Predicción precisa de la velocidad de lanzamiento para atletas en la prueba aérea de esquí estilo libre basada en el aprendizaje de transferencia profunda

Scientific Reports volumen 13, número de artículo: 4308 (2023) Citar este artículo

557 Accesos

1 Citas

12 altmétrico

Detalles de métricas

Se publicó una corrección del autor de este artículo el 8 de mayo de 2023.

Este artículo ha sido actualizado

La obtención automática de la velocidad de lanzamiento son poderosas garantías para que los deportistas de la prueba aérea de esquí estilo libre consigan buenos resultados. En la mayoría de los estudios publicados que describen a atletas que obtienen puntuaciones altas, la distancia de deslizamiento de asistencia depende completamente del entrenador e incluso de la propia experiencia del atleta, que puede no ser óptima. El objetivo principal del presente artículo es utilizar un sistema de adquisición y desarrollar un modelo de red neuronal artificial (RNA) para obtener automáticamente la relación correspondiente entre la distancia de deslizamiento asistido y la velocidad. La influencia del coeficiente de fricción de la nieve, la velocidad del viento, la dirección del viento, la pendiente, la altura y el peso se pueden simular en el motor Unity3D. La influencia de la temperatura, la humedad y el ángulo de inclinación deben ser medidas en el mundo real por probadores profesionales, lo cual es extenuante. Primero, la red neuronal se entrena con suficientes datos de simulación para obtener la característica codificada. Luego, la información aprendida en el entorno de simulación se transfiere a otra red. La segunda red utiliza los datos extraídos de veinte evaluadores profesionales. En comparación con el modelo sin transferencia de aprendizaje, el rendimiento del método propuesto presenta una mejora significativa. El error cuadrático medio del conjunto de prueba es 0,692. Se observa que la velocidad predicha por el modelo de aprendizaje de transferencia profunda (DTL) diseñado concuerda bien con los resultados de la medición experimental. Los resultados indican que el método de aprendizaje por transferencia propuesto es un modelo eficiente para ser utilizado como herramienta para predecir la distancia de deslizamiento asistido y la velocidad de lanzamiento para atletas en la prueba aérea de esquí de estilo libre.

El evento aéreo de esquí estilo libre es un deporte que atrae la atención de personas en todo el mundo. El proyecto demuestra principalmente la técnica y flexibilidad de los atletas, y es muy consistente con las características deportivas y físicas propias de los atletas1. Por lo tanto, el evento aéreo de esquí de estilo libre siempre ha sido un avance importante para que los atletas ganen el oro en los Juegos Olímpicos de Invierno. La composición de la acción del evento aéreo de esquí de estilo libre se divide principalmente en cuatro fases, a saber, la fase de asistencia al deslizamiento, el despegue, la fase aérea y el aterrizaje, respectivamente. Por lo general, estas cuatro fases están conectadas entre sí, se promueven e interactúan entre sí. Uno de los factores clave que determina el éxito o fracaso de la acción es el control de la altura de ascenso, es decir, el control de la velocidad de lanzamiento al final de la fase de deslizamiento asistido. El diagrama y la vista lateral del sitio aéreo se muestran en la Fig. 1, donde se presentan en detalle las cuatro fases y el punto crucial de velocidad de lanzamiento.

El diagrama y la vista lateral del sitio aéreo.

Sin embargo, la velocidad del lanzamiento está influenciada por muchos factores. En las competiciones pasadas, la distancia de deslizamiento asistido de la prueba aérea de esquí estilo libre depende enteramente de sus entrenadores e incluso de la propia experiencia del atleta, o el estado de determinación final se determina después de repetidas pruebas de deslizamiento, que pueden no ser óptimas. Además, la realización de pruebas al aire libre requiere mucho tiempo y es agotadora2,3,4. La velocidad de deslizamiento asistida depende de las condiciones de la nieve, del entorno ambiental y de la pendiente de deslizamiento. Las condiciones de la nieve incluyen la temperatura, la dureza y la textura de la nieve5,6,7, todo lo cual afecta directamente el coeficiente de fricción de la nieve, que a su vez afecta la velocidad de deslizamiento. La limitación de las repetidas pruebas de deslizamiento de los atletas se puede superar utilizando un sistema tribómetro esquí-nieve. Se prefiere un sistema tribómetro esquí-nieve debido a su medición objetiva, rápida y fiable. Sin embargo, se han realizado menos trabajos para desarrollar el sistema tribómetro esquí-nieve. Los sistemas de medición existentes se pueden clasificar en dos categorías: (1) tribómetros lineales6,8; (2) tribómetros rotacionales9. Una limitación de los sistemas existentes es que no pueden medir la fricción a lo largo del esquí debido al tamaño de las muestras y la construcción de los sistemas. Además, lo que es más importante, además del coeficiente de fricción de la nieve, la velocidad del atleta también está relacionada con la distancia de deslizamiento, la velocidad del viento, la dirección del viento, la pendiente, la altura, el peso, la temperatura, la humedad y el ángulo de inclinación. Desafortunadamente, el modelo de medición existente no proporciona directamente la relación entre la velocidad y estos factores para guiar a los atletas a lograr buenos resultados, lo que es desfavorable para los atletas.

En este artículo, propusimos un algoritmo novedoso para predecir la velocidad del atleta y brindar orientación sobre la distancia de deslizamiento de asistencia para el atleta. El modelo considera de manera integral el efecto del coeficiente y captura las relaciones complejas entre variables mediante el estudio de las características importantes incorporadas en los datos. Los datos brutos se recopilaron a través de experimentos de prueba para cambiar el status quo de que la distancia de deslizamiento de asistencia depende completamente del entrenador e incluso de la propia experiencia del atleta.

Las RNA se emplean en diversos campos como clasificación, reconocimiento de patrones, predicción, etc.10,11,12. Recientemente, la aplicabilidad de ANN ha aumentado al proporcionar soluciones a aplicaciones de ingeniería como monitoreo de aguas subterráneas, predicción de la resistencia del concreto, predicción de la tasa de descarga de tolvas y predicción del factor de fricción del agua pura12,13,14,15. Naderpour et al.16 predijeron la resistencia a la compresión del hormigón de agregado reciclado con la ayuda de ANN. Los valores de regresión de la red seleccionada para entrenamiento, validación y prueba son 0,903, 0,89 y 0,829 respectivamente. Kumar et al.15 desarrollaron una ANN para predecir la tasa de descarga masiva de tolvas cónicas, y el modelo de ANN elegido fue capaz de predecir la tasa de descarga de sistemas de partículas multicomponente desde tolvas cónicas de diferentes ángulos con un error de ± 13%. Cebi et al.12 desarrollaron un modelo ANN de factor de fricción en tubos lisos y de microaletas en condiciones de calentamiento, enfriamiento e isotérmicas. Los resultados indican que dicho sistema basado en redes neuronales podría predecir eficazmente los valores del factor de fricción de los flujos independientemente de sus tipos de tubos. La razón principal por la que las RNA son ampliamente reconocidas es su eficacia para resolver cuestiones complejas de ingeniería17. ANN abstrae la red neuronal del cerebro humano desde la perspectiva del procesamiento de información, establece un determinado modelo simple y forma diferentes redes según diferentes conexiones. Por lo tanto, ANN revela la asombrosa capacidad del modelado del cerebro humano. Hasta donde sabemos, las aplicaciones de ANN para predecir la distancia de deslizamiento de asistencia para atletas en el evento aéreo de esquí de estilo libre son muy raras en la literatura. Hasta la fecha, no existe ningún estudio sobre la predicción de la distancia de deslizamiento asistido. La investigación de este artículo llena los vacíos en campos relacionados y proporciona una base para investigaciones de seguimiento.

En una conferencia sobre sistemas de procesamiento de información neuronal, los investigadores dan una definición representativa: el aprendizaje por transferencia tiene como objetivo transferir conocimientos entre dominios, tareas y distribuciones similares pero diferentes. Más tarde, con el mayor desarrollo del aprendizaje por transferencia, Pan y Yang18 dieron una definición formal de aprendizaje por transferencia en 2010, que lo divide en aprendizaje por transferencia isomórfico y aprendizaje por transferencia heterogéneo. En este artículo, el problema a resolver es el aprendizaje por transferencia isomórfica donde el espacio de características y el espacio de etiquetas de clase del dominio de origen y el dominio de destino son los mismos pero la distribución marginal o la distribución condicional es diferente. Bousmalis et al.19 propusieron la red de separación de dominios, cuya arquitectura de red consta de un codificador común, un codificador de dominio de origen, un codificador de dominio de destino, un decodificador común y un clasificador, que separa características específicas del dominio mientras extrae características de dominio comunes. Yan et al.20 propusieron la red de adaptación de dominio ponderada, que diseñó una discrepancia media máxima ponderada basada en información previa de categoría para ajustarse al dominio de origen y al dominio de destino. Li et al.21 propusieron el método de adaptación conjunta del dominio adversario, que realiza una confrontación tanto a nivel de característica como a nivel de clase. El primero se utiliza para reducir la distribución marginal entre dominios y el segundo se utiliza para reducir la distribución condicional. La transferencia se utiliza ahora ampliamente en el aprendizaje de diversos conocimientos, habilidades y normas sociales22,23,24.

El rendimiento del modelo DTL diseñado para la predicción de la velocidad de lanzamiento se prueba en el campo de esquí de Baiqingzhai, cuya sede de habilidades aéreas de esquí de estilo libre cumple con los estándares de competencia internacionales. La latitud y longitud de la estación de esquí de Baiqingzhai son 41.58093 y 123.7144 respectivamente. El experimento se lleva a cabo en cuatro días con diferentes condiciones climáticas para explorar la influencia de la temperatura y la humedad. Se genera un total de 300 conjuntos de datos de entrada y salida basados ​​en las 15 mejores pruebas por evaluador profesional. De los 300 conjuntos de datos de entrada y salida, 240 se utilizan para entrenamiento y los 60 conjuntos de datos restantes se utilizan para validación.

Para entrenar la red neuronal, la PC está equipada con 32,0 GB de RAM, CPU Core i7-9700F de 3,0 GHz y NVIDIA GeForce RTX 2060. La red del codificador se entrena primero con 100.000 conjuntos de datos de simulación con 100 tamaños de lote y 5000 épocas. El tiempo total para entrenar la red de codificadores es de aproximadamente 4 h. Después del proceso de entrenamiento, los parámetros de las capas ocultas se congelan. La última capa oculta de la red del codificador y otros tres parámetros en el mundo real es la entrada de la red de predicción. La etiqueta de datos es la velocidad de lanzamiento medida por el equipo. La red de predicción está entrenada con 240 conjuntos de datos del mundo real con 48 tamaños de lote y 500 épocas en aproximadamente 20 minutos. La curva de pérdida durante el proceso de entrenamiento se muestra en la Fig. 2. Aparentemente, el modelo DTL converge rápidamente y la función de pérdida del conjunto de entrenamiento y del conjunto de validación se reduce sincrónicamente. Para demostrar la eficacia del aprendizaje por transferencia, se lleva a cabo un experimento en el que la red de predicción se entrena directamente con datos del mundo real. El modelo sin transferencia de aprendizaje converge muy lentamente. La función de pérdida en el conjunto de validación aumenta en la etapa posterior y pronto aparece el fenómeno de sobreajuste.

La curva de pérdidas durante el proceso de entrenamiento.

El rendimiento de la red entrenada se compara solo con datos simulados y solo con datos del mundo real, y la red con el aprendizaje por transferencia. El error cuadrático medio (MSE) es 4,280, 1,946 y 0,692, respectivamente. El resultado revela que el modelo DTL propuesto supera a otros modelos por una gran diferencia. El rendimiento de la red con sólo datos simulados es peor debido al cambio de dominio entre los entornos de simulación y del mundo real. El modelo DTL propuesto integra conocimiento en el entorno simulado para formar información codificada y transferirla al entorno real. El MSE de la mejor red neuronal es 0,692. Por tanto, se puede concluir que la red neuronal seleccionada es capaz de proporcionar una buena correlación entre los parámetros del entorno y la velocidad de lanzamiento prevista. El MSE de una red con sólo datos simulados es peor debido al cambio de dominio entre la simulación y el entorno del mundo real.

Dado que no se ha desarrollado un método para determinar la mejor estructura de red neuronal y el método de entrenamiento óptimo, en el presente trabajo, los conjuntos de datos disponibles se entrenan, validan y prueban mediante otra red presentada en 4,7 hasta que la red obtiene el MSE mínimo. Según el número de nodos de entrada, capas ocultas y nodos ocultos, las dos redes se denominan respectivamente Modelo 9-2-8 y Modelo 11-2-15. El entrenamiento finaliza automáticamente después de 5000 épocas. La Tabla 1 enumera diferentes estructuras de ANN probadas durante el ajuste del modelo, a la luz de los errores de entrenamiento, validación y prueba con cambios en la estructura de las neuronas en la capa oculta. La investigación de la Tabla 1 revela que la red neuronal propuesta supera a otras estructuras por un amplio margen. Por lo tanto, se concluye que la red neuronal seleccionada es capaz de proporcionar una buena correlación entre el objetivo y la velocidad de lanzamiento prevista para los atletas en la prueba aérea de esquí de estilo libre.

En este trabajo se desarrolla un sistema de adquisición del coeficiente de fricción de la nieve, velocidad del viento, dirección del viento y ángulo de inclinación y se propone un novedoso algoritmo DTL para predecir la velocidad de lanzamiento de los atletas en la prueba aérea de esquí estilo libre para cambiar el estado. Sin embargo, la distancia de deslizamiento de asistencia depende completamente del entrenador e incluso de la propia experiencia del atleta. El modelo tiene en cuenta de manera integral varios factores que afectan la velocidad de lanzamiento de los atletas. Algunos de estos factores pueden ser simulados por el motor Unity3D, generando grandes cantidades de datos. Por otra parte, 20 atletas realizan experimentos en entornos del mundo real y obtienen una pequeña cantidad de datos. Nuestro algoritmo DTL propuesto maneja eficazmente el desequilibrio cuantitativo y la deriva de dominio entre los dos conjuntos de datos. A través de nuestros experimentos, descubrimos que el algoritmo DTL puede aprender información útil para el dominio de simulación y transferirla al dominio del mundo real, obteniendo como resultado el mejor rendimiento. El MSE de la red neuronal es 0,692, lo que supera significativamente a otros modelos sin aprendizaje por transferencia y satisface las necesidades de los atletas. El resultado muestra que el método propuesto puede ayudar a los entrenadores y atletas a elegir una distancia de deslizamiento de asistencia adecuada en función de los parámetros ambientales del momento.

En trabajos futuros, desarrollaremos sistemas de realidad virtual basados ​​en modelos de redes neuronales existentes. En este sistema, los atletas pueden controlar la velocidad en diferentes superficies de nieve ajustando el ángulo y la actitud de las baldosas para mejorar la adaptabilidad a diferentes entornos. El sistema puede romper las restricciones de la temporada en el esquí de estilo libre.

El tribómetro rotacional se muestra en la Fig. 3a y consiste en medir el subsistema de rueda de rotación, el subsistema de arranque eléctrico y el subsistema de caída de soporte. Más específicamente, el subsistema de rueda de rotación de medición consta de rueda de rotación, eje de soporte, cojinete cerámico, bloque de cojinete, riel guía, deslizador de riel y sensor de velocidad de rotación. El subsistema de arranque eléctrico consta de un motor paso a paso, un control deslizante eléctrico y una pieza de transmisión separable. El subsistema de caída de soporte consta de un marco, un deslizador de caída y un marco de soporte. En el subsistema de arranque de potencia, el motor paso a paso transmite potencia a la rueda de rotación en el subsistema de rueda de rotación de medición a través de la parte de transmisión separable, de modo que la rueda de rotación alcance una cierta velocidad. En este momento, el control deslizante eléctrico en el subsistema de arranque eléctrico expulsa el motor paso a paso de la transmisión. El control deslizante eléctrico en el subsistema de caída de soporte soporta el subsistema de rueda de rotación de medición para que caiga sobre la superficie de nieve medida de modo que la superficie exterior de la rueda de rotación esté en contacto con la superficie de nieve medida, y la velocidad de rotación actual de la rueda de rotación se registre como W1 por el sensor de velocidad de rotación. Cuando la rueda de rotación está en contacto con la superficie de nieve medida durante T segundos, la velocidad de rotación actual de la rueda de rotación se registra como W2 y el coeficiente de fricción (μ) se puede calcular mediante la siguiente fórmula:

donde f, N, d, M y α son la fricción, la presión, el diámetro de la rueda de rotación, el momento de inercia de la rueda de rotación y la desaceleración de la rueda de rotación, respectivamente.

Estructura general del equipo de medición.

De acuerdo con el proceso de medición del tribómetro rotacional, se analizan los requisitos de diseño del sistema de control y el motor paso a paso y el motor de CC son controlados por una microcomputadora de un solo chip (SCM). Basado en el análisis del principio de control SCM, se realiza el control asíncrono del motor paso a paso y se utiliza la teoría del control PID incremental digital para realizar el control síncrono de los dos motores de CC. En esta investigación, el motor paso a paso de circuito cerrado 57 es impulsado por el controlador HBS657, el motor de 42 pasos es impulsado por el controlador DM320 y el controlador AQMH2407ND se utiliza para el motorreductor JGA25. Más específicamente, el flujo de control de los cuatro motores es el siguiente: presione el interruptor de arranque para restablecer el tribómetro, luego inicie el motor paso a paso de circuito cerrado 57 y acelere, el motor paso a paso de circuito cerrado 57 acelera y se estabiliza a 600 rpm, durante 10 s, y Encienda el motor de 42 pasos para hacer que el control deslizante se mueva, el motor de 42 pasos alcanza la posición límite y los dos motores de soporte de caída caen sincrónicamente hasta la posición límite inferior. El diagrama de flujo del sistema de control se muestra en la Fig. 4. Además, para obtener una predicción más precisa de la distancia de deslizamiento de asistencia, en esta investigación también se miden la velocidad del viento, la dirección del viento y el ángulo de inclinación. Dado que el sensor de velocidad angular requiere alta precisión, se utiliza un codificador fotoeléctrico de alta resolución (Omron E6H-CWZ3E). Se seleccionan el sensor de ángulo de inclinación MCA420T-60-02 y el módulo sensor de temperatura y humedad de la serie SHT3X, y el sensor de velocidad y dirección del viento son el modelo RS-FSJT y el modelo RS-FXJT respectivamente. En la figura 3b se muestra la fotografía de todo el robot de medición desplegado en la estación de esquí.

El diagrama de flujo del sistema de control.

En este estudio, aprobado por el comité de ética de la Universidad Northeastern, participaron veinte evaluadores profesionales (de 20 a 30 años, media = 23,75, DE = 2,99). Cada participante realiza 20 pruebas y se seleccionan las 15 mejores pruebas por evaluador para su posterior análisis. Los coeficientes al final de la etapa de asistencia al deslizamiento se miden antes de cada prueba. También se registran la distancia de deslizamiento de asistencia y la velocidad.

El conjunto de datos contiene dos partes: suficientes datos de simulación generados por el motor Unity3D y menos datos del mundo real recopilados de atletas profesionales reclutados. El primer conjunto de datos incluye el coeficiente de fricción de la nieve, la velocidad del viento, la dirección del viento, la pendiente, la distancia de deslizamiento de asistencia, la altura y el peso del atleta, que se pueden simular en el motor Unity3D. Creamos un entorno virtual del evento aéreo de esquí de estilo libre que se muestra en la Fig. 5. Se simularon un total de 100.000 conjuntos de experimentos. Estos parámetros siguen una distribución gaussiana y la media y la desviación estándar de la distribución de los parámetros se muestran en la Tabla 2. Después de cinco horas de cálculos, todos los datos se completan fácilmente. Además de los parámetros contenidos en el primer conjunto de datos, el segundo conjunto de datos también incluye temperatura, humedad y ángulo de inclinación que son difíciles de simular. Los datos deben ser medidos en el mundo real por evaluadores profesionales, lo que requiere mucho tiempo. Por tanto, se necesitan cuatro días para recopilar un total de 300 conjuntos de datos. La velocidad y dirección del viento se convierten en velocidad horizontal vx y velocidad vertical vy. Además, los datos deben normalizarse mediante la siguiente ecuación para equilibrar la diversidad de la distribución de parámetros.

donde \({y}^{l(i,j)}\) es el valor sin procesar de los datos, \(\hat{y}^{l(i,j)}\) es el valor normalizado de los datos, \( {\mu }_{B}=\mathrm{E}\left[{y}^{l(i,j)}\right]\), \({\sigma }_{B}^{2}= \mathrm{Var}\left[{y}^{l(i,j)}\right]\), \(\epsilon \) es una pequeña constante agregada para la estabilidad numérica.

El entorno virtual del evento aéreo de esquí estilo libre en motor Unity3D.

Como se mencionó en la sección anterior, los datos incluyen una gran cantidad de datos de simulación, así como una pequeña cantidad de datos del mundo real. El algoritmo debe abordar la diferencia cuantitativa y el cambio de dominio de los dos conjuntos de datos. Se propone un novedoso método de aprendizaje por transferencia profunda supervisado. La estructura de la red neuronal se muestra en la Fig. 6. La parte roja llamada red codificadora se entrena primero mediante datos de simulación con etiqueta. Las entradas de la red neuronal son los siete parámetros del entorno y la salida es la predicción de la velocidad de lanzamiento. La última capa de la capa oculta está diseñada deliberadamente para ser estrecha. En esta capa se reserva la información más útil y las capas anteriores se consideran el codificador de la entrada. La parte azul llamada red de predicción se entrena con menos datos del mundo real. Las entradas son la última capa oculta de la red del codificador y otros tres parámetros. Tenga en cuenta que las capas de la red del codificador incluyen información aprendida en los datos de simulación, por lo que se congelan en el segundo proceso de entrenamiento.

La estructura de la red neuronal propuesta.

El error cuadrático medio (MSE), que es la diferencia cuadrática promedio entre resultados y objetivos, se selecciona como función de pérdida. Además, se agrega una regularización L2 a la función de pérdida de la red de predicción para evitar el sobreajuste. λ es el coeficiente de penalización del ítem de regularización. La función de pérdida total de la red de predicción se presenta en la siguiente ecuación:

Los modelos ANN se entrenan utilizando el algoritmo de optimización de Adam. La función de activación es ReLU. El flujo de trabajo del modelo DTL se muestra en el Algoritmo 1. Finalmente, los datos de la simulación y veinte participantes se dividen aleatoriamente en conjuntos de entrenamiento y prueba y el 80% de los datos para el entrenamiento del modelo y el 20% para la validación.

Los conjuntos de datos generados y/o analizados durante el estudio actual no están disponibles públicamente debido al acuerdo de confidencialidad, pero están disponibles a través del autor correspondiente a solicitud razonable.

Se ha publicado una corrección a este artículo: https://doi.org/10.1038/s41598-023-34472-6

Nicotra, M., Moncalero, M. & Colonna, M. Efecto de las propiedades viscoelásticas de los polímeros termoplásticos sobre los comportamientos de flexión y rebote de botas de esquí para esquí alpino. Proc. Inst. Mec. Ing. Parte P J. Ing. Deportivo. Tecnología. 229, 199–210. https://doi.org/10.1177/1754337114564481 (2015).

Artículo de Google Scholar

Leino, MAH, Spring, E. & Suominen, H. Métodos para la determinación simultánea de la resistencia del aire a un esquiador y el coeficiente de fricción de sus esquís sobre la nieve. Use 86, 101–104 (1983).

Artículo de Google Scholar

Hasler, M. y col. Un novedoso tribómetro esquí-nieve y su precisión. Tríbol. Letón. https://doi.org/10.1007/s11249-016-0719-2 (2016).

Artículo de Google Scholar

Song, W., Pan, Y., Qin, J., Wang, H. & Dong, C. Sistema de medición del entorno de nieve basado en el modelo BP para predecir la velocidad de lanzamiento del deportista en esquí de estilo libre. en 2020 IEEE 3ra Conferencia Internacional de Producción e Informatización Seguras (IICSPI). 522–525 (IEEE).

Nachbauer, W., Schrocksnadel, P. y Lackinger, B. Efectos de la nieve y las condiciones del aire sobre la fricción del esquí. Seguridad ante traumatismos en el esquí Décimo 1266, 178–185. https://doi.org/10.1520/stp37927s (1996).

Artículo de Google Scholar

Montagnat, M. & Schulson, EM Sobre la fricción y el agrietamiento de la superficie durante el deslizamiento de hielo sobre hielo. J. Glaciol. 49, 391–396 (2003).

ADS del artículo Google Scholar

Qin, J. y col. La predicción cuantitativa de la distancia de deslizamiento auxiliar del esquí de estilo libre basada en la red neuronal MLP. en 2019 IEEE 2da Conferencia Internacional sobre Comunicación de Información y Procesamiento de Señales (ICICSP). 469–472 (IEEE).

Jones, SJ, Kitigawa, H., Izumiyama, K. y Shimoda, H. Fricción del hielo derretido. Ana. Glaciol. 19, 7-12 (1994).

ADS del artículo Google Scholar

Baeurle, L., Szabo, D., Fauve, M., Rhyner, H. & Spencer, ND Fricción deslizante de polietileno sobre hielo: mediciones tribómetros. Tríbol. Letón. 24, 77–84. https://doi.org/10.1007/s11249-006-9147-z (2006).

Artículo CAS Google Scholar

LeCun, Y., Bengio, Y. y Hinton, G. Aprendizaje profundo. Naturaleza 521, 436–444 (2015).

Artículo ADS CAS PubMed Google Scholar

ArumugaMariaDevi, T. & Darwin, P. Métricas de rendimiento en imágenes hiperespectrales en una red neuronal convolucional contextual difusa para un analizador de calidad de alimentos. En t. J. Incertidumbre Borrosidad Sistema basado en el conocimiento. 30, 337–356. https://doi.org/10.1142/S0218488522400104 (2022).

Artículo de Google Scholar

Cebi, A., Akdogan, E., Celen, A. & Dalkilic, AS Predicción del factor de fricción del agua pura que fluye dentro de tubos verticales lisos y de microaletas mediante el uso de redes neuronales artificiales. Transf. masa calor. 53, 673–685. https://doi.org/10.1007/s00231-016-1850-1 (2017).

Artículo ADS CAS Google Scholar

Duan, ZH, Kou, SC & Poon, CS Predicción de la resistencia a la compresión del hormigón con áridos reciclados utilizando redes neuronales artificiales. Construcción Construir. Madre. 40, 1200–1206. https://doi.org/10.1016/j.conbuildmat.2012.04.063 (2013).

Artículo de Google Scholar

Ling, TC Predicción de densidad y resistencia a la compresión de bloques de hormigón engomados. Construcción Construir. Madre. 25, 4303–4306 (2011).

Artículo de Google Scholar

Kumar, R., Patel, CM, Jana, AK y Gopireddy, SR Predicción de la tasa de descarga de la tolva utilizando el método combinado de elementos discretos y una red neuronal artificial. Adv. Tecnología en polvo. 29, 2822–2834. https://doi.org/10.1016/j.apt.2018.08.002 (2018).

Artículo de Google Scholar

Naderpour, H., Rafiean, AH y Fakharian, P. Predicción de la resistencia a la compresión de hormigón respetuoso con el medio ambiente mediante redes neuronales artificiales. J. Construir. Ing. 16, 213–219. https://doi.org/10.1016/j.jobe.2018.01.007 (2018).

Artículo de Google Scholar

Getahun, MA, Shitote, SM y Gariy, ZCA Enfoque de modelado basado en redes neuronales artificiales para la predicción de la resistencia del hormigón que incorpora desechos agrícolas y de construcción. Construcción Construir. Madre. 190, 517–525. https://doi.org/10.1016/j.conbuildmat.2018.09.097 (2018).

Artículo de Google Scholar

Pan, SJ y Yang, Q. Una encuesta sobre el aprendizaje por transferencia. Traducción IEEE. Conocimiento. Ing. de datos. 22, 1345-1359 (2009).

Artículo de Google Scholar

Bousmalis, K., Trigeorgis, G., Silberman, N., Krishnan, D. y Erhan, D. Redes de separación de dominios. Adv. Información neuronal. Proceso. Sistema. 29, 343–351 (2016).

Google Académico

Yan, H. y col. Tenga en cuenta el sesgo de ponderación de clase: discrepancia media máxima ponderada para la adaptación de dominio no supervisada. en Actas de la Conferencia IEEE sobre Visión por Computadora y Reconocimiento de Patrones. 2272–2281.

Li, S. y col. Adaptación conjunta del dominio adversario. en Actas de la 27ª Conferencia Internacional ACM sobre Multimedia. 729–737.

Yu, X., Yang, X., Tan, Q., Shan, C. y Lv, Z. Un método de detección de anomalías basado en computación de vanguardia en la sostenibilidad industrial de IoT. Aplica. Computación blanda. 128, 109486 (2022).

Artículo de Google Scholar

Hu, N., Tian, ​​Z., Du, X., Guizani, N. y Zhu, Z. Deep-Green: un paradigma informático de eficiencia energética dispersa para la IoT industrial ecológica. Traducción IEEE. Comunión Verde. Neto. 5, 750–764 (2021).

Artículo de Google Scholar

Xu, X., Liu, W. y Yu, L. Predicción de trayectoria para agentes de tráfico heterogéneos utilizando un modelo basado en datos de corrección del conocimiento. inf. Ciencia. 608, 375–391 (2022).

Artículo de Google Scholar

Descargar referencias

Los autores recibieron el apoyo del Programa Nacional Clave de I+D de China (2021YFF0306400). Los autores agradecen a la organización financiadora por su apoyo financiero. Los autores también desean agradecer a la estación de esquí de Baiqingzhai en Shenyang, China, por su pleno apoyo.

Escuela de Ingeniería Mecánica y Automatización, Universidad del Noreste, Shenyang, China

Daqi Jiang, Hong Wang y Jichi Chen

Centro de Investigación Clave para Ciencias Sociales, Universidad Deportiva de Shenyang, Shenyang, China

Chuan Sheng Dong

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

DJ: análisis formal, metodología, software, recopilación de datos, validación, visualización, conceptualización, redacción (borrador original), redacción: revisión y edición. HW: investigación, conceptualización, recursos, administración y supervisión de proyectos. JC: curación de datos. CD: visualización y adquisición de financiación.

Correspondencia a Chuansheng Dong.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

La versión original en línea de este artículo fue revisada: la versión original de este artículo contenía errores en las secciones de Contribuciones del autor y Agradecimientos. La información completa sobre las correcciones realizadas se puede encontrar en el aviso de corrección de este artículo.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Jiang, D., Wang, H., Chen, J. et al. Predicción precisa de la velocidad de lanzamiento para atletas en la prueba aérea de esquí de estilo libre basada en el aprendizaje de transferencia profunda. Representante científico 13, 4308 (2023). https://doi.org/10.1038/s41598-023-31355-8

Descargar cita

Recibido: 23 de enero de 2023

Aceptado: 10 de marzo de 2023

Publicado: 15 de marzo de 2023

DOI: https://doi.org/10.1038/s41598-023-31355-8

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.