运动世界校园APP性能评估方法及评估系统

摘要

本发明公开了一种运动世界校园APP性能评估方法及评估系统，涉及性能评价相关技术领域，具体步骤为：采集数据：从历史数据中抽取预定数量的训练数据；模型训练：基于训练数据，通过RBF神经网络进行训练，得到预测模型；数据分析：获取测试样本，基于预测模型预测获取预测结果，并与运动世界校园APP统计结果进行对比；性能评估：根据对比结果进行性能评估；本发明通过预测模型的预测结果与运动世界校园APP的统计结果之间的误差，评判运动世界校园APP的性能，能够对运动世界校园APP的准确性进行快速验证，为运动世界校园APP的性能的提升，提供数据支持。

说明书

技术领域

本发明涉及性能评价技术领域，更具体的说是涉及一种运动世界校园APP 性能评估方法及评估系统。

背景技术

运动世界校园APP是一款鼓励高校莘莘学子走出宿舍，健康生活的运动软件，学生只需拿一部手机，就可以在校园里随时跑步，无需排队打卡，且跑步过程中软件自动记录跑步数据，充分利用碎片时间，让运动更方便的走入各位学子的日常生活中。近年来，各大高校更是将跑步数据与成绩或是学分挂钩，因此保证运动世界校园APP中有效数据认定的准确性至关重要，因此寻找一种能够对运动世界校园APP的性能进行迅速评估的方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种运动世界校园APP性能评估方法及评估系统，克服上述缺陷。

为了实现上述目的，本发明提供如下技术方案：

一种运动世界校园APP性能评估方法，具体步骤为：

采集数据：从历史数据中抽取预定数量的训练数据；

模型训练：基于训练数据，通过RBF神经网络进行训练，得到预测模型；

数据分析：获取测试样本，基于预测模型预测获取预测结果，并与运动世界校园APP统计结果进行对比；

性能评估：根据对比结果进行性能评估。

可选的，在构建预测模型前对训练数据进行预处理，获得预处理数据。

可选的，预测模型的获取步骤为：

步骤21、对训练数据进行归一化处理，生成归一化特征数据；

步骤22、使用K-均值算法对归一化特征数据进行聚类，获得K个聚类簇及其聚类中心，并将聚类中心作为径向基函数的中心；

步骤23、采用最小二乘法训练由隐层至输出层之间的权值；

步骤24、使K＝K+1，重复步骤23，直至满足预设条件，获得预测模型。

可选的，预测模型的输出函数为：

式中，i为隐层单元数；w

可选的，还包括预测模型的验证，采用均方误差和平均绝对百分误差对预测模型性能进行验证。

可选的，数据分析的具体步骤为：

获取测试样本；

对测试样本进行归一化处理，生成归一化特征数据；

基于归一化特征数据，利用预测模型，获得预测有效公里数；

将预测有效公里数与运动世界校园APP中统计数数据中有效公里数的进行比较；

根据误差数据，判断运动世界校园APP性能。

一种运动世界校园APP性能评估评估系统，包括数据获取装置、训练模块、数据处理模块；

所述获取采集装置，用于获取训练数据以及测试样本；

所述训练模块，用于对RBF神经网络进行训练，得到预测模型；

所述数据处理模块，用于将预测结果与统计结果进行对比得到误差数据，并判断运动世界校园APP性能。

可选的，还包括预测模型验证模块，对预测模块的性能进行验证。

经由上述的技术方案可知，与现有技术相比，本发明公开了一种运动世界校园APP性能评估方法及评估系统，通过预测模型的预测结果与运动世界校园APP的统计结果之间的误差，评判运动世界校园APP的性能，能够对运动世界校园APP的准确性进行快速验证，为运动世界校园APP的性能的提升，提供数据支持。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明的方法流程示意图；

图2为本发明的系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种运动世界校园APP性能评估方法及评估系统，其方法的步骤如图1所示，具体为：

步骤1、采集数据：从历史数据中抽取预定数量的训练数据；

具体为：从运动世界校园APP后台数据库中随机提取1000人的运动数据，作为训练数据；

其中运动数据包括：每次运动的运动路线、开始时间、结束时间、运动时长、配速、步频、运动里程、有效公里数、运动模式等数据；

步骤2、模型训练：基于训练数据，通过RBF神经网络进行训练，得到预测模型；具体为：

步骤21、对训练数据进行归一化处理，生成归一化特征数据；

步骤22、使用K-均值算法对归一化特征数据进行聚类，获得K个聚类簇及其聚类中心，并将聚类中心作为径向基函数的中心，进而再确定函数宽度。

步骤23、采用最小二乘法训练由隐层至输出层之间的权值；

步骤24、使K＝K+1，重复步骤23，直至满足预设条件，获得预测模型。

其中，在构建预测模型前对训练数据进行预处理，获得预处理数据，滤除乱码、错漏、不全等问题的数据；

其中，步骤21具体为：

采用MATLAB软件自带的主成分分析函数PCA()对归一化特征数据进行维数约简，得到6维数据，分别为运动路线、开始时间、结束时间、运动时长、配速、运动里程；

对约简后的6维数据用MATLAB自带的MAPMINMAX()函数进行归一化处理，得到归一化特征数据。

步骤24的具体内容为：

首先选择输入向量的子集作为RBF神经网络模型的初始权值向量，然后从一个神经元开始每迭代一步增加一个RBF神经元，并采用正交最小二乘法找出最恰当的输入向量增加RBF的权值向量，每一步计算出目标向量与RBF 网络学习输出和中量间的误差平方和，当误差平方和达到设置的误差指标或达到最多神经元个数时，训练结束。

获得的预测模型的输出函数为：

式中，i为隐层单元数；w

本实施例中还包括预测模型的验证，采用均方误差和平均绝对百分误差对预测模型性能进行验证。

步骤3、数据分析：获取测试样本，基于预测模型预测获取预测结果，并与运动世界校园APP统计结果进行对比；

数据分析的具体步骤为：

获取测试样本；

对测试样本进行归一化处理，生成归一化特征数据；

基于归一化特征数据，利用预测模型，获得预测有效公里数；

将预测有效公里数与运动世界校园APP进行比较；

根据误差数据，判断运动世界校园APP性能。

步骤4、性能评估：根据对比结果进行性能评估；

其中，依据预先设置的评价等级，根据获取误差数据，获得运动世界校园APP的准确级别。

评价等级为：0-1公里为优；1-2公里为合格；2-3.5为较差；3.5以上为差。

本实施例还包括一种运动世界校园APP性能评估评估系统，如图2所示，包括数据获取装置、训练模块、数据处理模块；

所述获取采集装置，用于获取训练数据以及测试样本；

所述训练模块，用于对RBF神经网络进行训练，得到预测模型；

所述数据处理模块，用于将预测结果与统计结果进行对比得到误差数据，并判断运动世界校园APP性能。

一种运动世界校园APP性能评估评估系统，还包括预测模型验证模块，对预测模块的性能进行验证。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。