深層転移学習に基づいた、フリースタイル スキーの空中競技における選手の発射速度の正確な予測

Scientific Reports volume 13、記事番号: 4308 (2023) この記事を引用

473 アクセス

12 オルトメトリック

メトリクスの詳細

この記事に対する著者の訂正は、2023 年 5 月 8 日に公開されました。

この記事は更新されました

打ち出し速度を自動的に取得することは、フリースタイル スキーの空中競技でアスリートが良い結果を達成することを強力に保証します。 アスリートが高得点を獲得していることを説明する出版された研究のほとんどでは、アシストスライディング距離は完全にコーチ、さらにはアスリート自身の経験に依存しており、最適ではない可能性があります。 本論文の主な目的は、取得システムを使用し、補助滑走距離と速度の対応関係を自動的に取得する人工ニューラル ネットワーク (ANN) モデルを開発することです。 雪の摩擦係数、風速、風向、傾斜、高さ、重量の影響を Unity3D エンジンでシミュレートできます。 温度、湿度、傾斜角の影響は、プロのテスターに​​よって実際の環境で測定する必要があり、これは大変な作業です。 ニューラル ネットワークは、エンコードされた特徴を取得するために、最初に十分なシミュレーション データによってトレーニングされます。 そして、シミュレーション環境で学習した情報を別のネットワークに転送します。 2 番目のネットワークは、20 人のプロのテスターから取得したデータを使用します。 転移学習を行わないモデルと比較して、提案手法のパフォーマンスは大幅に向上しました。 テスト セットの平均二乗誤差は 0.692 です。 設計された深層転移学習 (DTL) モデルによって予測された速度が実験による測定結果とよく一致していることが観察されます。 その結果、提案した転移学習法は、フリースタイルスキーの空中競技において、選手の滑走距離や蹴り出し速度の補助を予測するツールとして有効なモデルであることが示された。

フリースタイルスキーのエアリアル競技は、世界中で注目を集めるスポーツです。 このプロジェクトは主にアスリートのテクニックと柔軟性を実証しており、アスリート自身のスポーツ特性や身体的特徴と非常に一致しています1。 したがって、フリースタイル スキーの空中競技は、選手にとって冬季オリンピックで金メダルを獲得するための重要な進歩であり続けています。 フリースタイルスキーのエアリアル種目の動作構成は主に滑走補助フェーズ、離陸フェーズ、エアリアルフェーズ、着地フェーズの4つのフェーズに分かれています。 通常、これら 4 つのフェーズは相互に接続され、相互に促進し、相互作用します。 アクションの成否を決める重要な要素の 1 つは、立ち上がりの高さのコントロール、つまり、補助滑りフェーズの終了時の飛び出し速度のコントロールです。 空中サイトの図と側面図を図 1 に示します。図 1 では、4 つのフェーズと重要な発射速度ポイントが詳細に示されています。

空中サイトの図と側面図。

ただし、打ち上げの速度は多くの要因に影響されます。 これまでの大会では、フリースタイルスキーのエアリアル種目における補助滑走距離は、コーチや選手自身の経験に完全に依存していたり​​、滑走テストを繰り返して最終的な判断を行っていたりするなど、必ずしも最適とは言えなかった。 さらに、屋外での試験の実施には時間がかかり、労力がかかります2、3、4。 アシスト滑走速度は雪の状態、周囲の環境、滑走斜面の影響を受けます。 雪の状態には雪の温度、硬さ、質感などが含まれます5、6、7。これらはすべて雪の摩擦係数に直接影響し、滑り速度に影響します。 アスリートの繰り返しの滑走テストの限界は、スキー雪トライボメーター システムを使用することで克服できます。 スキー雪トライボメータ システムは、客観的で高速かつ信頼性の高い測定が可能なため、推奨されます。 しかし、スキー雪トライボメータ システムの開発に関して行われた研究はほとんどありません。 既存の測定システムは、次の 2 つのカテゴリに分類できます。(1) リニア トライボメータ 6、8。 （２）回転トライボメータ９． 既存のシステムの限界は、サンプルのサイズとシステムの構造により、スキー板に沿った摩擦の測定に対応できないことです。 さらに重要なのは、雪の摩擦係数以外にも、選手のスピードはアシスト滑走距離、風速、風向、傾斜、高さ、体重温度、湿度、傾斜角にも関係します。 残念ながら、既存の測定モデルでは、アスリートが良い結果を達成できるように速度とこれらの要因との関係を直接的に示すことはできず、これはアスリートにとって不利です。

本稿では、アスリートの速度を予測し、アスリートの滑走距離を補助するための新しいアルゴリズムを提案した。 このモデルは係数の影響を包括的に考慮し、データに埋め込まれた重要な特徴を研究することで変数間の複雑な関係を捉えます。 補助滑走距離が完全にコーチ、さらにはアスリート自身の経験に依存するという現状を変えるために、テスト実験を通じて生データが収集されました。

ANN は、分類、パターン認識、予測などのさまざまな分野で使用されています10、11、12。 最近では、地下水モニタリング、コンクリート強度予測、ホッパー吐出量予測、純水の摩擦係数予測などのエンジニアリング用途へのソリューションを提供することで、ANN の適用可能性が高まっています 12,13,14,15。 Naderpour ら 16 は、ANN の助けを借りて、再生骨材コンクリートの圧縮強度を予測しました。 トレーニング、検証、テスト用に選択したネットワークの回帰値は、それぞれ 0.903、0.89、0.829 です。 ANN は、円錐型ホッパーからの質量排出率を予測するために Kumar らによって開発されました 15。選択された ANN モデルは、さまざまな角度の円錐型ホッパーからの多成分粒子システムの排出率を ± 13% の誤差以内で予測できました。 Cebi et al.12 は、加熱、冷却、等温条件下での滑らかなマイクロフィン チューブの摩擦係数の ANN モデルを開発しました。 結果は、ニューラルネットワークに基づくこのようなシステムが、チューブの種類に関係なく、流れの摩擦係数値を効果的に予測できることを示しています。 ANN が広く認識されている主な理由は、複雑なエンジニアリング問題を解決するための ANN の有効性です17。 ANN は人間の脳の神経ネットワークを情報処理の観点から抽象化し、特定の単純なモデルを確立し、さまざまな接続に応じてさまざまなネットワークを形成します。 したがって、ANN は人間の脳モデリングの驚くべき能力を明らかにします。 私たちの知る限り、フリースタイル スキーの空中競技におけるアスリートの滑走補助距離を予測するための ANN の応用例は文献の中で非常にまれです。 現在までに、補助滑走距離の予測に関する研究は存在しない。 この論文の研究は、関連分野のギャップを埋め、追跡調査の基礎を提供します。

神経情報処理システムに関する会議で、研究者たちは代表的な定義を与えています。転移学習は、類似しているが異なるドメイン、タスク、分布間で知識を伝達することを目的としています。 その後、転移学習のさらなる発展に伴い、Pan と Yang18 は 2010 年に転移学習を同型転移学習と異種転移学習に分類する正式な定義を与えました。 この論文では、ソースドメインとターゲットドメインの特徴空間とクラスラベル空間が同じであるが、周辺分布または条件付き分布が異なる同型転移学習を解決する問題を扱います。 Bousmalis et al.19 は、ドメイン分離ネットワークを提案しました。そのネットワーク アーキテクチャは、共通エンコーダ、ソース ドメイン エンコーダ、ターゲット ドメイン エンコーダ、共通デコーダ、および共通ドメイン特徴をマイニングしながらドメイン固有の特徴を分離する分類器で構成されます。 Yan et al.20 は、ソース ドメインとターゲット ドメインに適合するカテゴリ事前情報に基づいて重み付けされた最大平均不一致を設計する重み付けドメイン適応ネットワークを提案しました。 Li et al.21 は、特徴レベルとクラスレベルの対立の両方を実行する共同敵対的ドメイン適応法を提案しました。 前者はドメイン間の限界分布を減らすために使用され、後者は条件付き分布を減らすために使用されます。 転移は現在、さまざまな知識、スキル、社会規範の学習に広く使用されています22、23、24。

打ち上げ速度を予測するために設計された DTL モデルの性能は、フリースタイル スキーの空中スキル会場が国際競技基準を満たす白清寨スキー場でテストされます。 白青寨スキーリゾートの緯度と経度はそれぞれ41.58093と123.7144です。 実験は気温と湿度の影響を調べるため、天候を変えて4日間実施されます。 合計 300 の入出力データ セットが、プロのテスターごとに最も優れた 15 個のテストに基づいて生成されます。 300 個の入出力データセットのうち、240 個のデータセットがトレーニングに使用され、残りの 60 個のデータセットが検証に使用されます。

ニューラル ネットワークをトレーニングするために、PC には 32.0 GB RAM、Core i7-9700F CPU 3.0 GHz、および NVIDIA GeForce RTX 2060 が搭載されています。エンコーダー ネットワークは、最初に 100 バッチ サイズおよび 5000 エポックの 100,000 セットのシミュレーション データによってトレーニングされます。 エンコーダ ネットワークのトレーニングにかかる​​合計時間は約 4 時間です。 トレーニングプロセス後、隠れ層のパラメータはフリーズされます。 エンコーダ ネットワークの最後の隠れ層と現実世界の他の 3 つのパラメーターは、予測ネットワークの入力です。 データのラベルは機器によって測定された発射速度です。 予測ネットワークは、48 バッチ サイズ、500 エポックの 240 セットの実世界データによって約 20 分でトレーニングされます。 トレーニング プロセス中の損失曲線を図 2 に示します。明らかに、DTL モデルは急速に収束し、トレーニング セットと検証セットの損失関数が同時に減少します。 転移学習の有効性を実証するために、予測ネットワークが現実世界のデータによって直接トレーニングされる実験が行われます。 転移学習を使用しないモデルは収束が非常に遅くなります。 検証セット上の損失関数は後半になるほど増加し、すぐに過学習の現象が現れます。

トレーニングプロセス中の損失曲線。

トレーニングされたネットワークのパフォーマンスは、シミュレートされたデータのみ、現実世界のデータのみ、および転移学習を使用したネットワークと比較されます。 平均二乗誤差 (MSE) はそれぞれ 4.280、1.946、0.692 です。 結果は、提案された DTL モデルが他のモデルよりも大きな差で優れていることを示しています。 シミュレーション データのみを含むネットワークのパフォーマンスは、シミュレーション環境と現実世界の環境の間でドメインが変化するため、最悪になります。 提案された DTL モデルは、シミュレートされた環境の知識を統合して、エンコードされた情報を形成し、それを実際の環境に転送します。 最良のニューラル ネットワークの MSE は 0.692 です。 したがって、選択されたニューラル ネットワークは、環境パラメーターと予測される起動速度の間に良好な相関関係を提供できると結論付けられます。 シミュレーション データのみを含むネットワークの MSE は、シミュレーションと現実世界の環境の間のドメインのシフトにより最悪になります。

最適なニューラル ネットワーク構造と最適なトレーニング方法を決定する方法は開発されていないため、現在の研究では、ネットワークが最小の MSE を取得するまで、利用可能なデータセットが 4,7 で示されている他のネットワークによってトレーニング、検証、テストされます。 入力ノード、隠れ層、および隠れノードの数に応じて、2 つのネットワークはそれぞれモデル 9-2-8 およびモデル 11-2-15 と名付けられます。 トレーニングは 5000 エポック後に自動的に終了します。 表 1 は、隠れ層のニューロンの構造の変化に伴うトレーニング、検証、およびテストのエラーを考慮して、モデルのフィッティング中にテストされたさまざまな ANN 構造をリストしています。 表 1 を調査すると、提案されたニューラル ネットワークが他の構造よりも大幅に優れていることがわかります。 したがって、選択されたニューラル ネットワークは、フリースタイル スキーの空中競技において、ターゲットとアスリートの予測発射速度との間に良好な相関関係を提供できると結論付けられます。

本研究では、雪の摩擦係数、風速、風向、傾斜角を取得するシステムを開発し、フリースタイルスキーのエアリアル種目における選手の発進速度を予測してステータスを変更するための新しいDTLアルゴリズムを提案します。アシストスライディング距離は完全にコーチ、さらにはアスリート自身の経験に依存します。 アスリートの蹴り出し速度に影響を与えるさまざまな要素を総合的に考慮したモデルです。 これらの要素の一部は Unity3D エンジンによってシミュレートされ、大量のデータが生成されます。 その他の部分については、20 人のアスリートが現実世界の環境で実験を行い、少量のデータを取得します。 私たちが提案する DTL アルゴリズムは、2 つのデータ セット間の量的不均衡とドメイン ドリフトを効果的に処理します。 私たちの実験を通じて、DTL アルゴリズムがシミュレーション ドメインの有用な情報を学習し、それを現実世界のドメインに転送することで最高のパフォーマンスが得られることがわかりました。 ニューラル ネットワークの MSE は 0.692 で、転移学習を使用しない他のモデルを大幅に上回り、アスリートのニーズを満たします。 この結果は、提案された方法が、コーチやアスリートがその時の環境パラメータに基づいて適切な補助滑走距離を選択するのに役立つことを示しています。

将来的には、既存のニューラル ネットワーク モデルに基づいて仮想現実システムを開発する予定です。 このシステムでは、アスリートはタイルの角度と姿勢を調整することでさまざまな雪面での速度を制御し、さまざまな環境への適応性を向上させることができます。 このシステムは、フリースタイル スキーにおけるシーズンの制限を打ち破ることができます。

回転トライボメータは図 3a に示されており、測定回転ホイール サブシステム、動力始動サブシステム、および落下支援サブシステムで構成されています。 より具体的には、測定回転ホイール サブシステムは、回転ホイール、サポート シャフト、セラミック ベアリング、ベアリング ブロック、ガイド レール、レール スライダー、回転速度センサーで構成されます。 動力始動サブシステムは、ステッピングモーター、電動スライダー、分離可能な伝達部で構成されています。 サポート落下サブシステムは、フレーム、ドロップ スライダー、サポート フレームで構成されます。 動力始動サブシステムでは、ステッピングモーターが分離可能な伝達部を介して測定回転輪サブシステムの回転輪に動力を伝達し、回転輪が一定の速度に達するようにします。 この時点で、動力始動サブシステムの電動スライダーがステッピング モーターを駆動してトランスミッションから外します。 支持落下サブシステムの電動スライダーは、測定回転ホイール サブシステムが測定雪面に落下するようにサポートし、回転ホイールの外面が測定雪面に接触し、回転ホイールの現在の回転速度が次のように記録されます。回転速度センサーによるW1。 回転輪が測定雪面に T 秒間接触したとき、現在の回転輪の回転速度が W2 として記録され、摩擦係数 (μ) は次の式で計算できます。

ここで、f、N、d、M、α はそれぞれ摩擦、圧力、回転ホイールの直径、回転ホイールの慣性モーメント、回転ホイールの減速度です。

測定装置の全体構成。

回転トライボメータの測定プロセスに従って、制御システムの設計要件が分析され、ステッピングモーターとDCモーターはシングルチップマイクロコンピューター(SCM)によって制御されます。 SCM制御の原理の分析に基づいて,ステッピングモータの非同期制御を実現し,デジタルインクリメンタルPID制御理論を使用して2つのDCモータの同期制御を実現した。 この研究では、57 閉ループ ステッピング モータは HBS657 ドライバで駆動され、42 ステッピング モータは DM320 ドライバで駆動され、JGA25 ギヤード モータには AQMH2407ND ドライバが使用されます。 より具体的には、4 つのモーターの制御フローは次のとおりです。スタート スイッチを押してトライボメータをリセットし、57 閉ループ ステッピング モーターを起動して加速します。57 閉ループ ステッピング モーターが加速して 600 rpm まで 10 秒間安定します。 42 ステッピング モーターを起動してスライダーを移動させると、42 ステッピング モーターが限界位置に到達し、落下サポートの 2 つのモーターが下限位置まで同期して落下します。 制御システムのフローチャートを図4に示します。また、本研究では補助滑走距離をより正確に予測するために、風速、風向、傾斜角も測定しました。 角速度センサは高精度が要求されるため、高分解能の光電式エンコーダ（オムロン製 E6H-CWZ3E）を使用しています。 MCA420T-60-02 傾斜角センサーと SHT3X シリーズ温湿度センサー モジュールを選択し、風速と風向センサーはそれぞれ RS-FSJT モデルと RS-FXJT モデルを選択します。 スキー場に配備された計測ロボットの全体写真を図3bに示します。

制御システムのフローチャート。

20 人のプロのテスター (20 歳から 30 歳、平均 = 23.75、SD = 2.99) がこの研究に参加し、ノースイースタン大学の倫理委員会によって承認されました。 各参加者は 20 回のテストを実行し、テスターごとに最も優れた 15 個のテストがさらなる分析のために選択されます。 補助滑りステージの端の係数は、各試験の前に測定されます。 アシスト滑走距離と速度も記録されます。

データセットには 2 つの部分が含まれています。Unity3D エンジンによって生成された十分なシミュレーション データと、採用されたプロのアスリートから収集された現実世界の少数のデータです。 最初のデータセットには、Unity3D エンジンでシミュレートできる雪の摩擦係数、風速、風向、傾斜、補助滑走距離、アスリートの身長と体重が含まれます。 図 5 に示すフリースタイル スキーのエアリアル イベントの仮想環境を設定しました。合計 100,000 セットの実験がシミュレートされました。 これらのパラメーターはガウス分布に従い、パラメーターの分布の平均と標準偏差を表 2 に示します。5 時間の計算の後、すべてのデータが簡単に完成します。 最初のデータセットに含まれるパラメーターに加えて、2 番目のデータセットには、シミュレーションが困難な温度、湿度、傾斜角も含まれています。 データはプロのテスターに​​よって現実世界で測定される必要があり、時間がかかります。 したがって、合計 300 セットのデータを収集するには 4 日かかります。 風速と風向は水平速度 vx と垂直速度 vy に変換されます。 さらに、パラメータ分布の多様性のバランスをとるために、データを次の式で正規化する必要があります。

ここで、 \({y}^{l(i,j)}\) はデータの生の値、 \(\hat{y}^{l(i,j)}\) はデータの正規化された値、 \( {\mu }_{B}=\mathrm{E}\left[{y}^{l(i,j)}\right]\), \({\sigma }_{B}^{2}= \mathrm{Var}\left[{y}^{l(i,j)}\right]\), \(\epsilon \) は数値の安定性のために追加された小さな定数です。

Unity3Dエンジンによるフリースタイルスキーのエアリアルイベントの仮想環境。

前のセクションで述べたように、データには大量のシミュレーション データと少量の実世界のデータが含まれています。 アルゴリズムは、2 つのデータセットの量的な差異とドメインのシフトに対処する必要があります。 新しい教師あり深層転移学習法を提案します。 ニューラルネットワークの構造を図6に示します。エンコーダネットワークと呼ばれる赤い部分は、最初にラベル付きのシミュレーションデータによって学習されます。 ニューラル ネットワークの入力は環境の 7 つのパラメーターであり、出力は発射速度の予測です。 隠れ層の最後の層は意図的に狭く設計されています。 この層では、最も有用な情報が予約され、前の層は入力のエンコーダとみなされます。 予測ネットワークと呼ばれる青い部分は、より少ない現実世界のデータによってトレーニングされます。 入力は、エンコーダー ネットワークの最後の隠れ層と他の 3 つのパラメーターです。 エンコーダー ネットワークのレイヤーにはシミュレーション データで学習された情報が含まれるため、2 番目のトレーニング プロセスではフリーズされることに注意してください。

提案されたニューラル ネットワークの構造。

出力とターゲット間の平均二乗差である平均二乗誤差 (MSE) が損失関数として選択されます。 さらに、過学習を防ぐために、予測ネットワークの損失関数に L2 正則化が追加されます。 λ は、正則化項目のペナルティ係数です。 予測ネットワークの総損失関数は次の方程式で表されます。

ANN モデルは、Adam 最適化アルゴリズムを使用してトレーニングされます。 活性化関数は ReLU です。 DTL モデルのワークフローはアルゴリズム 1 に示されています。最後に、シミュレーションのデータと 20 人の参加者がトレーニング セットとテスト セットにランダムに分割され、データの 80% がモデルのトレーニングに、20% が検証に使用されます。

現在の研究中に生成されたデータセットおよび/または研究中に分析されたデータセットは、機密保持契約のため公開されていませんが、合理的な要求に応じて責任著者から入手できます。

この論文の訂正が公開されました: https://doi.org/10.1038/s41598-023-34472-6

Nicotra, M.、Moncalero, M. & Colonna, M. アルペン スキー用スキー ブーツの曲げおよび反発挙動に対する熱可塑性ポリマーの粘弾性特性の影響。 手順研究所メカ。 工学パート P J. スポーツ工学テクノロジー。 229、199–210。 https://doi.org/10.1177/1754337114564481 (2015)。

記事 Google Scholar

Leino, MAH、Spring, E. & Suominen, H. スキーヤーに対する空気抵抗と雪上のスキー板の摩擦係数を同時に測定する方法。 86、101–104 (1983) を着用。

記事 Google Scholar

ハスラー、M.ら。 斬新なスキー雪用トライボメーターとその精度。 トリボル。 レット。 https://doi.org/10.1007/s11249-016-0719-2 (2016)。

記事 Google Scholar

Song, W.、Pan, Y.、Qin, J.、Wang, H. & Dong, C. スポーツマンのフリースタイル スキーの蹴り出し速度を予測するための BP モデルに基づく雪環境測定システム。 2020 年の IEEE 第 3 回安全な生産と情報化に関する国際会議 (IICSPI)。 522–525 (IEEE)。

Nachbauer, W.、Schrocksnadel, P.、Lackinger, B. スキーの摩擦に対する雪と空気の状態の影響。 スキー外傷の安全性第 10 章 1266、178–185。 https://doi.org/10.1520/stp37927s (1996)。

記事 Google Scholar

Montagnat, M. & Schulson, EM 氷の上で氷が滑る際の摩擦と表面の亀裂について。 J.グラシオール。 49、391–396 (2003)。

記事 ADS Google Scholar

Qin, J. et al. MLPニューラルネットワークに基づくフリースタイルスキーの補助滑走距離の定量的予測。 2019 年の IEEE 第 2 回情報通信および信号処理国際会議 (ICICSP)。 469–472 (IEEE)。

Jones, SJ, Kitikawa, H., 泉山, K. & 下田, H. 溶けた氷の摩擦。 アン。 グラシオール。 19、7–12 (1994)。

記事 ADS Google Scholar

Baeurle, L.、Szabo, D.、Fauve, M.、Rhyner, H.、Spencer, ND 氷上のポリエチレンの滑り摩擦: トライボメーター測定。 トリボル。 レット。 24、77–84。 https://doi.org/10.1007/s11249-006-9147-z (2006)。

記事 CAS Google Scholar

LeCun, Y.、Bengio, Y.、ヒントン, G. 深層学習。 ネイチャー 521、436–444 (2015)。

論文 ADS CAS PubMed Google Scholar

ArumugaMariaDevi, T. & Darwin, P. 食品品質分析装置用のファジー文脈畳み込みニューラル ネットワークにおけるハイパースペクトル画像のパフォーマンス メトリクス。 内部。 J. 不確実性ファジー知識ベースのシステム 30、337–356。 https://doi.org/10.1142/S0218488522400104 (2022)。

記事 Google Scholar

Cebi, A.、Akdogan, E.、Celen, A. & Dalkilic, AS 人工ニューラル ネットワークを使用した、垂直滑らかなマイクロフィン チューブ内を流れる純水の摩擦係数の予測。 熱物質伝達 53、673–685。 https://doi.org/10.1007/s00231-016-1850-1 (2017)。

記事 ADS CAS Google Scholar

Duan, ZH, Kou, SC & Poon, CS 人工ニューラル ネットワークを使用した再生骨材コンクリートの圧縮強度の予測。 構造建てる。 メーター。 40、1200–1206。 https://doi.org/10.1016/j.conbuildmat.2012.04.063 (2013)。

記事 Google Scholar

Ling、TC ゴム引きコンクリートブロックの密度と圧縮強度の予測。 構造建てる。 メーター。 25、4303–4306 (2011)。

記事 Google Scholar

Kumar, R.、Patel, CM、Jana, AK & Gopireddy, SR 離散要素法と人工ニューラル ネットワークを組み合わせたホッパー排出量の予測。 上級パウダーテクノロジー。 29、2822–2834。 https://doi.org/10.1016/j.apt.2018.08.002 (2018)。

記事 Google Scholar

Naderpour, H.、Rafiean, AH および Fakharian, P. 人工ニューラル ネットワークを使用した環境に優しいコンクリートの圧縮強度予測。 J.ビルド。 工学 16、213–219。 https://doi.org/10.1016/j.jobe.2018.01.007 (2018)。

記事 Google Scholar

マサチューセッツ州ゲタフン、SM 市シトテ、ZCA ガリー 農業廃棄物や建設廃棄物を組み込んだコンクリートの強度予測のための人工ニューラル ネットワーク ベースのモデリング アプローチ。 構造建てる。 メーター。 190、517–525。 https://doi.org/10.1016/j.conbuildmat.2018.09.097 (2018)。

記事 Google Scholar

Pan、SJ、Yang、Q. 転移学習に関する調査。 IEEEトランス。 知ってください。 データ工学 22、1345–1359 (2009)。

記事 Google Scholar

Bousmalis, K.、Trigeorgis, G.、Silberman, N.、Krishnan, D. & Erhan, D. ドメイン分離ネットワーク。 上級ニューラルインフォーム。 プロセス。 システム。 29、343–351 (2016)。

Google スカラー

ヤン、H.ら。 クラスの重みバイアスに注意してください: 教師なしドメイン適応の重み付き最大平均不一致。 コンピュータービジョンとパターン認識に関するIEEE会議議事録。 2272 ～ 2281 年。

リー、Ｓ．ら。 共同敵対的ドメイン適応。 第 27 回 ACM 国際マルチメディア会議議事録に掲載。 729 ～ 737 年。

Yu, X.、Yang, X.、Tan, Q.、Shan, C. & Lv, Z. IoT 産業の持続可能性におけるエッジ コンピューティング ベースの異常検出手法。 応用ソフトコンピューティング。 128、109486 (2022)。

記事 Google Scholar

Hu, N.、Tian, Z.、Du, X.、Guizani, N. & Zhu, Z. Deep-Green: グリーン産業 IoT のための分散型エネルギー効率コンピューティング パラダイム。 IEEEトランス。 グリーンコミューン。 ネット。 5、750–764 (2021)。

記事 Google Scholar

Xu, X.、Liu, W. & Yu, L. 知識補正データ駆動型モデルを使用した、異種交通エージェントの軌道予測。 情報科学。 608、375–391 (2022)。

記事 Google Scholar

リファレンスをダウンロードする

著者らは、中国国家重点研究開発プログラム (2021YFF0306400) の支援を受けました。 著者らは資金提供団体の財政的支援に感謝しています。 著者らはまた、中国の瀋陽にある百青寨スキーリゾートの全面的な支援に感謝したいと思います。

ノースイースタン大学機械工学オートメーション学部（中国、瀋陽）

Daqi Jiang、Hong Wang、Jichi Chen

瀋陽体育大学、社会科学重点研究センター、瀋陽、中国

川勝洞

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

DJ: 形式的な分析、方法論、ソフトウェア、データ収集、検証、視覚化、概念化、執筆 - 元の草案、執筆 - レビューと編集。 HW: 調査、概念化、リソース、プロジェクトの管理と監督。 JC: データのキュレーション。 CD: 可視化と資金調達。

東川勝への対応。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

この記事の元のオンライン版は改訂されました。この記事の元のバージョンには、著者の寄稿と謝辞のセクションに誤りが含まれていました。 行われた修正に関する完全な情報は、この記事の修正通知に記載されています。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Jiang, D.、Wang, H.、Chen, J. 他深層転移学習に基づいて、フリースタイル スキーの空中競技におけるアスリートの発射速度を正確に予測します。 Sci Rep 13、4308 (2023)。 https://doi.org/10.1038/s41598-023-31355-8

引用をダウンロード

受信日: 2023 年 1 月 23 日

受理日: 2023 年 3 月 10 日

公開日: 2023 年 3 月 15 日

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

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。