2.3 Анализ процессов с помощью нейронных сетей

Процессы в спорте могут быть описаны как временной ряд шаблонов, которые могут охарактеризовать ситуации (например, позиции на площадке или углы суставов) как действия (например, перемещение игроков или угол скорости).

Шаблоны могут быть изучены и распознаны средствами "самоорганизующихся карт" (SOM) самым известным типом, которых является Функциональная Карта Кохонена (KFM) (Кохонен, 1981, Хопфилд, 1982, Коул, 1990, Полани и Утманн, 1993). Поэтому самоорганизующиеся карты, как KFM, могут помочь проанализировать процессы в спорте, как это было сделано в нескольких работах (Леймс и Перл, 1999, Сколхорн и Перл, 2002, Сколхорн, 2002). Однако, есть тип проблемы, с которым трудно справиться, используя "обычную" KFM, а именно, если обучение само по себе является процессом, который будет проанализирован:

В связи с тем, что процесс обучения KFM контролируется внешними алгоритмами, использующими параметры, которые работают до окончательного значения, в конечном итоге приводят к концу процесса обучения, а однажды обученная KFM не может быть задействована заново. Поэтому дополнительное или продолжительное обучение может быть выполнено только путем повторения процесса обучения с использованием соответствующих наборов данных, полученных на различных этапах учебного процесса - что неудобно, а также методологически не удовлетворяет. Для того, чтобы справиться с этой проблемой, была разработана концепция динамически управляемой сети (DyCoN).

Концепция динамически управляемой сети основана на концепции KFM, но главное отличие во внутренней организации: динамика каждого нейрона базируется на метамодели потенциала производительности PerPot (Перл, 2002), которая первоначально была разработана для модели физиологических процессов адаптации. Таким образом, каждый нейрон содержит внутреннюю память и алгоритм самоконтроля. Самоконтроль отдельных нейронных влияет на то, что динамически управляемая сеть не имеет конечного состояния, но всегда может адаптировать свою внутреннюю память для новых входных данных, и поэтому может учиться непрерывно, также как и отдельными фазами (Перл, 2001; Перл, 2002). Идея концепции DyCoN описана более подробно в [5] Одним из последствий динамической способности к обучению является то, что шаблоны могут накладывать или завершить друг друга, если были обучены друг за другом в непрерывном процессе обучения (см. рисунок 2.1).

Рисунок 2.1 - Визуализация наложения непрерывного процесса обучения используя геометрические узоры, такие как квадраты (изображения 1, 2, 3) и треугольники (изображения 4, 5, 6, 7)

Кроме того, DyCoN-нейрон также может забыть свою информацию и таким образом позволяет заменить один шаблон на другой в процессе обучения заменой (см. рисунок 2.2).

Рисунок 2.2 - Первый шаблон обучения - синий, результаты высокой степени присутствия, которые представлены количеством и диаметрами синих кругов. Следующее обучение с зеленым шаблоном устанавливает присутствие зеленого и снижает присутствие синего

Эти примеры отражают типичную ситуацию конфликта в процессе обучения: Иногда один уже обученный шаблон должен быть завершен другим - например, если техника удара сзади будет добавлена в уже имеющийся шаблон техники удара спереди - иногда уже обученный шаблон должен быть заменен на другой - например, если неправильная техника должна быть улучшена. Очевидно, что соответствующий график обучения необходим для удовлетворения соответствующих намерений. Вопросы, могут ли такие графики быть найдены и, похоже, разумно перенести на обучение человека и поэтому может помочь в оптимизации обучения и стратегии обучения, например, в области двигателей обучения или тактический анализ игры. Первый подход был разработан Вебером (2004), где генетический алгоритм вычисляет наиболее подходящие обучения графики данной цели.