训练阶段

摘要： 训练负荷强度分布(TID)是不同负荷强度的训练内容在日常训练中的比例结构,针对竞速类项目TID研究存在比例结构争议,在数理统计和文献评述的基础上,发现TID不一致的原因主要在于运动员从事项目、性别、竞技水平、训练阶段、统计方法 5个方面,并认为竞速类项目的TID与训练负荷量之间的关系表现为男性运动员、运动员竞技水平越高、年度训练阶段越靠前、运动项目的年训练量越大,低强度训练比例越大。曲线参数估计显示,若采用整体性统计方法,低强度和中等强度比例与周训练量之间存在指数关系,周训练量较大项目的低强度负荷比例约为90%,且呈现“金字塔模式”,周训练量较小项目的低强度比例约为80%,中等强度和高强度比例接近;若采用过程性统计方法,低强度和中等强度比例与周训练量之间为对数关系,低强度训练负荷比例较整体性统计偏高,并呈现“金字塔模式”。文献综述和数理统计的基础上,探讨了TID影响因素,以及各因素导致的结构性区别与规律。结果表明:1)TID不一致的原因主要在于运动员从事项目、性别、竞技水平、训练阶段、统计方法 5个方面;2)文献评述后,发现并提出了竞速类项目的 TID与训练负荷量之间存在关系的假设,即男性运动员、运动员竞技水平越高、年度训练阶段越靠前、运动项目的年训练量越大,低强度训练比例越大。

摘要： 本文以2018-2020年湖南省大学生田径比赛中学院组男子铁饼前三名为研究对象,通过文献资料法、访谈法、案例分析法、观察法等,对这3年来的9名铁饼运动员进行调查和研究,总结出湖南省大学生中较为优秀的铁饼运动员其各个训练阶段的负荷强度和负荷量度的安排规律,以及影响铁饼成绩的因素的不同方面和存在的问题,为湖南省大学生运动员更好地进行铁饼训练以及在比赛中取得优异成绩提供理论参考。

摘要： 对影响运动员最佳竞技表现的训练学因素进行系统梳理与解析,认为:运动员的最佳竞技表现受众多因素的影响,遗传和训练是其中最为重要的2个因素;最佳竞技表现需要高水平的竞技能力和竞技状态做保障;有2类运动员可以获得高水平的竞技能力,即具有遗传天赋的“天才型”运动员和具有高度职业精神的“劳模型”运动员,无论哪类运动员都需要长期系统的训练才能发展竞技能力,形成最佳竞技状态,进而实现最佳竞技表现。

摘要： 随着我国“人才强国”战略的实施,高职院校迎来了重大的发展机遇,其在体育赛事方面也占有一席之地,中国大学生篮球联赛(CUBA)已面向高职院校学生篮球队开放,发展高职院校学生篮球队对高职院校的长远稳定发展具有积极影响。文章分析了影响新时代高职院校学生篮球队发展的因素,并尝试探析了高职院校学生篮球队的优化发展路径,希冀对高职院校学生篮球队的建设与发展提供参考。

摘要： 鱼者,实物也,既得;渔者,技艺也,劳而得;欲者,本能也,求而得。此三者皆为传授之道。一般以为“授鱼”不如“授渔”,给其实物不如授其技艺来得长久。现在我冒昧提出“授欲”,只因考虑到当下物质较以前极大丰富之现状而有感而发。

摘要： 现代竞技运动员的成才过程,都有着特有的发展规律和鲜明的时间特征,它的时间特征表现为成才的整个训练活动进行的步骤和程序,包含着由低层次向高层次发展各个段落的年龄特征和时限特征,即根据田麦久(1983)将全程性多年训练过程分为:基础训练阶段、专项提高阶段、最佳竞技阶段、竞技保持阶段.纵观国内有关研究运动员多年训练的时间特征后发现,夏季项目的相关研究较多,而冬季项目的研究尚不多见.研究结果表明：我国优秀花样滑冰单人滑项目女运动员开始基础训练的年龄为5.25±1.16岁，初次参加比赛的年龄为8.12±1.05岁，参加青少年比赛获得最好名次的年龄为9.66±1.52岁，初次参加成年比赛并获得最好名次的年龄为15.8±0.83岁，一般在20岁左右退役。女运动员从开始接受基础训练到最佳竞技阶段需要8～11年的时间。由此可知我国优秀花样滑冰女运动员基础训练年龄为5～7岁、专项提高阶段为7～14岁、最佳竞技阶段为15～18岁、竞技保持阶段为18～20岁。我国优秀花样滑冰单人滑项目男运动员开始基础训练的年龄为6.09±1.64岁，初次参加比赛的年龄为8.44±1.01岁，参加青少年比赛获得最好名次的年龄为11.85±1.67岁，初次参加成年比赛并获得最好名次的年龄为16.44±2.06岁，一般在25岁左右退役。男运动员从开始接受基础训练到最佳竞技阶段需要7～12年的时间。由此可知我国优秀花样滑冰男运动员基础训练年龄为5～9岁、专项提高阶段为10～14岁、最佳竞技阶段为15～20岁、竞技保持阶段为20岁以后。通过对优秀花样滑冰单人滑项目运动员成才年龄过程的调查中发现，大多数女运动员在训练过程中会出现训练的拐点期，即在青春期（11～15岁）女运动员出现训练积极性不高、运动成绩下降的现象，严重的会在此阶段终止其运动生涯。此阶段由于女运动员生理发生一系列变化，如身高快速增长、体重变化明显、新陈代谢旺盛、内分泌系统明显加强，人体各种器官和系统重新调整，出现身体恢复速度减慢、身体灵敏性降低、动作开始出现不协调、肌肉控制力降低；加之此时运动员心理处于一个从童年期向青年期过度的阶段，因此在此阶段的训练时教练员必须十分注意个别对待、降低负荷量、注意运动员的充分休息和恢复，经常进行医务监督；同时教练员要多关心和理解运动员，使运动员尽快顺利地度过此阶段。

摘要： 本发明提出一种基于两阶段训练的遥感图像镶嵌质量无参考评价方法，它包括以下步骤：一、带有客观质量真值的大规模仿真数据集生成；二、镶嵌质量评价网络结构设计；三、网络预训练；四、网络微调；五、遥感图像镶嵌无参考质量评价。本发明通过设计双分支卷积神经网络，能够从结构错位、颜色差异和综合评价三个方面对遥感镶嵌图像进行评价，既实现了单因素镶嵌质量评价，又实现了图像镶嵌质量的综合评价。通过两个阶段的训练策略，能大幅减少训练网络时需要的带有主观质量真值的数据集，使网络能够在规模较小的数据集上完成训练。所设计的网络是端到端的，整个评价过程不需要参考图像，也无需额外的处理，使用灵活，操作简单。

摘要： 本发明涉及一种基于分阶段交叉训练的唇语识别方法及系统。所述方法包括：基于端到端的训练方式获取第一阶段编码网络参数、解码网络参数；第二阶段根据单一身份数据训练模型，生成存在过拟合的编码网络以及解码网络的初始化参数，利用编码网络初始化参数自适应生成解码网络加权正则化约束，利用解码网络初始化参数自适应生成编码网络加权正则化约束。本发明方法通过此种交叉训练的方式保证编码网络与解码网络的独立性，以此提高唇语识别网络的泛化能力，进而在将本发明训练好的唇语识别模型应用于唇语识别时，能够提高对未知说话人唇语识别的鲁棒性和准确率。

摘要： 本公开提出了基于两阶段训练的Logo图像的低样本检测方法及系统，采用RFP模块来加强传统的特征金字塔网络，进一步增强提取的特征，增加分类准确率。并利用改进的Balanced Group Softmax模块，对类别按样本量进行分组，分别进行softmax操作，减少对样本量少的类别的抑制。

摘要： 本发明提供一种概率整形信号的双阶段检测模型训练方法、识别方法及装置，在信号接收端通过DSP模块处理得到的电域信号，基于盲均衡算法处理后的幅度柱状图，通过机器学习的方式构建幅度柱状图至光信噪比和调制格式的映射，以实现对概率整形信号的光信噪比和调制格式的识别。同时，由于信号激光器和本振激光器在洛伦兹线型下的相位噪声是微纳过程，且相位噪声增量的方差与激光器线宽是线性关系的特性，通过机器学习的方式构建不同符号间隔下相位噪声增量的均方根植和平均值映射至激光器线宽，以实现对激光器线宽的识别，并有效提高识别的泛化能力。

摘要： 本公开实施方式涉及媒体对象生命周期阶段预测和阶段预测模型训练方法、装置、存储介质与电子设备，涉及计算机技术领域。所述方法包括：获取待预测媒体对象与目标用户关联的特征数据集；将特征数据集输入预先训练的阶段预测模型中，得到待预测媒体对象的第一预测值；确定目标用户的用户权重；根据第一预测值以及用户权重，确定待预测媒体对象的第二预测值；根据第二预测值确定待预测媒体对象的当前所处的生命周期阶段。本公开提升了媒体对象的生命周期阶段的预测精准度。

摘要： 本发明涉及一种多阶段联合训练的体感游戏动作识别方法，通过在游戏主机开发阶段、游戏软件开发阶段的联合训练实现对体感游戏的动作识别，包括：构建并训练能够识别元动作的CNN网络；构建并训练能够识别复杂动作的CNN‑seq2seq‑Adaboost模型；采集在游戏阶段做出游戏动作引起射频信号的变化，得到游戏动作数据；根据元动作对游戏动作数据进行打断和标签标注；对上述进行打断和标签标注的游戏动作数据进行特征提取，并基于提取的特征生成动作识别数据；将生成的动作识别数据输入至训练好的CNN‑seq2seq‑Adaboost模型，CNN‑seq2seq‑Adaboost模型输出游戏动作识别结果。

摘要： 本发明提供一种用于分布式训练计算阶段的自动优化方法，所述方法包括在分布式训练的每个回合执行如下步骤：S1、以预设的最小单位负载为粒度，计算当前回合中参与分布式训练的所有节点的计算性能；S2、以计算性能最差的节点计算其对应的最大允许负载数的完成时间为限制时间，分别计算每个节点在限制时间内能够完成计算的最大负载数，以所有节点在限制时间内对应的能够完成计算的最大负载数组成负载分配策略；S3、以步骤S2中负载分配策略，分配下一回合每个计算节点的负载。其中，节点的计算性能是该节点完成预设最小单位负载计算的时间。

摘要： 一种基于多特征融合及多阶段训练的文化资源视频中文描述生成方法，包括从外观、运动、语义和音频方面提取多维特征，以增强编码器的内容表示能力；构造编码器，进行多特征的融合；构造解码器，进行词句的预测生成；采取多阶段训练策略进行模型训练。本发明使用最新提出的大规模多语言视频描述数据集VATEX，解决了以往视频描述只有英语数据集的问题，使用多特征融合方法进行编码，模型训练采取多阶段训练策略，避免了“曝光偏差”问题。

摘要： 本发明面向单信道脑电数据，提出一种基于“片段—序列”两阶段训练框架的睡眠分期方法及系统，属于深度学习算法智能应用领域。将单信道脑电数据进行平滑处理、片段化以及多通道生成等步骤，利用基于脑电片段的CNN网络模型对脑电数据进行训练，得到脑电特征表示方法，并通过基于脑电“片段—序列”的“CNN‑RNN”网络模型，增强睡眠序列之间学习，通过两阶段训练框架来提升模型的睡眠分期效果，进而提升利用单信道脑电数据进行睡眠质量评估的效果。本发明基于“片段—序列”两阶段训练框架的睡眠分期方法与基于脑电片段的CNN网络模型分期相比，效果有较大提升，通过在数据集Sleep_EDFx 39的单信道Fpz‑Cz脑电数据上验证，本发明将睡眠分期的准确率从80％提升到了87％。

摘要： 本发明公开了一种基于跨阶段局部特征融合策略的残差网络模型，涉及网络模型领域，包括残差块，残差块中设置有左运算通道、右运算通道与合并单元，合并单元，用于合并输出的残差左特征向量与残差右特征向量以得到残差特征合并向量；还包括局部残差模块，其包括至少一个局部残差块，所述局部残差块用于对合并向量进行拆分以得到右特征向量与左特征向量，并通过局部残差块中的右侧梯度运算通道对右特征向量进行残差运算，通过局部残差块中的左侧梯度运算通道对左特征向量进行特征运算，本发明通过设置局部残差块增加了网络分支的路径，避免了深度残差网络中加深网络层数使网络参数数目增多，所要求的计算也呈指数型增长的问题。