Resumen

En el diseño del sistema del robot de tenis de mesa, los factores importantes que influyen en la detección automática de los indicadores técnicos y tácticos del tenis de mesa son el estado de rotación, la trayectoria y la fuerza de rebote. Pero el algoritmo de predicción general no puede procesar los datos de las series temporales y dar el estado de rotación correspondiente. Por lo tanto, este trabajo estudia el método de detección automática de indicadores técnicos y tácticos para el tenis de mesa basado en la predicción de la trayectoria utilizando la red neuronal difusa de compensación. En este trabajo, se selecciona el algoritmo de red neuronal difusa de compensación que combina el algoritmo difuso de compensación y la red neuronal recurrente para construir la detección automática de indicadores técnicos y tácticos para el tenis de mesa. Los resultados experimentales muestran que el tiempo de convergencia de la red neuronal difusa de compensación es más corto, el tiempo de entrenamiento se acorta y la precisión de la predicción mejora. Al mismo tiempo, en términos de pruebas de rendimiento, el modelo puede distinguir con precisión la influencia del estado de rotación del tenis de mesa y el rebote en la estimación del movimiento del tenis de mesa, para mejorar la precisión de la predicción de la trayectoria de movimiento. Además, la precisión de la predicción de la trayectoria mejorará con el aumento de los datos de entrada. Cuando el número de datos llega a 30, el error de predicción de la trayectoria está dentro del rango de error real aceptable.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:red neuronal difusa, tenis de mesa, indicadores tácticos, estado de rotación del tenis, detección automática, compensación, predicción de la trayectoria, algoritmo general de predicción, influencia de la mesa, número de datos
• Keywords:fuzzy neural network, table tennis, tactical indicators, tennis rotation state, automatic detection, compensation, trajectory prediction, general prediction algorithm, influence of table, number of data