Прогнозирование результата поединка за титул абсолютного чемпиона мира по боксу в супертяжелом весе между Тайсоном Фьюри и Энтони Джошуа с использованием искусственных нейронных сетей различных моделей

Prediction of the result of the fight for the title of the absolute world champion in boxing in the heavyweight division between Tyson Fury and Anthony Joshua using artificial neural networks of various models
Цитировать:
Крутиков А.К. Прогнозирование результата поединка за титул абсолютного чемпиона мира по боксу в супертяжелом весе между Тайсоном Фьюри и Энтони Джошуа с использованием искусственных нейронных сетей различных моделей // Universum: технические науки : электрон. научн. журн. 2021. 4(85). URL: https://7universum.com/ru/tech/archive/item/11618 (дата обращения: 21.06.2021).
Прочитать статью:

 

АННОТАЦИЯ

В данной статье рассматривается прогнозирование результата возможного боксерского поединка за титул абсолютного чемпиона мира в супертяжелой весовой категории между действующими чемпионами мира Энтони Джошуа (IBF, WBA Super, WBO, IBO) и Тайсоном Фьюри (WBC, The Ring). В качестве инструмента прогноза используются искусственные нейронные сети четырех моделей: обобщенно-регрессионная нейронная сеть, линейный слой нейронов, нейронная сеть векторного квантования, нейронная сеть с радиально-базисными функциями. Рассмотрены особенности формирования обучающих выборок, произведено обучение искусственных нейронных сетей, результаты прогноза приведены в таблицах. Полученные результаты проанализированы, рассмотрены перспективы дальнейшей работы в данном направлении.

ABSTRACT

This article discusses the prediction of the result of a possible boxing match for the title of absolute world champion in the heavyweight category between the current world champions Anthony Joshua (IBF, WBA Super, WBO, IBO) and Tyson Fury (WBC, The Ring). Artificial neural networks of four models are used as a prediction tool: a generalized regression neural network, a linear layer of neurons, a vector quantization neural network, and a neural network with radial basis functions. The features of the formation of training samples are considered, artificial neural networks are trained, the results of the forecast are shown in the tables. The results obtained are analyzed, and the prospects for further work in this direction are considered.

 

Ключевые слова: нейрон, слой, алгоритм обучения, спортивное прогнозирование, бокс, результат, алгоритм обучения, обобщенно-регрессионная нейронная сеть, нейронная сеть векторного квантования, нейронная сеть с радиально-базисными функциями, линейный слой.

Keywords: neuron, layer, learning algorithm, sports prediction, boxing, result, learning algorithm, generalized regression neural network, vector quantization neural network, neural network with radial basis functions, linear layer.

 

Профессиональный бокс является развитой спортивной индустрией. На получение результата отдельного боксера направлена работа промоутерских компаний, целые команды специалистов трудятся над подготовкой и организацией боев в этом виде спорта. Достижение необходимых результатов возможно при организованной работе всех звеньев подготовки, и всех специалистов, принимающих участие в подготовке боксера, организации его тренировочного процесса, и, непосредственно боев. Такая работа осуществляется при систематическом планировании процесса. При планировании процесса, специалисты могут использовать аналитические показатели, текущие данные спортсменов и результаты спортивных прогнозов, которые осуществлены в отношении отдельных боксеров, или исходов предстоящего поединка.

Спортивное прогнозирование – получение некоторого научно-обоснованного предположения о состоянии объекта в будущем [6]. Объектами являются как сами спортсмены, так и их результаты, результаты команд, исходы отдельных турниров, тенденции развития спортивных дисциплин. Результатами прогнозов в профессиональном боксе могут пользоваться специалисты, работающие с боксерами, специалисты, которые занимаются подготовкой и организацией, специалисты, отвечающие за статистику, изменение рейтингов, в том числе и аналитики букмекерских контор.  

Информационные технологии (ИТ) и развивающиеся области искусственного интеллекта (ИИ) предоставляют ряд инструментов для прогнозирования в сфере спорта и физической культуры. Одним из инструментов получения прогнозов в спорте можно назвать искусственные нейронные сети (ИНС) [4,5].

В данной работе рассмотрен прогноз, осуществляемый с помощью четырех различных моделей ИНС: обобщенно-регрессионной нейронной сети (GRNN) [5], нейронной сети с радиально базисными функциями (RBF), нейронной сети векторного квантования (LVQ) [3], линейного нейронного слоя. В качестве результата прогноза рассматривается результат предстоящего боя за титул абсолютного чемпиона мира по боксу в супертяжелой весовой категории между представителями Великобритании Энтони Джошуа и Тайсоном Фьюри [1]. Прогноз производится каждой из приведенных выше моделей ИНС.

Нейронные сети Кохонена — класс нейронных сетей, основным элементом которых является слой Кохонена. Слой Кохонена состоит из адаптивных линейных сумматоров («линейных формальных нейронов»). По способам настройки входных весов сумматоров и по решаемым задачам различают много разновидностей сетей Кохонена, среди них и сеть векторного квантования сигналов (LVQ) [2].

Пример структуры LVQ-сети приведен на рисунке 1.

 

Рисунок 1. Структура LVQ-сети

 

Обучающая выборка составлена из набора векторов, каждый из которых включает в себя параметры обоих боксеров (антропометрия, возраст, статистика). Результирующий вектор состоит из номеров класса (1-победа первого боксера, 2-победа второго боксера, 3-ничья), каждый номер класса является результатов для одного из векторов обучающей выборки. Фрагмент выборки (рисунок 2) содержит данные трех последних поединков Энтони Джошуа. Вектора содержат данные о росте, возрасте, размахе рук, статистике боксеров. Данные представлены в виде целых чисел. Результирующий вектор для данного фрагмента выглядит следующим образом [1,1,1,…], что означает победу первого боксера (Энтони Джошуа) во всех поединках.

 

Рисунок 2. Фрагмент обучающей выборки

 

Пример обучения сети в среде MATLAB (рисунок 3) 200 итераций при алгоритме обучения LVQ2.1.

 

Рисунок 3. Пример обучения LVQ сети

 

Некоторые результаты прогноза с использованием LVQ-сети приведены в таблице 1. (1,0,0) – означает победу первого боксера (Энтони Джошуа), (0,1,0) – победа второго боксера (Тайсон Фьюри), (0,1,1) – ничья.

Таблица 1.

Результаты экспериментов

Структура, нейронов (алгоритм обучения LVQ2.1)

Результат прогноза

10

(0,1,0)

30

(0,1,0)

100

(0,1,0)

200

(0,1,0)

300

(0,1,0)

400

(0,1,0)

Структура, нейронов (алгоритм обучения LVQ1)

Результат прогноза

10

(0,1,0)

30

(0,1,0)

100

(1,0,0)

200

(1,0,0)

300

(1,0,0)

400

(1,0,0)

 

При обучении LVQ-сети алгоритмом LVQ1, в большинстве (97%) экспериментов прогнозируется победа Тайсона Фьюри. При обучении LVQ-сети алгоритмом LVQ2.1, в большинстве (69%) экспериментов прогнозируется победа Энтони Джошуа.

Обобщенно-регрессионная нейронная сеть (GRNN) предназначена для решения задач регрессии [7]. В точку расположения каждого обучающего наблюдения помещается гауссова ядерная функция. GRNN-сеть копирует внутрь себя все обучающие наблюдения и использует их для оценки отклика в произвольной точке. Окончательная выходная оценка сети - взвешенное среднее выходов по всем обучающим наблюдениям. Пример структуры GRNN-сети приведен на рисунке 4.

При реализации прогноза, данная сеть решает задачу регрессии, определяя условный номер класса, к которому относится исход боя, как действительное число.

 

Рисунок 4. Структура GRNN-сети

 

Некоторые результаты прогноза с использованием GRNN-сети приведены в таблице 2. 2 – означает победу Тайсона Фьюри, 1 – победа Энтони Джошуа, 3 – Ничья.

Таблица 2.

Результаты экспериментов

Целевая ошибка обучения GRNN сети

Результат прогноза

0.00001

2

0.0001

2

0.001

2

0.01

2

0.1

2

10

1.9279

100

1.5460

 

В большинстве (78%) экспериментов прогнозируется победа Тайсона Фьюри. При увеличении целевой ошибки обучения, результат прогноза изменяется в сторону уменьшения своего значения, однако при увеличении целевой ошибки обучения не получено значения прогноза менее 1.4732.

Сеть радиальных базисных функций - нейронная сеть прямого распространения сигнала, которая содержит промежуточный (скрытый) слой радиально симметричных нейронов.

Некоторые результаты прогноза с использованием RBF-сети приведены в таблице 3. 2 – означает победу Тайсона Фьюри, 1 – победа Энтони Джошуа, 3 – Ничья.

Таблица 3.

Результаты экспериментов

Параметр влияния (распространения) SPREAD

Результат прогноза

0.0001

0.9975

0.001

0.9975

0.01

0.9975

0.1

0.9975

10

1.4544

100

1.4544

 

В большинстве результатов (62%) прогнозируется значение близкое к 1 (победа Энтони Джошуа), при увеличении параметра распространения, увеличивается минимальная среднеквадратичная ошибка обучения, и результат прогноза увеличивается, но не превышает 1.4544.

Линейная нейронная сеть представляется сетью без промежуточных слоев, которая в выходном слое содержит только линейные элементы. В результате работы линейного слоя на аналогичной обучающей выборке, результат прогноза составил от 1.9432 до 1.9778, что в большей степени соответствует победе Тайсона Фьюри.

С учетом всех проведенных экспериментов (на четырех моделях ИНС), в 61% экспериментов прогнозируется победа Тайсона Фьюри. В 27% экспериментах спрогнозирована победа Энтони Джошуа и в 12% экспериментов не удалось спрогнозировать исход поединка. Букмекеры выставляют на бой следующие котировки: Победа Тайсона Фьюри коэффициент равен 1.5 (60,05%), победа Энтони Джошуа коэффициент равен 2.6 (34,65%), ничья – коэффициент 17 (5,30%). Букмекеры оценивают победу Фьюри примерно, как 2 к 1. Исходя из результатов прогноза в данной работе вероятная победа Тайсона Фьюри оценивается аналогично, примерно, как 2 к 1.

 

Список литературы:

  1. Бой за титул абсолютного чемпиона мира/ [Электронный ресурс].-Режим доступа: URL: https://champinon.info/ru/schedule/fury-vs-joshua/ (Дата обращения 03.04.2021)
  2. Кохонен Т. Самоорганизующиеся карты./ перевод 3-го английского издания В.Н. Агеева. под. ред. Ю.В. Тюменцева — М.: БИНОМ. Лаборатория знаний, 2008 — 655 с.
  3. Крутиков А.К. Особенности обучения нейронной сети векторного квантования при разработке специализированного программного модуля// Южно-Сибирский научный вестник. – 2019. – № 2. – с. 150-154.
  4. Крутиков А.К., Подковырин В.Д. Компьютерные технологии и технологии искусственного интеллекта как инструмент прогнозирования спортивных результатов в легкой атлетике // Актуальные проблемы и современные тенденции развития легкой атлетики в России и в мире: материалы Всероссийской научно-практической конференции с международным участием, посвященная памяти профессора Г.В. Цыганова (24 мая 2019 года). – Казань: Поволжская ГАФКСиТ, 2019. –256-261 с.
  5. Крутиков А.К., Подковырин В.Д., Шалаев Д.А Прогнозирование исхода боксерского поединка с помощью GRNN-сети// Современные научные исследования и разработки. – 2018. – №10(27). –  с.475-478.
  6. Спортивное прогнозирование/ [Электронный ресурс].-Режим доступа: URL: https://studfile.net/preview/5850248/page:17/ (Дата обращения 03.04.2021)
  7. Хайкин С. Нейронные сети: полный курс. — М.: Вильямс, 2006 —1104 с.
Информация об авторах

аспирант 2 курса, ФАВТ, ВятГУ, РФ, г. Киров

post-graduate, faculty of automation and computer technics, VyatSU, Russia, Kirov

Журнал зарегистрирован Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор), регистрационный номер ЭЛ №ФС77-54434 от 17.06.2013
Учредитель журнала - ООО «МЦНО»
Главный редактор - Ахметов Сайранбек Махсутович.
Top