目的:通过梳理世界优秀运动员竞技水平峰值特征,总结优秀运动员峰值年龄和峰值表现窗口期特征的研究进展。方法:主要采用文献调研法,在中国知网核心期刊和Web of science核心合集数据库中检索相关文献并系统归纳提炼。结果:游泳、铁人...目的:通过梳理世界优秀运动员竞技水平峰值特征,总结优秀运动员峰值年龄和峰值表现窗口期特征的研究进展。方法:主要采用文献调研法,在中国知网核心期刊和Web of science核心合集数据库中检索相关文献并系统归纳提炼。结果:游泳、铁人三项、网球和高尔夫项目男子运动员的峰值年龄晚于女子运动员,而自行车和田径项目的研究结果则与之相反;随着田径竞赛、自行车和铁人三项项目竞赛距离的增加,运动员的峰值年龄出现了显著性的增大,而在游泳项目运动员中则表现出与之相反的规律;游泳和网球项目运动员的峰值年龄出现最早,其次为冰球和除马拉松以外田径项目的运动员,马拉松、自行车、铁人三项及高尔夫项目运动员的峰值年龄出现最晚;有研究认为男子运动员的峰值表现窗口期略长于女子运动员,但也有研究认为男、女运动员的峰值表现窗口期长度无显著差异;田径相关研究认为田赛和长跑项目运动员的峰值表现窗口期长于短跑和跨栏项目运动员,而游泳相关研究表明随着比赛距离的增加,游泳运动员的峰值表现窗口期长度逐渐缩短。结论:峰值表现特征是当前国内、外的研究热点,但多数研究主要存在于游泳和田径项目,且研究对象的运动水平也没有明确划分,探索不同项目、不同水平运动员的竞技水平峰值特征是今后研究的趋势;我国在峰值表现上的基础理论研究较为薄弱,因此应加强运动员培养体系和多年训练规划的研究,为科学化、系统化的培养体制提供理论支撑。展开更多
密度峰值聚类(clustering by fast search and find of density peaks,DPC)算法是一种基于密度的聚类算法,它可以发现任意形状和维度的类簇,是具有里程碑意义的聚类算法。然而,DPC算法的样本局部密度定义不适用于同时发现数据集的稠密...密度峰值聚类(clustering by fast search and find of density peaks,DPC)算法是一种基于密度的聚类算法,它可以发现任意形状和维度的类簇,是具有里程碑意义的聚类算法。然而,DPC算法的样本局部密度定义不适用于同时发现数据集的稠密簇和稀疏簇;此外,DPC算法的一步分配策略使得一旦有一个样本分配错误,将导致更多样本的错误分配,产生“多米诺骨牌效应”。针对这些问题,提出一种新的样本局部密度定义,采用局部标准差指数定义样本局部密度,克服DPC的密度定义缺陷;采用两步分配策略代替DPC的一步分配策略,克服DPC的“多米诺骨牌效应”,得到ESDTS-DPC算法。与DPC及其改进算法KNN-DPC、FKNN-DPC、DPC-CE和经典密度聚类算法DBSCAN的实验比较显示,提出的ESDTS-DPC算法具有更好的聚类准确性。展开更多
文摘目的:通过梳理世界优秀运动员竞技水平峰值特征,总结优秀运动员峰值年龄和峰值表现窗口期特征的研究进展。方法:主要采用文献调研法,在中国知网核心期刊和Web of science核心合集数据库中检索相关文献并系统归纳提炼。结果:游泳、铁人三项、网球和高尔夫项目男子运动员的峰值年龄晚于女子运动员,而自行车和田径项目的研究结果则与之相反;随着田径竞赛、自行车和铁人三项项目竞赛距离的增加,运动员的峰值年龄出现了显著性的增大,而在游泳项目运动员中则表现出与之相反的规律;游泳和网球项目运动员的峰值年龄出现最早,其次为冰球和除马拉松以外田径项目的运动员,马拉松、自行车、铁人三项及高尔夫项目运动员的峰值年龄出现最晚;有研究认为男子运动员的峰值表现窗口期略长于女子运动员,但也有研究认为男、女运动员的峰值表现窗口期长度无显著差异;田径相关研究认为田赛和长跑项目运动员的峰值表现窗口期长于短跑和跨栏项目运动员,而游泳相关研究表明随着比赛距离的增加,游泳运动员的峰值表现窗口期长度逐渐缩短。结论:峰值表现特征是当前国内、外的研究热点,但多数研究主要存在于游泳和田径项目,且研究对象的运动水平也没有明确划分,探索不同项目、不同水平运动员的竞技水平峰值特征是今后研究的趋势;我国在峰值表现上的基础理论研究较为薄弱,因此应加强运动员培养体系和多年训练规划的研究,为科学化、系统化的培养体制提供理论支撑。
文摘密度峰值聚类(clustering by fast search and find of density peaks,DPC)算法是一种基于密度的聚类算法,它可以发现任意形状和维度的类簇,是具有里程碑意义的聚类算法。然而,DPC算法的样本局部密度定义不适用于同时发现数据集的稠密簇和稀疏簇;此外,DPC算法的一步分配策略使得一旦有一个样本分配错误,将导致更多样本的错误分配,产生“多米诺骨牌效应”。针对这些问题,提出一种新的样本局部密度定义,采用局部标准差指数定义样本局部密度,克服DPC的密度定义缺陷;采用两步分配策略代替DPC的一步分配策略,克服DPC的“多米诺骨牌效应”,得到ESDTS-DPC算法。与DPC及其改进算法KNN-DPC、FKNN-DPC、DPC-CE和经典密度聚类算法DBSCAN的实验比较显示,提出的ESDTS-DPC算法具有更好的聚类准确性。