TDSC-Net:一种基于注意力机制与特征融合的二维恒星光谱分类模型

面对信噪比较低的天体,传统一维光谱的分类效果很差。因此,从二维光谱出发,提出了结合注意力机制的特征融合模型TDSC-Net(two-dimensional spectra classification network)用于恒星分类。TDSC-Net通过完全相同的特征提取层分别对恒星蓝端和红端的二维光谱图像进行特征提取,之后针对这些特征进行融合,然后进行分类。本文实验中的恒星光谱数据选自LAMOST(the large sky area multi-object fiber spectroscopic telescope)数据库,预处理采用Z-score进行光谱归一化,以减少由于光谱流量值差别大造成的模型收敛困难问题。使用精确率(Precision)、召回率(Recall)、F1-score和准确率(Accuracy)四个指标来评估模型性能。实验包括:第一部分利用TDSC-Net进行A、F、G、K、M型恒星分类,以验证利用二维光谱对恒星多分类的可靠性;第二部分将二维光谱按照不同的信噪比区间进行分类,以探究信噪比对分类准确率的影响。第一部分的结果表明,进行五分类总的准确率达到84.3%。其中,A、F、G、K、M各自的分类精度分别为87.0%,84.6%,81.2%,87.4%,89.7%,均优于自行抽谱后的一维光谱分类结果。第二部分的结果表明,即使在SNR<30的低信噪比区间,二维光谱分类准确率仍然可以达到78.9%;而当SNR>30之后,信噪比对光谱分类的影响就不明显了。由此证明了低信噪比时使用二维光谱分类的重要性以及TDSC-Net对恒星光谱分类的有效性。

基于金泰尔动作技能分类法对乒乓球正手攻球技术教学的研究

运用金泰尔动作技能分类法的两个维度四个方面对乒乓球正手攻球技术的教学进行分析,研究认为乒乓球运动技能的特征符合金泰尔动作技能分类法的特点,其具体表现为:调节条件是运动的、调节条件存在尝试间变化、运动过程中身体是移动的、动作技术具有操纵性。在此基础上,提出金泰尔运动技能分类法对提高乒乓球正手攻球技术的教学策略。

金泰尔二维分类法视角下网球专项技能特征与训练策略

旨在用金泰尔技能分类法对网球技能进行分类研究,找出网球专项技能的特征即网球运动中调节条件是变化的同时存在尝试间变化,动作具有操纵性且运动过程中身体是移动的;并在金泰尔分类法视角下探讨网球专项训练的策略,平时训练多加强基本功训练,更注重运动员临场的心理承受能力训练,最终为网球教练员、运动员和业余爱好者提供训练的参考。

金泰尔二维分类法在羽毛球前场技术教学应用

运动文献资料法、观察法、逻辑分析法对金泰尔二维分类法在羽毛球前场技术教学进行研究。基于金泰尔二维分类法对羽毛球前场技术的特征进行释析,得知羽毛球前场技术的特征表现为:调节条件是运动的、调节条件存在尝试间变化、运动过程身体是移动的、动作技术具有操纵性。本研究运用金泰尔二维分类法对羽毛球的前场技术以及教学评价进行分析,指出金泰尔二维分类法视角下对教师和学生的要求:学生应当加强羽毛球运动的"球感"和身体素质练习,教师应当注重培养学生的"球感"以及进行专项身体素质练习。