نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار مدیریت ورزشی، دانشگاه آزاد اسلامی واحد اصفهان (خوراسگان)

2 کارشناسی‌ارشد مدیریت ورزشی، دانشگاه آزاد اسلامی واحد اصفهان (خوراسگان)

3 دانشجوی دکتری مهندسی برق الکترونیک، دانشگاه علم و صنعت ایران

چکیده

هدف این پژوهش، ارائة روشی هوشمند برای پیشبینی نتایج مسابقات والیبال برمبنای آمار بازیهای انجامشدة قبلی بود. جامعة آماری شامل همة مسابقات ورزشی و نمونة پژوهش، مسابقات لیگ جهانی والیبال قهرمانی 2014 لهستان بود. روش پژوهش، توصیفی- تحلیلی بود که در بخش توصیفی،آمار بازیها شامل تعداد آبشارها، تعداد دفاعهای روی تور، تعداد سرویسهای موفق، تعداد خطاها، زمان بازی، امتیاز تیمها و تعداد ستهای برنده و بازنده، از سایت رسمی فدراسیون جهانی والیبال بهدست آمد. در بخش تحلیلی، اطلاعات با استفاده از جعبة ابزار شبکة عصبی نرمافزار متلب تجزیه‌وتحلیل شد و مدلی پیشبینی برای آن نیز ارائه شد. نتایج و نمودارهای حاصل از شبیهسازیهای انجامشده نشان داد که شبکة عصبی پرسپترون دولایه با هشت ورودی و یک خروجی بههمراه تابع انتقال تانژانت سیگموید، با 10 نورون در لایة مخفی اول و تابع انتقال خطی با 8 نورون در لایة مخفی دوم، با 10/93 درصد پیشبینی درست در مرحلة آموزش، 90 درصد پیشبینی درست در مرحلة صحتسنجی و 61/82 درصد پیشبینی درست در مرحلة آزمون، الگوی مناسبی برای پیشبینی نتایج مسابقات والیبال در این لیگ جهانی است. میتوان از این مدلها برای تعیین نقاط ضعف و قوت تیم خودی و حریفان استفاده کرد. درواقع، این مدل همانندآنالیزور یا کارشناس ماهری است که اطلاعات مفیدی را در اختیار مربیان و مدیران قرار میدهد.

کلیدواژه‌ها

عنوان مقاله [English]

An Intelligent Model to Predict the Results of the World League Volleyball Using Neural Networks

نویسندگان [English]

  • Rasool Nazari 1
  • Shirin Saberi 2
  • Benyamin Noroozi 3

1 Associate Professor of Sport Management, Islamic Azad University, Isfahan (Khorasgan) Branch, Isfahan

2 Msc. of Sport Management, Islamic Azad University, Isfahan (Khorasgan) Branch, Isfahan

3 Ph. D Student in Electrical Engineering, Iran University of Science and Technology

چکیده [English]

The aim of this study is to provide a smart way to predict the results of games played volleyball on the basis of the previous statistics. The population in this study includes all sports and sample in this research World League volleyball championship in 2014 Poland. The current study was a descriptive, analytical and descriptive part, game statistics, including the number of waterfalls, the number Defences on tour, the number of managed services, number of errors, time, and number of sets won and lost points are obtained from the official website of FIVB; and in the analysis, Neural Network Toolbox for MATLAB data analysis and a prediction model for which it was submitted. Graphs of simulation results show that the neural network layer with 8 inputs and 1 output-coupled neurons in the hidden layer transfer function tansigmoid with 10 first and second transfer function in the hidden layer neurons purelin 8, with 93.10% forecast in the training phase, 90% forecast in the verification and 82.61% correct prediction in the test phase, a model for predicting outcomes in the World League volleyball tournament is. Therefore, this model can be used with very high precision. By doing research like this study can be very convenient, accurate and expert teams was held.

کلیدواژه‌ها [English]

  • Intelligent
  • Neural Networks
  • Results
  • Volleyball
1. Ahmadi, P. Safari, M., Nemati, S. (2010). Enabling management staff (approaches, models, strategies, programs and evaluation). Tehran: Cultural Research Bureau. (Persian).
2. Ardestani, M., Chen, Z., Wang, L., Lian, Q., Liu, Y., He, J, …, & Jin, Z. (2014). A neural network approach for determining gait modifications to reduce the contact force in knee joint implant. Medical Engineering & Physics, 36(10), 1253-65.
3. Boulier Bryan, L., & Stekler, H. (2003). Predicting the outcomes of National Football League games. International Journal of Forecasting, 19(2), 257-70.
4. Condon, E. M., Golden, B. L., & Wasil, E. A. (1999). Predicting the success of nations at the Summer Olympics using neural networks. Computers & Operations Research, 26(13), 1243-65.
5. Derevenco, M., Albu, M., & Duma, E (2002). Forecasting of top athletic performance, Rom J Physiol, 39(1), 57-62.
6. Eydi, H., & Asgari, B. (2014). Appraisal and analyze of Iran performance in the Asian Games compared with other competitors. Studies Management Basics in Sports, 1(1), 73-84. (Persian).
7. Forrest, D., Ismael, S., & Tena, J. (2010). Forecasting national team medal totals at the summer Olympic Games. International Journal of Forecasting, 26(1), 576-88.
8. Forrest, D., & Simmons, R. (2000). Forecasting sports results: The behaviour and performance of football tipsters. International Journal of Forecasting, 16(1), 317–31.
9. Gorzi, A., Afsar, A., Ehsani, M., Mohammadi, S., Azar, A., & Izadi, A. (2009). Design of predicted model for the position of Iran national football team in the FIFA rankings using fuzzy neural network. Olympic Journal, 46(2), 113-25. (Persian).
10. Haghighat, M., Rastegari, H., & Noorafza, N. (2013). Improve the accuracy of prediction basketball tournament results using feature selection. Second National Conference on Science and Computer Engineering, Islamic Azad University of Najaf Abad, 1(2), 1-7. (Persian).
11. Hematinezhad, M., Gholizadeh, M., Ramezaniyan, M., Shafiee, S., & Ghazi Zahedi, A. (2011). Predicting the success of nations in Asian games using neural network. Sport SPA, 8(1), 33-42.
12. Huang, K. Y., & Chen, K. J. (2011). Multilayer perceptron for prediction of 2006 world cup football game. Advances in Artificial Neural Systems, 2011(1), 1-8.
13. Iyer, S. R., & Sharda, R. (2009). Prediction of athletes performance using neural networks: An application in cricket team selection. Expert Systems with Applications, 36(3), 5510-22.
14. Kia S. M. (2014) Neural Networks in MATLAB. Third Press. Tehran, Kian University Press. 408 pages.
15. Lana, X. M., & Chong, W. Y. (2015). The Mediating role of psychological empowerment between transformational leadership and employee work attitudes. Social and Behavioral Sciences, 172(1), 184 –91.
16. Maleki, M., Nasiripor, A., & Amini, F. (2011). Correlation of entrusting managers how to guide staff in hospitals of Qom. Qom University of Medical Sciences, 5(3), 79-85. (Persian).
17. Marzooghi, A., & Soleymani, V. (2010). Football predictions based on partial data using artificial neural network. First Student Conference on Information Technology, University of Kurdistan, 1(1), 1-6. (Persian).
18. Nielsen, K. N., Holm, P., & Aschan, M. (2015). Results based management in fisheries: Delegating responsibility to resource users. Marine Policy, 51(1), 442–51.
19. Scheibehenne, B., & Bröder, A. (2007). Predicting Wimbledon 2005 tennis results by mere player name recognition. International Journal of Forecasting, 23(1), 415-26.
20. Sgroi, D., & Zizzo, D. J. (2009). learning to play 3×3 games: Neural networks as bounded-rational players. Journal of Economic Behavior & Organization, 69(1), 27-38.
21. Sofotasiou, P., Hughes, B., Calautit, J. (2015). Qatar 2022: Facing the FIFA World Cup climatic and legacy challenges. Sustainable Cities and Society 14(1),16-30.