CN100483427C - 计算机辅助选择球杆与球的系统及其方法 - Google Patents

Abstract

本发明涉及一种计算机辅助选择球杆与球的系统及其方法，主要是通过将使用者的肢体特性、球杆与球的参数，加上挥击动作的参数以及挥击后的飞行状况建立成一数据库，通过此一数据库来训练一决策模块以挑选出一支适合的球杆，再利用此球杆参数输入到仿真模块以进行仿真分析，当确认符合使用者设定的目标条件后，即可将此最佳解输出，达成节省人力、时间及金钱……等成本的功效。

Description

计算机辅助选择球杆与球的系统及其方法

技术领域

本发明涉及一种选择球杆与球的系统及其方法，特别为一种在计算机上执行机器学习(machine learning)算法以进行仿真的方式，来达成精准选择球杆与球的系统及其方法。

背景技术

每个人在高尔夫球运动的挥杆姿势、力量、速度都不相同，因此，每个人最适合使用的球杆也会有所差异。传统的选择球杆方法只能针对身高、体重、手长…等尺寸条件作简单的选择，更周延的作法还可测量挥杆的速度来作为选杆的参考。但在选出球杆之后，还需要再进行实际组杆给专业球员试打，因为专业球员比起一般使用者更能准确的挥出适当的力道及角度，依据试挥的结果为基准，通过试误法(try and error)或配置者的经验，或既有表格找出适合该使用者的球杆参数，以决定是否适合该使用者。

若不是最佳组合，配置者再依线性关系改变一个参数条件以选出第二组球杆参数，然后经过多次的组杆、试打及修正后，方能取得一支真正适合该使用者的球杆。然而此种传统的选杆方法，由于选择球杆参数全凭个人经验，标准并不容易控制，且无法考虑到多种参数间的关联性；再者，所挑选出来的球杆或球，很可能只是刚好那几次的挥击测试达成要求，并无法保证使用者的身体状态出现一些变化后仍能达成要求，而且必须经过多次试挥、组杆…等动作，极为耗费人力、物力及时间，显然不是一个有效率的方法。

不过，随着科技的不断进步，现在能够测量到挥杆特性比以往更多，例如：球头速度、球被挥击后产生的球速、挥杆路径、杆面角度…等等，为了利用这些更丰富的参数，以改良传统选杆的缺点，在美国专利第6192323号所公开的“Method for matching golfers with a driver and ball”，以及在美国专利第6083123号所公开的“Method for fitting golf clubs for golfers”，便是把由配置者的经验或既有表格选取球杆参数这步骤改由计算机程序执行，虽然这样的方法改进了传统的选杆法，但是在组杆、试打…等步骤仍需由专业球员来进行，而且在另一方面，通过这些专利所选出的最佳值，不管是使用表格或是线性逼近(curve fitting)的方法，其结果与真实状况皆有着一段相当大的差距。

因此，如何找出一种能有效的选出球杆或球的方法，使得选出的球杆更为适合使用者，实为一重要的课题。

发明内容

鉴于以上的问题，本发明的主要目的在于提供一种计算机辅助选择球杆与球的系统及其方法，利用应用使用者的肢体特性、球杆与球的参数，加上挥击动作的参数以及挥击后的飞行状况所建立储存于记忆模块的一数据库，通过计算机进行仿真分析后，不但可以更精确的选择球杆，并且省去组杆、试打的金钱与时间成本，达到真正的选择速度更为快速、结果也较为精确。

因此，为达上述目的，本发明所公开的一种计算机辅助选择球杆与球的方法，必须包含下列步骤：

首先，必须于记忆模块中预先建立球杆与球的物理参数以及各该球杆在不同挥击状况下球的飞行状况的数据库，再来便可以数据库的各类参数资料建立一最佳化算法模型，并根据所接收到设定的球飞行状况目标函数、一球杆的球杆参数、一使用者使用该球杆的一组以上肢体特性、一组以上挥击动作的参数以及多笔挥击后该球的飞行状况的参数来选出记忆模块的另一球杆参数，接着，以计算机仿真方式根据输入的该球杆、该使用者使用该球杆的一组以上肢体特性、该挥击动作的参数以及挥击后该球的飞行状况仿真挥击决策模块选取的该球杆以获得一球的飞行状况，并判断该飞行状况是否符合设定的球飞行状况的目标函数？当球飞行状况符合使用者所设定的准确度或者是长距离的条件时，则可将此球杆或是球的参数输出，若是与设定的条件不符，则要再进行一次选杆动作，直到选到可以符合使用者设定条件的球杆或球。

有关本发明的特征与实施例，配合附图及最佳实施例详细说明如下。

附图说明

图1是本发明的系统架构图；

图2是本发明的方法流程图；

图3是本发明利用基因算法来达成精准选球杆或球的方法流程图；及

图4是本发明的类神经网络模型的构造示意图。

主要组件符号说明：

40     类神经网络模型

110    输入模块

120    记忆模块

130    决策模块

140    仿真模块

150    修正模块

160    输出模块

410    输入层

420    隐藏层

430    输出层

440    神经单元

步骤210接收设定的球飞行状况的目标函数、一球杆的球杆参数、一使用者使用该球杆的一组以上肢体特性、一组以上挥击动作的参数以及复数笔挥击后该球的飞行状况

步骤220根据一预先建立储存球杆与球的参数及球在挥击后飞行状况的数据库以建立一最佳化演算法模型并据此选出一球杆参数值

步骤230以计算机仿真方式计算出此一目标函数的球杆挥球后的飞行状况

步骤240计算球飞行状况

步骤250判断球的飞行状况是否符合要求？

步骤260进行另一次选杆动作

步骤270输出最适合的球杆参数

步骤310输入初始族群的参数(Initial Population)

步骤320计算各目标函数值

步骤330选择适应值最高的染色体

步骤340进行复制(Reproduction)

步骤350进行交配

步骤360进行突变

步骤370判断球杆参数值是否可达到要求？

具体实施方式

本发明将公开一种计算机辅助选择球杆与球系统及其方法。在本发明的以下详细说明中，将描述多种特定的细节以便提供本发明的完整说明。然而，对本领域普通技术人员来说，并可以不需要使用该等特定细节便可以实施本发明，或者可以借着利用替代的组件或方法来实施本发明。在其它的状况下，并不特别详细地说明已知的方法、程序、部件、以及电路，以免不必要地混淆本发明的重点。

请参照图1，它是本发明的系统架构图，要达成利用计算机来执行辅助选择球杆或球的动作，必须先将所有的参数数据数字化，使计算机可以从数据中进行统计分析的步骤，其中这些参数包含了人体参数，或者说是肢体特性参数，例如：身高、体重、年龄、性别、种族、球龄以及手腕至地面高度…等数据，另一种与人相关的参数是指人的行为参数，例如：挥杆时的速度分布、手腕释放的时间点、手腕回正的角度、杆头速度、上杆高度及自目标线内侧内击球(inside out)…等数值，与球杆相关的参数例如以下几种：杆身的弹性度(flex)，杆身扭力(torque)，最大弯度(kick point)，杆身长度(shaft length)，杆柄角(lie angle)，关角(close angle)，杆面后移值(offset)，C.G.，转动惯量(MOI)，球杆头重(head weight)，杆面弹簧系数(COR)…等。

请参照图2，它是本发明的方法流程图，上述这些数据可预先于记忆模块120依各种数据类别预先建立成一数据库(步骤210)，而此数据库中还包括球在挥击后的飞行状况参数，例如：球头速度、球速(ball speed)、转速、球面角、方位角(azimuth angle)、出射角(launch angle)、向后转(back spin)，侧旋(side spin)及球头行为(dynamic loft，dynamic lie，及dynamic openface)…等。

建立好包含上述数据的数据库后，便可以利用这些数据来训练一个决策模块130，完成后可通过此一决策模块130以及根据输入模块110所接收使用者的肢体特性与利用挥杆时所得到的动作参数，来选出一组最适合的球杆或是球的参数(步骤220)，这个决策模块130通常是一个最佳化的算法模型，例如：贪婪算法(Greedy algorithm)、决策树(Decision Tree)学习法、蚂蚁算法(ant colony algorithm)、类神经网络(neural network)、反应表面法(RSM，Response Surface Methodology)及基因算法(GA，Genetic Algorithm)…等，其中以第一种最常被用来解决最佳化的问题，但是它是一种直觉的解决问题方式，每次计算时只找出目前的最佳解，但是最终的结果却未必是整个解空间(solution space)中的最佳解，也就是很容易落入局部最佳解(local optimalsolution)。

为避免发生这样的现象，发明人选择使用基因算法来作为决策模块130，基因算法主要参照达尔文进化论中「物竞天择、适者生存」的自然进化法则，利用仿真生物自然进化的过程，来建立一个保有自然特性的“人工基因系统”(Artificial Genetic System)，再将此过程融入问题求解的过程。采用这种算法好处不仅可以避免落入局部最佳化的陷阱，而可得到全域最佳解(globaloptimal solution)，且在运算时只需设定要求的目标函数(Objectivefunction)，并不需其它的辅助信息(如函数的微分性、连续性)，且不受参数连续性的限制，所以适合各类问题的目标函数。

请参照3图，此为利用基因算法来达成精准选球杆或球的方法流程图，假设要选择球杆，则球的参数需先给定后再进行；首先，在输入初始族群的参数(Initial Population)(步骤310)的步骤中，便是以球杆参数转换成为二进制的染色体编码，假设染色体长度为8，而族群大小为10，即自交配池随机取出10组染色体作为父代，举例为x1＝10011011，x2＝01001101，x3＝00111010，x4＝11110101，x5＝11101000，x6＝00000010，x7＝10101101，x8＝00001011，x9＝10101000，x10＝11110110，其中如x2所示的编码所代表的整数值即为64+8+4+1＝77。

接下来便可依使用者所设定的要求目标，例如：挥击后所飞行的距离，或是挥击的准确度来决定一组目标函数(或者称为适应函数(fitnessfunction))f(x)，将这10组球杆参数代入来计算对应的目标函数值(步骤320)，假设使用者一开始即设定在族群中只挑选2组适应值(fitness value)最高的染色体来进行遗传操作程序，并淘汰适应值最低的2组(步骤330)。

使用者可设定交配率、突变率、…等机率参数，以仿真基因演化过程，使得最终能产生出适应力最强的物种，也就是最佳解，其中基因算法中的演化过程有三个主要步骤：在基因复制(reproduction)的步骤中(步骤340)，让亲代的特征保留到子代，以免随着时间的演进，生物演化出来的长处反而消失不见了。依据每一物种的适应程度来决定下一代中应被淘汰，或复制且保留的个数多少的一种运算过程。

复制过程有两种形式：(a)轮盘式选择(roulette wheel selection)与(b)竞争式选择(tournament selection)，其中(a)在每一代的演化过程中，首先依每个物种(染色体)的适应值的大小来分割轮盘的位置，适应值越大的话，则在轮盘上占有的面积比例也越大，每个物种在轮盘上占有的面积比例越大代表被挑选到交配池中的机率越大，然后随机选取轮盘的一点，其所对应的物种即被选入到交配池中。而(b)即是在每一代的演化过程中首先随机地选取两个或更多的物种(染色体)中，具有最大适应值的物种即被选中送至交配池中。

在基因交配(crossover)的步骤中(步骤350)，即是交配表达式，依据先前所设定的交配率从一族群中随机地挑选任意两个染色体，经彼此交换染色体的某些基因信息而产生两个新染色体的一种过程，通过此一步骤可以让染色体互相交换有用的信息，以使得染色体获得更高的适应值，以改善子代。一般而言交配运算可以用：(a)单点交配；(b)双点交配；及(c)均匀交配；举一单点交配为例：假定前述的10组染色体中，x1及x2可获得最高的适应值，其中自第5位(bit)后开始进行交配，则可得到x11＝10011101及x12＝01001011两组子代染色体，如此一来便可能创造出更高适应值的物种。

而第三个步骤便是进行突变(mutation)(步骤360)，突变的过程是随机的选取一染色体，并随机选取突变点，进而通过改变染色体里的基因信息突变过程发生机率由突变率所控制。突变过程可以针对单一基因或对多个基因进行突变演算或以字罩突变方式为之，对于二进制的位字符串就是将字符串的0变1，1变成0。同样延续步骤350所得的两子代为例说明，若x11所随机取到突变位置是第1位，也就是说新的x11在进行突变后将会变成00011101，若x12也被随机指定到需要进行突变，且突变点在第6位，则新的x12将会变成01001111。通过此一步骤可使基因算法加入新的参数值，而不会错过一些有用的信息，且基本上突变的机率是很低的，若太高的话反而可能造成有用的信息遗失。

将这些球杆参数值代入目标函数中，判断适应值最高的球杆参数是否符合使用者所设定的准确度或是飞行距离(步骤370)，若没有则是延续上述步骤320至步骤370的演化过程，逐步的淘汰不适合的染色体，实际在进行演化的过程中，族群的个数可能为上千个或者更多，而淘汰率可能在0.5以上，因此每一代的染色体在基因的改变差距将会很大，即便是突变失败或是交配失败，由于父代依然存在，故仍然保留着适应值高的基因，故在经过多次的演化后，便可能收敛达到一最佳解，或者使用者也可设定演化的次数，以避免在不收敛的情况下仍可终止计算机的计算而输出一较佳解。

当此一较佳解或最佳解的球杆参数由决策模块130输出后，便接着由仿真模块140以此一参数进行仿真分析，计算出此一球杆挥击后球的飞行状况(步骤230)，以计算机辅助工程(CAE，Computer Aided Engineering)为例，可由有线元素分析计算球飞行结果，将量测到的挥杆历程输入，便可计算出球杆撞击球的过程，并且得到球的飞出行为。

另一种计算挥击球的飞行状况便是使用类神经网络的方式来作计算，请参照图4，此为一类神经网络模型40的构造示意图，它是一个多输入、多输出且信号顺向传递(feed-forward)的高速计算装置，其由许多互相连接的神经单元(neuron)440所组成(及图中的圆圈部分)，每个神经单元440包含一个加总接点(summing junction)，是将来自其它神经单元440的信号先个别予以加总再行加总，而所有神经单元440分属三层：输入层(input layer)410、隐藏层(hidden layer)420及输出层(output layer)430。

每个由输入层410神经单元440的输出信号需经不同的加权(weight)后，再馈入隐藏层420的不同神经单元440，而每个由隐藏层420神经单元440发出的输出信号也需经不同的加权后再馈入输出层430的不同神经单元440。利用数据库中的球杆参数及肢体特性参数作为输入值，数据库中球的飞行模式参数作为输出值，来训练一个类神经网络模型40(为一种回归模型)，此一模型必须训练到能将数据库中的输入值及输出值作一准确对应，且对应结果皆趋于收敛后，便可以利用输入的使用者挥杆时测量到的挥杆的行为参数，以及肢体特性参数到此一类神经网络模型40中来预估球的飞出行为，而可计算得到球飞行状况(步骤240)。

由于决策模块130与仿真模块140采用的是不同的算法，因此，决策模块130所挑选出的球杆参数，在经过进行仿真测试后，判断球飞行状况是否能符合使用者所设定挥击的准确度，或者飞行距离不够长(步骤250)，若仿真后无法满足使用者的要求条件，再由修正模块150输出一修正信号到决策模块130(步骤260)，决策模块130便开始进行下一回合的选杆运作，球杆参数仍然是随机产生，以基因算法来作挑选，而若决策模块130所选出的球杆参数的确在仿真的结果符合要求，则由输出模块160将此达到要求结果的球杆参数输出。同样的，若是要选择一个适合的球，则是将球杆参数先选定后，按照上述的步骤来进行挑选。

如此一来，通过本发明便可以达到轻松的使用计算机进行仿真分析，不但可以更精确的选择球杆与球，并且省去组杆、试打的金钱与时间成本，达到真正的选择速度更为快速、结果也较为精确。

虽然本发明以前述的较佳实施例公开如上，然其并非用以限定本发明，任何本领域普通技术人员，在不脱离本发明的精神和范围内，可作一些变动与修改，因此本发明的专利保护范围以权利要求为准。

Claims (16)

1、一种计算机辅助选择球杆的系统，其特征在于，该系统具有：

一记忆模块，用以储存多笔球杆与球的物理参数以及多笔各该球杆在不同挥击状况下的球的飞行状况；

一输入模块，用以接收设定的球飞行状况的目标函数、一球杆的球杆参数、一使用者使用该球杆的一组以上肢体特性、一组以上挥击动作的参数以及多笔挥击后该球的飞行状况；

一决策模块，用以根据输入的该球杆参数、该使用者使用该球杆的一组以上肢体特性、该挥击动作的参数以及挥击后该球的飞行状况，选取记忆模块的另一球杆参数；

一仿真模块，用以根据输入的该球杆参数、该使用者使用该球杆的一组以上肢体特性、该挥击动作的参数以及挥击后该球的飞行状况，仿真挥击决策模块选取的该球杆以获得一球的飞行状况，并判断该飞出状态是否符合设定的球飞行状况的目标函数；及

一输出模块，用以输出该符合设定的球飞行状况的目标函数的球杆。

2、根据权利要求1所述的系统，其特征在于，该决策模块是通过基因算法来达成的，该基因算法包括步骤：

步骤a1，计算球飞行状况的各目标函数值；

步骤b1，以该球杆参数转换成二进制染色体编码，选择适应值最高的染色体；

步骤c1，对基因进行复制；

步骤d1，对基因进行交配；

步骤e1，对基因进行突变；

步骤f1，将球杆参数值代入目标函数中，判断适应值最高的球杆参数值是否可达到要求；

其中，在步骤f1中，若是，则结束，若否，则延续步骤a1至步骤f1。

3、根据权利要求1所述的系统，其特征在于，该仿真模块是为一计算机辅助工程，由有线元素分析计算球飞行结果，将量测到的挥杆历程输入，计算出球杆撞击球的过程，并且得到球的飞出行为。

4、根据权利要求1所述的系统，其特征在于，该仿真模块是为一类神经网络模型，为一个多输入、多输出且信号顺向传递的高速计算装置，其由多数互相连接的神经单元组成，每个神经单元包含一个加总接点，是将来自其它神经单元的信号先个别予以加总再行加总，所有神经单元分属三层：输入层、隐藏层及输出层。

5、根据权利要求1所述的系统，其特征在于，该球的飞行状况为一球头速度、一球速、一转速、一球面角、一方位角、一出射角、一向后转、一侧旋及一球头行为。

6、根据权利要求1所述的系统，其特征在于，该设定的球飞行状况的目标函数是为一飞行的距离。

7、根据权利要求1所述的系统，其特征在于，该设定的球飞行状况的目标函数是为一挥击的准确度。

8、根据权利要求1所述的系统，其特征在于，该系统还包含一修正模块，用以在该球杆参数判断不符合该设定要求时输出一修正信号至该决策模块。

9、根据权利要求8所述的系统，其特征在于，该修正信号是用以致使该决策模块进行次回选择另一球杆参数。

10、一种计算机辅助选择球杆的方法，应用在储存有多笔球杆与球的物理参数以及多笔各该球杆在不同挥击状况下的球的飞行状况的一记忆模块上，其特征在于，该方法包含下列步骤：

(a)接收设定的球飞行状况的目标函数、一球杆的球杆参数、一使用者使用该球杆的一组以上肢体特性、一组以上挥击动作的参数以及多笔挥击后该球的飞行状况；

(b)根据输入的该球杆参数、该使用者使用该球杆的一组以上肢体特性、该挥击动作的参数以及挥击后该球的飞行状况，选取记忆模块的另一球杆参数；

(c)根据输入的该球杆参数、该使用者使用该球杆的一组以上肢体特性、该挥击动作的参数以及挥击后该球的飞行状况，仿真挥击决策模块选取的该球杆以获得一球的飞行状况；

(d)判断该飞出状态是否符合设定的球飞行状况的目标函数；及

(e)输出该符合设定的球飞行状况的目标函数的球杆参数。

11、根据权利要求10所述的方法，其特征在于，该(d)步骤若判定不符合，则再重复(b)步骤至(d)步骤以挑选另一球杆参数。

12、根据权利要求10所述的方法，其特征在于，该(b)步骤是以基因算法来进行选取该选取的动作，该基因算法包括步骤：

步骤a1，计算球飞行状况的各目标函数值；

步骤b1，以该球杆参数转换成二进制染色体编码，选择适应值最高的染色体；

步骤c1，对基因进行复制；

步骤d1，对基因进行交配；

步骤e1，对基因进行突变；

步骤f1，将球杆参数值代入目标函数中，判断适应值最高的球杆参数值是否可达到要求；

其中，在步骤f1中，若是，则结束，若否，则延续步骤a1至步骤f1。

13、根据权利要求10所述的方法，其特征在于，该(c)步骤以一计算机辅助工程达成，由有线元素分析计算球飞行结果，将量测到的挥杆历程输入，计算出球杆撞击球的过程，并且得到球的飞出行为。

14、根据权利要求10所述的方法，其特征在于，该(c)步骤以一类神经网络模型达成，该类神经网络模型为一个多输入、多输出且信号顺向传递的高速计算装置，其由多数互相连接的神经单元组成，每个神经单元包含一个加总接点，是将来自其它神经单元的信号先个别予以加总再行加总，所有神经单元分属三层：输入层、隐藏层及输出层，每个由输入层神经单元的输出信号经不同的加权后，再馈入隐藏层的不同神经单元，而每个由隐藏层神经单元发出的输出信号也经不同的加权后再馈入输出层的不同神经单元，利用数据库中的球杆参数及肢体特性参数作为输入值，数据库中球的飞行模式参数作为输出值，将数据库中的输入值及输出值作一准确对应，且对应结果都趋于收敛后，利用输入的使用者挥杆时测量到的挥杆的行为参数，以及肢体特性参数到此类神经网络模型中来预估球的飞出行为，计算得到球飞行状况。

15、根据权利要求10所述的方法，其特征在于，该球飞行状况的目标函数系为一飞行的距离。

16、根据权利要求10所述的方法，其特征在于，该球飞行状况的目标函数系为一挥击的准确度。

Images