[0037] 为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
[0038] 实施例1：
[0039] 如图1所示，基于加速度传感器的乒乓球比赛裁判和球员训练系统，包括乒乓球桌1、设于乒乓球桌上的多个加速度传感器节点单元2、电路处理单元和数据分析单元；所述加速度传感器节点单元均与电路处理单元电连接，所述数据分析单元与电路处理单元电连接；所述加速度传感器节点单元均安装在乒乓球桌表面，用于检测乒乓球碰撞桌面时产生的振动波强度位置。
[0040] 所述电路处理单元，包括单片机和存储模块，存储模块与单片机电连接，电路处理单元能对本系统存储的落点位置数据，进行处理并转化成比分形式，进而给出判定的最终比赛结果。所述数据分析单元，包括装有数据分析软件的计算机，用于对本系统存储的所有落点位置进行数据分析，得出乒乓球员的常用打球手法，找出缺点并给出改进的训练建议。所述加速度传感器节点单元包括MEMS加速度计或微型自供电加速度传感器。根据加速度传感器灵敏度和输出信号，计算出传感器节点单元与碰撞点的距离。其中微型自供电加速度传感器通过收集碰撞振动能量，并输出与振动强度对应的电信号，最终实现传感器节点的自供电功能。
[0041] 本发明的实施核心构思在于，首先确定传感器在球桌上的最佳分布方式，继而当乒乓球落在球桌上时，通过三个加速度传感器通过对震动强度的测定确定接触点的位置并通过存储模块记录此点，经过处理并转化成比分形式，进而给出判定是否得分。
[0042] 如图2中的(a)图所示，首先要计算一个接触点的确定至少需要的传感器个数，一个传感器的检测范围是有限的，设定可检测为一个半径为Rm的圆，则可以检测到落到此圆周范围内所有接触点，但无法精确地测出乒乓球落在球台上的触点的位置；而当传感器的个数增加到两个时，根据两个传感器检测到的接触点强度的交集可以确定两个相交点，但无法满足精确测量接触点的要求，如图2中的(b)图所示；再将传感器的个数增加到三个，则可以确定接触点产生的振动在三个传感器处分别产生的强度大小，通过三个传感器的交叠测量可以准确测量出最终的接触点位置，如图2中的(c)图所示；最后将传感器个数增加到四个，当乒乓球与接触面发生挤压产生振动波传到传感器时，通过测量也可以确定出最终接触点的位置，如图2中的(d)图所示，但由于前面已经计算推测出三个传感器可以满足本发明的设计要求，因此为了节省成本，减少算法难度，四个传感器方案太过繁琐，选择三个传感器对挤压点进行定位是最优方案。
[0043] 如图3所示，传感器的个数确定为三个后继而对三个传感器如何分布进行设计，首先确定三个传感器的形状为等腰三角形，将检测振动点的三个传感器中的其中一个传感器Sensor C设为顶点，定义从此传感器到另外两个传感器(Sensor A和Senor B)之间的距离参数皆为Rm，即等腰三角形两腰，定义两底角为α，底边长为RAB，而三个传感器构成的等腰三角形中其中一腰的延长线与乒乓球桌面宽度的夹角为β，经过计算后得到参数的最佳值，即α角为60.1200°，β角为90.0880°，等腰三角形边长RAB和参数Rm相等，也就是三个传感器的分布为等腰三角形时，传感器对某一接触点的检测最为精确简易且对三个传感器的资源利用优化到了最佳，最大限度减少了传感器检测时的资源冗余浪费。
[0044] 基于实施例1，本发明还提供了基于加速度传感器的乒乓球比赛裁判和球员训练方法，包括以下步骤：
[0045] S1，利用深度学习的粒子群优化算法LCSO，通过不断的迭代确定加速度传感器节点单元个数的最优解；
[0046] S2，将所有加速度传感器节点单元安装在乒乓球桌面的指定位置；
[0047] S3，在乒乓球员进行发球接球过程中，对球的落点进行记录存储；
[0048] S4，根据存储的落点位置数据进行结果判定，并给出判定的最终比赛结果；
[0049] S5，根据存储的所有落点位置进行数据分析，得出乒乓球员的常用打球手法，找出缺点并给出改进的训练建议；
[0050] S6，利用数据生成软件随机生成若干数据并记录，再通过基于加速度传感器的乒乓球比赛裁判和球员训练系统计算获得对应的数据，并进行误差对比，计算最终所得误差。
[0051] 具体的，如图4所示，步骤S1中所述深度学习的粒子群优化算法LCSO，包括如下步骤：
[0052] S11，按照适应度从高到低的顺序对Swarm(t)粒子群中的粒子进行排序；
[0053] S12，根据各个粒子的适应度，将Swarm(t)粒子群分为n级，每个级由Li表示，其中，1≤i≤n；
[0054] S13，采用竞争机制，在每个层级中粒子间随机配对并比较适应度的大小，胜者直接进入下一代粒子群Swarm(t+1)，失败者需要向比它层级高的粒子学习并更新后才能进入下一代。
[0055] 深度学习的粒子群优化算法LCSO基于竞争群优化器CSO和分级学习群体优化器LLSO的算法。图4中，Swarm(t)定义为一些相邻且相关个体的集合体，其中个体之间有某种特定联系。由于粒子通常处于不同的演化状态，而处于不同状态的粒子通常在探索和利用搜索空间方面具有不同的潜力，较低层次的粒子专注于探索空间，而较高层次的粒子则专注于利用空间。因此根据适应度将粒子分为不同级别。
[0056] 通过上述过程，进行不断的迭代找到传感器个数的最优解，如图5至图9所示。开始时默认传感器的分布是杂乱无章的，每次优化后传感器的分布都会变得更加有序可循，最终从无序状态转换到所求的全部有序状态。随着迭代次数越来越多需要的传感器个数越来越少，最终传感器个数可以优化到35个左右。通过此过程便可得到所需传感器的最终分布情况，并且精确地对每个传感器在桌面上的位置进行定位。图10则表示了本发明中传感器个数随迭代次数变化的具体折线图，图中很明显表示出随着迭代次数越来越多，需要的传感器个数越来越少，最后趋于平稳。
[0057] 另外，最后要对前面理论计算得到的结果进行实验验证，具体的利用计算机上安装的Matlab软件通过随机数生成法进行验证，先对随机生成的接触点进行记录，再利用本发明设计的系统进行验证，三个不同传感器对同一个接触点分别列出一个方程，三个方程求公共解即相当于三维矩阵求解，最终得到计算出的接触点位置，在平面直角坐标系中将实际接触点和计算测得的点进行绘制对比，再计算最后两种结果的误差。
[0058] 本发明最终设计的基于加速度传感器的乒乓球比赛裁判和球员训练系统具有实时性高，成本低廉，结构优越的特点，不仅能够实时检测出训练过程中乒乓球与球桌的接触点位置和得分，大大减少了人力物力的投入并且在特殊的疫情时期避免了人群聚集降低疾病传染风险，还能够存储打球时收集到的乒乓球与桌面的挤压点数据，进而对这些数据进行分析，最终获得某相应训练者的常用打球方法，继而针对此训练者打球过程中的方式发现训练者的弱点和不足，给出最佳的训练改进建议。
[0059] 以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。
