| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-13页 |
| 1.1 课题研究背景 | 第8页 |
| 1.2 国内外健身测评研究现状 | 第8-11页 |
| 1.2.1 国内外体质测评发展 | 第8-10页 |
| 1.2.2 体质研究现状 | 第10页 |
| 1.2.3 新一代的健身测评方式 | 第10-11页 |
| 1.3 研究目的及意义 | 第11页 |
| 1.4 本文结构 | 第11-13页 |
| 2 基于动态权重模糊综合评价的运动强度测评模型 | 第13-27页 |
| 2.1 动态权重模糊综合评价模型 | 第13-17页 |
| 2.1.1 模糊综合评价的定义 | 第13页 |
| 2.1.2 评价矩阵和权重 | 第13-14页 |
| 2.1.3 一种动态权重的模糊综合评价模型 | 第14-16页 |
| 2.1.4 基于动态权重模糊综合评价的运动强度测评模型 | 第16-17页 |
| 2.2 运动强度与常用生理指标 | 第17-22页 |
| 2.2.1 心率与乳酸 | 第17-19页 |
| 2.2.2 相对摄氧量与呼吸商 | 第19-21页 |
| 2.2.3 主观用力感觉 | 第21-22页 |
| 2.3 运动强度测评实例 | 第22-27页 |
| 3 基于改进RBF神经网络的最佳运动量预测 | 第27-44页 |
| 3.1 神经网络与RBF神经网络 | 第27-30页 |
| 3.1.1 神经网络介绍 | 第27-28页 |
| 3.1.2 RBF神经网络的介绍 | 第28-29页 |
| 3.1.3 RBF神经网络学习算法 | 第29-30页 |
| 3.2 改进的RBF神经网络学习算法 | 第30-36页 |
| 3.2.1 减聚类简介 | 第30-31页 |
| 3.2.2 粒子群算法及其改进 | 第31-33页 |
| 3.2.3 改进粒子群算法的验证 | 第33-35页 |
| 3.2.4 改进的RBF神经网络学习算法 | 第35-36页 |
| 3.3 体质与运动量的关系 | 第36页 |
| 3.4 体质测评指标 | 第36-37页 |
| 3.4.1 身高与体重 | 第36-37页 |
| 3.4.2 肺活量与心率 | 第37页 |
| 3.4.3 脂肪率与选择反应时 | 第37页 |
| 3.5 基于改进RBF神经网络的最佳运动量预测 | 第37-44页 |
| 3.5.1 体质距离与样本过滤 | 第37-38页 |
| 3.5.2 基于改进RBF神经网络的最佳运动量预测模型 | 第38-39页 |
| 3.5.3 阶段运动后的体质评分预测仿真实验 | 第39-44页 |
| 4 基于个体的健身测评系统设计与实现 | 第44-52页 |
| 4.1 系统功能需求分析及设计 | 第44-47页 |
| 4.1.1 系统功能需求分析 | 第44页 |
| 4.1.2 系统设计 | 第44-47页 |
| 4.2 系统功能模块 | 第47-48页 |
| 4.2.1 客户端各模块简介 | 第48页 |
| 4.2.2 服务端各模块简介 | 第48页 |
| 4.3 模拟系统的实现与测试 | 第48-52页 |
| 总结与展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 附录A 健身数据 | 第58-61页 |
| 攻读硕士学位期间发表论文及科研成果 | 第61-62页 |
| 致谢 | 第62-63页 |