專利名稱：計(jì)算機(jī)輔助選擇球桿與球的系統(tǒng)及其方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種選擇球桿與球的系統(tǒng)及其方法，特別為一種在計(jì)算機(jī)上執(zhí)行機(jī)器學(xué)習(xí)(machine learning)算法以進(jìn)行仿真的方式，來達(dá)成精準(zhǔn)選擇球桿與球的系統(tǒng)及其方法。
背景技術(shù)：
每個(gè)人在高爾夫球運(yùn)動的揮桿姿勢、力量、速度都不相同，因此，每個(gè)人最適合使用的球桿也會有所差異。傳統(tǒng)的選擇球桿方法只能針對身高、體重、手長…等尺寸條件作簡單的選擇，更周延的作法還可測量揮桿的速度來作為選桿的參考。但在選出球桿之后，還需要再進(jìn)行實(shí)際組桿給專業(yè)球員試打，因?yàn)閷I(yè)球員比起一般使用者更能準(zhǔn)確的揮出適當(dāng)?shù)牧Φ兰敖嵌龋罁?jù)試揮的結(jié)果為基準(zhǔn)，通過試誤法(try and error)或配置者的經(jīng)驗(yàn)，或既有表格找出適合該使用者的球桿參數(shù)，以決定是否適合該使用者。
若不是最佳組合，配置者再依線性關(guān)系改變一個(gè)參數(shù)條件以選出第二組球桿參數(shù)，然后經(jīng)過多次的組桿、試打及修正后，方能取得一支真正適合該使用者的球桿。然而此種傳統(tǒng)的選桿方法，由于選擇球桿參數(shù)全憑個(gè)人經(jīng)驗(yàn)，標(biāo)準(zhǔn)并不容易控制，且無法考慮到多種參數(shù)間的關(guān)聯(lián)性；再者，所挑選出來的球桿或球，很可能只是剛好那幾次的揮擊測試達(dá)成要求，并無法保證使用者的身體狀態(tài)出現(xiàn)一些變化后仍能達(dá)成要求，而且必須經(jīng)過多次試揮、組桿…等動作，極為耗費(fèi)人力、物力及時(shí)間，顯然不是一個(gè)有效率的方法。
不過，隨著科技的不斷進(jìn)步，現(xiàn)在能夠測量到揮桿特性比以往更多，例如球頭速度、球被揮擊后產(chǎn)生的球速、揮桿路徑、桿面角度…等等，為了利用這些更豐富的參數(shù)，以改良傳統(tǒng)選桿的缺點(diǎn)，在美國專利第6192323號所公開的“Method for matching golfers with a driver and ball”，以及在美國專利第6083123號所公開的“Method for fitting golf clubs for golfers”，便是把由配置者的經(jīng)驗(yàn)或既有表格選取球桿參數(shù)這步驟改由計(jì)算機(jī)程序執(zhí)行，雖然這樣的方法改進(jìn)了傳統(tǒng)的選桿法，但是在組桿、試打…等步驟仍需由專業(yè)球員來進(jìn)行，而且在另一方面，通過這些專利所選出的最佳值，不管是使用表格或是線性逼近(curve fitting)的方法，其結(jié)果與真實(shí)狀況皆有著一段相當(dāng)大的差距。
因此，如何找出一種能有效的選出球桿或球的方法，使得選出的球桿更為適合使用者，實(shí)為一重要的課題。

發(fā)明內(nèi)容
鑒于以上的問題，本發(fā)明的主要目的在于提供一種計(jì)算機(jī)輔助選擇球桿與球的系統(tǒng)及其方法，利用應(yīng)用使用者的肢體特性、球桿與球的參數(shù)，加上揮擊動作的參數(shù)以及揮擊后的飛行狀況所建立儲存于記憶模塊的一數(shù)據(jù)庫，通過計(jì)算機(jī)進(jìn)行仿真分析后，不但可以更精確的選擇球桿，并且省去組桿、試打的金錢與時(shí)間成本，達(dá)到真正的選擇速度更為快速、結(jié)果也較為精確。
因此，為達(dá)上述目的，本發(fā)明所公開的一種計(jì)算機(jī)輔助選擇球桿與球的方法，必須包含下列步驟首先，必須于記憶模塊中預(yù)先建立球桿與球的物理參數(shù)以及各該球桿在不同揮擊狀況下球的飛行狀況的數(shù)據(jù)庫，再來便可以數(shù)據(jù)庫的各類參數(shù)資料建立一最佳化算法模型，并根據(jù)所接收到設(shè)定的球飛行狀況目標(biāo)函數(shù)、一球桿的球桿參數(shù)、一使用者使用該球桿的一組以上肢體特性、一組以上揮擊動作的參數(shù)以及多筆揮擊后該球的飛行狀況的參數(shù)來選出記憶模塊的另一球桿參數(shù)，接著，以計(jì)算機(jī)仿真方式根據(jù)輸入的該球桿、該使用者使用該球桿的一組以上肢體特性、該揮擊動作的參數(shù)以及揮擊后該球的飛行狀況仿真揮擊決策模塊選取的該球桿以獲得一球的飛行狀況，并判斷該飛行狀況是否符合設(shè)定的球飛行狀況的目標(biāo)函數(shù)？當(dāng)球飛行狀況符合使用者所設(shè)定的準(zhǔn)確度或者是長距離的條件時(shí)，則可將此球桿或是球的參數(shù)輸出，若是與設(shè)定的條件不符，則要再進(jìn)行一次選桿動作，直到選到可以符合使用者設(shè)定條件的球桿或球。
有關(guān)本發(fā)明的特征與實(shí)施例，配合附圖及最佳實(shí)施例詳細(xì)說明如下。


圖1是本發(fā)明的系統(tǒng)架構(gòu)圖；
圖2是本發(fā)明的方法流程圖；圖3是本發(fā)明利用基因算法來達(dá)成精準(zhǔn)選球桿或球的方法流程圖；及圖4是本發(fā)明的類神經(jīng)網(wǎng)絡(luò)模型的構(gòu)造示意圖。
主要組件符號說明40 類神經(jīng)網(wǎng)絡(luò)模型110 輸入模塊120 記憶模塊130 決策模塊140 仿真模塊150 修正模塊160 輸出模塊410 輸入層420 隱藏層430 輸出層440 神經(jīng)單元步驟210 接收設(shè)定的球飛行狀況的目標(biāo)函數(shù)、一球桿的球桿參數(shù)、一使用者使用該球桿的一組以上肢體特性、一組以上揮擊動作的參數(shù)以及復(fù)數(shù)筆揮擊后該球的飛行狀況步驟220 根據(jù)一預(yù)先建立儲存球桿與球的參數(shù)及球在揮擊后飛行狀況的數(shù)據(jù)庫以建立一最佳化演算法模型并據(jù)此選出一球桿參數(shù)值步驟230 以計(jì)算機(jī)仿真方式計(jì)算出此一目標(biāo)函數(shù)的球桿揮球后的飛行狀況步驟240 計(jì)算球飛行狀況步驟250 判斷球的飛行狀況是否符合要求？步驟260 進(jìn)行另一次選桿動作步驟270 輸出最適合的球桿參數(shù)步驟310 輸入初始族群的參數(shù)(Initial Population)步驟320 計(jì)算各目標(biāo)函數(shù)值步驟330 選擇適應(yīng)值最高的染色體步驟340 進(jìn)行復(fù)制(Reproduction)步驟350 進(jìn)行交配步驟360 進(jìn)行突變步驟370 判斷球桿參數(shù)值是否可達(dá)到要求？具體實(shí)施方式
本發(fā)明將公開一種計(jì)算機(jī)輔助選擇球桿與球系統(tǒng)及其方法。在本發(fā)明的以下詳細(xì)說明中，將描述多種特定的細(xì)節(jié)以便提供本發(fā)明的完整說明。然而，對本領(lǐng)域普通技術(shù)人員來說，并可以不需要使用該等特定細(xì)節(jié)便可以實(shí)施本發(fā)明，或者可以借著利用替代的組件或方法來實(shí)施本發(fā)明。在其它的狀況下，并不特別詳細(xì)地說明已知的方法、程序、部件、以及電路，以免不必要地混淆本發(fā)明的重點(diǎn)。
請參照圖1，它是本發(fā)明的系統(tǒng)架構(gòu)圖，要達(dá)成利用計(jì)算機(jī)來執(zhí)行輔助選擇球桿或球的動作，必須先將所有的參數(shù)數(shù)據(jù)數(shù)字化，使計(jì)算機(jī)可以從數(shù)據(jù)中進(jìn)行統(tǒng)計(jì)分析的步驟，其中這些參數(shù)包含了人體參數(shù)，或者說是肢體特性參數(shù)，例如身高、體重、年齡、性別、種族、球齡以及手腕至地面高度…等數(shù)據(jù)，另一種與人相關(guān)的參數(shù)是指人的行為參數(shù)，例如揮桿時(shí)的速度分布、手腕釋放的時(shí)間點(diǎn)、手腕回正的角度、桿頭速度、上桿高度及自目標(biāo)線內(nèi)側(cè)內(nèi)擊球(inside out)…等數(shù)值，與球桿相關(guān)的參數(shù)例如以下幾種桿身的彈性度(flex)，桿身扭力(torque)，最大彎度(kick point)，桿身長度(shaft length)，桿柄角(lie angle)，關(guān)角(close angle)，桿面后移值(offset)，C.G.，轉(zhuǎn)動慣量(MOI)，球桿頭重(head weight)，桿面彈簧系數(shù)(COR)…等。
請參照圖2，它是本發(fā)明的方法流程圖，上述這些數(shù)據(jù)可預(yù)先于記憶模塊120依各種數(shù)據(jù)類別預(yù)先建立成一數(shù)據(jù)庫(步驟210)，而此數(shù)據(jù)庫中還包括球在揮擊后的飛行狀況參數(shù)，例如球頭速度、球速(ball speed)、轉(zhuǎn)速、球面角、方位角(azimuth angle)、出射角(launch angle)、向后轉(zhuǎn)(back spin)，側(cè)旋(side spin)及球頭行為(dynamic loft，dynamic lie，及dynamic openface)…等。
建立好包含上述數(shù)據(jù)的數(shù)據(jù)庫后，便可以利用這些數(shù)據(jù)來訓(xùn)練一個(gè)決策模塊130，完成后可通過此一決策模塊130以及根據(jù)輸入模塊110所接收使用者的肢體特性與利用揮桿時(shí)所得到的動作參數(shù)，來選出一組最適合的球桿或是球的參數(shù)(步驟220)，這個(gè)決策模塊130通常是一個(gè)最佳化的算法模型，例如貪婪算法(Greedy algorithm)、決策樹(Decision Tree)學(xué)習(xí)法、螞蟻算法(ant colony algorithm)、類神經(jīng)網(wǎng)絡(luò)(neural network)、反應(yīng)表面法(RSM，Response Surface Methodology)及基因算法(GA，Genetic Algorithm)…等，其中以第一種最常被用來解決最佳化的問題，但是它是一種直覺的解決問題方式，每次計(jì)算時(shí)只找出目前的最佳解，但是最終的結(jié)果卻未必是整個(gè)解空間(solution space)中的最佳解，也就是很容易落入局部最佳解(local optimalsolution)。
為避免發(fā)生這樣的現(xiàn)象，發(fā)明人選擇使用基因算法來作為決策模塊130，基因算法主要參照達(dá)爾文進(jìn)化論中「物競天擇、適者生存」的自然進(jìn)化法則，利用仿真生物自然進(jìn)化的過程，來建立一個(gè)保有自然特性的“人工基因系統(tǒng)”(Artificial Genetic System)，再將此過程融入問題求解的過程。采用這種算法好處不僅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)，且在運(yùn)算時(shí)只需設(shè)定要求的目標(biāo)函數(shù)(Objectivefunction)，并不需其它的輔助信息(如函數(shù)的微分性、連續(xù)性)，且不受參數(shù)連續(xù)性的限制，所以適合各類問題的目標(biāo)函數(shù)。
請參照3圖，此為利用基因算法來達(dá)成精準(zhǔn)選球桿或球的方法流程圖，假設(shè)要選擇球桿，則球的參數(shù)需先給定后再進(jìn)行；首先，在輸入初始族群的參數(shù)(Initial Population)(步驟310)的步驟中，便是以球桿參數(shù)轉(zhuǎn)換成為二進(jìn)制的染色體編碼，假設(shè)染色體長度為8，而族群大小為10，即自交配池隨機(jī)取出10組染色體作為父代，舉例為x1＝10011011，x2＝01001101，x3＝00111010，x4＝11110101，x5＝11101000，x6＝00000010，x7＝10101101，x8＝00001011，x9＝10101000，x10＝11110110，其中如x2所示的編碼所代表的整數(shù)值即為64+8+4+1＝77。
接下來便可依使用者所設(shè)定的要求目標(biāo)，例如揮擊后所飛行的距離，或是揮擊的準(zhǔn)確度來決定一組目標(biāo)函數(shù)(或者稱為適應(yīng)函數(shù)(fitnessfunction))f(x)，將這10組球桿參數(shù)代入來計(jì)算對應(yīng)的目標(biāo)函數(shù)值(步驟320)，假設(shè)使用者一開始即設(shè)定在族群中只挑選2組適應(yīng)值(fitness value)最高的染色體來進(jìn)行遺傳操作程序，并淘汰適應(yīng)值最低的2組(步驟330)。
使用者可設(shè)定交配率、突變率、…等機(jī)率參數(shù)，以仿真基因演化過程，使得最終能產(chǎn)生出適應(yīng)力最強(qiáng)的物種，也就是最佳解，其中基因算法中的演化過程有三個(gè)主要步驟在基因復(fù)制(reproduction)的步驟中(步驟340)，讓親代的特征保留到子代，以免隨著時(shí)間的演進(jìn)，生物演化出來的長處反而消失不見了。依據(jù)每一物種的適應(yīng)程度來決定下一代中應(yīng)被淘汰，或復(fù)制且保留的個(gè)數(shù)多少的一種運(yùn)算過程。
復(fù)制過程有兩種形式(a)輪盤式選擇(roulette wheel selection)與(b)競爭式選擇(tournament selection)，其中(a)在每一代的演化過程中，首先依每個(gè)物種(染色體)的適應(yīng)值的大小來分割輪盤的位置，適應(yīng)值越大的話，則在輪盤上占有的面積比例也越大，每個(gè)物種在輪盤上占有的面積比例越大代表被挑選到交配池中的機(jī)率越大，然后隨機(jī)選取輪盤的一點(diǎn)，其所對應(yīng)的物種即被選入到交配池中。而(b)即是在每一代的演化過程中首先隨機(jī)地選取兩個(gè)或更多的物種(染色體)中，具有最大適應(yīng)值的物種即被選中送至交配池中。
在基因交配(crossover)的步驟中(步驟350)，即是交配表達(dá)式，依據(jù)先前所設(shè)定的交配率從一族群中隨機(jī)地挑選任意兩個(gè)染色體，經(jīng)彼此交換染色體的某些基因信息而產(chǎn)生兩個(gè)新染色體的一種過程，通過此一步驟可以讓染色體互相交換有用的信息，以使得染色體獲得更高的適應(yīng)值，以改善子代。一般而言交配運(yùn)算可以用(a)單點(diǎn)交配；(b)雙點(diǎn)交配；及(c)均勻交配；舉一單點(diǎn)交配為例假定前述的10組染色體中，x1及x2可獲得最高的適應(yīng)值，其中自第5位(bit)后開始進(jìn)行交配，則可得到x11＝10011101及x12＝01001011兩組子代染色體，如此一來便可能創(chuàng)造出更高適應(yīng)值的物種。
而第三個(gè)步驟便是進(jìn)行突變(mutation)(步驟360)，突變的過程是隨機(jī)的選取一染色體，并隨機(jī)選取突變點(diǎn)，進(jìn)而通過改變?nèi)旧w里的基因信息突變過程發(fā)生機(jī)率由突變率所控制。突變過程可以針對單一基因或?qū)Χ鄠€(gè)基因進(jìn)行突變演算或以字罩突變方式為之，對于二進(jìn)制的位字符串就是將字符串的0變1，1變成0。同樣延續(xù)步驟350所得的兩子代為例說明，若x11所隨機(jī)取到突變位置是第1位，也就是說新的x11在進(jìn)行突變后將會變成00011101，若x12也被隨機(jī)指定到需要進(jìn)行突變，且突變點(diǎn)在第6位，則新的x12將會變成01001111。通過此一步驟可使基因算法加入新的參數(shù)值，而不會錯(cuò)過一些有用的信息，且基本上突變的機(jī)率是很低的，若太高的話反而可能造成有用的信息遺失。
將這些球桿參數(shù)值代入目標(biāo)函數(shù)中，判斷適應(yīng)值最高的球桿參數(shù)是否符合使用者所設(shè)定的準(zhǔn)確度或是飛行距離(步驟370)，若沒有則是延續(xù)上述步驟320至步驟370的演化過程，逐步的淘汰不適合的染色體，實(shí)際在進(jìn)行演化的過程中，族群的個(gè)數(shù)可能為上千個(gè)或者更多，而淘汰率可能在0.5以上，因此每一代的染色體在基因的改變差距將會很大，即便是突變失敗或是交配失敗，由于父代依然存在，故仍然保留著適應(yīng)值高的基因，故在經(jīng)過多次的演化后，便可能收斂達(dá)到一最佳解，或者使用者也可設(shè)定演化的次數(shù)，以避免在不收斂的情況下仍可終止計(jì)算機(jī)的計(jì)算而輸出一較佳解。
當(dāng)此一較佳解或最佳解的球桿參數(shù)由決策模塊130輸出后，便接著由仿真模塊140以此一參數(shù)進(jìn)行仿真分析，計(jì)算出此一球桿揮擊后球的飛行狀況(步驟230)，以計(jì)算機(jī)輔助工程(CAE，Computer Aided Engineering)為例，可由有線元素分析計(jì)算球飛行結(jié)果，將量測到的揮桿歷程輸入，便可計(jì)算出球桿撞擊球的過程，并且得到球的飛出行為。
另一種計(jì)算揮擊球的飛行狀況便是使用類神經(jīng)網(wǎng)絡(luò)的方式來作計(jì)算，請參照圖4，此為一類神經(jīng)網(wǎng)絡(luò)模型40的構(gòu)造示意圖，它是一個(gè)多輸入、多輸出且信號順向傳遞(feed-forward)的高速計(jì)算裝置，其由許多互相連接的神經(jīng)單元(neuron)440所組成(及圖中的圓圈部分)，每個(gè)神經(jīng)單元440包含一個(gè)加總接點(diǎn)(summing junction)，是將來自其它神經(jīng)單元440的信號先個(gè)別予以加總再行加總，而所有神經(jīng)單元440分屬三層輸入層(input layer)410、隱藏層(hidden layer)420及輸出層(output layer)430。
每個(gè)由輸入層410神經(jīng)單元440的輸出信號需經(jīng)不同的加權(quán)(weight)后，再饋入隱藏層420的不同神經(jīng)單元440，而每個(gè)由隱藏層420神經(jīng)單元440發(fā)出的輸出信號也需經(jīng)不同的加權(quán)后再饋入輸出層430的不同神經(jīng)單元440。利用數(shù)據(jù)庫中的球桿參數(shù)及肢體特性參數(shù)作為輸入值，數(shù)據(jù)庫中球的飛行模式參數(shù)作為輸出值，來訓(xùn)練一個(gè)類神經(jīng)網(wǎng)絡(luò)模型40(為一種回歸模型)，此一模型必須訓(xùn)練到能將數(shù)據(jù)庫中的輸入值及輸出值作一準(zhǔn)確對應(yīng)，且對應(yīng)結(jié)果皆趨于收斂后，便可以利用輸入的使用者揮桿時(shí)測量到的揮桿的行為參數(shù)，以及肢體特性參數(shù)到此一類神經(jīng)網(wǎng)絡(luò)模型40中來預(yù)估球的飛出行為，而可計(jì)算得到球飛行狀況(步驟240)。
由于決策模塊130與仿真模塊140采用的是不同的算法，因此，決策模塊130所挑選出的球桿參數(shù)，在經(jīng)過進(jìn)行仿真測試后，判斷球飛行狀況是否能符合使用者所設(shè)定揮擊的準(zhǔn)確度，或者飛行距離不夠長(步驟250)，若仿真后無法滿足使用者的要求條件，再由修正模塊150輸出一修正信號到?jīng)Q策模塊130(步驟260)，決策模塊130便開始進(jìn)行下一回合的選桿運(yùn)作，球桿參數(shù)仍然是隨機(jī)產(chǎn)生，以基因算法來作挑選，而若決策模塊130所選出的球桿參數(shù)的確在仿真的結(jié)果符合要求，則由輸出模塊160將此達(dá)到要求結(jié)果的球桿參數(shù)輸出。同樣的，若是要選擇一個(gè)適合的球，則是將球桿參數(shù)先選定后，按照上述的步驟來進(jìn)行挑選。
如此一來，通過本發(fā)明便可以達(dá)到輕松的使用計(jì)算機(jī)進(jìn)行仿真分析，不但可以更精確的選擇球桿與球，并且省去組桿、試打的金錢與時(shí)間成本，達(dá)到真正的選擇速度更為快速、結(jié)果也較為精確。
雖然本發(fā)明以前述的較佳實(shí)施例公開如上，然其并非用以限定本發(fā)明，任何本領(lǐng)域普通技術(shù)人員，在不脫離本發(fā)明的精神和范圍內(nèi)，可作一些變動與修改，因此本發(fā)明的專利保護(hù)范圍以權(quán)利要求為準(zhǔn)。
權(quán)利要求
1.一種計(jì)算機(jī)輔助選擇球桿的系統(tǒng)，其特征在于，該系統(tǒng)具有一記憶模塊，用以儲存多筆球桿與球的物理參數(shù)以及多筆各該球桿在不同揮擊狀況下的球的飛行狀況；一輸入模塊，用以接收設(shè)定的球飛行狀況的目標(biāo)函數(shù)、一球桿的球桿參數(shù)、一使用者使用該球桿的一組以上肢體特性、一組以上揮擊動作的參數(shù)以及多筆揮擊后該球的飛行狀況；一決策模塊，用以根據(jù)輸入的該球桿、該使用者使用該球桿的一組以上肢體特性、該揮擊動作的參數(shù)以及揮擊后該球的飛行狀況選取記憶模塊的另一球桿參數(shù)；一仿真模塊，用以根據(jù)輸入的該球桿、該使用者使用該球桿的一組以上肢體特性、該揮擊動作的參數(shù)以及揮擊后該球的飛行狀況仿真揮擊決策模塊選取的該球桿以獲得一球的飛行狀況，并判斷該飛出狀態(tài)是否符合設(shè)定的球飛行狀況的目標(biāo)函數(shù)；及一輸出模塊，用以輸出該符合設(shè)定的球飛行狀況的目標(biāo)函數(shù)的球桿。
2.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，該決策模塊是通過基因算法(GA，Genetic Algorithm)來達(dá)成。
3.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，該仿真模塊是為一計(jì)算機(jī)輔助工程(CAE，Computer Aided Engineering)。
4.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，該仿真模塊系為一類神經(jīng)網(wǎng)絡(luò)(neural network)模型。
5.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，該球的飛行狀況為一球頭速度、一球速(ball speed)、一轉(zhuǎn)速、一球面角、一方位角(azimuth angle)、一出射角(launch angle)、一向后轉(zhuǎn)(back spin)，一側(cè)旋(side spin)及一球頭行為(dynamic loft，dynamic lie，及dynamic open face)的任一組合。
6.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，該設(shè)定的球飛行狀況的目標(biāo)函數(shù)是為一飛行的距離。
7.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，該設(shè)定的球飛行狀況的目標(biāo)函數(shù)是為一揮擊的準(zhǔn)確度。
8.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，該系統(tǒng)還包含一修正模塊，用以在該球桿參數(shù)判斷不符合該設(shè)定要求時(shí)輸出一修正信號至該決策模塊。
9.根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，該修正信號是用以致使該決策模塊進(jìn)行次回選擇另一球桿參數(shù)。
10.一種如根據(jù)權(quán)利要求1所述的系統(tǒng)，其特征在于，該系統(tǒng)用以選擇球。
11.一種計(jì)算機(jī)輔助選擇球桿的方法，應(yīng)用在儲存有多筆球桿與球的物理參數(shù)以及多筆各該球桿在不同揮擊狀況下的球的飛行狀況的一記憶模塊上，其特征在于，該方法包含下列步驟(a)接收設(shè)定的球飛行狀況的目標(biāo)函數(shù)、一球桿的球桿參數(shù)、一使用者使用該球桿的一組以上肢體特性、一組以上揮擊動作的參數(shù)以及多筆揮擊后該球的飛行狀況；(b)根據(jù)輸入的該球桿、該使用者使用該球桿的一組以上肢體特性、該揮擊動作的參數(shù)以及揮擊后該球的飛行狀況選取記憶模塊的另一球桿參數(shù)；(c)根據(jù)輸入的該球桿、該使用者使用該球桿的一組以上肢體特性、該揮擊動作的參數(shù)以及揮擊后該球的飛行狀況仿真揮擊決策模塊選取的該球桿以獲得一球的飛行狀況；(d)判斷該飛出狀態(tài)是否符合設(shè)定的球飛行狀況的目標(biāo)函數(shù)；及(e)輸出該符合設(shè)定的球飛行狀況的目標(biāo)函數(shù)的球桿參數(shù)。
12.根據(jù)權(quán)利要求11所述的方法，其特征在于，該(d)步驟若判定不符合，則再重復(fù)(b)步驟至(d)步驟以挑選另一球桿參數(shù)。
13.根據(jù)權(quán)利要求11所述的方法，其特征在于，該(b)步驟是以基因算法(GA，Genetic Algorithm)來進(jìn)行選取該選取的動作。
14.根據(jù)權(quán)利要求11所述的方法，其特征在于，該(c)步驟以一計(jì)算機(jī)輔助工程(CAE，Computer Aided Engineering)達(dá)成。
15.根據(jù)權(quán)利要求11所述的方法，其特征在于，該(c)步驟以一類神經(jīng)網(wǎng)絡(luò)(neural network)模型達(dá)成。
16.根據(jù)權(quán)利要求11所述的方法，其特征在于，該球飛行狀況的目標(biāo)函數(shù)系為一飛行的距離。
17.根據(jù)權(quán)利要求11所述的方法，其特征在于，該球飛行狀況的目標(biāo)函數(shù)系為一揮擊的準(zhǔn)確度。
18.一種如權(quán)利要求11所述的方法，其特征在于，該方法用以選擇球。
全文摘要
本發(fā)明涉及一種計(jì)算機(jī)輔助選擇球桿與球的系統(tǒng)及其方法，主要是通過將使用者的肢體特性、球桿與球的參數(shù)，加上揮擊動作的參數(shù)以及揮擊后的飛行狀況建立成一數(shù)據(jù)庫，通過此一數(shù)據(jù)庫來訓(xùn)練一決策模塊以挑選出一支適合的球桿，再利用此球桿參數(shù)輸入到仿真模塊以進(jìn)行仿真分析，當(dāng)確認(rèn)符合使用者設(shè)定的目標(biāo)條件后，即可將此最佳解輸出，達(dá)成節(jié)省人力、時(shí)間及金錢…等成本的功效。
文檔編號A63B69/36GK1991848SQ200510137688
公開日2007年7月4日 申請日期2005年12月31日 優(yōu)先權(quán)日2005年12月31日
發(fā)明者林敬杰, 葉芳耀, 葉日翔 申請人:財(cái)團(tuán)法人工業(yè)技術(shù)研究院