具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例(1)结构

本发明的训练服本体1、激光接收模块2、无线芯片3、激光探测器4、WIFI模块5、后台数据处理计算机6、电池7、充电口8、安装孔9、腰带10、腰带10和卡扣12部件均为通用标准件或本领域技术人员知晓的部件，其结构和原理都为本技术人员均可通过技术手册得知或通过常规实验方法获知。

请参阅图1-5，一种激光训练服的激光接收模块结构，包括训练服本体1，训练服本体1的内部固定连接有激光接收模块2，激光接收模块2包括无线芯片3，无线芯片3的输入端电连接有激光探测器4，无线芯片3的输出端和输入端双向电连接有WIFI模块5，WIFI模块5的输出端和输入端双向电连接有后台数据处理计算机6，无线芯片3的输入端电连接有电池7，电池7固定安装在激光接收模块2的内部，激光接收模块2的表面设置有充电口8，激光接收模块2的数量为若干个，每个激光接收模块2中安装有六个激光探测器4，六个激光探测器4之间等距离排列，激光接收模块2的表面开设有安装孔9，安装孔9的数量为四个，安装孔9开设在激光接收模块2表面的四角，训练服本体1表面的底部套设有腰带10，腰带10的一端固定连接有插块11，腰带10的另一端固定连接有卡扣12，插块11远离腰带10的一侧插接至卡扣12的内腔，通过激光探测器4便于探测激光枪发射的激光，通过设置WIFI模块5，方便与外部后台数据处理计算机6进行网络连接，通过设置电池7，能够对激光接收模块2进行供电，通过设置充电口8，便于对电池7充电，通过设置安装孔9，便于将激光接收模块2安装在训练服本体1的内部，通过设置腰带10、腰带10和卡扣12，便于对训练服本体1的底部进行张紧，使训练服本体1贴近使用者的身体，通过训练服本体1、激光接收模块2、无线芯片3、激光探测器4、WIFI模块5、后台数据处理计算机6、电池7和充电口8进行配合，具备独立的供电、激光接收、无线传输功能，自身可通过无线数据交换方式与配套设备互联，可实现布置方式离散布置或拼接布置与数据传递方式多元组合配置，有效规避点状激光接收模块2只能有线连接，随着布置数量增加导致相互之间电缆长度增加而影响训练服使用的缺点。

使用时，激光枪发射激光至训练服本体1上，激光探测器4接受激光，将信息反馈给无线芯片3，无线芯片3通过WIFI模块5将信息发送给后台数据处理计算机6，提示后台人员穿着此训练服者被击中，通过电池7对激光接收模块2进行供电，通过充电口8便于对电池7充电，通过设置安装孔9，便于将激光接收模块2安装在训练服本体1的内部，通过设置腰带10、腰带10和卡扣12，便于对训练服本体1的底部进行张紧，使训练服本体1贴近使用者的身体。

综上所述：该激光训练服的激光接收模块结构，通过训练服本体1、激光接收模块2、无线芯片3、激光探测器4、WIFI模块5、后台数据处理计算机6、电池7和充电口8进行配合，解决了随着数量增加导致激光接受模块之间互联线缆长度也逐级增加，过度线缆连接对训练服可靠性，维修保养性有较大负面影响的问题。

实施例(2)数据处理方法

如图6-图8所示，本发明还采用以下实施例：

一种后台数据处理计算机6数据处理的方法，包括以下步骤，参考图6：

(S1)数据选择、抽样，接收激光接收模块2、无线芯片3或激光探测器4的数据信息，对接受到的数据信息进行抽样；分析接收到的数据信息；

(S2)数据计算，启动分类算法模型，对接收到的数据信息进行分类，将激光接收模块2、无线芯片3或激光探测器4接收到的数据信息按照不同的分类属性进行分类，以输出不同的数据类别；所述分类算法模型为K-Means算法、决策树或FCM聚类算法；其中所述K-Means算法、决策树或FCM聚类算法为改进型分类算法模型，所述K-Means算法、决策树或FCM聚类算法输出接口至少兼容三种不同类型的数据通信接口；

(S3)数据输出，将所述步骤(S2)中分类算法模型输出的数据通过计算机输出接口输出。

在上述工作过程中，所述K-Means算法模型连接有强强分类器，所述强强分类器通过5个不同的强分类器联合而成。

所述K-Means算法模型的训练方法为：

(1)选择数据样本，选择k个不同的数据样本对象作为初始聚类中心，数据的集合为X＝{x_m|m＝1,2,...,M}，假设数据集合存在d个不同分类属性，则有A₁,A₂,...,A_d个不同的维度，然后将不同的数据样本x_i＝(x_i1,x_i2,...,x_id)、x_j＝(x_j1,x_j2,...,x_jd)为样本x_i、x_j对应d个不同分类属性A₁,A₂,...,A_d的具体取值；

(2)计算每个聚类对象到聚类中心的距离来划分分类属性，则x_i和x_j之间的相似度通过距离公式来计算，x_i和x_j之间的距离越小，样本x_i和x_j越相似，x_i和x_j之间的距离越大，样本x_i和x_j相差越远；所述距离公式为：

(3)再次计算每个聚类中心，通过反复计算，将每个聚类中的样本均值作为新的聚类中心，重复步骤(2)；

(4)当聚类中心不再变化或者达到了最大迭代次数，则停止计算，否则，重复步骤(2)和(3)；

其中所述K-Means算法的聚类性能评价公式为误差平方和准则函数，所述函数为：

其中p为输出数据集合X_i中的任意数值，m_i为不同的聚类中心，E为误差平方和准则函数，其中m_i≥5。

如图7所示，所述决策树算法的构建方法为：

(1)数据训练：首先选定数据样本D，假设在数据样本中选择K个类别，则样本点属于第k类的概率设定为p_k，则概率分布的基尼指数定义为：

则对于数据样本D，则有：

则C_k是数据样本D中第k类的数据样本，则在特征为A的情况下，数据样本D的基尼指数为：

其中D₁和D₂是在数据集合D中被特征A分割的部分，然后选择基尼指数最小的特征及其对应的切分点作为最优特征与最优切分点，

(2)确定根节点：根据公式(5)计算出的基尼指数选择决策树的根节点，基尼指数较大的属性选作为根节点；

(3)确定叶节点：根据计算出的基尼指数选择决策树的叶节点，基尼指数较小的属性选作为叶节点；然后不断地重复应用公式(2)进行计算，停止计算的条件是结点中的样本个数小于预定阈值，或样本集的基尼指数小于预定阈值，则不再计算分类属性；

(4)建立数据模型：根据上述方法确定的根节点和叶节点，建立数据模型；

(5)构建决策树：根据数据模型，构建决策树；构建出的决策树是呈树形的结构，最后输出的是用户目标值。

如图8所示，FCM聚类算法模型的方法为：

(1)设定聚类数目为5，初始化设置隶属度值和聚类中心，确定迭代误差，其中迭代次数大于4；

(2)对第i次迭代，重新计算隶属度函数，以得到更新后的隶属度函数值；同时，重新优化更新聚类中心；

(3)计算目标函数，并保存结果；

(4)若目标函数结果满足设置条件，则算法停止；否则，返回步骤(2)。

通过上述方法，能够实现训练服本体、激光接收模块、无线芯片、激光探测器、WIFI模块等不同数据的分类，能够使用户根据对象的不同，对各种数据信息快速分类，进而实现多种的数据处理，大大提高了数据管理的能力。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。