基于改進和聲搜索算法的軟件可靠性模型研究

汪順和

（安徽廣播電視大學 安徽 合肥 230022）

0.引言

現今，信息技術模擬軟件應用的大規模推廣，使其成為和聲技術算法搜索運用的重要技術構成，對解決部分軟件算法模擬效益不強及算法模擬準確性不高問題具有重要意義。為更好的適應多種和聲搜索軟件的使用環境，對算法指數及參數數據評估是改進和聲搜索算法軟件模型應用及提高其使用可靠性的有效途徑。

1.改進和聲搜索算法軟件可靠性模型建立

改進和聲搜索算法軟件廣泛運用于音樂演奏及數學運算等各個方面，依托GO 及MO 基礎技術實現模型軟件系統構建?，F階段所主要采用的模型種類多達100 種以上，但由于GO 模型技術及MO 模型技術運用條件適應性及可靠性較強，所以成為現階段和聲搜索軟件運用的主要代表。和聲所搜算法的改進需要建立在多種模型模板技術應用條件之上，雖部分模型建立應用可靠性不佳，但其基礎上仍有優勢，因此應汲取多種模型技術優勢，對現有的可靠性模型和聲搜索算法做深層次的改進與優化。算法方面MO 模型采用 μ（t）=a（1-e-bt）集成運算，GO 模型采用 μ（t）in（λ 0θt+1）／θ 公式進行帶入。

2.和聲及搜索算法軟件應用可靠性分析

對和聲搜索算法軟件可靠性分析，其目的在于提高軟件和聲模擬效益，解決軟件和聲與實際和聲測試結果不一致問題，保障軟件和聲的真實性與準確性。傳統意義的算法應用實際問題較多，且兼容性較差，本文主要采用HS 算法計算進行分析，從而保障算法測試及模型可靠性分析的結果可用性。

2.1 標準和聲搜索算法條件下的可靠性分析

標準的和聲搜索算法主要采用HS 算法模擬實現對多種音樂內容的集合應用，在實際音樂創作方面，音調的調整必須符合演奏樂器音色，不同音色階段所發出的音調高度及聲調頻率略有差異，為將樂器音調調整至最佳狀態，需要在HS 算法應用基礎上，將樂器的和聲、聲音效果組合值指數做細微調控，選取決策變量值及決策變量組成的解向量，對相關秒函數值做科學運算，根據運算結構，選用最佳的樂器調試方案。

2.1.1 初始算法及相關參數計算

初始算法計算參數由于N 個不同變量值組成，聲音記憶庫大小HMS 將決定不同變量的基礎取值，同時在取值范圍方面亦可有效限制，以免在算法選取方面，相關的音調調整出現整體音域不協調及音頻不一致問題。決策變量的取值采用[Ui,Li]計算，和聲記憶庫需要考慮基礎概率數據HMCR 構成，通過音調微調控制音律PAR，使音調微調的帶寬能夠與BW 數據算法的迭代次數N 保持對等，避免調試方面出現音調誤差。

2.1.2 初始化和聲記憶庫構建

和聲記憶庫主要由多個發聲單元組成，相關的聲樂節點變化將直接影響初始化記憶庫構建，所以要及時的對分量值界域內容進行控制，分量值主要有下界及上界兩個部分構成，由于HMS 和聲采用隨機生成方案，在一倍或多倍聲音節點信息輸入方面，需要解決HM 優化處理問題，將和聲記憶庫中每個音調均按照固定公式進行合理運算，以便確保分量值指數穩定性，提高和聲記憶庫構建效益，保障多種樂器聲色保持一致。

2.1.3 新和聲的產生與環境融入性分析

單頻段音調控制只是一種和聲規則，不同規則條件下所需選取的所產生的聲音環境融入性差別較大，為更好的適應新和聲條件與和聲環境，必須在初始化后，對HS 算法中寫生采用多倍數控制，新和聲中任意音調均應按照以下三個規則產生。首先是和聲記憶庫規則，即保障新和聲及和聲記憶庫和聲內容的互通性。其次是隨機值域內的音調選擇控制原則，該原則用于對后續階段不同聲段的控制。第三是微調和聲管理原則，該原則用于保障新和聲在不同條件下的聲色傳播優勢。如在新和聲音調調試方面，存在與和聲記憶庫內容相似性較高問題，則可采用PAR 的概率對音調內容做一定的微調，以提升新和聲融入環境整體性。

2.1.4 和聲記憶庫更新及處理

隨著和聲種類的增加，不同和聲處理條件下，和聲的使用特點及優勢共鳴點不同，需要采取和聲控制處理方案，及時的對和聲質量不佳的和聲內容及和聲音調進行更替，如新和聲由于HM 數據基礎音域值，則可對和聲舊和聲內容進行替換，若其在單倍數計算方面，音域指數相對較低，則無需進行HM 的數據庫更新。當然必要時需要采用不同的和聲處理方案，對和聲數據做詳細評估，以免單元和聲內容差異對整體和聲記憶庫項目使用造成不良影響。

2.2 改進和聲搜索算法條件下的可靠性分析

標準環境下的HS 算法應用雖滿足和聲所搜算法使用的基本需求，在技術條件上也具有一定的實際優勢，但在后續階段的使用過程中，音域收斂速度緩慢，實際處理效率不高，且存在具備優解性問題，由于HS 算法在多種和聲搜索算法內綜合性優勢較強，所以需要對現有的HS 算法應用做出一定的分解改進，以便更好地運用HS 算法對和聲搜索技術運用可靠性進行提升。

2.2.1 和聲記憶庫初始化的改進與優化

傳統的HS 算法應用采用正函數計算模塊延續，計算質量不足，和聲記憶庫的初始優化改進，必須對函數運用方向做出調整，采用方向學習策略實現對初始值數據收斂速度的提升，尤其是該方法在智能算法解空間初始化的運用，使其技術內容更為成熟，在提高初始解質量階段，可有效針對和聲記憶庫初始優化問題采取分布式策略予以解決。和聲記憶庫半程解計算要按照基礎分布式運算公式帶入，改變傳統的HS 算法計算策略，將反向學習策略與HMS 分解式做深入解析，以此保障各階段及節點和聲記憶庫使用有效性。

2.2.2 新和聲解析產生的改進

全局算法能力的提升，要避免算法陷入具備優解，在產生過程中，首先要注重對和聲記憶庫最優解問題的處理，對標準的HS 算法應用需做部分公式改進，新的和聲內容與記憶庫內容一半以上來源于最優解，所以不能夠在改進優化方面照搬原有公式內容，而是要采用新的公式，將MHS 作為最優解變量控制要素，從記憶庫中將最優解賦予信息的變量值，另外要注意HS 算法的改進流程必須與HS 標準算法流程相同，以免在改進流程方面出現不必要的誤差。

3.改進和聲搜索算法軟件可靠性模型參數評估

不同的技術條件下和聲搜索算法軟件可靠性參數評估數據內容差異較大，數據評估要符合實際的和聲記憶庫使用需求，從技術角度及函數計算角度出發，對不利的評估影響因素進行排除，采取平均值取值估算對可預見的模型應用可靠性問題做一定的實際改進，優化HS 算法應用模板，選擇多種數據參數逐一分析，結合軟法軟件應用參數數據提取內容不統一問題，使其能夠在和聲算法軟件使用方面達到效果最大化。

3.1 基礎算法計算流程

基礎算法流程模擬分為多個階段，不同階段的算法內容略有差異，在實際的計算方面，要選擇適宜的時間節點進行模擬運算，同時要注意對不同計算公式的帶入運用，并對模型均值函數曲線做出評估，如實際評估結果接近實測數據曲線，則保障目標函數構造的HS 算法軟件應用可靠性較高，若對比結果不同，則反之。時間階段是基礎算法模擬的關鍵內容，計算方面需針對軟件失效數的歐式距離作為參照，模型預測的大小直接表示數據精度，估值越低，則表示準確性越低，而估值高，則表示軟件軟法可用。HS 算法參數評估對變量的控制必須給出固定的參數值，并由HS 算法變量值域求解，最終的結果要與仿真模擬軟件參數一致。

3.2 仿真實驗技術應用

仿真實驗技術應用采用MatIab2013 模板進行計算，改進后的HS 算法將針對Musa 數據集指數做詳細計算，其中包括SYS1/SYS2 及CSR1等多組數據內容。實驗操作方面，HS 算法參數值通常取其基礎平均數，計算次數應保持在20 次以上，相關的平均值越小，模型應用可靠性越高，所以在技術運用條件也就越成熟，在軟件使用方面，可以滿足多種環境條件的下的和聲及調音等使用需求。如平均數值過大，則要考慮是否在計算中對出現數據計算錯誤或公式帶入不正確問題，從最初的初始值及初始解計算方面，相關的技術流程重新核準，通過獨立的數據計算，實現對模型可用性的全面性解析。

4.結語

綜上所述，和聲搜索算法算計的可靠性模型改進分析并不是單一的對基礎和聲模塊進行優化，而是將多組和聲計算模組做深入調整，使和聲的模塊化計算不僅停留在理論取值方面，在實際運用上亦可發揮良好的模擬效用，通過深度的實踐分析，對主要使用的特定算法做系統化或局部化改進，從而實現和聲模擬軟件及模型控制軟件算法的科學運用。