基于改进和声搜索算法的软件可靠性模型研究

汪顺和

（安徽广播电视大学 安徽 合肥 230022）

0.引言

现今，信息技术模拟软件应用的大规模推广，使其成为和声技术算法搜索运用的重要技术构成，对解决部分软件算法模拟效益不强及算法模拟准确性不高问题具有重要意义。为更好的适应多种和声搜索软件的使用环境，对算法指数及参数数据评估是改进和声搜索算法软件模型应用及提高其使用可靠性的有效途径。

1.改进和声搜索算法软件可靠性模型建立

改进和声搜索算法软件广泛运用于音乐演奏及数学运算等各个方面，依托GO 及MO 基础技术实现模型软件系统构建。现阶段所主要采用的模型种类多达100 种以上，但由于GO 模型技术及MO 模型技术运用条件适应性及可靠性较强，所以成为现阶段和声搜索软件运用的主要代表。和声所搜算法的改进需要建立在多种模型模板技术应用条件之上，虽部分模型建立应用可靠性不佳，但其基础上仍有优势，因此应汲取多种模型技术优势，对现有的可靠性模型和声搜索算法做深层次的改进与优化。算法方面MO 模型采用 μ（t）=a（1-e-bt）集成运算，GO 模型采用 μ（t）in（λ 0θt+1）／θ 公式进行带入。

2.和声及搜索算法软件应用可靠性分析

对和声搜索算法软件可靠性分析，其目的在于提高软件和声模拟效益，解决软件和声与实际和声测试结果不一致问题，保障软件和声的真实性与准确性。传统意义的算法应用实际问题较多，且兼容性较差，本文主要采用HS 算法计算进行分析，从而保障算法测试及模型可靠性分析的结果可用性。

2.1 标准和声搜索算法条件下的可靠性分析

标准的和声搜索算法主要采用HS 算法模拟实现对多种音乐内容的集合应用，在实际音乐创作方面，音调的调整必须符合演奏乐器音色，不同音色阶段所发出的音调高度及声调频率略有差异，为将乐器音调调整至最佳状态，需要在HS 算法应用基础上，将乐器的和声、声音效果组合值指数做细微调控，选取决策变量值及决策变量组成的解向量，对相关秒函数值做科学运算，根据运算结构，选用最佳的乐器调试方案。

2.1.1 初始算法及相关参数计算

初始算法计算参数由于N 个不同变量值组成，声音记忆库大小HMS 将决定不同变量的基础取值，同时在取值范围方面亦可有效限制，以免在算法选取方面，相关的音调调整出现整体音域不协调及音频不一致问题。决策变量的取值采用[Ui,Li]计算，和声记忆库需要考虑基础概率数据HMCR 构成，通过音调微调控制音律PAR，使音调微调的带宽能够与BW 数据算法的迭代次数N 保持对等，避免调试方面出现音调误差。

2.1.2 初始化和声记忆库构建

和声记忆库主要由多个发声单元组成，相关的声乐节点变化将直接影响初始化记忆库构建，所以要及时的对分量值界域内容进行控制，分量值主要有下界及上界两个部分构成，由于HMS 和声采用随机生成方案，在一倍或多倍声音节点信息输入方面，需要解决HM 优化处理问题，将和声记忆库中每个音调均按照固定公式进行合理运算，以便确保分量值指数稳定性，提高和声记忆库构建效益，保障多种乐器声色保持一致。

2.1.3 新和声的产生与环境融入性分析

单频段音调控制只是一种和声规则，不同规则条件下所需选取的所产生的声音环境融入性差别较大，为更好的适应新和声条件与和声环境，必须在初始化后，对HS 算法中写生采用多倍数控制，新和声中任意音调均应按照以下三个规则产生。首先是和声记忆库规则，即保障新和声及和声记忆库和声内容的互通性。其次是随机值域内的音调选择控制原则，该原则用于对后续阶段不同声段的控制。第三是微调和声管理原则，该原则用于保障新和声在不同条件下的声色传播优势。如在新和声音调调试方面，存在与和声记忆库内容相似性较高问题，则可采用PAR 的概率对音调内容做一定的微调，以提升新和声融入环境整体性。

2.1.4 和声记忆库更新及处理

随着和声种类的增加，不同和声处理条件下，和声的使用特点及优势共鸣点不同，需要采取和声控制处理方案，及时的对和声质量不佳的和声内容及和声音调进行更替，如新和声由于HM 数据基础音域值，则可对和声旧和声内容进行替换，若其在单倍数计算方面，音域指数相对较低，则无需进行HM 的数据库更新。当然必要时需要采用不同的和声处理方案，对和声数据做详细评估，以免单元和声内容差异对整体和声记忆库项目使用造成不良影响。

2.2 改进和声搜索算法条件下的可靠性分析

标准环境下的HS 算法应用虽满足和声所搜算法使用的基本需求，在技术条件上也具有一定的实际优势，但在后续阶段的使用过程中，音域收敛速度缓慢，实际处理效率不高，且存在具备优解性问题，由于HS 算法在多种和声搜索算法内综合性优势较强，所以需要对现有的HS 算法应用做出一定的分解改进，以便更好地运用HS 算法对和声搜索技术运用可靠性进行提升。

2.2.1 和声记忆库初始化的改进与优化

传统的HS 算法应用采用正函数计算模块延续，计算质量不足，和声记忆库的初始优化改进，必须对函数运用方向做出调整，采用方向学习策略实现对初始值数据收敛速度的提升，尤其是该方法在智能算法解空间初始化的运用，使其技术内容更为成熟，在提高初始解质量阶段，可有效针对和声记忆库初始优化问题采取分布式策略予以解决。和声记忆库半程解计算要按照基础分布式运算公式带入，改变传统的HS 算法计算策略，将反向学习策略与HMS 分解式做深入解析，以此保障各阶段及节点和声记忆库使用有效性。

2.2.2 新和声解析产生的改进

全局算法能力的提升，要避免算法陷入具备优解，在产生过程中，首先要注重对和声记忆库最优解问题的处理，对标准的HS 算法应用需做部分公式改进，新的和声内容与记忆库内容一半以上来源于最优解，所以不能够在改进优化方面照搬原有公式内容，而是要采用新的公式，将MHS 作为最优解变量控制要素，从记忆库中将最优解赋予信息的变量值，另外要注意HS 算法的改进流程必须与HS 标准算法流程相同，以免在改进流程方面出现不必要的误差。

3.改进和声搜索算法软件可靠性模型参数评估

不同的技术条件下和声搜索算法软件可靠性参数评估数据内容差异较大，数据评估要符合实际的和声记忆库使用需求，从技术角度及函数计算角度出发，对不利的评估影响因素进行排除，采取平均值取值估算对可预见的模型应用可靠性问题做一定的实际改进，优化HS 算法应用模板，选择多种数据参数逐一分析，结合软法软件应用参数数据提取内容不统一问题，使其能够在和声算法软件使用方面达到效果最大化。

3.1 基础算法计算流程

基础算法流程模拟分为多个阶段，不同阶段的算法内容略有差异，在实际的计算方面，要选择适宜的时间节点进行模拟运算，同时要注意对不同计算公式的带入运用，并对模型均值函数曲线做出评估，如实际评估结果接近实测数据曲线，则保障目标函数构造的HS 算法软件应用可靠性较高，若对比结果不同，则反之。时间阶段是基础算法模拟的关键内容，计算方面需针对软件失效数的欧式距离作为参照，模型预测的大小直接表示数据精度，估值越低，则表示准确性越低，而估值高，则表示软件软法可用。HS 算法参数评估对变量的控制必须给出固定的参数值，并由HS 算法变量值域求解，最终的结果要与仿真模拟软件参数一致。

3.2 仿真实验技术应用

仿真实验技术应用采用MatIab2013 模板进行计算，改进后的HS 算法将针对Musa 数据集指数做详细计算，其中包括SYS1/SYS2 及CSR1等多组数据内容。实验操作方面，HS 算法参数值通常取其基础平均数，计算次数应保持在20 次以上，相关的平均值越小，模型应用可靠性越高，所以在技术运用条件也就越成熟，在软件使用方面，可以满足多种环境条件的下的和声及调音等使用需求。如平均数值过大，则要考虑是否在计算中对出现数据计算错误或公式带入不正确问题，从最初的初始值及初始解计算方面，相关的技术流程重新核准，通过独立的数据计算，实现对模型可用性的全面性解析。

4.结语

综上所述，和声搜索算法算计的可靠性模型改进分析并不是单一的对基础和声模块进行优化，而是将多组和声计算模组做深入调整，使和声的模块化计算不仅停留在理论取值方面，在实际运用上亦可发挥良好的模拟效用，通过深度的实践分析，对主要使用的特定算法做系统化或局部化改进，从而实现和声模拟软件及模型控制软件算法的科学运用。