关于歌手唱功的评价而建立的数学模型(5/5)

从数学意义上来说，

参数ai和样本的翔实性有关，ai越多，考虑的作品数量越多，自然意味着最终得出的数据越有可信度。

参数bj和歌手水平的稳定性有关，bi的递减效果越快接近0，意味着越忽视稳定性。

参数ck和高强度作品的重视程度有关，ck之间的差距越大，意味着对高水平作品越重视。

（极端条件下，可以出现龚琳娜靠一首《小河淌水》秒杀多数歌手的结论）

参数dl和风格多样性有关，dl的递减效果越快接近0，意味着越忽视风格多样性。

现在参考现实中的歌手为例子。

如前面提到的王菲和杨钰莹的对比。

很显然，王可以取的dl远远多于杨，而她们的a1*b1*c1的数据差不多。

也就是说，

如果定义权重参数d2=0.9，d3=0.8，仅仅如此，就将会得出王的水平远高于杨的结论；（这是比较重视风格多样性的权重选择办法）

而如果定义权重参数d2=0.1，d3=0.01，那么，就将会得出王的水平和杨差不多的结论。（这是比较忽视风格多样性的权重选择办法）

注意，在尝试通过这个公式对两个歌手进行比较的时候，一定要使用统一的确定的参数。

这样，即使参数的选择上会让人觉得在拉偏架，但起码不会是玩双重标准。

你可以根据你自己对于的各个方面的倾向，对各个参数做出你认为合理的定义。

然后根据你自己对歌手不同作品的评分，或者依照我目前收录入数据库的作品的评分为基础，以你选定了参数后的明确公式，计算出一个歌手的唱功水平的总分。

注意，不同参数值计算出的总分没有比较意义，单一歌手的总分也无法判断高低。

只有在同一个确定的公式下，计算出的不同歌手的总分，进行比较，才有实际意义。

虽然对于普通人来说，这个公式还是有些烦琐，但至少只涉及加法和乘法，并不存在操作和理解上的困难。

最后，重申一点，音乐属于艺术，不可能准确量化，但在允许误差的前提下，以高精度标准作出的量化数据，其得到的结果，在低精度的环境里，是具有一定合理性和指导性的。