所以，从可操作性和实际性出发，我们设定一些参数和假设。
1，每一个细化的音乐风格，定义一个宽度1。
例如，我们定义重金属摇滚为一个音乐风格，它的宽度是1；而度娘百科上说摇滚的细化类别有158个，这里我偷懒就不考证数据的真伪了。那么，摇滚这个大类的宽度就是158。同理，其他大类的音乐风格，也可以细化为多种不同的小类别，而每一个小类别的宽度，同样定义为1。
2，每一个细化风格里，歌手只取强度最高的a首作品，按强度由高到低依次记为ai，1≤i（a是参数，可以根据不同的判断目的和侧重而改变）
3，每一个细化风格里，每一个ai对应一个权重为bj，这里i为自然数，1《j《a，1=b1〉b2〉b3〉……〉ba。（bj是参数，可以根据不同的判断目的和侧重而改变）
4，每一个强度分数定义一个权重ck，其中，1≤k≤10，0〈ck〈∞，高分权重必然大于低分权重。（ck是参数，可以根据不同的判断目的和侧重而改变）例如，10分的权重为c10，9.5分的权重为c9.5，9分的权重为c9……
5，定义最高强度作品所在的风格类别为d1，这个风格类别之外的所有作品中，最高强度作品所在的风格类别为d2，以此类推，直到定义完一个歌手演唱过的所有风格类别。也许只有d1，也许会列到d10，甚至d20，甚至更多。1=d1〉d2〉d3〉d4……〉0，在公式中记为dl（dl是参数，可以根据不同的判断目的和侧重而改变）
按以上参数，可以建立一个计算公式。（各参数的选择范围参考上面的定义）
一个歌手的唱功水平=∑（∑ai*bj*ck）*dl
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。
喜欢漫步歌神路请大家收藏：(m.x33yq.org)漫步歌神路33言情更新速度全网最快。