সর্বাধিক সফল সিস্টেমটি সম্ভবত বেশ কয়েকটি কৌশল একত্রিত করবে। আমি সন্দেহ করি যে আপনি এমন একটি কৌশল খুঁজে পাবেন যা সুর, সুরেলা, তাল এবং বাস সিকোয়েন্স প্রজন্মের সমস্ত গানের জুড়ে ভাল কাজ করে।
উদাহরণস্বরূপ, মার্কভ চেইনগুলি সুর ও সুরেলা ক্রম জেনারেশনের জন্য ভাল। এই পদ্ধতিতে চেইন ট্রানজিশন সম্ভাবনা তৈরি করতে বিদ্যমান গানের বিশ্লেষণ প্রয়োজন। মার্কভ চেইনের আসল সৌন্দর্য হ'ল রাজ্যগুলি আপনি যা চান তা হতে পারে।
- মেলোডি জেনারেশনের জন্য, কী-আপেক্ষিক নোট নম্বরগুলি ব্যবহার করে দেখুন (উদাহরণস্বরূপ যদি কীটি সি ছোট হয়, সি 0 হবে, ডি হবে 1 হবে, ডি # হবে 2 এবং আরও)
- সম্প্রীতি জেনারেশনের জন্য, জাকারের মূল, কর্ডের ধরণের (প্রধান, গৌণ, হ্রাসকৃত, বর্ধিত ইত্যাদি) এবং কর্ডের বিপরীতকরণের জন্য মূল-আপেক্ষিক নোট সংখ্যার সংমিশ্রণ চেষ্টা করুন (মূল, প্রথম বা দ্বিতীয়)
নিউরাল নেটওয়ার্কগুলি সময়ের ধারাবাহিক পূর্বাভাস (পূর্বাভাস) এর সাথে উপযুক্ত , যার অর্থ বিদ্যমান জনপ্রিয় সুরগুলি / সুরেলা বাছাইয়ের বিরুদ্ধে প্রশিক্ষিত হলে তারা একটি সংগীত অনুক্রমের 'পূর্বাভাস' দেওয়ার জন্য সমানভাবে উপযুক্ত। শেষ ফলাফল মার্কভ চেইন পদ্ধতির সাথে সমান হবে। আমি মেমোরির পদচিহ্ন হ্রাস করা ছাড়াও মার্কোভ চেইন পদ্ধতির চেয়ে কোনও উপকারের কথা ভাবতে পারি না।
পিচ ছাড়াও আপনার উত্পন্ন নোট বা তীরগুলির ছন্দ নির্ধারণের জন্য সময়কাল প্রয়োজন হবে। আপনি এই তথ্যটি মার্কভ চেইন রাজ্যগুলিতে বা নিউরাল নেটওয়ার্ক আউটপুটগুলিতে অন্তর্ভুক্ত করার জন্য চয়ন করতে পারেন, বা আপনি এটি আলাদাভাবে উত্পন্ন করতে পারেন এবং স্বাধীন পিচ এবং সময়কাল ক্রমগুলি একত্রিত করতে পারেন।
জেনেটিক অ্যালগরিদমগুলি ছন্দ বিভাগগুলি বিকশিত করতে ব্যবহৃত হতে পারে। একটি সাধারণ মডেল একটি বাইনারি ক্রোমোজোম ব্যবহার করতে পারে যার মধ্যে প্রথম 32 বিট একটি কিক ড্রামের ধরণকে উপস্থাপন করে, দ্বিতীয় 32 বিট একটি ফাঁদ, তৃতীয় 32 বিট একটি বদ্ধ হাই টুপি ইত্যাদি। এই ক্ষেত্রে ক্ষতির দিকটি হ'ল নতুন বিকশিত নিদর্শনগুলির ফিটনেস মূল্যায়নের জন্য তাদের ক্রমাগত মানব প্রতিক্রিয়া প্রয়োজন।
অন্যান্য প্রযুক্তি দ্বারা উত্পাদিত ক্রমগুলি যাচাই করতে একটি বিশেষজ্ঞ সিস্টেম ব্যবহার করা যেতে পারে। যেমন একটি বৈধতা সিস্টেমের জ্ঞান বেস সম্ভবত কোনও ভাল সঙ্গীত তত্ত্ব বই বা ওয়েবসাইট থেকে উত্তোলন করা যেতে পারে। রিচি অ্যাডামস 'করার চেষ্টা করুন musictheory.net ।