The music style classification technology can add style tags to music based on the content. When it comes to researching and implementing aspects like efficient organization, recruitment, and music resource recommendations, it is critical. Traditional music style classification methods use a wide range of acoustic characteristics. The design of characteristics necessitates musical knowledge and the characteristics of various classification tasks are not always consistent. The rapid development of neural networks and big data technology has provided a new way to better solve the problem of music-style classification. This paper proposes a novel method based on music extraction and deep neural networks to address the problem of low accuracy in traditional methods. The music style classification algorithm extracts two types of features as classification characteristics for music styles: timbre and melody features. Because the classification method based on a convolutional neural network ignores the audio’s timing. As a result, we proposed a music classification module based on the one-dimensional convolution of a recurring neuronal network, which we combined with single-dimensional convolution and a two-way, recurrent neural network. To better represent the music style properties, different weights are applied to the output. The GTZAN data set was also subjected to comparison and ablation experiments. The test results outperformed a number of other well-known methods, and the rating performance was competitive.

中文翻译：

---

基于音乐特征提取和深度神经网络的音乐风格分类算法

音乐风格分类技术可以根据内容为音乐添加风格标签。在研究和实施高效组织、招聘和音乐资源推荐等方面时，这一点至关重要。传统的音乐风格分类方法使用了广泛的声学特征。特征的设计需要音乐知识，各种分类任务的特征并不总是一致的。神经网络和大数据技术的快速发展为更好地解决音乐风格分类问题提供了新的途径。本文提出了一种基于音乐提取和深度神经网络的新方法，以解决传统方法准确率低的问题。音乐风格分类算法提取两类特征作为音乐风格的分类特征：音色和旋律特征。因为基于卷积神经网络的分类方法忽略了音频的时序。因此，我们提出了一种基于循环神经元网络的一维卷积的音乐分类模块，结合了单维卷积和双向循环神经网络。为了更好地表示音乐风格属性，对输出应用了不同的权重。GTZAN 数据集也进行了比较和消融实验。测试结果优于许多其他众所周知的方法，评级性能具有竞争力。因为基于卷积神经网络的分类方法忽略了音频的时序。因此，我们提出了一种基于循环神经元网络的一维卷积的音乐分类模块，结合了单维卷积和双向循环神经网络。为了更好地表示音乐风格属性，对输出应用了不同的权重。GTZAN 数据集也进行了比较和消融实验。测试结果优于许多其他众所周知的方法，评级性能具有竞争力。因为基于卷积神经网络的分类方法忽略了音频的时序。因此，我们提出了一种基于循环神经元网络的一维卷积的音乐分类模块，结合了单维卷积和双向循环神经网络。为了更好地表示音乐风格属性，对输出应用了不同的权重。GTZAN 数据集也进行了比较和消融实验。测试结果优于许多其他众所周知的方法，评级性能具有竞争力。我们将其与一维卷积和双向循环神经网络相结合。为了更好地表示音乐风格属性，对输出应用了不同的权重。GTZAN 数据集也进行了比较和消融实验。测试结果优于许多其他众所周知的方法，评级性能具有竞争力。我们将其与一维卷积和双向循环神经网络相结合。为了更好地表示音乐风格属性，对输出应用了不同的权重。GTZAN 数据集也进行了比较和消融实验。测试结果优于许多其他众所周知的方法，评级性能具有竞争力。