Published March 21, 2023
| Version v1
Publication
Open
The Recognition of Holy Qur'an Reciters Using the MFCCs' Technique and Deep Learning
- 1. Zarqa University
- 2. Jordan University of Science and Technology
Description
The Holy Qur'an has recently gained recognition in the field of speech-processing research. It is the central book of Islam, from which Muslims derive their religious teachings. The Qur'an is the primary source and highest authority for all Islamic beliefs and legislation. It is also one of the most widely memorized and recited texts around the world. Listening to and reciting the Qur'an is one of the most important daily practices for Muslims. In this study, we propose a deep learning model using convolutional neural networks (CNNs) and a dataset consisting of seven well-known reciters. We utilize mel frequency cepstral coefficients (MFCCs) to extract and evaluate information from audio sources. We compare our proposed model to different deep learning and machine learning methodologies. Our proposed model outperformed the competing models with an accuracy of 99.66%, compared to the support vector machine's accuracy of 99%.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
اكتسب القرآن الكريم مؤخرًا اعترافًا في مجال أبحاث معالجة الكلام. إنه الكتاب المركزي للإسلام، الذي يستمد منه المسلمون تعاليمهم الدينية. القرآن هو المصدر الأساسي وأعلى سلطة لجميع المعتقدات والتشريعات الإسلامية. كما أنها واحدة من أكثر النصوص التي يتم حفظها وتلاوتها على نطاق واسع في جميع أنحاء العالم. يعد الاستماع إلى القرآنوتلاوته أحد أهم الممارسات اليومية للمسلمين. في هذه الدراسة، نقترح نموذجًا للتعلم العميق باستخدام الشبكات العصبية الالتفافية (CNNs) ومجموعة بيانات تتكون من سبعة قراء معروفين. نحن نستخدم معاملات التردد الرأسي MEL (MFCCs) لاستخراج وتقييم المعلومات من مصادر الصوت. نقارن نموذجنا المقترح بمنهجيات التعلم العميق والتعلم الآلي المختلفة. تفوق نموذجنا المقترح على النماذج المنافسة بدقة بلغت 99.66 ٪، مقارنة بدقة آلة ناقلات الدعم البالغة 99 ٪.Translated Description (French)
Le Saint Coran a récemment acquis une reconnaissance dans le domaine de la recherche sur le traitement de la parole. C'est le livre central de l'islam, d'où les musulmans tirent leurs enseignements religieux. Le Coran est la source principale et la plus haute autorité pour toutes les croyances et législations islamiques. C'est aussi l'un des textes les plus mémorisés et récités dans le monde. Écouter et réciter le Coran est l'une des pratiques quotidiennes les plus importantes pour les musulmans. Dans cette étude, nous proposons un modèle d'apprentissage profond utilisant des réseaux de neurones convolutionnels (CNN) et un ensemble de données composé de sept récitants bien connus. Nous utilisons des coefficients cepstraux de fréquence mel (MFCC) pour extraire et évaluer les informations provenant de sources audio. Nous comparons notre modèle proposé à différentes méthodologies d'apprentissage profond et d'apprentissage automatique. Notre modèle proposé a surpassé les modèles concurrents avec une précision de 99,66 %, par rapport à la précision de la machine à vecteur de support de 99 %.Translated Description (Spanish)
El Sagrado Corán ha ganado recientemente reconocimiento en el campo de la investigación del procesamiento del habla. Es el libro central del Islam, del que los musulmanes derivan sus enseñanzas religiosas. El Corán es la fuente primaria y la máxima autoridad de todas las creencias y legislaciones islámicas. También es uno de los textos más memorizados y recitados en todo el mundo. Escuchar y recitar el Corán es una de las prácticas diarias más importantes para los musulmanes. En este estudio, proponemos un modelo de aprendizaje profundo utilizando redes neuronales convolucionales (CNN) y un conjunto de datos compuesto por siete recitadores bien conocidos. Utilizamos coeficientes cepstrales de frecuencia mel (MFCC) para extraer y evaluar información de fuentes de audio. Comparamos nuestro modelo propuesto con diferentes metodologías de aprendizaje profundo y aprendizaje automático. Nuestro modelo propuesto superó a los modelos de la competencia con una precisión del 99,66%, en comparación con la precisión de la máquina de vectores de soporte del 99%.Files
2642558.pdf.pdf
Files
(4.5 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:ecdd6026f225eb88e51f903bebb93002
|
4.5 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- التعرف على قراء القرآنالكريم باستخدام تقنية MFCCs والتعلم العميق
- Translated title (French)
- La reconnaissance des réciteurs du Saint Coran à l'aide de la technique et de l'apprentissage profond des MFCC
- Translated title (Spanish)
- El reconocimiento de los recitadores del SagradoCorán utilizando la técnica y el aprendizaje profundo de los MFCC
Identifiers
- Other
- https://openalex.org/W4328052376
- DOI
- 10.1155/2023/2642558
References
- https://openalex.org/W2097419036
- https://openalex.org/W2098928541
- https://openalex.org/W2122070629
- https://openalex.org/W2182232004
- https://openalex.org/W2191779130
- https://openalex.org/W2236036129
- https://openalex.org/W2275931168
- https://openalex.org/W2332486886
- https://openalex.org/W2512122741
- https://openalex.org/W2745795252
- https://openalex.org/W2765787228
- https://openalex.org/W2768978460
- https://openalex.org/W2778756730
- https://openalex.org/W2810662636
- https://openalex.org/W2810977304
- https://openalex.org/W2888981064
- https://openalex.org/W2898733141
- https://openalex.org/W2901595714
- https://openalex.org/W2911006511
- https://openalex.org/W2962751917
- https://openalex.org/W2967048323
- https://openalex.org/W2990406223
- https://openalex.org/W2990982140
- https://openalex.org/W3011270356
- https://openalex.org/W3047190796
- https://openalex.org/W3082451925
- https://openalex.org/W3111110868
- https://openalex.org/W3116159372
- https://openalex.org/W3119336346
- https://openalex.org/W3120701857
- https://openalex.org/W3183969544
- https://openalex.org/W3185931818
- https://openalex.org/W3193826779
- https://openalex.org/W322681775
- https://openalex.org/W4231115139
- https://openalex.org/W4285149727
- https://openalex.org/W4285272391
- https://openalex.org/W4287866759
- https://openalex.org/W4293472613
- https://openalex.org/W4307511304