000			04173namaa22004451i 4500
003			OSt
005			20250303121434.0
008			250216s2024 |||a|||f m||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a610.28
092			_a610.28 _221
097			_aPh.D
099			_aCai01.13.03.Ph.D.2024.Da.R
100	0		_aDahlia Mohammad Ismail Omran, _epreparation.
245	1	0	_aRecognition ofsome arabic syllables sets using deep neural networks / _cby Dahlia Mohammad Ismail Omran ; Supervisors Prof. Ahmed Hisham Kandil, Prof. Ahmed Mohammed El-Bialy, Dr. Sherif Ahmed Sami.
246	1	5	_aالتعرف على بعض مجموعات المقاطع اللفظية العربية باستخدام الشبكات العصبية العميقة /
264		0	_c2024.
300			_a63 pages : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (Ph.D)-Cairo University, 2024.
504			_aBibliography: pages 59-63.
520			_aThis work focused on applying the Convolutional Neural Networks (CNN) to recognize some recitation rules of the Holy Quran, the Qalqalah rule which is applied to five letters of the Arabic Alphabet and it implies vibration of these letters when there is absence of vowels on them with Sukon, and Hams or Whisper rule which is applied to other ten letters of the Arabic alphabet and it implies breathing flow when pronouncing those letters. The used dataset consists of 4406 Quranic audios each of 500ms length which were extracted off continuous audio records for professional readers. Each sample represent one CVC, CVCC or CV:C Arabic syllables which contain one of Qalqalah or Hams sounds. The feature extraction technique used in the proposed system was the Mel Frequency Cepstral Coefficients (MFCC). Recognition process for Qalqalah achieved 93% accuracy while it achieved 91% for Hams rule.
520			_aركز هذا العمل على تطبيق الشبكات العصبية التلافيفية (CNN) للتعرف على بعض قواعد تلاوة القرآن الكريم، وقاعدة القلقلة المطبقة على خمسة حروف من الأبجدية العربية وتعني اهتزاز هذه الحروف في حالة السكون. أما قاعدة الهمس والتي تنطبق على الحروف العشرة الأخرى من الأبجدية العربية و التي تتضمن تدفق التنفس عند نطق تلك الحروف. و تتكون مجموعة البيانات المستخدمة من 4406 مقطع صوتي قرآني طول كل منها 500 مللي ثانية تم استخراجها من التسجيلات الصوتية المستمرة لأربعة من القراء المحترفين. تمثل كل عينة مقطعًا لفظيًا عربيًا واحدًا من CVC أو CVCC أو CV:C يحتوي على أحد أصوات القلقلة أو الهمس. كانت تقنية استخراج المعالم المستخدمة في النظام المقترح هي معاملات (MFCC). وحققت عملية التعرف باستخدام الشبكة العصبية التلافيفية للقلقلة على دقة 93%، بينما حققت 91% لحكم الهمس.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		7	_aBiomedical Engineering _2qrmak
653		0	_aConvolutional Neural Networks _aMFCC _aRecitation Rules _acharacteristics of Arabic letters _akeyword spotting
700	0		_aAhmed Hisham Kandil _ethesis advisor.
700	0		_aAhmed Mohammed El-Bialy _ethesis advisor.
700	0		_aSherif Ahmed Sami _ethesis advisor.
900			_b01-01-2024 _cAhmed Hisham Kandil _cAhmed Mohammed El-Bialy _cSherif Ahmed Sami _dTamer Yousef Basha _dMohamed Aly El Dosouky _UCairo University _FFaculty of Engineering _DDepartment of Biomedical Engineering and Systems
905			_aShimaa
905			_aEman _eRevisor
942			_2ddc _cTH _e21 _n0
999			_c170871