1Contradictory Notions of Participation The Case of Development Induced Involuntary Resettlement1
150 Pages
English
Gain access to the library to view online
Learn more

1Contradictory Notions of Participation The Case of Development Induced Involuntary Resettlement1

-

Gain access to the library to view online
Learn more
150 Pages
English

Description

Niveau: Supérieur, Doctorat, Bac+8
1Contradictory Notions of Participation? The Case of Development-Induced Involuntary Resettlement1 Dolores Koenig, Anthropology, American University, Washington, DC, USA Development-induced involuntary resettlement (DIDR) is the forced displacement of people caused by programs and projects intended to promote national, regional, and local development. These programs include urban initiatives like slum clearance and renovation or the installation of infrastructure for water projects, roads, and rail as well as rural development efforts, including forestry projects, mining, and the creation of biosphere reserves and national parks. The most studied examples of DIDR are dam projects, which displace people from reservoir areas and disrupt populations downstream. It has been clear for a very long time that those displaced by these development initiatives rarely benefit from them; rather they are more often impoverished, as they lose economic, social, and cultural resources while the new benefits go to others. Some have called into question the very projects that cause this displacement, but because the initiatives often meet important goals of national or regional development, others have looked for ways to decrease the impoverishment of those displaced and improve their livelihoods. In this light, development agencies have created guidelines for DIDR, meant to mitigate negative impacts. The World Bank's guidelines, first adopted almost 25 years ago, have become the standard used to judge the adequacy of resettlement initiatives (Rew, Fisher, and Pandey 2000; Feeney 1998).

  • also should

  • projects

  • development-induced involuntary

  • involuntary resettlement

  • resettlement plan

  • process framework

  • areas

  • might include

  • policy


Subjects

Informations

Published by
Reads 36
Language English
Document size 1 MB

Exrait

%NVUEDELOBTENTIONDU
$?LIVR?PAR
Institut National Polytechnique de Toulouse (INP Toulouse)
Signal, Image, Acoustique et Optimisation
Lionel KOENIG
vendredi 28 janvier 2011
4ITRE
Masquage de pertes de paquets en voix sur IP
%COLEDOCTORALE
Mathématiques Informatique Télécommunications (MITT)
5NIT?DERECHERCHE
Institut de Recherche en Informatique de Toulouse (IRIT)
$IRECTEURSDE4H?SE
Corinne Mailhes
Régine André-Obrecht
2APPORTEURS
Régine Le Bouquin-Jeannès
Denis Jouvet
M EMBRESDUJURY :
Laurent Girin, Professeur des universités à l'INP Grenoble, Président
Denis Jouvet, Directeur de Recherche à l'INRIA Nancy, Rapporteur
Régine Le Bouquin-Jeannès, Professeur de l'Université de Rennes 1, Rappoteur
Corinne Mailhes, Professeur des universités à l'INP Toulouse, Directrice de thèse
Régine André-Obrecht, de l'Université de Toulouse 3, co-Directrice de thèse
Niels Nielsen, Ingénieur à la société Intel Corporation à Toulouse, Examinateur
0R?SENT?EETSOUTENUEPAR%&506-064&%0$503"5%&-6/*7&34*5?LE-6/*7&34*5?$ISCIPLINEOUSP?CIALIT?%0$503"5%&%&506-064&Table des mati`eres
1 Introduction 1
1.1 Syst`eme de t´el´ephonie . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Le signal de parole . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Propri´et´es du signal de parole . . . . . . . . . . . . . . 5
1.2.2 Diff´erents mod`eles du signal de parole. . . . . . . . . . 10
1.3 Cadre de recherche . . . . . . . . . . . . . . . . . . . . . . . . 11
2 Panorama des m´ethodes de PLC 13
2.1 R´eplication de formes d’ondes . . . . . . . . . . . . . . . . . . 14
2.1.1 G711 Annexe 1 . . . . . . . . . . . . . . . . . . . . . . 14
2.1.2 Estimation du signal par interpolation lin´eaire . . . . . 16
2.2 Utilisation de mod`eles de parole . . . . . . . . . . . . . . . . . 16
2.2.1 Syst`eme de Gunduzhan et al. . . . . . . . . . . . . . . 17
2.2.2 Utilisation des mod`eles harmoniques plus bruit . . . . 18
2.3 Utilisation de mod`eles de Markov cach´es . . . . . . . . . . . . 18
2.3.1 Rappels et notations . . . . . . . . . . . . . . . . . . . 19
2.3.2 Principe g´en´eral . . . . . . . . . . . . . . . . . . . . . . 19
2.3.3 Utilisation de la d´eriv´ee des observations . . . . . . . . 22
2.3.4 Lois auxiliaires . . . . . . . . . . . . . . . . . . . . . . 22
2.3.5 Impl´ementations . . . . . . . . . . . . . . . . . . . . . 23
2.4 Propositions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
i3 Corpora 27
3.1 BREF80 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2 BREF80BE bande ´etroite . . . . . . . . . . . . . . . . . . . . 28
3.3 OGI MultiLingual Telephonic Speech . . . . . . . . . . . . . . 29
3.4 Utilisation des diff´erents corpora . . . . . . . . . . . . . . . . . 30
4 Pourcentage de voisement 33
´4.1 Etat de l’art du“degr´e de voisement” . . . . . . . . . . . . . . 35
4.1.1 Fonctions aux diff´erences . . . . . . . . . . . . . . . . . 35
4.1.2 Corr´elation temporelle . . . . . . . . . . . . . . . . . . 36
4.1.3 Corr´elation mixte . . . . . . . . . . . . . . . . . . . . . 36
4.2 D´efinition du pourcentage de voisement . . . . . . . . . . . . . 40
4.2.1 Estimation du pourcentage de voisement . . . . . . . . 40
4.2.2 D´etails de l’algorithme . . . . . . . . . . . . . . . . . . 41
4.3 Protocole d’´evaluation . . . . . . . . . . . . . . . . . . . . . . 44
4.3.1 Segmentation vois´ee/non-vois´ee . . . . . . . . . . . . . 44
4.3.2 D´ecodeur acoustico-phon´etique . . . . . . . . . . . . . 48
4.4 R´esultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.4.1 Segmentation vois´ee/non-vois´ee . . . . . . . . . . . . . 49
4.4.2 D´ecodeur acoustico-phon´etique . . . . . . . . . . . . . 53
4.4.3 Discussions . . . . . . . . . . . . . . . . . . . . . . . . 53
5 Mod´elisation et estimation 55
5.1 Nature du vecteur d’observation . . . . . . . . . . . . . . . . . 56
5.2 Topologie et apprentissage des MMC . . . . . . . . . . . . . . 58
5.2.1 Approche supervis´ee . . . . . . . . . . . . . . . . . . . 59
5.2.2 Approche non-supervis´ee . . . . . . . . . . . . . . . . . 64
5.2.3 Comparaison des mod`eles . . . . . . . . . . . . . . . . 67
5.3 Estimation sur le meilleur chemin . . . . . . . . . . . . . . . . 75
5.3.1 Rappel des notations . . . . . . . . . . . . . . . . . . . 75
5.3.2 Algorithme de Viterbi lors de pertes de paquets . . . . 76
5.3.3 Estimation des observations manquantes . . . . . . . . 78
ii5.3.4 Algorithme de Viterbi modifi´e . . . . . . . . . . . . . . 79
6 Syst`eme de masquage de pertes 83
6.1 Contexte applicatif . . . . . . . . . . . . . . . . . . . . . . . . 84
6.2 Architecture du syst`eme . . . . . . . . . . . . . . . . . . . . . 86
6.2.1 Misea`jourdesparam`etresdumod`eleacoustique(MMC) 87
6.2.2 Estimation ou pr´ediction de la trame manquante . . . 88
6.2.3 Synth`ese de parole . . . . . . . . . . . . . . . . . . . . 89
´6.3 Evaluations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6.3.1 Protocole exp´erimental . . . . . . . . . . . . . . . . . . 93
6.3.2 R´esultats . . . . . . . . . . . . . . . . . . . . . . . . . 96
6.3.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . 104
7 Conclusions et perspectives 107
7.1 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
7.2 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
A D´eveloppement des calculs de Rødbro 111
B R´esultats compl´ementaires 115
B.1 Erreur d’estimation . . . . . . . . . . . . . . . . . . . . . . . . 115
B.2 PESQ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
C Mod`ele de pertes de paquets de Gilbert-Elliott 119
iiiivRemerciements
Ce travail est le fruit d’une collaboration entre la soci´et´e Freescale Semi-
conducteur qui m’a employ´e et l’Institut de Recherche en Informatique de
Toulouse.
Tout d’abord je tiens `a remercier les rapporteurs de mon travail qui ont,
a` partir d’un document plutotˆ succinct, fait des remarques pertinentes dont
j’esp`ere avoir tenu compte dans la version finale de ce document. Je remer-
cie les membres du jury pour leurs remarques ou questions qui permettent
d’approfondir ma r´eflexion.
Mesdirectricesdeth`eses,R´egineAndre-ObrechtetCorinneMailhes,ainsi
que les responsables Freescale, Serge Fabre, Robert Krutsh, Niels Nielsen et
Ioanita Mircea.
Une mention sp´eciale pour Elsa, mon amie, sans qui je ne serai pas arriv´e
jusqu’ici.Ellet´emoigneraquelesann´eesdeth`eses,desurcroˆıtcombin´eesavec
une formation de musicienne intervenante brillamment r´eussie, ne sont pas
toujours roses. Merci.
Merciauxcourageuseschasseusesdefautesdefran¸cais:Marie,Ghislaine,
encore Corinne, a` nouveau R´egine, Sylvie.
Merci a mes coll`egue de l’IRIT, Herv´e, H´el`ene, Maxime, Julien J´eromˆ e,
Ioannis, Reda, Christine, Patrick, Philippe, pour leurs bonnes et mauvaises
humeurs.
Un grand merci ´egalement a` ma famille qui m’a soutenu tout au long de
vcette aventure, a r´ealis´e le pot.
Merci `a l’ex-´equipe audio de Freescale, Sylvain, Hans, Herv´e, C´eline, Au-
r´elien, C´edric, Guillaume. J’ai ´egalement une petite pens´ee pour Sylvette du
service des ressources humaines.
Mes amis, musiciens ou non, ont ´egalement indirectement contribu´e `a
cette aventure. Je pense particuli`erement a` Adeline, le CA de l’EIA, Gilles.
viNotations
Symbole Description
t Le temps continu. Abusivement le temps dis-
cret.
N Nombre d’´echantillons dans une trame d’ana-
lyse.
ex(n) n ´echantillon.
f Fr´equence d’´echantillonnage.s
f˜ ˜f Fr´ normalis´ee. f = ou` f est la fr´e-
fs
quence en Hz.
P Probabilit´e.
τ Instant de la premi`ere trame perdue.
L Nombre de trames perdues.
J Nombre de trames futures disponibles.
D Dimension du vecteur d’observation.
φ Vecteur d’observation de la trame audio d’in-t
dice t.
t2φ s´equence des vecteurs d’observationt1
φ ,··· ,φ .t t1 2
ψ Vecteur associ´e a` la g´en´eration de la tramet
audio d’indice t.
Q Nombre d’´etats du mod`ele de Markov cach´e.
viiq Variable al´eatoire repr´esentant le num´ero det
l’´etat a` l’instant t.
A = (a ) 2 Matrice de transition du mod`ele de Markovi,j i,j∈J1,QK
cach´e.
a = P(q =j|q =i) La probabilit´e de passer de l’´etat i `a l’´etat j.i,j t t−1
b Densit´e de probabilit´e d’observation de l’´etati
i.
b (φ ) = P(φ|q =i).i tt t
α (i) Probabilit´e d’avoir la s´equence d’observationst
tφ et d’ˆetre dans l’´etat i `a l’instant t.1

t
α (i) = P φ ,q =it t1

α = [α (1)···α (Q)] .t t t
β (i) Probabilit´e d’avoir la s´equence d’observationst
τ+L+J−1φ sachant que l’on est dans l’´etat i `at+1
l’instant t.

τ+L+J−1
β (i) = P φ |q =it tt+1
†β = [β (1)···β (Q)] .t tt
Les vecteurs et matrices sont not´es en majuscule et en gras. Leurs coor-
donn´ees sont not´ees en minuscule. AinsiA est une matrice alors que a estij
e el’´el´ementdelai ligneetlaj colonne.Lessuitesd’´el´ementsu poursvariants
j j †de i `a j sont not´ees {u} et u quand la confusion n’est pas possible.A esti i
la matrice transpos´ee deA. det(A) est le d´eterminant de la matriceA.
On notera x ∼ N le fait que la variable al´eatoire x suit la loi N. De
plus, la loi normale de moyenneμ et de matrice de covariance Σ sera not´ee
N (μ,Σ).
viii