Avances en Ciencias e Ingeniería Diciembre 2014

EN CIENCIAS E INGENIERASAVANCES

Director EditorialCesar Zambrano, Ph.D.

Decano de la Escuela de Ciencias - Colegio de Ciencias e Ingeniera

EditorDiego F. Cisneros-Heredia, Ph.D.(c)

Coordinador de Biologa

Produccin y DistribucinF. Javier Torres, Ph.D.

Director de ProduccinFabin Luzuriaga y Julio Ibarra, M.Sc.

Distribucin

Editores AsociadosEric E. Dueno, Ph.D. Bainbridge CollegeJohn G. Blake, Ph.D. University of Florida

Bette A. Loiselle, Ph.D. University of FloridaTheolos Toulkeridis, Ph.D. Escuela Politcnica del Ejrcito

Cesar Costa, Ph.D. Escuela Politcnica NacionalMarcelo Albuja, M.Sc. Escuela Politcnica NacionalRobert Cazar, M.Sc. Escuela Superior Politcnica del Chimborazo

Carlos Ventura, Ph.D., P.E., P.Eng. The University of British Columbia

Diseo e ImpresinG&R, Universidad San Francisco de Quito

Web MasterJaime Pez

Avances en Ciencias e Ingenieras es una publicacin cientca y multidisciplinaria que publicatrabajos originales producidos por investigadores de cualquier institucin o pas que deseen reportarresultados de alta calidad y relevancia en todas las reas de las ciencias y las ingenieras, incluyendotrabajos en la interfase de varias disciplinas. Avances en Ciencias e Ingenieras tiene como propsito di-vulgar trabajos de investigacin de importancia dirigidos a la comunidad cientca local e internacional.

JOTA

JOTA

Gua para autoresTodos los manuscritos deben cumplir los lineamientos mnimos de esta gua, caso contrario sern devueltos a los autores para sucorreccin. Se recibirn manuscritos en formatos de Microsoft Word, OpenOfce Writer y LaTeX. No se aceptarn manuscritosenviados en formato PDF. Si est interesado en enviar su manuscrito en LaTeX, por favor comunquese con el Comit Editorial dela revista para recibir el archivo de estilo. Los manuscritos con ms de 2000 palabras sern considerados como Artculos y debentener: (a) Ttulo, nombres de los autores, aliacin institucional y direcciones postales; (b) Resumen y Abstract; (c) Introduccin; (d)Metodologa; (e) Resultados y Discusin; (f) Agradecimientos; (g) Referencias bibliogrcas; (h) Leyendas de guras y tablas. Losmanuscritos con menos de 2000 palabras sern considerados Comunicaciones Breves y deben tener: (a) Ttulo, nombres de los autores,aliacin institucional y direcciones postales; (b) Resumen y Abstract; (c) Texto sin divisiones adicionales (d) Agradecimientos;(e) Referencias bibliogrcas; (f) Leyendas de guras y tablas. Las guras no deben incluirse en el archivo del manuscrito. El textoy las tablas van en un mismo archivo, mientras que las guras sern enviadas en archivos separados. Si las guras o tablas han sidopreviamente usadas, es responsabilidad del autor el obtener el permiso necesario.Formato del Manuscrito

El manuscrito deber ser escrito usando un tipo de letra Times New Roman con un tamao de letra de 11 puntos y a espacio seguido.Los mrgenes deben ser de 30 mm a la izquierda y 15 mm a la derecha.

El ttulo debe ser conciso y directo, indicando los elementos claves. Debe ser escrito con un tamao de letra de 12 puntos, ennegrillas, centrado y slo la primera palabra debe ser mayscula.La aliacin completa de cada investigador debe ir asociada con su nombre por medio de superndices y colocarse separada por una

lnea debajo de los nombres con un tamao de letra de 10 puntos. El autor para correspondencia debe ir claramente identicado por unasterisco y se debe incluir su correo electrnico.

Todo artculo deber incluir como mnimo un resumen detallado en espaol y un abstract detallado en ingls. Cada uno ser redactadoen un prrafo continuo y no debe superar las 300 palabras.

La introduccin debe ser concisa y detallada, revisando literatura relevante y actual, y presentando antecedentes del estudio, datossobre su importancia, justicacin y objetivos.La primera vez que una especie de ser vivo sea mencionada, debe siempre ir primero su nombre cientco (en cursiva), luego del cual

se puede mencionar el nombre comn (con formato de nombre propio).Las referencias en el texto deben ir numeradas secuencialmente y se colocarn al nal de la oracin correspondiente dentro de un

corchete, ejemplos: [10], [10,15,22], [12-20]Las abreviaciones debern usarse lo menos posible y no debern permitir ambigedad alguna. El signicado de todas las

abreviaciones deber ser indicado la primera vez que se use la abreviacin.Las tablas y guras debern estar citadas con nmeros arbigos en el orden que aparezcan en el texto; ejemplos: Tabla 1; Tablas 1-3;

Figura 1; Figuras 1,4; Figuras 1-3Cada tabla o gura debe tener su propia leyenda explicativa, la cual debe ser corta y comprensible sin hacer referencia al texto y ser

colocada debajo de la tabla o gura respectiva.La lista de referencias debe titularse: Referencias Bibliogrcas; y debe ordenarse de acuerdo al orden de aparicin en el texto del

manuscrito y su formato seguir los ejemplos detallados en:http://www.usfq.edu.ec/publicaciones/revistas/avances/Instrucciones para FigurasLas guras deben ser enviadas en alta resolucin. Las fotografas en blanco y negro, fotografas a color y mapas y grcos realizadosen programas basados en raster (e.g. Photoshop, Gimp) deben ser enviadas en formato *.tiff de 1000 pixeles.Envio del ManuscritoLos manuscritos deben ser enviados al Editor, Cesar Zambrano, va correo electrnico a la direccin: [email protected]. Al enviarel manuscrito, los autores deben conrmar en su mensaje de envo que el manuscrito no ha sido publicado o sometido para publicacinen otro sitio y que todos los autores han participado en el desarrollo del manuscrito, lo han ledo y estn de acuerdo con su envo.Revisin del ManuscritoLos manuscritos sern manejados por el Co-Editor y los Editores Asociados, quienes enviarn el manuscrito para evaluacin por partede revisores externos reconocidos (nacionales e internacionales) en cada rea. Los autores del artculo pueden sugerir tres revisoresapropiados (no ligados directamente al desarrollo del estudio reportado). Los principales criterios para la aceptacin son originalidad,rigor cientco, contexto, relevancia y seguimiento del estilo y formato requerido para la revista. Nuestro objetivo es indicar a losautores la decisin tomada en un tiempo mximo de ocho semanas luego del envo.Pruebas de Imprenta y Publicacin del ManuscritoLas pruebas de imprenta sern enviadas al autor para correspondencia como un archivo PDF. Las pruebas revisadas y corregidas debenser enviadas al Editor dentro de 15 das hbiles luego de su recepcin. El autor para correspondencia recibir va correo electrnico unarchivo PDF en alta denicin de su artculo y 1 revista impresa para cada co-autor, entregada va correo postal.

Avances en Ciencias e Ingenieras ISSN 1390-5384Publicacin semestral (Junio y Diciembre) de la Universidad San Francisco de Quito

Diego de Robles y Va Interocenica, Quito, Ecuador.Telf. Ed. +593 2 297 1700 Ext. 1451 FAX +593 2 289 0070.

Email Comit Editorial: [email protected]://avances.usfq.edu.ec

SECCIN A: CIENCIAS EXACTAS

A1A6Implementing a convolution neural network for recognizing poses in images of faces / Implementacin de unared neuronal de convolucin para el reconocimiento de poses en imgenes de rostrosP. Mndez, J. Ibarra

Avances en Ciencias e Ingenieras, 2014, Vol. 6, No. 2, Pags. A1-A6

A7A18A model of allocation, negotiation and redistribution of resources, based on intelligent agents / Un modelo deasignacin, negociacin y redistribucin de recursos, basado en agentes inteligentesE. Vliz Quintero, C. Jimnez Mosquera


A19A30Quantitative Structure-Activity Relationship study for pesticides by means of classication techniques /Estudio de la Relacin Cuantitativa Estructura-Actividad de pesticidas mediante tcnicas de clasicacinF. Crdenas, P. Tripaldi, C. Rojas


SECCIN B: CIENCIAS BIOLGICAS Y AMBIENTALES

B1B6Epidemiological prole of Chagas disease in Southern coastal Ecuador: pilot study of the Trypanosoma cruziinfection in the vector Triatoma dimidiata / Perl epidemiolgico de la enfermedad de Chagas en la costa surdel Ecuador: estudio piloto de la infeccin de Trypanosoma cruzi en el vector Triatoma dimidiataB. Mantilla, M. S. Lascano, F. Jimenez, L. Quinde, M. Espinosa, A. Guevara, R. Len

Avances en Ciencias e Ingenieras, 2014, Vol. 6, No. 2, Pag. B1B6

B7B9Description of the nest, eggs and chicks Frigilo Pechicinereo Phrygilus plebejus (Aves: Emberizidae) in theprovince of Pichincha, Ecuador / Descripcin del nido, huevos y polluelos del Frigilo Pechicinreo Phrygilusplebejus (Aves: Emberizidae) de la provincia de Pichincha, EcuadorG. M. Pozo-Zamora

Avances en Ciencias e Ingenieras, 2014, Vol. 6, No. 2, Pags. B7-B9

B10B12Description of the nest of Hylaeamys yunganus (Rodentia: Cricetidae) in the Andes of southeastern Ecuador /Descripcin del nido de Hylaeamys yunganus (Rodentia: Cricetidae) de los Andes del sureste de EcuadorJ. Brito M., H. Orellana V., G. Tenecota


B13B16Vocalizations of the mice Reithrodontomys soderstromi and Thomasomys paramorum (Rodentia: Cricetidae) inthe province of Carchi, Ecuador / Vocalizaciones de los ratones Reithrodontomys soderstromi y Thomasomysparamorum (Rodentia: Cricetidae) de la provincia de Carchi, EcuadorJ. Brito M., D. Batallas R.


B17B18Expansion of Brycon dentex (Characiformes: Characidae) and Hamuelopsis elongatus (Perciformes: Heamuli-dae) distribution in Ecuador / Ampliacin de la distribucin de Brycon dentex (Characiformes: Characidae) yHamuelopsis elongatus (Perciformes: Heamulidae) en EcuadorJ. Valdiviezo Rivera


B19B24Short review and detection of Leishmania parasites in skin biopsies from patients coming from Echeanda,Bolvar Province, Ecuador / Breve resea y deteccin de parsitos Leishmania en biopsias de piel de pacientesprocedentes de Echeanda, provincia de Bolvar, EcuadorR. Len, C. Erkelenz, C. Reck, R. Tern


B25B31Identication of Diptera nematoceran of medical interest in areas surrounding the construction of the RepresaHidroelctrica Toachi-Pilatn / Identicacin de Dpteros Nematceros de inters mdico en zonas aledaas ala construccin de la Represa Hidroelctrica Toachi-PilatnR. Len, L. Ortega, M. Gualapuro, F. Morales, M. I. Rojas


B32B37Preliminary study of land snails in San Cristobal Island, Galapagos / Estudio preliminar de caracoles terrestresen la Isla San Cristbal, GalpagosI. Villarruel Oviedo, S. de la Torre


B38B50Rare birds in Ecuador: Second annual report of the Committee for Ecuadorian Records in Ornithology (CERO)/ Aves exticas en Ecuador: Segundo informe anual del Comit Ecuatoriano de Registros Ornitolgicos (CERO)J. Nilsson, J. F. Freile, R. Ahlman, D. M. Brinkhuizen, P. J. Greeneld, A. Solano-Ugalde


B51B62Three new species of terrestrial frogs Pritimantis (Anura: Craugastoridae) from the upper basin of the PastazaRiver, Ecuador / Tres nuevas especies de ranas terrestres Pristimantis (Anura: Craugastoridae) de la cuencaalta del Ro Pastaza, EcuadorJ. P. Reyes-Puig, C. Reyes-Puig, S. R. Rmirez-Jaramillo, M. B. Prez L., M. H. Ynez-Muoz


B63B77

Terrestrial frogs of the Southeastern Andes of Ecuador II: A new specie of spiny green Pristimantis of montaneforests of Sangay National Park (Anura: Craugastoridae) / Ranas terrestres de los Andes Surorientales deEcuador II: Una nueva especie de Pristimantis verde espinosa de los bosques montanos del Parque NacionalSangay (Anura: Craugastoridae)M. H. Ynez-Muoz, P. Bejarano-Muoz, J. Brito M., D. Batallas R.


SECCIN C: INGENIERAS

C1C8Motion control of a robotic arm from a computer using free control software and wireless communication withXBEE modules / Control de los movimientos de un brazo robtico desde un computador utilizando softwarelibre de control y comunicacin inalmbrica con mdulos XBEEC. Vlez, F. Orosco, M. A. lvarez

Avances en Ciencias e Ingenieras, 2014, Vol. 6, No. 2, Pags. C1-C8

C9C14A new system to detect distraction and drowsiness using time of ight technology for intelligent vehicles / Unnuevo sistema para detectar la distraccin y la somnolencia utilizando el tiempo de tecnologa de vuelo paravehculos inteligentesM. Flores Calero, F. A. Guevara, O. S. Valencia


C15C20Design and Construction of Small Power Boost Converter with Educational and Research Purposes / Diseo yConstruccin de un Convertidor Boost de Pequea Potencia, con Propsitos Educativos y de InvestigacinL. A. DAlessio, L. G. Gonzlez, R. O. Cceres


C21C30

Atmospheric measurement station at Universidad San Francisco de Quito (EMA): ground-based physicalmeteorology instrumentation and assessment of initial measurements / Estacin de mediciones atmosfricas enla Universidad San Francisco de Quito (EMA): instrumentacin de meteorologa fsica de la estacin terrena yevaluacin de mediciones inicialesM. Cazorla, E. Tamayo


C31C39Anaerobic digestion of fruit and vegetable waste in semi-continuous reactors from a municipal market inTumbaco, Ecuador / Digestin anaerbica de desechos de frutas y hortalizas en reactores semicontinuos de unmercado municipal en Tumbaco, EcuadorP. Castelo, R. Peael, V. Ochoa-Herrera


C40C45Characterization the average daily intensity and the vehicular trafc proles in Distrito Metropolitano deQuito / Caracterizacin de la intensidad media diaria y de los perles horarios del trco vehicular del DistritoMetropolitano de QuitoD. Vega, R. Parra


C46C62Hydrogen Economy in Ecuador: opportunities and barriers / La Economa del Hidrgeno en el Ecuador:oportunidades y barrerasF. Posso Rivera, J. Snchez Quezada


C63C71Development of computational meshes to implement the model ADCIRC (Advance Three Dimensional Circu-lation Model) in the Galapagos Archipelago / Elaboracin de mallas computacionales para la implementacindel Modelo ADCIRC (Advance Three Dimensional Circulation Model) en el Archipilago de GalpagosD. E. Gaona, J. Portilla


ARTCULO/ARTICLE SECCIN/SECTION AEN CIENCIAS E INGENIERASAVANCES

Implementing a convolution neural network for recognizing poses in images of facesImplementacin de una red neuronal de convolucin para el reconocimiento de poses en

imgenes de rostrosPaul Mndez1, Julio Ibarra1

1Universidad San Francisco de Quito. Colegio de Ciencias e Ingenieras - Departamento de Matemticas.Diego de Robles y Va Interocenica, Cumbay.

Autor principal/Corresponding author, e-mail: [email protected]

Editado por/Edited by: Cesar Zambrano, Ph.D.Recibido/Received: 14/03/2014. Aceptado/Accepted: 25/08/2014.

Publicado en lnea/Published on Web: 19/12/2014. Impreso/Printed: 19/12/2014.

AbstractConvolutional neural networks belong to a set of techniques grouped under deep learning,a branch of machine learning, which has proven successful in recent years in image andvoice recording recognition tasks. This paper explores the use of deep convolutional neuralnetworks in the recognition of horizontal poses outside the plane. We propose a convolutio-nal neural network architecture based on OpenCV open source libraries for classicationof images of human faces within seven default poses. We present in details the optimizeddesign of our architecture and our learning strategy.The classier trained on a set of 2600 images of sizes: 3333, 4141, 6565 y 8181,achive an recognition rate of 85%, higher than the 78% achieved with the Eigenfacesalgorithm, with nearly the same execution time.

Keywords. Convolutional neuronal network, deep neuronal networks, deep learning, ma-chine learning, face recognition, face pose detection.

ResumenLas redes neuronales de convolucin pertenecen a un conjunto de tcnicas agrupadas bajoel aprendizaje profundo, una rama del aprendizaje automtico que ha probado ser exito-sa en los ltimos aos en tareas de reconocimiento de imgenes y grabaciones de voz. Elpresente trabajo explora la utilizacin de las redes neuronales de convolucin en el reco-nocimiento de imgenes de poses horizontales fuera del plano de rostros. Se propone unaimplementacin basada en las bilbiotecas de cdigo abierto OpenCV para la clasicacinde imgenes de rostros humanos dentro de 7 poses predeterminadas y se presenta en detallela arquitectura de la red y la estrategia de aprendizaje.La implementacin entrenada con conjuntos de 2600 imgenes de cuatro tamaos: 3333,41 41, 65 65 y 81 81, alcanza una tasa de aciertos promedio del 85% superior a laobtenida con el algoritmo de Rostros Propios cercana al 78%, con un tiempo de ejecucinsimilar.

Palabras Clave. Red neuronal de convolucin, red neuronal profunda, reconocimiento derostros, poses, aprendizaje profundo.

Introduccin

El procesamiento automtico de imgenes para extraersu contenido semntico es una tarea que ha adquiridomucha importancia en los ltimos aos debido en granmedida al auge de la fotografa digital y sus medios dedistribucin sobre todo el Internet. Dentro de este con-texto, los rostros son especialmente valiosos dado querepresentan una parte importante de la informacin se-mntica contenida en una fotografa.El reconocimiento facial constituye un rea de investi-

gacin muy activa en los campos de la Visin Articialy la Biomtrica con aplicaciones en seguridad, robti-ca, interfaces humano-computadora, cmaras digitales yentretenimiento. Sin embargo, y a pesar del gran esfuer-zo dedicado a mejorar los algoritmos de reconocimientofacial, todava queda mucho por mejorar a n de que lossistemas puedan producir buenos resultados en tiemporeal y bajo condiciones ambientales no controladas. Engeneral el reconocimiento facial sigue siendo un rea deactiva investigacin [1].

En el pasado la mayor parte de las investigaciones rea-

http://avances.usfq.edu.ecAvances en Ciencias e Ingenieras, 2014, Vol. 6, No. 2, Pags. A1-A6

A2

Av. Cienc. Ing. (Quito), 2014, Vol. 6, No. 2, Pags. A1-A6 Mndez e Ibarra

lizadas en el rea del reconocimiento de rostros se hancentrado en el reconocimiento sobre imgenes fronta-les. Sin embargo, en los ltimos aos el inters se haextendido al trabajo sobre imgenes fuera de ambien-tes controlados, donde el objetivo central es aumentar larobustez de los algoritmos empleados frente a distintascondiciones de resolucin, escala, iluminacin, expre-sin facial, pose, entre otros factores [2].

El reconocimiento de pose fuera de plano, tanto hori-zontal como vertical, resulta importante en sistemas dereconocimiento con sujetos cooperadores, pero ms anpara sistemas que buscan el reconocimiento en sujetosno cooperadores, donde es imprescindible desarrollartodo el potencial del reconocimiento de rostros comouna tcnica biomtrica de naturaleza no intrusiva.

El presente trabajo tiene como objetivo explorar la uti-lizacin de redes neuronales profundas de convolucinpara el reconocimiento de poses en imgenes de rostros.Los algoritmos de aprendizaje profundo constituyen unaimportante alternativa en el area de la inteligencia arti-cial, que ha presentado resultados muy alentadores entareas de reconocimiento de imgenes y de audio en losltimos aos y que sin embargo se considera, an esten una etapa temprana de su desarrollo. [3].

En casi todos los usos prcticos de este tipo de algo-ritmos, la funcin objetivo es una funcin altamente noconvexa en sus parmetros, con el potencial de presentarmuchos mnimos locales. Esto introduce un serio pro-blema ya que no todos los mnimos presentan tasas deerror comparables. Como consecuencia en mltiples ca-sos las tcnicas usuales basadas en inicializacin alea-toria de los parmetros presentan un pobre desempeo[4].

En los ltimos aos se han presentando diferentes apro-ximaciones para solucionar este problema. La ms im-portante de estas publicada por Geoffrey Hinton en el2012 [4] propone pre-entrenar cada capa con un algo-ritmo de aprendizaje no supervisado, que les permitaaprender una transformacin lineal de sus entradas quecapture las variaciones principales. El pre-entrenamientoes seguido por una etapa nal donde la arquitectura seajusta respecto a un criterio supervisado utilizando op-timizacin basada en el gradiente. Esta estrategia ha re-portadomejoras importantes en los algoritmos de apren-dizaje de mltiples capas, sin embargo sus mecanismossubyacentes an son objeto de estudio.

Otro problema presente al entrenar redes neuronales esel sobre-ajuste. Este es usualmente ms critico, si elconjunto de entrenamiento es limitado, dado que losvectores de pesos tienden a usar dependencias entre de-tectores para ajustarse casi perfectamente al conjunto deentrenamiento, lo cual posteriormente implica un maldesempeo sobre el conjunto de prueba.

Recientemente se ha propuesto como solucin el proce-dimiento conocido como dropout, que consiste en omi-tir aleatoriamente algunos de los detectores de atributos

Base de Nmero de Tasa dedatos imgenes deteccinFERET 2807 99.4%FEI 2800 98.6%

Tabla 1: Tasas de deteccin del algoritmo en cascada de Viola-Jones.en cada iteracin de entrenamiento. De esta forma sereducen las coadaptaciones complejas en las cuales undeterminado detector de atributos se vuelve til solo enel contexto de muchos otros detectores de atributos es-peccos.

Sobre la base de datos de imgenes de escritura a manoMNIST,el dropout permiti una reduccin en la tasa deerror para una red de convolucin de 5 capas cercanaal 19%. Sobre la base de datos TIMIT para reconoci-miento de voz, y una red neuronal de 4 capas conec-tadas completamente, se consigui una reduccin de latasa de error sobre un conjunto de prueba de 22.7% a19.7% [5].

En general los autores argumentan que independiente-mente de la arquitectura el dropout permite obtener me-joras moderadas en la tasa de error sobre el conjunto deprueba.Trabajos posteriores han mejorado esta idea al utilizarel dropout como una tcnica para promediar modelos ycombatir el sobre-ajuste. En este contexto se puede verel dropout en cada actualizacin como la ejecucin deun modelo diferente sobre un subconjunto diferente delconjunto de entrenamiento.

El modelo maxout basado en esta idea es una arquitec-tura de propagacin hacia atrs, tal como una red de per-ceptrn multicapa o una red de convolucin, que utilizauna nueva funcin de activacin llamada unidad maxout,y se entrena utilizando el modelo dropout [6].Con este mtodo sobre la base de datos MNIST se obtu-vo una tasa de error de 0.94%, que es el mejor resultadoa la fecha para algoritmos sin pre-entrenamiento no su-pervisado. Sobre la base de datos de imgenes CIFAR-10, utilizando una red neuronal de convolucin de 3 ca-pas se obtuvo una tasa de error del 12.93%, que mejoraconsiderablemente la ms baja alcanzada para este tipode algoritmos del 14.05% [6].

En la siguiente seccin se presentarn los experimen-tos exploratorios diseados sobre las bases de datos deimgenes de rostros de libre acceso: FERET y FEI y laarquitectura de la red neuronal profunda de convolucinutilizada para el reconocimiento de poses. A continua-cin se presentar las tasas de reconocimiento alcanza-das comparadas contra un algoritmo de Rostros Propiosentrenado sobre las mismas imgenes, para despus dis-cutir reas de potencial mejora y desarrollos recientesrelacionados con el algoritmo presentado.

Materiales y mtodosPara las pruebas se utilizaron como plataformas de desa-rrollo una computadora porttil con sistema operativo

A3

Mndez e Ibarra Av. Cienc. Ing. (Quito), 2014, Vol. 6, No. 2, Pags. A1-A6

Red Neuronal Profunda de Convolucin Rostros PropiosEntrenamiento Prueba33 33 0.112 (0.001) 0.157 (0.005) 0.203 (0.005)41 41 0.098 (0.001) 0.158 (0.003) 0.210 (0.004)65 65 0.072 (0.001) 0.149 (0.004) 0.210 (0.006)81 81 0.073 (0.001) 0.154 (0.005) 0.215 (0.006)

Tabla 2: Error promedio (entre parntesis el error estndar para cada dato), segn tamao de imagen de entrada y algoritmo de reconoci-miento.

Pre- RNPC Rostros Propiosprocesamiento Entrenam. Prueba Entrenam. Prueba(100 imgenes) (200 epochs) (100 img.) (100 img.)

33 33 162.8 539.49 1.02 148.93 1.7341 41 161.5 958.77 1.75 545.4 3.0465 65 154.8 3105.60 5.27 2206.65 6.7181 81 162.1 3796.94 8.46 2257.76 9.91

Tabla 3: Tiempos de ejecucin en segundos, segn tamao de imagen de entrada y algoritmo de reconocimiento.

MicrosoftWindows, procesador Intel I7 de 2.3 Ghz, con8Gb de memoria RAM y compilador MinGW 4.8 de 32bits; y una computadora porttil MacBook Pro, con pro-cesador Intel I7 a 2.3 Ghz y 8 Gb de memoria RAM, concompilador CLANG - LLVM 3.3 de 64 bits.

Los rostros utilizados para la etapa de entrenamiento delsistema de estimacin de poses se obtuvieron de dos ba-ses de datos de imgenes de rostros de uso pblico: labase de datos FERET y la base de datos FEI.El programa (FERET) es administrado por la Agencia(DARPA) (DefenseAdvanced Research Projects Agency)y (NIST) (National Institute of Standards and Techno-logy). La base de datos consiste en imgenes facialesrecogidas entre diciembre de 1993 y agosto de 1996. En2003 se public una versin de alta resolucin, 24 bitsde color, de estas imgenes. El conjunto de datos inclu-ye 2413 imgenes faciales, representando a 856 perso-na. Las imgenes a color se encuentran en formato ppmcon una resolucin de 256 384 pixeles [7].FEI es una base de datos de libre acceso para investi-gacin y actividades acadmicas que consiste en 2800imgenes tomadas entre junio de 2005 y marzo de 2006en el laboratorio de inteligencia articial de So Bernar-do do Campo, So Paulo, Brasil. Contiene 14 imgenesa color de 640480 pixeles (10 posiciones e imgenesfrontales con diferentes expresiones y condiciones deiluminacin) por cada uno de los 200 individuos parti-cipantes, para el total de 2800 imgenes. Las imgenesrecogen un nmero igual de mujeres y hombres [8].

Procesamiento previoSe utilizaron como entrada de la red neuronal de convo-lucin, los rostros detectados y enmarcados por el cono-cido algoritmo de deteccin de rostros en cascada desa-rrollado por Viola y Jones [9].

A n de construir los conjuntos de prueba y entrena-miento se realiz primero una prueba para determinarlas imgenes que podan ser detectadas correctamentepor el algoritmo de deteccin de rostros. Las tasas de

deteccin alcanzadas para las dos bases de datos em-pleadas se resumen en la Tabla 1.Las imgenes se normalizaron a imgenes en escala degrises con tamaos estndar de 3333, 4141, 6565y 81 81 pxeles cambiando la escala y recortando laimagen segn fue necesario para conservar la propor-cin original del rostro.A continuacin se realiz una ecualizacin de histogra-ma para mejorar el contraste y el brillo de las imgenes.Esta etapa ayuda a reducir la variacin debido a condi-ciones diferentes de iluminacin y es importante paramejorar el desempeo de algoritmos basados en extraercaractersticas del rostro [10].

Las imgenes resultantes se convirtieron en arreglos uni-dimensionales para facilitar la alimentacin de los datosa las siguientes etapas.Finalmente, para preparar los datos de entrenamientopara el sistema de estimacin de pose horizontal paracada vista se separaron las imgenes en siete conjuntossegn las siguientes categoras: frontal, cuarto de perlizquierdo y derecho, medio perl izquierdo y derechoy perl completo izquierdo y derecho. Las imgenes deperl corresponden aproximadamente a ngulos de rota-cin horizontal respecto a la posicin frontal de22,5,67,5

y 90 para el cuarto de perl, medio perl yperl completo respectivamente.

Arquitectura de la red neuronal

A diferencia de trabajos con redes neuronales estndaren los que se utiliza un algoritmo adicional para la ex-traccin de las caractersticas a ser alimentadas al sis-tema, la red neuronal profunda de convolucin permitedelegar la tarea de seleccionar las caractersticas impor-tantes a las capas iniciales de convolucin de la red. Enstas, la importancia de las caractersticas se reeja enlos pesos del kernel (ncleo) de cada mapa de caracte-rsticas.La red neuronal de convolucin utilizada para la estima-cin de poses se desarroll a partir de un prototipo de

A4


Figura 1: Arquitectura de la red neuronal de convolucin usada en la deteccin de poses.

red neuronal simple con una capa oculta y conexionescompletas. Ese prototipo se fue mejorando gradualmen-te buscando aumentar tanto su rendimiento como su tasade estimacin correcta de poses. El objetivo propuestopara esta etapa preliminar fue alcanzar un error cercanoo inferior al 20%, para despus proceder a un ajuste msno de los parmetros.

La estructura nal de seis capas descrita en la seccinanterior permiti alcanzar este objetivo sin ningn pro-cedimiento de renacin de sus parmetros, por tanto seacept como base para un ajuste ms exhaustivo.

Los parmetros iniciales tales como las dimensiones delas imgenes alimentadas a la red neuronal y el pre-procesamiento de las mismas se desarrollaron tomandocomo base trabajos previos, tanto en reconocimiento deimgenes como estimacin de poses [1113]. Al denirestos parmetros se busc un balance entre la cantidadde informacin y los requerimientos dememoria y tiem-po de procesamiento.La arquitectura nal de la red neuronal est constituidade seis capas: entrada, tres capas de convolucin, unacapa de submuestreo y una capa de salida tradicionalcon conexin completa, con funcin de activacin sig-moidal y el nmero de mapas que se resume en la Figura1.La arquitectura de la red neuronal est basada en el tra-bajo de reconocimiento de dgitos con redes neuronalesde convolucin desarrollado por LeCun y las sugeren-cias para optimizar redes neuronales del artculo Pro-pagacin hacia atrs eciente del mismo autor [14]. Laimplementacin se basa en el trabajo sobre redes neuro-nales de convolucin para reconocimiento de dgitos deONeill [15], cuyo cdigo se encuentra disponible bajolicencia de cdigo abierto MIT X11.

La implementacin de la etapa de deteccin y la redneuronal de convolucin se realiz en C++, utilizandola biblioteca para sistemas de visin articial OpenCV.

OpenCV (Open source computer vision) es una biblio-teca de visin articial de cdigo abierto, originalmentediseada por Intel en 1999. La librera est escrita en Cy C++ y tiene versiones para sistemas Linux, Windows,

Mac OS X y algunas plataformas mviles, contiene al-rededor de 500 funciones que abarcan diversas reasde la visin articial incluyendo el manejo eciente deimgenes y matrices, reconocimiento de objetos, anli-sis de imgenes mdicas, seguridad, interfaz de usuario,calibracin de cmara, visin estreo y visin robtica[16].

Metodologa de entrenamientoUtilizando las imgenes detectadas correctamente y quepor tanto pueden ser sujetas al pre-procesamiento indi-cado, se elaboraron conjuntos de entrenamiento de apro-ximadamente 2400 y 2600 imgenes y conjuntos de prue-ba de aproximadamente 100 y 200 imgenes para la pri-mera etapa de evaluacin.Con el n de determinar si los parmetros de la red neu-ronal de convolucin no se ajustaron solo a las particu-laridades de un conjunto de prueba, se busc la con-guracin y los parmetros ptimos de la red utilizandosolamente la base de datos FERET y posteriormente seutilizaron estos mismos parmetros para entrenar la redcon las imgenes de la base de datos FEI y evaluar losresultados sobre un segundo conjunto de prueba.

Para evaluar el impacto del tamao de imagen alimenta-do a la red, se entren la red neuronal para tamaos de33, 41, 65 y 81 pixeles, con conjuntos de 2600 imge-nes de la base de datos FEI, y se evalu con conjuntosde 200 imgenes de la misma base de datos. Para cadauno de las 30 evaluaciones realizadas por cada tamao,los conjuntos de entrenamiento y prueba anteriormentedescritos se generaron aleatoriamente.El algoritmo utilizado para el entrenamiento fue el al-goritmo de propagacin hacia atrs junto al mtodo es-tocstico diagonal de Levenberg Marquadt para la op-timizacin de la tasa de aprendizaje , conjuntamente

Pose RNPC Rostros PropiosPerl completo 0.120 (0.013) 0.153 (0.018)Medio perl 0.412 (0.017) 0.547 (0.018)

Cuarto de perl 0.195 (0.010) 0.273 (0.017)Frontal 0.037 (0.004) 0.065 (0.005)

Tabla 4: Tasa de error promedio segn pose y algoritmo utilizadopara imgenes de 65 65 pixeles.

A5

Mndez e Ibarra Av. Cienc. Ing. (Quito), 2014, Vol. 6, No. 2, Pags. A1-A6

con un trmino de decaimiento por peso para controlarel sobre-ajuste.

Resultados y Discusin

En el presente trabajo se ha buscado explorar la utilidadde las redes neuronales profundas de convolucin co-mo un mtodo para la estimacin de poses horizontalesfuera de plano, alcanzando como resultado un algoritmoque permite una tasa de estimacin de poses cercana al85% para las dos bases de datos de prueba estudiadas.

El error promedio alcanzado con la implementacin -nal de la red neuronal profunda de convolucin, juntoal error obtenido por un algorimto estndar de RostrosPropios se puede ver en la Tabla 2.Como se puede apreciar en la Tabla 3, a pesar de queel tiempo de entrenamiento es mayor para una red neu-ronal, no existe diferencias signicativas en el tiempode procesamiento empleado sobre el conjunto de prue-ba para un algorimto de Rostros Propios (valor-p pruebat pareda menor a 0.01). En general las redes neurona-les profundas de convolucin requieren de un tiemposustancialmente mayor para su entrenamiento (los da-tos presentados en la Tabla 3 no incluyen el tiempo re-querido para el ajuste de los parmetros de la red neu-ronal), pero una vez entrenadas su ejecucin sobre da-tos de prueba es sucientemente eciente como para suaplicacin en tareas de reconocimiento en tiempo real.La tasa de reconocimiento del 79% alcanzada por elalgoritmo de Rostros Propios en este estudio, es muysimilar a la encontrada en estudios similares [17] y lige-ramente menor al 85% alcanzado por la red neuronal.El mismo resultado se conrma al analizar las tasas deerror para cada pose.Como lo revelan los datos de la Tabla 4, en general latarea de reconocer imgenes en posiciones frontales essustancialmente ms simple que el reconocimiento deotras poses. De entre las poses analizadas aquellas quepresetan la mayor tasa de error son las poses interme-dias que tienden a ser clasicadas erroneamente entreellas o con alguna de las poses extremos (frontal y perlcompleto).Un aspecto que se deja para estudios posteriores es elencontrar algoritmos que permitan el escalado y locali-zacin uniforme de caractersticas del rostro (ojos, na-riz, boca) bajo distintos ngulos de rotacin. Este tra-tamiento previo de las imgenes conduce a mejoras enla tasa de reconocimiento de imgenes frontales [18] ypuede tener un efecto similar en el reconocimiento deposes. Sin embargo, los algoritmos basados en cascadausualmente utilizados para esta tarea tienen dicultadespara detectar la posicin de los ojos en rostros con rota-ciones horizontales pronunciadas. Bajo estas condicio-nes usualmente la nariz proyecta cierta sombra sobra losojos, la cual disminuye considerablemente la precisinde su deteccin o la impide completamente. Ms an,

para imgenes de rostros de perl completo no es posi-ble detectar ambos ojos y por tanto no es posible usar elprocedimiento ms comn de enmarcado, que empleala distancia entre estos para escalar las imgenes. Unaalternativa para la deteccin y enmarcado de las im-genes de rostros puede ser el uso de redes neuronalesde convolucin similares a la arquitectura propuesta porGarca y Delakis [19] que involucra una red neuronal deconvolucin de desplazamiento espacial.

Referencias[1] Zhang, C.; Zhang, Z. 2010. A sur-

vey of recent advances in face detection.http://research.microsoft.com/apps/pubs/default.aspx?id=132077, June.

[2] Zhang, X.; Gao, Y. 2009. Face recognition across pose:A review. Pattern Recognition, 42(11):28762896.

[3] Hinton, G.; Deng, L.; Yu, D.; Dahl, G.; Mohamed, A.;Jaitly, N.; Senior, A.; Vanhoucke, V.; Nguyen, P.; Sai-nath, T.; Kingsbury, B. 2012. Deep neural networksfor acoustic modeling in speech recognition: The sharedviews of four research groups. IEEE Signal Process.Mag, 29(6):8297.

[4] Hinton, G.; Srivastava, N. 2012. Improving neural net-works by preventing co-adaptation of feature detectors.arXiv preprint: 118.

[5] Srivastava, N. 2013. Improving neural networks withdropout. PhD thesis University of Toronto.

[6] Goodfellow, I.; Warde-Farley, D.; Mirza, M.; Courville,A.; Bengio, Y. 2013. Maxout networks. ICML.

[7] Phillips, P.; Wechsler, H.; Huang, J.; Rauss, P. 1998.The FERET database and evaluation procedure forface-recognition algorithms. Image and Vision Com-puting, 16(5):295306.

[8] Pesquisa, P.; Leonel, L.; Junior, D. 2005. RelatrioFinal Captura e Alinhamento de Imagens : Um Bancode Faces Brasileiro. 1-10.

[9] Viola, P.; Jones, M. 2001. Rapid object detection usinga boosted cascade of simple features. Proceedings ofthe 2001 IEEE Computer Society Conference on Com-puter Vision and Pattern Recognition. CVPR, 1:I511I518.

[10] Moon, H.; Phillips, P. 2001. Computational and per-formance aspects of PCA-based face-recognition algo-rithms. Perception-London.

[11] Le, Q.; Ngiam, J.; Chen, Z. 2010. Tiled convolutionalneural networks. Advances in Neural: 19.

[12] Vatahska, T.; Bennewitz, M.; Behnke, S. 2007. Feature-based head pose estimation from images. 7th IEEE-RAS International Conference on Humanoid Robots:330335.

[13] Bouvrie, J. 2006. Notes on convolutional neural net-works. http://cogprints.org/5869/.

A6


[14] LeCun, Y.; Bottou, L.; Orr, G.; Mller, K. 1998. Ef-cient backprop. Neural networks.

[15] ONeill, M. 2006. Neural Networkfor Recognition of Handwritten Digits.http://www.codeproject.com/Articles/16650/Neural-Network-for-Recognition-of-Handwritten-Digi.

[16] Bradski, G.; Kaehler, A. 2008. Learning OpenCV:Computer Vision in C++ with the OpenCV Library.OReilly Media, 1st ed. edition.

[17] Pang, S.; Kasabov, N. 2006. Investigating LLE eigen-face on pose and face identication. In Advances inNeural Networks - ISNN 2006, Third International Sym-posium on Neural Networks, Chengdu, China: 134139.

[18] Zhao, W.; Chellappa, R.; Phillips, P.; Rosenfeld, A.2003. Face recognition. ACM Computing Surveys,35(4):399458.

[19] Garca, C.; Delakis, M. 2004. Convolutional face n-der: A neural architecture for fast and robust face detec-tion. IEEE Trans. Pattern Anal. Mach. Intell, 26(11):14081423.

A7


A model of allocation, negotiation and redistribution of resources, based on intelligentagents

Un modelo de asignacin, negociacin y redistribucin de recursos, basado en agentesinteligentes

Eduardo Vliz Quintero1, Carlos Jimnez Mosquera1

1Universidad San Francisco de Quito, Colegio de Ciencias e Ingeniera - El Politcnico. Diego de Robles yVa Interocenica, Campus Cumbay, Quito, Ecuador.

Autor principal/Corresponding author, e-mail: [email protected]



AbstractThe present work is an application of articial intelligence, based on intelligent agents,to simulate the allocation, negotiation and redistribution of nancial resources by CentralGovernment to autonomous decentralized municipal governments. The goal is to develop amodel based on intelligent agents using Netlogo, that allow the distribution of resources toautonomous decentralized municipal governments based on social variables such as decitof housing, access to services and/or poverty by unsatised basic needs.

Keywords. Articial intelligence, intelligent agents, central government, autonomous de-centralized, social variables, decit of housing, access to services, poverty, unsatised basicneeds, Netlogo.

ResumenEl presente trabajo es una aplicacin de la inteligencia articial, basado en Agentes Inte-ligentes, para simular la asignacin, negociacin y redistribucin de recursos econmicospor parte del Estado Central hacia los Gobiernos Autnomos Descentralizados Municipa-les. El objetivo es desarrollar un modelo basado en Agentes Inteligentes utilizando Netlogo,que permita realizar la distribucin de los recursos hacia los Gobiernos Autnomos Des-centralizados Municipales sustentado en variables sociales tales como dcit de vivienda,acceso a servicios y/o pobreza por necesidades bsicas insatisfechas.

Palabras Clave. Inteligencia articial, agentes inteligentes, estado central, gobiernos aut-nomos descentralizados, variables sociales, dcit de vivienda, acceso a servicios, pobreza,necesidades bsicas insatisfechas, Netlogo.

IntroduccinLos Agentes InteligentesUn agente es cualquier ente capaz de percibir su medioambiente mediante sensores y actuar en ese medio me-diante actuadores [1], todo agente tiene una funcin uobjetivo.Un agente muestra un alto grado de autonoma,realizando acciones basado en informacin recibida desu entorno mediante sensores [2]. Un ejemplo sencillode comprender es un aire acondicionado automtico quese enciende cuando sus sensores detectan que la tem-peratura ambiente es menor o mayor a la temperaturadeseada.Un agente inteligente es una entidad con una estructurainterna especializada y una conducta exible e indepen-

diente que podemos calicar como inteligente. Inicial-mente, los agentes perciben su ambiente mediante sen-sores, cuentan con un estado interno que les permiterecordar y relacionar lo percibido con ideas preconce-bidas o conocimientos adquiridos, y toman decisiones yactan sobre el ambiente, por medio de efectores (ac-ciones) [1]. En muchas ocasiones, sus acciones estnbasadas en sus metas u objetivos, en funcin de los cua-les tomara la decisin ms adecuada dependiendo delconjunto de percepciones del ambiente.

Las acciones que puede tomar el agente se ven afecta-das por las diferentes propiedades del ambiente, pudien-do ser este accesible, esttico o dinmico, determinista,discreto o continuo, episdico. Los agentes poseen di-versas propiedades segn el propsito que deban alcan-


A8

Av. Cienc. Ing. (Quito), 2014, Vol. 6, No. 2, Pags. A7-A18 Vliz y Jimnez

zar [3]:

Reactivo: Responde inmediatamente a cambios enel ambiente.Pro-Activo: Debe ser capaz de intentar cumplirsus propios planes y objetivos a pesar de cambiosen el ambiente.Autnomo: Tiene control sobre sus acciones, po-sea inteligencia para la toma de decisiones. Sus ac-ciones son Orientadas al cumplimiento de metas yno acta en respuesta al ambiente, sino que sigueun plan para alcanzar su propsito.Comunicativo: Tienen la habilidad de trabajar so-cialmente con otros agentes sociables para alcanzarun objetivo en comn mucho ms complejo.

Adaptativo: Si puede cambiar su comportamientobasado en ese aprendizaje y a sus experiencias.

Flexible: Sus acciones no estn determinadas deante mano.Cooperativo: Est dispuesto a colaborar con otrosagentes si esto no entra en conicto con sus propiosobjetivos.

Racional: Siempre realiza lo correcto a partir delos datos que le llegan de su entorno.

Veracidad: Agente que no comunica informacinfalsa a propsito.

Segn su clase, los agentes inteligentes pueden ser cla-sicados como [1]:

Agentes colaborativos: Este tipo de agentes se en-fatiza en la autonoma y las habilidades socialescon otros agentes para ejecutar las tareas de sususuarios. Son capaces de actuar racionalmente yautnomamente en ambientes multiagente y conrestricciones de recursos. A su vez, poseen habili-dades sociales, son proactivos, benvolos, estticosy veraces.Agentes de Interface: Los agentes de interfaz seenfatizan en la autonoma y la adaptabilidad pararealizar tareas a sus usuarios. Este tipo de agentesbsicamente presta soporte y asistencia a un usua-rio que est aprendiendo una nueva aplicacin onuevos conceptos.Agentes mviles: Estos agentes se enfatizan en lashabilidades sociales y la autonoma, a diferencia delos agentes cooperativos, estos son mviles. Algu-nas de las ventajas que se pueden obtener al usaragentes mviles son la reduccin del costo de co-municacin, facilidad de coordinacin, reduccinde los recursos locales, etc.

Agentes de informacin: Los agentes de informa-cin nacieron debido a la gran cantidad de herra-mientas que surgieron para el manejo y recupera-cin de informacin. Tienen los roles de manejar,manipular, e integrar informacin de muchas fuen-tes de datos distribuidas.

Los Sistemas MultiagentesLos Sistemas Multiagentes cooperativos son una combi-nacin de sistemas distribuidos e inteligencia articial,y se conocen tambin como inteligencia articial disti-buida (IAD). Se divide en dos reas que son los proble-mas de solucin distribuida y los sistemas multiagentes(SMA). Los Sistemas Multiagentes (SMA) intentan lo-grar la cooperacin de un conjunto de agentes autno-mos para la realizacin de una tarea, la cual depende delas interacciones entre los agentes e incorpora tres ele-mentos: la colaboracin, la coordinacin y la resolucinde conictos. En un entorno mutiagente hay ms de unagente interactuando entre ellos cumpliendo las reglas,y no necesariamente un agente conoce el estado internode otro agente [2].

Se denen 3 tipos de aprendizaje [2]:

Supervisado: El control provee el aprendizaje co-rrecto.Sin supervisin: Se realiza sin contar con retroali-mentacin.Basado en el reconocimiento: El control proveela calidad.

En el aprendizaje en equipo, hay un solo estudiante, pe-ro ste va descubriendo un conjunto de comportamien-tos para un equipo de agentes, en lugar de un solo agen-te. Esta nocin es a menudo denominada complejidademergente del sistema multiagente.El aprendizaje en equipo es un mtodo fcil de apren-dizaje multiagente, ya que su nico aprendiz puede uti-lizar tcnicas de aprendizaje automtico. Esto deja delado las dicultades derivadas de la coadaptacin de va-rios aprendices que ms tarde se encontrarn en enfo-ques de aprendizaje concurrentes.

Otra ventaja es su preocupacin por el rendimiento detodo el equipo, y no con la de los agentes individuales.Por esta razn, los enfoques de aprendizaje en equipopueden pasar por alto en la asignacin de benecios alos agentes, que suele ser difcil de calcular.

Un problema del aprendizaje en equipo son los grandestiempos para el proceso de aprendizaje y una segundadesventaja es la centralizacin del algoritmo de apren-dizaje: todos los recursos tienen que estar disponiblesen el lugar nico que se realizan todos los clculos.

Este aprendizaje en equipo se puede dividir en tres ca-tegoras [1]:

A9

Vliz y Jimnez Av. Cienc. Ing. (Quito), 2014, Vol. 6, No. 2, Pags. A7-A18

Aprendizaje Homogneo en Equipo.- Todos losagentes tienen comportamientos idnticos, a pesarde no ser idnticos, es decir diferentes agentes pue-den tomar una cantidad diferente de tiempo paracompletar la misma tarea. Debido a que todos losagentes tienen el mismo comportamiento, el espa-cio de bsqueda para el proceso de aprendizaje sereduce drsticamente. La idoneidad de aprendiza-je homogneo depende del problema: algunos pro-blemas no requieren agentes especializados paralograr un buen rendimiento.

AprendizajeHeterogneo en Equipo.- En el apren-dizaje heterogneo en equipo, el equipo se com-pone de agentes con diferentes comportamientos,con un solo aprendiz tratando de mejorar el equi-po en su conjunto. Este enfoque permite una ma-yor diversidad en el equipo y aumentar el espaciode bsqueda. Para dominios de problemas que tie-nen un gran nmero de agentes como enjambres,la bsqueda del espacio es demasiado grande parautilizar el aprendizaje heterogneo, aunque la hete-rogeneidad en ltima instancia permite obtener losmejores resultados.

Aprendizaje Hbrido en Equipo.- En el aprendi-zaje hbrido del equipo, el conjunto de los agentesse divide en varias escuadras, con cada agente per-teneciendo a un solo equipo. Todo agente de unescuadrn tiene el mismo comportamiento. Un ex-tremo es tener un solo equipo, lo cual es equivalen-te a utilizar un aprendizaje en equipo homogneo,mientras que el otro extremo es tener un agente porcada equipo, que es equivalente a utilizar aprendi-zaje en equipo heterogneo. El aprendizaje hbridodel equipo permite lograr algunas de las ventajasde cada mtodo.

Aprendizaje concurrente

La alternativa ms comn de equipo de aprendizaje ensistemas multiagentes cooperativos es el aprendizaje si-multneo, donde mltiples procesos de aprendizaje in-tentan mejorar partes del equipo. Por lo general cadaagente tiene su propio proceso nico de aprendizaje pa-ra modicar su comportamiento. Tanto el aprendizajeconcurrente como el aprendizaje en equipo tienen susventajas y desventajas [1, 2].

La ventaja principal es que el problema se puede des-componer para permitir comportamientos de agentes in-dividuales relativamente disjuntos, entonces puede re-sultar en una reduccin dramtica del espacio de bs-queda y en la complejidad computacional. Una segundaventaja, es la ruptura del proceso de aprendizaje en pe-dazos ms pequeos que permiten una mayor exibili-dad en el uso de recursos computacionales para apren-der cada proceso, ya que aprende independientementeuno de otro.

El desafo central para el aprendizaje concurrente es quecada alumno adaptan sus comportamientos en el con-texto del otro, coadaptando los alumnos sobre los queno tiene control.Asignacin de PrestigioCuando se trabaja con mltiples aprendices, se debe re-partir la recompenza de prestigio o benecios a travsde las acciones conjuntas. La solucin ms sencilla esdividir la recompensa por igual entre cada uno de losaprendices. Este enfoque de asignacin de crdito porlo general se denomina recompensa global [2].

Sin embargo hay situaciones en las que podra ser desea-ble asignar prestigio de una manera diferente, ya que esms til recompensar especialmente a aquellos aprendi-ces que realizaron la tarea o cumplieron sus acciones, ycastigar a otros por pereza.Un escenario completamente cooperativo emplea un pro-grama de benecios global para repartir en partes igua-les entre todos los agentes. Despus de cada interaccin,cada agente puede recibir alguna recompensa o castigo.Los refuerzos para las interacciones son independientesde cualquier interaccin anterior.

La asignacin de incentivos compartidos de manera de-sigual puede resultar distinto del incentivo de aumentode la recompensa de todos sus compaeros de equipo, ypuede crear escenarios no cooperativos.El modelado de compaero de equipo consiste en apren-der acerca de otros agentes del entorno, a n de hacerbuenas conjeturas de su comportamiento esperado, y ac-tuar en consecuencia.La dinmica del aprendizajeAl aplicar experimentos con aprendizaje de un solo agen-te para entornos estacionarios, los agentes con diferen-tes comportamientos esperan descubrir un comportamien-to ptimo a nivel general. En entornos dinmicos, elagente trata de mantenerse actualizado a los cambios yen constante seguimiento del comportamiento ptimo[2].

Es ms complicado en los sistemas multiagente, don-de los agentes pueden cambiar de forma adaptativa losentornos de aprendizaje de los dems. La gama de he-rramientas para modelar y analizar la dinmica de losaprendices concurrentes es muy limitada, muchas sonespecializadas solo para algunos mtodos de aprendi-zaje, y slo unas pocas ofrecen un marco comn paramltiples tcnicas de aprendizaje.

Aprendizaje y comunicacinPara algunos problemas la comunicacin es una nece-sidad, mientras que para otros la comunicacin puedeaumentar el rendimiento del agente. Denimos la comu-nicacin como la alteracin de la situacin del entornotal que otros agentes puedan percibir la modicacin ydecodicar la informacin.


Figura 1: Agente Inteligente del Estado Central

Figura 2: Agente Inteligente de los Municipios

Entre otras razones, los agentes se comunican con el nde coordinar de forma ms efectiva y para aprender so-luciones parciales el uno del otro.

Comunicacn Directa.- Muchas de las tcnicasemplean comunicacin entre los agentes, lo cualpermite compartir informacin entre s [2]. La co-municacin directa consiste en la emisin de men-sajes entre los agentes que son entendibles paraambos en un mismo protocolo, y puede estar li-mitada en trminos de rendimiento, latencia, loca-lidad, clase de agente.Comunicacin Indirecta.- Denimos mtodos decomunicacin indirectos como los que implican latransferencia implcita de informacin entre agen-tes a travs de la modicacin del entorno. La co-municacin indirecta incluye: huellas en la nieve,rastro de migas, feromonas y sugerencias a travsde la colocacin de objetos en el entorno[2].

El trabajo conjunto de los agentes multiagentes en unatarea grande que puede ser abrumadora. Una manera dehacer frente a esto es usar el conocimiento del dominiopara simplicar el espacio de estados, a menudo pro-porcionando un conjunto ms pequeo de acciones ms

Figura 3: Relacin entre el Agente Estado y los Agentes Munici-pios

poderosos hechas a medida para el dominio del proble-ma.Aplicaciones de los agentes inteligentes

Agentes con cuerpo.- Bsqueda de alimento, ro-bots para movimiento de cajas, ftbol robtico, na-vegacin cooperativa, observacin cooperativa deldestino, reunin de robots [1, 4].

Entornos de teora de juegos.- Juegos de coordi-nacin, dilemas sociales.Aplicaciones del mundo real.- Monitoreo distri-buido de vehculos, control de trco areo, admi-nistracin de redes y rutas, administracin de dis-tribucin de energa elctrica, supervisin mdica,asistencia nanciera, cadenas productivas, proble-mas de jerarqua de sistemas multiagentes, mode-los de interaccin social, asignacin de horarios ytareas.

AplicacionesPara aplicar la teora de agentes inteligentes en la asig-nacin, negociacin y redistribucin de los recursos queel Estado Central otorga a los gobiernos municipales,debemos denir adecuadamente los dos tipos de agentesinvolucrados: agente Estado Central y agentes Gobier-nos Municipales. La gura 1 muestra la estructura delagente Estado Central, mientras que la gura 2 muestrala estructura de los agentes Gobiernos Municipales:Adicionalmente es necesario explicar la interaccin en-tre los Gobiernos Municipales y el Estado Central, ascomo la relacin que existe entre ellos. La gura 3 mues-tra la relacin e interaccin entre el agente GobiernoCentral y los agentes Gobiernos Municipales.El Aplicativo en NetLogoEl Aplicativo est desarrollado en el lenguaje NetLogo[4], el mismo que contiene un mapa del Ecuador, don-de se muestra el estado de cada municipio. En la par-te izquierda se encuentran los botones que dan paso al

A11


Figura 4: Ambiente de Simulacin

llamado de las funciones: inicializar, negociar recursos,gracar y exportar los datos.

Adicionalmente se encuentran como selectores: La ve-cindad y el tipo de agentes. Finalmente se encuentrantres cuadros de ingreso de texto, donde se incluyen losrecursos que se asignarn, el porcentaje de municipiosque deben estar satisfechos para que converja, y el por-centaje que se retira a los municipios felices para volvera repartir a los que no estn felices.

Del lado derecho, encontramos un monitor de texto quemuestra el monto disponible, luego encontramos 3 gr-cos pequeos que muestran la relacin entre el montoasignado y las variables sociales utilizadas. Adems ungrco ms grande que muestra las series del nmerode cantones segn su estado. Es fcil visualizar que es-te grco mantiene correspondencia con los colores delmapa. (Ver Figura 4).Lo primero que haremos es plantear un nuevo agente de-nominado cantn, y hacemos que el grupo de todos losagentes se denomine cantones. A estos cantones los do-tamos de caractersticas internas propias: pobreza, d-cit de vivienda, acceso a servicios, nmero de viviendas.Entonces, puesto que deseamos que la simulacin rea-lizada nos ofrezca la informacin necesaria para tomardecisiones, basamos la simulacin en cifras obtenidasdel Censo de Poblacin y Vivienda 2010 a nivel de can-tones.Se plantea que se ingrese el monto de recursos econmi-cos que se asignarn, se selecciona el tipo de vecindadentre provincia y pas, y se plantea que se elija si losagentes son de tipo competitivo o cooperativo.

Si se elige que la vecindad sea el pas, cada agente secomparar de acuerdo a las variables sociales con losdems del pas, mientras que si se elige provincia, lacomparacin se realizar entre cantones de la mismaprovincia.Si los agentes son de tipo competitivo, cada agente deseasu propio bienestar, mientras que los agentes de tipocooperativo maniestan su inconformidad si consideraque se le han asignado ms recursos que lo que cree quese merece.Adicionalmente el aplicativo muestra el diagrama depuntos de las variables de pobreza vs. monto asignado,dcit de vivienda vs. monto asignado, acceso a servi-cios vs. monto asignado, y graca la serie del nmerode cantones que estn satisfechos o insatisfechos. En elmapa tambin es posible observar la distribucin terri-torial de las variables sociales, considerando tres cate-goras o estados que toman los agentes.

Los Estados de los AgentesLos Estados que toman los agentes inteligentes depen-den de las comparaciones que el agente realiza [1], acer-ca de cmo se percibe as mismo y cmo percibe sus ve-cinos, con respecto a alguna variable en particular. Paraello comparamos el valor que posee dicho agente, conel valor promedio de acuerdo con la vecindad elegida.En el caso particular en que se gracan los estados delas variables sociales utilizadas por s mismas, se utili-zan las categoras mostradas en la tabla 1.

Al llevar a cabo la simulacin deseada, el agente que re-presenta el Gobierno Autnomo Descentralizado Muni-

A12


Variable Estado Inferior SuperiorDcit deVivienda

Contento 0 30Neutral 30 50Descontento 50 100

Acceso aServicios


NecesidadesBsicasInsatisfechas


Tabla 1: Rangos de los Estados (categoras) de las variables socia-les utilizadas.cipal, utiliza una variable social (aunque podra tomarseun conjunto de variables en una funcin o modelo), lacual es utilizada para compararse con sus vecinos (otroscantones o municipios). En este caso, una vez que seha elegido la vecidad que se utilizar (a nivel nacionalo provincial), aunque podra ser una vecindad zonal oregional, o simplemente mediante vecinos geogrcos,sin importar si pertenecen o no a la misma provincia.De este modo, las variables sociales juegan un rol muyimportante en la simulacin de agentes planteada[5], yque identican a un municipio asignndole un valor quepermitir su comparacin con otros agentes.Es importante sealar que el estado del agente cambiade acuerdo con las reglas, y posteriormente inuye enla redistribucin de los recursos si considera que se lequitarn recursos a los agentes con estado contento y seasignarn entre los agentes con estado descontento [6].

Los tres estados utilizados son: Contento, Descontentoy Neutral. Cuando el tipo de agentes que se utiliza soncompetitivos, aparecen solamente dos estados: Conten-to - Si el agente est satisfecho con los recursos recibi-dos, y Descontento - Si el agente considera que no estsatisfecho con los recursos que le fueron asignados.

De la misma manera al utilizar los agentes de tipo coope-rativo, pero aparece un tercer estado, en el cual cadaagente puede considerar que los recursos que se le hanasignado son ms que los necesarios, y que hay otrosagentes que necesitan ms recursos.

Las Reglas de comparacin y transicinLas principales reglas que se utilizan en la presente si-mulacin a n de lograr una transicin de los estados detodos los agentes son las siguientes:

Sea Mi : El monto de recursos econmicos asignado alagente (cantn) i.Sea Xi : El valor que toma la variable social del agente(cantn) i.Sea M : El monto de recursos econmicos que tiene enpromedio de la vecindad.Sea X : El valor promedio que toma la variable socialen la vecindad.Si Xi

A13


COMPARA SI HA CONVERGIDO Y REALIZA LAS ACCIONESMientras (Converge = Falso) hacerCOMPARARSE CON OTROS CANTONES RESPECTO A LA

VARIABLE Y AL MONTO ASIGNADOPara i 1an

DESCONTENTO SI EL AGENTE PERCIBE QUE HA RECIBIDOPOCO

Si (Cij < Cr)y(Mi < M) entoncesEi 1 //Estado descontento

Fin_SiCONTENTO SI EL AGENTE PERCIBE QUE HA RECIBIDO

SUFICIENTE Si (Cij < Cr)y(Mi M) entoncesEi +1 //Estado contento

Fin_SiNEUTRAL SI EL AGENTE PERCIBE QUE OTRO DEBA RECIBIR

MS AUNQUE PARA S MISMO ES SUFICIENTESi (Cij > Cr)y(Mi M) entoncesEi 0 //Estado neutral

Fin_SiFin_ParaQUITAR RECURSOS A LOS CONTENTOS Para i 1anSi (Ei = 1) entoncesMontoMonto + 0,01 MiMi Mi 0,01 Mi//0,01 es un porcentaje que podra variar

Fin_SiFin_ParaREDISTRIBUIR LOS RECURSOS A LOS DESCONTENTOS Parai 1an

Si (Ei = 1) entoncesMi Mi +Monto Cir/CrMontoMontoMonto Cir/Cr

Fin_SiFin_Para

Fin_Mientras

La negociacin se da al compararse con otros cantonesmostrando su descontento, y posteriormente al redistri-buirse los recursos. Es importante destacar que al com-pararse afecta el hecho que la vecindad elegida sean to-dos los cantones del pas o sean los cantones de la pro-vincia.Adicionalmente se debe destacar que cuando se elige eltipo de agentes cooperativos, el algoritmo se modicacon un estado adicional, este estado adicional indica queal cantn se le ha entregado ms recursos de los que elagente considera que merece.

ResultadosConsideraciones GeneralesPara todas las simulaciones que se realizan en el presen-te documento, se asigna desde el Estado Central hacialos Gobiernos Autnomos Descentralizados Municipa-les 1 milln de dlares. Se considera una convergenciade al menos 95% de municipios satisfechos, y el montoasignado a los municipios satisfechos se disminuye enun 5% para volver a asignarlo a los municipios que noestn satisfechos.Para cada simulacin se realiza el ejercicio 5 veces concada escenario o conguracin de los parmetros, y lue-go de ello se muestra una tabulacin de los promediosde los resultados obtenidos:

Simulacin con el Escenario 1: Vecindad Pas yAgentes Competitivos.Simulacin con el Escenario 2: Vecindad Pas yAgentes Cooperativos

Figura 5: Resultados de una corrida del escenario 1

Simulacin con el Escenario 1: Vecindad Provinciay Agentes Competitivos.Simulacin con el Escenario 2: Vecindad Provinciay Agentes Cooperativos

Simulacin con el Escenario 1: Vecindad Pas y Agen-tes CompetitivosComo se observa en la gura 5, al nal de la simulacinse observa que casi todos los municipios se encuentrancontentos o satisfechos.La gura 6 muestra que la simulacin se realiz en 15iteraciones hasta obtener la convergercia.Como se observa en la gura 7, Los montos mayoresde asignacin se asignan en los municipios que tienen

Figura 6: Curva de convergencia hacia la satisfaccin con el esce-nario 1

A14


Figura 7: Relacin de la asignacin de recursos con las variablessocialesmenor acceso a servicios, mayor dcit y mayor pobre-za. Se observa tambin que dos municipios reciben unacantidad mayor de recursos de manera atpica, alrededorde 85.000.

Resumen de las corridas del escenario 1Luego de haber realizado cinco corridas del escenario 1:vecindad Pas con agentes competitivos, se compruebala aleatoriedad en las simulaciones de negociacin reali-zadas, en este punto es necesario recordar que el agenteeligi aleatoriamente una de las variables sociales, conla que se siente identicado, y a partir de dicha variablerealiz las negociaciones.Es importante observar que en el escenario 1 siemprehubo convergencia, el nmero de iteraciones realizadashasta lograr la convergencia mostro como mnimo 13y como mximo 15 iteraciones. Obsrvese tambin quelos recursos asignados en todos los casos estn corela-cionados con todas las variables sociales, a pesar quecada municipio se aferra nicamente a una de las varia-bles sociales, lo que signica que las variables socialesestn altamente corelacionadas.El nmero de municipios descontentos en cada una delas corridas fue de: 1, 10, 2, 2, 11 respectivamente. Dan-do en promedio 5.6 municipios descontentos. Lo que enpromedio nos da un 2.3% de municipios descontentos.

En general los recursos comienzan a repartirse de mane-ra equitativa con respecto a las variables sociales asocia-das, pero en dos municipios con alto nivel de poblacin

predomina la misma, incluso antes que las variables so-ciales. Se asigna alrededor de un 10% de los recursos aGuayaquil, un 8% a Quito y el 82% es repartido entreel resto del Pas.Simulacin con el Escenario 2: Vecindad Pas y Agen-tes CooperativosComo se observa en la gura 8, al nal de la simula-cin casi todos los municipios se encuentran contentoso satisfechos, excepto un 5%.

La gura 9 muestra que la simulacin se realiz en 11iteraciones hasta obtener la convergercia.Adicionalmente, la gura 10 muestra que los montosmayores de asignacin se asignan en los municipios quetienen mayor dcit de vivienda y mayor pobreza. Seobserva tambin que dos municipios reciben una canti-dad mayor de recursos de manera atpica, alrededor de100.000.Resumen de las corridas del escenario 2Luego de haber realizado cinco corridas del escenario 2:vecindad Pas con agentes cooperativos, se compruebala aleatoriedad en las simulaciones de negociacin reali-zadas, en este punto es necesario recordar que el agenteeligi aleatoriamente una de las variables sociales conla cual se siente identicado y a partir de dicha variablerealiz las negociaciones. Adicionalmente, los agentesque consideran haber recibido de ms estn dispuestosa dar recursos a otros.Es importante observar que en el escenario 2 siemprehubo convergencia, el nmero mnimo de iteracionesrealizadas fue 10 y el mximo fue 14 iteraciones. Ob-srvese tambin que los recursos asignados en todos los


A15


Figura 9: Curva de convergencia hacia la satisfaccin con el esce-nario 2

Figura 10: Relacin de la asignacin de recursos con las variablessociales

casos estn altamente corelacionados con todas las va-riables sociales, a pesar que cada municipio se aferranicamente a una de las variables sociales, lo que sig-nica que las variables sociales estn altamente corela-cionadas.El nmero de municipios descontentos en cada una delas corridas fue de: 5, 0, 2, 10 y 5 respectivamente. Dan-do en promedio 4.4 municipios descontentos. Lo que enpromedio nos da un 1.9% de municipios descontentos.Aspecto que mejora con relacin a lo sucedido en el es-cenario 1.


Figura 12: Curva de convergencia hacia la satisfaccin con el es-cenario 3

Simulacin con el Escenario 3: Vecindad Provincia yAgentes Competitivos

Como se observa en la gura 11, al nal de la simula-cin casi todos los municipios se encuentran contentoso satisfechos, excepto 5 municipios.

La gura 12 muestra que la simulacin se realiz en 10iteraciones hasta obtener la convergercia.

Adicionalmente, la gura 13 muestra que los montosmayores de asignacin se asignan en los municipios quetienen menor acceso a servicios y mayor pobreza. Seobserva tambin que dos municipios reciben una canti-dad mayor de recursos de manera atpica, alrededor de75.000.

A16


Figura 13: Relacin de la asignacin de recursos con las variablessocialesResumen de las corridas del escenario 3Luego de haber realizado cinco corridas del escenario 3:vecindad Provincia con agentes competitivos, se com-prueba la aleatoriedad en las simulaciones de negocia-cin realizadas, en este punto es necesario recordar queel agente eligi aleatoriamente una de las variables so-ciales con la cual se siente identicado y a partir de di-cha variable realiz las negociaciones. Adicionalmen-te, los agentes se comparan solamente con los cantonesubicados dentro de su misma provincia.Es importante observar que en el escenario 3 siemprehubo convergencia, el nmero mnimo de iteracionesrealizadas fue 10 y el mximo fue 15 iteraciones. Ob-srvese tambin que los recursos asignados en todos loscasos estn altamente corelacionados con todas las va-riables sociales, a pesar que cada municipio se aferranicamente a una de las variables sociales, lo que sig-nica que las variables sociales estn altamente corela-cionadas.El nmero de municipios descontentos en cada una delas corridas fue de: 5, 10, 12, 11 y 10 respectivamente.Dando en promedio 9.6 municipios descontentos, lo queen promedio nos da un 4.2% de municipios desconten-tos. Que se encuentra por debajo del 5% planteado.

Simulacin con el Escenario 4: Vecindad Provincia yAgentes CooperativosComo se observa en la gura 14, al nal de la simula-cin casi todos los municipios se encuentran contentos


Figura 15: Curva de convergencia hacia la satisfacci con el esce-nario 4

o satisfechos, excepto un 5%.

La gura 15 muestra que la simulacin se realiz en 9iteraciones hasta obtener la convergercia.Adicionalmente, la gura 16 muestra que los montosmayores de asignacin se asignan en los municipios quetienen menor acceso a servicios y mayor pobreza. Seobserva tambin que dos municipios reciben una canti-dad mayor de recursos de manera atpica, alrededor de25.000.

Resumen de las corridas del escenario 4Luego de haber realizado cinco corridas del escenario 4:vecindad Provincia con agentes cooperativos, se com-prueba la aleatoriedad en las simulaciones de negocia-cin realizadas, en este punto es necesario recordar que

A17


Figura 16: Relacin de la asignacin de recursos con las variablessocialesel agente eligi aleatoriamente una de las variables so-ciales, con la que se siente identicado, y a partir dedicha variable realiz las negociaciones.Adicionalmente en este escenario las comparaciones sehicieron con los municipios de la misma provincia, ylos agentes que consideraban que haban recibido msrecursos que los que necesitaban manifestaron su des-contento neutral.Es importante observar que en el escenario 4 siemprehubo convergencia, el nmero de iteraciones realizadashasta lograr la convergencia mostro como mnimo 8 ycomo mximo 16 iteraciones. Obsrvese tambin quelos recursos asignados en todos los casos estn corela-cionados con al menos una de las variables sociales.El nmero de municipios descontentos en cada una delas corridas fue de: 10, 10, 11, 11, 11 respectivamen-te. Dando en promedio 10.6 municipios descontentos,lo que en promedio nos da un 4.7% de municipios des-contentos.Utilizando estos parmetros, la simulacin utiliza la po-blacin de la provincia para asignar los recursos, y luegose reparten entre los municipios de dicha provincia conrespecto a las necesidades expresadas en las variablessociales.

ConclusionesLa asignacin de recursos con equidad y satisfac-cin de todos los involucrados puede lograrse me-

diante la aplicacin de una simulacin con agentesinteligentes que tengan metas denidas, interesescomunes y capacidad de negociacin.El lenguaje NetLogo presenta un ambiente apro-piado de programacin orientada a agentes inte-ligentes, permitiendo simular agentes que puedentomar decisiones a partir de lo que perciben en otrosagentes y en el mundo que se desarrolla la simula-cin.Se observa que la vecindad elegida para compara-ciones y negociaciones afecta en los resultados ob-tenidos tanto en cantidad de iteraciones como ennmero de minucipios descontentos en promedio,los tiempos de convergencia y la asignacin de re-cursos.El tipo de agentes utilizados en la simulacin (coope-rativos o competitivos) tambin afecta en los resul-tados obtenidos, pero se observa que el estado des-contento neutral, decrece rpidamente (amarillo) apesar que considera que recibe ms recursos de losesperados, ya que en todas las simulaciones se re-duce a menos del 10% (18 en promedio).

La distribucin de los recursos asignados al iniciode la simulacin guarda relacin con los el tamaode la poblacin, pero luego de las iteraciones hayuna adaptacin dirigida hacia las variables socia-les, tal como se muestra en cada una de las corridasrealizadas en los diferentes escenarios de simula-cin.La distribucin de recursos ms adecuada segn lateora se realizara con vecindad provincial y conagentes de tipo cooperativos, pues, se observa quecon esta denicin de parmetros, los valores at-picos decrecen de forma notable, lo que signicaque hubo mayor equidad en la distribucin de losrecursos.

Referencias[1] Mas, A. 2005. Agentes software y sistemas multiagente:

conceptos, arquitecturas y aplicaciones. Prentice-Hall.1a. Edicin. Madrid-Espaa.

[2] Panait, L.; Luke, S. 2005. Cooperative multi-agent lear-ning: The state of the art. Autonomous Agents and Multi-Agent Systems. Kluwer Academic Publishers, 11(3):387434.

[3] Gilbert, N.; Troitzsch, K. 2014. Simulation For TheSocial Scientist. Open University Press. 2a. Edicin.Berkshire-Inglaterra.

[4] Russell, J.; Cohn, R. 2012. Netlogo. Book on Demand.1a. Edicin. Madrid-Espaa.

[5] Lahoz-Beltra, R. 2004. Simulacin, vida articial e inte-ligencia articial. Ediciones Daz de Santos. 1a. Edicin.Madrid-Espaa.

A18


[6] Toffoli, T.; Margolus, N. 1987. Cellular AutomataMachines: A New Environment for Modeling (ScienticComputation). The MIT Press. 1a. Edicin. Massachu-setts.


Quantitative Structure-Activity Relationship study for pesticides by means of classicationtechniques

Estudio de la Relacin Cuantitativa Estructura-Actividad de pesticidas mediante tcnicasde clasicacin

Fernando Crdenas1, Piercosimo Tripaldi2, Cristian Rojas3

1Grupo de Investigacin en Biotecnologa y Ambiente (INBIAM). Escuela de Ingeniera Ambiental.Universidad Politcnica Salesiana. Calle Vieja 12-30 y Elia Liut, Cuenca-Ecuador.

2Laboratorio UDALAB, Facultad de Ciencia y Tecnologa, Universidad del Azuay. Av. 24 de Mayo 7-77 yHernn Malo, Apartado postal 01.01.981. Cuenca-Ecuador.

3Instituto de Investigaciones Fisicoqumicas Tericas y Aplicadas (INIFTA), Universidad Nacional de la Plata.Diagonal 113 y calle 64, C.C. 16, Suc. 4 (1900), La Plata-Argentina.Autor principal/Corresponding author, e-mail: [email protected]



AbstractThe aim of this work was the comparison between k-Nearest Neighbors (k-NN) and Coun-terpropagation Articial Neural network (CP-ANN) classication methods for modelingthe toxicity of a set of 192 organochlorinated, organophosphates, carbamates, and pyreth-roid pesticides measured as effective concentration (EC50). The EC50 values were dividedinto three classes, i.e. low, intermediate, and high toxicity. The 4885 molecular descrip-tors were calculated using the Dragon software, and then were simultaneously analyzedthrough k-NN classication analysis coupled with Genetic Algorithms - Variable SubsetSelection (GA-VSS) technique. The models were properly validated through an externaltest set of compounds. The results clearly suggest that 3D-descriptors did not offer relevantinformation for modeling the classes. On the other hand, k-NN showed better results thanCP-ANN.

Keywords. Pesticides, k-NN, CP-ANN, GA-VSS, QSAR Theory.

ResumenEl objetivo de este trabajo fue la comparacin entre los mtodos de clasicacin del vecinoms cercano (k-NN) y las redes neuronales articiales de contrapropagacin (CP-ANN)para modelar la toxicidad de un conjunto de 192 pesticidas organoclorados, organofosfora-dos, carbamatos y piretroides, medidos como Concentracin Efectiva (EC50) y que fuerondivididos en tres clases, es decir, baja, intermedia y alta toxicidad. Se calcularon 4885descriptores moleculares usando el programa DRAGON, los que fueron simultneamen-te analizados mediante el mtodo k-NN acoplado con la tcnica de seleccin de variablesde los Algoritmos Genticos (GA-VSS). Los modelos fueron apropiadamente validadosmediante un subconjunto de prediccin. Los resultados claramente sugieren que los des-criptores 3D no ofrecen informacin relevante para modelar las clases. Por otro lado, k-NNmuestra mejores resultados que CP-ANN.

Palabras Clave. Pesticidas, k-NN, CP-ANN, GA-VSS, Teora QSAR.

Introduccin

Los pesticidas son un grupo muy importante de com-puestos qumicos que son utilizados en la agriculturapara la proteccin contra las plagas. Su aplicacin anualestimada es de 4 millones de toneladas pero slo el 1%de estos compuestos llegan a ser efectivos en su aplica-cin, es decir, el 99% de sus componentes activos son

liberados y estos pueden causar diferentes afectacionesa los componentes ambientales y a los seres vivos. Va-rias investigaciones han estudiado la toxicidad de lospesticidas y se ha demostrado que los mismos puedenser peligrosos si se usan indiscriminadamente. La toxi-cidad de los pesticidas depende en gran medida de laestructura qumica que poseen, metabolismo de los or-ganismos, dosis, grado de descomposicin, modo de en-


A20

Av. Cienc. Ing. (Quito), 2014, Vol. 6, No. 2, Pags. A19-A30 Crdenas et al.

trada al organismo, entre otros; razn por la cual es desuma importancia determinar su toxicidad [1].

Para este n se han estudiado y desarrollado diversosensayos en organismos vivos. La ventaja fundamentalde estas pruebas es su realizacin en condiciones rigu-rosas y controladas de laboratorio, permitiendo estable-cer de manera cuantitativa la relacin entre la exposi-cin (dosis) y su efecto (respuesta) [2]. Dentro de lasdesventajas de realizar estas pruebas es la deteccin delos efectos en dosis bajas; esto requiere de un nmeroelevado de ejemplares lo que convierte al proceso in-viable econmicamente [3]. En un estudio de la Comi-sin Europea se estim que las pruebas toxicolgicas de30.000 sustancias constituyeron un costo total de 2 bi-llones de euros hasta el ao 2013 [4]; asimismo, se haestimado que para realizar estas pruebas fueron necesa-rios el uso de ms de 12 millones de animales vertebra-dos que fueron sacricados para este propsito [3]. Estoclaramente indica que existen varias limitaciones en losensayos de toxicidad como: restricciones econmicas,consideraciones ticas y la presin pblica para reducirlas pruebas toxicolgicas en animales [4].

Debido a estas limitaciones, se han desarrollado nuevosmtodos que permiten reducir el nmero de animalesusados en la experimentacin, ahorrar tiempo y redu-cir el costo de los ensayos [5]. Dentro de estas estrate-gias se encuentran los modelos matemticos de predic-cin basados en la teora QSAR (Relacin CuantitativaEstructura-Actividad) [6]. Estos modelos fueron descri-tos inicialmente por Hansch y su equipo en 1964 [7].Ellos establecieron que molculas semejantes tendrnun comportamiento similar tanto en las propiedades -sicoqumicas como biolgicas. Por lo tanto, estas sus-tancias pueden inducir una determinada respuesta en elorganismo, lo cual indica el efecto y la funcin carac-terstica de las mismas. El postulado de Hansch armaque la actividad est en funcin de propiedades lipofli-cas (L), propiedades electrnicas (E), propiedades est-ricas (S) y, nalmente cualquier otro tipo de propiedadmolecular (M) necesaria para describir el efecto biol-gico estudiado. Estos modelos son basados en una seriede aplicaciones matemticas y estadsticas que tienencomo premisa encontrar un modelo matemtico cuan-titativo que relacione la estructura molecular y una ac-tividad denida. Para lograr este objetivo los modelosQSAR se apoyan en tcnicas quimiomtricas que per-miten analizar de manera exhaustiva los datos [8].

La Quimiometra es una ciencia que utiliza tcnicas ma-temticas y estadsticas multivariantes sobre datos qu-micos, permitiendo obtener la mxima informacin paraentender un problema [9]. Estas tcnicas analizan sis-temas complejos de informacin, los cuales estn for-mados por matrices compuestas por varias partes inter-conectadas y entrelazadas cuyos vnculos crean infor-macin adicional no visible antes del anlisis. Con losavances de la informtica se han podido desarrollar tc-nicas que permiten utilizar toda la informacin disponi-ble en las bases de datos; minimizando el tiempo y el

costo del anlisis y maximizando la calidad de la res-puesta. Esto permite tener un mejor entendimiento delproblema al estudiar todos los datos disponibles usan-do tcnicas tales como anlisis de componentes prin-cipales, anlisis de conglomerados, mtodos de regre-sin, mtodos de clasicacin, mtodos de seleccin devariables, redes neuronales, diseo experimental, entreotros [8].

Las tcnicas de clasicacin [8, 9] tienen como objeti-vo la construccin de modelos discretos sobre la basede un cierto nmero de variables independientes y unaclase como respuesta cualitativa. Existe una vasta ga-ma de mtodos de clasicacin, entre los cuales se tieneel mtodo del vecino ms cercano k-NN [8] y las redesneuronales articiales de contrapropagacin (CP-ANN)[10, 11]. Debido a la dimensionalidad de las bases dedatos es necesario realizar una seleccin previa de lasvariables (descriptores) ms signicativas que permiti-rn predecir la toxicidad de los pesticidas. Para obte-ner un conjunto ptimo de variables necesarias para laconstruccin del modelo se usan diversas tcnicas, en-tre ellas, la metodologa de seleccin de variables delos algoritmos genticos (GA-VSS) [1214], esta meto-dologa se basa en el proceso gentico evolutivo de losorganismos vivos y simula el proceso de la seleccinnatural y la supervivencia.Duchowicz y Castro [6] presentaron un artculo de revi-sin de las diversas aplicaciones de la teora QSAR/QSPRen el estudio de pesticidas desarrolladas durante la dca-da 2003-2013. En ella mostraron estudios de propieda-des tales como Factor de Bioconcentracin, Coecientede Adsorcin Suelos/Sedimentos, Toxicidad, Solubili-dad Acuosa y Particin Aire a Agua; constituyendo unresumen detallado de estudios especcos en este cam-po. Dadas estas primicias, el objetivo principal fue eldesarrollar un modelo QSAR para modelar la Concen-tracin Efectiva 50 (EC50) medida en Daphnia magna,usando un conjunto de 192 pesticidas. Se aplic el m-todo de seleccin de variables GA-VSS acoplado conk-NN. Finalmente se compararon las tcnicas de clasi-cacin k-NN y CP-ANN. Estos modelos permitirn pre-decir la actividad biolgica de nuevas molculas en tr-minos discretos, permitiendo ahorrar tiempo, recursoseconmicos y reducir la experimentacin de laboratoriosobre animales.

Materiales y Mtodos

Base de datos experimentalEl dominio qumico analizado involucra 192 molculasde pesticidas de cuatro tipos: carbamatos, piretroides or-ganoclorados y organofosforados, reportados en Pestici-de Properties Data Base (PPDB) [15, 16]. La actividadexperimental reportada es la Concentracin Efectiva 50(EC50) medida en Daphnia magna, la cual representa laconcentracin en mg/L que producir la reduccin del50% de la poblacin en estudio luego de 48 horas [2].

A21

Crdenas et al. Av. Cienc. Ing. (Quito), 2014, Vol. 6, No. 2, Pags. A19-A30

Parmetro Clase 1 Clase 2 Clase 3Valor umbral 5,3-4,65mg/L

A22

Av. Cienc. Ing. (Quito), 2014, Vol. 6, No. 2, Pags. A19-A30 Crdenas et al.

Descriptor Descripcin Bloque Sub-bloque

B01[C-N]Presence/absence of C - N at

2D atom pairs

Binary atom pairs oftopological distance 1 order 1

B02[C-N]Presence/absence of C - N at Binary atom pairs oftopological distance 2 order 2

B04[C-P]Presence/absence of C - P at Binary atom pairs oftopological distance 4 order 4

B04[C-N]Presence/absence of C - N at Binary atom pairs oftopological distance 4 order 4

F02[C-N]Frequency of C - N at Frequency atom pairs oftopological distance 2 order 2

O-059 Al-O-AlAtom-centred Basic descriptorsfragments

CATS2D_02_DA Donor-acceptor at lag 02 CATS 2D Basic descriptorsCATS2D_02_DL CATS2D Donor-lipophilic at lag 02nP Number of phosphorous atoms Constitutional Basic descriptorsindicesSssNH Sum of ssNH E-states atom-type E-state indices E-State sumsGATS1s Geary autocorrelation of lag 1 2D Geary autocorrelationsweighted by I-state Autocorrelations

Tabla 2: Descripcin de los descriptores calculados por Dragon considerados en los modelos k-NN y CP-ANN.

neurona acepta diferentes seales de las neuronas ve-cinas y las procesa para un nmero de iteraciones de-nidas. Se las puede considerar una extensin de losmapas de Kohonen, tambin llamado Mapas de Auto-Organizacin (SOMs). CP-ANNs consiste en dos capas,una capa Kohonen y una capa de salida (tambin deno-minada capa de Grosberg). La primera capa es usual-mente caracterizada por ser un espacio toroidal cuadra-do o hexagonal, que consiste en una cuadrcula de NNneuronas; donde N es el nmero de neuronas para cadalado del espacio. Cada neurona contiene tantos elemen-tos (pesos) como el nmero de variables de entrada. Lospesos de cada neurona son aleatoriamente inicializadosentre 0 y 1 y actualizados en funcin de los vectoresde entrada, es decir, las muestras para un determinadonmero de tiempo (denominado pocas). Ambos par-metros deben ser denidos por el usuario [39]. El usode CP-ANNs se ha incrementado en diferentes aspec-tos de la qumica y actualmente pueden ser considera-das una herramienta importante dentro del anlisis mul-tivariable. Para los clculos, se us utiliz el Kohonenand CPANN Toolbox [43, 44] tambin implementadoen MatLab.

Validacin del modelo

Para propsitos de validacin externa, la base de datosde 192 pesticidas y 1126 descriptores fue dividida endos grupos de manera aleatoria, considerando el 70%de las molculas para la calibracin (training set) y lasrestantes para la prediccin (test set). El parmetro quesintetiza el resultado de un mtodo de clasicacin es latasa de no error (non-error rate, NER%) denido de lasiguiente manera:

NER =

g cgg

n(2)

Donde cgg son los elementos diagonales de la matrizde confusin y n es el nmero total de datos. Los valo-res de NER tienen un intervalo que van de 0 a 1 o de0 a 100 (NER%), donde valores cercanos a 1 o 100,respectivamente, representan el mejor resultado de cla-sicacin [9]. Se us el subconjunto de calibracin pararealizar la validacin cruzada extrayendo aleatoriamen-te el 20% de molculas (leave-more-out) y obtener elNERcv; mientras que, con el subconjunto de prediccinse ha obtenido el NERpred.

Resultados y DiscusinEn la Tabla 1S (material suplementario) se indica la in-formacin de los pesticidas (tipo y nombre), su valor detoxicidad, las clases asignadas de acuerdo a los valorespresentados en la Tabla 1. Se indican tambin las cla-

Figura 1: Relacin entre el nmero de descriptores incluidos enlos modelos y la tasa de no error en validacin cruzada (NERcv).

A23

Crdenas et al. Av. Cienc. Ing. (Quito), 2014, Vol. 6, No. 2, Pags. A19-A30

Clases Clases Asignadas k-NN Clases Asignadas CP-ANNverdaderas Clase 1 Clase 2 Clase 3 Clase 1 Clase 2 Clase 3Clase 1 33 3 3 30 6 3Clase 2 4 36 8 5 37 6Clase 3 2 3 43 3 5 40

Tabla 3: Matrices de confusin para los mtodos k-NN y C

Documents

Avances en Ciencias e Ingeniería Diciembre 2014