derechos de autor. issn 2007-0691. - smia.mxsmia.mx/komputersapiens/download.php?file=ks53_2... ·...

c©Komputer Sapiens, Ano V Volumen III, septiembre-diciembre 2013, es una publicacion cuatrimes-tral de la Sociedad Mexicana de Inteligencia Artificial, A.C., con domicilio en Ezequiel Montes 56 s/n,Fracc. los Pilares, Metepec, Edo. de Mexico, C.P. 52159, Mexico, http://www.komputersapiens.org,correo electronico: [email protected], tel. +52 (833)357.48.20 ext. 3024, fax +52 (833)

215.85.44. Impresa por Sistemas y Disenos de Mexico S.A. de C.V., calle Aragon No. 190, colonia Alamos, delegacionBenito Juarez, Mexico D.F., C.P. 03400, Mexico, se termino de imprimir el 30 de diciembre de 2013, este numeroconsta de 1000 ejemplares.Reserva de derechos al uso exclusivo numero 04-2009-111110040200-102 otorgado por el Instituto Nacional deDerechos de Autor. ISSN 2007-0691.Los artıculos y columnas firmados son responsabilidad exclusiva de los autores y no reflejan necesariamente lospuntos de vista de la Sociedad Mexicana de Inteligencia Artificial. La mencion de empresas o productos especıficosen las paginas de Komputer Sapiens no implica su respaldo por la Sociedad Mexicana de Inteligencia Artificial.Queda estrictamente prohibida la reproduccion total o parcial por cualquier medio, de la informacion aquı contenidasin autorizacion por escrito de los editores.Komputer Sapiens es una revista de divulgacion en idioma espanol de temas relacionados con la inteligencia artificial.Creada en LATEX, con la clase papertex disponible en el repositorio CTAN : Comprehensive TeX Archive Network,http://www.ctan.org/Indizada en el IRMDCT de CONACYT y en Latindex.

Directorio SMIA Directores FundadoresPresidente Alexander Gelbukh Carlos Alberto Reyes Garcıa

Vicepresidente Grigori Sidorov Angel Kuri MoralesSecretario Miguel Gonzalez MendozaTesorero Ildar Batyrshin Comite EditorialVocales: Rafael Murrieta Cid Felix A. Castro Espinoza

Maya Carillo Ruiz Jesus Favela VaraSofıa Natalia Galicia Haro Sofıa Natalia Galicia HaroLuis Villasenor Pineda Miguel Gonzalez MendozaGustavo Arroyo Figueroa Oscar Herrera AlcantaraOmar Montano Rivas Raul Monroy BorjaFelix Castro Espinoza Eduardo F. Morales ManzanaresHugo Terashima Marın Leonardo Garrido LunaOscar Herrera Alcantara Carlos Alberto Reyes GarcıaJesus Gonzalez Bernal Angelica Munoz Melendez

Antonio Sanchez AguilarKomputer Sapiens Luis Enrique Sucar Succar

Director general Alexander Gelbukh Angel Kuri MoralesEditora en jefe Laura Cruz Reyes Jose A. Martınez FloresEditor asociado Jose A. Martınez Flores Juan Manuel Ahuactzin LariosEditora cientıfica Elisa Schaeffer Manuel Montes y GomezCoordinadora de redaccion Gladis Galiana Bravo Ofelia Cervantes VillagomezCoordinador tecnico Marco A. Aguirre Lam Alexander Gelbukhe-Tlakuilo Hector Hugo Aviles Arriaga Grigori SidorovEstado del IArte Ma del Pilar Gomez Gil Laura Cruz Reyes

Jorge Rafael Gutierrez PulidoSakbe Hector Gabriel Acosta Mesa Comite Editorial (arbitros)

Claudia G. Gomez Santillan Elisa SchaefferIA & Educacion Marıa Yasmın Hernandez Perez Ramon Brena Pinero

Marıa Lucıa Barron Estrada Juan Humberto Sossa AzuelaDeskubriendo Konocimiento Alejandro Guerra Hernandez

Leonardo Garrido Luna ArbitrosAsistencia tecnica Irvin Hussein Lopez Nava Cesar Raul Cardenas Perez

Alan G. Aguirre Lam Hector Gerardo Perez GonzalezCorreccion de estilo Rafael Ortega Cortez Sandra Nava Munoz

Claudia L. Dıaz Gonzalez Claudia G. Gomez SantillanEdicion de imagen Laura Gomez Cruz Marıa del Rosario Baltazar FloresApoyo logıstico Silvia Guzman Ortiz David J. RiosPortada Daniel Rubio Badillo, Altera Diseno Tania Turrubiates Lopez

Marıa Lucila Morales RodrıguezDaniel Pedraza Arcega

ContenidoARTICULO ACEPTADO

Deteccion de fallas basada en los da-tos historicos del sistema empleandoun sistema neuro difuso (ANFIS)por Juan Pablo Nieto Gonzalez, Elıas Gabriel Carrum Sillery Pedro Perez Villanuevapag. 5 ⇒ Proponen una metodologıa de monitoreo y diagnostico defallas que emplea datos historicos del proceso.

ARTICULO ACEPTADO

Reconocimiento de la actividad fısica para el bienestary salud de trabajadores en ambientes calurosos

por Pablo Pancardo, Francisco D. Acosta, Miguel A. Wister y Jose AdanHernandez Nolasco

pag. 11 ⇒ Construyen un sistema de reconocimiento de la actividad fısica deltrabajador apoyado por el uso de sensores portables mediante algoritmos compu-tacionales.

ARTICULO ACEPTADO

Diseno y evaluacion de interfaces de usuario

por David J. Rios Soria

pag. 17 ⇒ Considera la relevancia de implementar interfaces sin contacto para diversasaplicaciones.

ARTICULO ACEPTADO

Una metodologıa basada en maquinas de vectores desoporte para el pronostico de la volatilidad del ındicede precios y cotizaciones

por Guillermo Santamarıa-Bonfil, Juan Frausto-Solıs y Manuel Chi-Chim

pag. 22 ⇒ Determinan la eficacia de un metodo para pronosticar la volatilidad delındice bursatil de la Bolsa Mexicana de Valores en un perıodo financiero frenetico.

ARTICULO ACEPTADO

Metodo de aprendizaje automatico basado en com-puestos organicos

por Hiram Ponce, Pedro Ponce y Arturo Molina

pag. 28 ⇒ Demuestran la potencialidad de las redes de hidrocarburos artificialesmediante resultados experimentales sobre datos de prueba, filtrado de senales de audioy diseno de controladores.

Columnas

Sapiens Piensa. Editorial pag. 2

e-Tlakuilo pag. 3

Sakbe pag. 3

Estado del IArte pag. 4

IA & Educacion pag. 34

DeskubriendoKonocimiento pag. 35

Komputer Sapiens Septiembre - Diciembre ‖ Ano V, Vol.III

Año V, Vol. III. Septiembre - Diciembre Columnas Komputer Sapiens 2 / 36

Sapiens Piensa

Laura Cruz y Jose Antonio Martınez

Esta tercera edicion de Kompu-ter Sapiens, del ano en curso, lahemos dedicado a una variedadde temas de inteligencia artifi-cial relacionadas con los sistemasneuronales, el computo ubicuo, elaprendizaje automatico y las me-taheurısticas. Sabiendo de la im-portancia de la inteligencia arti-ficial en el desarrollo social, conmucho orgullo presentamos re-

sultados de investigaciones con un gran potencial parasu aplicacion en salud, educacion, economıa, ingenierıa,biomedicina, quımica, biologıa, fısica y estadıstica, en-tre muchas otras. Seleccionamos rigurosamente cincoartıculos para presentarlos a nuestros lectores.

En el primer artıculo,Deteccion de fallas basadaen datos historicos empleando un sistema neu-ro difuso (ANFIS), se propone una metodologıa demonitoreo y diagnostico de fallas que emplea solamentedatos historicos del proceso y utiliza tecnicas de Inteli-gencia Artificial. La propuesta esta compuesta por dosfases, en la primera fase se emplea una red neuronal au-toasociativa para llevar a cabo el proceso de deteccion.Luego una segunda fase hace uso de un sistema adapta-ble neurodifuso para dar el diagnostico final del sistemamonitoreado. La metodologıa propuesta se evaluo con uncaso real. Los resultados obtenidos son prometedores enel campo de la deteccion y diagnostico de fallas, lo cualpuede ayudar a evitar perdidas en la produccion, reducirel riesgo de accidentes que pongan en peligro la salud yvida de los operadores y minimizar danos a equipos.

Los autores del artıculo Reconocimiento de la ac-tividad fısica para el bienestar y salud de traba-jadores en ambientes calurosos, proponen construir unsistema de reconocimiento de la actividad fısica del tra-bajador apoyado por el uso de sensores portables quemediante algoritmos computacionales estiman el estrestermico del portador. La propuesta resultante hara po-sible la creacion de servicios de informacion que consi-deren un escenario de inteligencia ambiental en dondese contemplen las condiciones ambientales (parametrosfısicos), el usuario y las actividades que realiza. Lo quepermitirıa conocer en tiempo real y en forma precisa, elgasto calorico de un trabajador.

El artıculo Diseno y evaluacion de interfaces deusuario plantea la hipotesis de que usar una interfaz querastree el movimiento de las manos permite una interac-cion mas facil y evita que el presentador y la audienciase distraigan. Disenaron una interfaz e implementaron

un prototipo de esta; y realizaron pruebas con usuariosmediante la tecnica “Hombre detras de la cortina”. Losresultados muestran que los usuarios tienen buena acep-tacion de este tipo de dispositivos y que son faciles deutilizar.

Una contribucion relevante y de actualidad es Unametodologıa basada en maquinas de vectores de sopor-te para el pronostico de la volatilidad del ındice deprecios y cotizaciones ya que las bolsas de valores jue-gan un papel protagonico en las economıas globales. Lavolatilidad es una de las variables mas importantes usa-das por los inversionistas, debido a que refleja el compor-tamiento de las fluctuaciones de los precios de los activos,permitiendo medir el riesgo de los portafolios. Sin embar-go, la volatilidad es una variable compleja que no es facilde estimar. En este trabajo, se propone una metodologıarobusta para el pronostico de la volatilidad que utiliza lateorıa del caos, un metodo de regresion no-lineal, herra-mientas de aprendizaje supervisado y una metaheurısti-ca. Como caso de estudio se analizo la volatilidad delındice bursatil de la Bolsa Mexicana de Valores (BMV),en un perıodo financiero inestable, para determinar laeficacia de su metodo.

En el ultimo artıculo, Metodo de aprendizaje au-tomatico basado en compuestos organicos, los au-tores presentan una red organica artificial. Este tipo dealgoritmos surgen como una tecnica de aprendizaje au-tomatico inspirada en compuestos quımicos basados encarbono. Particularmente, proponen el algoritmo deno-minado redes de hidrocarburos artificiales el cual aportaestabilidad algorıtmica y organizacion de la informacionbasada en la analogıa de compuestos organicos, ası comoen la implementacion de heurısticas quımicas. Median-te estudios experimentales muestran la potencialidad delmetodo propuesto en aplicaciones de filtrado de senalesy control de sistemas con incertidumbre.

Los invitamos a disfrutar de esta edicion, que aunquees de una tematica variada fue preparada con mucho es-mero para los lectores de Komputer Sapiens, y a que nodejen de leer nuestras ediciones pasadas que estan dispo-nibles en el sitio web de la revista.U

Laura Cruz es Editora en Jefe de la revista Kompu-ter Sapiens desde marzo de 2012, columnista desde lacreacion de la revista e investigadora en optimizacion in-teligente.Jose Antonio Martınez es Editor Asociado de la re-vista Komputer Sapiens desde marzo de 2012 y es inves-tigador en lenguaje natural.

c© 2013 - Sociedad Mexicana de Inteligencia Artificial ISSN 2007-0691


COLUMNAS

SakbeClaudia Guadalupe Gomez Santillan y Hector Gabriel Acosta Mesa,[email protected]

EL PAIS ⇒ Uno de los ultimos reportajes de este pe-riodico nos informa de los proyectos ganadores en lospremios vida, que son aplicaciones de la IA en la luna[1]. Otro reportaje interesante es sobre aplicaciones in-teligentes en la industria siderurgica [2]. Tambien pode-mos encontrar informacion de aplicaciones para facilitar

la comunicacion hombre-maquina a traves de emocioneshumanas como son las expresiones faciales y las respues-tas fisiologicas [3].

1. http://cultura.elpais.com/cultura/2013/10/22/actualidad/1382465864_860779.html

2. http://ccaa.elpais.com/ccaa/2013/08/05/paisvasco/1375699931_510236.html

3. http://tecnologia.elpais.com/tecnologia/2013/06/20/actualidad/1371721850_602731.html

http://elpais.com/tag/inteligencia_artificial/a/

Discovery Noticias ⇒ Aquı encontraremos noticias so-bre sistemas roboticos enfocados en ayudar al ser hu-mano a realizar tareas como: asistencia en exploracionesarqueologicas [1], y apoyo al desarrollo de ninos con au-tismo [2]. Tambien podemos encontrar la recomendacionde los 10 avances tecnologicos mas influyentes de acuer-do al MIT (uno de los centros de investigacion en IA

mas importantes del mundo) [3]. Estos van desde relojesinteligentes hasta sistemas de apoyo a la memoria parapacientes con Alzheimer y/o infarto cerebral.U

1. http://noticias.tudiscovery.com/robots-a-control-remoto-

asisten-en-exploraciones-arqueologicas/

2. http://noticias.tudiscovery.com/un-robot-ayuda-al-desarrollo-de-ninos-autistas/

3. http://www.innovacion.cl/2013/04/los-10-avances-tecnologi-cos-del-2013-segun-el-mit/

http://noticias.tudiscovery.com/robots-inteligencia-artificial/

e-Tlakuilo: Cartas de nuestros lectoresHector Hugo Aviles Arriaga, [email protected]

En Komputer Sapiens nos hemos esforzado por estar “asolo un click de distancia” a traves de diferentes medioscomo Facebook, Twitter y correo electronico. Les pre-sentamos uno de los comentarios que hemos recibido atraves de estos medios.Carlos Antonio Tovar Garcıa, estudiante de In-genierıa Mecatronica (Correo electronico)Visitando el sitio me surgio una pregunta en el tema dela robotica, ¿que algoritmos se utilizan para que un robotpueda aprender alguna tarea que pueda ser repetitiva?Gracias por su atencion.

Hola Carlos, nos da mucho gusto saber que nuestrosestudiantes se interesan por los temas que presentamosen esta revista. Con respecto a tu pregunta, existenuna gran variedad de algoritmos que pueden imple-mentarse para desarrollar robots capaces de aprender.

Para realizar sus tareas estas maquinas deben perci-bir e interactuar con su ambiente y sus usuarios porimagenes, sonidos o voz. Igualmente los robots debenser capaces de manipular y modificar su espacio detrabajo de manera segura. Ası, la seleccion del algo-ritmo depende de la capacidad o habilidad robotica quedesees desarrollar, del ambiente de trabajo, del tipode datos a considerar, de si hay o no disponible al-guna guıa o refuerzo y si el aprendizaje es en tiemporeal o fuera de lınea. En Wikipedia puedes encontraruna lista amplia de algoritmos (http://en.wikipedia.org/wiki/List_of_machine_learning_algorithms).Ademas, puedes consultar libros en lınea gratuitos co-mo Introduction to Machine Learning de A. Smolaand S.V.N. Vishwanathan (http://alex.smola.org/drafts/thebook.pdf). Saludos cordiales.


http://cultura.elpais.com/cultura/2013/10/22/actualidad/1382465864_860779.html

http://cultura.elpais.com/cultura/2013/10/22/actualidad/1382465864_860779.html

http://ccaa.elpais.com/ccaa/2013/08/05/paisvasco/1375699931_510236.html

http://ccaa.elpais.com/ccaa/2013/08/05/paisvasco/1375699931_510236.html

http://tecnologia.elpais.com/tecnologia/2013/06/20/actualidad/1371721850_602731.html

http://tecnologia.elpais.com/tecnologia/2013/06/20/actualidad/1371721850_602731.html

http://elpais.com/tag/inteligencia_artificial/a/

http://noticias.tudiscovery.com/robots-a-control-remoto-asisten-en-exploraciones-arqueologicas/

http://noticias.tudiscovery.com/robots-a-control-remoto-asisten-en-exploraciones-arqueologicas/

http://noticias.tudiscovery.com/un-robot-ayuda-al-desarrollo-de-ninos-autistas/

http://noticias.tudiscovery.com/un-robot-ayuda-al-desarrollo-de-ninos-autistas/

http://www.innovacion.cl/2013/04/los-10-avances-tecnologi-cos-del-2013-segun-el-mit/

http://www.innovacion.cl/2013/04/los-10-avances-tecnologi-cos-del-2013-segun-el-mit/

http://noticias.tudiscovery.com/robots-inteligencia-artificial/

http://en.wikipedia.org/wiki/List_of_machine_learning_algorithms

http://en.wikipedia.org/wiki/List_of_machine_learning_algorithms

http://alex.smola.org/drafts/thebook.pdf

http://alex.smola.org/drafts/thebook.pdf

Año V, Vol. III. Septiembre - Diciembre Artıculos de divulgacion Komputer Sapiens 4 / 36

COLUMNAS

Estado del IArteMarıa del Pilar Gomez Gil y Jorge Rafael Gutierrez [email protected]

Foto cortesıa de Comision Federal de Electrici-

dad, disponible en: http://saladeprensa.cfe.gob.mx/

imagenes/

Las redes neuronales artificiales son modelos ma-tematicos inspirados en el funcionamiento del cerebrohumano. Estos modelos, aun y cuando simulan de ma-nera muy burda a las neuronas y a las conexiones entreestas, presentan habilidades de aprendizaje, abstracciony generalizacion. Utilizando algoritmos basados en ma-tematicas avanzadas, se pueden construir sistemas capa-ces de aproximar cualquier funcion matematica, clasificarobjetos, o predecir valores futuros en una serie de tiem-po, basandose solamente en ejemplos. Las aplicacionesde las redes neuronales artificiales son inmensas y pue-den encontrarse en practicamente cualquier campo delconocimiento. La medicina, los negocios, las finanzas yla manufactura son areas donde estos sistemas son muypopulares. Por ejemplo, en Nebraska, el Dr. Al Behrens,de la empresa Northern Natural Gas, desarrollo una redneuronal capaz de predecir el cambio en el precio men-sual del gas, con una exactitud de 97%.

Este sistema utiliza seis variables como entrada, re-lacionadas a la estacion del ano, el precio del mercadoen periodos anteriores y las ventas. Debido a que estaprediccion es necesaria para la planeacion de la empresa,la herramienta ha sido de gran utilidad. El diseno de unsistema de prediccion como este requiere que expertos,como el Dr. Behrens, determinen cuales son las varia-bles que afectan al valor a predecirse. Otros sistemas de

prediccion no utilizan variables del medio ambiente pararealizar sus estimaciones, sino que se basan simplementeen valores del pasado del elemento a predecir para pro-nosticar futuros valores. Por ejemplo, el Dr. Sven F. Cro-ne del Centro para prediccion Lancaster de la Escuela deAdministracion de la Universidad de Lancaster, UK, harealizado sistemas basados en ensambles de redes neuro-nales, capaces de predecir la demanda de electricidad enel Reino Unido con porcentajes de exactitud mejor queotros metodos tradicionales, basandose unicamente en elanalisis de los valores pasados.

Existen otros modelos de redes neuronales artificia-les. Entre los mas interesantes estan los mapas auto-organizados, mejor conocidos como redes SOM (Self-Organizing Maps). Estos son entrenados utilizando elalgoritmo de aprendizaje artificial que mas se asemejaa la forma en que ocurre el aprendizaje en el cerebro,segun palabras de su creador Tuevo Kohonen. Los mapasauto-organizados utilizan aprendizaje no supervisado, esdecir, aprenden de datos que se proporcionan a la red sinnecesidad de indicarle que aprender.

En la Universidad de Colima, Mexico, se esta traba-jando en un modelo computacional donde se aplican re-des SOM para clasificar eventos importantes del Volcande Colima. Jorge Rafael Gutierrez Pulido, de la Facultadde Telematica y Angel Reyes Davila, director del Obser-vatorio Vulcanologico, ambos de de la Universidad deColima, estan desarrollado un sistema para clasificar demanera automatica, eventos registrados por la Red Sis-mologica Telemetrica del Estado de Colima (RESCO).Este sistema permitira organizar un gran cumulo de co-nocimiento, de tal forma que se podrıan utilizar even-tualmente agentes inteligentes de software para alertar ala poblacion civil acerca de posible eventos eruptivos im-portantes. Este trabajo podrıa ser un importante avanceen el area de la vulcanologıa, pues hasta el momento elcampo de la prediccion de eventos volcanicos esta basadosolamente en la experiencia de expertos.U

Para saber mas puede consultar en ingles:

http://www.lums.lancs.ac.uk/research/

centres/Forecasting/

http://www.calsci.com/Applications.html

http://www.wsom2014.de


http://saladeprensa.cfe.gob.mx/imagenes/

http://saladeprensa.cfe.gob.mx/imagenes/

http://www.lums.lancs.ac.uk/research/centres/Forecasting/

http://www.lums.lancs.ac.uk/research/centres/Forecasting/

http://www.calsci.com/Applications.html

http://www.wsom2014.de


ARTICULO ACEPTADO

Deteccion de fallas basada en los datos historicosdel sistema empleando un sistema neuro difuso(ANFIS)Juan Pablo Nieto Gonzalez, Elıas Gabriel Carrum Siller y Pedro Perez Villanueva

Con el gran avance tecnologico los procesos se hanvuelto cada vez mas complejos, por lo cual su monito-reo es bastante importante para mejorar su desempeno,eficiencia y asegurar la calidad del producto terminado.Es entonces, que el analisis y diagnostico de fallas puedeayudar a evitar perdidas de produccion y accidentes, queponen en riesgo la salud y vida de los operadores y danoal equipo. Basado en estos hechos y considerando quelos modernos sistemas de manufactura industrial, sonsistemas de gran escala y que de ellos se pueden extraeruna gran cantidad de datos, se propone una metodologıade monitoreo y diagnostico de fallas que emplea sola-mente datos historicos del proceso y utiliza tecnicas deInteligencia Artificial. La propuesta esta compuesta pordos fases, en la primera fase se emplea una red neuronalautoasociativa para llevar a cabo el proceso de deteccion.Luego una segunda fase hace uso de un sistema adapta-ble neuro-difuso para dar el diagnostico final del sistemamonitoreado. La metodologıa propuesta se evaluo con uncaso real. Los resultados obtenidos son prometedores enel campo de la deteccion y diagnostico de fallas.

IntroduccionLa automatizacion de procesos y los sistemas de

diagnostico de fallas en su gran mayorıa, utilizan me-todologıas basadas en el modelo matematico detalladode su operacion. Sin embargo, las nuevas tecnologıasempleadas en los procesos y sistemas de manufacturason analogıas de sistemas humanos (brazos roboticos, vi-sion por computadora) o de animales, lo cual hace quela obtencion de un modelo matematico que describa ladinamica de su funcionamiento se torne muy difıcil deobtener.

La dificultad es debida a que dichos modelos depen-den de la experiencia con que cuente el disenador conrespecto a la automatizacion, control y diagnostico delos procesos y/o sistemas. Adicionalmente la gran can-tidad de informacion que se necesita manejar, la corre-lacion existente entre las variables, la presencia de ruidoen la medicion y el hecho de que los sistemas cuenten concaracterısticas no lineales representan un gran reto porvencer. Por lo anterior, la presencia de uno o la combina-cion de dos o mas de los factores anteriores puede ocasio-nar la presencia de falsas alarmas, indicando de maneraerronea un componente o sistema en modo de falla con

la respectiva perdida de tiempo de produccion. El moni-toreo de procesos industriales juega un rol sustancial enla seguridad de un sistema de produccion. A medida quelos procesos se tornan mas complejos, el monitoreo deestos es mas importante para mejorar su desempeno, efi-ciencia y calidad del producto final. La pronta deteccionde fallas puede ayudar a evitar mayores descomposturase incidentes. Por lo que para resolver dichos problemases que el campo de la deteccion y diagnostico de fallas hasido ultimamente una lınea de investigacion muy activa.

En el presente artıculo se propone una metodologıapara el diagnostico de sistemas complejos. La propuestase aplico con exito al monitoreo de motores electricos deuna celda de manufactura.

Estado del ArteDesde el punto de vista de seguridad y confiabilidad

de los sistemas electricos, es necesario tener un oportunodiagnostico de fallas que pueda detectar, aislar y diag-nosticar estos. Ademas de avisar a los operadores delsistema para tomar las correspondientes acciones correc-tivas. Durante un disturbio, hay un gran numero de even-tos relacionados con fallas, haciendo que el diagnosticoy la decision de tomar acciones correctivas se torne unatarea difıcil. En este dominio, la necesidad de desarrollartecnicas mas poderosas se ha reconocido, y ha iniciadoel uso de tecnicas hıbridas que combinan varios metodosde razonamiento.

Existen muchos trabajos de investigacion relaciona-dos con deteccion de fallas que estan basados en metodosanalıticos, metodos de inteligencia artificial y metodosestadısticos. V. Venkatasubramanian, y otros clasificanlos metodos de deteccion y aislamiento de fallas en tresgrupos [1]: 1) Metodos cuantitativos basados en modelo,2) Metodos cualitativos basados en modelo y 3) Metodosbasados en el historial del proceso. Z. Liao y otros consi-deran la configuracion de elementos automaticos en losmodernos sistemas de potencia electrica [2]. R.A. Flau-zino y otros presentan una metodologıa que utiliza redesneuronales integradas con varias tecnicas estadısticas[3]. Entre otras utiliza analisis de Fourier, valores RMS,valores de sesgo y de curtosis ası como componentessimetricas. F. Fahimi, D. Brown y M. Khalid empleanlas formas de onda de corriente y les aplican un analisisen frecuencia y onduletas para crear un algoritmo de



formacion de grupos y clasificar si el sistema se encuen-tra en modo de falla o no [4]. I.Aydin. M. Karakose yE. Akin utilizan logica difusa para la deteccion de fallasen motores de induccion [5]. Su propuesta realiza unaextraccion de rasgos y la implementacion de un siste-ma difuso. Se utilizan las magnitudes de las corrientestrifasicas de un motor para detectar y caracterizar lasfallas. J.P. Nieto, L. E. Garza y R. Morales proponen unmetodo compuesto de dos fases [6]: En la primera faseuna red neuronal probabilıstica es entrenada con los ei-genvalores de los datos de voltaje obtenidos en operacionnormal ası como con fallas simetricas y asimetricas. Lasegunda fase emplea una comparacion entre las mues-tras para detectar y localizar la presencia de una falla.K. Vinoth Kumar y otros presentan una metodologıa dediagnostico basada en un sistema difuso que interpretalas senales provenientes de los sensores de corriente deun motor de induccion [7]. L. Yuan y otros encuentransenales de entropıa y la curtosis, para posteriormente ali-mentarlas como entradas de una red neuronal y ası llevara cabo la clasificacion de las fallas [8]. Q. Alsafasfeh yotros utilizan lecturas de la corriente de fase solo duran-te el primer cuarto de ciclo empleando un metodo quecombina componentes simetricas con un analisis de com-ponentes principales para identificar y clasificar una falla[9]. J.A. Jiang y otros pueden analizar fallas que ocurrenentre dos lıneas equipadas con unidades de medicion.Primero detectan la presencia de una falla en tiemporeal [10]. Luego, el metodo de componentes simetricases utilizado para convertir senales trifasicas en tres con-juntos de componentes independientes, los cuales son lassecuencias positiva, negativa y cero. N. Qianwen y W.Youyuan proponen una red bayesiana y minerıa de da-tos para diagnosticar fallas en una red electrica [11]. Elestatus de la informacion de las protecciones es tomadocomo atributos condicionales y la region de falla como unatributo de decision. R.J. Romero y otros relacionan laincertidumbre asociada a un evento con una distribucionde probabilidad [12]. Utilizan un algoritmo difuso aplica-do a cada valor de entropıa para realizar la identificacionde una falla. J.P. Nieto propone una metodologıa capazde localizar nodos de un sistema electrico en modo defalla. La primera fase es una red neuronal probabilısticaque se entrena con los eigenvalores de voltaje para daruna clasificacion del tipo de falla presente [13]. En la se-gunda fase se utiliza un sistema adaptable neuro-difuso(ANFIS por sus siglas en ingles, Adaptive Neural FuzzyInference Systems) para dar el diagnostico final.

Metodologıa PropuestaEn el presente artıculo se propone una nueva metodo-

logıa para diagnosticar sistemas complejos. Dicha meto-dologıa se basa solamente en el tratamiento de los datoshistoricos del proceso. El sistema de diagnostico tomacomo entradas las variables que necesitan ser monitorea-

das y no requiere conocer que tipo de sistema es el quese monitorea. Es decir, la metodologıa no toma en cuen-ta si las muestras representan valores de temperatura,presion, voltaje, flujo de aire o cualquier otro parametrofısico. Las entradas son tratadas numericamente comoun conjunto de datos que necesitan ser aprendidos comoel comportamiento normal de un sistema.

Nuestra propuesta encuentra de estos datos la corre-lacion entre las variables, si es que esta existe y realizaun diagnostico completo de un sistema sin la necesidadde conocer ninguna otra informacion de el. La Figura 1muestra la filosofıa general del sistema de diagnostico.

Figura 1. Filosofıa general del sistema de diagnostico

basado en el historial del proceso.

Nuestra metodologıa esta compuesta por dos fases.En la primera fase se realiza el proceso de deteccionmediante el empleo de una red neuronal autoasociativa(AANN, por sus siglas en ingles Autoassociative NeuralNetwork). La segunda fase utiliza un ANFIS para dar eldiagnostico final del sistema monitoreado.

Como primer paso es necesario realizar un preproce-samiento a los datos provenientes de los sensores. Paraello se aplica un proceso de normalizacion de los datospara manejar todas las variables en una misma esca-la. Posteriormente, de manera aleatoria se obtiene unsubconjunto de datos compuesto por el 80% de la can-tidad total. Dicho subconjunto de datos se utiliza para1) el aprendizaje del sistema inteligente y 2) realizar unanalisis de correlacion entre las variables. El 20% res-tante se utiliza para la validacion de la metodologıa. LaFigura 2 muestra la arquitectura general de la propuesta.

Fase de deteccionPara llevar a cabo el proceso de deteccion de falla, se

implementa una AANN. Se decide emplear una red neu-ronal de este tipo puesto que la caracterıstica principalde ella es que, sus salidas son entrenadas para emularlas entradas dentro de un rango dinamico adecuado, en-contrando esta caracterıstica util para la generacion deresiduos y ası emplearlos en el sistema de monitoreo.

Posteriormente se obtienen los lımites de operacionnormal de esos residuos para cada variable. Cuando semonitorea un sistema, el proceso de deteccion se presen-



ta cuando los residuos arrojados por la AANN quedanfuera de sus lımites de operacion normal, indicando deesta manera la presencia de falla en el.

El analisis de correlacion se emplea para identificarcuales variables estan altamente correlacionadas. De estamanera se ponen de manifiesto aquellas variables en lascuales se puede ver reflejada una falla aun cuando estano se encuentre presente en ellas. Este proceso ayuda engran medida a evitar la presencia de falsas alarmas.

Cuando una falla es detectada, las variablesque son mas susceptibles a pequenos cambios ensus valores presentan sus residuos localizados muypor arriba de sus lımites de operacion normal.

Figura 2. Arquitectura general de la metodologıa

propuesta.

Figura 3. Operacion del sistema de diagnostico pro-

puesto.

Fase de diagnosticoLa AANN detecta la presencia de una falla pero no

su ubicacion ni su identificacion. La localizacion se ob-tiene al observar el tiempo en el cual las muestras caenfuera de sus lımites.

Para la identificacion se tiene que si la falla detectadano esta presente en las variables mas susceptibles, se rea-liza una busqueda en las menos susceptibles a pequenoscambios en sus valores. En este contexto se construyeun ANFIS, utilizando las variables previamente moni-toreadas y encontradas en operacion normal, como lasvariables predictoras para cada una de las restantes. ElANFIS para una variable especıfica predecira el valor deoperacion normal de dicha variable. Si dicho valor quedafuera de los lımites de operacion normal de la variable encuestion, entonces se identifica tal variable como la quepresenta la falla, completando ası el diagnostico final. LaFigura 3 muestra la operacion del sistema de diagnostico.

El algoritmo de la metodologıa propuesta puede re-sumirse de la siguiente manera.

1. Tomar una base de datos en modo de operacionnormal.

2. Tomar de manera aleatoria un subconjunto del80% de la cantidad total de datos

3. Normalizar el subconjunto de datos, entrenar laAANN y aprender el modelo.

4. Generar los residuos en modo de operacion normal.

5. Obtener los valores mınimos y maximos de los resi-duos para generar los lımites de operacion normal.

6. Llevar a cabo un analisis de correlacion. Esto per-mite identificar las variables que estan altamente ydebilmente correlacionadas.

7. Construir un ANFIS para cada una de las n varia-bles que presentan una debil correlacion, utilizandocomo variables predictoras aquellas en las cualesun pequeno cambio en ellas se refleja como un altoresiduo a la salida de la AANN.

8. Obtener los lımites de operacion normal.

Caso de EstudioLa presente propuesta se probo en la Corporacion

Mexicana de Investigacion en Materiales (COMIMSA).La cual cuenta con una celda de manufactura automati-zada (CMA). La CMA nace como un proyecto financiadopor CONACyT y el FORDECyT. La CMA es un siste-ma formado por equipos de alta tecnologıa. Ver Figura4. Por lo que represento un escenario complejo, perfec-to para implementar la metodologıa propuesta para ladeteccion y diagnostico de fallas.



Figura 4. Parte de los equipos que forman la CMA.

Sus equipos y componentes estan integrados para rea-lizar un proceso de manufactura completamente automa-tizado. Entonces se tiene la necesidad de contar con unsistema de deteccion y diagnostico de fallas que lleve acabo un monitoreo para evitar equipos inoperantes.

Uno de los equipos claves en la CMA es la bandatransportadora (ver Figura 5), se emplea para el trasla-do de pallets. Inicialmente, el robot correspondiente a laestacion de almacen toma un pallet y lo coloca sobre labanda. Posteriormente, esta lo transporta hacia un pun-to donde se tiene un robot de eje horizontal, el cual lotraslada segun sea el caso hacia la estacion de maquina-do o a la estacion de soldadura. Una vez terminado elproceso anterior, la pieza es enviada hacia el almacen deproducto terminado nuevamente a traves de la banda.Debido a que la banda transportadora realiza una ope-racion crıtica, es que se decidio aplicar la metodologıapara su monitoreo.

Figura 5. Banda transportadora de la CMA.

El sistema de la banda transportadora de materialde la CMA esta compuesto por 4 motores electricos deinduccion trifasicos con rotor tipo jaula de ardilla comoel mostrado en la Figura 6. Ya que dichos motores tienenuna alimentacion trifasica, se decide monitorear el vol-taje de cada una de las lıneas de alimentacion para cadamotor.

En los motores electricos existe una gran cantidad deperturbaciones tanto internas como externas que afectansu funcionamiento originando de esta manera la presen-cia de fallas. Dentro del amplio espectro de condicionesque afectan a los motores electricos, el presente analisisse centra sobre las fallas que involucran al voltaje de ali-mentacion. Dichas fallas pueden ser fallas simetricas que

son aquellas en las cuales una o mas de las lıneas se unencon el punto de referencia conocido como tierra o fallasasimetricas en la cual dos de las tres lıneas se unen entresı.

Figura 6. Motor trifasico con rotor tipo jaula de ar-

dilla que proporciona movimiento a la banda trans-

portadora.

Las Figuras 7, 8 y 9 muestran las amplitudes delos voltajes obtenidos por el sistema de deteccion ydiagnostico de falla propuesto de cada una de las lıneasde uno de los motores para el modo de operacion nor-mal, con presencia de falla asimetrica y falla simetricarespectivamente.

Figura 7. Amplitud de los voltajes de cada una de las

fases de uno de los motores de la banda transporta-

dora en modo de operacion normal.

Figura 8. Amplitud de los voltajes cuando se tiene

presente una falla de una lınea a tierra

El desempeno de la metodologıa para el diagnosticode multiples fallas fue evaluado con 50 escenarios. Tales



escenarios contenıan fallas simetricas y asimetricas indu-cidas de manera aleatoria en los diferentes motores y susrespectivas lıneas de alimentacion electrica.

Figura 9. Amplitud de los voltajes cuando se tiene la

presencia de una falla simetrica

Se realizo la adquisicion y generacion de bases de da-tos mediante la adquisicion de ventanas de datos com-puestas de 100 muestras por ser la forma sugerida dellevarlo a cabo de acuerdo con la revision del estado delarte. Se consideraron tres posibles casos de informacionmuestreada.

Caso 1: El sistema opera correctamente durante 25muestras y en modo de falla durante 75 muestras.

Caso 2: El sistema opera en modo normal durante50 muestras y las 50 restantes en modo de falla.

Caso 3: El sistema opera correctamente las primeras75 muestras y las restantes 25 en modo de falla.

Tabla 1. Desempeno del sistema de diagnosticoTipo de Deteccion Identificacion Ubicacion Precisionfalla de la falla de la falla de la falla de la

presente metodologıa

Caso 1

1 100% 100% 100% 100%

2 100% 100% 100% 100%

3 93% 93% 93% 93%

4 88% 88% 88% 88%

5 86% 86% 86% 86%

Caso 2

1 100% 100% 100% 100%

2 100% 100% 100% 100%

3 95% 95% 95% 95%

4 93% 93% 93% 93%

5 90% 90% 90% 90%

Caso 3

1 100% 100% 100% 100%

2 100% 100% 100% 100%

3 95% 95% 95% 95%

4 95% 95% 95% 95%

5 94% 94% 94% 94%

La Tabla 1 muestra el desempeno del sistema dediagnostico de fallas para los tres casos al considerardiferentes escenarios. Los porcentajes mostrados corres-ponden a 50 diferentes escenarios para cada caso y lacombinacion de diferentes tipos de falla. La primera co-lumna muestra el tipo de falla inducida en los motores. 1es una lınea a tierra, 2 son dos lıneas a tierra, 3 son treslıneas a tierra. 4 y 5 representan falla entre dos lıneas.

La segunda columna da el porcentaje de deteccion de lafalla. La tercera columna es el porcentaje de identifica-cion de manera correcta del tipo de falla presente en elsistema. La cuarta columna muestra el porcentaje de laubicacion correcta del motor en modo de falla. La co-lumna de precision da el porcentaje de veces en que elsistema realizo un diagnostico correcto.

De la Tabla 1 se puede observar que el mejor desem-peno se presenta cuando se tiene el caso 3. Lo anteriores debido a que se tienen mayor cantidad de muestrasen modo de operacion normal.

ConclusionSe ha presentado una nueva metodologıa para la de-

teccion y diagnostico de fallas basada en los datos histori-cos de un sistema. La metodologıa esta compuesta pordos fases. La primera realiza la deteccion mediante elempleo de una red neuronal autoasociativa (AANN) yla segunda fase lleva a cabo el diagnostico final median-te un sistema de inferencia adaptable neuro-difuso (AN-FIS). Dicha metodologıa fue validada y puesta en marchaen la CMA de COMMSA. Se presentaron los resultadosobtenidos.

Debido a que el sistema de diagnostico esta basadoen el historial del proceso, es que se puede monitoreartodo tipo de variables ya que estas son tratadas por lametodologıa solamente como un conjunto de numeros,sin importar si estos son provenientes de un sensor detemperatura, presion, voltaje, frecuencia, corriente, etc.Lo cual dota de versatilidad a la metodologıa propues-ta. Sin embargo, puesto que la metodologıa propuestaesta basada en los datos historicos del sistema o procesopor monitorear, el desempeno de la misma es dependien-te de la cantidad y de la calidad de los datos para el buendesempeno del sistema de monitoreo.

Un problema que presenta la metodologıa propuestaes que las herramientas de inteligencia artificial emplea-das para realizar el monitoreo y diagnostico de fallas nopueden trabajar si existen datos faltantes. Dicha situa-cion puede presentarse debido a una falla en el canal decomunicacion entre el sensor y el sistema de adquisicionde datos. Es por lo anterior que se esta trabajando enotra propuesta que utilice herramientas de la inteligen-cia artificial que puedan trabajar con datos faltantes.

Finalmente se concluye que la implementacion demetodos de Inteligencia Artificial en el campo de la de-teccion y diagnostico de fallas representa una excelen-te alternativa. Lo anterior debido a que dichos metodospueden trabajar con los datos provenientes de los sen-sores y utilizan la informacion directamente del sistemaque se monitorea. Por lo anterior se puede decir que losmetodos de Inteligencia Artificial ofrecen una manera decomunicarse de forma directa con el sistema para conocertodo acerca de el. De esta manera, estos metodos propor-cionan una solucion alternativa bastante prometedora a



problemas reales, que no han sido modelados o que sonmuy difıciles y en ocasiones imposibles de modelar ma-tematicamente.U

REFERENCIAS

1. Venkatasubramanian V., Rengaswamy R., Yin K., Kavuri S.(2003) “A review of process fault detection and diagnosis PartI, Part II and Part III”. Computers and Chemical EngineeringVol. 27, pp. 293-311.

2. Liao Z., Wen F., Guo W., He X., Jiang W., Dong T., LiangJ., Xu B. (2008) “An Analytical Model and Optimization Tech-nique Based Methods for Fault Diagnosis in Power Systems”.En IEEE Third International Conference on Electric UtilityDeregulation and Restructuring and Power Technologies, pp.1388-1393.

3. Flauzino R.A., Ziolkowski V., da Silva I.N., de Souza D.M.B.(2009) “Hybrid Intelligent Architecture for Fault Identificationin Power Distribution Systems”. En IEEE Power & EnergySociety General Meeting, pp. 1-6.

4. Fahimi F., Brown D., Khalid M. (2010) “Feature Set Evaluationand Fusion for Motor Fault Diagnosis”. En IEEE Symposiumon Industrial Electronics and Applications, pp. 634-639.

5. Aydin I., Karakose M., Akin E. (2010) “FPGA Based Real Ti-me Fuzzy Fault Detection Algorithm”. En IEEE InternationalConference on Soft Computing and Pattern Recognition, pp.389-394.

6. Nieto J.P., Garza L.E., Morales R. (2010) “Multiple Fault Diag-nosis in Electrical Power Systems with Dynamic Load ChangesUsing Probabilistic Neural Networks”. En Computacion y Sis-temas magazine Vol. 14, No. 1, pp. 17-30.

7. Vinoth Kumar K., Suresh Kumar S., Praveena B., John J.P.,Eldho Paul J. (2010) “Soft Computing Based Fault Diagno-sis”. En IEEE Second International Conference on Compu-ting, Communication and Networking Technologies, pp. 1-7.

8. Yuan L., He Y., Huang J., Sun y. (2010) “A New Neural Net-work Based Fault Diagnosis Approach for Analog Circuits byUsing Kurtosis and Entropy as a Preprocessor”. En IEEE Tran-sactions on Instrumentation and Measurement Vol. 59, No. 3,pp. 586-595.

9. Alsafasfeh Q., Abdel-Qader I., Harb A. (2010) “SymmetricalPattern and PCA Based Framework for Fault Detection andClassification in Power Systems”. En Conference on ElectroInformation Technology 2010, pp. 1-5.

10. Jiang J.A., Chuang C.L., Wang Y.C., Hung C.H., Wang J.Y.,Lee C.H., Hsiao Y.T. (2011) “A Hybrid Framework for Fault De-tection, Classification, and Location Part I: Concept, Structure,and Methodology”. En IEEE Transactions on Power DeliveryVol.26, No.3, pp. 1988-1998.

11. Qianwen N., Youyuan W. (2011) “An Augmented Naive Ba-yesian Power Network Fault Diagnosis Method based on DataMining”. In Asia-Pacific Power and Energy Engineering Confe-rence” 2011, pp. 1-4.

12. Romero R.J., Saucedo R., Cabal E., Garcıa A., Osornio R.A.,Salas R.A., Miranda H., Huber N. (2011) “FPGA-Based Onli-ne Detection of Multiple Combined Faults in Induction MotorsThrough Information Entropy and Fuzzy Inference”. En IEEETransactions on Industrial Electronics Vol. 58, No.1, pp. 5623-5270.

13. Nieto J.P. (2012) “Multiple Fault Diagnosis in Electrical PowerSystems with Dynamic Load Changes Using Soft Computing”.En 11th Mexican International Conference on Artificial Inte-lligence, No. 2, pp. 319-330

SOBRE LOS AUTORES

Juan Pablo Nieto Gonzalez Doctor en Ciencias de la Ingenierıa con Especialidad en Mecatronicapor el Instituto Tecnologico y de Estudios Superiores de Monterrey (ITESM). Maestro en Cienciasen Sistemas Electricos de Potencia y Distribucion (SEPD) e Ingeniero Industrial en Electrica. Posee15 anos de experiencia en diseno de SEPD y en areas de manufactura de vehıculos automotrices. Esprofesor investigador en COMIMSA y encargado de la lınea de investigacion de Control Inteligente.Incremento su experiencia realizando una estadıa en la Univerisite de Picardie, en Francia. Es autorde varios artıculos y de dos capıtulos en dos diferentes libros especializados en diagnostico de fallas.

Elias Carrum Es Ingeniero industrial y de sistemas por parte de la universidad autonoma del norestey maestro en ciencias y tecnologıa y doctorado en ciencia y tecnologıa con especializacion en ingenierıaindustrial y de sistemas de manufactura por parte del posgrado interinstitucional en ciencia y tecno-logıa. Se desempeno en el area de Ingenierıa de Proyectos para el Grupo Electromecanico Coahuilense.Colaboro para General Electric EDESA y actualmente es profesor investigador en COMIMSA.Desarrolla algoritmos para la optimizacion de movimientos de brazos roboticos. Su area de investiga-cion es la Inteligencia Artificial, la optimizacion, la creacion de metodos hıbridos y creacion de software.

Pedro Perez Villanueva Es Doctor en Ingenierıa Industrial y Sistemas de Manufactura del ProgramaInterinstitucional de Ciencia y Tecnologıa (PICYT-CONACYT) sede COMIMSA. Cuenta con doscertificaciones y con 27 anos de experiencia en el area de diseno y sistemas de manufactura participandoen proyectos para Pemex, CFE, General Electric / Nuclear, STEWART & STEVENSON, y con plantasdel sector automotriz. Sus lıneas de investigacion son sistemas inteligentes y sistemas dinamicos en eldiseno y manufactura de productos ası como para el ensamble y desensamble de estos. Actualmente esProfesor-Investigador en el PICYT sede COMIMSA y ocupa el cargo de subgerente Academico.



ARTICULO ACEPTADO

Reconocimiento de la actividad fısica para elbienestar y salud de trabajadores en ambientescalurososPablo Pancardo, Francisco D. Acosta, Miguel A. Wister y Jose Adan Hernandez Nolasco

Los trabajadores que realizan actividades fısicasen ambientes calurosos pueden sufrir desde inco-modidades al bienestar hasta danos severos a susalud, pudiendo llegar incluso a la muerte. Da-da esta situacion, organismos internacionales deestandarizacion han publicado normativas paradeterminar el estres termico al cual pueden estarsometidos los trabajadores durante su jornada detrabajo. Sin embargo, dichos estandares no con-templan el uso de instrumentos para monitorear,en tiempo real y de modo individual, cada una delas acciones fısicas que el trabajador realiza, locual es importante, pues precisamente un reco-

nocimiento efectivo de las actividades hace posi-ble conocer en tiempo real y en forma precisa, elgasto calorico de la persona. En este sentido, sepropone construir un sistema de reconocimientode la actividad fısica del trabajador apoyado porel uso de sensores portables que mediante algorit-mos computacionales estiman el estres termicodel portador. La propuesta resultante hara posiblela creacion de servicios de informacion que con-sideren un escenario de inteligencia ambiental endonde se contemplen las condiciones ambientales(parametros fısicos), el usuario y las actividadesque realiza.

Una determinacion precisa del estres termico requiere considerar las

acciones que componen la actividad fısica, las caracterısticas individuales

del trabajador y las condiciones ambientales.

IntroducionLas agresiones termicas intensas (como aquellas produci-das en ambientes calurosos) tienen consecuencias seriasen el bienestar y la salud de las personas. Por ejemplo,se puede ver afectada la salud y el desempeno de los tra-bajadores laborando en entornos calidos [1, 2]. En conse-cuencia, es necesario efectuar una supervision continuaindividual para estimar y tomar medidas preventivas an-te el dano que las condiciones ambientales pueden pro-vocar en quienes realizan actividades fısicas. El rango deproblemas ocasionados por el calor va desde incomodi-dad, agotamiento y dolor de cabeza, hasta calambres,mareos y desmayos [3, 4]. Estos efectos son aun peorescuando existe alta humedad relativa y se realizan accio-nes con gran esfuerzo fısico.

Dada la situacion planteada, la Organizacion deEstandares Internacionales (ISO, por sus siglas en ingles)[5], organismo de caracter mundial que desarrolla y publi-ca normativas para productos, servicios y buenas practi-cas que ayudan a la industria a ser mas efectiva y efi-ciente, tiene disponibles varios documentos tecnicos pa-ra estimar el dano que el ambiente y las actividades quese realizan pudieren causar a los individuos. Entre lasrecomendaciones se encuentran dos estandares muy im-portantes, el primero es el ISO 7243 [3] que es una nor-

mativa para la estimacion del estres termico de los tra-bajadores en ambientes calurosos que considera basica-mente dos factores: la temperatura ambiental y el tipode actividad fısica que se realiza. El segundo estandar esel ISO 7933[6] que ofrece un metodo para la prediccionde la tasa de sudoracion y temperatura que alcanza elcuerpo humano como resultado del esfuerzo y las condi-ciones termicas en el area de trabajo. La sudoracion esuna respuesta del cuerpo para tratar de lograr el balancetermico, ante la influencia de los diferentes parametrosfısicos ambientales (estimados conforme a ISO 7726 [7])y el consumo metabolico (ISO 8996 [8]), el cual repre-senta el gasto energetico muscular que experimenta unapersona cuando desarrolla una tarea fısica.

A la fecha, el cumplimiento de estas normativas seefectua implementando metodos manuales o automati-cos [9], que requieren de la participacion de una personaque vigile las condiciones ambientales, pero sin llegar aser sistemas personalizados con mediciones en tiemporeal de cada una de las acciones que componen una ac-tividad fısica. Sin embargo, los avances de las cienciascomputacionales hacen posible la construccion de unasolucion a la problematica por medio de un modelo queconsidere la captura de los parametros ambientales, lapersonalizacion de acuerdo al individuo que se monito-



rea y el reconocimiento de la actividad que realiza. Todoello en tiempo real y con mas precision en la estima-cion del estres termico. Ası, el objetivo principal es elreconocimiento de las actividades fısicas para prevenirriesgos para la salud de los trabajadores debido a largosperiodos de tiempo de exposicion a altas temperaturas,y dar cumplimiento a las regulaciones internacionalesestablecidas.

Trabajos relacionadosLos trabajos relacionados con esta propuesta se encuen-tran en dos grupos. El primero de ellos comprende artıcu-los en donde se hace uso del aprendizaje automatico parareconocer actividades humanas similares a las considera-das en nuestro proyecto. Ejemplos de esto pueden apre-ciarse en [10, 11, 12]. El segundo grupo incluye trabajosque hacen uso de sensores de parametros fısicos ambien-tales y conforme a un catalogo de tipo de actividades(ligeras, moderadas y pesadas) se analiza el cumplimien-to de la normativa de seguridad para ambientes caluro-sos. Estos tipos de trabajos se muestran en [13, 14, 15,16]. Es importante aclarar que ninguna de las propuestasmencionadas en el segundo grupo considera el dinamis-mo que puede darse en un tipo de actividad durante unajornada, esto es, aunque un trabajo puede ser cataloga-do como pesado, esto no implica necesariamente que eltrabajador durante toda su jornada laboral se encuentraefectuando actividades con alto esfuerzo fısico.

A pesar de las dos vertientes mencionadas, en nues-tro conocimiento no existe una propuesta en donde serealice la combinacion de ambas orientaciones, esto es,el uso de las ciencias computacionales para reconocer yclasificar las actividades, y con base en ello, estimar elestres termico debido a las condiciones fısicas ambien-tales; y que adicionalmente tome en cuenta las carac-terısticas especıficas del trabajador (sexo, edad, peso,padecimientos, etc.), ası como la actividad que se realizaen tiempo real y en cada momento (a partir de posturas,actividades y desplazamientos; todo ello en un marcode temporalidad). Lo anterior hace la propuesta muchomas completa y precisa ya que permite conocer de modoefectivo el desgaste real implicado.

Cuidado de la salud de trabajadoresEl analisis y evaluacion de los riesgos ocupacionales

ocupan un rol importante para asegurar la identificaciontemprana y la prevencion eficiente, contribuyendo ası ala salud y bienestar de los trabajadores y fortaleciendo lacompetitividad economica de las empresas [17]. La Or-ganizacion Internacional del Trabajo (OIT) dependientede la ONU establece el principio de que los trabajado-res deben estar protegidos contra las enfermedades y losaccidentes del trabajo [18].

En terminos economicos, la OIT ha estimado que el4% del PIB mundial anual se pierde como consecuencia

de las enfermedades y accidentes laborales. Los emplea-dores se enfrentan a retiros tempranos, perdida de per-sonal calificado, ausentismo y primas de seguro elevadasdebido a enfermedades y accidentes relacionados con eltrabajo. Sin embargo, muchas de estas tragedias se pue-den prevenir mediante la aplicacion de buenas practicasde prevencion, la denuncia y la inspeccion.

Hay cuatro tipos diferentes de riesgos en el mundodel trabajo: 1) riesgos fısicos, 2) riesgos psicosociales, 3)riesgos biologicos y 4) riesgos quımicos. Sin excluir losriesgos multifactoriales, los cuales pueden encontrarse envarias de estas categorıas [19]. Dentro de los riesgos fısi-cos se encuentran considerados el ruido, estres termico,iluminacion, vibracion y radiacion ionica. Este artıculose enfoca especıficamente al riesgo de estres termico.

Pensamos que para una implementacion apropiada,los sensores corporales y de actividad son una excelenteoportunidad para dar cumplimiento a las normas y conun costo bajo. Nuestra propuesta contribuye al cumpli-miento de las regulaciones, tal como las que estableceel estandar ISO 7243 y considerando los metodos delestandar ISO 7933 que permiten determinar el consumometabolico en funcion de las acciones que componen laactividad. En particular, en climas calidos, los altos ni-veles de produccion de calor metabolico asociado con eltrabajo muscular agravan el estres por calor, que a suvez produce grandes cantidades de calor que se disipa,principalmente por la evaporacion del sudor.

Reconocimiento de la actividadEl analisis de los trabajos recientes para determinarestres termico [20] da a conocer que la mayorıa de las so-luciones ofrecidas consideran los parametros ambientalesy el tipo de trabajo que se realiza, tal y como estable-ce el estandar ISO 7243, algunos mas estiman el gastocalorico a partir de lo descrito en el estandar ISO 7933.

Sin embargo, los estandares se basan en una personaconsiderada prototipo (varon, saludable, 1.80 metros deestatura, etc.), por tanto no es personalizado ni obteni-do en tiempo real. Con nuestro enfoque se quiere estimarcon mayor precision el estres termico al punto de ruptura(lımite) en donde la salud se encuentra seriamente com-prometida (riesgo importante). Por tanto, ofrecemos unapropuesta en donde se reconocen las acciones de cada ac-tividad (en forma automatica).

Mas aun, investigaciones realizadas mencionan quelos tiempos de descanso establecidos en ISO 7243 muchasveces no son acordes al ındice termico que el trabajadorexperimenta, pues se basan en tablas estaticas para dis-tintos tipos de oficios y no en el reconocimiento de laactividad y esfuerzo involucrado en tiempo real [16]. Enterminos de la forma y los tipos de datos del monitoreo,existen dos enfoques para el reconocimiento de la activi-dad: basado en la vision y basado en sensores [21].



Reconocimiento de la actividad basado en visionEmplea mecanismos de deteccion visual (por ejemplo,sistemas de vigilancia mediante camaras) para monito-rear el comportamiento de una persona y los cambios delambiente [22, 23, 24]. Este enfoque explota las tecnicas devision por computadora para analizar las observaciones

visuales para el reconocimiento de patrones. El procesocomputacional tıpico del reconocimiento de la actividadbasado en vision sufre de la falta de aceptacion por par-te de los usuarios ya que las camaras que usualmente seemplean se considera que invaden la privacidad de laspersonas.

Los acelerometros de tres ejes permiten reconocer las acciones basicas

que componen una actividad de trabajo.

Reconocimiento de la actividad basado en sen-soresEn este enfoque, los sensores pueden ser portados por lapersona bajo observacion o ser colocados en los objetosque constituyen el ambiente. Entre la amplia diversidadde sensores estan los que se portan en el cuerpo y a me-nudo utilizan unidades de medida inerciales (acelerome-tros, giroscopios, magnetometros, etc.), los dispositivosde procesamiento de senales vitales (temperatura corpo-ral, ritmo cardıaco), entre otros. El reconocimiento de laactividad basado en sensores portables ha sido extensiva-mente usado en el reconocimiento de movimientos fısicoshumanos [10, 11, 12]. Las actividades tal como caminar,correr, sentarse, levantarse, escalar o algun ejercicio basi-co fısico, generalmente son caracterizadas por un patronde movimiento distinguible y con periodicidad comun.El enfoque basado en sensores portables es efectivo yrelativamente barato, sin embargo, tal vez su principalinconveniente es que algunos sensores portables no sonaplicables en escenarios del mundo real debido a proble-mas tecnicos, tales como el tamano, la facilidad de usoy la duracion de la baterıa, ademas de la cuestion deaceptacion o la voluntad para portarlos.

Es importante senalar que los enfoques descritos an-teriormente pueden ser adecuados para diferentes aplica-ciones. Teniendo esto en cuenta, no es posible decir queun enfoque es superior o mejor que el otro. La idonei-dad y el rendimiento estan en funcion de la naturalezadel tipo de actividades que estan siendo evaluadas y lascaracterısticas de las aplicaciones concretas.

Dispositivos a emplearConforme a lo establecido en la norma ISO 7243 yen pleno cumplimiento de la misma debe usarse untermometro de globo de bulbo humedo como el que semuestra en la Figura 1. Este dispositivo mide condicionesambientales.

Para el reconocimiento de las actividades fısicas sepropone el uso de acelerometros de tres ejes. Esto signi-fica que son capaces de detectar movimientos en sentidoshorizontal, vertical y de profundidad. La identificacion deactividades basicas como mover un brazo, mover los dosbrazos, trabajar con todo el cuerpo, subir/bajar escale-

ras; ademas de los tiempos de duracion y desplazamien-tos en el espacio son suficientes para que, con base en unaclasificacion de las actividades fısicas del trabajador, sepueda determinar que actividad se encuentra realizando.En la Figura 2 se muestra el Sunspot de la marca Sun.

Figura 1. Termometro de globo de bulbo humedo.

Figura 2. Acelerometro de tres ejes.

Metodo para determinar el estres termicoEl estres termico (ET) se determina considerando elestres termico ambiental (ETA) y el calor generado enlos procesos metabolicos (CM).

Estres termico ambiental (ETA)Se calcula empleando un termometro llamado de globode bulbo humedo (conforme lo establece el estandar ISO7243) y a partir de dos parametros ambientales, la tem-peratura de globo (TG) y la temperatura humeda (HR).Si es necesario, tambien se considera la temperatura se-ca del aire (TA). Si la medicion se hace en el interior de



edificaciones o en el exterior, pero sin radiacion solar, laformula es:

ETA =0.7HR+0.3TG

Para el caso de que la medicion sea en exteriores conradiacion solar debe aplicarse la formula:

ETA =0.7HR+0.2TG+0.1TA

El ındice hallado expresa las caracterısticas del ambien-te en grados centıgrados y no debe sobrepasar un ciertovalor lımite conforme al calor metabolico (CM) que elindividuo genera durante el trabajo. La tabla 1 muestrael ETA maximo recomendado conforme al consumo decalorıas por hora que se tiene.

Tabla 1. ETA maximo para el estimado dekilocalorıas por hora consumidas

ETA oC maximo CM, Kcal/hora

32 160

31 185

30 210

29.2 235

28.5 260

28 285

27.5 310

27 335

26.8 360

26.3 385

26 410

25.8 435

25.5 460

Consumo metabolico (CM)El metabolismo, que transforma la energıa quımica de losalimentos en energıa mecanica y en calor, mide el gas-to energetico muscular. Este gasto energetico se expresanormalmente en unidades de energıa y potencia: kilo-calorıas (kcal), joules (J), y watios (w). En el estandarISO 8996 existen varios metodos para determinar el gas-to energetico, que se basan en la consulta de tablas oen la medida de algun parametro fisiologico. Uno de losmetodos mas completos es el que establece el consumometabolico global (CM) como la suma de: Metabolismobasal1 + Postura + Accion especıfica + Desplazamien-to [8]. Un ejemplo de actividades de un ciclo es el que semuestra en la Tabla 2 y se describe como: “Un trabajadorde 40 anos de edad que realiza actividades de albanilerıay cuyo trabajo habitual puede considerarse como la repe-ticion de ciclos como el que se describe a continuacion:”

Tomando de las tablas proporcionadas por ISO 8996el consumo para cada una de las actividades del ciclo seilustra en la Tabla 3.

Para obtener el consumo metabolico se realiza la si-guiente suma:

CM =(163.37x3)+(163.37x10)+(21.49x5)+(75.66x15)+(593.29x2)+(330.18x1)

CM =4912.92 kcal

Si se toma en consideracion que todo el ciclo com-prende un periodo de 36 minutos y que conforme a lastablas de la ISO 8996 se tiene un consumo basal para eltrabajador de 36.97 kcal, entonces el consumo por horaes:

CM =(4912.92/(36))+36.97=173.44 kcal

Con los resultados se puede saber que conforme a latabla de ETA maximos, dado el consumo calorico quese tiene, para que el trabajador no tenga estres termicodurante el ciclo de trabajo el valor maximo de ETA debeser de 31oC.

En caso contrario, cuando se presenta una situacionde estres termico, para proteger la salud del trabajadorla normativa ISO 7243 contempla los valores de los pe-riodos de descanso de una persona dentro de su jornadalaboral.

Tabla 2. Ejemplo de actividades durante un cicloActividades elementales de un ciclo Duracion

(minutos)

Arrastrar sacos de 20 Kg 3(moderado con el cuerpo)

Trabajo de pegado blocks 10(moderado con todo el cuerpo)

Estar de pie en espera 5

Caminar por el edificio 15(0,8 m / s)

Subir escaleras 2(8 metros de altura en 20 segundos)

Bajar escaleras 1(8 metros de altura en 10 segundos)

Duracion total del ciclo 36

Tabla 3. Kilocalorıas consumidas por cada actividaddel ciclo

ConsumoActividades del ciclo metabolico

(kcal)

Arrastrar sacos de 20 Kg 163.37(moderado con el cuerpo)

Trabajo de pegado blocks 163.37(moderado con todo el cuerpo)

Estar de pie en espera 21.49

Caminar por el edificio 75.66(0,8 m / s)

Subir escaleras 593.29(8 metros de altura en 20 segundos)

Bajar escaleras 330.18(8 metros de altura en 10 segundos)

1Consumo mınimo necesario para mantener las funciones vitales del cuerpo



ConclusionesLos resultados analıticos obtenidos a partir de las formu-las aplicadas demuestran la factibilidad de la propuestapara conocer, de manera mas precisa que otros meto-dos, el desgaste calorico de una persona a partir de susactividades fısicas y, en consecuencia, cuales son los va-lores ambientales maximos que deben existir para evitarel estres termico, o bien sea, establecer los tiempos dedescanso dado los valores obtenidos.

El tipo de profesion u oficio no es suficiente para de-terminar con precision cual es el estres termico al que seencuentra sometido un trabajador en un momento da-do. Por el contrario, el reconocimiento de la actividadfısica (mediante sensores), junto con sus caracterısticasindividuales (edad, sexo, padecimientos, etc.) y las condi-ciones ambientales, permite conocer de forma individualy en tiempo real si el trabajador se encuentra sometidoa estres termico. La propuesta representa un escenariode inteligencia ambiental en donde se busca el bienes-tar y la salud de las personas que laboran en ambientescalurosos.U

REFERENCIAS

1. Apellido Inicial (AAA) ”Tıtulo de artıculo/reporte/capıtulo delibro”. Tıtulo de obra/libro Vol., No., pp.

2. Tıtulo portal web. url. Fecha de consulta: dd, mm, aaaa.

3. Occupational Safety and Health Standards for the Construc-tion Industry (2008) Official OSHA (Occupational Safety andHealth Administration) Standard Title 29 of the Code of Fede-ral Regulations (CFR) Part 1926.

4. OHSAS 18000 (2007) “International Occupational Health andSafety Management System Specification”. Occupational Safetyand Health Administration Standards.

5. American Conference of Governmental Industrial Hygienists.http://www.acgih.org/home.htm. Fecha de consulta: 13, 12, 2012.

6. ISO 7243:2003 (2003) “Hot Environments-Estimation of theheat stress on working man, based on the WBGT-index (wetbulb globe temperature)”. Geneva: International Standards Or-ganization.

7. ISO, International Standards Organization. http://www.iso.org/iso/home.html. Fecha de consulta: 28, 12, 2012.

8. ISO 7933:2004 (2004) “Ergonomics of the thermal environment– Analytical determination and interpretation of heat stressusing calculation of the predicted heat strain”. InternationalStandards Organization.

9. ISO 7726:1998 (1998) “Ergonomics of the thermal environment– Instruments for measuring physical quantities” InternationalStandards Organization.

10. ISO 8996:2004 (2004) “Ergonomics of the thermal environment– Determination of metabolic rate”. International StandardsOrganization.

11. Parsons K. (2006) “Heat stress standard ISO 7243 and its globalapplication”. Industrial Health, Vol. 44, no. 3, pp. 368—79.

12. Maurer U., Smailagic A., Siewiorek D.P., Deisher V. (2006)“Activity Recognition and Monitoring Using Multiple Sen-sors on Different Body Positions”. Proc. of the InternationalWorkshop on Wearable and Implantable Body Sensor Networks(BSN’2006).

13. Ugulino W., Velloso E., Milidiu R., Fuks H. (2012) “HumanActivity Recognition using On-body Sensing”. En Proc. of 3rdSymposium of the Brazilian Institute for Web Science Research(WebScience), Vol. 1.

14. Zappi P., Lombriser C., Stiefmeier T., Farella E., Roggen D.,Benini L., Troster G. (2008) “Activity Recognition from On-Body Sensors: Accuracy-Power Trade-Off by Dynamic SensorSelection”. En European Conference on Wireless Sensor Net-works, pp. 17–33.

15. Lee B.L.P., Mak S. (2010) “A wireless climatic information sys-tem for construction sites”. en Proc. of the International Confe-rence in Computing in Civil and Building Engineering, Ed. W.TIZANI, p. 229.

16. Pancardo P., Duenas J.C. (2008) “Scarse-Resources WirelessSensor Network for Healthcare in Oil Derricks”. En CEA-WSEAS.

17. Pancardo P., Duenas J.C., Pardo J. (2009) “Automatic Moni-toring for Workers Healthcare in Tropical Climates”. En AINAWorkshops.

18. Suarez R. (2004) “Experiencias y aplicabilidad de las normasISO 7243 (EN 27243) e ISO 7933 (EN 12515) en Cuba y paısesdel area del mar Caribe”. MAPFRE SEGURIDAD. No. 96 -Cuarto Trimestre 2004.

19. Reinert D., Flaspoler E., Hauke A., Brun E. (2007) “Identifica-tion of Emerging Occupational Safety and Health Risks”. SafetyScience Monitor, No. 3, Vol. 11.

20. Organizacion Internacional del Trabajo. http://www.ilo.

org/global/standards/subjects-covered-by-international-labour.-standards/occupational-safety-and-health/lang--en/index.htm. Fecha de consulta: 14, 12, 2012.

21. Observatorio europeo de riesgos para la seguridad y la salud.https://osha.europa.eu/es/riskobservatory/. Fecha de consul-ta: 01, 11, 2012.

22. Claassen N., Kok R. “The accuracy of the WBGT heat stressindex at low and high humidity levels”. En Occupational HealthSouthern Africa, pp.12–18.

23. Chen L., Nugent C. (2009) “Ontology-based activity recognitionin intelligent pervasive environments”. En International Journalof Web Information Systems, Vol. 5, No. 4, pp. 410–430.

24. Chang M.C., Krahnstoever N., Lim S., Yu T. (2010) “Group Le-vel Activity Recognition in Crowded Environments across Mul-tiple Cameras”. En Proc. of the 7th IEEE International Con-ference on Advanced Video and Signal Based Surveillance, pp.56–63.

25. Fiore L., Fehr D., Bodor R., Drenner A., Somasundaram G,Papanikolopoulos N. (2008) “Multi-Camera Human ActivityMonitoring”. En Journal of Intelligent and Robotic Systems,Vol.52, No.1, pp. 5–43.

26. Song B., Kamal A.T., Soto C., Ding C., Farrell J.A., Roy-Chowdhury A.K. (2010) “Tracking and activity recognition th-rough consensus in distributed camera networks”. In JournalIEEE Transactions on Image, Vol. 19, No. 10, pp. 2564–2579.


http://www.acgih.org/home.htm

http://www.iso.org/iso/home.html

http://www.iso.org/iso/home.html

http://www.ilo.org/global/standards/subjects-covered-by-international-labour.-standards/occupational-safety-and-health/lang--en/index.htm




https://osha.europa.eu/es/riskobservatory/


SOBRE LOS AUTORES

Pablo Pancardo actualmente estudia el doctorado interinstitucional en Ciencias de la Computacion(UAA, UJAT, UV). Obtuvo el Diploma de estudios avanzados en Ingenierıa de Sistemas Telematicospor la Universidad Politecnica de Madrid, Espana. Maestro en Ciencias en Tecnologıa Informatica,con especialidad en sistemas distribuidos, por el ITESM, campus Monterrey. Es Licenciado enInformatica Administrativa por la Universidad Juarez Autonoma de Tabasco. Sus areas de interes sonlas redes inalambricas de sensores, el computo ubicuo, los entornos y servicios de inteligencia ambiental.

Francisco Acosta tiene un doctorado en informatica por la Universidad Montpellier II, Francia;dentro de sus actividades academicas actuales en el marco del Doctorado Interinstitucional enCiencias de la Computacion destacan la responsabilidad de la Secretarıa Tecnica y la titularidadde las asignaturas Seminario de Investigacion y Seminario Tematico. Sus intereses en el area deinvestigacion incluyen la Inteligencia Ambiental (AmI), Computacion Ubicua y la Web Semanticay actualmente participa en el desarrollo del proyecto “Arquitectura de la Red Movil Ad-Hoc pa-ra la Interaccion entre Dispositivos Inalambricos y Servicios Disponibles en el Socorro y Rescateen Situaciones de Desastre” que ha tenido como resultados una tesis de maestrıa y varias publicaciones.

Miguel A. Wister es profesor en la Division Academica de Informatica y Sistemas de la UniversidadJuarez Autonoma de Tabasco (UJAT). Sus areas de interes son las comunicaciones inalambricas, lasredes ad hoc moviles (MANETs), el descubrimiento de servicios y protocolos de ruteo en MANETs.El profesor Wister es doctor en Ingenierıa de Tecnologıas de la Informacion y Comunicaciones por laUniversidad de Murcia, Espana (2008). Tambien obtuvo la maestrıa en ciencias en Tecnologıas de laInformacion en el ITESM en junio de 1997 y la Licenciatura en Informatica de la UJAT en 1993.

Jose Adan Hernandez Nolasco es Ingeniero en Electronica y Comunicaciones por la UniversidadAutonoma de Nuevo Leon, M. en C. en Ingenierıa Electronica [Telecomunicaciones] por el InstitutoTecnologico y de Estudios Superiores de Monterrey, Doctor en Ciencias con especialidad en Optica porel Instituto Nacional de Astrofısica Optica y Electronica y tiene 15 anos como Profesor Investigadoren la Universidad Juarez Autonoma de Tabasco. Las areas de interes son los sistemas ubicuos, lainfraestructura de telecomunicaciones y el estudio de la propagacion de senales de comunicacion.

Estres termicoConocer en tiempo real y en forma precisa el gasto calorico de laspersonas que trabajan en ambientes calurosos permite reducir los

riesgos de salud por exposicion a estres termico.



ARTICULO ACEPTADO

Diseno y evaluacion de interfaces de usuarioDavid J. Rios Soria

Durante una presentacion hay diferentes maneras deinteractuar con el teclado, raton, dispositivos inalambri-cos. Todos estos metodos llaman la atencion sobre el dis-positivo distrayendo tanto al presentador como a la au-diencia. Por lo tanto, consideramos relevante implemen-tar interfaces sin contacto para aplicaciones diferentes,por ejemplo, una presentacion de diapositivas. Nuestrahipotesis es que el uso de una interfaz que rastrea el mo-vimiento de las manos, permite una interaccion mas facily evita que el presentador y la audiencia se distraiga.

Se hizo el diseno de la interfaz, y se realizaron prue-bas con usuarios mediante un prototipo con la tecnica de“Hombre detras de la cortina”. Los resultados muestranque los usuarios tienen buena aceptacion de este tipo dedispositivos y que son faciles de utilizar.

IntroduccionHoy en dıa existe un gran desarrollo de interfaces sin

contacto, se utilizan en juegos y aplicaciones de realidadaumentada. Otras aplicaciones permiten navegar entrearchivos de musica o vıdeo y reproducirlos o pausarlos.La diferencia de las interfaces basadas en gestos y lasinterfaces tradicionales es que las interfaces basadas engestos tienen un rango mucho mas amplio de accionespara interactuar con el sistema. Ademas, las interfacesgestuales toman ventaja del cuerpo humano completopara nuevas acciones del sistema como girar la mano pa-ra cambiar una imagen o extender el brazo para limpiaruna pantalla.

AntecedentesActualmente el reconocimiento de gestos se utiliza

para interactuar con diferentes tipos de sistemas. Mat-hias Kolsch desarrollo HandVu [1] un sistema de reco-nocimiento de senales de manos basado en vision. Estesistema permite interactuar con objetos virtuales. Sinembargo, las senas utilizadas, aunque son faciles de en-tender, no son gestos naturales. Recientemente se hanpresentado sistemas como la pantalla interactiva desa-rrollada por la agencia The Alternative [2] en el ReinoUnido: en una tienda departamental la ventana permitela interaccion moviendo solo las manos frente a la pan-talla sin necesidad de tocarla.

Otras aplicaciones como la interfaz de usuario ul-trasonica de Elliptics Lab (Figura 1), permite navegarentre archivos de musica o video y reproducirlos o pau-sarlos.

Motivacion y justificacionLos procesos de prototipado de sistemas y evalua-

ciones basadas en escenarios [3, 4] han sido algunos delos metodos mas comunes para evaluar aplicaciones decomputo ubicuo. Los participantes interactuan con el sis-tema por algunos minutos ejecutando tareas similares ala que harıan habitualmente usuarios tıpicos. La inter-accion es a traves de versiones prototipo de sistemas yen algunos casos con simulacion de cierta funcionalidad(usando el metodo de Hombre detras de la cortina o Ma-go de Oz [5]) . De la misma forma, el uso de escenarios(descripciones visuales, textuales, o animadas) de ciertafuncionalidad del sistema, aun no implementada, permi-ten la discusion con participantes de conceptos o modelosde interaccion con objeto de evaluar su valor.

Figura 1. Interfaz ultrasonica de Elliptics Lab.

Con las evaluaciones se logra, en primera instancia, elsometer los conceptos y sistemas a escrutinio y de ahı to-mar informacion que permita mejorarlos; pero tambienestablecer ciertas metricas de uso o aceptabilidad que tie-nen los sistemas. En la mayorıa de los casos no se trata deestablecer mediciones de usabilidad o accesibilidad en sı,tal y como se harıa en un desarrollo comercial, sino masbien se intenta lograr establecer un criterio en cuanto aque tan idonea es la aplicacion para el proposito plan-teado. Es decir, tomar en cuenta la experiencia del usua-rio. Por otra parte, las evaluaciones no necesariamentese restringen a interacciones breves de participantes conla tecnologıa. En los casos en donde las aplicaciones sonsuficientemente robustas se pueden llevar a cabo estudiosde uso que duran semanas o meses.

El diseno de cualquier producto o servicio debe co-menzar identificando las necesidades de aquellos que lousaran, y con las limitaciones del medio ambiente, tec-nologıa y recursos. Las necesidades de los usuarios puedevariar desde simples hasta muy complejas. Sin embargo,aunque un gesto sea natural, interesante, divertido, no-vedoso, si las necesidades de los usuarios no se cumplen,el diseno es un fracaso.



Por lo tanto, la primera pregunta que cualquier per-sona al disenar una interfaz gestual debe preguntar es:¿esto debe ser una interfaz gestual? Simplemente porqueahora podemos hacer gestos interactivos, no significa quesean apropiados para cada situacion.

Las interfaces gestuales pueden ser fısicamente masexigente que un teclado o pantalla. Cuanto mas amplioy mas fısico es el gesto (como una patada, por ejemplo),es mas probable que algunas personas no seran capacesde realizar el gesto debido a la edad, enfermedad, o sim-plemente las condiciones ambientales.

El medio ambiente puede no ser favorable para unainterfaz gestual en cualquier numero de situaciones, yasea por razones de privacidad o simplemente para evitaravergonzar a los usuarios. Los disenadores deben tener encuenta la situacion probable de uso y determinar que tipode gesto que trabajar en ese ambiente.

Los disenadores y desarrolladores necesitan ser res-ponsables de las decisiones que toman en sus disenos yse preguntan si es apropiado para los usuarios, para losafectados indirectamente, para la cultura, y para el me-dio ambiente. Las opciones que se hacen con interfacesgestuales deben ser deliberados y con vision de futuro.

Por lo anterior, se decidio implementar interfaces sincontacto para aplicaciones diferentes, por ejemplo, unapresentacion de diapositivas. Durante una presentacionhay diferentes maneras de interactuar con el teclado,raton y dispositivos inalambricos. Todos estos metodosllaman la atencion sobre el dispositivo distrayendo tantoal presentador como a la audiencia.

Para ello, se diseno una interfaz basada en gestos quepermite interactuar con presentaciones de diapositivasy se evaluo el sistema mediante el metodo de “Hombredetras de la cortina”.

Prototipos de interfaces de usuarioEl prototipo de interfaces de usuario es una tecnica

que involucra activamente a los usuarios en representarel funcionamiento de una interfaz de usuario. El prototi-po es una herramienta que permite explorar, comunicar yevaluar las ideas que son puestas a prueba en un contextopara descubrir problemas o explorar nuevas direcciones.Existen diferentes tipos de prototipos [6] de alta fidelidady baja fidelidad:

Baja fidelidad: Los prototipos de baja fidelidadson, crudos y sin pulir, bocetos en papel o digita-les pero con baja funcionalidad y una aparienciatosca. Los prototipos de baja fidelidad frecuente-mente no funcionan, la funcionalidad del sistemapuede ser fingida por un agente humano; o puedenser tambien estaticos sin una interaccion real. Sonpara armarse rapidamente solo para probar un con-cepto. Se dividen en prototipos de papel, modelosy “Hombre detras de la cortina”.

Papel: La fidelidad esta muy lejos del produc-to final y esto lo hace muy atractivo para opinar,colaborar y probar rapidamente conceptos genera-les (Figura 2).

Modelos: Tiene la apariencia del producto fi-nal aunque sin la fucionalidad.

Hombre detras de la cortina: El usuariointeractua con lo que parece ser una computado-ra, pero realmente es una simulacion, ya sea porun humano o un humano y una computadora. Elprototipo de “Hombre detras de la cortina” puedeahorrar tiempo, esfuerzo y dinero que tomarıa unprototipo funcional, y puede proveer valiosa retro-alimentacion para decidir construir un prototipo dealta fidelidad.

Alta fidelidad: Los prototipos de alta fidelidadson para refinar conceptos, estos prototipos comun-mente funcionan como deberıa hacerlo el productofinal. Se dividen en fuera del estante, DIY (de lassiglas Do It Yourself, Hazlo Tu Mısmo en ingles) yexactos.

Fuera del estante: prototipo funcional ar-mado con componentes diferentes a los del produc-to final.

DIY: Producto fabricado con componentes yfuncionalidad similares a los del producto final.

Exacto: Funcionalidad y apariencia igual alproducto final.

En este trabajo se opto por un prototipo “Hombredetras de la cortina”, donde las acciones tomadas por elsistemas son realizadas por un humano.

Diseno de la interfazLa interfaz propuesta utiliza una laptop y una cama-

ra web que detecta los movimientos realizados por elusuario para poder interactuar con presentaciones dediapositivas Figura 3.

Figura 2. Prototipo de papel.



Diseno de la interaccionPara el uso de la interfaz, se propusieron cuatro ges-

tos que hacen la funcion de comandos para interactuarcon una presentacion de diapositivas: ir a la diapositi-va anterior, ir a la diapositiva siguiente, ir al final de lapresentacion e ir al inicio de la presentacion.

Siguiente diapositiva: La mano se mueve de de-recha a izquierda en forma de un barrido; este mo-vimiento cambia hacia la siguiente diapositiva enla presentacion.

Diapositiva anterior: La mano se mueve de iz-quierda a derecha en forma de barrido; este movi-miento cambia hacia la diapositiva anterior en lapresentacion.

Ir al inicio de la presentacion: La mano se mue-ve de arriba hacia abajo en forma descendente; estemovimiento cambia hacia la primera diapositiva dela presentacion.

Ir al final de la presentacion: La mano se mue-ve de abajo hacia arriba en forma ascendente; estemovimiento cambia hacia la ultima presentacion dela diapositiva.

Figura 3. Una persona interactua con una presenta-

cion de diapositivas realizando diferentes gestos fren-

te a una camara web.

Determinacion de requerimientosLos requerimientos son una descripcion de como debe

comportarse el sistema, de sus propiedades y atributos yque se espera que haga. Los tipos de requerimientos son:

Funcionales: Es lo que se necesita para que funcio-ne el sistema.

Humanos: Se requiere un usuario que conoz-ca las senas para interactuar con el sistema, por logeneral personas que dan presentaciones de diapo-sitivas usando laptops.

Sistema: Se requiere una laptop y una camaraweb. El ambiente es por lo general lugares con pocailuminacion.

Usabilidad: Niveles aceptables para el usuario dedesempeno y satisfaccion.

Rendimiento: Que tanto mejora el uso del sis-tema la tarea.

Facilidad de aprendizaje: Que tan facil esaprender la funcionalidad del nuevo sistema.

Flexibilidad: Cuales son los cambios que tolerael sistema.

ExperimentosSe armo un prototipo de tipo “Hombre detras de la

cortina” usando dos computadoras, una webcam, un te-clado externo y un proyector (Figura 4); y se llevaron acabo las pruebas con usuarios. Los participantes del ex-perimento fueron estudiantes universitarios con edadesentre 20 y 25 anos, cada uno tuvo una paricipacion apro-ximada a los 10 minutos. Antes de comenzar la pruebase explico a cada usuario cuales serıan las senales parainteractuar con el sistema y se les pidio que simularandar una presentacion de diapositivas usando una lap-top y un proyector. Durante la prueba una persona seencargo de controlar las acciones del sistema, y se con-tabilizo la cantidad de gestos realizados por el usuarioy las acciones tomadas por el controlador del sistema.Antes y despues de cada prueba se aplico una encuestaa cada individuo para conocer su opinion acerca del fun-cionamiento del sistema. Todos los experimentos fueronvideograbados. En la primera encuesta se hicieron pre-guntas para conocer los habitos de los usuarios como lafrecuencia con que dan presentaciones de diapositivas ylos metodos que utilizan para la interaccion con estos,ademas se pregunto si creıan que serıa facil usar un sis-tema con gestos manuales.

Figura 4. Diseno del experimento.

Para realizar los experimentos se hizo uso de una lap-top con proyector, una laptop con camara web y un tecla-



do adicional, como personal se conto con un controladory dos observadores:

Laptop y proyector: Se usa para reproducir lapresentacion de diapositivas con la que interactuael usuario.

Laptop y webcam: Se usa para monitorizar re-motamente al usuario del sistema.

Teclado o control remoto inalambrico: Se usapara controlar el comportamiento del sistema.

Usuario del sistema: Hace uso del sistema paradar una presentacion de diapositivas.

Observador 1: Observa directamente al usuariodel sistema y registra los gestos que realiza el usua-rio (Figura 5).

Controlador: Observa remotamente al usuario yrealiza las funciones del sistema.

Observador 2: Observa el comportamiento delcontrolador y registra cuales son las acciones querealiza (Figura 6).

Figura 5. Formato para el observador 1.

Figura 6. Formato para el observador 2.

Se realizaron las pruebas en dos dıas con siete usua-rios diferentes cada una bajo condiciones similares. Al fi-nal se aplico una encuesta de salida donde se pregunto suopinion acerca del funcionamiento del sistema con pre-guntas como estas: ¿El sistema es facil de utilizar? ¿Lassenas son faciles de aprender? Algunos de los resultadosa las preguntas se muestran en las Figuras 7 a 12.

Figura 7. El sistema es facil de utilizar.

Figura 8. El sistema es mas facil de utilizar que meto-

dos tradicionales (mouse, teclado, etc.

Figura 9. El sistema evita distracciones.

Figura 10. Las senas utilizadas son faciles de apren-

der.



Figura 11. Las senas utilizadas son faciles de usar.

Figura 12. Las senas utilizadas son suficientes.

ConclusionesExisten pocas diferencias entre las senas anotadas por

el observador 1 y el observador 2, las principales confu-siones se presentan entre las senas siguiente e inicio, y lassenales anterior y final, por lo que es necesario disenarmetodos adecuados para diferenciar correctamente entresenales que causan confusion.

Basados en las respuestas de los usuarios podemosnotar que el sistema tiene una buena aceptacion y losusuarios consideran que el sistema es facil de aprendery de usar. Los usuarios que pensaron que serıa facil deusar antes de usar el sistema seguıan opinando lo mismodespues de la prueba. Los usuarios opinaron que cuatrosenas son suficientes pero se pueden agregar mas funcio-nes.

La mayorıa de los usuarios coinciden que el sistema

es mas facil de usar que los dispositivos tradicionales,y que las movimientos utilizados son suficientes y faci-les de aprender. Tambien les gustarıa tener disponibleeste sistema para usarlo en el futuro en lugar de los dis-positivos tradicionales que se usan en presentaciones dediapositivas como mouse, teclado, etc..

Durante las pruebas se observaron algunos aspectosque deben considerarse en una implementacion funcio-nal del sistema, como dar retroalimentacion cuando elusuario esta fuera del alcance de la camara, o cuando latransicion entre diapositivas es lenta, ya que el usuariosigue repitiendo el movimiento sin saber si hay respuestapor parte del dispositivo.

Otro aspecto es el “efecto espejo”, cuando un usuariose encuentra del lado izquierdo de la presentacion hace elmovimiento de diapositiva siguiente correctamente (deizquierda a derecha, es decir de afuera hacia el), y sidurante la presentacion se cambia hacia el lado derechosigue haciendo el mismo movimiento hacia el para ladiapositiva siguiente, pero desde el punto de vista delsistema, el movimiento ahora es de izquierda a derecha(diapositiva anterior).

REFERENCIAS

1. Kolsch M. (2004) “Vison Based Hand Gesture Interfaces forWereable Computing and Virtual Environments”. PHD thesis,University of California, Santa Barbara, CA. USA.

2. The alternative agency (2010), “Orange interactive window (theinteractive window brand experiencie)”. www.thealternative.co.uk/. Recuperado en Diciembre de 2010.

3. Benner K., Feather M., Johnson W., Zorman L. (1993) “ Uti-lizing scenarios in the software development process”. En IFIPWorking Group 8.1 Working Conference on Information Sys-tems Development Processes. pp. 117-134.

4. Elkoutbi M., Khriss I. y Keller R. (1999) “Generating userinterface prototypes from scenarios”. En Proceedings of theFourth IEEE International Symposium on Requirements En-gineering. pp. 150-158.

5. Dow S., MacIntyre B., Lee J., Oezbek C., Bolter J., Gandy M.(2005) “Wizard of oz support throughout an iterative designprocess”. IEEE Pervasive Computing Vol. 4, No. 4, pp. 18-26.

6. Saffer D. (2008) “Designing Gestural Interfaces: Touchscreensand Interactive Devices”. O-Reilly Media, Inc.

SOBRE EL AUTOR

David J. Rios Soria es actualmente profesor de tiempo completo en la Universidad Politecnicade Apodaca. Doctor en Computacion y Mecatronica de la Facultad de Ingenierıa Mecanica yelectrica (FIME) de la Universidad Autonoma de Nuevo Leon (UANL), M.C. en Ingenierıa desistemas, egresado del Programa de Ingenierıa de Sistemas (PISIS) de la FIME-UANL, Ingenieroen Electronica y comunicaciones (FIME-UANL).


www.thealternative.co.uk/

www.thealternative.co.uk/


ARTICULO ACEPTADO

Una metodologıa basada en maquinas de vectoresde soporte para el pronostico de la volatilidad delındice de precios y cotizacionesGuillermo Santamarıa-Bonfil, Juan Frausto-Solıs y Manuel Chi-Chim

En la actualidad, las bolsas de valores juegan un papelprotagonico en las economıas globales. En ellas, miles detransacciones de compra y venta de diversos instrumen-tos bursatiles son hechas diariamente con la finalidad deobtener ganancias. Una de las variables mas importan-tes para los modelos empleados por los inversionistas esla volatilidad. En esencia, esta refleja el comportamientode las fluctuaciones de los precios de los activos, per-mitiendo medir el riesgo de los portafolios. Sin embargola volatilidad no es directamente observable; mas aun,no es constante, es dependiente del pasado y excede lanormalidad gausiana.

En este trabajo, se propone una metodologıa robus-ta para el pronostico de la volatilidad que: 1) utiliza lateorıa del caos para mapear una serie de tiempo univaria-ble a un espacio reconstruido de mayor dimensionalidad,2) emplea un metodo de regresion no-lineal con herra-mientas de aprendizaje supervisado, y 3) aplica una me-taheurıstica para sintonizar dicho metodo de regresion.Se determina la eficacia del metodo para pronosticar lavolatilidad del ındice bursatil de la Bolsa Mexicana deValores (BMV) en un perıodo financiero frenetico.

IntroducionLos mercados financieros constituyen uno de los mayo-res componentes de la economıa mundial. Establecen lascondiciones y regulaciones, en conjunto con los gobiernos,para que los participantes puedan realizar transaccionesde compra/venta de diversos instrumentos financieros.Estos instrumentos (tambien llamados activos) son nu-merosos y estan detallados en algun otro documento; ge-neralmente son categorizados como acciones en efectivo(su valor es determinado por el mercado) y derivados(instrumentos cuyo valor se deriva del precio de otro ac-tivo).

Los inversionistas pronostican precios de activos, ad-ministran riesgos y determinan portafolios de inversion(seleccion de una mezcla de acciones que minimice elriesgo de la inversion). Los sistemas financieros no soloson importantes, sino que tambien son altamente com-

plejos: el numero de variables relevantes y sus interaccio-nes son desconocidas. Miles de transacciones equivalentesa millones de dolares son realizadas diariamente en losmercados financieros, por lo que nuevos metodos que in-crementen la precision en los pronosticos en cuestion decentesimas pueden ser la diferencia entre la riqueza o labancarrota.

Enfoques tradicionales como el analisis tecnico (anali-sis empırico de patrones historicos de precios) y el anali-sis fundamental (analisis historico de estados financieros,razones financieras, ındices macroeconomicos y factorespolıticos) estudian el comportamiento de las acciones yde los ındices bursatiles. Enfoques mas recientes comolos modelos econometricos tratan de inferir una funciondel valor actual respecto a sus datos historicos ası co-mo los valores de otras acciones. La volatilidad es unade las variables principales de estas tecnicas: refleja elcomportamiento de la fluctuacion de los precios.

Es comun que la volatilidad se calcule como la des-viacion estandar de los retornos de los activos. Recien-temente, la volatilidad se ha definido como un procesoque refleja la dispersion de los precios de un instrumentofinanciero, evoluciona a lo largo del tiempo y es suscepti-ble de ser estimada. Sin embargo, estimar la volatilidades un proceso que requiere sortear complejas vicisitudescomo su alta no-linealidad, no-estacionariedad, y “he-terocedasticidad” (Mandelbrot mostro que la desviacionestandar calculada sobre una serie de activos no con-vergıa conforme la muestra se incrementaba). asımismo,la volatilidad es un proceso persistente donde los efectosde distintos eventos se expresan en el comportamientode la serie durante un perıodo de tiempo considerable.Otro aspecto importante de la volatilidad es que los cam-bios (grandes y pequenos) de esta tienden a aglomerar-se. Incluso los eventos extremos (Burbujas financieras,crisis economicas, etc.) en las series financieras sucedencon mayor frecuencia que en una distribucion gausiana(argumento ampliamente utilizado por los metodos eco-nometricos).

Las Maquinas de Vectores de Soporte se presentan como una tecnica

robusta para el pronostico de series de tiempo.



Figura 1. Series de tiempo de precios y retornos lo-

garıtmicos cuadraticos del IPC.

La volatilidad no es directamente observable comolas series de precios, por lo que el primer paso en supronostico consiste en definir una aproximacion (proxy)de su serie. En la literatura [2, 5] las aproximaciones masutilizadas son los retornos logarıtmicos, que obtienen lavolatilidad actual calculando el logaritmo natural delprecio actual entre su valor en el perıodo anterior; fungecomo un proceso de normalizacion permitiendo que lanueva serie exhiba caracterısticas como media cero y unadistribucion normal logarıtmica (hecho que puede o noser verdad). Es por esto que en este trabajo empleamoscomo proxy de la volatilidad los retornos logarıtmicos.

Metodos para estimar la volatilidadDurante mas de cien anos, academicos y usuarios han in-tentado pronosticar el comportamiento de la volatilidad.Bachelier fue pionero en modelar los precios financierosa principios del siglo veinte. Su modelo asumıa cambiosde precio aleatorios producto de un proceso brownianodonde la distribucion de los cambios correspondıa a la deuna normal. Bajo esta suposicion la volatilidad es mo-

delada como un proceso continuo y sin memoria, dondela probabilidad de un evento futuro es independiente desu pasado. Basta con determinar la desviacion estandarde la muestra para obtener la volatilidad (o “coeficientede inestabilidad” como le llamo Bachelier). Esta idea res-pecto al comportamiento de los precios de los activos per-mitio derivar importantes fundamentos como la hipotesisde los mercados eficientes, y algunos de los modelos depreciacion como el propuesto por Black-Scholes. El mo-delo de Black-Scholes, concebido para la valoracion deinstrumentos derivados, esta formulado como una ecua-cion estocastica diferenciable; establece que el precio deun derivado este descrito por su media mas una volati-lidad constante multiplicada por un proceso estocasticogausiano; despejando la volatilidad de esta ecuacion seobtiene la volatilidad implıcita, un proxy que representael valor esperado de los cambios en los precios.

No obstante, el empleo de una volatilidad constan-te para el analisis de instrumentos financieros se de-rrumbo en el llamado “Lunes Negro” durante la crisis delos mercados de 1987, mostrando ademas ser no solo unaidea ingenua, sino tambien costosa. Debido a esto unanueva corriente de modelos surge a partir de 1982 cuan-do Engle, premio nobel de economıa en 2003, proponeel modelo ARCH (Auto Regressive Conditional Heteros-cedasticity), el primer modelo en considerar la volatili-dad como un proceso variante en el tiempo. ARCH (p)es un metodo autorregresivo que estima la fluctuacionactual en funcion de p retornos anteriores. Posterior-mente Bollerslev extiende este modelo proponiendo elmetodo GARCH (Generalized Auto Regressive Condi-tional Heteroscedasticity) en 1986; este forma parte delas principales herramientas actuales entre academicos ypracticantes por su facil comprension e implementacion.GARCH (p, q) no solo considera la volatilidad actual enfuncion de p retornos cuadrados pasados, sino que anadedos terminos, 1) la varianza promedio a largo plazo pa-ra modelar la persistencia de la serie y 2) q varianzasanteriores. Mas aun GARCH (1, 1) es considerado comoel caballo de batalla entre financieros debido a su altodesempeno para describir la volatilidad de series finan-cieras. Sin embargo, este metodo supone que las fluctua-ciones en los precios provienen de un proceso normal demedia cero y varianza uno. asımismo considera que lamedia esperada del proceso es constante.

Debido a estas restricciones, areas como las cienciascomputacionales han abordado el problema de estimarla volatilidad mediante tecnicas no-lineales. En 1997 Do-naldson y Kamstra proponen el primer modelo basado enRedes Neuronales (NN) para la estimacion de la volati-lidad financiera. NN pertenece al area de inteligencia ar-tificial, particularmente al aprendizaje supervisado. Estemetodo determina una funcion f a partir de un conjuntode datos llamados de entrenamiento (el cual se presumerepresentativo del proceso que se desea modelar), fun-



cion que una vez obtenida es empleada para pronosticarvarios valores en el futuro. Basadas en este principio, lasNN son capaces de aproximar la funcion subyacente deun proceso a partir de un conjunto de datos explotandola interrelacion de sus variables. Sin embargo, los resul-tados obtenidos por las NN son controversiales debidoesencialmente a sus limitaciones: NN funciona como una“caja negra” y no permite obtener una explicacion deta-llada del proceso; NN tiende a sobre-entrenar el modeloa la muestra y, si dichos datos estan contaminados conruido o contienen elementos espurios, la f estimada nosera representativa del proceso; la formulacion de NN nogarantiza encontrar el modelo optimo, tan solo reduce elerror de prediccion sobre la muestra; se requiere de unalto grado de especializacion en NN y en el problema deaplicacion para poder seleccionar las variables pertinen-tes y la arquitectura del modelo. De hecho, la mayorıade los metodos de aprendizaje supervisado estiman unmodelo Minimizando el Riesgo Empırico (MER). MER,tambien llamado Error de Entrenamiento, utiliza unamedida del error para buscar el modelo que minimice lasdiscrepancias entre este y la muestra; no obstante dichocriterio adolece del efecto llamado sobre-entrenamiento[3].

Maquinas de Vectores de SoporteMotivado por las areas de oportunidad antes menciona-das en 1994, Vapnik propone las Maquinas de Vectoresde Soporte (SVM, por sus siglas en ingles) [3, 4]. SVMes una sofisticada maquina de aprendizaje supervisadoutilizada tanto en problemas de clasıficacion como de re-gresion, aunque por obvias razones en este trabajo solose discute la formulacion del ultimo. El corazon de SVMes el principio de Minimizacion del Riesgo Estructural(MSR). MSR consiste en reducir el error sobre la mues-tra considerando la complejidad de la funcion estimado-ra. Para explicar mejor el funcionamiento de SVM y elprincipio de MSR consideremos el caso mas simple, unaserie de tiempo cuyo comportamiento es explicado poruna relacion lineal del tipo y = m·x+ b. La funcion an-terior corresponde a la de una lınea (dos dimensiones), aun plano (tres dimensiones) o un hiperplano (para masde tres).

El proposito de SVM es buscar el hiperplano capaz dedescribir el comportamiento de una serie de tiempo ajus-tando esta funcion a los datos de la muestra mientras sereduce el error entre el hiperplano y los datos. No obs-tante, existe una numerosa cantidad de posibles hiper-planos que podrıan ajustarse; es por ello que SVM acotasu numero valiendose de un “tubo” de tamano ǫ entornoal hiperplano. Este ǫ− tubo, denominado margen, redu-ce el espacio de posibles hiperplanos. Mas aun permiteexplicar el proceso analizado en base a un subconjuntode datos llamados vectores de soporte. Es decir solo lospuntos que yacen sobre el margen definen la estructura

del hiperplano mientras que todos aquellos contenidosdentro del ǫ− tubo son irrelevantes. SVM esta formuladocomo un problema de optimizacion convexo, por lo quede los hiperplanos viables solo existe uno que minimizael error de entrenamiento y maximizan el margen. LaFigura 2 muestra una caricatura del proceso de SVM.

Este procedimiento funciona de maravilla cuando larelacion entre los datos es lineal pero, ¿que pasa cuan-do los datos provienen de una funcion no lineal o estancontaminados con ruido? Para ello SVM adiciona en suformulacion dos elementos: 1) Las funciones “Kernel” y2) Variables de holgura. Las primeras, estudiadas desdeprincipios del siglo pasado, han sido empleadas en proble-mas de clasıficacion y regresion por diferentes metodos[3]. Esencialmente una funcion kernel permite proyectardatos de su espacio original (dimension de entrada) aotro espacio de mayor dimensionalidad denominado es-pacio de caracterısticas. Usando un kernel podemos ma-pear nuestro problema de regresion no-lineal en el espaciode entrada, a una regresion lineal en el espacio de carac-terısticas. Por otra parte, la adicion de las variables deholgura al problema de optimizacion permite manejar elefecto del ruido/datos espurios sobre el modelo obtenidoa partir de la muestra. El uso del kernel y variables deholgura se puede apreciar en la Figura 2.

Figura 2. Descripcion grafica de SVM.

Consideraciones adicionalesExisten numerosas areas de oportunidad para mejorar laeficiencia, la eficacia y estabilidad del modelo de SVMpara el caso de estudio planteado; este trabajo se enfocaen proponer un metodo para las dos ultimas. Ademasde utilizar SVM como tecnica de regresion realizamosun proceso de sintonizacion de parametros de SVM yseleccion de variables. Estos procesos se describen a con-tinuacion:



Seleccion de parametros:SVM es un metodo semiparametrico, por lo que susparametros requieren ser sintonizados para maximizarla predictibilidad del modelo obtenido. Los parametrosde SVM son a) la anchura del ǫ − tubo, b) un factor deaceptacion de ruido y c) el kernel con sus parametros.Aunque la relacion entre los parametros y la efectividaddel modelo obtenido es no-lineal, tradicionalmente SVMse sintoniza mediante una exploracion exhaustiva cono-cida como busqueda en malla (GS). GS es un metodoclasico que revisa todas las posibles combinaciones de losparametros sobre ciertos rangos (determinados empırica-mente). La combinacion que produzca el modelo con elmenor error de entrenamiento es empleada como predic-tor, no obstante este metodo tiene las desventajas de sercomputacionalmente costoso y altamente ineficiente pa-ra mas de tres parametros. Por esta razon se ha utilizadopara la sintonizacion de parametros metaheurısticas co-mo Algoritmos Geneticos (GA) con resultados superioresa GS [1].

Los GA estan inspirados en el concepto darwinianoen el que los individuos mas aptos son los que consiguentransmitir su material genetico. El funcionamiento deGA es simple: primero codifican los parametros de SVMen una estructura llamada cromosoma; posteriormentese genera y evalua una poblacion de soluciones cuyos va-lores iniciales son aleatorios; un subconjunto de mejoresindividuos se utiliza para formar una nueva poblacion atraves de mecanismos como la cruza o mutacion; la nue-va generacion es evaluada y el proceso es iterado paraaproximarse a la solucion optima [1]. Estos metodos sonde bajo costo computacional, no requieren informaciona priori, y son reconocidos por su efectividad para lidiarcon espacios de busqueda no-lineales con multiples opti-mos locales.

Seleccion de atributos:Los modelos de pronostico y aprendizaje requieren,

en general, que la informacion contenida en las variablesde cada punto de la serie sea suficiente para describir alfenomeno estudiado. Por informacion suficiente enten-demos que: a) La informacion proporcionada por cadavariable es independiente de las demas; b) La informa-cion proporcionada por el conjunto de todas las varia-bles no es redundante, es decir el numero de variables esel mınimo necesario; dichas variables son denominadascomo variables relevantes. En inteligencia artificial losenfoques de seleccion de variables relevantes son filtros,envolturas y embebidos. Los primeros son un pre proce-so independientemente del algoritmo aplicado, mientrasque los segundos consideran la efectividad de la tecni-ca de pronostico para elegir las variables. Los ultimosestan embebidos en el algoritmo de aprendizaje lo que

supone un cambio en la funcion objetivo. Los metodosde pronostico univariables tradicionalmente emplean co-mo variables de una observacion actual n observacionespasadas de sı misma.

El numero de observaciones pasadas y su influenciasobre la observacion actual puede ser lineal o no-lineal.La realidad de las series financieras sobrepasa las suposi-ciones lineales, por lo que herramientas de la Teorıa delCaos empleadas para modelar relaciones no lineales sonatractivas para determinar el numero de variables rele-vantes. El teorema de Reconstruccion de Espacio de Fase(PSR) propuesto por Takens en 1981 nos explica que po-demos encontrar una dimension de empotramiento de unsistema a partir de una secuencia de observaciones; si laserie cumple con ciertas propiedades, entonces la dimen-sion de empotramiento es equivalente a la del sistemabajo estudio. Usando una estructura llamada coordena-das con retraso, un punto se convierte en un vector dondesus variables son m observaciones anteriores.

El proceso clasico busca en primera instancia inde-pendencia entre observaciones minimizando la Informa-cion Mutua (MI) entre estas; posteriormente se deter-mina el numero de variables empleando el metodo deFalsos Vecinos Cercanos (FNN) [5]. Este metodo analizasi puntos cercanos en el espacio definido por q dimen-siones continuan siendo vecinos en q + 1 dimensiones; ladimension de empotramiento corresponde a aquella queminimiza el porcentaje de falsos vecinos.

MetodologıaEn este trabajo, se presenta una nueva metodologıa

computacional para el pronostico de la volatilidad basa-da en SVM, una sintonizacion parametrica con GA, y unfiltro no-lineal para la seleccion de variables. La metodo-logıa llamada PSR-SVMGA es presentada en la Figura 3;su objetivo es obtener un buen desempeno en el pronosti-co de la volatilidad en un perıodo hacia el futuro.Comparamos la metodologıa PSR-SVMGA respecto a: 1)SVM sintonizado por GS (PSR-SVMGS) usando el filtrono-lineal para determinar el numero de variables y 2) elmetodo GARCH (1, 1) sintonizado por el metodo clasi-co de maxima verosimilitud. El primero fue seleccionadodebido a que es el metodo clasico empleado para selec-cion de variables y sintonizacion parametrica. El segundoes el principal metodo para la estimacion de la volatili-dad financiera en diferentes series de tiempo bursatilesdebido a su versatilidad y eficacia.

Las series de tiempo utilizadas en nuestros experi-mentos corresponden a los precios de cierre del Indice dePrecios y Cotizaciones (IPC) obtenidas de yahoo finance2. Este servicio provee los precios de apertura y cierre,ası como el precio mas alto y el mas bajo para diferen-tes ındices y acciones; como es sugerido por la literatura

2http://finance.yahoo.com


http://finance.yahoo.com


[2, 5] nosotros empleamos el precio de cierre. Probamosnuestro metodo en el pronostico de la volatilidad del IPCpara tres diferentes anos (2007, 2008 y 2009); los prime-ros dos perıodos han sido estudiados antes debido a lasaltas fluctuaciones de precios mostradas en ellos comoconsecuencia de la inestabilidad economica mundial [2].Cada ano es dividido en trimestres; utilizamos el mismomodelo para pronosticar la volatilidad de los trimestresdel ano. Para cada perıodo de prueba utilizamos un lapsode 8 anos anteriores para entrenar el modelo [2]; el 20%de estos datos de entrenamiento son usados para validarla funcion de regresion.

La Tabla 1 muestra una descripcion de los datos uti-lizados para entrenamiento y prueba de los tres anos; en-tre parentesis se muestra el numero de datos para dichosperıodos, y en el caso de los datos de prueba el numerode datos por perıodo.

Tabla 1. Descripcion de los datos de entrenamientoy prueba utilizados en nuestros experimentosDatos de Entrenamiento Datos de Prueba

2 Ene 98 - 28 Dic 06 (2250) Ene 07 - Dic 07 (245: 61, 61, 61, 62)

4 Ene 99 - 28 Dic 07 (2251) Ene 08 - Dic 08 (246: 61, 62, 61, 62)

3 Ene 00 - 31 Dic 08 (2250) Ene 09 - Dic 09 (246: 61, 62, 61, 62)

El siguiente paso es el tratar los datos crudos median-te una normalizacion: primero los precios de cierre sontransformados en retornos logarıtmicos, a continuacionson re-escalados en relacion a los valores extremos parareducir el costo computacional del entrenamiento. El si-guiente paso es la seleccion de variables, la cual usa MIy FNN como filtro para determinar el numero de varia-bles del sistema; luego los datos de entrenamiento y deprueba son mapeados como coordenadas con retraso alnuevo espacio.

Para obtener la funcion de regresion, el modelo deSVM es entrenado por un GA. Un numero de individuoscorrespondientes a diferentes configuraciones de parame-tros de SVM es creado aleatoriamente. Despues los mo-delos son entrenados y evaluados de acuerdo con unamedida del error. Aquellos modelos con el menor error(seleccion elitista) sobreviven y el resto muere; el espa-cio disponible en la nueva poblacion es ocupado por loshijos y clones mutados de los supervivientes. En nuestroGA los parametros de SVM codificados en los cromoso-mas son la variable de penalizacion de errores, el kernel(lineal, polinomial y gausiano) ası como sus respectivasconstantes.

La poblacion es de tamano 200 mientras que el nume-ro de generaciones es de 50. El metodo de seleccion esruleta, con un porcentaje de cruzamiento y mutacion de0.8 y 0.2 respectivamente.

Por ultimo, la funcion predictora refinada es evaluadaen el problema del pronostico la volatilidad del IPC enun perıodo en el futuro para los trimestres de cada ano.

En la actualidad, los grandes inversionistas dispo-nen del poder de computo necesario para la implemen-

tacion en tiempo real de cualquier metodo de pronosti-co, mas aun la importancia en la precision de la estima-cion en cuestion de milesimas significa perdidas o ganan-cias para el inversionista. Es por esto que la calidad dePSR-SVMGA, PSR-SVMGS y GARCH (1, 1) es evalua-da respecto al Porcentaje de Error Absoluto Promedio(MAPE) al pronosticar el IPC en los perıodos antes des-critos. Esta metrica estadıstica permite la evaluacion dediferentes metodos de pronostico en la misma unidad deerror e indica el error absoluto persistente del metodo.Los resultados para dicha metrica son presentados en laTabla 2, las mejores soluciones son resaltadas para cadaperıodo.

Figura 3. Metodologıa propuesta.

Tabla 2. Resultados del pronostico del IPCGARCH (1, 1) PSR-SVMGS PSR-SVMGA

2007 1Q 0.59323 0.13232 0.13220

2007 2Q 0.46123 0.12689 0.12674

2007 3Q 0.41601 0.11361 0.11353

2007 4Q 0.38636 0.10274 0.10250

2008 1Q 0.55879 0.15655 0.15645

2008 2Q 0.44672 0.10085 0.09842

2008 3Q 0.30556 0.09425 0.09356

2008 4Q 0.44206 0.15254 0.15272

2009 1Q 0.32422 0.10456 0.10414

2009 2Q 0.47650 0.10249 0.10223

2009 3Q 0.37621 0.10057 0.09993

2009 4Q 0.55956 0.14959 0.14941

De acuerdo con estos resultados, nuestro enfoque ob-tiene un menor error respecto a los otros dos metodos.Estos resultados son validados aplicando la prueba es-tadıstica no parametrica conocida como prueba de Fried-man.

La hipotesis nula de esta prueba es que el desempenode los metodos evaluados es equivalente mientras que lahipotesis alternativa es que existe una diferencia en sudesempeno. De acuerdo con los resultados de la prueba



(valor p=0.00001537), la hipotesis nula es rechazada conun nivel de confianza de 1%.

ConclusionesEn este trabajo, SVM es aplicado al problema del

pronostico de la volatilidad. Se propone una metodologıabasada en un proceso de filtrado para la seleccion de va-riables y un proceso de estimacion de una funcion regre-sora sintonizada por un algoritmo genetico. De acuerdocon la teorıa clasica y la teorıa del caos, la construccionde un espacio suficiente para describir la dinamica delsistema en conjunto con un metodo capaz de capturar elcomportamiento del fenomeno son piezas fundamentalesen el pronostico de series de tiempo de una variable.

De acuerdo con los resultados presentados, la meto-dologıa PSR-SVMGA obtiene un menor error respectoa SVMGS y GARCH(1, 1) en el pronostico de la vola-tilidad del IPC en perıodos de cambios drasticos y deestabilizacion economica. Por una parte, estos resulta-dos son logrados debido al proceso PSR el cual permiteobtener una representacion vectorial mas apropiada dela muestra, mientras que por el otro, SVM nos obtieneun hiperplano representativo de la muestra. Mas aun, lasintonizacion de los parametros de SVM vıa GA impac-ta positivamente en la calidad del pronostico como lomuestran los resultados y el test de Friedman.

Como trabajo futuro se consideraran series de tiempode mayor tamano (muestreadas a una mayor frecuencia),ya que la efectividad de la reconstruccion del espacio

de fase por los metodos antes descritos depende de lacantidad de puntos de las series de tiempo. Ademas, es-ta metodologıa podra ser aplicada a otros instrumentosbursatiles.U

Agradecimientos. El primer autor agradece el soporteal Consejo Nacional de Ciencia y Tecnologıa. El tercerautor agradece el apoyo para estudios de Doctorado porparte del Instituto Mexicano del Petroleo, la Secretarıade Energıa y el Consejo Nacional de Ciencia y Tecno-logıa.

REFERENCIAS

1. Chih-Hung, W., Gwo-Hshiung, T., Rong-Ho, L. (2009): “A No-vel hybrid genetic algorithm for kernel function and parame-ter optimization in support vector regression”. Expert Systemswith Applications, vol. 36, pp. 4725-4735.

2. Phichhang, O. and Hengshan, W. (2010): “Financial VolatilityForecasting by Least Square Support Vector Machine Based onGARCH, EGARCH and GJR Models: Evidence from ASEANStock Markets”. International Journal of Economics and Finan-ce, vol 2, pp.51 -64.

3. Scholkopf, B. and Smola, A. (2002): “Learning with Kernels”.MIT Press, Cambridge.

4. Vapnik, V. (1998): “Statistical Learning Theory”. Wiley, NewYork.

5. Shian-Chang, H., Pei-Ju, C., Cheng-Feng, W., Hiuen-Jiun, L.(2010): “Chaos-based support vector regressions for exchangerate forecasting”. Expert Systems with Applications, vol. 37,pp. 8590–8598.

SOBRE LOS AUTORES

Juan Frausto-Solis Ingeniero Electricista: ESIME-IPN, 1974. Diploma de Estudios a Profundidad(Institut Nacional Politecnique de Grenoble, Francia, 1979). Doctor Ingeniero en 1981 con area de inves-tigacion en Metodos Computacionales en Ingenierıa Electrica. Ha dirigido mas de 80 tesis de maestrıay doctorado y publicado mas de 100 artıculos. Area de Investigacion: Optimizacion Combinatoria conaplicaciones de Inteligencia Artificial a la Ingenierıa, Bioinformatica, asıgnacion (Scheduling) ası comoa problemas conocidos como NP duros.

Guillermo Santamarıa-Bonfil Ingeniero en Sistemas Computacionales, ITESM Campus Cuernava-ca, 2004. Trabajo para IBM de Mexico de Enero del 2005 hasta Enero del 2009 en el area de Integra-cion de Tecnologıa y Administracion de proyectos. Candidato a Doctor en Ciencias Computacionales,ITESM Campus Cuernavaca. Esta interesado en el aprendizaje de maquina (SVM), MetaheurısticasEstocasticas (Recocido simulado y GA) y Analisis no-lineal aplicado al problema de series de tiempo;ademas de areas como Bioinformatica y computacion afectiva.

Manuel Chi obtuvo en 2008 su grado de maestrıa en Ciencias de la Computacion en el IPN. Esasıstente de investigacion en el Programa Estrategico de Matematicas Aplicadas y Computacion en elIMP, donde tambien se ha desempenado como profesor de tiempo parcial en el programa de Posgrado.Actualmente esta cursando sus estudios de Doctorado en el Instituto Tecnologico y de Estudios Supe-riores de Monterrey, donde su investigacion incluye metodos de inteligencia articial y computo suavepara resolucion de problemas de optimizacion en la industria del petroleo.



ARTICULO ACEPTADO

Metodo de aprendizaje automatico basado encompuestos organicosHiram Ponce, Pedro Ponce y Arturo Molina

En la actualidad, la demanda de nuevas tecnicas compu-tacionales capaces de modelar sistemas desconocidos hacrecido enormemente. En este sentido, las redes organi-cas artificiales surgen como una tecnica de aprendizajeautomatico inspirada en compuestos quımicos basados encarbono. Dicha tecnica aporta estabilidad algorıtmica yorganizacion de la informacion basada en la analogıa delos compuestos organicos ası como de la implementacionde heurısticas quımicas. Ademas, el algoritmo de apren-dizaje supervisado denominado redes de hidrocarburosartificiales se presenta como una instancia de las redesorganicas artificiales. A traves de resultados experimen-tales sobre datos de prueba, filtrado de senales de audioy diseno de controladores, se demuestra la potencialidadde las redes de hidrocarburos artificiales.

IntroduccionDesde hace decadas, el analisis de datos en ingenierıa,biomedicina, quımica, biologıa, economıa, fısica, es-tadıstica, entre muchas otras disciplinas, ha sido am-pliamente valorado; principalmente porque ha logradogenerar aplicaciones importantes como la extraccion decaracterısticas, el reconocimiento de patrones, la predic-cion de fenomenos y el modelado de sistemas. Por ejem-plo, el reconocimiento facial o dactilar ha sido utilizadoen sistemas de seguridad, o el analisis de variables cli-matologicas como la temperatura y la humedad ha dadocomo resultado acercamientos a la prediccion del clima.

En este sentido, los sistemas computacionales han te-nido gran apertura en el analisis de informacion, de talforma que le han otorgado “valor” a los datos. De hecho,en 2012 se consideraron a dichos sistemas computacio-nales como tecnologıas emergentes de gran impacto [1].

En particular, los sistemas inteligentes han sido uti-lizados para este proposito; aplicando tecnicas de apren-dizaje automatico (machine learning en ingles), el cualse refiere al estudio, diseno y analisis de sistemas quepueden aprender dada cierta informacion [2]. En la lite-ratura, se reportan diferentes tecnicas tales como: redesneuronales artificiales, regresion, arboles de decision, re-des Bayesianas, logica difusa, inteligencia por enjambres,computacion basada en ADN, algoritmos evolutivos, etc.Cada tecnica aporta ciertas caracterısticas y ventajas; sinembargo, no hay un algoritmo que logre capturar y ana-lizar todos los tipos de datos; por lo que la diversidad demetodos en aprendizaje automatico es importante.

Ante este contexto, recientemente se ha propuesto

una nueva tecnica de aprendizaje computacional deno-minada redes organicas artificiales [3], la cual esta ins-pirada en los compuestos quımicos organicos, teniendocomo principales ventajas: la estabilidad algorıtmica, laencapsulacion y herencia de informacion y el entendi-miento parcial de los datos a traves de las estructurasobtenidas.

A continuacion, este artıculo presenta de manera ge-neral las redes organicas artificiales, haciendo enfasis enun metodo derivado de estas denominado redes de hi-drocarburos artificiales. Ademas, se describen resultadosexperimentales obtenidos mediante la tecnica propuesta;y al finalizar, se presentan las conclusiones y trabajo afuturo.

Base organicaEn quımica, los compuestos son formados mediante unconjunto de atomos condicionados por el ambiente talque favorece las interacciones entre ellos, buscando con-figuraciones optimas que minimicen la energıa quımicadel conjunto. En particular, los compuestos organicos —-basados en elementos de carbono— son los compuestosquımicos mas estables en la naturaleza.

Con base en los compuestos de carbono, las confi-guraciones optimas de atomos dan como resultado es-tructuras organizadas, denominadas moleculas, mismasque pueden verse como modulos o unidades de informa-cion. Adicionalmente, estas moleculas formadas respon-den tanto a condiciones ambientales como a las condi-ciones de estabilidad energetica, dando como resultadocomportamientos (quımicos) especıficos.

De manera semejante, las redes organicas artificialesse proponen como estructuras computacionales inspira-das en los compuestos de carbono, donde se preserva laprincipal caracterıstica: empaquetamiento de la informa-cion en modulos (moleculas). Ademas, las redes organi-cas artificiales definen mecanismos similares a los quımi-cos (a traves de heurısticas) que permiten generar es-tructuras organizadas y optimizadas en terminos de laenergıa interna. Al final, los compuestos organicos ar-tificiales preservan caracterısticas similares a los quımi-cos: modularidad, herencia, organizacion y estabilidadestructural.

En terminos de aprendizaje automatico, las redesorganicas artificiales se definen como una tecnica deaprendizaje supervisado que modela informacion pro-veniente de un sistema mediante moleculas, organizan-



do la informacion con ayuda del criterio de estabilidadenergetica.

Redes organicas artificiales

La tecnica de redes organicas artificiales propone dos re-presentaciones de compuestos de carbono artificiales, unaestructura grafica (propiedades fısicas) y una modela-cion matematica (propiedades quımicas); que se formana traves de heurısticas inspiradas en reglas quımicas.

Las redes organicas artificiales son grafos que repre-sentan la estructura fısica de compuestos organicos, don-de los vertices simbolizan los atomos y las aristas lasinteracciones quımicas. Dicha representacion estructu-ral permite visualizar de manera organizada los distin-tos modulos con los que cuenta la red organica artificialinstanciada a un problema especıfico. Por otra parte, elcomportamiento quımico de los componentes e interac-ciones se modela a traves de objetos matematicos quepermiten relaciones no lineales entre las variables de en-trada y las variables de salida. La Figura 1 muestra laestructura de una red organica artificial simple.

A continuacion, se definen algunos conceptos utilesen terminos de la tecnica de redes organicas artificiales[4, 5]:

Atomos. Estos son las unidades fısicas mas simplesen la tecnica. Su funcion es determinar la forma estruc-tural (topologıa) de la red organica artificial; a travesde la definicion de los tipos de interaccion que puedensostener con otros atomos y el numero maximo de in-teracciones disponibles. Ademas, si dos atomos tienenel mismo numero maximo de interacciones (denomina-do valencia del atomo), entonces ambos son similares,en otro caso, ambos son diferentes. En la practica, losatomos parametrizan la estructura.

Moleculas. Estas son las unidades quımicas mas sim-ples de la tecnica, es decir, definen un comportamientoespecıfico. Estructuralmente, las moleculas son un con-junto de dos o mas atomos que interactuan entre ellos.Para su clasificacion, una molecula es estable si la va-lencia de todos sus atomos esta completa (no se puedengenerar mas interacciones); mientras que una molecula esinestable si al menos uno de sus atomos no tiene valen-cia completa. La Figura 2 muestra la estructura de unamolecula simple. Por otra parte, se identifican dos tiposde moleculas con caracterısticas particulares: los gruposfuncionales y las moleculas primitivas. Las primeras sonmoleculas inestables que forman la base estructural deotras moleculas y las segundas son moleculas inestablesque pueden interactuar con otras, creando moleculas mascomplejas.

C2

C1

1

Cn

n

2

X

S(X)

átomos

moléculas

mezcla de compuestosentradas

salidas

compuestos

coeficientes

estequiométricos

enlaces

covalentes no polares

enlaces

covalentes polares

Figura 1. Estructura de una red organica artificial

simple.

X

enlace covalente

átomos

(parámetros)

átomo

central

entradas

salidas

comportamiento

molecular

Figura 2. Estructura de una molecula simple.

Compuestos. Estos son moleculas especiales creadasa partir de la interaccion de dos o mas moleculas primiti-vas, incrementando ası el comportamiento molecular. Enla practica, estas moleculas son estructuras que modelancomportamientos no lineales. Los compuestos estables seprefieren antes que inestables.

Mezclas. Las mezclas permiten la interaccion implıci-ta entre dos o mas compuestos, principalmente por-que estos ultimos son estables (no pueden aceptar masmoleculas primitivas). En la tecnica, las mezclas soncombinaciones lineales de compuestos, en proporcio-nes definidas como coeficientes estequiometricos. En lapractica, la respuesta de las mezclas es la salida de lared organica artificial.

Enlaces covalentes. En la tecnica, los enlaces cova-lentes son las interacciones que pueden llevarse a caboentre atomos. Si la interaccion se plantea sobre atomossimilares se le conoce como enlace covalente no polar ;mientras que a una interaccion entre atomos diferentesse le denomina enlace covalente polar. En particular, losprimeros son de gran importancia en las redes organicasartificiales porque determinan los mecanismos mediante



los cuales se pueden unir las moleculas primitivas paraformar compuestos.

Interaccion por balance quımico. Se refiere al procesode encontrar los valores de los coeficientes estequiometri-cos que minimicen la energıa interna de las mezclas.

Es importante notar que los conceptos utilizados eneste artıculo refieren de manera simbolica a los propiosde la quımica organica y en algunos casos no suponentodas las definiciones de esta ultima, por lo tanto, nodeben confundirse los terminos.

Las caracterısticas principales de la tecnica sugieren: estabilidad

algorıtmica, organizacion y entendimiento parcial de los sistemas.

Heurısticas inspiradas en la quımicaLas redes organicas artificiales parten del supues-

to que los compuestos organicas buscan minimizar laenergıa quımica, dando como resultado estructuras es-tables. En este sentido, la regla principal para la cons-truccion de la estructura de una red organica artificialimplica que [5]:

La prioridad de uso de componentes determina queprimero se ocupan los atomos para formar moleculassimples, luego dichas moleculas primitivas forman com-puestos y al final estos ultimos crean mezclas.

Dependiendo del tipo de red organica artificial, laheurıstica es implementada en un algoritmo de construc-cion y entrenamiento.

Redes de hidrocarburos artificialesUna instancia practica de la tecnica mencionada an-

teriormente es el algoritmo de redes de hidrocarburosartificiales. Dicho algoritmo esta inspirado en los com-puestos organicos denominados hidrocarburos, conocidosen la naturaleza por ser los compuestos mas estables.

Ası como en la quımica organica, las redes de hi-drocarburos artificiales unicamente utilizan dos ato-mos, hidrogenos y carbonos; mismos que tienen valen-cias identicas a los de la naturaleza. En particular,las moleculas de este algoritmo toman el nombre demoleculas-CH , las cuales tienen un comportamiento nolineal definido por una funcion polinomial en su formafactorizada, que esta asociada a un elemento de carbonoy limitada en grado por el numero maximo de hidroge-nos unidos, como se ilustra en la Ecuacion (1), donde,ϕC representa el comportamiento quımico centrado enel carbono C, Hi representa el i-esimo hidrogeno unidoal carbono, k es el numero de hidrogenos y la senal deentrada x representa un estımulo a la molecula-CH .

ϕC (x) =

k≤4∏

i=1

(x−Hi) (1)

Con la finalidad de automatizar el proceso de construc-cion de la red de hidrocarburos artificiales, la topologıade los compuestos se restringe a una cadena lineal, comola mostrada en la Figura 3. A partir de esta simplifica-cion, la seleccion del numero optimo de moleculas-CH

ası como el tipo de moleculas-CH de cada compuesto

se lleva a cabo a traves de un metodo de optimizacioninspirado en la entalpıa (propiedad de los enlaces quımi-cos relacionada con la energıa quımica de los mismos [5])de los enlaces covalentes no polares. De manera parale-la, se lleva a cabo la fase de entrenamiento que consisteen encontrar los valores de los hidrogenos Hi de toda laestructura que minimicen la energıa quımica gastada.

Una vez que los compuestos estan completamente de-finidos, se aplica una interaccion por balance quımicopara encontrar el conjunto de coeficientes estequiometri-cos. A continuacion, se describe de manera simplificadael algoritmo de construccion y entrenamiento, denomi-nado Algoritmo-AHN (por la sigla en ingles de ArtificialHydrocarbon Networks) [4, 5]:

1. Recibir el conjunto de datos de entrenamiento.

2. Inicializar un compuesto con estructura mınima.

3. Optimizar el numero de moleculas en el compuesto.

4. Si se requiere otro compuesto, ir al paso 2.

5. Crear una mezcla de compuestos.

6. Aplicar el balance quımico.

7. Regresar la estructura final entrenada.

El Algoritmo-AHN es estable respecto de las senalesde entrada, como fue demostrado en [5]. Asimismo,los parametros encontrados como los hidrogenos, coefi-cientes estequiometricos y lımites de accion molecular(parametros que determinan sobre que parte del domi-nio del problema interactua cada molecula), junto con laorganizacion estructural, permiten la identificacion, en-tendimiento y analisis parcial de los sistemas modelados(ver [4, 5, 6]).

- moléculas

Figura 3. Estructura de un compuesto lineal.



Las redes de hidrocarburos artificiales son robustas a datos imprecisos y

con incertidumbre.

Resultados experimentales

Las redes de hidrocarburos artificiales han demostradoser capaces de modelar, inferir y clasificar sistemas nolineales multivariables, implementandose principalmenteen aplicaciones de filtrado de senales de audio, reconoci-miento facial y sistemas de control.

A continuacion, se describen algunos resultados ex-perimentales, haciendo enfasis en dos casos de estudio.

Experimentos sobre datos de prueba

Las redes de hidrocarburos artificiales han mode-lado sistemas multivariables, como el mostrado enla Figura 4. Como se observa, el sistema tiene va-riables altamente correlacionadas, sin embargo, elAlgoritmo-AHN es capaz de obtener una aproxi-macion con un error cuadratico medio de 1.1%.

−1.5−1

−0.50

0.51

1.5

0

5

10

15−1.5

−1

−0.5

0

0.5

1

1.5

Sistema

AHN

atributo 1atributo 2

y

Figura 4. Aproximacion de un sistema no lineal y

multivariado. (lınea) datos del sistema, (asteriscos)

aproximacion de la red de hidrocarburos artificiales.

Ejemplos similares sobre aproximacion de funcionespueden encontrarse en [4, 5]. Por ejemplo, en [5] se discu-ten algunos problemas de clasificacion no lineal como laaproximacion de una funcion XOR (disyuncion exclusi-va), obteniendo un error de clasificacion del 4.5% (Figura5) y que fue comparado contra una red auto-organizadade Kohonen obteniendo un error de 9.5%. Asimismo, seexpone la clasificacion del conjunto de datos de flores deIris, ampliamente conocido en la literatura de aprendi-zaje automatico, que obtuvo un error de clasificacion de10.7% entre los datos de entrenamiento y los datos deprueba (75% y 25%, respectivamente).

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

atributo 1

atr

ibu

to 2

Figura 5. Clasificacion de la funcion XOR con redes

de hidrocarburos artificiales. (cırculos) valor logico

“falso”, (asteriscos) valor logico “verdadero”.

Filtrado de senales de audioDurante decadas se han propuesto diversas alternativaspara eliminar el ruido de las senales de audio. Entre lastecnicas aplicadas, se ha demostrado que los filtros, enti-dades matematicas que permiten el paso de frecuenciasdeterminadas, han podido disminuir y en algunos casoseliminar las frecuencias no deseadas de una senal audi-tiva. Ese es el caso de los filtros de respuesta al impulsofinito (FIR, por su sigla en ingles). No obstante, este ti-po de filtros no elimina completamente ruidos conocidoscomo Gaussianos, debido a que se distribuyen de mane-ra uniforme sobre todas las frecuencias, contaminandosenales de audio, impidiendo ası su reconocimiento.

En este sentido, el Algoritmo-AHN se ha implementa-do como un filtro adaptable, de tal manera que va elimi-nando el ruido Gaussiano a medida que la senal de audiocontaminada se va obteniendo, como se explica en [5].Se realizaron tres experimentos dependiendo de la fuen-te ruidosa: (1) contaminacion de la senal por software,(2) a traves del ruido normal de un microfono mezcladocon ruido por software y (3) mediante ruido del ambien-te; y se comparo la respuesta del filtro basado en lasredes de hidrocarburos artificiales (filtro-AHN) con unfiltro-FIR, midiendo la relacion entre la senal de interesy el ruido contenido (SNR, por su sigla en ingles). Si elvalor SNR es mayor a la unidad, se puede asegurar queel ruido fue disminuido; mientras que un valor SNR me-



nor a la unidad, representa mucho contenido ruidoso. LaTabla 1 muestra los valores SNR obtenidos para los tresexperimentos.

0 0.5 1 1.5 2

x 104

0

0.005

0.01

0.015

0.02

0.025

Frecuencia (Hz)

|Y(f

)|

0 0.5 1 1.5 2

x 104

0

0.005

0.01

0.015

0.02

0.025

Frecuencia (Hz)

|Y(f

)|

Figura 6. Respuesta en frecuencia del filtro-AHN pa-

ra el primer experimento. (arriba) senal original en

gris y senal original con ruido en negro, (abajo) res-

puesta del filtro-AHN.

Como se puede observar en la Tabla 1, los filtros-AHNdisenados para los experimentos anteriores lograron unamejor reduccion de ruido que los filtros-FIR, por lo quelos filtros basados en redes de hidrocarburos artificialespermiten lidiar con ambientes ruidosos o con incertidum-bre.

Tabla 1. Valores SNR para los experimentosrelacionados con el filtrado de audio [5].

Experimento Filtro-AHN Filtro-FIR

1 2.3318 0.8609

2 8.3917 1.4556

3 6.1314 1.9239

Control de motores en ambientes ruidososComo se puede notar con los experimentos anteriores,las redes de hidrocarburos artificiales estan asociadas aaplicaciones que se encuentran en ambientes con incerti-dumbre o ruidosos. En este sentido, se propone el uso delmetodo de redes de hidrocarburos artificiales en sistemasde control con perturbaciones.

Los sistemas de control permiten regular las varia-bles de un sistema dado con la finalidad de obtener unestado deseado. En particular, el siguiente experimentotiene como objetivo disenar un controlador basado en re-des de hidrocarburos artificiales para regular la posicionde motores electricos de corriente directa (CD), como sedescribe en [6]. En este sentido, se propuso un controla-dor difuso —basado en logica difusa que permite lidiarcon sistemas no lineales con incertidumbre— con redes dehidrocarburos artificiales (FMI, por su sigla en ingles [6])y fue aplicado sobre un motor CD. Con el proposito de

medir el desempeno del controlador, se comparo con uncontrolador difuso Mamdani tipo I y tipo II, este ultimoagrega la caracterıstica de lidiar con sistemas ruidosospero difıciles de implementar [6].

En [6], se reportan similitudes en la respuesta de uncontrolador difuso Mamdani tipo I y un controlador FMI,en sistemas sin ruido. Por otra parte, si el sistema con-tiene ruido (de manera experimental se agrego 35% deruido uniforme), el controlador Mamdani tipo II lograuna respuesta en estado estable con un poco menos deprecision que el controlador basado en redes de hidro-carburos artificiales FMI (mejora el error en 10%). Larespuesta a escalon del controlador difuso FMI ası comosu comparacion respecto a un controlador difuso Mam-dani tipo II se aprecia en la Figura 7. En [6] tambien sereporta una mejora sustancial (de 32.9%) por parte delcontrolador FMI respecto del controlador Mamdani tipoII en una respuesta a una rampa.

Por lo tanto, el experimento sugiere que el controla-dor difuso basado en redes de hidrocarburos artificialespuede usarse como alternativa a los controladores difu-sos Mamdani tipo II, disminuyendo ası la complejidadde implementacion de controladores difusos para siste-mas altamente ruidosos.

0 1 2 3 4 5 6

0

50

100

150

180

200

Tiempo (s)

Pos

ició

n (º

)

ReferenciaFMIMamdani

Figura 7. Comparacion entre la respuesta a escalon

del controlador FMI (cuadrados) y el controlador di-

fuso Mamdani tipo II (cırculos), ante una referencia

ruidosa (lınea).

CC

H6

H4

H2

H3

H5

1 2

C3

C4C5

C6

átomo

central

átomos

(parámetros)

Figura 8. Topologıa cıclica de una molecula propuesta

para redes de hidrocarburos artificiales.



Introduccion a las topologıas aromaticasLas redes de hidrocarburos artificiales han mostrado uti-lidad en senales. Sin embargo, estas ultimas varıan res-pecto al tiempo, lo cual implica que son sistemas dinami-cos.

En este sentido, un resultado teorico dado en [5]propone una estructura de redes de hidrocarburos arti-ficiales basada en compuestos organicos aromaticos, esdecir, que se tengan topologıas cıclicas, como se muestraen la Figura 8.

ConclusionesEn este artıculo, se presenta una sıntesis del estado delarte de las redes organicas artificiales, siendo estas unatecnica de inteligencia artificial inspirada en compuestosde carbono. Asimismo, se describe de manera breve elalgoritmo de aprendizaje supervisado denominado redesde hidrocarburos artificiales, mismo que esta basado enlas redes organicas artificiales.

Las caracterısticas principales de la tecnica sugieren:estabilidad algorıtmica; encapsulamiento y organizacionde la informacion modelada; y entendimiento parcial delos sistemas.

Asimismo, como se ha notado en los resultados expe-rimentales presentados, las redes de hidrocarburos artifi-ciales han demostrado ser utiles en aplicaciones de filtra-do de senales y control de sistemas con incertidumbre.

Finalmente, las redes organicas artificiales han abier-to la posibilidad de lıneas de investigacion vinculadas aldiseno de nuevas topologıas (como las redes aromaticassugeridas), ası como el desarrollo de nuevos metodos de

construccion y entrenamiento de redes de hidrocarburosartificiales. Ademas, los resultados experimentales sugie-ren el uso de las redes de hidrocarburos artificiales ensistemas inteligentes basados en datos multivariados, nolineales y con incertidumbre, con el objetivo de aportarrobustez a dichos sistemas computacionales.U

Agradecimientos. Este trabajo fue apoyado medianteuna beca por parte del Tecnologico de Monterrey, Cam-pus Ciudad de Mexico y una beca de manutencion porparte del CONACYT.

REFERENCIAS

1. “Global Agenda Councils on Emerging Technologies”. http://reports.weforum.org/global-agenda-council-2012/councils/emerging-technologies/. Fecha de consulta: 24, 09, 2013.

2. Mitchell T. (1997) Machine Learning. Estados Unidos deAmerica, McGraw Hill.

3. Ponce H. y Ponce P. (2011) “Artificial Organic Networks”. EnIEEE Conference on Electronics, Robotics, and AutomotiveMechanics CERMA, pp. 29–34.

4. Ponce H. y Ponce P. (2012) “Artificial Hydrocarbon Networks:A New Algorithm Bio-Inspired on Organic Chemistry”. En In-ternational Journal of Artificial Intelligence and Computatio-nal Research IJAICR. Vol. 4, No. 1, pp. 39–51.

5. Ponce H., Ponce P. y Molina A. (2014) “Artificial Organic Net-works: Artificial Intelligence Based on Carbon Networks”. Stu-dies in Computational Intelligence, Springer International Pu-blishing, Vol. 521.

6. Ponce H., Ponce P. y Molina A. (2013) “Artificial HydrocarbonNetworks Fuzzy Inference System”. Mathematical Problems inEngineering. Vol. 2013, pp. 1 – 13.

SOBRE LOS AUTORES

Hiram Ponce obtuvo su grado de licenciatura en Ingenierıa Mecatronica y especialidad en Controly Automatizacion en el Tecnologico de Monterrey, Campus Ciudad de Mexico, en 2008 y 2009, res-pectivamente. Posteriormente, en 2010 obtuvo el grado de maestro en Ciencias de la Ingenierıa conespecialidad en Control Inteligente y en 2013 el grado de Doctorado en Ciencias Computacionales enel mismo instituto. Sus areas de interes son: inteligencia artificial, control, aprendizaje automatico yeducacion.

Pedro Ponce estudio Ingenierıa en Control y Automatizacion (1995) egresado del Instituto Politecni-co Nacional. Realizo sus estudios de posgrado en el mismo instituto, obteniendo los grados de Maestro(1998) y Doctor en Ciencias (2001), con especialidad en Ingenierıa Electrica opcion Control Automati-co, con lıneas de investigacion en: control, automatizacion, robotica, inteligencia artificial, maquinaselectricas. Desde 2006 es Director de la Maestrıa y Doctorado en Ciencias de la Ingenierıa del Tec-nologico de Monterrey, Campus Ciudad de Mexico.

Arturo Molina es profesor titular, investigador y Vicerrector de Investigacion e Innovacion del Tec-nologico de Monterrey. Miembro del Sistema Nacional de Investigadores de Mexico (nivel II), de laAcademia Mexicana de Ciencias, de la Academia de Ingenierıa y del consejo consultivo del Inter-nacional Federation of Automation and Control. Tambien es consultor del Banco Mundial y BancoInteramericano de Desarrollo. Recibio el grado de Doctor en Mecanica por la Universidad Tecnica deBudapest, Hungrıa y posteriormente un PhD en Sistemas de Manufactura en Loughborough Universityof Technology, Inglaterra.


http://reports.weforum.org/global-agenda-council-2012/councils/emerging-technologies/




COLUMNAS

IA & EducacionYasmın Hernandez y Lucıa [email protected]

Agentes Pedagogicos AnimadosLos sistemas tutores inteligentes (STI) representan

una de las aplicaciones mas exitosas de la inteligenciaartificial (VanLehn et al, 2007); sin embargo, la inter-accion estudiante-tutor en muchos de estos sistemas hasido poco natural, ya que obliga al estudiante a apren-der la forma de comunicacion del programa, lo que dealguna manera dificulta el aprendizaje. En los ultimosanos se han realizado algunos trabajos importantes en lainvestigacion de la interaccion humano-computadora pa-ra dotarla de caracterısticas similares a las interaccionesentre humanos. Una de las tendencias mas importan-tes ha sido la incorporacion de los agentes pedagogicosanimados; estos son personajes autonomos, vivos, queinteractuan con los estudiantes a traves de expresionesfaciales, miradas, emociones y gestos deıcticos.

Entre los comportamientos de un agente pedagogicoanimado se encuentran aquellos propios de los STI, perotambien cuentan con algunos particulares de los agen-tes animados, tales como hacer demostraciones de tareascomplejas, observar y asistir al estudiante al realizar sustareas, ademas de poder guiar a los estudiantes en espa-cios virtuales, entre otros comportamientos (Iacobelli yCassell, 2007).

Los agentes pedagogicos animados tienen un gran im-pacto en los sistemas de educacion y capacitacion ya quedan la impresion de que existe alguien que esta del otrolado, los estudiantes perciben un comportamiento muydiferente al de un sistema tradicional y mas parecido alde un humano. La motivacion principal de los agentespedagogicos animados se basa en que la comunicacionno verbal en los dialogos humanos puede ser aplicablea los dialogos tutor-estudiante (Johnson, Rickel y Les-ter, 2000) para enriquecerla y obtener mejores resulta-dos en el aprendizaje. Por otro lado, muchos patronesde las interacciones entre humanos parecen repetirse enla interaccion humano-computadora, y con mayor fuerzaen la interaccion con un agente animado. Reeves y Nass(1996) afirman que las personas tienden a atribuir rasgosy cualidades humanas a las cosas, y de manera particulartratan a las computadoras como actores sociales; por lotanto las reglas sociales que rigen las interacciones entrehumanos tambien se aplican a las interacciones hombre-maquina. Esto ha dado lugar a varias lıneas de investi-gacion que examinan los impactos social y cognitivo delas interacciones humano-agente en el corto y largo plazo(Bickmore y Picard, 2005).

Entre las areas principales que intervienen en la inves-tigacion de los agentes pedagogicos animados se encuen-tran computacion afectiva, inteligencia artificial, proce-samiento de lenguaje natural, gestos y lenguajes narrati-vos, sistemas tutores inteligentes, agentes de software ypersonajes sinteticos.

Para que un agente sea creıble y tenga beneficios enel aprendizaje, debe ser capaz de dar instruccion opor-tuna y personalizada con base en la situacion actual, ysus intervenciones deben reflejar las necesidades del estu-diante. Actualmente, ningun agente pedagogico animadocuenta con todas las caracterısticas deseables y en mu-chas funcionalidades hace falta investigacion; sin embar-go, podemos encontrar desarrollos que permiten advertirsu potencial, ası como vislumbrar las ventajas que pode-mos obtener con un agente pedagogico animado. U

(a) Steve (b) Cosmo (c) Herman the bug

Figura 1. Agentes pedagogicos animados. (a) Steve,imagen usada con permiso de Paul Brna. (b) Cosmo,imagen usada con permiso de Paul Brna, (c) Hermanthe Bug, imagen usada con permiso de James C. Les-ter) (Johnson, Rickel y Lester, 2000).

REFERENCIAS

1. Bickmore T. y Picard R. (2005) “Establishing and Maintai-ning Long-Term Human-Computer Relationships” ACM Tran-sactions on Computer-Human Interaction Vol. 59, No. 1, pp.21–30.

2. Iacobelli F. y Cassell J. (2007) “Ethnic Identity and Engage-ment in Embodied Conversational Agents”, En Proc. 7th Inter-national Conference on Intelligent Virtual Agents, Paris, Fran-ce, pp. 57-63.

3. Johnson W. L., Rickel J. W. y Lester J. C. (2000) “Anima-ted Pedagogical Agents: Face-to-Face Interaction in InteractiveLearning Environment”. International Journal of Artificial In-telligence in Education, Vol. 11, pp. 47-78.

4. Reeves B. y Nass C. (1996) “The Media Equation: How peopletreat computers, television and new media like real people andplaces”. Cambridge University Press.

5. VanLehn K., Graesser A. C., Jackson G. T., Jordan P., Olney A.y Rose C. P. (2007) “When are tutorial dialogues more effectivethan reading?”. Cognitive Science, Vol. 31, pp. 3-62.



COLUMNAS

Deskubriendo KonocimientoAlejandro Guerra Hernandez y Leonardo Garrido,[email protected]

Multiagent Systems: Algorithmic, GameTheoretic, and

Logical Foundationsde Yoav Shoham y Kevin Leyton-Brown

por Alejandro Guerra-HernandezDepartamento de Inteligencia Artificial, Universidad Veracruzana

Portada del libro.

El concepto de agente compu-tacional es central en la Inteli-gencia Artificial (IA), siendo nues-tro objeto de estudio las entidadesinteligentes, su comportamiento ysu sıntesis. No por casualidad, laconstruccion de agentes racionalesesta en el centro del llamado en-foque moderno de la IA1. De he-cho, si se ubica a la IA como par-te de las Ciencias Cognitivas, resal-ta su interes, unico en el area, porla sıntesis de entidades inteligentes.De especial interes resulta el caso delos Sistemas Multiagentes (SMA),compuestos de multiples entidadescomputacionales autonomas, cuyainformacion y/o intereses suelen ser

divergentes. Esto es, un conjunto deagentes cuyas metas, recursos y ca-pacidades pueden ser consistentes oinconsistentes; dando lugar a inter-acciones entre ellos. La cuestion es¿Como podemos modelar, razonaracerca de, y construir tales siste-mas? El texto que nos ocupa va ala raız de esta cuestion.

Este libro, si bien esta escritodesde una perspectiva computacio-nal, incluye material de economıa,investigacion de operaciones, filo-sofıa analıtica y linguıstica. Los in-gredientes basicos incluyen elemen-tos tecnicos propios de la logica, lateorıa de probabilidad, la teorıa dejuego y la optimizacion.

Lo que es de agradecer, dadosestos antecedentes, es que los auto-res logren ofrecer un discurso com-pleto en gran medida, coherente yconsistente, sobre la cuestion del es-tudio y construccion de los SMA.Para ello, han elegido focalizar susesfuerzos en presentar formalmen-te, y con la mayor precision y clari-dad posible, los fundamentos teori-cos del area. El enfasis esta puesen los conceptos relevantes, las ma-tematicas esenciales detras de ellos,y su algorıtmica. Aunque no existenrequisitos previos para su lectura, elpublico al que esta dirigido este tex-to son estudiantes de posgrado, o delicenciatura en una etapa avanzadade sus estudios, con algun perfil decomputacion.

Es importante senalar que, porlas razones expuestas, este libroesta lejos de ser una guıa practi-ca de la programacion de SistemasMultiagente. Por ello, resulta unexcelente complemento para textosmas tecnicos. El libro tampoco debeverse como una revision bibliografi-ca de la investigacion de punta enSMA, por el contrario, existe unsesgo conservador premeditado porincluir material riguroso, probado yque resista el paso del tiempo.

Los primeros dos capıtulos cu-bren aspectos relacionados con si-tuaciones de interaccion cooperati-vas, donde las metas de los agen-tes son compatibles, pero puede serque los recursos y/o capacidades deestos sean insuficientes. El capıtulouno introduce el problema de la sa-tisfaccion de restricciones distribui-da y una serie de algoritmos para susolucion: poda de dominios, unifi-cacion, busqueda heurıstica y el al-goritmo de backtracking asıncrono(ABT). El uso de estos algoritmosse ejemplifica con una red de senso-res y el problema de las cuatro rei-nas. El capıtulo dos aborda el temade la optimizacion distribuida conbase en cuatro metodos: la progra-macion dinamica distribuida; la se-leccion de accion en problemas deMarkov distribuidos; la optimiza-cion distribuida basada en subastaspara la programacion lineal y de en-teros; y las leyes sociales. Los domi-

1Russell, S. y Norvig, P. Artificial Intelligence a Modern Approach. Prentice Hall, 2010



nios de ejemplo incluyen problemasde asignacion de recursos y la elabo-racion de agendas y calendarios. Noes de extranar que las leyes socia-les y convenciones sean introduci-das someramente, puesto que seranabordadas nuevamente mas adelan-te desde una perspectiva basada enla teorıa de juegos.

El segundo bloque de capıtulosesta organizado en torno a las si-tuaciones de interaccion no coope-rativas individuales donde las me-tas son incompatibles pero los re-cursos y capacidades son suficien-tes. El bloque se aborda desde unaperspetiva basada en la Teorıa deJuegos y, dada la experticia de losautores, resulta una de las partesmas lograda del libro (la otra, en miopinion, es el bloque que cubre lasinteracciones grupales). El capıtulotres introduce la forma normal delos juegos no cooperativos, ejempli-ficada en el dilema del prisionero ysu variante conocida como el usua-rio del protocolo TCP. La demos-tracion de la existencia de al me-nos un equilibrio de Nash para es-tos juegos y otros resultados forma-les, hacen gala del enfoque elegidopor los autores. El capıtulo cuatroaborda la algorıtmica de la repre-sentacion en forma normal de losjuegos no cooperativos. Primero sepresenta la computacion del equi-librio de Nash en el caso de jue-gos de suma cero de dos jugadores;luego se trata el caso de suma ge-neral para dos jugadores; y poste-riormente el caso de suma generalpara n > 2 jugadores. El capıtulocinco introduce la forma extensivade estos juegos, donde las decisio-nes de los agentes no son acerca deacciones individuales, sino sobre se-cuencias de ellas. Primero se abor-dan los casos conocidos como juegosde informacion perfecta donde ca-da agente puede recrear la historiacompleta de las decisiones tomadas,incluyendo aquellas de otros agen-tes en el sistema; y posteriormente

se abordan los juegos de informa-cion imperfecta, donde los agentescuentan con informacion parcial onula de las decisiones tomadas porotros agentes. Y el capıtulo seis re-visa otras representaciones de losjuegos no cooperativos, incluyendoel caso de los juegos iterados finitose infinitos; y los juegos Bayesianosdonde es posible representar, a di-ferencia de los casos anteriores, in-certidumbre sobre el juego que seesta llevando a cabo. Este capıtu-lo aborda tambien una serie de re-presentaciones compactas cuya mo-tivacion es eminentemente compu-tacional.

El tercer bloque de capıtulosesta organizado en torno a situa-ciones de interaccion grupales, don-de los recursos o las capacidadesde los agentes son insuficientes. Elcapıtulo nueve introduce el concep-to de eleccion social y agregacion depreferencias ejemplificado en diver-sos tipos de votacion. En este sen-tido, este capıtulo cambia de unaperspectiva centrada en el agente,a una vision normativa basada enel disenador del sistema como unaautoridad. Las funciones de bienes-tar introducidas aquı, asumen quelos agentes expresan sus verdade-ras preferencias, en cambio los pro-tocolos introducidos en el capıtulodiez, contienden con el caso don-de las preferencias individuales delos agentes no son conocidas, es de-cir, introducen una dimension es-trategica al problema de la agre-gacion social. El concepto centralaquı es independientemente de laspreferencias reales de cada agente,disenar un mecanismo que permitaencontrar un equilibrio en el juego.Esta aproximacion es ejemplificadacon problemas de asignacion de ta-reas y ancho de banda en una red decomputo. El capıtulo once abordaun tema bien conocido en la comu-nidad de SMA, el de la asignacionde recursos vıa subastas. Finalmen-te, el capıtulo doce introduce el caso

de la teorıa de juegos cooperativa yla formacion de coaliciones de agen-tes con intereses propios. El capıtu-lo ofrece una clasificacion de juegoscooperativos y las herramientas ne-cesarias para su analisis.

El resto de los capıtulos tienenen comun que sus fundamentos noson necesariamente cercanos a lateorıa de juegos; y en que su na-turaleza es ambigua: pueden versecomo herramientas para resolver si-tuaciones de interaccion, o bien co-mo situaciones de interaccion porderecho propio. El capıtulo sieteaborda el problema del aprendiza-je desde la aproximacion dominantedel aprendizaje distribuido por re-fuerzo y el aprendizaje Bayesiano.El capıtulo trece aborda el conoci-miento y las creencias desde la logi-ca modal, con base en el trabajo deFagin y colegas 2. En ambos casosel sesgo conservador de la seleccionde material tiene un impacto inde-seable: Si bien el material es presen-tado con el mismo rigor y precisionque en los casos anteriores, la pers-pectiva ofrecida por estos capıtulosresulta limitada. El capıtulo cator-ce acerca el tema del conocimiento alos formalismos Bayesianos en tantoque introduce diversos mecanismosde revision de creencias. El capıtuloocho aborda la comunicacion en losSMA; y quizas sea el mas flojo dellibro, sin algorıtmica, ni referentesa las semanticas modales u opera-cionales de los actos de habla.

En lo general, estamos anteun texto imprescindible para quieneste interesado en las matematicasy los algoritmos detras de los con-ceptos fundacionales de los SMA.Aunque formal en todo momen-to, estamos ante un texto aborda-ble y de agradable lectura. Cuatroapendices, breviarios incluyen parafacilitar el resto del libro, que puedeverse como un conjunto de conjurospara no meter la pata, ni inventarel hilo negro en la concepcion de losSistemas Multiagente.

2Fagin R., et al. Reasoning about Knowledge. MIT Press, 1995.


EVENTOS ACADEMICOS

CLAIO XVII / CSMIO IIIConferencia sobre Investigacion de Operaciones6 al 10 de octubre de 2014, Monterrey, Mexicohttp://pisis.fime.uanl.mx/claio2014/

La Asociacion Latino Iberoamericana de Investigacion Operativa (ALIO) y a la comunidad mundialde Investigacion de Operaciones (IO) invita a participar en el XVII Congreso Latino-Iberoamericanode Investigacion Operativa organizado conjuntamente con el 3er Congreso de la Sociedad Mexicana deInvestigacion de Operaciones (CLAIO/CSMIO 2014). El programa academico consistira en sesionestecnicas y especiales en paralelo, conferencias plenarias y tutoriales que cubriran varios aspectos de IO.

ISUM 2014Congreso Internacional de Supercomputo17 al 21 de marzo de 2014, Ensenada, Mexicohttp://isum2014.cicese.mx/

El Departamento de Ciencias de la Computacion y la Direccion de Telematica del Centro de Investi-gacion Cientıfica y de Educacion Superior de Ensenada, Baja California (CICESE), en conjunto conla Universidad Autonoma de Baja California a traves de su facultad de Ciencias y de Ingenierıa, y elCETYS Universidad, extienden una cordial invitacion a participar en el 5o Congreso Internacionalde Supercomputo en Mexico. Las actividades de este congreso incluiran conferencias, publicacion decarteles, talleres, exposiciones tecnologicas, y mesas de trabajo sobre los temas mas importantes y devanguardia relacionados con el supercomputo, visualizacion cientıfica, y las aplicaciones a las diferentesareas de la ciencia y del conocimiento.

5to Taller de Robotica yPlanificacion de Movimientos6 y 7 de febrero de 2014, Guanajuato, Mexicohttp://robomov2014.eventos.cimat.mx/

El Centro de Investigacion en Matematicas A.C. (CIMAT) tiene el gusto de invitar al 5o Taller deRobotica y Planificacion de Movimientos. Los objetivos del evento son: dar a conocer las areas deRobotica y Planificacion de Movimientos entre estudiantes, presentar trabajos e intercambiar ideas yfomentar colaboraciones entre profesionales del campo.

Sociedad Mexicana de Inteligencia Artificial, A.C.

www.smia.org.mx

www.komputerSapiens.orgwww.facebook.com/Komputer.Sapiens

twitter.com/KomputerSapiens

Invitacion a publicar en Komputer Sapiens: Volumen Especial en Programacionde Tareas - Scheduling e Inteligencia Artificial: Nuevos Retos

Se invita a publicar en el proximo volumen (enero-abril 2014), el cual sera un especial que se enfocara principalmenteen todos los aspectos de la programacion de tareas y el uso de la inteligencia artificial para su solucion.Tambien podran ser incluidas otras tematicas de la IA. Para este volumen, la fecha lımite de envıo es el 17 dediciembre de 2013. Los artıculos recibidos despues de esta fecha, seran considerados para proximos numeros.

La programacion de tareas (scheduling) es un proceso de toma de decisiones con la meta de optimizar uno o mas objetivos. El schedulingprincipalmente se encarga de la asignacion de recursos escasos durante el tiempo. Actualmente, una gran variedad de problemas descheduling pueden ser encontrados en diversas areas que pueden ser desde sistemas industriales de produccion, sistemas informaticos,sistemas administrativos, sistemas de manufactura, aeropuertos, puertos marıtimos, sistemas de transportes, entre otros. Para estevolumen son de especial interes los siguientes temas (pero no limitados): Programacion de tareas basado en agentes, programacion detareas multi-criterio, programacion de tareas en los nuevos sistemas informaticos - Grid, nube computacional, planeacion y programacionde tareas, programacion de tareas en sistemas de manufactura y sistemas industriales, programacion de horarios, entre otros temas.

Komputer Sapiens es patrocinada por la SMIA, la Sociedad Mexicana de Inteligencia Artificial. Kom-puter Sapiens es una revista de divulgacion cientıfica en idioma espanol de temas relacionados con laInteligencia Artificial. La revista esta dirigida a los encargados de tomar decisiones, ası como a un ampliopublico de lectores de diversos perfiles, como estudiantes, profesores, investigadores y usuarios interesa-dos en la tematica de la revista. Agradeceremos a los autores considerar el ambito de la revista en lapreparacion de sus contribuciones.

Indizada en el IRMDCT de CONACYT y en Latindex

Instrucciones a los autores

Todos los artıculos deben ser de autorıa propia, escritos en espanol y ajustarse a las siguientes caracterısticas:

1. Tratar un tema de inteligencia artificial y sus posibles aplicaciones a la solucion de problemas practicos (empresariales, industriales,de salud, educativos, sociales, etc.).

2. Tener una extension de 2,500 a 3,000 palabras en formato libre; ilustrando los aspectos relevantes con al menos dos imagenes EPSo PNG de al menos 300 DPI. El formateo de la contribucion es responsabilidad del equipo de edicion.

3. Abordar temas que puedan interesar a los lectores de la revista, con el siguiente estilo de redaccion:

a) Utilizar lenguaje simple, claro y de facil comprension para el lector no especializado.

b) Evitar formulas matematicas, y explicar en forma sencilla todos los terminos tecnicos referidos.

c) Dividir el texto en secciones sin numeracion y con los subtıtulos adecuados.

4. Incluir tres parrafos de texto (maximo tres), que expliquen de forma muy resumida los aspectos mas relevantes del artıculo. Cadaparrafo no debe exceder 20 palabras.

5. Proporcionar referencias bibliograficas en formato simplificado de ISO.

6. Al final de la contribucion incluir una breve ficha biografica de cada autor con una extension maxima de 90 palabras y su respectivafotografıa tamano infantil en imagen EPS o PNG de al menos 300 DPI.

Todos los artıculos seran revisados por un comite editorial y su dictamen sera comunicado a los autores. En caso de ser aceptado elartıculo, y despues de que se realicen los cambios solicitados, los editores de la revista se reservan el derecho de hacer las adecuacionesrequeridas al formato de la edicion final. Se programara la publicacion del artıculo una vez recibido el formulario de cesion de derechosde autor a la revista Komputer Sapiens.

El formulario de cesion de derechos y la guıa para elaboracion de referencias estan disponibles enhttp://www.komputersapiens.smia.mx/index.php?option=com content&view=article&id=67&Itemid=96

Para su evaluacion, los artıculos deben enviarse en formato PDF a traves del sistema EasyChair en la direccionhttps://www.easychair.org/conferences/?conf=ksapiens-afectiva. Para cualquier duda contacte a los editores enviando un correoa [email protected].

La revista tambien cuenta con cinco columnas especiales: deskubriendokonocimiento, iaeducacion, estadoiarte, etlakuilo y sakbe. Envıesu contribucion a [email protected].

derechos de autor. issn 2007-0691. - smia.mxsmia.mx/komputersapiens/download.php?file=ks53_2... ·...

Documents