See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/284712305

Identificación de Biomasa en Residuos Sólidos Urbanos utilizando Redes

Neuronales

Conference Paper · November 2015

CITATIONS READS

0 549

3 authors, including:

Jacob Avila Adolfo Meléndez Ramírez

Tecnologico de Estudios Superiores de Ecatepec Tecnologico de Estudios Superiores de Ecatepec
14 PUBLICATIONS   9 CITATIONS    12 PUBLICATIONS   9 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Social Media Data Mining View project

Discriminación de olores provenientes de narices electrónicas View project

All content following this page was uploaded by Jacob Avila on 25 November 2015.

The user has requested enhancement of the downloaded file.

IEEE ROC&C‟2014-2015
Identificación de Biomasa en Residuos Sólidos
Urbanos utilizando Redes Neuronales
Francisco Jacob Ávila Camacho, M. en I.S.C.1, Adolfo Melendez Ramírez, M. en A.2
 como resultado de sus actividades diarias. En el país se
Resumen—Tomando en cuenta la tecnología emergente que
representan las biorrefinerías para la generación de bioproductos
y bioenergéticos a partir de biomasa, resulta de gran importancia
contar con sistemas capaces de identificar compuestos orgánicos
en los residuos sólidos para facilitar y en su caso automatizar las
tareas relacionadas con la separación de los desperdicios. En este
trabajo se describe el desarrollo e implementación de una nariz
electrónica creada para identificar compuestos orgánicos. El
prototipo de nariz electrónica está conformado con un arreglo de
sensores de gas y un sistema inteligente de reconocimiento de
patrones implementado con redes neuronales embebidas en un
Arduino para facilitar la creación de sistemas portables y de bajo
costo que se constituyan como herramientas para las tareas de
separación de los residuos sólidos. Los resultados de las pruebas
realizadas con el prototipo en la identificación de frutas,
demuestran la capacidad y portabilidad del sistema para el
reconocimiento de compuestos orgánicos con una eficiencia del
99.9% mediante la propuesta de implementación de un algoritmo
de red neuronal dentro del Arduino Uno para la identificación
automatizada de muestras desconocidas.
Palabras clave—redes neuronales, nariz electrónica,
reconocimiento de patrones, biomasa, bioproductos,
bioenergéticos.
I. INTRODUCCIÓN
L AS grandes cantidades de desperdicios y desechos que se
generan todos los días en las ciudades producen
desequilibrios ambientales que afectan el medio ambiente y la
salud de sus habitantes. En México, se generan alrededor de
30 millones de toneladas de desperdicios al año, de los cuales
más del 70% podrían dejar de ser basura y convertirse en
residuos aprovechables [1]. Los residuos sólidos urbanos son
los materiales que se desechan de los hogares y los comercios
[1, 2] Miembro, IEEE, Profesor Investigador en la División de Ingeniería
en Sistemas Computacionales del Tecnológico de Estudios Superiores de
Ecatepec, Av. Tecnológico sn, Col. Valle de Anáhuac, 55220, Ecatepec,
Estado de México, México.
1
favila11@idavinci.edu.mx, 2amelendez11@udavinci.edu.mx
1
producen alrededor de 115,600 toneladas al día de residuos
sólidos urbanos de las cuales 69,360 toneladas representan la
fracción orgánica de dichos residuos, más del 60% contiene
material biodegradable, principalmente residuos de comida,
papel y cartón [2].
La descomposición de la materia orgánica produce metano
y otros gases que al no ser controlados producen
desequilibrios ambientales, al mismo tiempo, se desarrollan
mohos, bacterias y otros microorganismos que generan la
emisión de esporas que son dispersadas por el viento
representando un peligro potencial para el medio ambiente y la
salud. [3] [4].
Una alternativa para la restauración ambiental y la
disminución de contaminantes, es la reutilización y el reciclaje
de los residuos sólidos urbanos a través de diversas industrias
de reciclaje y de las nacientes biorrefinerías.
Las biorrefinerías, como una tecnología emergente son una
propuesta al mejoramiento ambiental con beneficios
económicos y sociales, las cuales utilizan la biomasa como
materia prima para convertirla en una gran variedad de
bioenergéticos y bioproductos como los biocombustibles:
biodiesel y bioetanol, energía eléctrica y calefacción, así como
productos químicos como el ácido succínico que sirven como
materia prima para otras industrias [2] [5].
La biomasa, que es una forma de nombrar al material
orgánico derivado de organismos vivos como plantas y
animales, se compone de carbono y una mezcla de moléculas
orgánicas que contienen hidrógeno, oxígeno y en la mayoría
de los casos nitrógeno. Compuestos que pueden ser detectados
a través de dispositivos para el reconocimiento de olores [6].
Una prospectiva dentro del estudio de las biorrefinerías para
que éstas alcancen un nivel de eficiencia y sustentabilidad
consiste en el desarrollo de tecnologías necesarias para separar
y procesar cada fracción de la biomasa y convertirla en
múltiples productos, lo cual requiere investigación
multidisciplinaria [2]. Como contribución a esta misión, el
presente trabajo describe el desarrollo de tecnologías
enfocadas a la detección e identificación de la biomasa
contenida en los residuos sólidos, a través de los olores que
desprende, con el objetivo de contribuir y facilitar las tareas de
separación de los residuos. Estos esfuerzos incluyen el
desarrollo de sistemas portátiles y económicos capaces de
identificar compuestos en tiempo real. El objetivo de esta
investigación es demostrar las capacidades de procesamiento
de información del paradigma de redes neuronales en el
IEEE ROC&C‟2014-2015
análisis de sensores para la detección de compuestos
orgánicos.
Este trabajo está organizado en dos sub-secciones, en la
primera se describen los elementos necesarios para la
construcción del prototipo de nariz electrónica y en la segunda
el desarrollo del sistema inteligente de reconocimiento de
olores, junto con las pruebas realizadas, finalmente se
presentan los resultados, las conclusiones y trabajos futuros.
II. CENSADO, IDENTIFICACIÓN Y CLASIFICACIÓN DE
COMPUESTOS ORGÁNICOS VOLÁTILES
Una nariz electrónica es un dispositivo desarrollado con la
intención de detectar y clasificar automáticamente olores,
sabores, vapores y gases. Un sistema de nariz electrónica está
conformado por un arreglo de sensores de gases y un sistema
de reconocimiento de patrones [7].
Los sensores recolectan la información del medio ambiente
devolviendo valores que representan el compuesto químico
censado y un valor relacionado con la concentración presente
de dicho compuesto.
Fig. 1. Esquema general de una nariz electrónica. Fuente: [15]
La figura 1 muestra un esquema de un sistema genérico de
nariz electrónica el cual se construye con la combinación de
un arreglo de sensores y una red neuronal como sistema de
reconocimiento de patrones.
La cantidad y la complejidad de los datos recolectados por
los sensores representan una dificultad para el análisis
convencional de los datos, pero con las redes neuronales
utilizadas para el análisis complejo de los mismos y el
reconocimiento de patrones, este análisis se facilita
convirtiéndose en una alternativa ideal para el análisis de datos
de sensores. El módulo de censado se construye con un
arreglo de sensores, donde cada sensor en el arreglo se
configura para responder a un componente específico. De esta
forma, el número de sensores tendría que ser igual o mayor al
número de compuestos que se pretende monitorear. Cuando se
combina con una red neuronal, el número de compuestos
detectables es mayor al número de sensores [8].
El arreglo de sensores se conforma con varios elementos
sensores, donde cada elemento mide una propiedad diferente
de la muestra censada. Cada químico en estado gaseoso
presente en el arreglo de sensores produce una marca o patrón
característico del gas en cuestión. Al presentar varios
compuestos químicos en el arreglo de sensores, se construye
una base de datos de los patrones o marcas generados con el
arreglo. Esta base de datos con las marcas etiquetadas se
utiliza para entrenar al sistema de reconocimiento de patrones.
El objetivo de este proceso de entrenamiento es configurar el
sistema de reconocimiento para producir una clasificación
2
única para cada químico y con ello implementar el sistema de
identificación automatizado [7].
El conjunto de datos de entrenamiento se utiliza para
configurar a la red neuronal con el objetivo de aprender una
asociación existente entre los patrones del arreglo de sensores
y las etiquetas que representan los datos. Esta combinación se
conoce como nariz electrónica o nariz artificial [9].
Diversos autores han desarrollado narices electrónicas que
se incorporan con redes neuronales para aplicaciones que
involucran el monitoreo de olores en alimentos y bebidas, el
control automatizado de sabores, el análisis de mezclas de
combustibles, así como cuantificar componentes individuales
en gases [10].
En aplicaciones de narices electrónicas se han incorporado
diversas configuraciones de redes neuronales entre las cuales
se incluyen el entrenamiento de propagación hacia atrás, redes
de alimentación hacia adelante, redes auto organizadas de
Kohonen, redes Hamming, máquinas Boltzman y redes
Hopfield principalmente [11].
III. DESARROLLO EXPERIMENTAL
A. Etapa de Censado
El prototipo propuesto en este estudio se muestra en las
figuras 2 y 3, el cual tiene el objetivo de identificar y clasificar
vapores químicos. El prototipo emplea un arreglo de 5
sensores de óxido de estaño SnO2 configurados como se
muestra en la figura 2.
Fig. 2. Diagrama electrónico del arreglo de sensores químicos conectados
al Arduino.
Cada sensor está diseñado para un químico en específico y
cada uno responde a una variedad amplia de vapores
químicos. En forma colectiva los sensores responden con una
marca única (patrón) a diferentes químicos. Durante el proceso
de entrenamiento, se exponen varios químicos al arreglo de
sensores y con ello se obtienen una serie de valores en un
lapso de tiempo. Se utilizó el algoritmo de propagación hacia
atrás para entrenar a la red neuronal y con ello proporcionar el
análisis correcto para el químico presente.
Se utilizaron sensores de gas de la marca Figaro y Hanwei,
los cuales son productos comerciales (Sensor 1 MQ-2, Sensor
2 MQ-135, Sensor 3 MQ 3, Sensor 4 TGS 2610 y Sensor 5
IEEE ROC&C‟2014-2015
TGS 2611).
Fig. 3. Sensores de gas seleccionados para la construcción del prototipo
de nariz electrónica.
Fig. 3. Prototipo de nariz electrónica con su cámara de censado construido
parpara la detección de compuestos orgánicos.
B. Etapa de Identificación y Clasificación
En el análisis de datos así como en la máquina de
aprendizaje y la quimiometría se han empleado diversas
técnicas de reconocimiento de patrones, sin embargo, para
seleccionar el algoritmo apropiado para aplicaciones con
narices electrónicas, es importante entender la naturaleza
fundamental de los datos que serán analizados [5]. Para
analizar los datos de una nariz electrónica se requiere
comprender la relación entre el conjunto de variables
independientes (las salidas del arreglo de n sensores) con el
conjunto de variables dependientes (clases de olores o
concentraciones de componentes) utilizando el análisis
multivariable [12],
El problema del análisis de datos multivariable en la
clasificación de olores es un análisis cualitativo en cuanto a
los patrones de los olores producidos por este tipo de
instrumentos y se considera cuantitativo cuando se requiere
calcular la concentración de los componentes individuales. Por
lo que los algoritmos de reconocimiento de patrones y
procesamiento de datos son un componente crítico en la
exitosa implementación y desarrollo de narices electrónicas
[5].
Los algoritmos de reconocimiento de patrones comúnmente
se clasifican en términos de ser paramétricos o no
paramétricos y supervisados o no supervisados [13].
Como se mencionó anteriormente, el problema de
reconocimiento de patrones en los datos de las narices
3
electrónicas está estrechamente ligado al análisis de datos
múltivariables, la figura 5 resume las principales técnicas de
procesamiento multivariable que han sido utilizadas en
aplicaciones de narices electrónicas.
Fig. 4. Esquema de técnicas de procesamiento múltivariable utilizadas en
conjuntos de datos proporcionados por narices electrónicas [5].
El esquema de clasificación se lleva a cabo en tres niveles,
primero se hace una distinción entre aproximaciones
estadísticas y biológicas, después entre el análisis de patrones
cualitativos y cuantitativos, para finalmente hacer una
distinción entre técnicas supervisadas y no supervisadas [14].
La función de análisis discriminante (DFA) es un
clasificador paramétrico de aprendizaje supervisado que puede
ser utilizado para el análisis tanto cuantitativo como
cualitativo. El análisis de componente principal (PCA), es un
método de proyección no paramétrico comúnmente utilizado
para implementar un clasificador supervisado lineal, en
conjunto con el análisis discriminante [13].
Así mismo, muchos de los procedimientos aceptados que
son utilizados en el reconocimiento de patrones tradicional, no
siempre son pertinentes o relevantes cuando son aplicados al
reconocimiento de patrones en narices electrónicas. En
muchos casos se espera que las narices electrónicas operen en
diferentes ambientes y situaciones y el esquema de
reconocimiento deberá ser viable con estas situaciones, como
en los casos donde se requiere realizar las mediciones en
campo, teniendo retos adicionales a los que se tienen en
laboratorio o en ambientes controlados, en campo se espera
que los sistemas detecten e identifiquen los elementos que
serán analizados aún y cuando existan componentes
desconocidos que interfieran. Por lo que existen algunos
criterios o cualidades ideales que se espera cumplan los
algoritmos de reconocimiento de patrones tales como,
precisión velocidad, o habilidad para hacer frente con la
incertidumbre [13].
Para muchos investigadores que trabajan en los campos de
los sistemas de narices electrónicas las dos principales
técnicas de reconocimiento de patrones son PCA (Análisis de
Componente Principal) para desplegar olores conocidos,
explorar el agrupamiento de los datos en el espacio
múltisensor y evaluar su separabilidad lineal, así como las
IEEE ROC&C‟2014-2015
redes neuronales con algoritmo de entrenamiento de
propagación hacia atrás con el fin de proporcionar una
clasificación predictiva de olores desconocidos. Sin embargo
PCA solo puede ser utilizado para proporcionar una
representación lineal de las clases y no para propósitos de
clasificación, por lo que las redes neuronales han sido las más
exitosas en muchas aplicaciones que se enfocan sobre la
discriminación de olores disimilares simples o complejos o el
estancamiento de olores complejos específicos [5].
Las distintas configuraciones de redes neuronales se han
convertido en los clasificadores más precisos que pueden
hacer frente a grupos, clases o clusters que se observa se
sobreponen con técnicas lineales, razón por la cual las narices
electrónicas comerciales hoy en día ofrecen un clasificador
basado en redes neuronales con algoritmo de entrenamiento de
propagación hacia atrás. De acuerdo con Pearce [5] la mejor
estrategia para el reconocimiento de patrones en narices
electrónicas es utilizar algoritmos, dadas algunas excepciones,
que puedan afrontar un cierto grado de borrosidad como en el
caso del sistema olfativo humano. En este sentido, una
combinación entre redes neuronales y lógica difusa se presenta
como una alternativa atractiva que podría ejecutar un
aprendizaje incremental y un potencial auto organizado y auto
estabilizado. Por lo que este tipo de soluciones estarán siendo
más utilizadas en un futuro para producir clasificaciones
basadas en un conjunto de reglas entendibles [5].
Para el desarrollo experimental se seleccionaron 5
compuestos, útiles en las biorrefinerías, para ser analizados.
Durante el análisis de los datos, se observa que existen una
frontera de decisión no lineal y que además se tienen espacios
sobrepuestos entre los diferentes compuestos, por lo que no es
factible utilizar algunos de los métodos estadísticos dado que
el problema es la clasificación de 5 tipos de olores, más que la
determinación de la concentración de cada uno de ellos, el
análisis discriminante o el análisis de cluster no facilitarían la
clasificación de los compuestos analizados, La figura 6
muestra una gráfica de dispersión para los datos de estos 5
compuestos seleccionados, donde se observa que los espacios
se interponen con los diferentes sensores.
Fig. 5. Gráfica de dispersión para los valores censados del gas líquido
(GLP) y el Alcohol.
En este sentido, se decidió utilizar, en una primera solución,
redes neuronales como el sistema de reconocimiento de
patrones aplicado al prototipo de nariz electrónica construido
para el proyecto de investigación. Con ello se podrán
4
establecer los argumentos para desarrollar sistemas más
complejos basados en la lógica difusa como siguiente
aproximación. Para ello se decidió establecer la mejor
configuración de una red neuronal de tres capas, con
factibilidad de ser embebida en el Arduino.
El prototipo de la red neuronal se creó utilizando toolbox de
Matlab, con una configuración multicapa de alimentación
hacia delante entrenada con el algoritmo de propagación hacia
atrás utilizando un conjunto de entrenamiento tomado con las
lecturas de los 5 compuestos.
Los parámetros utilizados para entrenar a la red neuronal se
muestran en la tabla de la figura 7, donde se describe que se
crearon 5 entradas, una para cada uno de los 5 sensores de gas,
10 neuronas en la capa oculta, y en la etapa final se
conformaron 5 neuronas en la capa de salida.
El prototipo se entrenó para identificar: ajo, cebolla,
guayaba, limón y plátano. Se agregó una categoría más
(ninguno) para denotar la ausencia de todos ellos, excepto
aquellos normalmente presentes en el aire. Esto conformó una
salida de la red neuronal de 5 categorías, generando una salida
de 5 neuronas en la capa final. En cada neurona de la capa
oculta y la salida, la función de activación y transferencia es la
función log-sigmoid.
Características Red Neuronal
Tipo Feed Forward
Entrenamiento Propagación hacia atrás
Arquitectura 5 – 10 – 5 Feedforward
Función de Transferencia Log-Sigmoid
Taza de aprendizaje 0.01
Momentum 0.9
No. de Epochs 1000
Fig. 6. Parámetros de entrenamiento de las redes neuronales.
La figura 8 muestra la arquitectura de la red neuronal,
donde se aprecian 5 entradas, 10 neuronas en la capa oculta y
5 en la capa de salida.
Fig. 7. Arquitectura de la red neuronal utilizada para identificar
compuestos orgánicos
Durante la operación, el arreglo de sensores detecta olores,
las señales de los sensores se digitalizan, se envían a la
computadora y la red neuronal implementada con toolbox
identifica los químicos. El tiempo de identificación está
limitado únicamente por el tiempo de respuesta de los sensores
químicos, pero el proceso completo se lleva a cabo en unos
cuantos milisegundos.
El entrenamiento de la red neuronal presentó los siguientes
resultados: 199 iteraciones para converger con 6 validaciones
y un performance de 0.368 y un error cuadrático medio de 1 x
10-6, lo que representa un desempeño adecuado para
implementar la solución embebida en el Arduino Uno, La
figura 9 muestra los resultados del entrenamiento.
IEEE ROC&C‟2014-2015
Fig. 9. Resultado del entrenamiento con 3080 muestras de 5 elementos.
La matriz de confusión demuestra una tasa de aciertos del
100%.
Fig. 10. Matriz de confusión resultante del entrenamiento de la red
neuronal para 3080 muestras de las 5 clases o elementos.
Una vez entrenada la red neuronal se extrajeron las matrices
de pesos y vectores de bias para las 5 entradas y 10 neuronas
de la capa oculta, así como los pesos y los bias de la capa de
salida, con el fin de incorporarlas al algoritmo de red neuronal
que se desarrolló para el Arduino Uno.
Fig. 11. Algoritmo de red neuronal desarrollado para el Arduino Uno.
5
IV. RESULTADOS
Una vez integrada la red neuronal en el Arduino se
realizaron pruebas con el prototipo para la identificación
aleatoria de los compuestos orgánicos seleccionados en la
muestra con resultados satisfactorios.
Se incorporó un display LCD en el Arduino para mostrar
textualmente el compuesto identificado.
Los sistemas de detección de olores se han aplicado en
diversas aplicaciones industriales incluyendo el monitoreo de
la calidad del aire en hogares [15], [16], el cuidado de la salud,
la seguridad [17], el monitoreo ambiental, la calidad de los
productos alimenticios [8], [9], [18], [19], diagnósticos
médicos [7], [20], identificación de personas [21] [22], [23],
así como en aplicaciones farmacéuticas y militares para la
detección de gases peligrosos, por mencionar algunas [20],
[24].
La investigación en los métodos alternativos para la
detección de olores ha tenido avances importantes desde sus
inicios en 1982 [25]. Durante los últimos años ha habido una
gran variedad de desarrollos para construir instrumentos que
funcionen como narices electrónicas [26]. Existen algunos
productos comerciales, pero en su mayoría son equipos
voluminosos y de precios altos que hacen complicada una
adopción generalizada de los mismos. Muy pocos productos
son portátiles, pero aun así requiere de equipos especializados
y muchos de ellos están enfocados a tareas particulares de
áreas específicas dados los tipos de sensores utilizados en cada
aplicación [27], razón por la cual muchos de esos sistemas no
son factibles de comercializar como productos portables, sino
más bien se utilizan como equipos de laboratorio.
Por otro lado en [28] y en [29] los autores utilizan una nariz
electrónica para monitorear la madurez del tomate durante su
vida en estantería. Para ellos la tecnología de la nariz
electrónica ofrece una alternativa no destructiva y eficaz para
medir el aroma y así obtener la información para acceder al
estado de maduración de frutas y legumbres durante su vida en
estantería. Su objetivo era evaluar la capacidad de la nariz
electrónica para monitorear los cambios en la producción de
compuestos volátiles del tomate durante dos tratamientos de
almacenamientos diferentes. Los autores utilizaron el análisis
de componente principal PCA y el análisis del discriminante
lineal LDA para distinguir los tomates con diferentes tiempos
de almacenamiento.
Los resultados obtenidos prueban que la nariz electrónica
utilizada puede diferenciar satisfactoriamente los estados de
maduración del tomate a través de su tiempo de
almacenamiento. Los análisis PCA y LDA fueron capaces de
clasificar 97.77 y 95.55% respectivamente del total de
muestras (90 muestras) en sus respectivos grupos (5 grupos).
La nariz electrónica utilizada tiene un arreglo de 10 sensores
MOS.
Con una cantidad menor de sensores utilizando redes
neuronales en lugar de métodos estadísticos, los resultados
obtenidos con el prototipo construido en este trabajo, se
obtuvo un 100% de eficiencia en la clasificación de los olores.
IEEE ROC&C‟2014-2015 6

V. CONCLUSIONES Y TRABAJOS FUTUROS [17] I. A. Casalinuovo, D. Di Pierro, M. Coletta, and P. Di Francesco,

“Application of Electronic Noses for Disease Diagnosis and Food
El prototipo desarrollado combina un arreglo de sensores de Spoilage Detection,” Sensors, vol. 6, no. 11. pp. 1428–1439, 2006.
gas de óxido de estaño con una red neuronal utilizada para [18] B. Dębska and B. Guzowska-Świder, “Decision trees in selection of
featured determined food quality.,” Anal. Chim. Acta, vol. 705, no.
identificar químicos comunes presentes en el hogar. Los 1–2, pp. 261–71, 2011.
resultados iniciales demuestran la capacidad para el [19] C. Di Natale, R. Paolesse, A. Macagnano, A. Mantini, A. D‟Amico,
reconocimiento de patrones del paradigma de las redes A. Legin, L. Lvova, A. Rudnitskaya, and Y. Vlasov, “Electronic
nose and electronic tongue integration for improved classification of
neuronales en el análisis de sensores. Al mismo tiempo el
clinical and food samples,” Sensors and Actuators B: Chemical, vol.
prototipo es un desarrollo compacto y portable que facilita el 64, no. 1–3. pp. 15–21, 2000.
análisis en tiempo real, así como la automatización del [20] A. D. Wilson and M. Baietto, “Advances in electronic-nose
proceso de censado, análisis y reconocimiento. technologies developed for biomedical applications.,” Sensors
(Basel)., vol. 11, no. 1, pp. 1105–76, Jan. 2011.
Para trabajos futuros se propone comparar las redes [21] C. Wongchoosuk, M. Lutz, and T. Kerdcharoen, “Detection and
neuronales para el análisis de sensores con las técnicas classification of human body odor using an electronic nose,”
convencionales, explorar otro tipo de paradigmas de redes Sensors, vol. 9, no. 9, pp. 7234–7249, 2009.
[22] C. Porras Chavarino and J. M. Salinas Martínez de Lecea,
neuronales e involucrar algoritmos evolutivos y lógica difusa, “[Artificial neural networks in Neurosciences.],” Psicothema, vol.
así como involucrar los prototipos con los sistemas de campo. 23, no. 4, pp. 738–744, 2011.
[23] S. E. Stitzel, M. J. Aernecke, and D. R. Walt, “Artificial noses.,”
Annu. Rev. Biomed. Eng., vol. 13, pp. 1–25, 2011.
[24] A. D. Wilson, “Diverse applications of electronic-nose technologies
REFERENCIAS in agriculture and forestry.,” Sensors, vol. 13, no. 2, pp. 2295–348,
[1] R. Herrera Massieu, “Ley de Residuos Sólidos para el Distrito 2013.
Federal,” México, D.F., 2004. [25] K. Persaud and G. Dodd, “Analysis of discrimination mechanisms
[2] C. Escamilla Alvarado, H. Poggi Varaldo, and T. Ponce-Noyola, in the mammalian olfactory system using a model nose.,” Nature,
“Aprovechamiento de forsu mediante biorrefinerías,” Cienc. y vol. 299, no. 5881, pp. 352–355, 1982.
Desarro. CONACYT, vol. 41, no. 277, p. 45, 2015. [26] A. D. Wilson and M. Baietto, “Applications and Advances in
[3] W.-T. Tsai, “Management considerations and environmental benefit Electronic-Nose Technologies,” Sensors (Peterboroug, vol. 9, no. 7,
analysis for turning food garbage into agricultural resources.,” pp. 5099–5148, 2009.
Bioresour. Technol., vol. 99, no. 13, pp. 5309–5316, 2008. [27] K.-T. Tang, S.-W. Chiu, C.-H. Pan, H.-Y. Hsieh, Y.-S. Liang, and
[4] M. Weinrich, T. Vissiennon, R. Kliche, M. Schumann, and A. S.-C. Liu, “Development of a Portable Electronic Nose System for
Bergmann, “Nature and frequency of the existence of mold fungi in the Detection and Classification of Fruity Odors,” Sensors, vol. 10,
garbage cans for biological waste and the resultant airborne spore no. 10. pp. 9179–9193, 2010.
pollution,” Berl. Munch. Tierarztl. Wochenschr., vol. 112, no. 12, [28] A. H. Gómez, A. G. Pereira, and J. Wang, “Using electronic nose
pp. 454–458, 1999. technique to monitoring tomato maturity states during shelf live Uso
[5] T. C. Pearce, S. S. Schiffman, H. T. Nagle, and J. W. Gardner, de la técnica de la nariz electrónica para monitorear la madurez del
Handbook of Machine Olfaction: Electronic Nose Technology. tomate durante su vida en estantería,” vol. 16, pp. 24–30, 2007.
Weinheim: 3 WILEY-VCH Verlag GmbH & Co. KGaA, [29] A. Gomez, G. Hu, J. Wang, and A. Pereira, “Evaluation of tomato
Weinheim, 2003. maturity by electronic nose,” Comput. Electron. Agric., vol. 54, no.
[6] a. . Wilson and M. Baietto, “Advances in electronic-nose 1, pp. 44–52, 2006.
technologies developed for biomedical applications,” Sensors, vol.
11, no. 1, pp. 1105–1176, 2011.
[7] P. E. Keller, Electronic noses and their applications. 1995.
[8] A. Berna, “Metal Oxide Sensors for Electronic Noses and Their
Application to Food Analysis,” Sensors, vol. 10, no. 4. pp. 3882–
3910, 2010.
[9] A. Kubiak, “Artificial nose and its application to food evaluation,”
ProblemyInzynieriiRolniczej, vol. 11, no. 2, pp. 27–34, 2003.
[10] E. Schaller, J. O. Bosset, and F. Escher, “„Electronic Noses‟ and
Their Application to Food,” LWT - Food Sci. Technol., vol. 31, no.
4, pp. 305–316, Apr. 1998.
[11] S. B. Enedettia, S. M. Anninoa, A. G. S. Abatinib, and G. Luigi,
“Electronic nose and neural network use for the classification of
honey,” vol. 35, pp. 1–6, 2004.
[12] S. Agatonovic-Kustrin and R. Beresford, “Basic concepts of
artificial neural network (ANN) modeling and its application in
pharmaceutical research.,” J. Pharm. Biomed. Anal., vol. 22, no. 5,
pp. 717–727, 2000.
[13] E. L. Hines, P. Boilot, J. W. Gardner, and M. . Gongora, “Pattern
Analysis for Electronic Noses,” Handb. Mach. Olfactory, vol. 1, p.
645, 2003.
[14] İ. Ö. Bucak and B. Karlık, “Hazardous Odor Recognition by CMAC
Based Neural Networks,” Sensors, vol. 9, no. 9. pp. 7308–7319,
2009.
[15] P. E. Keller, R. T. Kouzes, L. J. Kangas, and P. O. Box, “Three
Neural Network Based Sensor Systems for Environmental
Monitoring,” no. May, pp. 378–382, 1994.
[16] M. R. Ras, R. M. Marcé, and F. Borrull, “Volatile organic
compounds in air at urban and industrial areas in the Tarragona
region by thermal desorption and gas chromatography-mass
spectrometry.,” Environ. Monit. Assess., vol. 161, no. 1–4, pp. 389–
402, 2010.
IEEE ROC&C‟2014-2015
Francisco Jacob Ávila Camacho
(M‟15) Se hizo miembro (M) de la IEEE
en 2015. Nació en Puebla en 1967.
Obtuvo el título de ingeniero en
electrónica por la Universidad Autónoma
Metropolitana, Unidad Azcapotzalco.
D.F., México en el año de 1990, obtuvo
el grado de la Maestría en ingeniería en
sistemas computacionales en el Tecnológico de Estudios
Superiores de Ecatepec, Estado de México en el año 2010 y
actualmente es candidato a Doctor en sistemas
computacionales de la Universidad Da Vinci en México, D.F.
Del 2003 a la fecha se ha desempeñado como profesor
investigador en la División de Ingeniería en Sistemas
Computacionales en el Tecnológico de Estudios Superiores de
Ecatepec, ha impartido conferencias y publicado en memorias
de congresos nacionales e internacionales y actualmente está
dirigiendo proyectos de investigación financiados por la
DGEST y el Tecnológico Nacional de México. También
cuenta con artículos en revisión en diversas publicaciones
arbitradas e indexadas. Sus líneas de investigación incluyen
inteligencia artificial, reconocimiento de patrones y algoritmos
difusos, minería de datos, internet de las cosas, sistemas
distribuidos, sistemas embebidos, brain computer interface. Es
socio fundador de la empresa Ihualia Software, S.A. de C.V.,
mantiene dos registros en el Instituto Nacional del Derecho de
Autor por el software desarrollado para la empresa.
El M. en I.S.C. Ávila es miembro activo de la Sociedad
Mexicana de Tecnologías de la Información, Mecatrónica y
Telemática, A.C.
View publication stats
7
Adolfo Melendez Ramírez (M‟15) Se hizo
miembro (M) de la IEEE en 2015 y es
miembro de ACM desde 2013. Nació en
Tlaxcala en 1965. Obtuvo el título de
ingeniero en comunicaciones y electrónica en
el Instituto Politécnico Nacional, Unidad
Zacatenco. D.F., México en el año 1990.
Obtuvo el grado de la Maestría en
Administracion y Desarrollo de negocios de la Universidad
del Valle de Toluca en el 2011, es candidato a Doctor en
sistemas computacionales de la Universidad Da Vinci.
Del 2003 a la fecha se ha desempeñado como profesor
investigador en la División de Ingeniería en Sistemas
Computacionales en el Tecnológico de Estudios Superiores de
Ecatepec, ha impartido conferencias y publicado en memorias
de congresos nacionales e internacionales y actualmente está
dirigiendo proyectos de investigación financiados por la
DGEST y el Tecnológico Nacional de México. También
cuenta con artículos en revisión en diversas publicaciones
arbitradas e indexadas. Sus líneas de investigación incluyen
procesamiento paralelo, inteligencia artificial, reconocimiento
de patrones, seguridad informática, minería de datos, internet
de las cosas, sistemas distribuidos, sistemas embebidos. Es
socio fundador de la empresa Pringel, S.A. de C.V.
El M. en I.S.C. Meléndez es miembro activo de la Sociedad
Mexicana de Tecnologías de la Información, Mecatrónica y
Telemática, A.C.