##################>###

############################################################

#9
####################N####bjbj##################

##4|
######MG#################################################################
###l#################################################################X"####
##X"######X"##8###"##L###"##T############^###<###l###$######$######$######
$######%######%######
%##################################################$##### ######N###
%##-##########################%######################%######%######%######
%######
%######/####################$##############$######R######/######/######/#
#####
%##F##########$#############$####################/##########################
############################%############/#####/######4###
##############################################################################
######$######0###

###W`4#######X"#######&##(
#################d###h##0##############d######?/#####d############
/#####################################################Las Redes Neuronales:
En este captulo se va a describir uno de los mtodos de clasificacin ms
utilizados por su potencia, su fcil implementacin y su flexibilidad: las Redes
Neuronales (RN). Por estas caractersticas es el mtodo que hemos utilizado en este
proyecto para obtener resultados a partir de nuestros experimentos con el fin de
poder clasificar los argumentos de entrada a la Red Neuronal como buenos o malos
para nuestros propsitos.IntroduccinLas Redes Neuronales constituyen una familia
muy variada de arquitecturas. Estn basadas en el modelo cerebral: las neuronas
establecen conexiones entre ellas (sinapsis), de manera que cuando un animal recibe
un estmulo, ciertas conexiones se refuerzan ms que otras, provocando una cierta
respuesta. Siempre que el animal reciba un estmulo (entrada) similar, generar la
misma respuesta (aprendizaje): se puede decir que el cerebro reconoce diferentes
patrones.Este comportamiento es fcilmente caracterizable mediante un modelado
matemtico (simulacin). El tratamiento de la informacin (computacin) no va a ser
el tradicional: se basa en la evolucin temporal del sistema y en la interpretacin
de ciertos parmetros (informacin). El sistema se compone de un nmero elevado de
unidades muy simples (neuronas) altamente interconectadas: el paralelismo es
masivo. Se puede decir que una neurona es un tipo de autmata (sistema dinmico),
de ah el carcter temporal. Las Redes Neuronales artificiales pueden aprender
modificando el peso de las conexiones entre las unidades; as es posible
distinguir patrones.La idea de las Redes Neuronales es definir una funcin a partir
de la cual poder distinguir patrones con los datos de salida: dependiendo del valor
obtenido catalogamos la entrada como perteneciente a un cierto grupo. El tipo de
entradas y su nmero determinar la capacidad de discriminacin de la Red [Martn01].En el ejemplo siguiente, una entrada (x1) no es suficiente para determinar si
estamos en el patrn A o el B. Con otra entrada (x2) ya somos capaces de
discriminar.#Figura 2-1: Ejemplo de clasificacin.HistoriaMcCullogh y Pitts
realizaron en 1943 un estudio biolgico del cerebro obteniendo un modelo formal de
neurona, con lo que introdujeron as el concepto de umbral: una neurona responde a
un cierto estmulo siempre que ste sobrepase un cierto umbral de activacin.
Posteriormente, en 1949, Hebb desarroll el Hebbian Learning: aprendizaje mediante
adaptacin de sinapsis o reforzamiento de las conexiones.En 1959, Rosenblat defini
el perceptrn, uno de los conceptos ms importantes dentro del desarrollo de las
Redes Neuronales: el perceptrn consiste en una estructura ms una regla de
aprendizaje o regla del perceptrn. Esa estructura es la combinacin de una neurona
y una funcin de salida que es la que define el umbral de activacin. La misin de
la neurona es implementar una combinacin lineal de las entradas. Cada entrada
posee un peso, que se adapta temporalmente. Es esto lo que se conoce como
aprendizaje.Misky y Papert desarrollaron en 1969 un perceptrn unicapa que
consegua una clasificacin de primer orden (XOR). Se plante entonces el problema
del entrenamiento de varias capas. As, en 1974 Werbos defini el algoritmo de
retropropagacin y el uso de la funcin sigmoidal como funcin de salida de un
perceptrn. El algoritmo de retropropagacin permite modificar los pesos partiendo
de la ltima capa hasta la inicial basndose en el error cometido en la iteracin
anterior. Ese error es la diferencia entre la salida de la Red Neuronal y la salida
real que deberamos haber obtenido. Como el algoritmo de retropropagacin est
basado en la derivada del error, se decidi utilizar la funcin sigmoidea en vez
del escaln para representar el umbral de activacin (la funcin escaln tiene
derivada infinita en el origen).Posteriormente se desarrollaron otros tipos de
redes: Kohonen en los 70 cre los mapas topolgicos y las memorias asociativas, y
en 1982 Hopfield defini las redes de Hopfield.Finalmente, en 1986 Rumelhart y
McClelland desarrollaron el perceptrn multicapa, popularizndose as el algoritmo
de retropropagacin. En 1989, Cybenko, Hornik et al. y Funahashi definieron el
perceptrn multicapa como el aproximador universal [Martn-01].ClasificacinExisten
diferentes criterios de clasificacin para las Redes Neuronales:Caracterizacin
temporal: se refiere a la caracterizacin temporal de las entradas.Continua en el

tiempo: cuando la funcin de entrada es una funcin continua. Este tipo de redes se
utiliza en sistemas donde es necesario una clasificacin inmediata de las entradas,
como por ejemplo un sistema de alarma que se active ante la presencia de ciertos
parmetros peligrosos.Discreta: cuando las entradas se toman en determinados
instantes de tiempo. Se utilizan en sistemas donde no es necesario un control
inmediato de las entradas y slo se busca ver su evolucin sin saturar demasiado el
sistema con una gran cantidad de datos.Entrada: se refiere a los valores que toman
las entradas.Binaria: cero o uno. Se puede utilizar cuando las entradas son
codificadas, por ejemplo, representando el intervalo sobre el que caen dentro de un
rango. Si el rango se divide en x intervalos, cada entrada se representa con x
valores, todos a cero menos uno, el que corresponde al intervalo de valores de la
entrada.Continua: el valor de la entrada puede ser cualquiera dentro de un rango.
Es posible definir diferentes rangos de variacin.Entrenamiento: se refiere al
aprendizaje seguido por la Red.Supervisado: cuando se vigila la evolucin de la
Red. Por ejemplo, cuando se le ofrecen a la Red ejemplos sealando las salidas que
se deberan obtener.Con recompensa/castigo: cuando la Red acierta se le ofrece una
recompensa. Cuando falla se le castiga. As aprende cmo debe comportarse.No
supervisado: no se le dice a la Red lo que debe dar. Esto se suele utilizar en
aquellos casos en que tenemos una serie de entradas y no sabemos cmo
clasificarlas. Dependiendo de lo que se obtenga tras el entrenamiento tendremos un
criterio de clasificacin.Realimentacin:Feedforward: realimentacin hacia delante.
Es la estructura normal, donde las salidas de una capa se introducen en la
siguiente.Feedback: realimentacin hacia atrs. Las salidas de ciertas capas se
introducen en capas anteriores para que stas sepan cul ha sido el comportamiento
posterior y se adapten en consecuencia.Entre los modelos ms representativos se
encuentran los mapas asociativos, el perceptrn multicapa, las redes de Hopfield
(memorias autoasociativas), los mapas topolgicos autoorganizativos de Kohonen y
las redes hebbianas [Martn-01].Caracterizacin de una Red NeuronalLos tres puntos
clave para desarrollar una Red Neuronal son:Caracterizacin de la neurona (unidad
bsica de computacin).Definicin de una topologa de interconexin.Definicin de
unas reglas de aprendizaje.PropiedadesLas propiedades que comparten todas las Redes
Neuronales son:Alto grado de paralelismo: varias neuronas pueden estar trabajando a
la vez.Fcil implementacin Hardware (o Software).Robustez frente a posibles
fallos: la informacin est distribuida.Naturaleza adaptativa que sustenta la
capacidad de aprendizaje.Capacidad de generalizacin: a partir de unas entradas
definimos un patrn.NeuronaUna neurona artificial se implementa de la siguiente
manera: las entradas (x) se introducen en las dendritas. Cada una posee un peso
(wij, neurona j entrada i). Dentro del cuerpo se aplican diferentes funciones de
procesamiento (propagacin, activacin, salida) hasta llegar al axn (salida y).
Todo esto queda reflejado en la siguiente grfica:#Figura 2-2: Neurona fsica.#
Figura 2-3: Representacin matemtica de una neurona.En la prctica, las funciones
de propagacin y activacin no suelen diferenciarse y constituyen una combinacin
lineal de las entradas o su distancia eucldea. La funcin de salida se establece
fuera de la neurona.#Figura 2-4: Representacin final de una neurona.Aparte de las
entradas propias de la neurona, se puede considerar un cierto umbral (qi) que
comporta una cierta decisin como se ver ms adelante.TopologaComprende varios
aspectos:Definicin de conectividad: se refiere a la forma de conectarse las
neuronas para formar una cierta estructura. De esta forma, podemos obtener redes
monocapa o multicapa. Las redes monocapa consiguen una clasificacin de primer
orden como puede ser un XOR. Sin embargo, una red de varias capas puede diferenciar
entre diferentes regiones, como se ver prximamente.Temporizacin o sincronizacin
del flujo de informacin:Tiempo continuo-discreto: se refiere a si la informacin
se actualiza continuamente o slo en ciertos instantes de tiempo.Secuencia de
computaciones: flujo directo o bucles de realimentacin. El flujo directo consiste
en un mero paso de informacin de una capa a la siguiente. Pero con la
realimentacin una capa obtiene informacin sobre lo que estn haciendo las capas
que la siguen, y as, se obra en consecuencia.#Figura 2-5: Ejemplos de topologas.
En una red multicapa se definen tres tipos de capas: de entrada, oculta y de
salida.#Figura 2-6: Red Neuronal de tres capas.Dependiendo del nmero de capas

ocultas que consideremos y movindonos dentro de un espacio bidimensional, se

pueden definir regiones (conjunto de entradas que conforman un patrn) de
diferentes formas, como se puede apreciar en la figura 2-7.#Figura 2-7: Regiones
que se pueden delimitar segn el nmero de Capas Ocultas que se consideren.
Entrenamiento o aprendizajeEl aprendizaje consiste en el ajuste de pesos de
interconexin entre las neuronas. Existen diferentes criterios
de ajuste:Supervisado:Heurstico: perceptrn.Minimizan funcin de coste
(algoritmos tradicionales de adaptacin): se minimiza la funcin de error de
evaluacin para ajustar los pesos. Un ejemplo es el perceptrn multicapa.Mediante
refuerzo (con recompensa/castigo):Actor/crtico.Q-learning.No supervisado:Hebbiano:
Hopfield.Competitivo: Mapas topolgicos de Kohonen.Mquinas de Boltzmann.El
aprendizaje es un algoritmo por el cual se le dan datos a la neurona y sta aprende
a reconocer patrones con ellos. El aprendizaje no supervisado es aqul en el que se
tienen un conjunto de patrones pero no estn catalogados. El objetivo es que sea la
Red la que los clasifique segn los criterios que se le suministran (similitudes
que deben cumplir los patrones para pertenecer a una clase) y segn posibles
analogas que pueda encontrar en los datos de entrada. El aprendizaje supervisado
es aqul en el que se cuenta con patrones catalogados que sirven de ejemplo a la
Red.El perceptrn multicapaEste tipo de redes se caracterizan por su facilidad de
implementacin. Su aprendizaje se basa en la retropropagacin: se parte de unos
pesos iniciales en las conexiones interneuronales. Para un conjunto de entradas se
obtiene una cierta salida. Basndose en que se conoce la salida que deberamos
haber obtenido (patrn catalogado aprendizaje supervisado), calculamos el error.
A partir de este error se modifican los pesos siguiendo el sentido inverso al de
evolucin de la Red (se parte de la salida hasta llegar a la entrada). De la misma
manera se opera con el resto de entradas de entrenamiento. Se puede observar que el
error ir disminuyendo a medida que se aplique el algoritmo.Sin embargo un
entrenamiento reiterado con las mismas entradas acaba provocando un sobreentrenamiento a la Red Neuronal, memorizando caractersticas de un conjunto,
impidiendo as que aprenda a generalizar. Por eso tras cada iteracin hay que
evaluar: introducir nuevos valores distintos a los de entrenamiento y calcular el
error de salida. De esta manera se obtiene una funcin (error de evaluacin) de la
que nos interesa hallar su mnimo absoluto (puede haber mnimos locales).
Determinando el nmero de iteraciones con que se alcanza dicho valor, nos
aseguramos, en cierta forma, obtener un bajo error para cualquier conjunto de datos
de entrada. Despus, se puede aplicar un test con un conjunto nuevo de entradas que
nos dar una medida de la capacidad de discriminacin de la Red.Qu es un
perceptrn?Un perceptrn es una estructura neuronal ms una regla de aprendizaje.
Como se explicaba anteriormente, una neurona se compone de un conjunto de entradas,
cada una con un peso, que se introducen en el cuerpo de la misma para su
procesamiento. Ese procesamiento puede consistir en:Combinacin lineal:
# EMBED
Equation.3 ### Distancia eucldea:# EMBED Equation.3 ###Este resultado se
introduce posteriormente en un bloque caracterizado por una de las siguientes
funciones:#Figura 2-8: Tabla de las posibles funciones de salida del perceptrn.La
funcin que representa el comportamiento ideal de una neurona es la funcin
escaln: dependiendo de la entrada se activa la conexin entre neuronas (salida =
1) o no (salida = 0). Esta decisin puede depender de un cierto umbral (que la
salida sea capaz de superarlo), representado en las expresiones anteriores por q:
introducir este trmino negativo equivale a considerar que la funcin vale uno a
partir de q y no a partir de cero como se representa en la tabla.Aunque ste sea el
comportamiento ideal, en la prctica se suele utilizar la funcin sigmoidea. Esto
se debe a que es una funcin muy parecida al escaln y derivable en el entorno de
cualquier punto del eje x. Como se ver, esto es necesario en el algoritmo de
retropropagacin ya que est basado en la minimizacin del error con respecto al
valor de los pesos, por lo que hay que derivar e igualar a cero.El algoritmo de
aprendizaje para un perceptrn aislado es el siguiente:
# EMBED Equation.3 ###
donde:W = vector de pesos.k = iteracin actual.h = factor de aprendizaje.X = vector
de entradas.yd = salida deseada.y = salida obtenida en la iteracin k.Una propiedad
muy importante de este algoritmo es la convergencia en presencia de solucin y la

posibilidad de implementar ciclos lmite en ausencia de la misma.El factor de

aprendizaje h determina la rapidez del algoritmo pero tambin su exactitud. Cuanto
mayor sea, necesitaremos menos iteraciones (antes alcanzaremos las cercanas del
mnimo error de evaluacin) pero el aprendizaje es muy grosero (es ms probable que
nos quedemos oscilando en las cercanas del mnimo error de evaluacin que lo
alcancemos realmente). Cuanto menor sea, ms lento es pero ms fino en el
aprendizaje. Por lo tanto hay que llegar a un compromiso.RetropropagacinA
continuacin, se va a explicar el mtodo utilizado para entrenar un perceptrn
multicapa.AlgoritmoEl aprendizaje de un perceptrn multicapa es ms complejo. Como
se apunt anteriormente, el entrenamiento de este tipo de Redes Neuronales es un
entrenamiento supervisado. Se define un conjunto de pares de patrones (Xi, Yi) de
entrenamiento y se define una funcin de error (diferencia entre la salida deseada
y la obtenida). Una vez obtenido dicho error se actualizan los pesos para
minimizarlo. El procedimiento que se emplea es el descenso en la direccin del
gradiente: una manera muy eficiente de implementarlo es a travs de un
procedimiento equivalente a computar la Red hacia atrs. Esto da lugar al algoritmo
de retropropagacin:
# EMBED Equation.3 ### donde:ET = error total de salida.Ep
= error de la salida p.P = nmero de neuronas de la ltima capa.OpS = salida
obtenida en la neurona p de la capa S (la de salida).dp = salida esperada en la
neurona p.El algoritmo de aprendizaje es:# EMBED Equation.3 ###donde:wijL = peso
de la entrada i de la neurona j en la capa L.k = iteracin actual.m = factor de
aprendizaje.La derivada del error es equivalente a:# EMBED Equation.3 ### La
salida es una funcin sigmoidea de la combinacin lineal de las variables de
entrada:# EMBED Equation.3 ###donde:NL = nmero de neuronas de la capa L.OjL =
salida de la neurona j de la capa L.yjL = estado de activacin de la neurona j de
la capa L.# EMBED Equation.3 #### EMBED Equation.3 ### # EMBED Equation.3 ###
donde ii = entrada i de la Red.Para la ltima capa:# EMBED Equation.3 #### EMBED
Equation.3 ### donde
###################################################################################
##########################################################################j#S# #=#
#s#e##a#l# #d#e# #e#r#r#o#r#.##P#a#r#a# #e#l# #r#e#s#t#o# #d#e# #l#a#s#
#c#a#p#a#s#,# #c#u#a#n#d#o# #v#a#r##a# #l#a# #s#a#l#i#d#a# #d#e# #l#a#
#n#e#u#r#o#n#a# #d#e# #u#n#a# #d#e# #e#l#l#a#s# #a#f#e#c#t#a# #a# #l#a#
#s#a#l#i#d#a# #d#e# #l#a#s# #n#e#u#r#o#n#a#s# #d#e# #l#a# #s#i#g#u#i#e#n#t#e#
#c#a#p#a#:#### #E#M#B#E#D# #E#q#u#a#t#i#o#n#.#3# # ########## #E#M#B#E#D#
#E#q#u#a#t#i#o#n#.#3# # ########## #E#M#B#E#D# #E#q#u#a#t#i#o#n#.#3# # ####### #
#R#e#s#u#m#e#n##E#n# #r#e#s#u#m#e#n#,# #e#l# #algoritmo de actualizacin de pesos
queda:# EMBED Equation.3 ### donde las seales de error son: # EMBED Equation.3
### # EMBED Equation.3 ### Pasos del algoritmoLos pasos a seguir son:Inicializar
pesos y umbrales.Presentar nuevo patrn y salida deseada.Calcular salida de todos
los nodos en red.Calcular seales de error de todos los nodos: nodos de salida a
nodos de primera capa.Adaptar pesos en funcin de seales de error.Ir al paso 2.
Mejoras y variantesSe pueden introducir algunas mejoras a este algoritmo que
pretenden asegurar la convergencia o hacer ms rpido el proceso:Inicializacin de
pesos: enfocado a la convergencia.Factor de aprendizaje: enfocado a la
convergencia.Tamao de la red: enfocado a la generalizacin.Trmino del momento:
enfocado a obtener mnimos locales en la funcin de error y a acelerar el proceso.
# EMBED Equation.3 #### EMBED Equation.3 ###Caractersticas del perceptrn
multicapaPara finalizar, cabe destacar algunas de las caractersticas de este tipo
de Redes Neuronales:Puede aproximar cualquier funcin continua Y = F (X) con
soporte compacto hasta una precisin dada.Generaliza la respuesta frente a nuevos
patrones de entrada (basado en aproximacin/interpolacin).Idnea cuando sabemos
qu queremos conseguir pero no cmo hacerlo y adems disponemos de patrones de
referencia: queremos que generalice a nuevos patrones.Aplicaciones:Reconocimiento
de patrones:Reconocimiento de caracteres en imgenes.Reconocimiento de fonemas en
voz.Prediccin de series temporales (demandas, etc):Identificacin y control de
sistemas.Compresin de imgenes y reduccin de dimensionalidad.etc.Todas las ideas
de este ltimo apartado han sido extradas de [Martn-01], [Pardo, 00] y [Zufiria,
98].##MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS

DE VOZ EN DOMINIO RESTRINGIDO#####Carlos Martn Valle###Captulo 2: Las Redes

Neuronales
Pgina # PAGE #24#
###################################################################################
###################################################################################
###################################################################################
###################################################################################
###################################################################################
###################################################################################
###################################################################################
###################################################################################
###################################################################################
##################################
###################################################################################
###################################################################################
###################################################################################
###################################################################################
###################################################################################
###################################################################################
###################################################################################
###################################################################################
###################################################################################
########################^###j###k################

###

##@

##F##r#################4###o########################|
###}#############################Y###p##########################z######
;#######&###'###J###K##########*###h### ##@!
###############################mH
#sH
###0J##6##\##6#aJ##mH##nH##sH

u####5#OJ##QJ###0J"#5#OJ##QJ##mH

sH

#6#]###5#\###5#

0J"#mH

sH

#j####U###H*#\#aJ##mH

sH

##6#\#mH##nH##u###\#aJ##mH

sH

#\#aJ###?#################/
##k####

###

##7

##@

##F##
######################o##################################################
#############################################################################
############################################################################
#########################################################################:#####
#####h#`h###6##>##$#
&##F##a$#######`####
&##Fg###8##7###7##^7#`############
&##Fg#
#########V^#`V######L###N############################################
###################################################################################
###################################################################################
###################################################################################
###################################################################################
###################################################################################
#########################################################Y############z###;#
##'###K################*###h#########% ##e ##
############################################################################
#############################################################################
#############################################################################
##################################################################
&##Fg###8#######;^#`;##5####
&##Fg###8##7###7##^7#`###########;#######:### ##
###"###"##3"##5"##k"##B###D###u### $###$##.$##%##
%##P&##x'##z'##'##'##'###(###)###)##########################################
#############################################################################
############################################################################
#############################################################################
#######################h##x##x#@&#`h###:#######6#
###$##x##x#@&#a$#############
&##Fg###8#######;^#`;##@!##B!
###"###"###"##3"##4"##5"##k"##B###C###D###u#########
$###$##.$##I$##%##%##
%##
%##P&##k&##x'##y'##z'##'##'##'##'###(###)###)###)##)###*###*###*###*##0*##t*##
*##+###+###+###+###+##'+##(+##)+##8+##9+##B+##M+##Y+##x+##+##+####3##4##4###########################

0J"#mH

sH

##0J"#5#OJ##QJ###0J"#5#OJ##QJ##mH

sH

#jE##U##\##

#j##U##\##

#j\##U##\###5#\###5#

#j##U##\##

#jy##U##\###\#

#j###U##\###\#aJ##mH

sH

#H*#\#aJ##mH

sH

?#)##t)##)###*###*##0*##*###+###+##)+##9+##M+##x+##+##-####0##3##3##4##4###5##(5##################################################
#############################################################################
#############################################################################
#############################################################################$
#a$#######`####
&##Fg###8##7###7##^7#`##;###:#################
&##Fg#
##8#######;^#`;##6###4##4##4###5###5###5###5###5###5##(5##)5##<5##=5##
>5##?
5##@5##5##5##5##5##7##9##9##9##9##9##9##9##9##9##9##9##):##*:###;##
<##<##J=##T=##->#####}n##l#####################H*###j0
##EHU##^J##mH##nH##u#####jg=
##U##V##^J##mH##nH##u####\#

#j,,##U##\###\#aJ##mH

sH

##j)##EHU##^J##mH##nH##u#####j#=
##U##V##^J##mH##nH##u####5#^J##mH##nH##u#####jt'##EHU##^J##mH##nH##u#####j=
##U##V##^J##mH##nH##u####^J##mH##nH##u####j####U##^J##mH##nH##u####\#^J###'(5##@5#
#5##5##5##7##_9##9##9##9##9##9###:##(:##=:##d:###;##<##<##J=###########
############################################################################
#############################################################################
##############################################################################
########################################
&##Fg###8#######;^#`;##5##############$#a$#######`###6#
###$##x##x#@&#a$##############$##h##x##x#@&#`h#a$###J=##T=##?##?##?
###@##@##W@##@##@##@##@##@##9A##OA##jA##A##A###B###B###B##IB##tB##B#############
############################################################################
#############################################################################
############################################################################
###########################################x##x#@&#####$##h##x##x#@&#`h#a$#
##5##############$#a$#############
&##Fg#####S###S##^S#`##->##/>##1>##2>##?##?##?##?##?##?##?##?##?
##?##?
###@###@##X@##Y@##Z@##@##@##@##@##@##@##@##@##@##@###A###A###A##jA##A##
A##A##A##A##A##A#######
##wh######j####EHU##^J##mH#
#nH##u#####jU=
##U##V##^J##mH##nH##u####\###jV###EHU##^J##mH##nH##u#####joU=
##U##V##^J##mH##nH##u####H*##H*##5#^J##mH##nH##u#####j

##EHU##^J##mH##nH##u#####jT=
##U##V##^J##mH##nH##u####^J##mH##nH##u####j####U##^J##mH##nH##u####\#^J###\#aJ##m
H

sH

#H*#\#aJ##mH

sH

(A##A###B###B###B###B###B###B###B##$B##
%B##JB##KB##LB##uB##vB##wB##B##B##B##B##B##B##B##B##B##B##B##B##B##B#
#B##B##B######
{nfX#########jX=
##U##V##mH##nH##u####5#mH##nH##u#####j###EHU##mH##nH##u#####j#X=
##U##V##mH##nH##u####mH##nH##u####j####U##mH##nH##u#####j###EHU##^J##mH##nH##u###
##jOW=
##U##V##^J##mH##nH##u####H*##H*##\###j###EHU##^J##mH##nH##u#####jDV=
##U##V##^J##mH##nH##u####^J##mH##nH##u####j####U##^J##mH##nH##u####\#aJ##mH

sH

#\#^J###!B##B##B##B###C##C##EC##^C##,D##@E##pE##E##E##E##+F##DF##dF##F##F##F##F##F##

G##7G##G####################################################################
#############################################################################
############################################################################
###########################################################################$##
##
&##Fg#
####S###S##^S#`##################$#a$#####$##h##x##x#@&#`h#a$###B
##B##B##B##B##B###C###C##C##.C##AC##BC##CC##DC##EC##FC##YC##ZC##[C##\C##^C###D###D###D###D##,D##@E##BE##hE##
jE##lE##nE##pE##rE##E##E####
# #tf########################
###j[=
##U##V##mH##nH##u#####j#'##EHU##mH##nH##u#####j-[=
##U##V##mH##nH##u####H*#^J###H*#^J###^J#####j$##EHU##mH##nH##u#####jfZ=
##U##V##mH##nH##u#####jO!##EHU##mH##nH##u#####jpY=
##U##V##mH##nH##u####\#aJ##mH

sH

#H*##5#mH##nH##u####mH##nH##u####j####U##mH##nH##u#####j0###EHU##mH##nH##u###E##
E##E##E##E##E##E##E##E##E##E##E##+F##,F##?
F##@F##AF##BF##CF##DF##dF##fF##gF##zF##{F##|
F##}F##F##F##F##F####uf\##############################
#5#^J##mH##nH##u#####j4##EHU##^J##mH##nH##u#####j|]=
##U##V##^J##mH##nH##u####\#^J####j#2##EHU##^J##mH##nH##u#####j5]=
##U##V##^J##mH##nH##u####^J##mH##nH##u####j####U##^J##mH##nH##u####\#aJ##mH

sH

#\###j:.##EHU##mH##nH##u#####jc\=
##U##V##mH##nH##u####mH##nH##u####j####U##mH##nH##u#####j*##EHU##mH##nH##u###F##
F##F##F##F##F##F##G##G##ZH##rH##H##H##H##H##H###I##ZI##]I##^I##qI##rI#
#sI##uI##I##I##I##I##I##I###J##K##K###L##L##L##L##L##L###

p##dd#######6#aJ##mH##nH##sH

u#####j<##EHU##^J##mH##nH##u#####jg_=
##U##V##^J##mH##nH##u#####j#:##EHU##^J##mH##nH##u#####j^=
##U##V##^J##mH##nH##u####\#^J##mH##nH##u####5##\#aJ##mH##nH##sH

u####mH##nH##u###^J##mH##nH##u####j####U##^J##mH##nH##u#####j/7##EHU##^J##mH##nH##
u#####j]=
##U##V##^J##mH##nH##u##&G##G##G##G##ZH##H##H##H##ZI##I##I###J##xJ##J##xK#
#K##K##K##K###L##EL##|
L##L########################################################################
############################################################################
#############################################################################
#####################################################>###=###:####
&##Fg###8#######;^#`;#####$#a$###5#################
&##Fg#
####S###S##^S#`##<###$###L##L##L##WM##XM##ZM##[M##\M##pM##qM#########
#####################################################e\#######################
############\#######################################
###$##$#If####a$####$##$#If#####F##4############################.##F######U"
###################0##################b##################0#################
##############################

##########

##########

##########

#########4###
#F#a#F#####$##d#######$#If####a$#####$#If##############
L##L##L##L##WM##XM##YM##ZM##[M##\M##pM##rM##sM##tM##M##M##M##M##M##M##M#
#M##M###N###N###################################################
###################################################################################
###################################################################################
###########################CJ##mH##nH##u##
#j####CJ##U###6#CJ###CJ####OJ##QJ####6#CJ##^J###6#CJ##^J###5#CJ##^J####j<E##5#
CJ##U##^J####5#CJ##^J###5#CJ##^J##
#j?
##U###\###qM##rM##sM##tM##uM##M##M###N###N##############}############{#########
###v############i############{############{############c###########################
####################################################
###d###$d####N#############d##############$##$#If#####F##4##################
###########F######U"
####################0##################b##################0##################
#############################

##########

##########

##########

#########4###
#F#a#F###2#
0##0#&P

##P

##. A!##"####$#
%###S##S########################################################################
###################################################################################
###################################################################################
###################################################################################
###################################################################################
############################################################D#d###################
##Z-K######################################d####
#########
##C##@####A#####(##############I#m#a#g#e#n#e#s#\#I#m#a#g#e#2#.#B#M#P###########
##b##3#####Hmv9lmq>#<#########D#######n#####Hmv9lmq>#<PNG
#
###IHDR#############
g#####sBIT####&C####sRGB#####IDATx^
F##x*
(& t$>#/xz#t#

_
{ v######
@#T#Q#UK#####D#n=8(#A}F @####,#JH#WN# @###uHT##I######h(^D#~# @#####
Tv[dF @#######J#`("@#######$hwijB######x+#)HJ%Q(]####
@@E RJHQV!p.##### @ RJHQ&### @#@ _#E*K######
Dj
%Q*#$@#####T##wnG"#8###### K# @#####dz4#t\### @@s#])####### ^
%jH## @####]HEVYs # @###7HMR#E2$@#####T#"#I$#e###
@####"#I$#e#I#######D
RI#)*#%@#####D
%Q"E#### @@Q R/nG"(*8######@.M?#h### @@Q %*f###
@@cHT#E"hhz#### @`p#]#(|#### @ !##%Ra

#### @.Q;{3# @#####u

# @####t
######F@T#######h'K### @@7#D B ###
@@;#]vf&@#####%&##!@#### #73##### .Q7####### N@ #
@#n#tI@## @#v#DL#####t#KM*#B`r#W~I###M %##e6Z!p-#*}#_###
p@d?,m#2###### @*>g%0@#####@d?%r9# @####%r##h#Pff%@@Z
##b<#[>Vv!# @`,#]%a#>#x=Yt0p#%@v~Xz(=k_~gi#=Dn/#+
$@c#]##>?i#

#,|###+##u\O##OF#Q2"@v#]f
Zkoe5#####S@hZ#o#zc4e r####%#4q#FgR#WZ#FA###8R
#JH#G##y#[o5Ec#G`&###4#(#A#=#8Om'x#=5>CDL##t/|
<#p#w#A#!b$@`##]yri%=#LF#t##Dl####
DC]`F

E_#######%#.e#DLS#a#J @#T#E"|##\T`EOR#.Jo##L'##K%Q$bA#V
##]#D##"=RI#`#Y###c|
# @&#^###
yz1y#H##### Ds\

V1@>xj"&@;~X*"#H.k
?wpMy&@`>~X*"##
#+"FDQ#aM!@@#T#E"#Z##?Q0#2$@V~xT#E"
l#CDQ#a#I @@d?,D#$###### P#hJ%Q$
s
# @####M$D ### @#@GS*"#T#K@ESME####J
%Q$~@EB#####(#JH####n9h###Dz4(#D# @####*##RI#B\####
@@GS*"#H$##### @"#JH#### @####"=RI#@"
#h%#n%o^####M$DE1######
p5#^$DpY/~#<## P#f(#A9### @#HT#E"H#### @@E )D#*#
%@`#e#b$@|HWd#oF#=#?5J=Zl## #tzH###8nw#!
6+###DvRI##+# RWGh~s# p@ T#E"8X##(p-4nzN
%#"OM(#erf#)P+#\S\D T*"#\$[I+{fot]Q####"OMc|/#MS##
Diexl1x)t"@`#[*"#

a-H##5c_Q9#8!t%8##J#g##*q#n7t97##M
#*#lT#E"N## I^

=N#)-tn6k#C#RI#p#q:X##qm## C
C(#A?"!
0&a7=qn6M#OGK @`qu0#4y#x;NY> 2
s
Y)###KOS#m2w0N#m#;*WgW#fNX##$#f(#A##.#Z=VE>:#!
#vf#{##W#v#yk9##y}t"####(D#1L#[#W~<KGY~sOkwIT
###,#yj*D#|##MTl 0efE##d#JWt?

#8Y {E}5q:#A#"Y$D0
L pZQ+#L/K @'nV*"#H0###%
_=#
fE,###f7RI#"L##
VgO:######Dv@#@o#
#
3 H:
k# @`bFK4#bi#z#w#b!#####tJ
%Q$#d

I##+`Q3V>#&,U#MT#E"j@{^Q#=###8L
O
JH###/##>##"Y$D0q,#uO
O
F0>####X*"#H$###<
7/##YnV*"#dQFj#FQFjW#YU*"#L,6#C#T}#T#ss####
Dz4(#A:
%p)3".-%0@GS*"#

a-H## v<#DH#;vWRI#
d#
l+>l#5####O#[w3#@VR ~~
#
# M`naRI#2##H#1q
#@$#X+CIZ)h*
r######]T#E"HP#@_###~EC#@$Fb0##V#*5##/P~*#@*
'01J]!VD@#/+#ED#####%#+BJ%Q$EK#####&#JH########K
)D#B#-#<
Mk!penV*"#\9N######"=RI##a###
9##"=RI#7V#
@###c
D#J%Q$EK#####&#JH########K )D#B#-#####
@GS*"#*###p#_'VJ`nHT#E";IVG######-#y+D#f2>##?
xqm#
0@d7+D#HU# @####"=RI##y # @#9#"=RI#`dX###### J )D#Z######C
S
)D#HU##QS
S
Y#3### T#E"Z#### @@E )D#*#%@"#9#~#"=RI##P# @####
D#~U[#GD#35#mo[[mk$#C##4QB#'#O5Oc#cNBW#
p@d7+D#E3#3#N5bhG^E8

As# @tRItz&$0
%bQ02#)#%##S#DvRI#`#YE##5uL|#f
(^<##(\# @E ## F`
<

##\T#v#8J

^N\##### D.#ySXy,y_##
@#"{.
## uU;#E;#K#9#"####DD(#AB#AEn@}.$###
#+q;u;U3####oP#~v{6-###$K##<#K#;##O
#
V`#T#E"]##~#h>Y}#Idc## #y*D##V#Z#Gh#h^##:#f(#A'
pAH-a#X9%#
m>OZz:##F Wd/1+ca=M-#&#+7#5I
t!
yW~=^].#,###f(#ee##i#X_#I2
#K%Q$#LE@^#G##

%#y*D#2#,#
~wLk##H##'RI#`dX###"Okx@W#k#JH#_Ct####
Dj>p#zha#!##
#"YK+#X[#M#O7#-{#?
_"^d}MYp0###6
JM39u#U*8#:W# p@d*}p#Se##
#O}o\@}A+l##R#7yJ%Q$#q#*phUuV#G5EJU$Dr##peM
%#}>k'@&#y*D##V#Z^-i'iu#4#T#E"&##BPt2l;P:#
0#d#8##(
-VNTE
O r
##@@V #eb4##`hG*#VqU#pt##
@e#L$nL#>qMT!@#]T#E"8Yt#N#8x }ZZs>b#Y###x#(D(
#x+o?Nt]####h+#uK%Q$f'p((q##c# @IzK###### \ RI#### @##"=RI#`########h.#JH###@#j.z#'0@d7+D#&#
@###'#Dz4(#j#@.#v1# 0@GS*"##

 @####Z
D#J%Q$V|%@#####hJ%Q$9a#### @@+HT#E"hg^####
@`#HT#E"##VA`D#Y#3####M$D ### @#@#T#E"#8#s
#G
JH########Q )D#F#3##### @GS*"##*##### @`DHT#E"#^### @@?
##M$D#H#\MS2n#f#f(#l.#### @#HT#E"8#,##
]###!#JH#s$*## @#V##RI##y # @#9#"=RI#`dX###### J
)D#Z######C )D#HU##Q-<bL+@GS*"#H-##### @"#y+D#*#
%@"\###f(#A?"!@O# @GS*"#t+0###<
(\###<JH#}###:F###Dz4(#($@#@?##M$D#H#\MSM=
###"(#L##fN[9@Vo##(F#@##_v|D$@`@3[zhG#
0m'#\#ECJH#kt

###:#P

u#!]S XR*"#\3yVM#63(#"=RI#`X###W##Bq,#J$D0#h
##bhyV#'#>|g# @@{#$#}#h "@#######"##"}##
V+Gh+`v#M#"o#5I # @#.Q@####{<#"#1##th #
@#C#t#a5(###v#6
wD#
#MP!@`##$.A0#g##\O
p=u+&.###
,'NW(,#= D5]R*#####x>C@D_#o#K###*KX0}#####%ZoH###!
p^g
Wtx#{F 0@KT,#D####.P##\=#I'(#%sg##)DeS_#@U
,8si# @TK#Fl2##Dn+],@###mF?#K4NE .QG#
##### J@y
# ^ 7#.(Ktd[2##### ,K @@_#WnaU~
DC{#]S$@##'V
@U %*}
?#A###F+G#C ###(DU### @

#g
/5# H}#nZ#-#"#J_T_y###F+Gwi#Ok!IZ-2_#
@####Z
d#.Qt>##### V;DmN#####t!D]H#######@{ \##
8N#######t# @####F#htF

O####.Kt+ # @#.###### X(}p#S##t#### @#D##,######G

/e#irj####IENDB`]##D#d######################+##F#########################
###########d####
#########
##C##@####A#####(##############I#m#a#g#e#n#e#s#\#I#m#a#g#e#5#.#B#M#P###########
##b##\####F7#@J_%ogG#\######/#######n#\##F7#@J_%ogGPNG
#
###IHDR######s#####i^####sBIT####&C####sRGB####\KIDATx^/ucuY

#.
f ke sb#,e)B,e9+Hz<|
w 3gy#$ # H@##7|
#?% #
H@##:&?h'#
% # H@##>#^'Y#$ # H@####ph_###$P#A-yw?J)$ #
H@##.b1yh>`% #
H@##(#m'H@###M@K@####6Q"
H@##5
h;v[{
H@##@}#&J$# H@##6#m'nk/#
H@##D$ # H@#&o
% #
H@##vR_(#$ # H#\#$ #
H>#Nk#%#$ # \k#$ #
G@I}mD##$ k#vr##$
#h;MH###$pm#N^###$P##m'#I@###M@K@####6Q"
H@##5
h;v[{
H@##@}#&J$# H@##6#m'nk/#
H@##D$ # H@#&o
% #
H@##vR_(#$ # H#\#$ #
H>#Nk#%#$ # \k#$ #
G@I}mD##$ k#vr##$
#h;MH###$pm#N^###$P##m'#I@###M@K@####6Q"
H@##5
h;v[{
H@##@}#&J$# H@##6#m'nk/#
H@##D$ # H@#&o
% #
H@##vR_(#$ # H#\#$ #
H>#Nk#%#$ # \k#$ #
G@I}mD##$ k#vr##$
#h;MH###$pm#N^###$P##m'#I@###M@K@####6Q"
H@##5
h;v[{
H@##@}#&J$# H@##6#m'nk/#
H@##D$ # H@#&o
% #
H@##(SGV#U$pl#_o##K@##Xz#>#$


h*##c%

#
#(#m'>"#X?=
_ |w??
RJ@##8##m'hF+Q#_#o/K

_~ D# #v&Pl'o#HqBY(
#|
w/_fA#O?
fE
? ?Qe ?{%+to0[#
HT#xK##X#
%#Nm?#[k#B$f#Y#|~#>`|Z2(@8 3C
H@#k##LWFI)#@
2Ach)
h#5#(
_z A#!1zI-pj#T$ +>GG!e
K@##%rP#[#####Gt#>Z`#/)/\QP;QGE'WX?JnRB
H#DS]2#(E@u/b#-#>;.D)_?:e&#,nkrQ)#$pM#(gk,#0#
k#

1co #!lnj1D(Z:L#TO

#S$
H`G##|>?#TgFR.f5(% ##CHK![|O>
#\#8##m'hF+Q+
(
GVjgd?pK)IL6zbho#M0v# fkvB#8ng33rZCZZQ)#$ 7#
8rq7#/#0Nd#gh#ems#&#Y#e3[`Kl##^###AX*#@#L#
,JA@K.r#8l}#C]RO~####VR#6h$cOrF#8#da"'+AF&#v"9;;
c#@Q@A###34p1T%
h;y#nw#!8j#####
##bP)
i#@##8##m'kSk0#JY7dB8#t%#av##$G@ ##0c#o##R$#
H@#k#v6a?
$#Jxe#-s#C6BK@##'#o~CKPPKCkN##F#(##D& 7&
%#\Us#$`:E&Va"7#W#o#'# Ho#<gga7####+av#pqz%<^&;
c##$g`7#h'#M#:#V#b###Xrm#K#$##m'>##\QNE#"#>~)##~#1,T##
#Z#HFfv#M$l|aA5AA

?L&#nq#>#?NY#@k;N.^N-/:##k[,
TB/
###5e##uQl'; #%
#o#;x,w}MU)#?
/_~#tOzlR$P-##
O
~## #N.##sKp1a)# &|#

#+r#n)#8#D#P;T(2# fUB`$}#rw`#@# kOgCI=mQ$


#w5##a5>b#On#["&#
jR@# #1#PMNvm_G/N(#H###mR
#"#&P~#5%dKJV
k7-KUZBl$p###
"u,
{v^#CuoMo#@@@.2###7#|#P^#3lSAAQ`###~)#&#
TH#$'Wh;u;Q$#
#XDxY)##~j'Qz?#d-?#$ #
#wR##Q&AxbG###jA5+4

"#KQ`JD

\S5YH|#\ MwR[#^#4

l# vbJ=JK0`#4##"##l#${#?El*rN~><Y+ # F@jhgf
m###wJ'
##HP####"I6(Cu%N##@##/MwR
#"}M,#7&h!XGP#pO#B^#>,#PMRQQ*#$
DIkW#SC+P?<'h##!z
##t#)MO#@vA#,#O###
$ S#vRmj;i#)#3?pG/
+8doZNK#K("FtuR#.#pj;Y#2#e'O$Pl3x #

#,6\
###M X[LK]3dU%P##m'uC#NmJ#cp%#+'s
ncl<^]<75dG#BOd+qu#.j##`
WKY# @Imr#y#M0#_w#R"###

ag~#MPg+L'q4^,W##vB'!2VlRH9#'#4#E5$#xb
%_W#V#d_d(>TUlb## #a#E q#Z#qkG###_Ev++#]%##c`+/
:
#

0`'Jzu!#%#rlm
<n6<y<
y H#h#v <#'A_#y#N#'###3Z
?
]5 Z ##]##U##h####nc 8

|##&;#{xEHe;Ayms
#$,w #mk=#ddJ2##+aFU#?3r#s#gzL##m``
#8|#s4d##7e#
#,H3#5v<y#!Fy#u#D##dN
UNV%EG2&8#

k'R\ #iP4@#
p&cJI@T6h1Ii23rLkDi"g=1##'r.0G2#N#URhM^dd?
IwV#_#QY##Jt!+VoY`##~#
#kQmad#Q##z#{PFfhy#b8AyqE(?0Esc#8?Q
#Jy{6#fk'< #yR*O#tO'g5= z Z
:F,}#H7###/:##y~0(#).8k#BD# ;#7I%+r|
C#YmzX2D;aWS;Y#utI##bt{1

#tktyg+VoJ3#.?RUc

US9~u(MN##6(^,#hnfCr#9D#9FSdnY
+#H'<cvVCN#x~?f#1etI#-,#t#,'c#/
(F+`####dU#{c9",\l4^#X#[ab]YXU###E0S##GJb##l
>Qf#Os

t#E`#-= #>x+n$#<##k~##>2 R##NF#

n~#NHkN7#uW_T-# ;~yCDFljU
#Oa#y##mm<YzDg87]j##x'K'r O9X#Lg##
# w#G:#)9x/#76##9#k#

"6ujRV#V<f##Gn4#9@#]%reV#\g##&'+#6ISt8n9##.#m'K6#%#
%]#$1#H`[#kAd#LR
&8[K#*jJT07>T|$Tq#^(("%!#

3^#olen#[W
d I\Ak|cU 2N~Sq".N;Yr#nc:D#[
pe{
,W
5Q#Mn8#HA[gx.G-Ca.gS#G0##^Ye9@#ke\9B2Q#I##7XJF,#O#$#
4#6 )X##W#i##r#z9#K!L#[#b#MU#2
.ury9##SsD=

b&0]##)0sn&LIq#BP={%#{

##e11)~#U\####AM|g##>##XGPA

V]99
F#Nzk[u))#{#xl VjgL

9)i[w4}

[x>w#z$#G5'C,g4hWR::B^
F`#l'E~c
.nT&^M[;##_6j\]#{>n#vn#.{<!
#4#L[#i4bW0{p9I#g&#38Lt#u9L~6hY 6 =#

o # `e w{

##&C<# D`|@vfJLCTS!%p8#

;Ej MNcC


6yW"#m[q]23#uS
u
h c##;td?X

iXY</Fn
##

$#Wo%Fl[#d#c;#[

e~?|13N3#K>#-[#uNV#>

O
GV#Fy[#zI9WO
#O
a }y
|
#?#'s##oe9*^g-.#5P

8iPJ#!R#Q?):#]#5*#wCc)**T;){C-H+|
HoA5###[u###N
@#y *#B;#? #oH;0#%<M#K+v-z#####JH@!&U W^Ub##?N####e$<#5wE]/o
EH#}x#hD#&6tt|rHa-{O J#';i~{R)R#!%?

6ltJyQQ&WjK#!Qdz3#_#&>CO:#F#+z
~Y
%HApM.H'HEPMZz#.H#Y#'.\ %rs&+z
Q#xtz1#DE#a9Cg ##?##

lHXA#y|+L-
ol- V#yr>-b##T# 2#Mv0,(d##

k7]M} #/#)gte5@#V#b#
dj
H5|A#&!?#|vj
%=o5Ew}Gf###Go?#i$I##z+XqtCwOT!#C>6!T#='G:OK ##|
~c$1T#&XQ#a#[Hv#1=#u#UwRW1D`1oWt#,iR#gN

Xxtao&xD=i&cZ-
"Q,ZU1(2=#dn@TOlw^vJZA_[]
L
NL
L#
#S #m0f~+#&#gZ

&X0D#8 #"#qIF)
. tQp~k"g*|.31"#rrT#E6 <}#{xYS;)k#c
#h9bg##7V0es)#
#;;
Qb'ap7lNJYL,$n^##kHYAk}dvspc6<
@2e#

[##{#NQ#@xZ1#ck:# lT##e|t7A_A#ns#3NDW2Y>1C;!
OJDG##M32Q9m]J#:Jyit#tx}v#(X+#C`

x
|3r[J,#>Zp1#huN&+S|#{L"5-%I\f[v'|Z#Sm?k###JINz&=<akH)vs 3#xE#+"-O#^TgxG1p{w5{TX "{
m(KY@60V]oF nt}#s*#:J}H{_##vR#-&!
#@Y.eN5#V##w3#_+=r U#+.Fc1K#^.3Yq@T#g8Mx'~#Fmb%FH#z|'^ngl###n)|f

#;_#
#^x

#}B#ii#$##K<ovZ#r(#xqKC^R6d#E7a%#%m
#L:d]r
%9JLLD(W##W`vlg
g9g
#g
#<k#'i-n.2A;9+#N :4_d#
1/>`/%|X#c&
}kV#
S#n+k2G#f>p{y+{

w@}iM#nq$'g=1z`##r###95#e#s#~@#&=lJ#YA

VH+#Jxk#_}zd1thl-
S8I|aL{W1Y]'w&kt3W&y#XDJIB.#1~m##[W4?gE#

,lV#=B
uL#me#C;Y|##"[=Y=gg#
#!
{,xu#3#E/k#Fw^VY##etLq+~#'&7Ha#[U>Vr"#x#cUM
+

J##8qZ#0[-=*j#TMy~((]$#Nf+vh#2jJg81#J4Gr##
#/#"582LX6j^a##i#g`L#2#i#
]%&em'q]uCoC,&6&^##*#\e
w$a####_^#y`R*3%ZS3;i##LX4O#
$#
#i"#`x#HL##e`
Ibjy##-QI

No#Y~9#
w lDm`# GYda#Br,#2jY\Vvr#y##""0#sY9\/##
#zf##F##E#~C'#FX#Ex$#x{#>#\q#j.#m2#M94h!{f
M#1nk&$##1rA`$z!
y###[gz0yE{##mj$1g##g,#[u4_o#"w2#7o7/'0#He&
=TJNF1^#M+##=&;#0m#X~#xh^##` _NUr&H,i:#z

:6JvmAww##
1 roZYYj[#)#kWMI2cO5

P TE;%>i]i=^#vb
:#U}x#x;zY90#m%##[qkY$==UltZ#JPf##0/j:J#,YgAr5C#6'r-#=oG# k##'#ZUU
# S}/OveHl2+ab.,5#ZiMnEN@I#?#l{+#l^5(Z~#])Q[#g1[#+v6JnD;A@3
6#B9XdFD5}#s\ti,p#GB


#lHa4]dbfX\L)

#4<6vUjq=m`x2{x7#F"$'KWPMO##h #
R z,Tm'#M|E#xm#lD|#h#E:O #nkV#~]#{#/#cLSGbFG#]#
Y@R^^
v #E7^X##EWv n%#K)%F#j##4'
%e##2)k&R#A#6[Bz<\SvB{5'oq#RuK;^{|!#D0.X#

##e$#R.cKnn)r####Xwd{;T3Va]o<iD#### ^W;uK##A#?
NZx@;##]##kh#C#Y#,b#!A`||#Q
R#MKI@Bb$^dva#1Nw&zwJl#t

#$Vs1<t#ov&sq"&j)1'~ )'co)G(%##+###
\##vc9#~Wnsv#7-# vMFs*FF]|yfVT##Kg^U{WC
toe###-%4dtebC_Zq[r9e#
tm'Uh]
8gS09C{P#0PVc#U#M##SV##:
#T^Uji*~`Chj#TcYA#[:hb#%=#"2##cU#k!*#!
LwyU z~/*6!###;c#c_qd#;9U#xYW-y0
2H&#^Ff#e5#Vs"o4 F#85si;Y
|%#Q#(wU1+L_vKh4\[
`Yk#@)/JY<o#k#c@zH);v4;$f##%#:####9#8#v2){c
a##vlu#LS"#
3#

##bL6##)^#K
#`d0k##E#`#(##Mw##~1rd#sI#w#)yW/#^l';<##&eZD<=
GI
##U@1t35}#;>#X0
H*<@

E;=Cvk#+}} Zargnm+o@V#l]..2[#5###j##FC7cP#3vx={##^u+Kg#@5a(bX

3#$#/_&`Wy5}##iUw%#3N3Lp;#;#9O]

#*Sk(#BO

##==#En`x QM<n!+C#####Lz?
#EN#S#0p#XJ #ts#2rd
#)#F#L#._vSb~#}'#q#O###c$~qI\#i14 L##kM#l###`Y
A)u0 uKCG#?Y##>c8Hu,#qQa(R!#x?##W\

:#q >#+##
j#8#~OlKF###X$JVPhN'p*#m'S
#a*5####s\F8}`#2y?L<x#^xpR|?^F#
#O3
#_@##hX

g`;$&UW#xufZeUv<Y##I# #E<@7>H#_#OdZc>x#
gldN#yeG##J#gyGT
b$##LU.###"L#G#j#E#{ /#=#l#*)AcA1W&#>##,.S mRV9:?F4zCE]
@RZ[vYL&q@####K F"#vr#et:u_##g:>`I(1X##
%####s#:#sdj###X#'[Q####(#DhDpJm#w
##/kZX##$PaP7N 3##;"##:8
E#;Z#
*;:>o#7ZHU#:,ZN##hlW##Hf-#(w?
A
n#2{>#XA
A
S {^?g5'U4O#>Rl/#?e3TIqO
ld \)|#}##Lo-dC?/<@&#G96_&#1^vd2{eh~:
?S#Fck6#6e#m##dK##J#x7#.[#~#C~wi((tR;S3.}%8b
%r#j>#T)Y{p&|m^x91|r"5 5t#Inf]?Ak#
U
5#0II
#
Z0q$#?#S[# Q#x#kKV#5|##*E*#]#/okE

=#
#oBx##,##;#kE`e#@jk;FP)y(=e;qg?
#Z#*N(( u1#&.#e8<`lP| j;X@NY0I :
[>#{^2l#V'#N

]qo@#^#o#oB#)>(,P(,[D#*##wIC7)Fkngg$(%#Pz#f9#
{#1M3+;u|#8Y
^6#<9C9Hq#W#X>###}x&t=WP##f_'.]#w##E|
pL"#AA}/4P{NI#k##X#9B#k\?
[g##{ywe+M3Yb~]rj#7fCeQ>x}k#7lE,~']U#k-3##

#YN5[#Y#@b#ne{<b#v;i0e #"R#<o)Wq#j'

EL#j#v9(~Jy@

###z#7f3]ur

[#:G

5Rt##x##-Yc1#

A-

(n6[r&04|
h>y^*#m'K4#q#k#K#`#8c\L\C#a.<1f##\av4##0gXyqE`t

RtQ;<Zuj.^oP*D(^#ckc#>}yc#>tw#Y#u#3L04l#r3#S&S[&#*D[##>
Qo+)^G#]
%HawGg#%&+7O#
ORT-#p#b#8|##[

f#)Q&n`f{#%2D"
#^jR9%s5E 'A[#Y'-ud8vun#6#^#)#\<%CdH#F#y
###yyGt55+iZ:Jv_Qq<xx'##DqLJ2#.4{E#2#0z10,[Z2('>xo12a'#t(%yCx(FY-J#OCq[#E-#P[fp?q)%;T##FCK+
[$~##~~B2$TQW!~#Qnk_A BZZc7;u
KM&yQd;n$h;#v<.#%#S#Ek#A' #)CfM##TG#U#
%vTEh#,0yhMh
# vOR)#$v^K~;E##*#'L1y"1B
\~r J#w
D{hwc,,RR7:#d#5Nb[#&p##}*#j'#<#}##>h###f`#f
%#
$#_42#/#' S-W#|hI####Gkr1]&%#x'&##z #
OVw<#y#N@|#R(1X:[E_#
dn
+M'WU#T###'=\#cAIpr#WErB(e#9#]A4aZA]Hdq)={j
v2#I#(###\g)#eleiYs]&#n#*q+&=M{u(
b6&(>oGOYdEL.K#&e
l#KmYP=O# R)}
`#LM)#T=A00wBGHwOE#!JgN|
#Bt#o{d?#'-#tX##Sg77J`q#
{=xML9HnB#

#QvxWC$(#m'h#d#OkU;gt=#y+D
# n
n0'<i;y?#0)#?

w#P>G$ #@w####

#"#p$z:0a#
$ #

0ppU7}T =#)# ZP5yM##^xE]1##^7,ID\aA.

g;?4XF#0#t#-#i#MW*E+V#2A###>"1Y#zw#a3##?
EH@##.&{<>qdIt#

HK

S5OF#k&v2# 0E#ecd@F##UN#-$&##,#4#"# $
7{'#:#j${1,<#$.9#t#5
[#pB/##cP##d?c6#$0@S^O^#
(##B&

_QMPk#{

U
s'`v"#C.
#sLE##X##rW8Q?Og2#ex{'xV!
3lUKxzFqs$$#$P'##c##|9c}'z>OM#^
w2)#xK!
#
V# (#M#k.'O=3#f=p$v#m'S#6N#3## #
G6#k6,##O
J#={#.
S.#{\IfOR#zIT9I#QXV5B[S#Hy#S2'r$2q2)S&zX#N#%#?a# *
\S#wr rUYJ
Y,
txEO9ENC5!\=UfY'^# #$#
'Uw #vc0@l##M.u#p:a#_#5#`U`2M##go+my#4^Hv#2##
#Gz+###gUbI#y1L$\WOL##F#6CCtF#NT##:x#vTP?
QNzJ#T^-&
6kxbB-H##@'3"yj$<;
b5QN#6#2HX$v|xS
QY>#),##U##miY `F:YI`{###j#$'mU+#Lm#N#!
#OX#^[

^"pK3~3gT` Lt##.l<A#q2#,(YI@###h(##^s"E@#Pq
%=hqXb(>h#.6&/pv#h#e#R#R
##nE#,#{NTpj'S^###Bx4m@SD'E#Ct_WbS0m'uR#
[#j#/dJ"Re.Y`/gh%E0z##V#L6
,Z#V#@e#4lx#;y#f;bv2
gu###1#e#/6Fkqw[B#44?32*

o#y#$P-#,#3IGb>F8[Z#[
dK(#;d#Q>'c#~#}1b5IhWxlv(:
jD;y aU)e#E!#|

2M###CYC?p*#
QbAS)#Uh##*$U##',<NjkaA#ra8\## L'6
#fo!%#&JrW##-3||#=k#^t#qXN^{f#m((6H!
LwJX.R}WP4#%P##*#W
Fv2#%FkH#L&
wvm;,#\#
.).
.
Ylb
#qa*#.N
%cI#FJI7^0#6zYih#S:#arT#bw##8N#+k#Z#{.#

#C@#J'O=#
nz`R#;r7#eT#E`;##kk-["#<.g#]X#'i##8#VX#9Pgd6

wildq###AM###,#c#a0F##x/ra
Z$O###i#~r#LFv#0#{8OF##gl.#hfbDu#]Eqke#C,*c#F#$`
d<S.{Z#F##k7

X#p;3X<_[L#p]Y)#&#$

#v2i>sV+Q)##E#|
`Y#c##9
b.$##^#[u_a6#
#@IRv8U2\Xr#g#q#I0537le#-[###

G3hE"
U#3@##-`#i;#
<##0##F?c#]b5##;
QMO>m#RO((d5 $ j ,#-+ey["##J}"w[#Wj(2$Y!?
#rx:#,h~wsn&"027#$P'##o#m'Y2# #Y>#r {%t##c##
m>#}9n##.aG#5qAGL## ^c@#JS0>xE0g:M-###
F#.##fsSK##[eIB#$^kd;)c$w^b^:d3 `#GL`
QPZ#u##s%ev9#6 ##y2-#Q17fK#<

##v)8#68~#4#b8a2#%##

#5-9<X#UK#I#D/#a#]$Y
##A|`=(#0\L#B[# d#2v
H`##t
# !lS#JA/+W#\H!d\
KL##/
frF#y n8Rl`qR6`s/=#T')7##yC#d# #
.kW

n3Eh;Wd

0##^op
#/%b 1~#LN9Y#hx#M#40\mRh*#$0#&m

xEgcA@`E?X#*@[?P/#_Gz6#

#?kYbj8DTh$K0g!e#A29C_HL_,ol%p##t/^;A:N
I<N
/ks#c,R##WS'# O]V.SP#9##U##8n##RhfJA))%p>#|#