modelo para apoio a decis` ao no˜ processo de …

Tese apresentada a Pro-Reitoria de Pos-Graduacao e Pesquisa do Instituto

Tecnologico de Aeronautica, como parte dos requisitos para obtencao

do tıtulo de Doutor em Ciencias no Programa de Pos-Graduacao em

Engenharia Aeronautica e Mecanica, Area de Producao

Cleber Almeida de Oliveira

MODELO PARA APOIO A DECISAO NO

PROCESSO DE CLASSIFICACAO DE UNIDADES

MOVEIS NO CENARIO MARITIMO

Tese aprovada em sua versao final pelos abaixo assinados:

Profa. Dra. Mischel Carmen Neyra Belderrain

Orientadora

Prof. Dr. Celso Massaki Hirata

Pro-Reitor de Pos-Graduacao e Pesquisa

Campo Montenegro

Sao Jose dos Campos, SP - Brasil

2009

Dados Internacionais de Catalogacao-na-Publicacao (CIP)

Divisao de Informacao e Documentacao

Oliveira, Cleber Almeida de

Modelo para Apoio a Decisao no Processo de Classificacao de Unidades Moveis no Cenario

Marıtimo / Cleber Almeida de Oliveira.

Sao Jose dos Campos, 2009.

111f.

Tese de Doutorado – Curso de Engenharia Aeronautica e Mecanica. Area de Producao –

Instituto Tecnologico de Aeronautica, 2009. Orientadora: Profa. Dra. Mischel Carmen Neyra

Belderrain. .

1. Compilacao do Quadro Tatico. 2. Fusao de Dados. 3. Logica Nebulosa. 4. Tabela de Decisao

Nebulosa. I. Comando-Geral de Tecnologia Aeroespacial. Instituto Tecnologico de Aeronautica.

Divisao de Engenharia Mecanica. II. Tıtulo.

REFERENCIA BIBLIOGRAFICA

OLIVEIRA, Cleber Almeida de. Modelo para Apoio a Decisao no Processo de

Classificacao de Unidades Moveis no Cenario Marıtimo. 2009. 111f. Tese de

Doutorado – Instituto Tecnologico de Aeronautica, Sao Jose dos Campos.

CESSAO DE DIREITOS

NOME DO AUTOR: Cleber Almeida de Oliveira

TITULO DO TRABALHO: Modelo para Apoio a Decisao no Processo de Classificacao de

Unidades Moveis no Cenario Marıtimo.

TIPO DO TRABALHO/ANO: Tese / 2009

E concedida ao Instituto Tecnologico de Aeronautica permissao para reproduzir copias

desta tese e para emprestar ou vender copias somente para propositos academicos e

cientıficos. O autor reserva outros direitos de publicacao e nenhuma parte desta tese

pode ser reproduzida sem a sua autorizacao.


Rua Arcy de Farias, 475

CEP 21.321-410 – Rio de Janeiro - RJ

MODELO PARA APOIO A DECISAO NO

PROCESSO DE CLASSIFICACAO DE UNIDADES

MOVEIS NO CENARIO MARITIMO


Composicao da Banca Examinadora:

Prof. Dr. Ernesto Cordeiro Marujo Presidente - ITA

Profa. Dra. Mischel Carmen Neyra Belderrain Orientadora - ITA

Prof. Dr. Karl Heinz Kienitz Membro - ITA

Prof. Dr. Annibal Parracho Sant’Anna Membro Externo - UFF

Prof. Dr. Lamartine Nogueira Frutuoso Guimaraes Membro Externo - IEAv

ITA

Com amor e carinho dedico este

trabalho para minha esposa

Sonia, meus filhos Victor,

Diego e Letıcia.

Agradecimentos

Na realizacao de trabalhos que se estendem por longos perıodos de tempo, e natural

interagir com varias pessoas que de uma forma ou de outra contribuem para o desen-

volvimento destes. Este trabalho nao fugiu a esta regra e por esse fato quero deixar aqui

expresso o meu agradecimento as contribuicoes que a memoria ainda preserva e pedir

compreensao as que esquecer.

Em primeiro lugar queria agradecer a minha orientadora, Profa. Doutora Mischel

Carmen Neyra Belderrain, toda a confianca em mim depositada, encorajamento, apoio,

consideracao e orientacao prestada ao longo deste trabalho.

Queria agradecer ao Prof. Doutor Karl Heinz Kienitz toda a colaboracao e

disponibilidade ao longo de todo o perıodo de duracao deste trabalho para discutir as

mais diversas opcoes de implementacao do mesmo.

Aos componentes do Grupo de Estudo de Analise de Decisao (GEAD) coordenado

pela Profa. Carmen, queria deixar o meu agradecimento por toda a colaboracao prestada

para a elevacao do conhecimento do grupo.

Agradeco aos colegas da pos-graduacao, em especial a Amanda e ao Claudio por

todas as conversas, opinioes e fundamentalmente o apoio ao longo destes anos. Queria

ainda expressar o meu agradecimento a coordenacao do programa de pos-graduacao em

aplicacoes operacionais (PPGAO) e a todos os oficiais que foram integrados ao programa

neste perıodo que de alguma forma contribuiram para este trabalho.

A Marinha do Brasil, lembrando daqueles que acreditaram no meu trabalho e me

incentivaram desde o inıcio gostaria de deixar o meu agradecimento ao CA Liseo e aos

Comandantes Da Cruz e Gasparin.

vi

Agradeco em especial a minha esposa, companheira desde o inıcio da carreira, pela

paciencia e compreensao durante estes anos de estudo.

Finalmente queria agradecer a Deus pela oportunidade obtida e pela certeza de que

o perıodo que passei no Instituto Tecnologico de Aeronautica (ITA) sera sempre uma

lembranca valorosa por toda a minha existencia.

“So far the laws of mathematics refer to reality,they are not certain. And so far they are certain, they do not refer to reality.”

— Albert Einstein

Resumo

A habilidade de conduzir operacoes no mar e determinada, fundamentalmente, pela

organizacao, compreensao e projecao de todos os fatores importantes que influenciam a

consciencia situacional, tais como a disposicao das forcas aliadas, neutras e entidades nao

combatentes, as caracterısticas geograficas, oceanograficas e meteorologicas da area de

interesse e, obviamente, a disposicao do inimigo. No sistema de comando e controle (C2)

naval, o processo de organizacao, compreensao e projecao destes fatores e conhecido como

compilacao do quadro tatico.

A compilacao de um quadro tatico confiavel em ambiente de trafego marıtimo denso

requer a tecnologia de fusao de dados para integrar informacoes providas por multiplas

fontes de modo a melhorar a percepcao da situacao pelo decisor.

Este trabalho propoe e implementa um modelo de apoio a decisao para o processo de

fusao de dados com o proposito de elevar a capacidade de compilacao do quadro tatico

marıtimo. Este modelo incorpora os aspectos cognitivos dos especialistas, os aspectos

doutrinarios e os objetivos considerados por ocasiao da definicao de uma missao.

A implementacao do modelo de apoio a decisao foi estruturada em duas partes: A

primeira parte propoe uma abordagem que conjuga as tecnicas de gating e de logica

nebulosa para o problema de associacao de dados, considerando multiplos sensores e multi-

ix

plos alvos. A segunda parte propoe o emprego das Tabelas de Decisao Fuzzy (TDF) como

estrutura para a construcao das regras de um sistema especialista. Esta abordagem agrega

as heurısticas empregadas pelos especialistas e as regras de engajamento para apoiar a

classificacao e a identificacao de alvos de superfıcie e para sugerir algumas acoes a serem

tomadas pelo decisor.

Os benefıcios operacionais obtidos foram significativos. Reduziu-se a interferencia hu-

mana no processo de integracao dos dados, minimizando a dependencia no conhecimento,

no treinamento e na experiencia do operador do sensor para compilar o quadro tatico.

Aprimoraram-se as fases de observacao e de orientacao do modelo por meio da exploracao

da redundancia dos dados e pela otimizacao do processamento dos dados de modo que o

decisor visualize o cenario em uma unica camada de informacao, aprimorando a conscien-

cia situacional. Contribuiu-se, tambem, para as fases de decisao e de atuacao do modelo,

com a atribuicao do grau de confianca na declaracao de identidade do contato e com a

sugestao de algumas acoes a serem tomadas pelo decisor.

Palavras–Chave: Quadro Tatico Marıtimo, Fusao de Dados, Associacao de Dados,

Logica Nebulosa, Tabela de Decisao Nebulosa

Abstract

The ability to conduct naval operations is determined, fundamentally, by the organi-

zation, comprehension and projection of all important factors that influence the situation

assessment, such as the disposition of allied and neutral forces, meteorological, oceano-

graphic and geographical characteristics of the area of interest and, obviously, the dis-

position of the enemy. In naval Command and Control (C2) systems, the organization,

comprehension and projection process of these factors is known as tactical picture compi-

lation.

A reliable tactical picture compilation in a dense maritime traffic environment re-

quires data fusion technology to integrate information provided by multiple sensors, thus

improving the perception of the situation by the decision-maker.

This work proposes and implements a decision aid model for the data fusion process

aiming to increment the maritime tactical picture compilation capability. The model incor-

porates experts cognitive aspects, doctrine aspects and objectives considered when defining

a mission.

The implementation of the decision aid model was structured in two parts: The first

part proposes an approach that conjugates the gating and the fuzzy logic techniques for the

data association problem, considering multiple sensors and multiple targets. The second

xi

part uses fuzzy decision tables (FDT) as a structure to help the formulation of rules

for an expert system. This approach aggregates heuristics used by experts and rules of

engagement to support the classification and the identification of surface targets during

the data fusion process and to suggest some actions to be taken by the decision-maker.

The operational benefits obtained were significant. Human interference in the data

integration process was reduced, minimizing the importance of the knowledge, training, and

experience of the sensor’s operator to compile a tactical picture. The model’s observation

and orientation phases were improved by exploring data redundancy and by optimizing

data processing, allowing the decision-maker to visualize the scenario in one layer of

information, improving the situation assessment. Improvement were also obtained in the

model’s decision and act phases by attributing a confidence degree to the target’s identity

declaration and by suggesting some actions to be taken by the decision maker.

Keywords: Maritime Tactical Picture, Data Fusion, Data Association, Fuzzy Logic,

Fuzzy Decision Table

Sumario

Lista de Figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xv

Lista de Tabelas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xvii

Lista de Abreviaturas e Siglas . . . . . . . . . . . . . . . . . . . . xviii

1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

1.1 Consideracoes Iniciais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

1.2 Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

1.3 Motivacoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

1.4 Contribuicoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

1.5 Organizacao da Tese . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2 Logica Nebulosa . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

2.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

2.2 Conceitos Basicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

2.3 Operacoes com Conjuntos Fuzzy . . . . . . . . . . . . . . . . . . . . . . 32

2.4 Sistema de Inferencia Nebulosa . . . . . . . . . . . . . . . . . . . . . . . 35

2.5 Analise de Conglomerados Nebulosos . . . . . . . . . . . . . . . . . . . 38

2.6 Conclusoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

3 Fusao de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

SUMARIO xiii


3.2 Compilacao do Quadro Tatico . . . . . . . . . . . . . . . . . . . . . . . . 45

3.3 Consciencia Situacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

3.4 Arquitetura para o Processo de Fusao . . . . . . . . . . . . . . . . . . . 52

3.5 Conclusoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

4 Modelo Proposto . . . . . . . . . . . . . . . . . . . . . . . . . . . 62


4.2 Modelo Proposto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

4.3 Conclusoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

5 Proposta para a Associacao de Dados . . . . . . . . . . . . 70


5.2 Decisao em Ambiente Nebuloso . . . . . . . . . . . . . . . . . . . . . . . 72

5.3 Abordagem Proposta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

5.3.1 Descricao do Algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

5.4 Resultados de Ilustracao com Dados Reais . . . . . . . . . . . . . . . . 87

5.5 Comparacao da Abordagem Proposta com a Abordagem FCM . . . 89

5.6 Conclusoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

6 Proposta para a Estruturacao de Conhecimento . . . . 92

6.1 Introducao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92

6.2 Tabela de Decisao Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . . 93

6.3 Estudo Ilustrativo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96

6.4 Conclusoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

7 Conclusoes e Sugestoes . . . . . . . . . . . . . . . . . . . . . . . 104

7.1 Sugestoes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107

SUMARIO xiv

Referencias Bibliograficas . . . . . . . . . . . . . . . . . . . . . . . 108

Lista de Figuras

FIGURA 1.1 – Etapas da Compilacao do Quadro Tatico. . . . . . . . . . . . . . . . 21

FIGURA 1.2 – Guerra Assimetrica - Rebocador no Iraque. . . . . . . . . . . . . . . 22

FIGURA 2.1 – Valores para a variavel linguıstica “Erro em distancia”. . . . . . . . . 30

FIGURA 2.2 – Representacao de um conjunto fuzzy no universo discreto e no uni-

verso contınuo. Fonte: (SANDRI; CORREA, 1999) . . . . . . . . . . . 30

FIGURA 2.3 – Altura, suporte, nucleo e o corte de nıvel 0,5 do conjunto nebuloso

A. Fonte: (SANDRI; CORREA, 1999) . . . . . . . . . . . . . . . . . . 32

FIGURA 2.4 – Estrutura Sistemica de Inferencia Nebulosa . . . . . . . . . . . . . . 36

FIGURA 3.1 – Etapas do Processo de Compilacao do Quadro Tatico. Fonte: (OLIVEIRA;

BELDERRAIN, 2007) . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

FIGURA 3.2 – Modelo Dinamico para a Construcao da Consciencia Situacional.

Fonte: (MILLER; SHATTUCK, 2006) . . . . . . . . . . . . . . . . . . . 50

FIGURA 3.3 – Modelo para a Consciencia Situacional do Decisor. . . . . . . . . . . 51

FIGURA 3.4 – Arquitetura Funcional de um Sistema de Fusao de Multiplos Sensores. 52

FIGURA 3.5 – Representacao Generica de um Sistema de Fusao e Integracao de

Dados. Fonte: Adaptado de (LUO; KAY, 1989). . . . . . . . . . . . . 53

FIGURA 3.6 – Declaracao de Identidade por um Sensor. Fonte: Adaptado de

(HALL; MCMULLEN, 2004). . . . . . . . . . . . . . . . . . . . . . . . 57

FIGURA 3.7 – Composicao das Declaracoes de Identidade. Fonte: Adaptado de

(HALL; MCMULLEN, 2004). . . . . . . . . . . . . . . . . . . . . . . . 57

LISTA DE FIGURAS xvi

FIGURA 3.8 – Estrutura de Inferencia Generica. . . . . . . . . . . . . . . . . . . . 58

FIGURA 3.9 – Conceito de Declaracao de Identidade baseado em conhecimento.

Fonte: Adaptado de (HALL; MCMULLEN, 2004). . . . . . . . . . . . . 59

FIGURA 4.1 – Modelo Omnibus - Fonte: (BEDWORTH; O’BRIEN, 2000) . . . . . . . 65

FIGURA 4.2 – Arquitetura Proposta por (GAD; FAROOQ, 2002) . . . . . . . . . . . 66

FIGURA 4.3 – Modelo Proposto . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

FIGURA 4.4 – Hierarquia de Tecnicas de Fusao. Fonte: (HALL; MCMULLEN, 2004) . 68

FIGURA 5.1 – Modelo Proposto . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

FIGURA 5.2 – Contatos dos Sensores por Camadas. . . . . . . . . . . . . . . . . . 75

FIGURA 5.3 – Gating Retangular. . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

FIGURA 5.4 – Visualizacao em uma Camada. . . . . . . . . . . . . . . . . . . . . . 83

FIGURA 5.5 – Dados Brutos dos Sensores . . . . . . . . . . . . . . . . . . . . . . . 87

FIGURA 5.6 – Dados RDT Pre-Processados . . . . . . . . . . . . . . . . . . . . . . 88

FIGURA 5.7 – Resultado do Processo de Fusao de Dados . . . . . . . . . . . . . . . 88

FIGURA 5.8 – Graus de Pertinencia Obtidos nas Associacoes . . . . . . . . . . . . 89

FIGURA 6.1 – Representacao de Contatos nas Camadas de Sensores . . . . . . . . 96

FIGURA 6.2 – Plotagem com Declaracao de Identidade . . . . . . . . . . . . . . . . 102

Lista de Tabelas

TABELA 5.1 – Matriz Resultante F(AB) . . . . . . . . . . . . . . . . . . . . . . . . 82

TABELA 5.2 – Visao Comparativa entre as Abordagens . . . . . . . . . . . . . . . 90

TABELA 6.1 – Estrutura de uma Tabela de Decisao . . . . . . . . . . . . . . . . . . 94

TABELA 6.2 – Tabela de Decisao Fuzzy 1a Fase . . . . . . . . . . . . . . . . . . . . 98

TABELA 6.3 – Tabela de Decisao Fuzzy 2a Fase . . . . . . . . . . . . . . . . . . . . 100

TABELA 6.4 – Consolidacao das Regras de Decisao . . . . . . . . . . . . . . . . . . 101

Lista de Abreviaturas e Siglas

AIS Automatic Identification System

C2 Comando e Controle

CONSTAT Console Tatico

FCM Fuzzy Clustering Mean

FDT Fuzzy Decision Table

GE Guerra Eletronica

GNN Global Nearest-Neighbor

GPS Global Positioning System

IFF Identification Friend or Foe

IMO International Maritime Organization

JDL Joint Directors of Laboratories

JPDA Joint Probabilistic Data Association

MAGE Medida de Apoio a Guerra Eletronica

MB Marinha do Brasil

MHT Multiple Hypothesis Tracking

NN Nearest-Neighbor

OODA Observar, Orientar, Decidir e Atuar

PREPLAN Regras Pre-Planejadas

LISTA DE ABREVIATURAS E SIGLAS xix

SAETE Sistema de Analise de Exercıcios Taticos da Esquadra

SAG Sistema de Analise Grafica

TD Tabela de Decisao

TDF Tabela de Decisao Fuzzy

VHF Very High Frequency

1 Introducao

1.1 Consideracoes Iniciais

Nos ultimos anos, os sensores embarcados, a informatica e os equipamentos de comu-

nicacao sofreram significativas evolucoes tecnologicas, proporcionando relativo aumento

da qualidade e da quantidade de dados disponibilizados sobre os contatos1 existentes em

um cenario marıtimo. Esta facilidade de obtencao de dados oriundos de multiplos sen-

sores proporcionou a discussao na literatura de diversos modelos para a sistematizacao

do processo de fusao de dados de modo a prover informacoes mais acuradas sobre o am-

biente monitorado e, consequentemente, melhorar o processo decisorio. Conforme (GAD;

FAROOQ, 2002), o aspecto comum dos modelos de fusao de dados existentes consiste na

incorporacao de nıveis de processamento de dados dentro da estrutura, com o proposito de

aprimorar a consciencia situacional e de apoiar o processo decisorio quanto a associacao

de informacoes redundantes e a classificacao dos contatos.

A aplicacao do conceito de fusao de dados no cenario naval visa a aprimorar a conscien-

cia situacional transformando os acompanhamentos de um mesmo objeto fısico observado

e reportado por diferentes fontes em um unico acompanhamento resultante. Alem disso,

1Entende-se por contato qualquer objeto fısico existente no ambiente monitorado. Exemplo de objetosno ambiente marıtimo: embarcacoes, aeronaves, submarinos, balizas, plataformas, ilhas, etc.

CAPITULO 1. INTRODUCAO 21

visa a subsidiar a classificacao e a identificacao destes objetos fısicos sem a necessidade

da interferencia humana no processo.

No ambiente de Comando e Controle (C2) naval, a resultante deste processo de or-

ganizacao, compreensao e projecao dos dados dos sensores e usualmente denominada

“compilacao do quadro tatico marıtimo” independentemente do modelo adotado

para sua consecucao (CHALMERS; WEBB; KEEBLE, 2002).

A doutrina tatica da Marinha do Brasil (MB) compoe a acao de compilar o quadro

tatico considerando cinco procedimentos basicos (FIG. 1.1): coleta de dados, filtragem,

apresentacao do cenario, analise e avaliacao de cenarios e disseminacao das informacoes

do contato. Contudo, a execucao destes procedimentos na MB ainda depende do nıvel de

conhecimento, do adestramento e da experiencia do profissional que atua nessa area.

FIGURA 1.1 – Etapas da Compilacao do Quadro Tatico.

A importancia do processo de compilacao de quadro tatico pode ser evidenciada com

a apresentacao de alguns exemplos de acoes drasticas resultantes de erros neste processo,

tais como: o incidente do USS “Vincennes” em 3 de julho de 1988, no qual uma aeronave

civil foi confundida com uma aeronave militar e abatida; e os incidentes mais recentes


como o bombardeio de um abrigo civil em Bagda e a morte de tres soldados britanicos

por uma bomba disparada por um aviao dos Estados Unidos que os ajudava em uma

operacao contra insurgentes do Taliban no sul do Afeganistao em 2007. Na MB, erros

potencialmente similares sao evidenciados nas reconstrucoes dos exercıcios operativos, em

que se observam acoes de engajamento simulado sobre navios mercantes confundidos com

o inimigo.

Existem outros fatores que demandam por uma maior capacidade de compilacao do

quadro tatico para o sucesso nas operacoes navais como o emprego tatico de mısseis de

medio alcance dos quais destacamos o Exocet (Franca), Harpoon (EUA), Styx (Russo),

Gabriel (Israel) e o Standard Missile-2 (EUA) pelos meios de superfıcie e a guerra as-

simetrica2. A FIG. 1.2 ilustra um rebocador de alto-mar nas proximidades do Iraque

conduzindo uma balsa de oleo com minas no seu interior caracterizando um exemplo de

uma forma nao ortodoxa de aplicar uma capacidade operacional.

FIGURA 1.2 – Guerra Assimetrica - Rebocador no Iraque.

Nas operacoes navais, uma capacidade de identificacao inferior ao alcance do arma-

mento significa reduzir este alcance a um valor no maximo identico ao raio de identificacao.

Por outro lado, decidir pelo engajamento de contato sem a efetiva identificacao ou associ-

acao com as informacoes do setor de inteligencia implica na aceitacao de riscos elevados,

como a escalada indesejavel de uma crise. Outro risco, nao menos relevante, refere-se a

2No sentido militar, a guerra assimetrica significa uma abordagem ou maneira nao ortodoxa de aplicaruma capacidade, que nao segue as regras.


prontidao das forcas no mar, onde a perda de um mıssil sempre resultara em uma grave

restricao operativa. Enfatiza-se que a melhor forma de se evitar um mıssil inimigo ou um

ataque assimetrico consiste na neutralizacao da plataforma lancadora. Em suma, para

alcancar a eficacia em combate e necessario detectar, identificar e designar o alvo, antes

do inimigo.

1.2 Objetivo

O objetivo deste estudo consiste em propor e implementar um modelo de apoio a de-

cisao para a sistematizacao do processo de fusao de dados com o proposito de elevar a

capacidade de compilacao do quadro tatico marıtimo. Este modelo incorpora os aspec-

tos cognitivos dos especialistas, os aspectos doutrinarios e os objetivos considerados por

ocasiao da definicao de uma missao.

O benefıcio operacional pretendido consiste em reduzir a interferencia humana no pro-

cesso de integracao dos dados, minimizando a dependencia no conhecimento, no adestra-

mento e na experiencia do operador do sensor para compilar o quadro tatico. Dessa forma,

prover ao decisor o aprimoramento da consciencia situacional por meio das seguintes fa-

cilidades: a) visualizacao do cenario em uma unica camada; b) atribuicao do grau de

confianca na declaracao de identidade do contato; e c) sugestao de algumas acoes a serem


A implementacao do modelo de apoio a decisao foi estruturada em duas partes:

A primeira parte propoe uma abordagem que conjuga as tecnicas de gating e de

logica nebulosa para o problema de associacao de dados, considerando multiplos sen-

sores e multiplos contatos. O objetivo desta parte e aprimorar as fases de observacao e de


orientacao do modelo por meio da exploracao da redundancia dos dados e pela otimizacao

do processamento dos dados de modo que o decisor visualize o cenario em uma unica

camada de informacao, aprimorando a consciencia situacional.

A segunda parte propoe o emprego das Tabelas de Decisao Fuzzy (TDF) como estru-

tura para a construcao das regras de um sistema especialista. Esta abordagem agrega

as heurısticas empregadas pelos especialistas e as regras de engajamento com o objetivo

de apoiar a classificacao do contato e de atribuir um grau de confianca na declaracao de

classificcao e de identidade dos alvos de superfıcie. Alem disso, contribuir para as fases de

decisao e de atuacao do modelo com a sugestao de algumas acoes a serem tomadas pelo

decisor.

1.3 Motivacoes

As motivacoes para a realizacao deste estudo abrangeram diversas vertentes podendo

ser resumidas nos seguintes pontos:

1. Estudo da problematica associada aos modelos de apoio a decisao para o processo

de fusao de dados existentes e a compreensao dos protocolos de saıda dos sensores

embarcados;

2. Aplicacao da tecnica de fusao de dados para prover aos sistemas de C2 taticos e

operacional da MB, uma forma de combinar os dados oriundos dos diversos sensores

embarcados de modo a obter informacoes mais acuradas e eficientes dos contatos e,

consequentemente, explorar a redundancia de informacoes e o grau de incerteza no

rastreio e na classificacao dos contatos;


3. Utilizacao do conhecimento adquirido nos pontos anteriores para dotar um sistema

especialista que apoie a decisao de classificacao, incluindo as heurısticas utilizadas

pelos operadores mais experientes; e

4. Exploracao dos dados coletados e filtrados dos contatos, conjugadas com as heurıs-

ticas empregadas pelos especialistas e com as regras de engajamento, de modo a

subsidiar a classificacao e a identificacao do contato, alem de sugerir algumas acoes

a serem tomadas pelo decisor.

1.4 Contribuicoes

A principal contribuicao deste trabalho resume-se na concepcao e desenvolvimento de

uma proposta de modelo para o processo de fusao de dados dos sensores, considerando

os aspectos cognitivos e doutrinarios, visando a subsidiar o apoio a decisao. Este modelo

apresenta todas as condicoes para ser implementado em sistemas de C2 tanto a nıvel tatico

quanto a nıvel operacional, bem como em futuros projetos de sistemas taticos navais. Os

passos que foram efetuados e que permitiram concretizar estas contribuicoes foram os

seguintes:

1. Concepcao e implementacao de modelo de apoio a decisao para o processo de fusao

de dados considerando os aspectos cognitivos e as especificidades da MB;

2. Elaboracao de um algoritmo para o problema de associacao de dados baseado na

tecnica de gating e na logica nebulosa (decisao nebulosa);

3. Implementacao de um “decisor” fuzzy cuja finalidade e atribuir um grau de

pertinencia ou de crenca as comparacoes realizadas entre as medidas de atributo


dos contatos disponibilizados pelos sensores e decidir, considerando tais crencas,

quanto a associacao parametrica das medidas. Nesta situacao a logica fuzzy nao foi

utilizada na sua forma mais tradicional, isto e, na implementacao de um controlador

e, sim em um contexto de decisao;

4. Emprego das TDF como uma estrutura para a construcao das regras de um sistema

especialista para apoiar a classificacao e a identificacao de alvos de superfıcie, de

modo a contribuir para as fases de decisao e de atuacao do modelo de apoio a decisao;

e

5. Aplicacao do modelo de apoio a decisao proposto para o processo de fusao de dados

considerando um exemplo ilustrativo.

1.5 Organizacao da Tese

Esta tese foi estruturada em tres partes. A primeira parte compreende o capıtulo 2

que apresenta uma revisao dos conceitos basicos da logica nebulosa visando a facilitar o

entendimento do trabalho para leitores nao familiarizados com estes conceitos, alem de

descrever a notacao utilizada no desenvolvimento da tese.

A segunda parte consiste dos capıtulos 3 e 4. No capıtulo 3 e abordado os conceitos de

fusao de dados, de consciencia situacional e de compilacao do quadro tatico. No capıtulo

4 e realizada uma revisao dos modelos existentes na literatura e apresentado o modelo

de apoio a decisao proposto considerando os aspectos cognitivos e as especificidades da

cultura existente na MB.

Na terceira parte sao apresentados os capıtulos 5, 6 e 7. No capıtulo 5 e apresentada


a proposicao do algoritmo para a associacao dos dados baseado no conceito de decisao

nebulosa e a sua implementacao por meio de um exemplo ilustrativo e outro com dados

reais. No capıtulo 6 e apresentado o conceito de Tabela de Decisao Fuzzy (TDF) para

estruturar o conhecimento no processo de classificacao e de identificacao de alvos para

combate visando a otimizar a compilacao do quadro tatico marıtimo com a atribuicao do

grau de confianca na declaracao de identidade. Finalmente, no capıtulo 7 sao apresentadas

as conclusoes e as sugestoes para trabalhos futuros.

2 Logica Nebulosa

2.1 Introducao

Observando que muitos conceitos no mundo real nao podem ser bem representados

usando limites claramente definidos, (ZADEH, 1965) desenvolveu a teoria dos conjuntos

nebulosos (Fuzzy Sets) para tratar do aspecto vago da informacao. Essa teoria generaliza

os conceitos da teoria classica de conjuntos para o tratamento da imprecisao da informacao

na area de controle e na area de decisao, buscando traduzir em termos formais a informacao

imprecisa que ocorre de maneira natural na representacao dos fenomenos da natureza,

descritos por seres humanos.

Tecnicamente, fuzzy representa imprecisao ou incerteza baseada na intuicao humana e

nao nas interpretacoes classicas, frequentista 1 e subjetivistas da teoria de probabilidades.

A logica fuzzy consiste em aproximar a decisao computacional da decisao humana,

tornando as maquinas mais capacitadas para o trabalho. Isso e feito de forma que a

decisao de uma maquina nao dependa apenas de informacoes binarias do tipo “sim” ou

“nao” ou de valores “concretos”, mas de maneira que tambem possa decidir com base

em valores “abstratos” do tipo “um pouco mais”, “um pouco menos” e em outras tantas

1Na maioria das situacoes praticas, os eventos simples do espaco amostral nao sao equiprovaveis e naopodemos calcular probabilidades usando a definicao classica. Neste caso, calcula-se probabilidades comoa frequencia relativa de um evento.

CAPITULO 2. LOGICA NEBULOSA 29

variaveis que representem os tratamentos de informacoes fornecidas pelo homem.

As informacoes recebidas de multiplos sensores/fontes podem estar contidas em dois

tipos de dados: dados numericos recebidos das medicoes dos sensores e dados linguısticos

obtidos de operadores e outras fontes. Em situacoes do mundo real, os dados numericos

podem ser ruidosos, inconsistentes e incertos e as informacoes linguısticas podem ser

imprecisas ou vagas. Tanto a informacao imprecisa quanto a informacao com incerteza

probabilıstica estao presentes nos sistemas operacionais. Em um sistema com multiplos

sensores a incerteza pode ser gerada por variacoes aleatorias dos dados de medida ou por

inacuracia na gravacao dos dados.

As variaveis linguısticas sao termos que caracterizam grandezas fısicas e cujo valor e

especificado por expressoes da linguagem natural em detrimento de um valor numerico.

Expressoes como “erro em distancia pequeno” e “erro em azimute grande” sao designadas

como valores linguısticos das grandezas fısicas “Erro em distancia” e “Erro em azimute”,

respectivamente. Um valor linguıstico e um conjunto fuzzy. O conjunto de todos os valores

linguısticos especificam uma variavel linguıstica. Considerando uma variavel linguıstica

X = “Erro em distancia”, e possıvel definir os valores linguısticos (conjuntos fuzzy) “erro

em distancia negativo grande (NG)”, “erro em distancia negativo pequeno (NP)”, “erro

em distancia nulo (Z)”, “erro em distancia positivo pequeno (PP)” e “erro em distancia

positivo grande (PG)” caracterizados pelas funcoes de pertinencia µNG(x), µNP (x),

µZ(x), µPP (x) e µPG(x). A FIG. 2.1 apresenta as funcoes de pertinencia que caracterizam

a variavel linguıstica “Erro em distancia” e os valores linguısticos que a especificam.

Assim, a logica fuzzy proporciona uma estrutura matematica para a modelagem de

sistemas definidos de maneira imprecisa, sistemas “pouco conhecidos” e sistemas difıceis

de modelar por tecnicas convencionais.


FIGURA 2.1 – Valores para a variavel linguıstica “Erro em distancia”.

2.2 Conceitos Basicos

Considere-se X como um universo de objetos e x como um objeto generico de X. Um

conjunto classico A, em que A ⊂ X, e definido como uma colecao de elementos ou objetos

x ∈ X, em que cada x pode pertencer ou nao a A. Para definir a funcao caracterıstica

de cada elemento de x em X, pode-se representar o conjunto classico A por um conjunto

de pares ordenados do tipo (x, 1) e (x, 0), os quais indicam, respectivamente, se x per-

tence ou nao pertence ao conjunto A. O conjunto fuzzy A e definido como o conjunto de

pares ordenados A = (x, µA (x))|x ∈ X, onde µA (x) e a funcao de pertinencia com

valores entre 0 e 1, definido para cada elemento de x pertencente ao conjunto X. Este e

denominado de universo do discurso, podendo ser discreto ou contınuo (FIG.2.2).

FIGURA 2.2 – Representacao de um conjunto fuzzy no universo discreto e no universocontınuo. Fonte: (SANDRI; CORREA, 1999)


A funcao de pertinencia indica o grau de compatibilidade entre o elemento x e o

conceito expresso por A. Assim, µA (x) =1, indica que x e completamente compatıvel com

A; µA (x) = 0, indica que x e completamente incompatıvel com A; e se 0 < µA (x) < 1,

indica que x e parcialmente compatıvel com A, com grau µA (x).

A representacao de um conjunto A da teoria dos conjuntos classica pela logica fuzzy e

realizada por um conjunto nebuloso especıfico, denominado usualmente de crisp, para o

qual µA (x) : Ω → 0, 1, ou seja, a funcao de pertinencia do elemento e do tipo “sim ou

nao”.

Pode-se obter a representacao aproximada de um conjunto nebuloso A em Ω atraves

de conjuntos crisp em Ω. Estes subconjuntos, denotados por Aα e denominados de cortes

de nıvel ou cortes-α, sao definidos como:

Aα = x|µA(x) ≥ α (2.1)

Os casos extremos destes conjuntos sao o suporte de A, denotado como Su(A), que agrupa

elementos de Ω que sao de alguma forma compatıveis com o conceito expresso por A, e

o nucleo de A, denotado por Nu(A), que agrupa elementos de A que sao completamente

compatıveis com o conceito expresso por A.

Su(A) = x ∈ Ω | µA(x) > 0 = limα→∞

Aα (2.2)

Nu(A) = x ∈ Ω | µA(x) = 1 = Aα=1 (2.3)

A altura de A, denotado por Al(A), representa o maior grau de compatibilidade dos


elementos de Ω em relacao ao conceito expresso por A:

Al(A) = x ∈ Ω | Sup µA(x) (2.4)

Um conjunto nebuloso A e dito normalizado se e somente se Al(A) = 1. A FIG. 2.3 ilustra

a altura, o suporte, o nucleo, e o corte de nıvel 0,5 de um conjunto nebuloso A.

FIGURA 2.3 – Altura, suporte, nucleo e o corte de nıvel 0,5 do conjunto nebuloso A.Fonte: (SANDRI; CORREA, 1999)

2.3 Operacoes com Conjuntos Fuzzy

As operacoes mais basicas sobre conjuntos classicos sao a uniao, a interseccao e o com-

plemento. De forma correspondente a estas operacoes, os conjuntos fuzzy tem operacoes

similares, as quais foram inicialmente definidas por (ZADEH, 1965). Contudo, antes da

definicao dos tres operadores referidos e necessario apresentar a nocao de subconjunto,

utilizado tanto nas operacoes com conjuntos classicos quanto com os conjuntos fuzzy.

• O conjunto fuzzy A esta contido no conjunto fuzzy B (ou A e um subconjunto de


B) se e somente se µA(x) ≤ µB(x) para todo e qualquer x.

A ⊆ B ⇔ µA(x) ≤ µB(x) (2.5)

• A uniao de dois conjuntos fuzzy A e B e um conjunto fuzzy C, expresso por C = A∪B

ou C = A OR B, onde a funcao de pertinencia relaciona A e B por:

µC(x) = max(µA(x), µB(x)) = µA(x) ∨ µB(x) (2.6)

• A interseccao de dois conjuntos fuzzy A e B e um conjunto fuzzy C, expresso por

C = A ∩B ou C = A AND B, onde a funcao de pertinencia relaciona A e B por:

µC(x) = min(µA(x), µB(x)) = µA(x) ∧ µB(x) (2.7)

• O complemento de um conjunto fuzzy A, designado por A , e expresso por:

µA(x) = 1− µA(x)) (2.8)

Os conceitos de uniao, interseccao e complemento podem ser tratados de forma mais

geral atraves do emprego de operacoes conhecidas como normas e conormas triangulares.

Uma operacao de interseccao fuzzy T : [0, 1] × [0, 1] → [0, 1] e definido com o auxılio

de uma T-norma. Um operador T-norma e uma funcao de dois termos que apresente as

seguintes propriedades:


a) T (0, 0) = 0, T (a, 1) = T (1, a) = a Condicao de contorno

b) T (a, b) ≤ T (c, d) se a ≤ c e b ≤ d Monoticidade

c) T (a, b) = T (b, a) Comutativa

d) T (a, T (b, c)) = T (T (a, b), c) Associativa

A primeira propriedade impoe uma correta generalizacao para os conjuntos classicos. A

segunda propriedade implica que uma decrementacao nos valores de pertinencia de A ou B

nao origina uma incrementacao no valor de pertinencia de A∩B. A terceira propriedade

indica que o operador e indiferente a ordem dos conjuntos fuzzy a serem combinados.

Finalmente, a quarta propriedade permite efetuar a interseccao de um numero qualquer

de conjuntos fuzzy sem ter em consideracao a orientacao do agrupamento. Os quatro

operadores T-norma mais frequentemente usados sao:

Mınimo Tmin(a, b) = min(a, b) = a ∧ b

Produto Algebrico Tpa(a, b) = ab

Produto Limitado (Bounded product) Tpl(a, b) = 0 ∨ (a + b− 1)

Produto Drastico (Drastic product) Tpd(a, b) =

a, se b=1

b, se a=1

0, se a,b ≤ 1

De forma semelhante ao operador de interseccao fuzzy, uma operacao de uniao fuzzy

S : [0, 1] × [0, 1] → [0, 1] e definido com o auxılio de uma T-conorma (ou S-norma). Um

operador T-conorma e uma funcao de dois termos que apresente as seguintes propriedades:

a) S(1, 1) = 1, S(a, 0) = S(0, a) = a Condicao de contorno

b) S(a, b) ≤ S(c, d) se a ≤ c e b ≤ d Monoticidade

c) S(a, b) = S(b, a) Comutativa

d) S(a, S(b, c)) = S(S(a, b), c) Associativa


A justificativa para as propriedades S-norma e identica as atribuıdas ao T-norma. Os

quatro operadores T-conorma mais frequentemente utilizados sao:

Maximo Smax(a, b) = max(a, b) = a ∨ b

Soma Algebrica Ssa(a, b) = a + b− ab

Soma Limitada (Bounded sum) Ssl(a, b) = 1 ∨ (a + b)

Soma Drastica (Drastic sum) Ssd(a, b) =

a, se b=0

b, se a=0

1, se a,b > 0

2.4 Sistema de Inferencia Nebulosa

Conceitos nebulosos expressos em universos distintos podem apresentar relacoes entre

si. Assim, os conjuntos fuzzy “erro em distancia nulo”e“erro em azimute nulo”apresentam

uma estreita relacao com o conjunto fuzzy “alta possibilidade de associacao”. Sejam X1,

X2,. . ., Xn universos de discurso distintos. Uma relacao nebulosa R em X1 × X2 ×. . .× Xn

e definida pelo mapeamento: µR : X1 × X2 × . . .× Xn → [0, 1]

Os operadores de implicacao I : [0, 1] × [0, 1] → [0, 1] sao usados para modelar regras

de inferencia do tipo Se <premissa> Entao <conclusao>. Considerando as pertinencias

de A e B dadas por µA e µB, a relacao A→ B e expressa como:

µA→B(x, y) = I(µA(x), µB(y)) (2.9)

Quando ha duas relacoes que devem ser encadeadas, por exemplo A→B e B→C, o

mecanismo de composicao e denominada extensao cilındrica. Um sistema de inferencia

fuzzy pode ser representado por uma estrutura sistemica (FIG.2.4). Este sistema consiste


em tres componentes conceituais: uma interface de fuzificacao, uma base de conhecimento

composta por uma base de regras e uma base de dados e uma interface de defuzificacao.

FIGURA 2.4 – Estrutura Sistemica de Inferencia Nebulosa

Denomina-se de fuzificacao a determinacao da relacao entre as variaveis de entrada e

os valores linguısticos. O grau de pertinencia do valor medido da variavel de entrada e

determinado para cada valor linguıstico da correspondente variavel linguıstica.

A base de regras contem o conhecimento empırico referente a operacao de um processo

especıfico. O conhecimento e representado por regras linguısticas. A definicao textual de

uma base de regras e efetuada da seguinte forma:

R1: IF Condicao P1 THEN Conclusao C1



......

...

Rn: IF Condicao Pn THEN Conclusao Cn

onde, a condicao pode consistir de uma combinacao de estados linguısticos.

Os sistemas especialistas seguem rigorosamente tais regras e por isso sao processos de


inferencia ou de raciocınio logico (Logical reasoning Systems).

Conforme (SANDRI; CORREA, 1999), o procedimento de inferencia consiste em:

• Verificacao do grau de compatibilidade entre os fatos e as clausulas nas premissas

das regras;

• Determinacao do grau de compatibilidade global da premissa de cada regra;

• Determinacao do valor da conclusao, em funcao do grau de compatibilidade com os

dados e a acao constante na conclusao; e

• Agregacao dos valores obtidos como conclusao nas varias regras, obtendo uma acao

global.

A abordagem basica consiste na solucao do problema de inferencia conhecido como

Generalized modus ponens. Considere o exemplo proposto por (PRZEMIENIECKI, 1991):

IF contato desconhecido “iluminou” navio com seu RADAR de direcao de tiro.

THEN Contato desconhecido e hostil.

Algumas incertezas podem ser listadas observando a regra descrita acima: A evidencia

relatada pode nao ser verdadeira, pois outros sinais RADAR podem ser classificados

erroneamente como um RADAR de direcao de tiro; o classificador que associa os sinais

RADAR pode estar com informacoes incorretas. Estas fontes de incerteza caracterizam a

importancia do processo de inferencia considerando as evidencias para o processo decisorio.

A regra descrita visa definir um nıvel de crenca entre o valor de 0 e 1 que relacione os

contatos que iluminam a embarcacao com os contatos classificados como hostis.

Dependendo da combinacao de operadores nos passos individuais, estrategias diferentes

de inferencia podem ser realizadas. As mais conhecidas sao as denominadas MAX-MIN e


MAX-PROD, as quais usam o operador MAX na acumulacao das projecoes e o operador

MIN ou PROD na projecao.

O processo de defuzificacao corresponde a extracao de um valor numerico represen-

tativo, normalmente real, a partir de um conjunto fuzzy. Os principais metodos de

defuzificacao utilizados sao: Centro de Gravidade (Center of Gravity-CoG), Maximo

Mais a Esquerda (Left Most Maximum-LM), Maximo Mais a Direita (Right Most Maxi-

mum-RM), Media dos Maximos (Mean of Maximum-MoM), Centro de Area (Center of

Area-CoA) ou Bissetor de Area (Bissector of Area-BoA) e Centro dos Maximos (Cen-

ter of Maximum-CoM) ou Centro de Gravidade para Singletons (Center of Gravity for

Singleton-COGS).

2.5 Analise de Conglomerados Nebulosos

A tecnica de analise de conglomerados (cluster analysis), tambem conhecida como

analise de agrupamentos, e uma tecnica que permite agrupar elementos em grupos ho-

mogeneos em funcao do grau de similaridade entre os indivıduos, a partir de variaveis

predeterminadas.

Diferente do algoritmo de conglomerados convencional que envolve a particao de

variaveis em conglomerados disjuntos, o algoritmo de conglomerados nebulosos ou Fuzzy

Clustering Mean (FCM) desenvolvido por (BEZDEK, 1973) permite que um elemento ou

observacao tenha graus de pertinencia parciais de pertencer a mais de um conglomerado.

O algoritmo FCM consiste na execucao de tres etapas: a) calculo da medida de

similaridade dos dados; b) determinacao da pertinencia fuzzy das medidas de similari-

dade; e c) aplicacao das regras do sistema fuzzy aos valores de pertinencia para realizar a


associacao.

Um aspecto importante a ser considerado pelo pesquisador ao realizar uma analise

de conglomerados e que a utilizacao de variaveis com medidas/escalas diferentes pode

distorcer a estrutura do agrupamento. A maior parte das medidas de distancia sofre in-

fluencia das diferentes escalas e magnitudes das variaveis, sendo esse problema contornado

com a padronizacao das variaveis (FAVERO et al., 2009).

A forma mais utilizada para padronizacao dos dados consiste em transformar cada

variavel em escore padrao (Z scores), permitindo que seja eliminado o vies decorrente das

diferencas de escalas. O metodo Z scores padroniza cada variavel de maneira a apresentar

media zero e desvio padrao 1, sendo calculado da seguinte maneira :

Z =(x−media)

desvio padrao(2.10)

As medidas de distancia sao consideradas medidas de similaridade, pois, quanto maiores

os valores, menor e a semelhanca entre os objetos, e vice-versa. As principais medidas

de distancia tratadas na literatura quanto ao estudo de conglomerados sao: distancia

euclidiana e a distancia quadratica euclidiana. A distancia euclidiana entre duas obser-

vacoes i e j corresponde a raiz quadrada da soma dos quadrados das diferencas entre os

pares de observacoes i e j para todas as p variaveis.

dij =

√√√√ p∑v=1

(xiv − xjv)2 (2.11)

Considere c como um inteiro que represente o numero de conglomerados de modo que

2 ≤ c ≤ n, onde n e o numero de observacoes. Define-se U uma matriz com elementos


µij(i = 1, 2, ..., c; j = 1, 2, ..., n) que representam o grau de pertinencia da observacao j

pertencer ao conglomerado fuzzy i, de tal forma que:

µij ∈ [0, 1], 1 ≤ i ≤ c; 1 ≤ k ≤ n, (2.12)

c∑i=1

µik = 1 ∀k, (2.13)

0 ≤n∑

k=1

µik ≤ n ∀i, (2.14)

A abordagem FCM visa a minimizar a funcao objetivo descrita na equacao 2.15.

F.O Min J(U, c1, . . . , cc) =n∑

k=1

c∑1=1

(µik)m(dik)

2 (2.15)

onde, ci e o centro do cluster i; dik e a distancia euclidiana entre o cluster i e a observacao

k; e m e o expoente de peso que reduz a influencia de um µik pequeno. Onde:

µik =1∑c

k=1(dij/dkj)2/(m−1)(2.16)

Na associacao de dados envolvendo multiplos alvos e sensores, c e o numero de rastro dos

alvos e n e o numero de observacoes a serem associadas.

2.6 Conclusoes

Esta revisao dos conceitos basicos de logica nebulosa permitiu uma familiarizacao com

os termos e notacao a serem utilizados no desenvolvimento da tese.

A logica nebulosa por ser robusta, por tratar informacoes quantitativas e qualitativas

e por nao requerer que os dados de entrada dos sensores nao possuam ruıdos, se ajusta


muito bem para sistemas de acompanhamento com multiplas fontes nos quais diversas

associacoes podem ser realizadas com os dados recebidos dos sensores.

Uma das principais potencialidades da logica fuzzy e que a sua base de conhecimento

consiste de uma base de dados e de uma base de regras, de maneira a caracterizar a

estrategia de decisao. Na base de dados ficam armazenadas as definicoes das funcoes

de pertinencia dos termos nebulosos. A base de regras e formada por estrutura do tipo

IF-THEN-ELSE que e utilizada para estabelecer a associacao.

O proximo capıtulo aborda os conceitos de fusao de dados, consciencia situacional e

de compilacao de quadro tatico caracterizando problemas de associacao, classificacao e

identificacao de objetos fısicos com multiplos sensores.

3 Fusao de Dados


Face ao surgimento de novos sensores, tecnicas de processamentos avancadas e notoria

evolucao dos equipamentos de comunicacao, houve um relativo aumento da qualidade e da

quantidade de dados disponibilizados para o monitoramento do ambiente de

interesse. Esta conjuntura favoreceu o surgimento de uma nova area de investigacao

que se denominou fusao de dados, que tem sob o seu domınio o estudo da combinacao de

dados provenientes de multiplos sensores para prover informacoes mais acuradas sobre o

ambiente monitorado.

O conceito de fusao de dados visa a transformar os dados provenientes de varios

sensores em processos de inferencia, de uma forma similar ao que o homem e animais

fazem com os dados provenientes dos seus sentidos (visao, tato, olfato, audicao e sabor)

para monitorar o ambiente. Na literatura especializada, ha diversas aplicacoes militares

e civis do processo de fusao de dados nas areas de vigilancia militar, robotica, medicina,

processamento de imagens, etc.

O estudo de (JDL, 1991) definiu fusao de dados como: “um processo contınuo que

lida com a associacao, correlacao e combinacao de dados e informacoes provenientes de

CAPITULO 3. FUSAO DE DADOS 43

multiplos sensores para obtencao estimada e refinada da posicao e da identidade. Alem

disso, possibilita uma avaliacao completa e em tempo da situacao e das ameacas”.

O estudo de (LUO; KAY, 1989) apresentou o conceito de integracao de dados. A fusao

e referida como uma fase do processo de integracao onde sao combinados os dados prove-

nientes de multiplas fontes. A integracao de dados se refere a sinergia da utilizacao das

informacoes provenientes dos diversos sensores para a execucao de uma tarefa por um

sistema.

Em relacao as interacoes estabelecidas entre os dados provenientes dos multiplos sen-

sores, (NASHMAN, 1993) as classificou em tres categorias: interacoes competitivas, com-

plementares e cooperativas.

A interacao competitiva e definida como a relacao entre sensores que observam o

mesmo objeto adquirindo informacoes redundantes que nao contribuem com qualquer

conhecimento adicional para o sistema. A integracao de sensores competitivos resulta em

um incremento da confianca na validade da informacao extraıda quando ha uma relacao

entre os dados adquiridos e em uma reducao da confianca quando nenhuma relacao existe.

A interacao complementar ocorre quando dois ou mais sensores obtem informacao

do mesmo contato, contudo algumas caracterısticas dos dados observados por um deter-

minado sensor complementam os dados do contato. Neste caso, cada sensor capta do

ambiente dados sobre determinadas caracterısticas do contato que se complementam.

A interacao cooperativa ocorre quando as observacoes de um ou de mais sensores guiam

os processos de um outro sensor.

As interacoes das informacoes competitivas, complementares e cooperativas permitem

a fusao dos dados provenientes dos multiplos sensores.


Nos processos de decisao de Comando e Controle (C2), a fusao de dados e a maneira

pela qual dados de um ou de uma multiplicidade de sensores, junto com dados ou infor-

macoes de uma variedade de fontes podem ser combinados e apresentados para satisfazer

alguns objetivos operacionais (LIGGINS; HALL; LLINAS, 2008).

Nas operacoes navais, a identificacao antecipada das forcas hostis e das possıveis

ameacas impostas e decisiva para a avaliacao da situacao tatica de uma Forca Naval.

O processo decisorio, neste contexto, e uma atividade complexa e influenciada pela in-

certeza da deteccao, do acompanhamento e da identificacao dos contatos existentes no

cenario marıtimo. Conforme a complexidade e a incerteza aumentam devido a presenca

de multiplos contatos, o emprego de uma sistematica que apoie a decisao de associacao e

de classificacao dos contatos e cada vez mais necessario, visando a minimizar o impacto

das limitacoes humanas no processo (OLIVEIRA; KIENITZ; BELDERRAIN, 2009).

No cenario naval, a resultante do processo de fusao de dados e usualmente denominada

de compilacao do quadro tatico marıtimo (CHALMERS; WEBB; KEEBLE, 2002). A fusao

de dados possibilita a realizacao de inferencias e a obtencao de mais informacoes sobre

o contato em comparacao a analise dos acompanhamentos do mesmo contato reportados

pelos sensores isoladamente. O acompanhamento resultante pode ser associado a uma

plataforma e representado no sistema por um unico numero de acompanhamento e por

uma unica marca de acompanhamento referente a classificacao e a identificacao daquela

plataforma associada. A combinacao de dados de multiplos sensores tem o benefıcio

adicional da redundancia, na qual a falha de um sensor pode nao comprometer a vigilancia

da area.

No entender de (ANZANO, 1999), as principais utilidades do processo de fusao de dados

provenientes da deteccao de um objeto fısico por meio de diversos sensores consistem em:


a) reduzir a redundancia das informacoes e, consequentemente, otimizar o processamento

das informacoes no procedimento de visualizacao; b) facilitar a construcao de banco de

dados agregados; e c) possibilitar a integracao dos dados de modo que se possa realizar

alguma inferencia que seria praticamente impossıvel no tratamento das informacoes de

cada sensor isoladamente.

3.2 Compilacao do Quadro Tatico

A facilidade de conduzir operacoes no mar e determinada fundamentalmente pelo

acesso e utilizacao da informacao confiavel no tempo correto. O comando precisa organi-

zar e compreender todos os fatores importantes que influenciam a consciencia situacional,

tais como a disposicao das forcas aliadas, neutras e entidades nao combatentes, as carac-

terısticas geograficas, oceanograficas e meteorologicas da area de interesse e, obviamente,

a disposicao do inimigo. No C2 naval, a integracao destes fatores relevantes para o co-

mando e conhecida como compilacao do quadro tatico. Este processo e altamente cognitivo

que envolve uma variedade de operadores, de dados e de informacoes com diversos graus

de qualidade. O conceito de consciencia situacional e os aspectos cognitivos envolvidos

serao abordados na secao 3.3. A compilacao do quadro tatico produz continuamente

uma visualizacao do cenario atualizado que e referido como quadro marıtimo reconhecido

(CHALMERS; WEBB; KEEBLE, 2002)

O objetivo do setor operativo da marinha e prover aos comandantes o mais acurado,

compreensivo e consistente quadro tatico que a tecnologia permite. Teoricamente, o aper-

feicoamento do processo de compilacao do quadro tatico permitira o aprimoramento da

habilidade da marinha em conduzir as operacoes no mar de maneira eficaz e eficiente.


As tarefas que envolvem a compilacao do quadro tatico podem ser descritas da seguinte

forma: a coleta de dados do ambiente, a armazenagem e a representacao dos dados

relevantes selecionados pelo operador para que outros utilizadores possam realizar as ativi-

dades de vigilancia, de acompanhamento, de classificacao e de identificacao dos contatos,

corroborando para subsidiar o processo decisorio.

No trabalho de (OLIVEIRA; BELDERRAIN, 2007) cada etapa do processo de compilacao

do quadro tatico foi detalhado, conforme apresentado na FIG. 3.1.

FIGURA 3.1 – Etapas do Processo de Compilacao do Quadro Tatico. Fonte: (OLIVEIRA;BELDERRAIN, 2007)

A coleta de dados, base de todo o processo, e constituıda pela obtencao de informacoes

dos sensores e outras fontes sobre a presenca (deteccao) de um objeto (contato), pelos

relatorios previos de inteligencia que sao essenciais para a confeccao de bibliotecas de

missao relacionadas com as possıveis ameacas no cenario, e pelas informacoes da regiao

(caracterısticas geograficas e oceanograficas) e do clima (caracterısticas meteorologicas),

que constituem aspectos fundamentais para a visualizacao do cenario e para o controle e


estimacao dos desempenhos dos sensores na etapa de decisao.

Atualmente, os navios de guerra da MB estao providos de diversos equipamentos, de

sensores e de recursos associados tais como: radares que proveem distancia, rumo, veloci-

dade, angulo de azimute e de elevacao; Automatic Identification System (AIS) - Global

Positioning System (GPS) que proveem informacoes taticas do contato como posicao,

rumo e velocidade do contato; enlace automatico de dados (link); Identification Friend

or Foe (IFF); sonar; equipamentos de Guerra Eletronica (GE); e informacoes de imagens

oriundas de fontes eletro-oticas, infravermelho e satelites.

A filtragem dos dados consiste em um processo decisorio para a construcao do quadro

tatico marıtimo, na qual se decide quanto a redundancia e a importancia dos dados

existentes em cada camada de sensor, permitindo que se decida pelo seu uso ou por

seu descarte ou por sua integracao por meio das interacoes complementar e cooperativa

com outros dados (OLIVEIRA; BELDERRAIN, 2008). Essa etapa envolve o alinhamento dos

dados, consistindo na transformacao destes para uma referencia temporal comum, ou seja,

na orientacao dos dados para instantes iguais no tempo. Este procedimento possibilita

uma comparacao direta entre as observacoes dos multiplos sensores no processo de gating

e de associacao. A estimacao do vetor de estado que define a unificacao da posicao e da

identidade do contato de acordo com uma regra de decisao estabelecida.

O procedimento de apresentacao de cenarios e fundamental no auxılio a decisao, pois

permite visualizar claramente as informacoes filtradas, estimar a quantidade de contatos,

acompanhar o rastro dos contatos processados e observar as classificacoes disponıveis

destes. As informacoes provenientes da deteccao de um contato por meio de um unico

sensor, geralmente sao insuficientes para prover um quadro tatico marıtimo completo que

apresente o posicionamento e a identificacao das unidades amigas, neutras e inimigas,


plano de missao e informacoes de ambiente de fontes taticas e de inteligencia. Atualmente

na MB, esta visualizacao pode ser obtida por meio de recursos como o Ship Naviga-

tion and Plotting System - SNAPS das Fragatas Classe “Greenhalgh”, Consoles Taticos

(CONSTAT - vinculados ao Sistema de Controle Tatico MK II) das Fragatas Classe

“Niteroi”Modernizadas, Terminal Tatico Inteligente - TTI 2900, Sistema de Apoio Tatico

Simplificado (SIATS), Sistema de Analise de Exercıcios Taticos da Esquadra (SAETE) e

Sistema de Analise Grafica (SAG).

O procedimento de analise e avaliacao do cenario requer o exame da situacao para a

observacao dos contatos de classificacao desconhecida ou hostil e o exame das ameacas

de modo a subsidiar o controle dos sensores, a prontidao do armamento, a prioridade de

esclarecimento aereo e a identificacao dos contatos apresentados. Tal procedimento con-

siste em um outro processo decisorio, dependendo muito do nıvel de conhecimento e da

experiencia do profissional que atua nessa area. A avaliacao passa a ser crıtica em

ambientes marıtimos de trafego denso, considerando que os sistemas de visualizacao

supracitados carecem de metodos quantitativos, baseados nas heurısticas utilizadas pelos

operadores mais experientes, tradutores das informacoes disponibilizadas, nos procedi-

mentos anteriores e conjugadas com as regras de engajamento, de modo a subsidiar a

avaliacao e, consequentemente, apoiar a decisao de classificacao.

O procedimento de disseminacao das informacoes do contato depende do estabeleci-

mento de comunicacoes confiaveis e varia conforme o nıvel tatico, operacional e estrategico.

Uma vez cumpridos os procedimentos anteriores, torna-se necessario divulgar, para as de-

mais unidades que compoem o grupamento operativo ou para o Comando Operacional a

avaliacao obtida dos contatos analisados, por meio da classificacao e da priorizacao para

o devido esclarecimento. Esta disseminacao da informacao pode ser traduzida como um


processo decisorio que resultara, ou nao, na utilizacao do armamento embarcado no nıvel

tatico ou em subsıdios para o Comando e Controle (C2).

Em resumo, o processo de compilacao do quadro tatico e operacional de uma forca

naval visa a sistematizar os procedimentos necessarios para a construcao, a compreensao

e a analise do cenario a partir das informacoes disponibilizadas. Segundo (BLASCH et al.,

2006), o proposito deste processo e aprimorar a consciencia situacional e aperfeicoar o

processo decisorio.

3.3 Consciencia Situacional

Consciencia Situacional e a percepcao dos fatores, das relacoes entre entidades, das

condicionantes e da utilidade das informacoes coletadas que afetam a execucao da tarefa

durante um determinado perıodo de tempo, permitindo ou proporcionando ao decisor estar

ciente do que se passa ao seu redor (conhecimento sobre o ambiente, o oponente e as suas

proprias forcas) e assim ter condicoes de focar o pensamento a frente da situacao percebida

apoiado nas licoes do passado, na experiencia, no treinamento e na assessoria, adotando a

decisao a ser executada, coerente com os objetivos da sua missao. Resumindo, Consciencia

Situacional e o domınio das informacoes que influenciam no teatro de operacoes.

A Figura 3.2 apresenta um modelo dinamico proposto por (MILLER; SHATTUCK, 2006).

Este modelo descreve o processo cognitivo envolvido na construcao da consciencia situa-

cional considerando os papeis da tecnologia, dos seres humanos e da interacao entre eles

no processo pelo qual um operador obtem as informacoes necessarias para avaliar uma

situacao e realizar uma decisao.

O modelo contem uma serie de seis elementos ovais de variados tamanhos e tres lentes


FIGURA 3.2 – Modelo Dinamico para a Construcao da Consciencia Situacional. Fonte:(MILLER; SHATTUCK, 2006)

(Figura 3.2). Os tres elementos ovais no lado esquerdo do modelo (1, 2 e 3) represen-

tam o lado tecnologico do sistema enquanto os tres elementos ovais da direita (4, 5 e 6)

representam os processos cognitivos e perceptuais humanos. O elemento oval 1 representa

o cenario real contendo os dados das forcas inimigas, amigas e neutras, alem das infor-

macoes da regiao e do clima. O elemento oval 2 e um subconjunto do cenario real que

representa apenas os contatos detectados e as informacoes disponibilizadas pelo sistema

do sensor. O elemento oval 3 representa o subconjunto de informacoes que sao disponi-

bilizadas na tela do operador. Este elemento pode variar dependendo da configuracao

realizada pelo operador como descentralizacao da tela, escala, inclusao de aneis de distan-

cia etc. Os elementos ovais 4, 5 e 6 no lado direito do modelo representam a percepcao das

informacoes disponibilizadas, a compreensao da situacao corrente e a projecao individual

do evento corrente para o futuro, respectivamente. As lentes A, B e C representam a

influencia da situacao local, dos aspectos doutrinarios e aspectos cognitivos (experiencia,

treinamento) dos operadores, respectivamente.

A Figura 3.3 apresenta um modelo dinamico proposto pelo autor para descrever o

processo cognitivo envolvido na construcao da consciencia situacional considerando os


papeis da tecnologia, dos operadores dos sensores e da interacao entre eles no processo

pelo qual um decisor obtem as informacoes necessarias para avaliar uma situacao e realizar

uma decisao apoiado em sua experiencia, treinamento e conhecimento.

FIGURA 3.3 – Modelo para a Consciencia Situacional do Decisor.

A proposta deste estudo visa a aprimorar a visualizacao do cenario para o decisor

visando a aumentar a sua consciencia situacional. Este aumento ira facilitar e direcionar

o processo de tomada de decisao dentro do ciclo: Observar, Orientar, Decidir e Agir

(OODA). Consequentemente, o alto nıvel de consciencia situacional e ponto decisivo para

que o ciclo de Comando e Controle (C2) seja eficiente e eficaz.

A atividade de C2 naval busca reduzir os efeitos de dois fenomenos conhecidos como a

nevoa e a friccao da guerra. Entende-se por nevoa como a falta de consciencia situacional,

decorrente da impossibilidade de integrar o conhecimento e as informacoes disponıveis


para efetuar ajustes e correcoes de maneira a formar um quadro real. A nevoa esta

associada as incertezas ligadas ao que esta ocorrendo de fato. A friccao esta relacionada

com as intencoes transformadas em acoes do comandante e que sofrem interferencias nao

previstas, influindo nos resultados esperados. Tanto a nevoa como a friccao despertam

a atencao para aspectos como: nao cometer erros crassos; nao atingir as forcas amigas;

e obter a coesao, maxima efetividade e economia de forcas (ALBERTS; GARSTKA; STEIN,

1999).

Em resumo, o aprimoramento da consciencia situacional e o principal objetivo do

processo de compilacao do quadro tatico que, por sua vez, requer a tecnologia de fusao

de dados para integrar informacoes providas por multiplos sensores.

3.4 Arquitetura para o Processo de Fusao

A arquitetura basica para o processo de fusao centralizada de dados provenientes de

multiplos sensores e apresentada na Fig.3.4. Os rastros dos objetos monitorados por cada

FIGURA 3.4 – Arquitetura Funcional de um Sistema de Fusao de Multiplos Sensores.

sensor sao capturados no bloco de armazenamento. Estes rastros sao alinhados no tempo


e no espaco. Uma vez associados ao mesmo objeto sao fusionados de modo a prover as

informacoes de localizacao, de classificacao e de identificacao do referido objeto.

A FIG. 3.5, adaptado de (LUO; KAY, 1989), apresenta genericamente um sistema de

fusao e integracao de dados considerando o estabelecimento de uma hierarquia entre os

sensores. As linhas tracejadas representam as influencias do sistema em cada um dos nos,

onde sao realizados os processos de fusao.

FIGURA 3.5 – Representacao Generica de um Sistema de Fusao e Integracao de Dados.Fonte: Adaptado de (LUO; KAY, 1989).

Na situacao ilustrada, os sensores foram ordenados de A a N em funcao do erro de

predicao de cada sensor. Portanto, os rastros dos contatos observados pelo sensor A

prevalecem aos rastros provenientes do sensor B. Os rastros da resultante F(AB) do pro-

cesso de associacao de A com B prevalecem aos rastros provenientes do sensor C e, assim,

sucessivamente. No final, a resultante F(ABC...N) apresenta a estimacao da posicao e da

classificacao de todos os objetos acompanhados do ambiente monitorado. O sistema de

fusao e formado pelos processos de registro, de alinhamento dos dados, de gating para


a associacao e de estimacao do vetor de estado. O registro, ou banco de dados associ-

ado, permite que o sistema guarde a informacao do contato previamente adquirida por

determinado sensor, possibilitando que o processo de decisao utilize tal informacao.

O processo de alinhamento dos dados se torna necessario a fim de que as informacoes

de cada sensor sejam traduzidas e convertidas por meio dos respectivos protocolos para

metricas comuns e alinhadas de acordo com a definicao da janela de tempo dos dados

a serem considerados. A definicao da janela de tempo aplicada ao banco de dados de

acompanhamento depende da taxa de atualizacao dos dados dos sensores e da mudanca

relativa da posicao do contato entre as atualizacoes. Como a velocidade das plataformas

marıtimas sao baixas (valor modal de 9 nos), pode-se afirmar que se for utilizada uma

taxa de 1 minuto praticamente nao havera mudancas na posicao das unidades moveis.

Este procedimento permite realizar uma comparacao direta entre os dados de cada sensor

para o processo de gating e de associacao no espaco.

O bloco de gating visa a eliminar a comparacao par a par de observacoes inapropriadas,

criando uma janela em torno das variaveis de posicao do objeto a ser comparado. A

resultante do teste de gating classifica um acompanhamento de um sensor em uma de

duas categorias (BLACKMAN, 1986).

• Candidato a se associar a um objeto ja acompanhado.

• Observacao inicial de um novo objeto.

A literatura (BLACKMAN, 1986; BAR-SHALOM; BLAIR, 2000; BROOKNER, 1998)

descreve diversas tecnicas de gating ( retangulares, eliptıcas etc). Neste estudo foi uti-

lizada a tecnica mais simples que consiste na criacao de uma janela retangular em torno

das variaveis de posicao reportadas do objeto a ser comparado. Assim, utilizando a


descricao dos sensores da Figura 3.5, e possıvel definir uma matriz global que represente

os acompanhamentos do sensor B que estejam dentro da janela de cada acompanhamento

do sensor A. O valor 1 nesta matriz indica que ha um objeto fısico de B candidato a

associar-se com o objeto observado pelo sensor A. Esta janela e definida a partir da

seguinte relacao: ∣∣∣∣ V Ai − V Bj

∣∣∣∣ = erro ≤ Filtro (3.1)

onde, V Ai e V Bj representam as dimensoes de posicao das observacoes Ai e Bj, respec-

tivamente. O Filtro representa uma constante pre-determinada, definida geralmente a

partir do desvio padrao residual do erro de predicao de cada sensor.

A associacao consiste em aplicar o algoritmo responsavel por verificar se os dados

de acompanhamento de um contato obtidos por um sensor sao compatıveis com as ob-

servacoes obtidas por outros sensores. Esta associacao e obtida definindo medidas de

similaridade que quantifica a proximidade dos contatos obtidos por diferentes sensores

levando em consideracao a resolucao de cada sensor.

Depois de efetuada a associacao parametrica dos contatos e observada a necessidade

de fusao dos atributos dos contatos. As tecnicas de estimacao irao determinar o vetor de

estado que melhor defina a posicao e a identidade do contato observado.

A estimacao do vetor de estado pode ser dividido em dois segmentos: vetor de estado

de posicao e vetor de estado de classificacao e estimacao da identidade do contato.

A equacao 3.2 foi apresentada por (BYUN et al., 2004) para a fusao de rastros de dois

sensores assumindo que os erros dos estimadores de estado de cada sensor sao indepen-

dentes.

x = P j(P i + P j)−1xi + P i(P i + P j)−1xj (3.2)


onde, xi e xj representam a estimacao de estado a partir dos sensores i e j, respectiva-

mente. P i e P j sao suas matrizes de covariancia. Portanto, a equacao 3.2 descreve um

vetor de estado de posicao baseado na combinacao convexa de duas posicoes estimadas

ao nıvel dos sensores.

Neste trabalho, considera-se que os erros de predicao de cada sensor sao conhecidos

(fase de alinhamento dos sensores de bordo). Neste contexto, as observacoes do sensor

de menor erro de predicao serao escolhidas para a estimacao do vetor final de posicao.

A vantagem deste procedimento de estimacao e de que nenhuma composicao de dados e

realizada, reduzindo, assim, o tempo de processamento.

O vetor de estado de classificacao e de estimacao da identidade do contato envolve

o conceito de fusao de declaracao de identidade. Este conceito, ilustrado nas Figuras

3.6 e 3.7, visa a transformar os atributos observados de um mesmo contato por multi-

plos sensores em um rotulo ou marca de acompanhamento que descreva ou nomeie a

classificacao e a identificacao daquele contato. No contexto deste estudo, os atributos

representam os dados que podem ser uteis no processo de classificacao e de identificacao

do contato. Por exemplo, os seres humanos podem reconhecer seus pares por meio de

um processo de abstracao, que podem evidenciar atributos distintos como movimentos

caracterısticos (visao), tonalidade da voz (audicao), caracterısticas faciais (tato e visao)

etc. A composicao destes atributos distintos corrobora para a identificacao do indivıduo.

A Figura 3.6, adaptada de (HALL; MCMULLEN, 2004), ilustra como o atributo yi

pode ser extraıdo de um sinal acustico coletado por um sensor e transformado em uma

declaracao de classificacao e identidade do contato usando tecnicas de reconhecimento

de padroes tais como analise de conglomerados, redes neurais ou tecnicas baseadas no

conhecimento. Estas tecnicas necessitam de duas fases: a fase de treinamento e a fase de


classificacao propriamente dita.

FIGURA 3.6 – Declaracao de Identidade por um Sensor. Fonte: Adaptado de (HALL;MCMULLEN, 2004).

A Figura 3.7, adaptada de (HALL; MCMULLEN, 2004) ilustra o conceito de fusao de

declaracoes de classificacao e de identidade. As tecnicas que possibilitam a fusao incluem

metodos de votacao, inferencia Bayesiana, metodo de Dempster-Shaffer, etc. Na pratica, a

fusao de posicao e a fusao das declaracoes de identidade podem ocorrer simultaneamente.

Obviamente, a forma de compor esta fusao depende do tipo dos sensores envolvidos no

processo.

FIGURA 3.7 – Composicao das Declaracoes de Identidade. Fonte: Adaptado de (HALL;MCMULLEN, 2004).

A Figura 3.8 ilustra uma estrutura de inferencia generica, onde a base e o topo

representam, respectivamente, a entrada e a saıda da estrutura. Considerando o processo

de inferencia no cenario marıtimo, os dados de entrada no nıvel 0 seriam os atributos

dos diversos contatos Xi observados pelos sensores. No nıvel 1, as funcoes discriminantes


Gc(X) seriam os diversos aspectos a serem analisados dos atributos de cada contato para

a classificacao ou priorizacao de acao a ser executada no nıvel 2.

FIGURA 3.8 – Estrutura de Inferencia Generica.

Conceitualmente, a fusao das declaracoes de identidade poderia ser realizada da mesma

forma que a fusao de posicao. Contudo, existem algumas dificuldades neste processo, tais

como: a) os modelos fısicos para a declaracao de identidade, de uma forma geral, nao

existem ou sao muito difıceis de serem desenvolvidos (ex: modelar o retorno da secao reta

radar de um navio versus angulo de aspecto do mesmo); b) a identidade possui um aspecto

hierarquico. Assim, em um nıvel de inferencia baixo, os objetos a serem identificados

podem incluir emissores individuais (RADAR, radios etc), ou entidades fısicas (motor,

engrenagem redutora ou numero de pas de helice). Em um nıvel de inferencia alto,

a identidade de uma forca naval pode ser declarada, embora esta identificacao nao se

estenda a cada navio componente.

Em face destas dificuldades, sistemas baseados em conhecimento sao utilizados para

processar as observacoes dos sensores, considerando uma base de regras construıda a

priori de modo a possibilitar a declaracao da classificacao e de identidade de um contato.

Diversas estruturas podem ser empregadas visando a alcancar uma conclusao valida de

classificacao, tais como logica booleana, arvore de decisao, tabela de decisao, logica fuzzy

etc. A Figura 3.9 ilustra o conceito de declaracao de identidade baseado em conhecimento.


FIGURA 3.9 – Conceito de Declaracao de Identidade baseado em conhecimento. Fonte:Adaptado de (HALL; MCMULLEN, 2004).

No estudo de simulacao de compilacao cognitiva de quadro tatico,(HEUVELINK; BOTH,

2007) elucidaram algumas das heurısticas dos especialistas que facilitam a declaracao de

classificacao e de identidade dos contatos na compilacao do quadro tatico marıtimo. Estas

heurısticas foram transformadas nas seguintes tarefas a serem cumpridas pelo decisor:

a) observar comportamentos que definam a classificacao do contato (ex: velocidade do

contato e se o contato abriu fogo); b) relacionar a observacao do comportamento com as

informacoes do setor de inteligencia e do ambiente (ex: rumo e velocidade condizentes com

a rota de navegacao daquele trecho, distancia e setor da deteccao do contato coerentes

com o tamanho e direcao da ameaca esperada, e expectativa de rumo e velocidade do

trafego mercante informada pelo setor de inteligencia; c) observar todos os atributos no

tempo (ex: padrao de navegacao e variacao de velocidade); e d) verificar se as informacoes

coletadas sao suficientes para identificar um contato como inimigo. Alem disso, selecionar

a melhor acao (ex: priorizar o esclarecimento aereo para reduzir a incerteza de ameaca ao

maximo).

Na MB, tarefas semelhantes sao enunciadas nas regras pre-planejadas (PREPLAN) e


nas regras de engajamento inseridas em algumas diretivas. Estas regras sao elaboradas

para facilitar o processo decisorio em todos os nıveis, do comandante do navio ao vigia, de

modo que, para cada possıvel situacao especıfica, haja um procedimento claro e simples

que possa ser adotado. Alem disso, estas regras visam a harmonizar as acoes com os

objetivos polıticos e militares da missao.

3.5 Conclusoes

Em uma primeira etapa, a fusao de dados visa a associar as informacoes competi-

tivas provenientes de multiplos sensores, minimizando o numero de acompanhamentos

de contatos redundantes a ser visualizado pelo decisor. Posteriormente, essa fusao per-

mite realizar as interacoes complementares e cooperativas dos dados de modo a obter

inferencias que seriam praticamente impossıveis analisando isoladamente as camadas de

informacoes de cada sensor. Por meio do alinhamento dos dados dos sensores e da asso-

ciacao parametrica, utilizando medidas de similaridade e de comparacoes, a fusao e, ou

nao, efetuada para prover uma estimativa do vetor de estado do contato.

O conceito de fusao das declaracoes de identidade e fundamental para a avaliacao tatica

de uma forca naval. Entretanto, em virtude de dificuldades na modelagem dos modelos

fısicos para o processo de declaracao de identidade, observa-se uma tendencia na utilizacao

de sistemas baseados em conhecimento. As PREPLAN e as regras de engajamento da

MB constituem uma base de regras que podem ser utilizadas como subsıdios para a

implementacao de um sistema especialista de apoio a classificacao e a identificacao de

contatos. Neste contexto no capıtulo 6 sera apresentada a extensao fuzzy da tabela de

decisao como ferramenta de estruturacao logica do conhecimento. O proximo capıtulo


aborda os diversos modelos propostos na literatura para o processo de fusao de dados

e apresenta o modelo proposto pelo autor considerando as especificidades e os aspectos

intrınsecos ao processo enraizados na metodologia de compilacao do quadro marıtimo na

MB.

4 Modelo Proposto


Varios modelos para combinar as informacoes de multiplas fontes foram propostos na

literatura, tais como: o ciclo de inteligencia; o modelo Joint Directors of Laboratories

(JDL), o ciclo de controle de Boyd, tambem denominado de ciclo OODA - Observar,

Orientar, Decidir e Atuar; o modelo de Waterfall ; o modelo Dasarathy; o modelo de

Omnibus e o ciclo OODA estendido. Alem destes, no trabalho (GAD; FAROOQ, 2002), os

autores propuseram um modelo hıbrido para o acompanhamento de contatos na

vigilancia marıtima. De modo geral, estes modelos foram criados para reger um processo

decisorio formal visando a obtencao de uma decisao otimizada em relacao ao conhecimento

disponıvel, consistente com os objetivos e criterios adotados (MIRZA, 2006). Os modelos

estao descritos a seguir:

1. O ciclo de inteligencia: este processo compreende as fases de coleta, de filtragem,

de avaliacao e de disseminacao. Na fase de coleta sao obtidos os relatorios de in-

teligencia na forma de informacao dos sensores ou descricao humana. Na fase de

filtragem, ha um processo decisorio a fim de definir o grau de correlacao entre os

dados contidos nos relatorios de inteligencia coletados. Na fase de avaliacao, ocorre

CAPITULO 4. MODELO PROPOSTO 63

outro processo decisorio no qual os dados sao analisados e integrados de modo a

obter alguma inferencia que possibilite a classificacao. Na fase de disseminacao,

a informacao de classificacao gerada e distribuıda de modo que se possa efetuar a

decisao requerida de esclarecer, engajar ou apenas manter o acompanhamento do

contato. Percebe-se que as etapas deste modelo sao similares as etapas do processo

de compilacao do quadro tatico.

2. O modelo JDL: este modelo foi proposto em 1985 pelo “US Joint Directors of Labo-

ratories Data Fusion Sub-Group”. O processo consiste de cinco nıveis. O nıvel 0 esta

asssociado as atividades de pre-deteccao como o processamento de sinais e o registro

de tempo. No nıvel 1, o interesse reside na estimativa e predicao da localizacao do

contato, do seu comportamento e da sua identidade. O nıvel 2 esta associado ao

exame da situacao, no qual se investiga a relacao entre as entidades como a estrutura

da forca e as atividades de comunicacao. O nıvel 3 efetua o delineamento de um

conjunto de possıveis acoes potenciais e os efeitos na situacao corrente. O nıvel 4

e um elemento do gerenciamento do processo utilizado para decidir sobre as acoes

subsequentes visando a alcancar o objetivo da missao.

3. O ciclo de controle de Boyd (BOYD, 1987): o ciclo OODA e dividido em quatro

fases. A fase de observacao e comparavel ao nıvel 0 do modelo JDL e parte da fase

de coleta do ciclo de inteligencia. A fase de orientacao inclui as funcoes dos nıveis 1,

2 e 3 do modelo JDL. Tambem inclui os elementos estruturados das fases de coleta

e filtragem do ciclo de inteligencia. A fase de decisao inclui a funcao do nıvel 4

do modelo JDL e a atividade de disseminacao do ciclo de inteligencia. A fase de

atuacao do ciclo OODA nao possui uma analogia direta com o modelo JDL. O ciclo

de Boyd introduziu a nocao de iteracao e de realimentacao do ciclo para o mundo


real com os efeitos da decisao.

4. O modelo Waterfall (BEDWORTH, 1994): o modelo Waterfall tem como foco

descrever, com mais detalhes, as funcoes realizadas nos primeiros nıveis do

modelo JDL. O nıvel de coleta e processamento de sinais deste modelo corresponde

ao nıvel 0 do modelo JDL. O nıvel de extracao e processamento de padroes esta

associado ao nıvel 1 do modelo JDL. O nıvel de descricao da situacao equivale ao

nıvel 2 do modelo JDL. O nıvel de decisao corresponde ao nıvel 3 do modelo JDL.

A maior limitacao deste modelo e que o processo de realimentacao nao e explıcito.

5. O modelo de Dasarathy (DASARATHY, 1997): este modelo realiza uma iteracao

dos cinco nıveis do modelo JDL com um paradigma de input-output. Possibilita,

dessa forma, observar as entradas e inferir as saıdas considerando o processamento

de cada nıvel. Os tres principais nıveis de abstracao durante o processo de fusao:

dados (mais especificamente dados de sensores), caracterısticas (informacoes de nıvel

intermediario) e decisao baseado em valores.

6. O modelo Omnibus (BEDWORTH; O’BRIEN, 2000): este modelo capitaliza as vanta-

gens dos modelos anteriores, unificando-os em um grafico do ciclo de decisao iterativo

(FIG.4.1).

No modelo Omnibus, a realimentacao e explıcita e o conceito de ciclo dentro de

ciclo e introduzido. A natureza cıclica do processo de fusao de dados e feita ex-

plıcita guardando a estrutura geral do ciclo de Boyd. A fidelidade da representacao

expressada pelo modelo Waterfall e entao facilmente incorporada em cada uma das

quatro atividades do processo.

7. O modelo OODA estendido: este modelo prove um mecanismo para processos de


FIGURA 4.1 – Modelo Omnibus - Fonte: (BEDWORTH; O’BRIEN, 2000)

fusao de multiplos dados concorrentes e potencialmente inter-relacionados. O pro-

cesso e decomposto em um conjunto de N funcoes de alto nıvel. Estas funcoes sao

examinadas em termos das fases de observacao, orientacao, decisao e atuacao que

constituem o modelo OODA. Cada funcao pode ser posteriormente decomposta e

avaliada considerando cada fase OODA. O modelo OODA estendido e consistente

com o modelo OODA em alto nıvel haja vista que fecha o ciclo entre o processo de

decisao e o ambiente de incerteza. Este modelo tambem e consistente com o elevado

grau de abstracao no processo de informacao em cada nıvel do modelo JDL. Este

modelo prove a capacidade de ciclo dentro de ciclo do modelo Omnibus.

8. O modelo hıbrido para o acompanhamento de contatos na vigilancia marıtima pro-

posta por (GAD; FAROOQ, 2002) pressupoe a combinacao das vantagens da ordenacao

dos dados apresentados no modelo JDL, da definicao da etapa de “atuar” do ciclo

OODA, da representacao do ciclo dentro de ciclo do modelo Omnibus, e finalmente

da decomposicao em N nıveis do ciclo OODA estendido (FIG. 4.2).


FIGURA 4.2 – Arquitetura Proposta por (GAD; FAROOQ, 2002)

4.2 Modelo Proposto

O modelo proposto nesta tese tem como objetivo reger o processo decisorio para a

construcao de um quadro tatico marıtimo a partir de dados provenientes de multiplas

fontes em um cenario com multiplos contatos. Para isso, adaptou-se a piramide apresen-

tada no processo de compilacao do quadro tatico marıtimo ao modelo hıbrido proposto

por (GAD; FAROOQ, 2002), conforme a FIG. 4.3. Assim, puderam ser mantidas as mesmas

relacoes observadas e enraizadas da metodologia de compilacao do quadro tatico marıtimo

considerando os aspectos intrınsecos ao processo. A etapa de coleta de dados da piramide

corresponde a fase de observacao do modelo. A etapa de filtragem dos dados corresponde

a fase de orientacao. As etapas de apresentacao do cenario e avaliacao correspondem a

fase de decisao do modelo e a etapa de disseminacao da informacao corresponde a fase de

atuacao.


FIGURA 4.3 – Modelo Proposto

A contribuicao do modelo apresentado consiste na identificacao de aspectos cognitivos

desde a fase de observacao ate a fase de atuacao do ciclo. Os aspectos cognitivos dependem

da conjuncao de doutrinas, regras e procedimentos aplicaveis aos sistemas existentes;

das experiencias, treinamentos e habilidades que constituem os valores individuais dos

operadores dos sensores e dos proprios decisores em determinados cenarios; e os criterios

e objetivos considerados na definicao de determinada missao. Observa-se que a fase de

observacao e uma etapa importante para o processo decisorio, pois prove a informacao, a

partir dos dados obtidos pelos sensores ativos e passivos empregados, para as demais fases

do ciclo. A decisao quanto ao modo de utilizacao dos sensores ativos por uma Forca Naval

depende da missao e podera definir o sucesso ou fracasso de uma operacao naval. A partir

do modelo proposto foi possıvel observar a complexidade das decisoes envolvidas no topo

da piramide e as dependencias das problematicas existentes em cada fase do processo,

considerando os aspectos cognitivos envolvidos.

A compilacao de um quadro tatico confiavel requer a tecnologia de fusao de dados


para combinar e inferir sobre as informacoes recebidas de multiplas fontes. Dessa forma, a

implementacao do modelo proposto considerou as tecnicas de logica nebulosa e de sistemas

especialistas baseados em conhecimento para atender o nıvel de inferencia pretendido neste

trabalho. A FIG. 4.4 ilustra uma hierarquia das tecnicas aplicaveis ao processo de fusao

existentes na literatura.

FIGURA 4.4 – Hierarquia de Tecnicas de Fusao. Fonte: (HALL; MCMULLEN, 2004)

4.3 Conclusoes

A relevancia do modelo proposto consiste na manutencao das relacoes observadas e

enraizadas da metodologia de compilacao do quadro tatico marıtimo. A complexidade

para a implementacao do modelo apresentado consiste na identificacao, adequacao e sis-

tematizacao dos aspectos cognitivos de cada fase do processo.

A implementacao do modelo de apoio a decisao proposto para o processo de fusao de

dados foi estruturada em duas partes. A primeira parte, a ser apresentada no capıtulo

5, consiste na proposicao de uma abordagem, baseada no processo decisorio em ambiente


nebuloso, para o problema de associacao de dados. Esta abordagem conjuga os procedi-

mentos necessarios para organizar e avaliar uma quantidade grande de dados provenientes

de multiplas fontes de um navio por meio da aplicacao da tecnica de gating e da logica

fuzzy (decisao nebulosa), como um procedimento de filtragem, e como tecnica para a as-

sociacao dos dados, respectivamente. Os objetivos desta parte sao minimizar os dados

redundantes e otimizar o processamento dos dados quantitativos ou qualitativos para a

visualizacao do cenario.

A segunda parte, a ser apresentada no capıtulo 6, propoe o emprego das Tabelas de

Decisao Fuzzy (TDF) como uma estrutura para a construcao das regras de um sistema

especialista a base de conhecimento para apoiar a classificacao e identificacao de alvos

de superfıcie, de modo a aprimorar a consciencia situacional nas fases de decisao e de

atuacao do modelo de apoio a decisao. Esta abordagem agrega as heurısticas empregadas

pelos operadores mais experientes, as PREPLAN e as Regras de engajamento e visa a

otimizar a compilacao do quadro tatico marıtimo com a atribuicao do grau de confianca na

declaracao de classificacao e de identificacao do contato. Alem disso, permite minimizar

o tempo necessario para subsidiar ou apoiar a decisao quanto a indicacao e a priorizacao

para o esclarecimento por aeronave ou por navio.

A aplicacao da logica nebulosa e de sistemas especialistas baseados em conhecimento

como tecnicas do processo de fusao e adequado tanto para as pretensoes deste estudo

quanto para manusear informacoes qualitativas em trabalhos futuros.

5 Proposta para a Associacao de

Dados


Na literatura ha duas abordagens tradicionais para a associacao de dados: a) a de-

terminıstica; e b) a probabilıstica. As abordagens determinısticas podem ser represen-

tadas pelo filtro Nearest-Neighbor (NN) e pelo Global Nearest-Neighbor (GNN) (RONG;

BAR-SHALON, 1996). Estes metodos buscam associar o dado de acompanhamento de um

contato obtido por um sensor a observacao mais proxima obtida por um outro sensor, se-

gundo um criterio de distancia, dentre as observacoes associaveis aquele acompanhamento

identificadas pelo processo de gating. Cabe ressaltar que possıveis associacoes erradas sao

irreversıveis, isto e, nao podem ser desfeitas em iteracoes futuras do metodo.

As abordagens probabilısticas podem ser representadas pelo Multiple Hypothesis

Tracking (MHT) e pelo Joint Probabilistic Data Association (JPDA). O metodo JPDA

tenta minimizar o efeito de possıveis associacoes erradas do GNN utilizando nao uma, mas

a combinacao das observacoes associaveis, identificadas no processo de gating, a um deter-

minado acompanhamento para atualizar a estimativa do estado futuro. O MHT posterga

CAPITULO 5. PROPOSTA PARA A ASSOCIACAO DE DADOS 71

a solucao do problema de associacao ate que sejam coletadas observacoes suficientes para

se precisar com mais confianca quais associacoes sao plausıveis e, portanto, nao esta-

belece associacoes definitivas. Essa caracterıstica e justamente aquela que o diferencia

radicalmente dos demais metodos.

Contudo, os metodos de associacao de dados tradicionais somente admitem infor-

macoes quantitativas tais como posicao, velocidade, aceleracao, azimute, distancia etc.

Quando utilizamos um sensor infravermelho com o proposito de rastreio, um alvo de in-

teresse aparece mais brilhante que o ambiente ao redor. A area e o brilho do contato

sao observados como informacoes qualitativas que nao podem ser codificados para uma

abordagem estritamente determinıstica ou probabilıstica. Como resultado, as informacoes

quantitativas sao incorporadas aos algoritmos tradicionais de fusao de dados, enquanto

informacoes qualitativas estao sendo excluıdas.

Neste contexto, alguns trabalhos na literatura (CHEN, 2006) e (HUGOT; VANDER-

POOTEN; VANPEPERSTRAETE, 2006) aplicam a abordagem fuzzy e a abordagem de multi-

plos criterios, respectivamente, em algoritmo de associacao, fazendo uso de informacoes

quantitativas e qualitativas, para aprimorar a acuracia do rastreio e obter resultados mais

confiaveis.

As principais vantagens da logica fuzzy sobre os metodos tradicionais de associacao de

dados sao: a) a possibilidade de incorporar tanto informacoes quantitativas quanto infor-

macoes qualitativas no algoritmo empregado; b) robustez ao lidar com dados imprecisos;

e c) facilidade de implementacao.

Neste capıtulo e apresentada a proposicao de uma abordagem fuzzy, baseada no pro-

cesso decisorio em ambiente nebuloso, para o problema de associacao de dados de modo a

sistematizar as fases de observacao e de orientacao do modelo de apoio a decisao proposto


na secao 4.2 para reger o processo de construcao do quadro tatico marıtimo, conforme

ilustrado na Fig.5.1. Esta abordagem conjuga os procedimentos necessarios para organizar

FIGURA 5.1 – Modelo Proposto

e avaliar uma quantidade grande de dados provenientes de multiplas fontes por meio da

aplicacao da tecnica de gating e da logica fuzzy (decisao em ambiente nebuloso), como um

procedimento de filtragem, e como tecnica para a associacao dos dados, respectivamente.

Os objetivos desta parte sao explorar os dados redundantes e otimizar o processamento

dos dados para a visualizacao do cenario.

5.2 Decisao em Ambiente Nebuloso

A maioria das decisoes realizadas no mundo real e tomada em ambientes nos quais

os objetivos, as restricoes e as consequencias das possıveis acoes nao sao conhecidos com

precisao. Neste contexto, (BELLMAN; ZADEH, 1970) sugeriram uma estrutura conceitual

de decisao em ambiente nebuloso na qual os objetivos e restricoes sao representados por

conjuntos nebulosos. Da mesma forma, a decisao, que deve satisfazer simultaneamente

os objetivos e as restricoes, e tambem um conjunto nebuloso. Portanto, se o objetivo e


a restricao forem representados por conjuntos nebulosos G e C, respectivamente, entao a

decisao D e formada pela conjuncao de G e C:

D = G ∩ C (5.1)

Generalizando um problema com n objetivos e m restricoes, entao a decisao resultante

e a interseccao destes objetivos e destas restricoes:

D = G1 ∩G2 ∩ · · · ∩Gn ∩ C1 ∩ C2 ∩ · · · ∩ Cm (5.2)

Assim, µD = µG1 ∩ µG2 ∩ · · · ∩ µGn ∩ µC1 ∩ µC2 ∩ · · · ∩ µCm , onde µD, µG1 , µG2 ,· · ·, µGn ,

µC1 , µC2 ,· · ·, µCm sao valores de pertinencia entre 0 e 1.

Na definicao de decisao como uma interseccao de objetivos e restricoes se assume que

todos os objetivos e restricoes possuem a mesma importancia para o processo decisorio.

Esta definicao reflete a traducao do conectivo“and”. Se esta interpretacao for considerada

nebulosa de modo a se conotar uma confluencia de objetivos e restricoes, entao e possıvel

considerar outras conjuncoes como o produto algebrico, soma algebrica etc. Existem

algumas situacoes em que algumas restricoes ou objetivos venham a ter mais importancia

que as demais. Nestes casos, D pode ser expresso como a combinacao convexa de objetivos

e restricoes, com os coeficientes de pesos α e β refletindo a relativa importancia dos termos

constituintes (BELLMAN; ZADEH, 1970). Pode-se, entao, expressar µD como:

µD =n∑

i=1

αi µGi+

m∑j=1

βj µCj(5.3)

onde,∑n

i=1 αi +∑m

j=1 βj ≡ 1.


No cenario marıtimo, os objetos fısicos navegando em baixa velocidade ou realizando

guinadas normalmente geram significativas variacoes de rumo e velocidade no rastreio

pelos sensores. Alem disso, na associacao de um objeto monitorado pelo Radar com a

informacao da posicao de uma plataforma disseminada pelo setor de inteligencia, as di-

mensoes de posicao, coordenadas de grade do objeto, terao importancia relativa maior que

os vetores de rumo e velocidade daquele objeto informados pelo Radar. Nestas situacoes,

a equacao 5.3 e muito util de modo a reduzir a importancia relativa destas restricoes.

5.3 Abordagem Proposta

A abordagem proposta visa a reduzir a complexidade computacional no processo de

associacao dos dados por meio da conjuncao da tecnica de formacao de janelas retangu-

lares (gating) e da tecnica de estruturacao conceitual de decisao em ambientes nebulosos,

sugerida por (BELLMAN; ZADEH, 1970).

Na representacao generica do processo de fusao e integracao de dados descrita na

Figura 3.5, o ambiente esta sendo monitorado pelos sensores A, B, C, . . . , N que detectam

k, l,. . . ,z contatos, respectivamente.

O problema de decisao consiste em determinar quais observacoes obtidas por multi-

plas fontes se referem ao mesmo objeto fısico. Inicialmente, deseja-se determinar quais

observacoes bj (j = 1, 2, . . . , l) do sensor B devem ser associadas com os objetos fısicos

ai (i = 1, 2, . . . , k) monitorados pelo sensor A de modo a formar a resultante f(ab)u

(u = 1, 2, . . . , r) da matriz F(AB), onde k ≤ r ≤ k + l.

Em seguida, determinar quais observacoes cj (j = 1, 2, . . . ,m) monitorados pelo sen-

sor C devem ser associadas a cada objeto f(ab)u (u = 1, 2, ..., r) da matriz resultante


F(AB). O resultado da associacao de dados de f(ab)u e cj e a formacao de f(abc)i

(i = 1, 2, . . . , s) da matriz F(ABC), onde r ≤ s ≤ r + m. O processo continuaria ate

que todos os dados dos N sensores fossem associados formando a matriz F(ABC...N).

Para exemplificar o problema de decisao, considere o cenario ilustrado na Figura 5.2

com sete objetos fısicos sendo monitorados pelos sensores A e B de um navio, no instante

ti. A camada de informacao produzida por meio da varredura de cada sensor constitui o

grau de percepcao do ambiente monitorado pelos sensores. Observa-se que ha redundancia

de informacoes de alguns objetos e que existem contatos so observaveis por um determi-

nado sensor. Na situacao ilustrada, o objeto fısico 1 e monitorado apenas pelo sensor

B e o objeto fısico 6 e monitorado apenas pelo sensor A. Os sensores A e B possuem

determinado grau de incerteza referente as informacoes de posicao dos seus contatos que

sao representados por elipses. A resultante do processo de fusao de dados considerando

as camadas de informacoes produzidas por meio da varredura de cada sensor e mostrada

na parte direita da Figura 5.2, denominada de Estado Ti. Torna-se possıvel, entao, a

visualizacao de todos os objetos em uma unica camada de informacao.

FIGURA 5.2 – Contatos dos Sensores por Camadas.

O problema de decisao consiste em determinar quais observacoes bj (j = 1, 2, . . . , 6)

do sensor B devem ser associados com as observacoes ai (i = 1, 2, . . . , 6) monitoradas

pelo sensor A, de modo a formar a resultante f(ab)u (u = 1, 2, . . . , r) da matriz F(AB),


onde 6 ≤ r ≤ 12. Assim, inicialmente define-se f(ab)i = ai (i = 1, 2, . . . , 6), ou seja as

observacoes da matriz F(AB) sao as observacoes do sensor A.

As observacoes ai e bj representam vetores com p dimensoes, de modo que:

ai = [ai1, ai2, . . . , aip] (5.4)

bj = [bj1, bj2, . . . , bjp] (5.5)

No escopo deste estudo, as informacoes quantitativas de coordenadas de grade em

abscissa e ordenada (x, y), rumo e velocidade foram as quatro dimensoes consideradas na

etapa de associacao dos dados de um mesmo objeto fısico. Assim, considerando p = 4 os

vetores ai e bj sao:

ai = [ai1, ai2, ai3, ai4] (5.6)

bj = [bj1, bj2, bj3, bj4] (5.7)

onde, os elementos 1, 2, 3 e 4 dos vetores representam os valores da coordenada x, os

valores da coordenada y, os valores de rumo r e os valores de velocidade v das obser-

vacoes ai e bj, respectivamente. Assim, os elementos ai1 e bj1 representam os valores da

coordenada x das observacoes ai e bj e assim sucessivamente.

De modo a eliminar a comparacao par a par das observacoes bj (j = 1, 2, . . . , 6) do

sensor B inapropriadas com uma determinada observacao ai (i = 1, 2, ..., 6) do sensor

A, a tecnica de gating descrita na secao 3.4 e aplicada criando uma janela retangular

em torno das variaveis de posicao reportadas de cada observacao ai (ai1 e ai2) de modo a

identificar as observacoes bj que estejam dentro da janela. Assim, e possıvel construir uma

matriz global (5.8) que represente as observacoes bj que estejam dentro da janela de cada


observacao ai. O valor 1 na matriz indica que a observacao bj e candidata a se associar

com o objeto observado ai. Neste exemplo, o valor da janela retangular considerado foi

de 200 unidade metricas visando a atender ao valor maximo de desvio padrao do erro de

predicao dos sensores.

b1 b2 b3 b4 b5 b6

a1 0 0 1 0 0 0

a2 0 0 0 0 0 0

a3 0 0 0 1 0 0

a4 0 1 0 0 1 0

a5 0 0 0 0 0 1

a6 0 1 0 0 1 0

(5.8)

Como A representa o conjunto de observacoes ai e B representa o conjunto das ob-

servacoes bj, pode-se considerar a matriz global 5.8 como um produto cartesiano, onde

a relacao R e definida como A × B. Assim, como em qualquer conjunto fuzzy discreto,

pode-se listar os pares explicitamente:

R =∑

(ai,bj)∈A×B

µR(ai, bj)/(ai, bj) (5.9)

onde, µR(ai, bj) = 0, 1 e cada par (ai, bj) pertence ao produto cartesiano A×B.

Analisando a matriz global, pode-se inferir que os objetos fısicos b1 e a2 nao possuem

candidatos para associacao, pois suas respectivas colunas e linhas estao zeradas. Portanto,

os objetos fısicos b1 e a2 nao possuem informacoes redundantes, sendo monitorados apenas

por um dos sensores. No caso de coluna zerada, inclui-se o objeto bj na matriz F (AB),

acrescentando-se mais uma linha no final desta matriz com os dados daquele objeto.


Observa-se que mesmo apos a aplicacao da tecnica de janela retangular existem duas

observacoes bj (b2 e b5) que sao candidatas para a associacao com a observacao a4, con-

forme ilustrado na Fig. 5.3.

FIGURA 5.3 – Gating Retangular.

Uma vez construıda a matriz global, torna-se necessario decidir quanto a associacao

ou nao das observacoes candidatas bj com as observacoes ai sinalizadas com o valor 1

na matriz global. Ha situacoes em que mais de uma observacao bj pertencem a janela

construıda em torno de determinada observacao ai e casos em que a observacao bj pertence

as janelas de mais de uma observacao ai.

A estrutura conceitual de decisao descrita na secao 5.2 foi aplicado para a solucao

do problema de associacao de dados. Dessa forma, a relacao R definida pelo produto

cartesiano A × B descrito na equacao 5.9 definiu o conjunto nebuloso G. As quatro di-

mensoes descritas nas equacoes 5.6 e 5.7 compuseram as restricoes por meio dos conjuntos

nebulosos Cex, Cey, Cer e Cev para descreverem os valores de pertinencia dos erros entre

as dimensoes aip e bjp para o processo de associacao de dados obtidos na comparacao par

a par, considerando as funcoes de pertinencia descritas a seguir:


• o erro de abscissa (exij) deve ser aproximadamente entre -200 e +200 unidades

metricas;

µCex(exij) = [1 + 0.2 ∗ (exij/100)2]−1 (5.10)

onde, exij = (ai1 − bj1).

• o erro de ordenada (eyij) deve ser aproximadamente entre -200 e +200 unidades

metricas;

µCey(eyij) = [1 + 0.2 ∗ (eyij/100)2]−1 (5.11)

onde, eyij = (ai2 − bj2).

• o erro de rumo (erij) deve ser aproximadamente entre -2o e 2o graus;

µCer(erij) = [1 + 0.25 ∗ (erij)2]−1 (5.12)

onde, erij = (ai3 − bj3).

• o erro de velocidade (evij) deve ser aproximadamente entre -1 e +1 no.

µCev(evij) = (1 + ev2ij)−1 (5.13)

onde, evij = (ai4 − bj4)

Observa-se que nao houve necessidade de padronizacao das variaveis de erro, embora

as dimensoes tenham medidas e escalas distintas. E possıvel, apesar de nao ter sido

explorado neste estudo, incorporar informacoes qualitativas como restricoes ao processo

decisorio.

Assim, D e um conjunto nebuloso, definido como o conjunto de pares ordenados


D(ai, bj) = (ai, bj), µD(ai, bj)|(ai, bj) ∈ A×B, onde D = G∩Cex ∩Cey ∩Cer ∩Cev. Isto

corresponde a dizer que, µD = µG ∩ µCex ∩ µCey ∩ µCer ∩ µCev , onde µD(ai, bj) e o grau de

pertinencia, com valores entre 0 e 1, para a associacao das observacoes ai com bj.

A regra de composicao usada e definida pelo produto algebrico do valor de pertinencia

do objetivo pelo resultado da funcao linear convexa dos valores de pertinencia das

restricoes, eq. (5.3), conforme proposto em (BELLMAN; ZADEH, 1970; TSOUKALAS; UHRIG,

1996). As restricoes de posicao foram consideradas de maior importancia relativa e os

seguintes pesos foram atribuıdos:

µD(ai, bj) = µG(ai, bj)× (2 ∗µCex(exij)+2 ∗µCey(eyij)+µCer(erij)+µCev(evij))/6 (5.14)

Uma vez definido o conjunto D(ai, bj) denominado de matriz local (5.15) inicial, com

valores de pertinencia µD(ai, bj), o processo de associacao (ai, bj) e iniciado considerando

o elemento de maior valor de pertinencia da matriz local.

Neste estudo, a associacao (ai, bj) e permitida se o valor de µD(ai, bj) superar um valor

limite (threshold) de 0,8. Caso contrario, as observacoes ai e bj devem ser consideradas

de objetos fısicos distintos.


b1 b2 b3 b4 b5 b6

a1 0 0 0.9810 0 0 0

a2 0 0 0 0 0 0

a3 0 0 0 0.9356 0 0

a4 0 0.9830 0 0 0.4538 0

a5 0 0 0 0 0 0.9524

a6 0 0.4286 0 0 0.9619 0

(5.15)

Determina-se o maior valor de pertinencia da matriz local inicial (5.15): µij−max =

µ42 = 0, 9830. Como o valor encontrado e maior que o threshold estabelecido, a observacao

b2 e associada ao objeto observado por a4. Zera-se a coluna 2 e a linha 4, obtendo-se uma

nova matriz local (5.16).

b1 b2 b3 b4 b5 b6

a1 0 0 0.9810 0 0 0

a2 0 0 0 0 0 0

a3 0 0 0 0.9356 0 0

a4 0 0 0 0 0 0

a5 0 0 0 0 0 0.9524

a6 0 0 0 0 0.9619 0

(5.16)

Determina-se o maior valor de pertinencia da nova matriz local (5.16), µij−max = µ13 =

0, 9810 > threshold. A observacao b3 e associada ao objeto observado por a1. Zera-se a


coluna 3 e a linha 1, obtendo-se uma nova matriz local (5.17).

b1 b2 b3 b4 b5 b6

a1 0 0 0 0 0 0

a2 0 0 0 0 0 0

a3 0 0 0 0.9356 0 0

a4 0 0 0 0 0 0

a5 0 0 0 0 0 0.9524

a6 0 0 0 0 0.9619 0

(5.17)

Nas proximas iteracoes seriam associadas as observacoes b5 a a6, b6 a a5 e b4 a a3,

nesta sequencia. Uma vez zerada a matriz local, a matriz resultante F (AB) e apresentada,

conforme a Tabela 5.1.

TABELA 5.1 – Matriz Resultante F(AB)

A partir da matriz F (AB) e possıvel visualizar todos os objetos presentes no cenario

em uma unica camada de informacao, conforme apresentado na Fig. 5.4. Onde, PPN e

a posicao do proprio navio e NAx (x = 1, 2, ..., 7) representa os objetos fısicos ilustrados

na Fig. 5.2.


FIGURA 5.4 – Visualizacao em uma Camada.

5.3.1 Descricao do Algoritmo

A abordagem proposta de associacao de dados pode ser descrita por meio da narrativa

de execucao dos seguintes passos, considerando as observacoes k, l e m provenientes de

tres sensores A, B e C, respectivamente:

1. Definir o filtro a ser aplicado na tecnica da janela retangular e o threshold para a

associacao;

2. Definir as funcoes de pertinencia para os resıduos das dimensoes utilizadas no pro-

cesso de associacao;

3. Definir a matriz resultante F (AB) formada pelos elementos f(ab)i = ai (i =

1, 2, ..., k);

(a) Considerando cada observacao ai (i = 1, 2, ..., k), aplicar a tecnica de janela

retangular, considerando as coordenadas de grade de abscissa e ordenada, de


modo a construir uma matriz global que represente as observacoes bj (j =

1, 2, ..., l) do sensor B que estejam dentro da janela de cada objeto fısico do

sensor A. Esta matriz deve possuir k linhas e l colunas preenchidas por 0 e 1.

O valor 1 indica que ha um objeto fısico de B candidato a se associar com o

objeto observado pelo sensor A;

(b) Uma vez montada a matriz global, procurar por linhas e colunas que possuam

apenas zeros. A linha ou coluna apenas com zeros significa que aquele objeto

fısico observado esta sendo monitorado apenas pelo sensor A ou B. No caso de

uma coluna zerada, inclui-se o objeto bj na matriz F (AB), acrescentando-se

mais uma linha no final desta matriz com os dados daquele objeto;

(c) Obter a matriz local, calculando o grau de pertinencia µD(ai, bj) de todos os

elementos com valor 1 da matriz global. Neste caso, e necessario calcular o grau

de pertinencia dos resıduos µCi(i = 1, 2, . . . , p) de cada dimensao p por meio

da determinacao da diferenca entre as leituras das dimensoes de cada sensor e

aplicar a regra de composicao (eq. 5.14) sobre os valores de pertinencia obtidos.

(d) Procurar pelo maior grau de pertinencia µij−max na matriz local. Se µij−max >

threshold, entao considerar e indicar a associacao de ai com bj na matriz

resultante F (AB). Zerar a linha i e a coluna j da matriz local. Caso contrario

va para o passo 3(f);

(e) Se a matriz local estiver zerada va para passo 3(h). Caso contrario, repetir o

passo 3(d);

(f) Embora a matriz local nao esteja zerada o grau de pertinencia para aquela

associacao de ai com bj nao supera o limiar estabelecido para considerar as duas

observacoes provenientes do mesmo objeto. Portanto, passa-se a considerar tais


observacoes como sendo de objetos distintos. Neste caso, inclui-se o objeto bj

na matriz F (AB), acrescentando-se mais uma linha no final desta matriz com

os dados daquele objeto. Zerar a linha i e a coluna j da matriz local obtendo

uma nova matriz;

(g) Se a matriz local estiver zerada va para passo 3(h). Caso contrario, repetir o

passo 3(d);

(h) O resultado da associacao de dados promovida pelos dados dos sensores A e B e

a obtencao da matriz F (AB), considerando r objetos fısicos, onde k ≤ r ≤ k+l.

4. Definir a matriz resultante F (ABC) formada pelos elementos f(abc)i = f(ab)i (i =

1, 2, ..., r);

(a) Considerando cada observacao f(ab)i (i = 1, 2, ..., r), aplicar a tecnica de janela

retangular, considerando as coordenadas de grade de abscissa e ordenada, de

modo a construir uma matriz global que represente as observacoes cj (j =

1, 2, ...,m) de C que estejam dentro da janela de cada objeto fısico do vetor de

saıda F (AB). Esta matriz deve possuir r linhas e m colunas preenchidas por

0 e 1. O valor 1 indica que ha um objeto fısico de C candidato a se associar

com o objeto observado pelo vetor de saıda F (AB);

(b) Uma vez montada a matriz global, procurar por linhas e colunas que pos-

suam apenas zeros. A linha ou coluna apenas com zeros significa que aquele

objeto fısico observado esta sendo monitorado apenas pelo sensor F (AB) ou

C. No caso de uma coluna zerada, inclui-se o objeto cj na matriz F (ABC),

acrescentando-se mais uma linha no final desta matriz com os dados daquele

objeto;


(c) Obter a matriz local, calculando o grau de pertinencia µD(f(ab)i, cj) de todos

os elementos com valor 1 da matriz global. Neste caso, e necessario calcular o

grau de pertinencia dos resıduos µCi(i = 1, 2, . . . , p) de cada variavel p por meio

da determinacao da diferenca entre as leituras das dimensoes de cada sensor e

aplicar a regra de composicao (eq. 5.14) sobre os valores de pertinencia obtidos.

(d) Procurar pelo maior grau de pertinencia µij−max na matriz local. Se µij−max >

threshold, entao considerar e indicar a associacao de f(ab)i com cj na matriz

resultante F (ABC). Zerar a linha i e a coluna j da matriz local. Caso contrario

va para o passo 4(f);

(e) Se a matriz local estiver zerada va para passo 4(h). Caso contrario, repetir o

passo 4(d);

(f) Embora a matriz local nao esteja zerada o grau de pertinencia para aquela asso-

ciacao de f(ab)i com cj nao supera o limiar estabelecido para

considerar as duas observacoes provenientes do mesmo objeto. Portanto, passa-

se a considerar tais observacoes como sendo de objetos distintos. Neste caso,

inclui-se o objeto cj na matriz F (ABC), acrescentando-se mais uma linha no

final desta matriz com os dados daquele objeto. Zerar a linha i e a coluna j da

matriz local obtendo uma nova matriz;

(g) Se a matriz local estiver zerada va para passo 4(h). Caso contrario, repetir o

passo 4(d);

(h) O resultado da associacao de dados promovida pelos dados dos sensores F (AB)

e C e a obtencao da matriz F (ABC), considerando s objetos fısicos, onde

r ≤ s ≤ r + m.

5. Gerar a matriz F(ABC).


5.4 Resultados de Ilustracao com Dados Reais

Nesta secao serao apresentados os resultados da aplicacao do algoritmo de associacao

proposto sobre os dados reais de acompanhamento de um unico contato, oriundos do

Radar de Direcao de Tiro (RDT) (sensor A) e do Extrator de informacoes do Radar de

superfıcie (sensor B) de uma Fragata da classe “Niteroi”, gravados em 08OUT04.

A definicao da janela de tempo de observacao dos dados foi baseada na menor taxa

dentre os sensores, ou seja, na taxa do Extrator. O pre-processamento dos dados foi

obtido com o alinhamento no tempo dos dados do RDT em relacao ao tempo dos dados

do extrator. As FIG. 5.5 e 5.6 ilustram, respectivamente, os dados brutos provenientes

dos sensores e a visualizacao dos dados pre-processados.

FIGURA 5.5 – Dados Brutos dos Sensores

A simples mudanca do desenho representativo do acompanhamento na FIG.5.7 pos-

sibilita inferir que o referido contato esta sendo acompanhado por ambos os sensores

analisados. Ha, portanto, um incremento de confianca na validade da informacao ex-

traıda, uma vez que o processo de fusao identificou as informacoes competitivas de um

mesmo contato fornecidas pelos sensores. Observa-se, tambem, uma interrupcao no pro-


FIGURA 5.6 – Dados RDT Pre-Processados

cesso de fusao indicada pelos pontos em verde e em vermelho na FIG.5.7, sinalizando

que ocorreu a perda de acompanhamento por ambos sensores. Esta ultima inferencia nao

poderia ter sido realizada analisando os dados individualmente.

FIGURA 5.7 – Resultado do Processo de Fusao de Dados

A figura 5.8 ilustra os graus de pertinencia atribuıdos para µD(a1, b1), µCex(ex11),

µCey(ey11), µCer(er11) e µCev(ev11) em cada ponto ao longo da trajetoria do contato.

Observa-se que o erro de rumo entre os sensores e significativo, refletindo-se na baixa

pertinencia de µCer . Este fato e comum no cenario marıtimo quando os objetos fısicos


navegam em baixıssima velocidade ou realizam guinadas.

FIGURA 5.8 – Graus de Pertinencia Obtidos nas Associacoes

Observa-se tambem que ambos sensores indicaram a baixa velocidade do contato, daı

a elevada pertinencia de µCev .

5.5 Comparacao da Abordagem Proposta com a Abor-

dagem FCM

A logica nebulosa tem sido aplicada por diversos autores para a solucao de problemas

de associacao de dados no cenario marıtimo com multiplos sensores e multiplos objetos. As

duas principais abordagens fuzzy utilizadas na literatura sao: a) a abordagem baseada na

construcao de sistemas fuzzy (TAO; THOMPSON; TAUR, 1993; SINGH; BAILEY, 1997; CHEN;

HUANG, 2000; CHEN, 2006); e b) a abordagem baseada no algoritmo de conglomerados

fuzzy (AZIZ; TUMMALA; CRISTI, 1999; AZIZ, 2004).


A primeira abordagem consiste de quatro elementos basicos: 1) fuzificacao de dados

crisp, 2) construcao da base de conhecimento por meio de regras IF-THEN, 3) inferencia

fuzzy que emula a decisao humana, e 4) defuzificacao da variavel fuzzy para um dado

crisp. A principal crıtica a esta abordagem e que em um cenario com mais de quatro

objetos, ela se torna computacionalmente inviavel devido ao elevado numero de regras

(AZIZ; TUMMALA; CRISTI, 1999).

A segunda abordagem, quando aplicada em uma area de trafego denso com vinte

objetos, por exemplo, necessitaria que fossem calculados os graus de pertinencia de 400

elementos para o preenchimento de uma matriz 20 x 20. Alem disso, ha a necessidade

da aplicacao da tecnica de padronizacao dos dados antes da aplicacao do algoritmo de

conglomerados fuzzy visando a contornar os efeitos relacionados as diferentes escalas ou

magnitudes das dimensoes reportadas, ou seja, evitar que a dimensao que tiver maior

dispersao tenha um peso mais elevado no calculo das medidas de distancia do que as

demais (FAVERO et al., 2009).

Este estudo foi realizado comparando as diversas etapas necessarias para resolver

o problema com a abordagem proposta ou utilizando a abordagem de conglomerados

fuzzy sugerida por (AZIZ; TUMMALA; CRISTI, 1999). A Tabela 5.2 apresenta uma visao

comparativa entre as duas abordagens:

TABELA 5.2 – Visao Comparativa entre as Abordagens


Baseado nas observacoes da Tabela 5.2 se pode afirmar que a abordagem proposta

atende as qualidades de simplicidade e eficiencia. Alem disso, requer menos complexidade

computacional do que a abordagem por conglomerados fuzzy.

5.6 Conclusoes

A principal vantagem da abordagem fuzzy sobre os metodos tradicionais de associacao

de dados e a possibilidade de incorporar informacoes quantitativas e qualitativas no algo-

ritmo empregado. Uma abordagem fuzzy baseada em decisao nebulosa foi proposta para

a associacao das observacoes dos alvos de superfıcie provenientes de multiplos sensores no

cenario marıtimo. Conclui-se que esta nova proposta atende as qualidades de simplicidade

e eficiencia. Alem disso, requer menos complexidade computacional quando comparada

com a abordagem de conglomerados fuzzy.

Os benefıcios operacionais obtidos com a fusao de dados na fase de orientacao, no

contexto do processo de apoio a decisao, foram significativos. Os resultados alcancados

com a ilustracao de aplicacao do algoritmo atenderam aos objetivos propostos de explorar

a redundancia de informacoes de acompanhamento de um mesmo contato e de otimizar

o processamento dos dados, possibilitando uma melhor apresentacao do cenario para o

decisor.

Houve um incremento de confianca na validade da informacao extraıda, haja vista

que o processo de fusao identificou as informacoes redundantes de um mesmo contato

obtidas pelos sensores. A falha no processo de fusao permitiu inferir quanto a perda de

acompanhamento por um dos sensores nos instantes observados. Tal inferencia nao seria

factıvel analisando os dados individualmente.

6 Proposta para a Estruturacao de

Conhecimento

6.1 Introducao

O fundamento basico de C2 no ambiente marıtimo e que o comandante empregue a

informacao para produzir conhecimento, que servira para leva-lo a tomar decisoes con-

vertidas em acoes efetivas. O diferencial no teatro de operacoes esta a favor daqueles

que detem a informacao correta em tempo habil e o desafio e selecionar a informacao util

dentre a grande populacao de dados existentes. A consciencia situacional, descrita na

secao 3.3, e decisiva para que o ciclo de Comando e Controle (C2) seja eficiente e eficaz.

Esta consciencia situacional, segundo (LY et al., 2003) e um processo de interpretacao

da situacao utilizando informacoes incompletas, haja vista que ha um espaco consideravel

entre as informacoes disponıveis e as informacoes necessarias para a obtencao de uma

avaliacao tatica confiavel.

Atualmente na Marinha do Brasil (MB), as respostas pre-planejadas (PREPLAN) e as

regras de engajamento, que compoem algumas diretivas, servem como base de

conhecimento para facilitar o processo decisorio em todos os nıveis, do comandante do

CAPITULO 6. PROPOSTA PARA A ESTRUTURACAO DE CONHECIMENTO 93

navio ao vigia, de modo que, para cada possıvel situacao especıfica, haja um procedimento

claro e simples que possa ser adotado. Contudo, estas regras nao estao inseridas em uma

estrutura que possibilite a aplicacao em um sistema especialista de apoio a decisao. O

emprego destas regras esbarram na limitacao humana para o processamento de multiplas

hipoteses considerando multiplos contatos.

Neste contexto, este capıtulo propoe o emprego das Tabelas de Decisao Fuzzy (TDF)

como estrutura para a construcao das regras de um sistema a base do conhecimento, para

apoiar a classificacao e identificacao de alvos de superfıcie, durante o processo de fusao

de dados. Esta abordagem visa a aprimorar a compilacao do quadro tatico marıtimo com

a atribuicao do grau de confianca na declaracao de classificacao e identidade do contato

e com a indicacao de algumas acoes. Alem disso, proporciona uma estrutura simples

e adequada para modificacao e validacao da base de regras de acordo com os objetivos

polıticos e militares da missao.

6.2 Tabela de Decisao Fuzzy

A tabela de decisao (TD) e uma ferramenta de estruturacao logica, desenvolvida

nos anos 60 (CANTRELL; KING; KING, 1961), que utiliza uma representacao tabular para

descrever e analisar decisoes situacionais de uma forma simples, por meio do

estabelecimento de um conjunto de condicoes que direciona a execucao de um conjunto de

acoes (Tabela 6.1). Assume-se que a tabela de decisao seja caracterizada por n condicoes

Ci (i = 1, 2, ..., n) e m acoes Aj (j = 1, ...,m). Cada TD e composta de quatro quadrantes:

conjunto de condicoes [Ci], conjunto de acoes [Aj], espaco de condicoes (CSi), e espaco

de acoes (ASj). O conjunto de condicoes consiste de todas as condicoes ou atributos


relevantes que influenciam o processo decisorio. O espaco de condicoes especifica todas as

possıveis combinacoes de estado de uma condicao. O conjunto de acoes contem todas as

acoes que o decisor pode tomar. Finalmente, o espaco de acoes que contem a categorizacao

de todos os possıveis estados de uma acao. A relacao vertical entre o espaco de condicoes

e o espaco de acao produz as regras de decisao. Pode-se interpretar uma regra como “IF

(CS1 and CS2 and ... and CSn) THEN (AS1 and AS2 and ... and ASm)”. Originalmente

TABELA 6.1 – Estrutura de uma Tabela de Decisao

uma TD era utilizada para construir logica de programas. Na ultima decada, entretanto,

a enfase na utilizacao de uma TD passou a ser a forma simples de representar as situacoes

de decisao complexas, a facilidade de verificacao da completitude, exclusividade e correcao

na geracao do conhecimento.

A tabela de decisao fuzzy (TDF) e uma extensao da TD de modo a considerar

situacoes em que a decisao e baseada em condicoes e acoes incertas, vagas e imprecisas

na estruturacao de modelos de raciocınio aproximado (FRANCIONI; KANDEL, 1988). A

extensao compreende a introducao de conjuntos fuzzy nos espacos das condicoes e acoes


de uma TD. A nebulosidade das informacoes nas condicoes aparece em expressoes como

“variacao grande de velocidade no tempo” e nas acoes em expressoes como“atribuir alta

possibilidade de ser um alvo hostil”. Os termos destacados ressaltam os aspectos nebulosos

de tais assertivas.

A atribuicao de uma medida de valor de pertinencia em uma tabela de decisao foram

definidas da seguinte forma (CHEN; VANTHIENEN; WETS, 1995):

Seja Ci uma condicao pertencente ao conjunto de condicoes (i = 1, ..., n), CSi seja um

conjunto de estados de condicoes Sik (k = 1, ..., si; i = 1, ..., n), onde Sik e uma expressao

logica nebulosa, Aj seja uma acao pertencente ao conjunto de acoes (j = 1, ...,m) incor-

porando termos linguısticos e conjuntos fuzzy, e ASj = V erdadeiro(x), Falso(−), nulo(.)

seja um estado de acao. Entao, uma TDF e uma funcao de CS1 x CS2 x ... x CSn para

AS1 x AS2 x ... x ASm de modo que cada combinacao de condicoes possıveis seja mapeada

para a configuracao de uma acao.

Todas as decisoes situacionais sao apresentadas por meio das colunas da tabela,

facilitando a verificacao de requisitos importantes tais como a consistencia e a completi-

tude. Uma TDF e dita completa se para qualquer combinacao de condicoes existir pelo

menos uma coluna na qual a combinacao seja um valor maior do que zero. A propriedade

de exclusividade e relaxada em uma TDF podendo haver mais de coluna ativada. Todas as

interpretacoes de uma TDF devem ser realizadas no nıvel de cada regra de decisao (WETS

et al., 1996). Uma TD e um caso especial de uma TDF. Na proxima secao sera apresentada

uma aplicacao de TDF no cenario marıtimo, baseado em um estudo ilustrativo.


6.3 Estudo Ilustrativo

O cenario ilustrado na Figura 6.1 representa os contatos obtidos, em um determinado

intervalo de tempo (Tn), pelas fontes A, B, C e D de um navio de guerra. A camada

de informacao produzida por meio das varreduras de cada sensor constitui o grau de

percepcao do ambiente monitorado pelos sensores. Considera-se que a fonte A seja os

dados de um sensor ativo (RADAR); a fonte B seja os contatos obtidos pelo Automatic

Identification System (AIS); a fonte C seja os relatorios de inteligencia (INFOPE, etc) do

trafego de embarcacoes neutras na area; e a fonte D seja o sensor passivo de Medida de

Apoio a Guerra Eletronica (MAGE).

FIGURA 6.1 – Representacao de Contatos nas Camadas de Sensores

O AIS e um sistema de identificacao automatica, especificado pela International

Maritime Organization (IMO), de emprego obrigatorio por todos os navios com arqueacao

bruta acima de 300 toneladas envolvidos em viagens internacionais, navios de passageiros

e navios de carga com mais de 500 toneladas. Este sistema opera na faixa da banda VHF

(Very High Frequency) com protocolo aberto e sua finalidade e disseminar informacoes do

navio como posicao GPS (Global Positioning System), rumo, velocidade, nome da embar-


cacao, indicativo internacional, etc. automaticamente sem a interferencia da tripulacao e

com uma taxa de envio dos dados em torno de 2s. Entretanto, este sistema possui algumas

desvantagens e limitacoes tais como: grande dependencia do sistema GPS, possibilidade

de transmissao de dados corrompidos ou incorretos e possibilidade de uso das informacoes

AIS para confusao ou pirataria marıtima.

O MAGE realiza acoes para buscar, interceptar, monitorar, localizar, gravar/registrar,

avaliar e analisar a energia eletromagnetica irradiada, para reconhecer, rapidamente, a

fonte de emissao, explorando-a para proveito das operacoes taticas. Observa-se na Figura

6.1 que ha redundancia de informacoes de determinados contatos e que existem contatos

so observaveis por um determinado sensor. Na situacao ilustrada, o contato 1 e reportado

pelas fontes B, C e D; o contato 4 e 5 sao reportados pelas quatro fontes; o contato 6 e

reportado apenas pela fonte A; os contatos 2, 3, e 7 embora tenham sido reportados pela

fonte B, nao foram assinalados pelo setor de inteligencia; e os contatos 2 e 6 nao tiveram

suas emissoes radar observadas pela fonte D. As fontes A, B e C possuem determinado

grau de incerteza referente as informacoes de posicao dos seus contatos que podem ser

representados por elipses. A resultante do processo de fusao de dados considerando as

camadas de informacoes competitivas produzidas por meio das varreduras de cada sensor

e mostrada na parte direita da Figura 6.1, denominada de estado Tn.

Uma vez efetuada a estimacao do vetor de posicao, minimizando a redundancia de

informacoes, o foco do problema de decisao passa a ser a declaracao de identidade a ser

atribuıda a cada um dos contatos fısicos observados e determinar qual a prioridade de

esclarecimento necessaria para o referido contato.

As tarefas descritas por (HEUVELINK; BOTH, 2007), descritas na secao 3.4, as PRE-

PLAN e as regras de engajamento da MB constituem heurısticas a serem utilizadas como


subsıdios para a estruturacao da base de conhecimento, por meio da TDF, que represente

as regras de decisao de situacoes complexas observadas no cenario marıtimo.

A estruturacao do conhecimento esta dividida em duas fases. A primeira fase consiste

em construir uma TDF que possibilite efetuar alguma inferencia quanto a classificacao

primaria dos contatos com base no processo de fusao de dados das fontes envolvidas. A

segunda fase consiste em compor um TDF que expresse condicoes e acoes descritas nas

heurısticas de especialistas que facilitem a declaracao de identidade.

A Tabela 6.2 apresenta a TDF construıda na primeira fase. Esta estrutura visa a

obtencao do grau de confianca em classificar o contato como mercante baseado no pro-

cesso de fusao das fontes envolvidas. Observa-se que as condicoes nesta fase sao do tipo

binaria (booleana) e que a associacao do contato com as informacoes de inteligencia (fonte

C) e de dados do AIS (fonte B) favorecem a elevacao de confianca na classificacao do con-

tato, conforme pode ser observado nas regras 1 a 6. A pertinencia a ser atribuıda nas

acoes envolvendo tais associacoes deve refletir o nıvel de servico dos disseminadores das

informacoes de inteligencia.

TABELA 6.2 – Tabela de Decisao Fuzzy 1a Fase

Considerando X como o espaco de combinacoes das condicoes descritas na Tabela 6.2,


podem-se definir os conjuntos nebulosos Mercante Alta (MA), Mercante Media (MM) e

Mercante Baixa (MB) como os conjuntos de pares ordenados discretos

MA = (x, µMA(x))|x ∈ X, MM = (x, µMM(x))|x ∈ X e MB = (x, µMB(x))|x ∈

X,

respectivamente. Onde µMA(x), µMM(x) e µMB(x) sao os graus de pertinencia, com

valores entre 0 e 1, definido para cada elemento de x pertencente ao conjunto X. Estas

funcoes de pertinencia poderiam ser expressas da seguinte forma:

MA(x) = ([111], 1); [110], 0, 9); [101], 0, 8); [011], 0, 9) (6.1)

MM(x) = ([100], 0, 5); [010], 0, 6) (6.2)

MB(x) = ([001], 0, 2); [000], 0, 1) (6.3)

A Tabela 6.3 apresenta a TDF construıda na segunda fase. Esta estrutura visa a obtencao

do grau de confianca na classificacao do contato baseado nas heurısticas representadas

pelas condicoes e acoes enunciadas. Observa-se que as condicoes sao representadas por

conjuntos fuzzy.

Considerando V como o espaco de medidas de velocidade v, R como o espaco de

medidads de rumo r e D como o espaco de medidas de distancia d, podem ser definidos os

conjuntos nebulosos velocidade no tempo (VT), rumo no tempo (RT) e distancia (Di) como

os conjuntos de pares ordenados V T = (v, µV T (v))|v ∈ V , RT = (r, µRT (r))|r ∈ R e

Di = (d, µDi(d))|d ∈ D, respectivamente. Onde, µV T (v), µRT (r) e µDi(d) sao os graus

de pertinencia com valores entre 0 e 1. Estas funcoes de pertinencia podem ser expressas


da seguinte forma:

V T (v) = (1 + 0, 045(v)2)−1 (6.4)

RT (r) = (1 + 0, 0009(r)2)−1 (6.5)

Di(d) = 0, 4 ∗ (d/20) (6.6)

TABELA 6.3 – Tabela de Decisao Fuzzy 2a Fase

A partir da TDF apresentada na Tabela 6.3, podem-se extrair algumas inferencias

que possibilitem reduzir o numero de regras. O simples fato de um contato possuir alta

variacao de velocidade ou de rumo no tempo pode traduzir um comportamento suspeito

da embarcacao que associado a outras condicionantes pode identifica-lo como provavel

hostil (HEUVELINK; BOTH, 2007). A diferenca entre provavel hostil e possıvel hostil no

cenario naval e semantica sendo o primeiro sempre mais perigoso que o segundo. A Tabela

6.4 consolida as regras de decisao, conforme o conjunto de condicoes observadas, e enuncia

o processo de inferencia realizado.


TABELA 6.4 – Consolidacao das Regras de Decisao


A aplicacao das regras consolidadas no cenario ilustrado na Figura 6.1, considerando

as funcoes de pertinencia descritas, permite a declaracao de identidade dos contatos ob-

servados com a atribuicao do grau de confianca, conforme apresentado na Figura 6.2.

FIGURA 6.2 – Plotagem com Declaracao de Identidade

Observou-se uma melhor interpretacao das informacoes por meio da estrutura da TDF

e a atribuicao do grau de confianca na declaracao de identidade do contato aprimorou a

definicao de prioridade para subsidiar a decisao de envio de helicoptero ou de navio para

a identificacao visual do referido contato.

6.4 Conclusoes

Os benefıcios operacionais obtidos com a estruturacao do conhecimento por meio da

TDF, no contexto do processo de apoio a decisao, sao significativos. Os resultados al-

cancados com a aplicacao do algoritmo atendem aos objetivos propostos de otimizar o

processo de classificacao e identificacao de contatos na compilacao de quadro tatico marı-

timo. Alem disso, a estruturacao do conhecimento de forma tabular facilita a modifi-


cacao e a validacao das regras de acordo com os objetivos polıticos e militares da mis-

sao. A atribuicao do grau de confianca na declaracao de identidade e a priorizacao do

esclarecimento permitem uma melhor visualizacao das informacoes pelo decisor otimizando

o processo decisorio de uma maneira global.

7 Conclusoes e Sugestoes

A atividade de C2 naval busca reduzir os efeitos da nevoa e da friccao da guerra.

A nevoa esta associada as incertezas ligadas ao que esta ocorrendo de fato ou a falta

de consciencia situacional decorrente da impossibilidade de integrar o conhecimento e as

informacoes disponıveis. A friccao esta relacionada com as intencoes transformadas em

acoes do comandante e que sofrem interferencias nao previstas. A tomada de decisao no

cenario marıtimo requer um elevado nıvel de consciencia situacional, a fim de reduzir o

numero de acoes drasticas provocadas por erros de classificacao. Esta consciencia situa-

cional e obtida por meio da sistematizacao do processo de compilacao do quadro tatico,

apoiada pelo processo de fusao de dados, que incorpore aspectos cognitivos dos especialis-

tas, os aspectos doutrinarios e os objetivos considerados por ocasiao da definicao de cada

missao.

O objetivo desta tese foi propor e implementar um modelo de apoio a decisao para

o processo de fusao de dados com o proposito de elevar a capacidade de compilacao do

quadro tatico marıtimo e, consequentemente, reduzir a nevoa da guerra. A relevancia

do modelo proposto consistiu na manutencao das relacoes observadas e enraizadas da

metodologia de compilacao do quadro tatico marıtimo na MB.

De uma forma geral, o processo de fusao de dados visa a associar as informacoes com-

CAPITULO 7. CONCLUSOES E SUGESTOES 105

petitivas provenientes de multiplos sensores, minimizando o numero de acompanhamentos

de contatos redundantes a ser visualizado pelo decisor e apresentando todos os contatos

em uma unica camada de informacao. Posteriormente, essa fusao permite realizar as in-

teracoes complementares e cooperativas dos dados de modo a obter inferencias que seriam

praticamente impossıveis analisando isoladamente as camadas de informacoes de cada

sensor.

A implementacao do modelo de apoio a decisao foi estruturada em duas partes: A

primeira parte propos uma abordagem que conjuga as tecnicas de gating e de logica

nebulosa para o problema de associacao de dados, considerando multiplos sensores e multi-

plos alvos. A logica nebulosa foi aplicada pelas seguintes razoes: por ser robusta, por nao

requerer que os dados de entrada dos sensores nao possuam ruıdos, por se ajustar muito

bem para sistemas de acompanhamento com multiplas fontes nos quais diversas associ-

acoes podem ser realizadas com os dados recebidos dos sensores, e principalmente pela

possibilidade de aceitar informacoes quantitativas e qualitativas no algoritmo empregado.

Quando esta abordagem foi comparada com a abordagem de conglomerados fuzzy (FCM),

concluiu-se que requer menos complexidade computacional e que atende as qualidades de

simplicidade e eficiencia sugeridas por (AZIZ; TUMMALA; CRISTI, 1999).

A segunda parte propos o emprego das Tabelas de Decisao Fuzzy (TDF) como estru-

tura para a construcao das regras de um sistema especialista. Esta abordagem agregou

as heurısticas empregadas pelos especialistas e as regras de engajamento para apoiar a

classificacao e a identificacao de alvos de superfıcie, alem de sugerir algumas acoes a serem


O conceito de fusao das declaracoes de identidade e fundamental para a avaliacao tatica

de uma forca naval. Entretanto, em virtude de dificuldades na modelagem dos modelos


fısicos para o processo de declaracao de identidade, observa-se uma tendencia na utilizacao

de sistemas baseados em conhecimento. As PREPLAN e as regras de engajamento da

MB constituem uma base de regras que podem ser utilizadas como subsıdios para a

implementacao de um sistema especialista de apoio a classificacao e a identificacao de

contatos.

A estruturacao do conhecimento por meio da TDF atendeu aos objetivos propostos de

otimizar o processo de classificacao e identificacao de contatos na compilacao de quadro

tatico marıtimo, possibilitando aprimorar a consciencia situacional do decisor. Alem disso,

a estruturacao do conhecimento de forma tabular facilitou a modificacao e a validacao das

regras de acordo com os objetivos polıticos e militares da missao. A atribuicao do grau

de confianca na declaracao de identidade e a priorizacao do esclarecimento permitiram

uma melhor visualizacao das informacoes pelo decisor otimizando o processo decisorio de

uma maneira global. Observou-se a necessidade de aprimorar o nıvel de servico quanto a

confianca das informacoes de inteligencia de modo a assegurar a validade das declaracoes

no processo decisorio de classificacao.

Os benefıcios operacionais observados com os resultados obtidos com a aplicacao

do modelo proposto, no contexto do processo de apoio a decisao, foram significativos.

Reduziu-se a interferencia humana no processo de integracao dos dados, minimizando a

dependencia no conhecimento, no treinamento e na experiencia do operador do sensor

para compilar o quadro tatico. Aprimoraram-se as fases de observacao e de orientacao do

modelo por meio da minimizacao da redundancia de informacoes de acompanhamento de

um mesmo contato e pela otimizacao do processamento dos dados de modo que o decisor

visualizasse o cenario em uma unica camada de informacao, aprimorando a consciencia

situacional. Houve um incremento de confianca na validade da informacao extraıda, haja


vista que o processo de fusao nas ilustracoes apresentadas identificou as informacoes redun-

dantes de um mesmo contato obtidas pelos sensores. A falha no processo de fusao permitiu

inferir quanto a perda de acompanhamento por um dos sensores nos instantes observa-

dos. Tal inferencia nao seria factıvel analisando os dados individualmente. Contribuiu-se,

tambem, para as fases de decisao e de atuacao do modelo, com a atribuicao do grau de

confianca na declaracao de identidade do contato e com a sugestao de algumas acoes a

serem tomadas pelo decisor.

7.1 Sugestoes

Esta tese alcancou os objetivos pretendidos e possibilita a projecao de alguns trabalhos

futuros, tais como:

• Incorporar informacoes qualitativas no processo de associacao de dados e comparar

o desempenho da abordagem proposta nesta tese com a abordagem fuzzy proposta

por (CHEN, 2006);

• Empregar o modelo proposto para apoiar a decisao de classificacao de contatos por

uma plataforma submarina;

• Empregar o modelo proposto para apoiar a decisao de classificacao de contatos

submarinos e aereos; e

• Considerando informacoes quantitativas reais provenientes dos sensores, comparar o

desempenho do algoritmo proposto de associacao de dados com o algoritmo Multiple

Hypothesis Tracking (MHT).

Referencias Bibliograficas

ALBERTS, D. S.; GARSTKA, J. J.; STEIN, F. P. Network centric warfare: de-veloping and leveraging information superiority. 2. ed. Washington, DC: CCRPpublication series, 1999.

ANZANO, E. Fuzzy clustering means algorithm for track fusion in U.S. coastguard vessel traffic service systems. 1999. 98 p. Dissertacao (Mestrado em Cienciada Computacao) — Naval Postgraduate School, USA, Monterey, California, 1999.

AZIZ, A. M. An all-neighbor fuzzy association approach in multisensor-multitarget track-ing systems. In: NATIONAL RADIO SCIENCE CONFERENCE, 21, 2004, CAIRO.Proceedings... New York: IEEE, 2004. p. c6–1–7.

AZIZ, A. M.; TUMMALA, M.; CRISTI, R. Fuzzy logic data correlation approach inmultisensor-multitarget tracking systems. Signal Processing, v. 76, p. 195–209, 1999.

BAR-SHALOM, Y.; BLAIR, W. D. Multitarget-multisensor tracking: applicationsand advances. Volume III. Norwood, MA: Artech House Inc, 2000.

BEDWORTH, M. Probability moderation for multilevel information processing.DRA, UK, 1994. DRA Technical Report, DRA/CIS(SE1)/651/8/M94.AS03BP032/1.

BEDWORTH, M.; O’BRIEN, J. The omnibus model: A new model for data fusion.Aerospace and Eletronic Systems Magazine, IEEE, v. 15, p. 30–36, 2000.

BELLMAN, R.; ZADEH, L. Decision-making in a fuzzy environment. ManagementScience, v. 17, n. 4, p. 141–164, 1970.

BEZDEK, J. C. Fuzzy mathematics in pattern classification. 1973. 169 f. Tese(Applied Mathematics) — Cornell University, Ithaca, NY, 1973.

BLACKMAN, S. S. Multiple-target tracking with radar application. Norwood,MA: Artech House Inc, 1986.

BLASCH, E.; KADAR, I.; SALERMO, J.; KOKAR, M. M.; DAS, S.; POWELL, G. M.;CORKILL, D. D.; RUSPINI, E. H. Issues and challenges in situation assessment (level 2fusion). Journal of Advances in Information Fusion - JAIF, v. 1, n. 2, p. 122–133,December 2006.

BOYD, J. A discourse on winning and losing. Maxweel AFB Lecture. 1987.

BROOKNER, E. Tracking and kalman filtering made easy. Sudbury, MA: WileyInterscience Publication, 1998.

REFERENCIAS BIBLIOGRAFICAS 109

BYUN, S.-H.; LEE, H.-J.; YOON, H.-K.; GONG, D.-S.; LEE, C.-M.; KANG, C.-G.Implementation of multi-vessel tracking algorithm using multiple marine radar systems.In: CONFERENCE PROCEEDINGS. Proceedings... Kobe, Japan: IEEE, 2004. v. 4,p. 2242– 2248.

CANTRELL, H.; KING, J.; KING, F. E. H. Logic structure tables design. Comm. ACM,p. 272–275, jun. 1961.

CHALMERS, B. A.; WEBB, R. D. G.; KEEBLE, R. Modeling shipboard tactical pic-ture compilation. In: INTERNATIONAL SOCIETY OF INFORMATION FUSION, 5,2002, SUNNYVALE. Proceedings... New York: IEEE, 2002. v. 2, n. 5, p. 1292–1299.Proceedings of the Fifth International Conference on Information Fusion.

CHEN, G.; VANTHIENEN, J.; WETS, G. Fuzzy decision tables: extending the classi-cal formalism to enhance intelligent decision making. In: INTERNATIONAL CONFER-ENCE ON FUZZY SYSTEM, 2, 1995, YOKOHAMA. Proceedings... New York: IEEE,1995. v. 2, p. 599–606.

CHEN, Y. M. Information fusion in data association applications. Applied Soft Com-puting, v. 6, p. 394–405, 2006.

CHEN, Y. M.; HUANG, H. C. Fuzzy logic approach to multisensor data association.Mathematics and Computers in Simulation, v. 52, p. 399–412, 2000.

DASARATHY, B. Sensor fusion potential exploitation - innovative architectures and il-lustrative applications. Proceedings of the IEEE, v. 85, n. 1, p. 24–38, 1997.

FAVERO, L. P.; BELFIORE, P.; SILVA, F. L. da; CHAN, B. L. Analise de dados:modelagem multivariada para tomada de decisoes. Rio de Janeiro, RJ: Elsevier,2009.

FRANCIONI, J. M.; KANDEL, A. A software engineering tool for expert system design.IEEE Expert, v. 3 (1), p. 33–41, 1988.

GAD, A.; FAROOQ, M. Data fusion architecture for maritime surveillance. ISIF, p.448–455, 2002.

HALL, D. L.; MCMULLEN, S. A. H. Mathematical techniques in multisensor datafusion. 2nd. ed. Boston, MA: Artech House Inc, 2004.

HEUVELINK, A.; BOTH, F. Boa: A cognitive tactical picture compilation agent. In: IN-TERNATIONAL CONFERENCE ON INTELLIGENT AGENT TECHNOLOGY, 2007,SILICON VALLEY. Proceedings... New York: IEEE, 2007. p. 175–181.

HUGOT, H.; VANDERPOOTEN, D.; VANPEPERSTRAETE, J. M. A bi-criteria ap-proach for the data association problem. Annals of Operations Research, v. 147, n. 1,p. 217–234, 2006.

JDL. Data fusion lexicon. Washington, DC, 1991. U.S. Department of Defense, DataFusion Subpanel of the Joint Directors of Laboratories,Technical Panel for C3.

LIGGINS, M. E.; HALL, D. L.; LLINAS, J. Handbook of Multisensor Data Fusion:Theory and Practice. 2nd. ed. Danvers, MA: CRC Press, 2008.


LUO, R.; KAY, M. Multisensor integration and fusion in intelligent systems. IEEETransactions on Systems, Man, and Cybernetics, v. 19, n. 5, p. 901–931, set./out.1989.

LY, T. C.; GREENHILL, S.; VENKATESH, S.; PEARCE, A. Multiple hypotheses situ-ation assessment. In: IEEE CONFERENCE PROCEEDINGS. IEEE Proceedings ofthe Sixth International Conference of Information Fusion. Cairns, Australia, 2003.v. 2, p. 972–978.

MILLER, N. L.; SHATTUCK, L. G. A dynamic process model for the design and assess-ment of network centric systems. In: INTERNATIONAL COMMAND AND CONTROLRESEARCH TECHNOLOGY SYMPOSIUM. 11th Proceedings of the Commandand Control Research and Technology Symposium. Cambridge, UK, 2006.

MIRZA, A. R. An Architectural Selection Framework for Data Fusion in SensorPlatforms. 2006. 102 p. Dissertacao (Master of Science in Engineering and Management)— Massachusetts Institute of Technology, 2006.

NASHMAN, M. The use of vision and touch sensors for dimensional inspection tasks.The American Society of Mechanical Engineers, Manufacturing Review, n. 6,p. 155–163, 1993.

OLIVEIRA, C. A.; BELDERRAIN, M. C. N. Modelo para apoio a decisao no processode classificacao de unidades moveis no ambiente marıtimo. In: SIGE. IX SIGE. Sao Josedos Campos, SP: SIGE-ITA, 2007.

OLIVEIRA, C. A.; BELDERRAIN, M. C. N. Aplicacao de logica ”fuzzy”para fusao de da-dos de acompanhamento de plataformas no cenario marıtimo. Revista Pesquisa Naval,n. 21, p. 49–57, nov. 2008.

OLIVEIRA, C. A.; KIENITZ, K. H.; BELDERRAIN, M. C. N. Proposta de uma abor-dagem baseada em decisao nebulosa para o problema de associacao de dados. In: XLISBPO. XLI Simposio Brasileiro de Pesquisa Operacional. Porto Seguro, BA, 2009.

PRZEMIENIECKI, J. S. Critical technologies for national defense. Washington,DC: AIAA Education Series, 1991.

RONG, L. X.; BAR-SHALON, Y. Tracking in clutter with nearest neighbor filter: Analy-sis and performance. Transaction on Aerospace and Eletronic Systems Magazine,IEEE, v. 32 (3), p. 752–769, 1996.

SANDRI, S. A.; CORREA, C. Logica nebulosa. V Escola de Redes Neurais, SaoJose dos Campos, p. 73–90, 19 jul. 1999.

SINGH, R. P.; BAILEY, W. H. Fuzzy logic applications to multisensor-multitarget cor-relation. IEEE Transactions on Aerospace and Eletronic Systems, v. 33 (3), p.752–769, 1997.

TAO, C.; THOMPSON, W.; TAUR, J. A fuzzy logic approach to multidimensional targettracking. In: FUZZY SYSTEMS. Proceedings of the 2nd IEEE Conference onFuzzy systems. San Francisco, CA, 1993. v. 2, p. 1350–1355.


TSOUKALAS, L. H.; UHRIG, R. E. Fuzzy and Neural Approaches in Engineering.San Diego, CA: Wiley-Interscience Publication, 1996.

WETS, G.; WITLOX, F.; TIMMERMANS, H.; VANTHIENEN, J. A fuzzy decision tableapproach for business site selection. In: FUZZY SYSTEMS. Proceedings of the FifthIEEE International Conference on Fuzzy Systems. New Orleans, 1996. v. 3, p.1605–1610.

ZADEH, L. A. Fuzzy sets. Information and Control, n. 8(3), p. 338–353, 1965.

FOLHA DE REGISTRO DO DOCUMENTO

1. CLASSIFICACAO/TIPO 2. DATA 3. DOCUMENTO No 4. No DE PAGINAS

TD 20 de novembro de 2009 CTA/ITA - IEC/TM-xxx/2009 111

5. TITULO E SUBTITULO:

Modelo para Apoio a Decisao no Processo de Classificacao de Unidades Moveis no Cenario Marıtimo

6. AUTOR(ES):


7. INSTITUICAO(OES)/ORGAO(S) INTERNO(S)/DIVISAO(OES):

Instituto Tecnologico de Aeronautica. Divisao de Engenharia Aeronautica e Mecanica – ITA/EAM

8. PALAVRAS-CHAVE SUGERIDAS PELO AUTOR:

Quadro Tatico Marıtimo; Fusao de Dados; Associacao de Dados; Logica Nebulosa; Tabela de Decisao Nebulosa

9. PALAVRAS-CHAVE RESULTANTES DE INDEXACAO:

Quadro Tatico Marıtimo; Fusao de Dados; Associacao de Dados; Logica Nebulosa; Tabela de Decisao Nebulosa

10. APRESENTACAO: (X) Nacional ( ) InternacionalITA, Sao Jose dos Campos, 2009, 111 paginas

11. RESUMO:

A habilidade de conduzir operacoes no mar e determinada, fundamentalmente, pela or-ganizacao, compreensao e projecao de todos os fatores importantes que influenciam aconsciencia situacional, tais como a disposicao das forcas aliadas, neutras e entidades nao combatentes,as caracterısticas geograficas, oceanograficas e meteorologicas da area de interesse e, obviamente, a disposicaodo inimigo. No sistema de comando e controle (C2) naval, o processo de organizacao, compreensao e projecaodestes fatores e conhecido como compilacao do quadro tatico.A compilacao de um quadro tatico confiavel em ambiente de trafego marıtimo denso requer a tecnologia de fusaode dados para integrar informacoes providas por multiplas fontes de modo a melhorar a percepcao da situacaopelo decisor.Este trabalho propoe e implementa um modelo de apoio a decisao para o processo de fusao de dados com oproposito de elevar a capacidade de compilacao do quadro tatico marıtimo. Este modelo incorpora os aspectoscognitivos dos especialistas, os aspectos doutrinarios e os objetivos considerados por ocasiao da definicao de umamissao.A implementacao do modelo de apoio a decisao foi estruturada em duas partes: Aprimeira parte propoe uma abordagem que conjuga as tecnicas de gating e de logicanebulosa para o problema de associacao de dados, considerando multiplos sensores e multiplos alvos. Asegunda parte propoe o emprego das Tabelas de Decisao Fuzzy (TDF) como estrutura para a construcao dasregras de um sistema especialista. Esta abordagem agrega as heurısticas empregadas pelos especialistas e asregras de engajamento para apoiar a classificacao e a identificacao de alvos de superfıcie e para sugerir algumasacoes a serem tomadas pelo decisor.Os benefıcios operacionais obtidos foram significativos. Reduziu-se a interferencia humana no processo de inte-gracao dos dados, minimizando a dependencia no conhecimento, no treinamento e na experiencia do operador dosensor para compilar o quadro tatico. Aprimoraram-se as fases de observacao e de orientacao do modelo por meioda exploracao da redundancia dos dados e pela otimizacao do processamento dos dados de modo que o decisorvisualize o cenario em uma unica camada de informacao, aprimorando a consciencia situacional. Contribuiu-se,tambem, para as fases de decisao e de atuacao do modelo, com a atribuicao do grau de confianca na declaracaode identidade do contato e com a sugestao de algumas acoes a serem tomadas pelo decisor.

12. GRAU DE SIGILO:

(X) OSTENSIVO ( ) RESERVADO ( ) CONFIDENCIAL ( ) SECRETO

modelo para apoio a decis` ao no˜ processo de …

Documents