Aplicao de Lgica Fuzzy em Guerra Eletrnica

Andr Paim Gonalves Capito-Tenente - Marinha do Brasil

Instituto Tecnolgico da Aeronutica - Praa Marechal Eduardo Gomes, 50 - Vila das Accias - So Jos dos Campos - CEP 12228-900. SP - Brasil

Resumo Este artigo prope uma soluo para o problema de

respostas cada vez mais rpidas e mais precisas requeridas por
um cenrio ttico de mltiplas ameaas. Esta proposta encontrase aliceradas no uso de Lgica Fuzzy ou Nebulosa, onde
sugerida a confeco de algoritmos para serem implementados
por software e/ou por hardware. Advindo disto, delinea-se um
sistema de auxlio a deciso de forma modular, comeando por um
mecanismo de extrao de dados (acompanhador de plots),
identificador de alvos e o tomador de deciso.

ainda comentado o processo de obteno de dados,

informao e de conhecimento. Na seo IV ser discorrida
uma breve concluso onde se verificar que o cenrio moderno
pode ser domado com ferramentas como a lgica fuzzy.

Palavras-chaves Lgica Fuzzy, Lgica Nebulosa, Lgica

Difusa, Especialista de Domnio de Guerra Eletrnica.

Para tanto, devemos entender um pouco sobre a Lgica Fuzzy.

Transcreve-se um pequeno fragmento do texto de Ricardo
Tanscheit sobre Lgica Fuzzy :
Seres humanos so capazes de lidar com processos bastante
complexos, baseados em informaes imprecisas ou
aproximadas. A estratgia adotada pelos operadores humanos
tambm de natureza imprecisa e geralmente possvel de ser
expressa em termos lingsticos.
A Teoria de Conjuntos Fuzzy e os Conceitos de Lgica Fuzzy
podem ser utilizados para traduzir em termos matemticos a
informao imprecisa expressa por um conjunto de regras
lingusticas. Se um operador humano for capaz de articular sua
estratgia de ao como um conjunto de regras da forma se ...
ento, um algoritmo passvel de ser implementado em
computador pode ser construdo. O resultado um sistema de
inferncia baseado em regras, no qual a Teoria de Conjuntos
Fuzzy e Lgica Fuzzy fornecem o ferramental matemtico para
se lidar com as tais regras lingusticas [2].
Na teoria clssica dos conjuntos, o conceito de pertinncia de
um elemento a um conjunto fica bem definido. Dado um
conjunto A em um universo X, os elementos deste universo
simplesmente pertencem ou no pertencem quele conjunto.
Isto pode ser expresso pela funo caracterstica :

I. INTRODUO
Deste os tempos de Sun Tzu at hoje muito se alterou no teatro
de operaes, mas alguns princpios continuam vigentes at
atualidade como, por exemplo, a necessidade de conhecer a si
mesmo, ao inimigo e ao terreno, ou seja, ter informaes sobre
estes trs elementos. o que chamamos hoje de conscincia
situacional.
Houve, desde a metade do sculo passado, um incremento
considervel na velocidade dos vetores e um aumento ainda
maior na velocidade da transmisso da informao. Deve-se,
portanto, buscar uma coerncia entre as concepes de
emprego e as tecnologias existentes para alcanar a mxima
sinergia no emprego do poder areo [1].
Aproveitando-se das idias acima, possvel trazer para um
cenrio mais amplo, isto , para as trs foras singulares, a
necessidade de processamento da situao ttica em tempo real.
Advindo dessa, tem-se que implementar e implantar sistemas
que utilizem os conhecimentos em Guerra Eletrnica,
Inteligncia Artificial, Telecomunicaes, entre outras, visando
suplantar essa dificuldade do ser Humano em processar e
responder de forma rpida. Hoje essa tecnologia dever ser
dominada para ser garantida a soberania.
Como esse artigo no tem a pretenso de esgotar o assunto e
sim apontar sugestes para resolver essa problemtica
sugerido o uso de Lgica Fuzzy, pois nessa teoria leva-se em
considerao respostas imprecisas, isto , respostas que esto
dentro de intervalo de valores e no uma resposta exata, o que
torna o processamento o mais parecido com a forma do ser
Humano raciocinar e, dependendo do Software e do Hardware,
teremos compilaes e solues mais rpidas dos problemas
tticos.
Na seo que trata da fundamentao terica alicerar as
propostas de emprego trazendo a idia de Conjuntos Fuzzy,
Variveis Lingusticas e Funo de Pertinncia. Na seo III
sero expostas as sugestes de emprego de Lgica Nebulosa
em acompanhadores de plots, identificadores de plataformas,
tomadores de deciso e simuladores de guerra eletrnica e

II. FUNDAMENTAO
A.Conjuntos Fuzzy ou Nebulosos

f(x)= 1 Se e somente se x A
0 Se e somente se x A

(1)

Zadeh props uma caracterizao mais ampla, generalizando a

funo caracterstica de modo que ela pudesse assumir um
nmero infinito de valores no intervalo [0,1]. Um conjunto
fuzzy A em um universo X definido por uma funo de
pertinncia A (x): X [0,1], e representado por um
conjunto de pares ordenados A={ A (x)/x } x X onde
(x) A indica o quanto x compatvel com o conjunto A. Um
determinado elemento pode pertencer a mais de um conjunto
fuzzy, com diferentes graus de pertinncia.
O conjunto suporte de um conjunto fuzzy A o conjunto de
elementos no universo X para os quais A (x) >0. Um
conjunto fuzzy cujo suporte um nico ponto x'
com

 A (x' ) =1 chamado de conjunto unitrio fuzzy ou

singleton. Assim, um conjunto fuzzy tambm pode ser visto
como o mapeamento do conjunto suporte no intervalo [0,1], o
que implica em expressar o conjunto fuzzy por sua funo de
pertinncia. Conjuntos fuzzy podem ser definidos em universos
contnuos ou discretos. Se o universo X for discreto e finito, o
conjunto fuzzy A normalmente representado por um vetor
contendo os graus de pertinncia no conjunto A dos elementos
correspondentes de X ou por meio da seguinte notao (que no
deve ser confundida com a soma algbrica):
n

A(xi)/xi

(2)

i =1

Se o universo X for contnuo, emprega-se muitas vezes a

seguinte notao (onde o smbolo de integral deve ser
interpretado da mesma forma que o da soma no caso de um
universo discreto) [2]:

A(xi)/xidx

(3)

B. Variveis Lingsticas.

M), onde o N nome da varivel; T(N) o conjunto de termos

de N, ou seja, o conjunto de nomes dos valores lingsticos de
N; X o universo de discurso; G a regra sinttica para gerar
os valores de N como uma composio de termos de T(N),
conectivos lgicos, modificadores e delimitadores e M a regra
semntica, para associar a cada valor gerado por G um
conjunto fuzzy em X. No caso da varivel temperatura da Fig.
1, ter-se-ia N= temperatura; T(N)= {baixa, mdia, alta}; X de 0
a 100 C (por exemplo); G= temperatura no baixa e no muito
alta, por exemplo; M associa o valor acima a um conjunto
fuzzy cuja funo de pertinncia exprime o seu significado.
C. Funes de Pertinncia.
As funes de pertinncia podem ter diferentes formas,
dependendo do conceito que se deseja representar e do
contexto em que sero utilizadas. Para exemplificar o quanto o
contexto relevante na definio de
funes
de
pertinncia e de sua distribuio
ao longo de um dado
universo, considere
a varivel
lingustica estatura (de
pessoas),
constituda
dos
seguintes
termos:
T(estatura) = {baixa, mdia, alta}. A esses faz-se corresponder
conjuntos fuzzy A,
B e C, respectivamente, definidos
por suas funes de pertinncia. Uma escolha possvel de
funes de pertinncia seria a mostrada na fig.2.

Uma varivel lingustica uma varivel cujos valores so

nomes de conjuntos fuzzy. Por exemplo, a temperatura de um
determinado processo pode ser uma varivel lingstica
assumindo valores baixa, mdia e alta. Estes valores so
descritos por intermdio de conjuntos fuzzy, representados por
funes de pertinncia, conforme mostrado na fig1.

Fig. 2 Funes de pertinncia para a varivel

Fig. 1. Funes de pertinncia para a varivel temperatura

Generalizando, os valores de uma varivel lingustica podem

ser sentenas em uma linguagem especificada, construdas a
partir de termos primrios (alto, baixo, pequeno, mdio,
grande, zero), de conectivos lgicos (negao no, conectivos e
e ou), de modificadores (muito, pouco, levemente,
extremamente) e de delimitadores (como parnteses).
A principal funo das variveis lingusticas fornecer uma
maneira sistemtica para uma caracterizao aproximada de
fenmenos complexos ou mal definidos. Em essncia, a
utilizao do tipo de descrio lingustica empregada por seres
humanos, e no de variveis quantificadas, permite o
tratamento de sistema analisados atravs de termos
matemticos convencionais. Formalmente, uma varivel
lingustica caracterizada por uma quntupla (N, T(N), X, G,

Na definio acima, estaturas de at 1,5 metros apresentam

grau de pertinncia igual a 1 no conjunto A; o grau de
pertinncia neste conjunto decresce medida que a estatura
aumenta. Considera-se que uma estatura de 1,75 metros
"totalmente compatvel" com o conjunto B, ao passo que
estaturas acima de 1,8 metros (aproximadamente) apresentam
grau de pertinncia diferente de zero em C. Pessoas com
estatura acima de 2 metros so"definitivamente" altas. Observe
que nesta definio das funes de pertinncia, estaturas em
um entorno de 1,75 metros tm grau de pertinncia diferente de
zero somente no conjunto B, o que poderia parecer inadequado
para alguns observadores. Estes prefeririam que as funes de
pertinncia de A e B se interceptassem em 1,75 metros (com
graus de pertinncia nulos, a exemplo daquelas da Fig. 1).
Alm disso, diferentes pessoas ou grupos de pessoas podem
ter
noes
distintas a respeito das estaturas de seus
semelhantes. Um escandinavo provavelmente utilizaria funes
de pertinncia diferentes daquelas escolhidas por um
representante de uma tribo de pigmeus, ou as distribuiria de
outra forma ao longo do universo. Ou seja, o contexto
particularmente relevante quando da definio de funes de
pertinncia.

Funes de pertinncia podem ser definidas a partir da

experincia e da perspectiva do usurio mas comum fazer-se
uso de funes de pertinncia padro, como, por exemplo, as
de forma triangular, trapezoidal e Gaussiana. Em aplicaes
prticas as formas escolhidas inicialmente podem sofrer ajustes
em funo dos resultados observados.
Funes de pertinncia contnuas podem ser definidas por
intermdio de funes analticas [2] e [3].
Por exemplo, a seguinte funo geral pode ser usada para
definir as funes de pertinncia associadas aos conjuntos
fuzzy correspondentes
aos termos pequeno, mdio e
grande:

A(x)=(1+(a(x-c))b)-1

(4)

A forma de A(x) pode ser modificada atravs da

manipulao dos trs parmetros a, b e c. Por exemplo:

pequeno(x)=(1+9x2)-1
mdio(x)=(1+(9(x-0,5)2)-1
grande(x)=(1+(9(x-2)2)-1

(5)
(6)
(7)

Funes de pertinncia descontnuas so compostas de

segmentos contnuos lineares, resultando em formas
triangulares ou trapezoidais. Funes de pertinncia
discretizadas consistem de conjuntos de valores
discretos
correspondendo
a
elementos discretos do universo.
Por exemplo, se X = {0,1, 2,3,4,5,6} uma representao
possvel seria [2]:

pequeno(x)={0,3; 0,7; 1; 0,3; 0; 0 }

mdio(x)={0; 0; 0,3; 0,7; 1; 0,7; 0,3}
grande(x)={0; 0; 0; 0; 0,3; 0,7; 1}

(8)
(9)
(10)

III. PROPOSTAS DE APLICAO DE LGICA FUZZY

variveis que ajudaro na classificao, inferncia e,

posteriormente, na tomada de decises.
Com os conjuntos fuzzy ou nebulosos organizados, utiliza-se o
knowhow do EDGE traduzidos na forma de regras para
processar e gerar inferncias e at mesmo decises quando se
necessita de curto tempo de resposta. Com todo esse processo
realizado, isto , banco de dados, informao e de
conhecimentos abastecidos, permite-se, ento, a utilizao em
misses de ELINT, SIGINT e COMINT visando uma retroalimentao do banco de dados (BD), Bibliotecas de Misso
(BIM) e outras mais, na qual plataformas podem ser
identificadas com maior preciso e, assim, facilitando a anlise
de campo. A sua sada, poder alimentar, tambm, a entrada de
um tomador de deciso, baseado em um banco de regras
(conhecimento) pr-definidas de acordo com regras de
comportamento operativo.
Observa-se uma necessidade crucial quando se trata de banco
de informao, tais como as Bibliotecas de Misso, de se fazer
mister, adquirir o mximo de dados com exatido e de utilizar
georeferenciao desses dados para, assim, evitar as
clutterizaes [4] e [7].
Como explicado anteriormente, enxerga-se que s a
experincia humana poderia, de certa forma, resolver este
problema. A lgica difusa pode ser uma ferramenta
importantssima para modelar essa experincia humana
conforme o cenrio existente no momento. Esta idia
ilustrada na fig.3
DADOS ORGANIZADOS
=
INFORMAO
OUTRAS
FONTES
OPERA
DOR
IFF
AIS
LINKS

A. Formao de Banco de Dados, Informao e

Conhecimentos
Quando o Ser Humano busca uma soluo para algum
problema ou um impasse, acaba se valendo de um cabedal de
informaes contidas em seu crebro. Diante disto,
necessrio construir esse cabedal atravs de aprendizado e
observaes pelos seus cinco sentidos. Pode ser, ento, traado
um paralelo para a formao de banco de dados, informao e
conhecimento onde as fontes de dados provenientes de
sensores (similar aos cinco sentidos) formam esse banco de
dados e o banco de informao e de conhecimento (similar a
processo de aprendizado) adquirida por intermdio do prprio
usurio, por injeo manual de Biblioteca de Misso e
algoritmos respectivamente. Dentro de sensores, podemos citar
RADARES, MAGES, imageadores trmicos, imageadores
pticos, SONARES e outros. Assim obtidos esses dados e os
organizando de acordo com faixa de valores, tem-se Conjuntos
Fuzzy (informao). Esses processos de agrupamento de dados
e de informao podem ser observados na fig.3 a fig.7.
No podendo esquecer que cada ponto do domnio corresponde
a um grau de pertinncia, seguindo, ento, uma funo de
pertinncia, ajustada pela experincia do Especialista do
Domnio de Guerra Eletrnica (EDGE). Com isto, obtm-se

BD
FREQNCIA FRP LP
VARREDURA
POSIO VELOCIDADE
AEROVIAS
ASSINATURA
ACSTICA

Fig. 3. Composio do banco de dados.

Fig.4. Controlador Nebuloso.

IP
B. Acompanhador de Plots.
A necessidade de extrair dados pode ser resolvida atravs de
um Acompanhador de Plots, que um algoritmo, que pode ser
implementado e implantado por software e/ou hardware, onde
se leva em conta a variao de tempo e de posio do plot em
uma tela, usando como fonte de dados extratores de vdeo,
placas de captura de imagens e outros dispositivos.
Ele tem como base um software que possui comandos grficos
utilizadores de diferena de contraste ou cores, na qual
vetorizam esses conjuntos de pixels com posies na tela. E
mais tarde, carregado em um banco de memria. Fazendo-se
uma nova varredura feito todo este processo de novo.
Com esses dados vetorizados, compara-se uma amostra
anterior com uma posterior e verifica-se o quo perto de cada
ponto est o outro, pelo mtodo de tentativa e erro, da fixao
de um referencial comum e por variao das posies em
relao a cada eixo em um intervalo de tempo. Este ltimo
ajustado pelo EDGE com base em um alvo, na pior situao,
por exemplo, sendo um avio a jato e seu tempo gasto para
percorrer essa variao de distancia versus o tempo de
processamento de cada varredura. Atravs deste processo
possvel saber se as variaes de distncias so coerentes com
cada posio obtida em cada amostra e, tambm, se este alvo
consistente, qual a sua velocidade e se areo ou de superfcie
(atravs da sua velocidade em comparao com intervalos que
definem cada conjunto fuzzy representativos de alvo areo ou
de superfcie) [2]-[9].
C. Identificador de Plataformas (IP).
O interesse de se identificar uma plataforma advm da
necessidade da correlao das plataformas observadas com os
sinais obtidos em misso de ELINT, SIGINT e COMINT em
tempo de paz e tomada de decises em tempo de guerra [8] e
[9]. Com base na lgica nebulosa, h a possibilidade de se
construir um Identificador de Plataformas, modelado em forma
de software ou hardware, que busque dentro de banco de
dados, intervalos para comparar com os dados de
entrada(provenientes de um MAGE) e, ento, estimar o grau de
pertinncia e determinar o seu subconjunto nebuloso. Com os
dados classificados em cada subconjunto fuzzy (freqncia,
freqncia de repetio de pulso, largura de pulso, tipo de
varredura e outros) dentro de cada conjunto fuzzy (RADAR de
busca circular, busca raster, acompanhamento e demais)
compara-se, dentro de cada famlia de conjuntos fuzzy, o grau
de pertinncia e, assim, obtm-se o suposto RADAR. Sabendo
qual se trata, consegue-se a possibilidade de identificar a
plataforma. Para as inferncias serem mais precisas, faz-se o
mesmo, para as demais famlias de conjuntos fuzzy (SONAR,
plotter de posio, mapas de aerovias, RADAR altmetro, IFF,
AIS e outros). Aps a obteno de um grau de pertinncia para
cada conjunto da famlia, por comparao com o banco de
informao de plataformas, obtm-se as plataformas e os seus
graus de pertinncia. O que pode ser observado na fig.5.

OUTRAS
FREQUENCIA FRP LP
VARREDURA

OPERADOR
IFF AIS

POSIO VELOCIDADE
LINK
ASSINATURA
ACSTICA

Fig.5. Identificador de plataformas.

D. Tomador de Deciso (TD).

Com base em informao da sada do identificador de
plataformas, aplica-se mais uma vez a lgica difusa, tanto na
forma de software como na forma de hardware.
Estimando-se com preciso a plataforma e sabendo o que cada
plataforma possui, utilizado um algoritmo para determinar
qual a ao a ser implementada e implantada. Com base em
dados levantados anteriormente pelo identificador de
plataformas (IP), tem-se a possibilidade de inferir se o contato
amigo, inimigo ou desconhecido (para o caso de o banco de
informao no possuir essa informao e/ou se os graus de
pertinncias derem empate e no haver a possibilidade de
resolver esse impasse).
Na fig.6 conjuntos e subconjuntos fuzzy podem ser observados.
Tendo uma identificao positiva e um grau de pertinncia,
dentro de padres estabelecidos pelo especialista do domnio
de guerra eletrnica, pode se saber quais as contra-medidas,
armamentos a serem empregados, manobras evasivas e demais
mais aes.
O tomador de deciso, alm de levar em conta os dados
provenientes do IP, utilizar, tambm, dados de levantamentos
de acelermetros, odmetros, estimadores de vento real,
inclinmetros e outros mais [4]-[9]. Na fig.7 observada essa
estrutura.
OUTRAS
FONTES
OPERADOR

TD
INCLINMETROS

ACELERMETROS
STATUS
PLATAFORMA
IDENTIFICADOR
PLATAFORMAS
LINKS

Fig.6-Entrada de informaes para o tomador de decises inferir.

TD

OUTRAS
FONTES

ARMAMENTOS
DELCOLAR
AERONAVE
SOFTKILL(INTERFERIDOR
ES CHAFF FLARES..)

NO REAGIR

HARDKILL(MSSEIS
FOGUETES CANHES)

LINKS

Fig.7-Entrada de informaes de outros subsistemas que sero utilizados para

implantar a inferncia ou dependendo da situao teremos a deciso.

E. SImuladores de GE (SIGE).
Como visto at ento, a figura do especialista do domnio de
guerra eletrnica (EDGE) importantssima no processo. E
para ajudar na formao de novos EDGE tem-se a necessidade
de utilizar simuladores de guerra eletrnica (sistemas que
testam novas tticas, implementam e implantam doutrinas) . E
para sua implementao e implantao deve-se adotar
softwares que utilizam a lgica fuzzy, da mesma forma como
utilizado nos tomadores de deciso. S que os dados podem
ser inseridos por um banco de informao de respostas
conhecidas pelos instrutores para simular e medir os
conhecimentos do novo especialista.
Como todos os sistemas com base em Inteligncia Artificial, o
SIGE precisa sofrer realimentao para melhorar o seu
algoritmo e acompanhar possveis falhas, j que se trata de um
auxlio a deciso e formao de recursos humanos visa ser o
mais correto possvel [4]-[9]. A Fig. 8 apresenta o fluxograma
de uma simulao no simulador GE com o propsito de avaliar
o emprego de um novo conceito a ser empregado.

propostas expostas na seo seguinte. Observando-se a

proposta de um acompanhador de plots, foi constatado que se
utiliza uma quantidade muito grande de amostras e de testes do
tipo tentativa e erro, tornando o processo mais lento, contudo,
dependendo da aplicao e do processador utilizado, isto pode
ser compensado. Analisando o uso dessa lgica para definir um
Identificador de Alvo e um Tomador de Deciso foi verificado
a quantidade de dados, informao e de parmetros
necessrios, no exaustivamente, para se identificar uma
plataforma e se tomar uma deciso. Quanto maior a quantidade
de dados e quanto mais preciso o processo for, menor ser a
chance de erro. Colocando-se regras bem definidas de
comportamento operativo, de acordo com a poltica de defesa
nacional e do direito pblico internacional, tem-se uma
ferramenta importantssima para alimentar com inferncias
precisas um comandante de uma unidade ou at mesmo de uma
fora tarefa na sua tomada de deciso.
Ao longo do texto verificou-se um fator preponderante em
sistema de guerra eletrnica, o Ser Humano. Nos demais itens
expostos anteriormente, viu-se que para definir regras com
preciso necessria a experincia acentuada do especialista de
domnio de guerra eletrnica. Com base nesta afirmao faz-se
mister o uso de simuladores utilizando a lgica nebulosa para
treinar o EDGE e testar doutrinas.
O emprego da Lgica Nebulosa pelas Foras Armadas do
Brasil pode ser uma grande ferramenta, principalmente, quando
se fala de auxiliadores de tomada de deciso, onde poderemos
fixar regras de engajamentos pr-estabelecidas. Isto visar a
reduo de decises erradas em pocas de crise.

REFERNCIAS
[1] Ribeiro, Narcelio Ramos. O Impacto das Concepes e Tecnologias no
Preparo e Emprego da Fora Area Brasileira, Revista Sprectrum. Brasil,
COMGAR, 2000, pp. 7-10.

Fig. 8. Fluxograma de treinamento no SIGE

IV. CONCLUSO
Tendo como a pedra fundamental em uma edificao, foi
apresentada uma fundamentao terica que alicerou as

[2] Tancheit, Ricardo. Sistemas Fuzzy, DEE-PUC-Rio,C.P. 38.063, pp. 2-7.

[3] Camargos, Fernando Laudares,.Lgica Nebulosa: Uma abordagem
filosfica e aplicada, artigo de Cincias da Computao, 5 fase,
Departamento de Informtica e Estatstica (INE),Universidade Federal de
Santa Catarina (UFSC), Brasil, 2002, pp 01-05.
[4] Barros, Antonio Carlos da Silva,Victor Hugo Costa de Albuquerque e
Auzuir Ripardo de Alexandria. Biblioteca para implementao de
controladores utilizando lgica fuzzy, artigo do curso de Tecnlogo em
Mecatrnica-Mecnica pelo o Centro Federal de Educao Tecnolgica do
Cear CEFET-CE, dez/2006,pp 01-09
[5] Sandri, Sandra, Cludio Correa. Lgica Nebulosa, V Escola de Redes
Neurais, Promoo: Conselho Nacional de Redes Neurais, S Jos dos
Campos, pp. c073-c090,1999.
[6] Brando , Alessandro Castro. Estendendo consultas SQL utilizando
Lgica Fuzzy, Trabalho de Concluso de Curso do Centro Universitrio
de Palmas, pp 01-60,20005.
[7] Fontova, Marta Ins Velazco.Ferrramentas para gerenciamento de
informao nebulosa em bancos de dados, Dissertao de mestrado em
engenharia eltrica da UNICAMP, 1998, pp 01-116.
[8] Barton, David k. , Sergey A. Leonov. RADAR TECNOLOGY
ENCYCLOPEDIA(electronic edtion), Boston/Londres, 2007.
[9] Hall, CDR Joseph. Principles Naval Weapon Sistems, USN