Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu. 29 Eylül 1 Ekim 2016 DÜZCE BİLDİRİLER KİTABI. Editör:

Transkript

1 Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu 29 Eylül 1 Ekim 2016 DÜZCE BİLDİRİLER KİTABI Editör: Doç.Dr. Uğur GÜVENÇ Yrd. Doç. Dr. Serdar BİROĞUL Düzenleyen Kuruluş Destekleyen Kuruluş

2 Bu sempozyum kitabı elektronik yayın (e-kitap) olarak yayınlanmıştır. Her hakkı saklıdır. Editörler Doç.Dr. Uğur GÜVENÇ Yrd.Doç.Dr. Serdar BİROĞUL ISBN: Adres Düzce Üniversitesi Rektörlüğü, Merkez- DÜZCE, Türkiye Telefon / E-posta Web Eserin hukuki ve etik sorumluluğu yazarlara aittir. Tüm hakları saklıdır. Bu kitabın yayın hakkı Düzce Üniversitesi ne aittir. İzinsiz kopyalanamaz ve çoğaltılamaz.

3 ÖNSÖZ Akıllı Sistemlerde Yenilikler ve Uygulamaları (ASYU) Sempozyumu, 29 Eylül - 1 Ekim 2016 tarihleri arasında Düzce Üniversitesi (DÜ) tarafından Yıldız Teknik Üniversitesi (YTÜ) desteğiyle Düzce de düzenlenmiştir. Sempozyum, disiplinler arası bir konu olan akıllı sistemler alanında çalışan araştırmacıları bir araya getirmeyi ve aralarında etkin bir iletişim platformu oluşturmayı hedeflemektedir. Sempozyumda Yapay Sinir Ağları, Bulanık Mantık, Karma Akıllı Sistemler, Bilgi Tabanlı Sistemler, Evrimsel Hesaplama, Uzman Sistemler, Evrimsel Algoritmalar, Makine Öğrenmesi, Örüntü Tanıma, Akıllı Elektronik Sistemler gibi yöntemler ve bu yöntemlerin liste ile sınırlı olmamak üzere aşağıdaki örnek alanlardaki uygulamaları konu alınmıştır: Akıllı Ajanlar Akıllı Kontrol Sistemleri Akıllı Savunma / Güvenlik Sistemleri Akıllı Sensörler ve Malzemeler Akıllı Sistemler İçin Donanım Gerçeklemeleri Akıllı Yaşam Biyoinformatik Biyomedikal Mühendisliğinde Akıllı Uygulamalar Doğal Dil İşleme Genetik Algoritma İnsan-Bilgisayar Etkileşimi Memetik Hesaplama Parçacık Sürüleri Robotik ve Otomasyonda Akıllı Yaklaşımlar Sinyal ve İşaret İşlemede Akıllı Yaklaşımlar Sistem Kimliklendirme/Modellemede Akıllı Yaklaşımlar Sürü Zekası Sosyal Sinyal İşleme Veri Madenciliği Yapay Zeka Akıllı Sistemler ile ilgili diğer konular Sempozyum dili Türkçe olup güncel konulardaki sempozyumda yayınlanmak üzere gönderilen tüm bildiriler en az iki hakem tarafından körleme değerlendirme yöntemi ile değerlendirilmiştir. Sempozyum çağrısına gönderilen 109 adet bildiri içerisinden hakem değerlendirmelerine göre 76 bildiri sözlü sunum yapılmak ve yayınlanmak üzere kabul edilmiştir. Sempozyuma ilgi gösteren tüm araştırmacılara teşekkür ederiz. vi

4 ASYU 2016 ORGANİZASYONU ASYU 2016, Düzce Üniversitesi (DÜ) tarafından Yıldız Teknik Üniversitesi (YTÜ) desteğiyle düzenlenmiştir. ASYU 2016 Genel Başkan Tülay YILDIRIM (YTÜ) ASYU 2016 Sempozyum Başkanları Uğur GÜVENÇ Serdar BİROĞUL Yerel Düzenleme Kurulu Arif ÖZKAN (DÜ) Banu DİRİ (YTÜ) Bülent BOLAT (YTÜ) Ferzan KATIRCIOĞLU (DÜ) Metin TOZ (DÜ) Muhammed Enes BAYRAKDAR (DÜ) Murat KALE (DÜ) Mustafa DURSUN (DÜ) M. Kenan DÖŞOĞLU (DÜ) Resul KARA (DÜ) Salih TOSUN (DÜ) Serhat DUMAN (DÜ) Sümeyye BAYRAKDAR (DÜ) Zafer CİNGİZ (DÜ) vii

5 DANIŞMA KURULU Aydın AKAN Ayten ATASOY (İstanbul Ü.) (Karadeniz Teknik Ü.) Nuran YÖRÜKEREN (Kocaeli Ü.) Nurhan KARABOĞA (Erciyes Ü.) Berk GÖKBERK (MEF Ü.) Okan ERSOY (Purdue U.) Berrin YANIKOĞLU (Sabancı Ü.) Osman KANDARA (Southern U.) Burcu ERKMEN (Yıldız Teknik Ü.) Osman PARLAKTUNA (Osmangazi Ü.) Cihan DAĞLI (Missouri-Rolla U.) Övünç POLAT (Akdeniz Ü.) Cüneyt GÜZELİŞ (İzmir Ekonomi Ü.) Özcan KALENDERLİ (İstanbul Teknik Ü.) Derviş KARABOĞA (Erciyes Ü.) Recep DEMİRCİ (Gazi Ü.) Ece Olcay GÜNEŞ (İstanbul Teknik Ü.) Revna Acar VURAL (Yıldız Teknik Ü.) Ender ÖZCAN (Nottingham U.) Selim AKYOKUŞ (Doğuş Ü.) Erdal KAYACAN (Nanyang Technology U.) Serdal TERZİ (Süleyman Demirel Ü.) Fikret GÜRGEN (Boğaziçi Ü.) Serdar ÖZOĞUZ (İstanbul Teknik Ü.) Işıl BOZMA (Boğaziçi Ü.) Serkan TOPALOĞLU (Yeditepe Ü.) İlkay ULUSOY (Orta Doğu Teknik Ü.) Sırma YAVUZ (Yıldız Teknik Ü.) İsmail Hakkı ALTAŞ (Karadeniz Teknik Ü.) Tuba KIYAN (Yıldız Teknik Ü.) İstemihan GENÇ (İstanbul Teknik Ü.) Tuncay YİĞİT (Süleyman Demirel Ü.) M. Hakan HOCAOĞLU (Gebze Teknik Ü.) Uğur HALICI (Orta Doğu Teknik Ü.) Manolya KAVAKLI (Macquire U.) Uğur KESEN (Marmara Ü.) Mehmet SALTAN (Süleyman Demirel Ü.) Yakup DEMİR (Fırat Ü.) Mutlu AVCI (Çukurova Ü.) Yalçın İŞLER (İzmir Katip Çelebi Ü.) Nihan KAHRAMAN (Yıldız Teknik Ü.) Ziya TELATAR (Ankara Ü.) Numan DOĞAN (North Carolina&State U.) Zümray DOKUR (İstanbul Teknik Ü.) viii

6 BİLİM KURULU Ahmet CAN Ahmet Emir DİRİK Alev MUTLU Alev Taşkın GÜMÜŞ Ali ERKAN Alp ERTÜRK Aydın AKAN Ayşegül GÜVEN Ayşegül UÇAR Ayten ATASOY Banu DİRİ Batuhan BAYKARA Burcu ERKMEN Bülent BOLAT Cem Rıfkı AYDIN Derviş KARABOĞA Elif KARSLIGİL Ender ÖZCAN Erdem YAZGAN Fatih AMASYALI Fatih Erdoğan SEVİGEN Fatma LATİFOĞLU Fikret GÜRGEN Gökhan BİLGİN Haldun ÖZAKTAŞ Halil YİĞİT Halis ALTUN Hamit TORPİ Hasan Seçkin EFENDİOĞLU İbrahim YAKUT İsmail ALTAŞ İstemihan GENÇ Lale ÖZYILMAZ Lütfiye Durak ATA M. Kenan DÖŞOĞLU Mehmet Serdar GÜZEL Melis ÖZYILDIRIM Mustafa DURSUN Mustafa ORAL Mutlu AVCI Müştak E. YALÇIN Nihan KAHRAMAN Nurhan KARABOĞA Oğuz KAYNAR Osman ÖZKARACA Oya KALIPSIZ Ö.Özgür BOZKURT Övünç POLAT Özcan KALENDERLİ Peyman MAHOUTİ Revna Acar VURAL Sabri ÖZTÜRK Sedef KENT Selim AKYOKUŞ Semra İÇER Serdar BİROĞUL Serdar ÖZOĞUZ Serhat DUMAN Serkan KURT Serkan TOPALOĞLU Songül ALBAYRAK Sultan Aldırmaz ÇOLAK Tevfik İNAN Tuba KIYAN Tuğba FIRDOLAŞ Tuğrul ARTUĞ Tülay YILDIRIM Tülin YILDIRIM Ufuk TÜRELİ Uğur GÜVENÇ Uğur KESEN Umut Engin AYTEN Umut ULUDAĞ Yakup DEMİR Yakup ÖZKAZANÇ Yalçın İŞLER Yunus TORUN Yunus Emre SELÇUK Ziya TELATAR Zümray DOKUR ix

7 Kablosuz Bilişsel Radyo Kullanıcıları için İleri Besleme Sinir Ağları Tabanlı Spektrum El Değiştirme İşlemi Muhammed Enes BAYRAKDAR 1 Ali ÇALHAN 2 1,2 Bilgisayar Mühendisliği Bölümü Teknoloji Fakültesi Düzce Üniversitesi, DÜZCE muhammedbayrakdar@duzce.edu.tr alicalhan@duzce.edu.tr Özet Yapay zeka, kablosuz haberleşmenin hızlı gelişimine ayak uydurmak için spektrum yönetimi ve tahsisi işlemlerinde kullanılan tekniklerden biridir. Bilişsel radyo sistemleri, spektrum yönetimi problemini öğrenme ve çevresine uyum sağlama yetenekleri aracılığıyla akıllı yazılım paketleri kullanarak çözmektedir. Böyle bir durumda, çevresinden sezdiği verileri kullanma yeteneği olan bir öğrenme mekanizması karar verme aşamasında oldukça yararlıdır. Bu çalışmada, kablosuz ikincil kullanıcılar için yapay sinir ağları tabanlı spektrum el değiştirme işleminin değerlendirmesi yapılmıştır. Giriş veri setleri; veri oranı, gürültü etkisi ve ortam kullanımı, çıkış veri seti de el değiştirme olasılığı olmak üzere sistem ileri besleme sinir ağları ile eğitilmiştir. 1. Giriş Son yıllarda, kablosuz teknolojileri kullanan cihaz sayısındaki artışla birlikte kablosuz spektrum yetersizliği problemi gündeme gelmiştir [1-3]. Yapılan araştırmalar sonucunda, kablosuz spektrum yetersizliğinin mevcut spektrumların etkin bir biçimde kullanılmamasından kaynaklandığı anlaşılmıştır [4-6]. Dinamik spektrum erişimi sağlayan kablosuz bilişsel radyo ağ teknolojisi spektrum yetersizliğine çözüm olarak geliştirilmiştir [7-9]. Kablosuz bilişsel radyo ağlarında, birincil kullanıcıların ikincil kullanıcılar tarafından hiçbir girişime maruz kalmamaları kesinlikle sağlanması gereken bir durumdur [9-11]. Bununla birlikte, frekans kanalında herhangi bir ikincil kullanıcı iletim yaptığı sırada, kanal birincil kullanıcı tarafından kullanılacaksa spektrumun boşaltılması gerekmektedir [5-7]. Bu durumda, ikincil kullanıcıların frekans bandını boşaltmak için bir kanaldan başka bir kanala geçerek iletimini sürdürmesi spektrum el değiştirme işlemi olarak bilinmektedir [12]. Kablosuz bilişsel radyo ağlarındaki ikincil kullanıcılara, spektrumda bulunan boş frekans bantlarından ihtiyaçları için en uygun olan kanalın atanması sağlanmalıdır [3]. Boş spektrum bantları arasından en uygun kanalın seçilmesinde ikincil kullanıcıların iletim gereksinimlerinin ve mevcut spektrum boşluklarının göz önünde bulundurulması gerekmektedir [6]. Son zamanlarda yapay zeka tabanlı teknikler, kablosuz bilişsel radyo ağlarındaki spektrum el değiştirme karar verme süreçlerinde yaygın olarak kullanılmaktadır [12]. 2. Yapay zeka teknikleri yardımıyla spektrum el değiştirme Kablosuz spektrumda, sezme teknikleri yardımı ile birincil kullanıcı iletişimi tespit edildiğinde; ikincil kullanıcı birincil kullanıcının iletişimine girişimde bulunmamak için kanalı boşaltmalıdır [4]. Bu durumda, bilişsel radyo erişim noktası belirli parametrelere göre başka bir kanala geçişin olmasını sağlamaktadır [7]. İkincil kullanıcıların iletişimini bir kanaldan başka bir kanala aktarma işlemi spektrum el değiştirme olarak bilinmektedir [12] Kablosuz bilişsel radyo ağlarında yapay sinir ağları Yapay zeka, bilgisayar tabanlı bir makinenin insana özgü nitelikleri yerine getirme yeteneği olarak nitelendirilmektedir [2]. Zeka ise, insanın düşünme, algılama, akıl yürütme ve çıkarım yapma gibi yeteneklerinin tamamına verilen bir isimdir [1]. Zekanın temelini bilgi oluşturduğu için, zekayı anlayabilmek için bilginin de tanımlanması gerekmektedir [4]. Bilgi, duyu organları yardımıyla - 9 -

8 alınan ve daha önce var olan bir nesne ile karşılaştırılarak gerçekleştirilen olgudur [7]. Bu olgu, sadece önceden bilinen diğer nesnelerle sürdürdüğü ilişkiler sayesinde tanımlanabilmektedir [9]. Yapay zeka araştırmaları, insan beyninin görevlerinin incelenmesi ile doğrudan ilişkilidir [2]. Beynin çalışması; bilginin girişi, sentezlenmesi ve çıkışı olmak üzere üç bölüme ayrılmaktadır [5]. Yapay sinir ağları, insan beyninin işlevinin modellenmesi olarak tanımlanmaktadır [3]. Yapay sinir ağları, eş zamanlı bir şekilde çalışarak karmaşık işlevleri yerine getiren birçok hücreden meydana gelmektedirler [9]. Yapay sinir ağları, eğitimi esnasında kullanılan nümerik bilgiler dışında kalan girdiler için de problemin genel özelliklerine bakarak anlamlı yanıtlar üretebilmektedir [11]. Yapay sinir ağlarında, bilgiler ağın tamamında saklanmaktadır [10]. Bilgiler, geleneksel programlamada olduğu gibi veri tabanında veya dosyalarda belli bir düzende tutulmamaktadır [6]. Böylece, ağın tamamına yayılmış olan değerler, hücrelerden bazılarının işlevini yitirmesi sonucunda anlamlı bilginin kaybolmasına neden olmamaktadır [8]. Dağıtık belleğe sahip oldukları için hücrelerin bağlantı ve ağırlık dereceleri, ağın genel bilgisini göstermektedir [4]. Bu sebeple, tek bir bağlantının kendi başına hiçbir anlamı yoktur [1]. Yapay sinir ağları, örnekleri kullanarak öğrendikleri için, belirlenen örneklerin ağa sunularak istenen çıktılara göre ağın eğitilmesi gerekmektedir [10]. Eğitilen yapay sinir ağları, eğitimleri sırasında kendilerine verilen örneklerden genellemeler çıkararak yeni örnekler hakkında bilgi üretebilmektedirler [4]. Yapay sinir ağları örüntü tamamlama yapabildikleri için, ağa eksik bilgileri içeren örüntüler verildiğinde eksik bilgilerin tamamlanması konusunda oldukça başarılıdırlar [5]. Ayrıca, kendi kendine öğrenme ve organize etme yetenekleri sayesinde çevrimiçi olarak kendilerini eğitebilmektedirler [7]. Bunun yanında, eksik bilgi ile çalışmaları yapay sinir ağları için performans kaybına yol açmamaktadır [9]. Performans kaybı, eğitim sırasında öğrenilen bilgilerin önem derecesine bağlıdır [1]. Giupponi ve Perez-Neira, yaptıkları çalışmada bilişsel radyo ağlarında spektrum el değiştirmeye odaklanmışlardır [12]. Yaptıkları çalışmada, ikincil kullanıcılar sebep oldukları girişim belirli bir eşik değerinin altında kaldığı süre boyunca kanalı fırsatçı bir şekilde kullanmaktadırlar. Eşik değeri belirli bir değeri aştığında ise, ikincil kullanıcılar mevcut bilgilere göre bulanık mantık tabanlı spektrum el değiştirme yapmaktadırlar Kablosuz bilişsel radyo ağlarında spektrum el değiştirme Mevcut spektrum boşluğunda, sezme mekanizması ile birincil kullanıcı haberleşmesi tespit edildiğinde; ikincil kullanıcı birincil kullanıcıya girişimde bulunmamak için kanalı terk etmelidir [4]. Bu durumda, bilişsel radyo bazı kalite parametrelerine göre diğer kanala geçiş sağlar [8]. Haberleşmeyi diğer kanal bandına kaydıran bu mekanizma spektrum el değiştirme olarak bilinmektedir [12]. İkincil kullanıcılar, spektrumda misafir niteliğinde oldukları için, kullanımda olan spektrumun belirli bir kısmı birincil kullanıcı tarafından kullanılacaksa ikincil haberleşmenin spektrumun boş bir kısmında sürdürülmesi gerekmektedir [7]. Spektrum el değiştirmenin gerçekleştiği üç farklı durum bulunmaktadır. Bunlardan ilki, ortamda birincil kullanıcıların tespit edilmesidir [12]. İkincisi, devam eden haberleşme sırasında kullanıcı hareketliliğinden dolayı ikincil kullanıcıların bağlantılarını kaybetmesidir [2]. Üçüncüsü ise, mevcut spektrum bandının servis kalitesini sağlayamamasıdır [1]. 3. Yapay sinir ağları tabanlı spektrum el değiştirme işlemi Sistemimize giriş parametreleri olarak; birincil kullanıcıların ortam kullanım yoğunluğu, ikincil kullanıcıların veri oranı ve ortamdaki gürültü etkisi kullanılmıştır. Şekil 1. Sistemde kullanılan yapay sinir ağı yapısı. Birincil kullanıcıların ortam kullanım yoğunluğu % olarak ifade edilmektedir ve 0 ile 100 arasında değişebilmektedir. İkincil kullanıcıların farklı veri oranı değerleri, farklı kullanıcılar için farklı uzunlukta paketler üretilerek sağlanmıştır. Her bir kullanıcıya, kullanıcı tarafından istenen veri oranına uygun

9 uzunlukta tahsisler yapıldığı varsayılmıştır. Veri oranı 0 ile 20 arasında değişmekte olup, birimi Kbps olarak gösterilmektedir. Ortam Kullanımı (%) Tablo 1. Eğitim setinden örnekler. Veri Oranı (Kbps) SNR (db) El Değiştirme Olasılığı (%) Ortamdaki gürültü etkisi ise, sinyalin gürültü gücüne olan oranı ile temsil edilmektedir ve değerleri 0 ile 2 arasında ondalık olarak değişmektedir. SNR (Signal to Noise Ratio Sinyal Gürültü Oranı) değerinin yüksek olması, sinyalin güçlü olduğu anlamına gelmektedir. Sistem çıkış parametresi ise, spektrum el değiştirme olasılığı olarak belirlenmiştir. Spektrum el değiştirme olasılığının değeri olasılık ile ilgili olduğu için birimi % olarak seçilmiştir ve değeri 0 ile 100 arasında değişmektedir. Geri yayılımlı ileri besleme yapay sinir ağları; kendi giriş değerlerini ağırlıklı olarak hesapladıktan sonra, toplam değeri hesaplar ve bu değerleri bir aktivasyon fonksiyonu ile işleyerek bir sonraki katmana iletir. Bu yüzden, sistemimizde doğrusal olmayan dinamik bir davranış gösteren ileri besleme yapay sinir ağı kullanılmıştır. Sistemde kullanılan yapay sinir ağının eğitim için Levenberg-Marquardt algoritmasını kullanmaktadır. Tablo 1 de, ileri besleme yapay sinir ağı eğitim setinden örnekler görülmektedir. Sistem toplamda 360 tane veri seti kullanılarak eğitilmiştir ve oldukça düşük hata oranları elde edilmiştir. 4. Performans analizi Veri setleri ile eğitilen yapay sinir ağı sistemine yeni girişler verilerek sonuçlar alındığında, hata oranlarının çok düşük olduğu görülmüştür. Hata Miktarı Parametre Değeri Spektrum El Değiştirme Kararı Şekil 2. Sistemin hata oranları. Ortam Kullanımı Veri Oranı SNR El Değiştirme Olasılığı (Sistem Çıkışı) El Değiştirme Olasılığı (Asıl) Veri Seti Şekil 3. Giriş ve çıkış parametreleri. Şekil 2 de, hata oranları grafiği görülmektedir. Hata oranı değerleri, gerçek çıkış değeri ile sistemin verdiği çıkış değerlerinin farkı hesaplanarak elde edilmiştir. Sistemde toplamda 360 çıkış değeri olmasına rağmen; sonuçların daha net bir şekilde görülebilmesi için, grafikte en çok tekrar eden hata oranları çizilmiştir. Grafiğe bakıldığında, hata miktarlarının -15 ile +15 arasında olduğu görülmektedir. Çıkış değerimizin % olarak ifade edildiğini düşündüğümüzde, hata miktarlarının da aslında % olarak elde ettiğimizi görebiliriz. Şekil 3 te, giriş ve çıkış parametrelerinin değerleri karşılaştırmalı olarak görülmektedir. Grafiğe bakıldığında, spektrum el değiştirme olasılığı çıkış değerini hangi giriş parametresinin daha çok etkilediği net bir şekilde görülmektedir. Değerlerin daha anlaşılır olması, ver setlerinin yer aldığı diziler küçükten büyüğe doğru sıralanmıştır

10 5. Sonuçlar Bu bildiride, kablosuz ikincil kullanıcılar için ileri besleme sinir ağları tabanlı spektrum el değiştirme işleminin başarım analizi gerçekleştirilmiştir. Giriş veri setleri olarak; veri oranı, gürültü etkisi ve ortam kullanım yoğunluğu verilmiştir. Çıkış veri seti olarak da spektrum el değiştirme olasılığı girilerek sistem ileri besleme yapay sinir ağları ile eğitilmiştir. Sonuç olarak, eğitilen yapay sinir ağının örneklemeleri tanıdığı ve diğer detaylara ihtiyaç duymadan spektrum el değiştirme olasılıklarını yüksek oranda doğru tahmin edebildiği saptanmıştır. 6. Teşekkür Bu bildiri, numaralı proje ile Düzce Üniversitesi Bilimsel Araştırma Projeleri Birimi tarafından desteklenmektedir. 7. Kaynaklar [1] V. Gatla, M. Venkatesan and A. V. Kulkarni, Feed forward neural network based learning scheme for cognitive radio systems Third International Conference on Computational Intelligence and Information Technology, Mumbai, 2013, pp [2] M. Huk and J. Mizera Pietraszko, Contextual neural-network based spectrum prediction for cognitive radio Fourth International Conference on Future Generation Communication Technology, Luton, 2015, pp [3] N. Kumar and N. Sood, A Fuzzy Neural Network based reasoning and learning approach for efficient spectrum management in cognitive radio International Conference on Signal Processing, Computing and Control, Waknaghat, 2015, pp [4] P. Nikam, M. Venkatesan and A. V. Kulkarni, Throughput prediction in cognitive Radio using Adaptive Neural Fuzzy Inference System International Conference on Advances in Communication and Computing Technologies, Mumbai, 2014, pp [5] G. V. Lakhekar and R. G. Roy, A fuzzy neural approach for dynamic spectrum allocation in cognitive radio networks International Conference on Circuit, Power and Computing Technologies, Nagercoil, 2014, pp [6] V. Gatla, M. Venkatesan and A. V. Kulkarni, Feed forward neural network based learning scheme for cognitive radio systems Third International Conference on Computational Intelligence and Information Technology, Mumbai, 2013, pp [7] P. Liu, The Random Neural Network and its learning process in Cognitive Packet Networks Ninth International Conference on Natural Computation, Shenyang, 2013, pp [8] N. Shamsi, A. Mousavinia and H. Amirpour, A channel state prediction for multi-secondary users in a cognitive radio based on neural network International Conference on Electronics, Computer and Computation, Ankara, 2013, pp [9] T. Zhang, M. Wu and C. Liu, Cooperative Spectrum Sensing Based on Artificial Neural Network for Cognitive Radio Systems 8th International Conference on Wireless Communications, Networking and Mobile Computing, Shanghai, 2012, pp [10] S. Pattanayak, P. Venkateswaran and R. Nandi, Artificial Neural Networks for Cognitive Radio: A Preliminary Survey 8th International Conference on Wireless Communications, Networking and Mobile Computing, Shanghai, 2012, pp [11] Liang Yin, Si Xing Yin, Weijun Hong and Shu Fang Li, "Spectrum behavior learning in Cognitive Radio based on artificial neural network Military Communications Conference, Baltimore, 2011, pp , [12] L. Giupponi and A. I. Perez-Neira, Fuzzy-based Spectrum Handoff in Cognitive Radio Networks 3rd International Conference on Cognitive Radio Oriented Wireless Networks and Communications, Singapore, 2008, pp