bildiriler kitabı - Muhammed Enes BAYRAKDAR

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
Bu sempozyum kitabı elektronik yayın (e-kitap) olarak yayınlanmıştır.
Her hakkı saklıdır.
Editörler
Doç.Dr. Uğur GÜVENÇ
Yrd.Doç.Dr. Serdar BİROĞUL
ISBN: 978-605-60595-5-1
Adres
Telefon
E-posta
Web
Düzce Üniversitesi Rektörlüğü, Merkez- DÜZCE, Türkiye
+90 380 542 1133/2244-2510
[email protected]
www.asyu.inista.org
Eserin hukuki ve etik sorumluluğu yazarlara aittir. Tüm hakları saklıdır. Bu
kitabın yayın hakkı Düzce Üniversitesi’ne aittir. İzinsiz kopyalanamaz ve
çoğaltılamaz.
Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu 2016 Bildiriler Kitabı
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
Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu 2016 Bildiriler Kitabı
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
Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu 2016 Bildiriler Kitabı
DANIŞMA KURULU
Aydın AKAN
(İstanbul Ü.)
Nuran YÖRÜKEREN (Kocaeli Ü.)
Ayten ATASOY
(Karadeniz Teknik Ü.)
Nurhan KARABOĞA (Erciyes Ü.)
Berk GÖKBERK
(MEF Ü.)
Okan ERSOY
(Purdue U.)
Osman KANDARA
(Southern U.)
Berrin YANIKOĞLU (Sabancı Ü.)
Burcu ERKMEN
(Yıldız Teknik Ü.)
Osman PARLAKTUNA (Osmangazi Ü.)
Cihan DAĞLI
(Missouri-Rolla U.)
Övünç POLAT
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
(Akdeniz Ü.)
Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu 2016 Bildiriler Kitabı
BİLİM KURULU
Ahmet CAN
M. Kenan DÖŞOĞLU
Ufuk TÜRELİ
Ahmet Emir DİRİK
Mehmet Serdar GÜZEL
Uğur GÜVENÇ
Alev MUTLU
Melis ÖZYILDIRIM
Uğur KESEN
Alev Taşkın GÜMÜŞ
Mustafa DURSUN
Umut Engin AYTEN
Ali ERKAN
Mustafa ORAL
Umut ULUDAĞ
Alp ERTÜRK
Mutlu AVCI
Yakup DEMİR
Aydın AKAN
Müştak E. YALÇIN
Yakup ÖZKAZANÇ
Ayşegül GÜVEN
Nihan KAHRAMAN
Yalçın İŞLER
Ayşegül UÇAR
Nurhan KARABOĞA
Yunus TORUN
Ayten ATASOY
Oğuz KAYNAR
Yunus Emre SELÇUK
Banu DİRİ
Osman ÖZKARACA
Ziya TELATAR
Batuhan BAYKARA
Oya KALIPSIZ
Zümray DOKUR
Burcu ERKMEN
Ö.Özgür BOZKURT
Bülent BOLAT
Övünç POLAT
Cem Rıfkı AYDIN
Özcan KALENDERLİ
Derviş KARABOĞA
Peyman MAHOUTİ
Elif KARSLIGİL
Revna Acar VURAL
Ender ÖZCAN
Sabri ÖZTÜRK
Erdem YAZGAN
Sedef KENT
Fatih AMASYALI
Selim AKYOKUŞ
Fatih Erdoğan SEVİGEN
Semra İÇER
Fatma LATİFOĞLU
Serdar BİROĞUL
Fikret GÜRGEN
Serdar ÖZOĞUZ
Gökhan BİLGİN
Serhat DUMAN
Haldun ÖZAKTAŞ
Serkan KURT
Halil YİĞİT
Serkan TOPALOĞLU
Halis ALTUN
Songül ALBAYRAK
Hamit TORPİ
Sultan Aldırmaz ÇOLAK
Hasan Seçkin EFENDİOĞLU
Tevfik İNAN
İbrahim YAKUT
Tuba KIYAN
İsmail ALTAŞ
Tuğba FIRDOLAŞ
İstemihan GENÇ
Tuğrul ARTUĞ
Lale ÖZYILMAZ
Tülay YILDIRIM
Lütfiye Durak ATA
Tülin YILDIRIM
ix
Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu 2016 Bildiriler Kitabı
Kablosuz Bilişsel Radyo Kullanıcıları için İleri Besleme Sinir Ağları
Tabanlı Spektrum El Değiştirme İşlemi
Muhammed Enes BAYRAKDAR1 Ali ÇALHAN2
1,2
Bilgisayar Mühendisliği Bölümü
Teknoloji Fakültesi
Düzce Üniversitesi, DÜZCE
E-mail: [email protected]
[email protected]
geçerek iletimini sürdürmesi spektrum el değiştirme
işlemi olarak bilinmektedir [12].
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
-9-
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].
2.1. 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
Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu 2016 Bildiriler Kitabı
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].
değeri aştığında ise, ikincil kullanıcılar mevcut
bilgilere göre bulanık mantık tabanlı spektrum el
değiştirme yapmaktadırlar.
2.2. Kablosuz bilişsel
spektrum el değiştirme
radyo
ağlarında
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.
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].
Şekil 1. Sistemde kullanılan yapay sinir ağı yapısı.
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
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
- 10 -
Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu 2016 Bildiriler Kitabı
20
uzunlukta tahsisler yapıldığı varsayılmıştır. Veri oranı
0 ile 20 arasında değişmekte olup, birimi Kbps olarak
gösterilmektedir.
15
10
Tablo 1. Eğitim setinden örnekler.
SNR
(dB)
El Değiştirme
Olasılığı (%)
18
12
16
7
15
10
2
1.07
0.51
1.83
1.52
1.77
0.14
0.37
93
31
50
44
65
30
8
Hata Miktarı
Veri Oranı
(Kbps)
0
-5
-10
-15
-20
0
5
10
15
20
25
Spektrum El Değiştirme Kararı
30
35
300
350
Şekil 2. Sistemin hata oranları.
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.
100
Ortam Kullanımı
Veri Oranı
SNR
El Değiştirme Olasılığı (Sistem Çıkışı)
El Değiştirme Olasılığı (Asıl)
90
80
70
Parametre Değeri
Ortam
Kullanımı
(%)
8
94
87
78
66
51
43
5
60
50
40
30
20
10
0
0
50
100
150
200
Veri Seti
250
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.
4. Performans analizi
Veri setleri ile eğitilen yapay sinir ağı sistemine yeni
girişler verilerek sonuçlar alındığında, hata
oranlarının çok düşük olduğu görülmüştür.
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.
- 11 -
Akıllı Sistemlerde Yenilikler ve Uygulamaları Sempozyumu 2016 Bildiriler Kitabı
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.
[7]
[8]
[9]
6. Teşekkür
Bu bildiri, 2015.07.02.329 numaralı proje ile Düzce
Üniversitesi Bilimsel Araştırma Projeleri Birimi
tarafından desteklenmektedir.
[10]
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. 25-31.
[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. 1-5.
[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. 365-370.
[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. 1-5.
[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. 1455-1461.
[6] V. Gatla, M. Venkatesan and A. V. Kulkarni,
“Feed forward neural network based learning
scheme for cognitive radio systems” Third
[11]
[12]
- 12 -
International Conference on Computational
Intelligence and Information Technology,
Mumbai, 2013, pp. 25-31.
P. Liu, “The Random Neural Network and its
learning process in Cognitive Packet Networks”
Ninth International Conference on Natural
Computation, Shenyang, 2013, pp. 95-100.
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. 200-203.
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. 1-5.
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. 1-4.
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. 25-30.,
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. 1-6.