The Open Spectrum approach to spectrum access can achieve near-optimal utilization by allowing devices to sense and utilize available spectrum opportunistically. However, a naive distributed spectrum assignment can lead to significant interference between devices. In this paper, we define a general framework that defines the spectrum access problem for several definitions of overall system utility. By reducing the allocation problem to a variant of the graph coloring problem, we show that the global optimization problem is NP-hard, and provide a general approximation methodology through vertex labeling. We examine both a centralized strategy, where a central server calculates an allocation assignment based on global knowledge, and a distributed approach, where devices collaborate to negotiate local channel assignments towards global optimization. Our experimental results show that our allocation algorithms can dramatically reduce interference and improve throughput (as much as 12-fold). Further simulations show that our distributed algorithms generate allocation assignments similar in quality to our centralized algorithms using global knowledge, while incurring substantially less computational complexity in the process.

We present the design, implementation, and evaluation of BeepBeep, a high-accuracy acoustic-based ranging system. It operates in a spontaneous, ad-hoc, and device-to-device context without leveraging any pre-planned infrastructure. It is a pure software-based solution and uses only the most basic set of commodity hardware -- a speaker, a microphone, and some form of device-to-device communication -- so that it is readily applicable to many low-cost sensor platforms and to most commercial-off-the-shelf mobile devices like cell phones and PDAs. It achieves high accuracy through a combination of three techniques: two-way sensing, self-recording, and sample counting. The basic idea is the following. To estimate the range between two devices, each will emit a specially-designed sound signal ("Beep") and collect a simultaneous recording from its microphone. Each recording should contain two such beeps, one from its own speaker and the other from its peer. By counting the number of samples between these two beeps and exchanging the time duration information with its peer, each device can derive the two-way time of flight of the beeps at the granularity of sound sampling rate. This technique cleverly avoids many sources of inaccuracy found in other typical time-of-arrival schemes, such as clock synchronization, non-real-time handling, software delays, etc. Our experiments on two common cell phone models have shown that we can achieve around one or two centimeters accuracy within a range of more than ten meters, despite a series of technical challenges in implementing the idea.

Exploiting the increasingly wide use of Light-emitting Diode (LED) lighting, in this paper, we study the problem of using visible LED lights for accurate localization. The basic idea is to leverage the existing lighting infrastructure and apply trilateration to localize any devices with light sensing capability (e.g., a smartphone), using LED lamps as anchors. Through the design of Epsilon, we identify and tackle several technique challenges. In particular, we establish and experimentally verify the optical channel model for localization. We adopt BFSK and channel hopping to enable reliable location beaconing from multiple, uncoordinated light sources over the shared optical medium. We handle realistic situations towards robust localization, for example, we exploit user involvement to resolve the ambiguity in case of insufficient LED anchors. We have implemented the Epsilon system and evaluated it with a small scale hardware testbed as well as moderate-size simulations. Experimental results confirmed the effectiveness of Epsilon: the 90th percentile accuracies are 0.4m, 0.7m and 0.8m for three typical office environments. Even in the extreme situation with a single light, the 90th percentile accuracy is 1.1m. We believe that visible light based localization is promising to significantly improve the positioning accuracy, despite few open problems in practice.

The open spectrum approach to spectrum access can achieve near-optimal spectrum utilization by letting users sense and utilize available spectrum opportunistically. However, naive spectrum assignment can lead to significant interference. We propose a network controlled spectrum access scheme where users behave collaboratively to optimize spectrum allocation for the entire network. We develop a graph-theoretical model to characterize the spectrum access problem under a number of different optimization functions, and devise rules for users to utilize available spectrum while avoiding interference with their neighbors. Experimental results confirm that user collaboration yields significant benefits (as much as 50% improvement) in opportunistic spectrum access.

Fraud credit card transaction causes severe financial damage to businesses and people. Conventional credit card fraud detection technologies rely on rigid regulation rules to figure out abnormal purchase behaviors. They are incapable of identifying complex and covert cheating crimes. This article proposes a fraud detection procedure for uncovering fraud credit card transactions. The proposed method is composed of the following steps: (1) A training data set is produced from a collection of credit card transactions. (2) The key features of transactions are identified and used for fraud detection. (3) The proposed procedure train a Self-Organizing Map (SOM) to classify normal and fraud purchases via credit cards. (4) Following the SOM training process, a decision tree is constructed to further classify normal and anomaly transactions. Along with the fraud detection process, informative visualization techniques are utilized to enhance the comprehension of features, training results, and verification of detection.

We apply Multi-Agent Deep Reinforcement Learning (MADRL) to multi-echelon inventory management problems and evaluate MADRL’s performance to minimize the overall costs of a supply chain. We also examine whether the upfront-only information-sharing mechanism used in MADRL helps alleviate the bullwhip effect in a supply chain. We apply Heterogeneous-Agent Proximal Policy Optimization (HAPPO), a MADRL algorithm, to the decentralized multi-echelon inventory management problems in both a serial supply chain and a supply chain network. Our results show that policies constructed by HAPPO achieve lower overall costs than policies constructed by single-agent deep reinforcement learning and other heuristic policies. Also, the application of HAPPO results in a less significant bullwhip effect than policies constructed by single-agent deep reinforcement learning where information is not shared among actors. Somewhat surprisingly, compared to using the overall costs of the system as a minimization target for each actor, HAPPO achieves lower overall costs when the minimization target for each actor is a combination of its own costs and the overall costs of the system. Our results provide a new perspective on the benefit of information sharing inside the supply chain that helps alleviate the bullwhip effect and improve the overall performance of the system. Upfront information sharing and action coordination in model training among actors is essential, with the former more essential, for improving a supply chain’s overall performance when applying MADRL. Neither actors being fully self-interested nor actors being fully system-focused leads to the best practical performance of policies learned and constructed by MADRL. Our results also verify MADRL’s potential in solving various multi-echelon inventory management problems with complex supply chain structures and in non-stationary market environments.

The moisture of coal has a significant impact on its marketing and conversion. Using chemical reagents to reduce coal moisture has gained popularity due to their efficiency and low investment. Flocculants and surfactants are common filter aids that can effectively reduce product moisture and increase the filtration rate. However, there are almost no studies on the effect of their synergism on dewatering. Hence, the synergistic effect between flocculants and surfactants on the dewatering behavior of macerals, the main components in fine clean coal, was investigated in this paper. The results showed that the synergistic effect of flocculants and surfactants significantly reduced the moisture content of the maceral cake. The combination of nonionic polyacrylamide (NPAM) and dodecyl trimethyl ammonium bromide (DTAB) was the best combination agent. Compared to vitrinite, this combination agent more significantly reduced the moisture content of the inertinite cake. The combination agents formed new forms of adsorption, improved particle wettability, promoted particle agglomeration and increased the cake average pore size and pore area. However, the new form may have led to an increase in the dosage of the agent.