Dynamic spectrum access based wireless networks and next-generation cognitive electronic warfare systems demand rapid identification and labelling of high data rate radio frequency (RF) information. This requires receiver front-end designs to distinguish numerous kinds of wireless signals of different standards over a relatively wide spectrum. This paper proposes a novel attempt at large scale, blind identification of signals from 29 wireless standard technologies that occupy the modern day spectrum. A deep convolutional neural network model called ‘Wireless Standard Technology Identifier (WiST ID)’ is deployed, along with a pre-processing method based on the Stockwell transform time-frequency representation for highly accurate classification over relatively large number of signal classes. The model demonstrates enhanced learning of RF fingerprints from the pre-processed Stockwell images belonging to a variety of wireless technologies. Analyses of classification performance over synthetically generated samples with SNR scenarios varying from −10 dB to 10 dB reveal the robustness of the model under low and moderate SNR. At a modest SNR of 10 dB, the model achieves 100% classification accuracy over a small scale synthetic dataset (9 classes). Over a large scale dataset (29 classes) consisting of both synthetically generated and over-the-air captured samples, the classification accuracy achieved is 98.91%.

中文翻译：

---

WiST ID - 基于深度学习的大规模无线标准技术识别

基于动态频谱接入的无线网络和下一代认知电子战系统需要快速识别和标记高数据速率射频 (RF) 信息。这需要接收器前端设计在相对较宽的频谱上区分多种不同标准的无线信号。本文提出了一种新尝试，对来自占据现代频谱的 29 种无线标准技术的信号进行大规模盲识别。部署了称为“无线标准技术标识符 (WiST ID)”的深度卷积神经网络模型，以及基于 Stockwell 变换时频表示的预处理方法，可对相对大量的信号类别进行高精度分类。该模型展示了从属于各种无线技术的预处理 Stockwell 图像中增强的射频指纹学习。对 SNR 场景从 -10 dB 到 10 dB 变化的合成生成样本的分类性能分析揭示了模型在低和中等 SNR 下的稳健性。在 10 dB 的适度 SNR 下，该模型在小规模合成数据集（9 类）上实现了 100% 的分类准确度。在由合成生成和空中捕获的样本组成的大规模数据集（29 个类别）上，实现的分类准确率为 98.91%。对 SNR 场景从 -10 dB 到 10 dB 变化的合成生成样本的分类性能分析揭示了模型在低和中等 SNR 下的稳健性。在 10 dB 的适度 SNR 下，该模型在小规模合成数据集（9 类）上实现了 100% 的分类准确度。在由合成生成和空中捕获的样本组成的大规模数据集（29 个类别）上，实现的分类准确率为 98.91%。对 SNR 场景从 -10 dB 到 10 dB 变化的合成生成样本的分类性能分析揭示了模型在低和中等 SNR 下的稳健性。在 10 dB 的适度 SNR 下，该模型在小规模合成数据集（9 类）上实现了 100% 的分类准确度。在由合成生成和空中捕获的样本组成的大规模数据集（29 个类别）上，实现的分类准确率为 98.91%。