Radio Access Technology (RAT) classification and monitoring are essential for efficient coexistence of different communication systems in shared spectrum. Shared spectrum, including operation in license-exempt bands, is envisioned in the fifth generation of wireless technology (5G) standards (e.g., 3GPP Rel. 16). In this paper, we propose a Machine Learning (ML) approach to characterise the spectrum utilisation and facilitate the dynamic access to it. Recent advances in Convolutional Neural Networks (CNNs) enable us to perform waveform classification by processing spectrograms as images. In contrast to other ML methods that can only provide the class of the monitored RATs, the solution we propose can recognise not only different RATs in shared spectrum, but also identify critical parameters such as inter-frame duration, frame duration, centre frequency, and signal bandwidth by using object detection and a feature extraction module to extract features from spectrograms. We have implemented and evaluated our solution using a dataset of commercial transmissions, as well as in a Software-Defined Radio (SDR) testbed environment. The scenario evaluated was the coexistence of WiFi and LTE transmissions in shared spectrum. Our results show that our approach has an accuracy of 96% in the classification of RATs from a dataset that captures transmissions of regular user communications. It also shows that the extracted features can be precise within a margin of 2%, and can detect above 94% of objects under a broad range of transmission power levels and interference conditions.

无线电接入技术（RAT）的分类和监视对于共享频谱中不同通信系统的有效共存至关重要。第五代无线技术（5G）标准（例如3GPP第16版）中设想了包括免许可频段中的操作在内的共享频谱。在本文中，我们提出了一种机器学习（ML）方法来表征频谱利用并促进对其的动态访问。卷积神经网络（CNN）的最新进展使我们能够通过将频谱图处理为图像来执行波形分类。与其他只能提供受监视RAT类别的ML方法相比，我们提出的解决方案不仅可以识别共享频谱中的不同RAT，而且还可以识别关键参数，例如帧间持续时间，帧持续时间，中心频率和信号带宽，方法是使用对象检测和特征提取模块从频谱图中提取特征。我们已经使用商业传输数据集以及在软件定义无线电（SDR）测试平台环境中实施和评估了我们的解决方案。评估的方案是共享频谱中WiFi和LTE传输的共存。我们的结果表明，我们的方法从捕获常规用户通信传输的数据集中进行RAT分类的准确性为96％。它还表明，提取的特征可以精确到2％的范围内，并且可以在宽范围的发射功率水平和干扰条件下检测到94％以上的物体。通过使用对象检测和特征提取模块从频谱图中提取特征来获得信号带宽。我们已经使用商业传输数据集以及在软件定义无线电（SDR）测试平台环境中实施和评估了我们的解决方案。评估的方案是共享频谱中WiFi和LTE传输的共存。我们的结果表明，我们的方法从捕获常规用户通信传输的数据集中进行RAT分类的准确性为96％。它还表明，提取的特征可以精确到2％的范围内，并且可以在宽范围的发射功率水平和干扰条件下检测到94％以上的物体。通过使用对象检测和特征提取模块从频谱图中提取特征来获得信号带宽。我们已经使用商业传输数据集以及在软件定义无线电（SDR）测试平台环境中实施和评估了我们的解决方案。评估的方案是共享频谱中WiFi和LTE传输的共存。我们的结果表明，我们的方法从捕获常规用户通信传输的数据集中进行RAT分类的准确性为96％。它还表明，提取的特征可以精确到2％的范围内，并且可以在宽范围的发射功率水平和干扰条件下检测到94％以上的物体。以及在软件定义无线电（SDR）测试平台环境中。评估的方案是共享频谱中WiFi和LTE传输的共存。我们的结果表明，我们的方法从捕获常规用户通信传输的数据集中进行RAT分类的准确性为96％。它还表明，提取的特征可以精确到2％的范围内，并且可以在宽范围的发射功率水平和干扰条件下检测到94％以上的物体。以及在软件定义无线电（SDR）测试平台环境中。评估的场景是共享频谱中WiFi和LTE传输的共存。我们的结果表明，我们的方法从捕获常规用户通信传输的数据集中进行RAT分类的准确性为96％。它还表明，提取的特征可以精确到2％的范围内，并且可以在宽范围的发射功率水平和干扰条件下检测到94％以上的物体。