无线电频谱是一种宝贵的自然资源。它作为无线通信的传输载体,在无线电通信系统中扮演着不可或缺的角色。近年随着通信技术的快速发展和无线电业务的扩大,频谱资源日趋紧张。但多项测量研究指出在当今固定频谱分配策略下,部分已授权的业务频段内频谱利用并不高。为解决上述矛盾,认知无线电的概念应运而生。在认知无线电网络中,次级用户可以对空闲的授权频段实施动态接入,从而提高频谱利用率,缓解频谱资源紧缺。其中,频谱预测有助于降低接入过程中的用频冲突,保证主次用户的通信质量,同时可以指导认知用户进行频谱检测从而降低了感知过程中的时耗和能耗。目前,频谱预测技术已成为认知无线电研究中的重要内容。论文对成都市的GSM900上行(890 MHz-915 MHz),广播电视(470 MHz-806MHz)和GSM1800上行(1710 MHz-1785 MHz)三个业务频段进行了为期48小时的测量实验,并对实际采集数据进行分析,利用数据挖掘的方法在时间维和频率维进行频谱预测。最后,设计并实现了无线电频谱监测数据分析应用原型系统。主要研究工作及成果包括:(1)采用部分周期模式挖掘方法实现了对未来时刻的频谱占用状态的预测。论文基于部分周期模式挖掘方法提取频谱的频繁使用模式,并生成强关联规则,得到频谱的使用规律,从而实现时间维频谱状态的预测。结果表明,该方法在实验选取的三个业务频段的占用预测中均取得了较好的效果,预测精度均在90%左右。同时,论文详细分析了该算法的两个主要参数——模式最小置信度和规则最小置信度的取值对挖掘结果的影响。并且,论文传统频繁模式挖掘与部分周期模式的挖掘结果进行了对比,展现了后者在频谱预测中的优势。(2)在次级用户需多个信道传输数据的情况下,频率维频谱预测有利于提高频谱检测的吞吐量和传输速率。对此,论文提出了基于密度的信道相关性聚类方法,实现频率维的频谱预测。首先,将论文提出的聚类算法与已有的基于最小信息熵增量的信道聚类算法进行对比,说明了本文提出的聚类算法的有效性;然后基于该算法对三个业务频段进行频率维预测分析,实验结果表明该方法可以取得较高的预测精度:当ε=0.3,MinPts=2时,TV业务和GSM900上行业务的实验数据的预测精度大多数高达90%及以上;同时,GSM1800上行业务的实验数据分析显示,当ε=0.55,MinPts=2时,预测精度均在87%以上。(3)以无线电频谱监测数据处理和挖掘方法为基础,设计并实现了系统无线电频谱监测数据分析原型系统。该系统能方便高效的实现无线电频谱监测数据的统一管理、统计分析和挖掘预测。