随着无线通信业务的飞速发展,无线电频谱资源面临着严峻的需求紧张的问题。而频谱资源是有限的,如何合理地规划有限的频谱资源,提高频谱的利用率,是当今频谱管理的重要课题。无线电频谱监测通过采用一定的技术手段和一些专业的设备,对接收到的无线电信号在时间、频率、空间等维度上进行计算、统计和分析,从而获得频谱管理相关的信息。而随着现在频谱数据海量级的增长趋势,频谱监测接收到的数据积累越来越多,将数据挖掘和频谱分析结合在一起的频谱分析方法就应运而生。本文主要研究利用大数据的数据挖掘相关算法,从海量的频谱监测数据中挖掘出潜藏的有价值的信息,从而为频谱管理的相关决策提供重要作用。本文研究了基于频谱监测数据的频谱异常相关的挖掘和频谱占用度预测相关的算法,并取得了一些成果:1.本文提出了一种基于最小二乘法的动态逻辑回归学习模型,并实现了频谱异常检测。本文将基于最小二乘法的动态因子引入到权值更新过程中,加快了模型参数的收敛速度,提高了模型的学习效果和分类的效果,缩短了分类的时间。并通过验证其他数据挖掘算法表明,本文提出的异常检测方案能够很好地实现异常检测效果。2.本文设计了基于朴素贝叶斯分类算法的频谱异常检测和异常预测的实现方案。将小时、分钟、场强值、频谱占用度和场强方差作为特征属性,通过k-means算法对连续的特征属性值进行离散化,用朴素贝叶斯分类算法实现了频谱异常检测和异常出现时间预测。实验结果表明,本文设计的频谱异常检测和预测方案具有很好的效果。3.本文提出了一种频谱占用度和带宽的预测实现方案。通过使用BP神经网络,提出将一天24小时作为24维的时间特征属性,每个小时对应的频谱占用度和带宽作为输出,通过训练神经网络实现了对频谱占用度和带宽分小时的预测。并通过比较其他算法,表明BP神经网络能够很好地实现预测。