基于支持向量机的TiO2/C复合材料的研究(2)
以前由于污水处理技术不发达，革厂、印染厂排出的印染废水只进行基本的脱色处理，然后将废弃物填埋，达不到理想的效果。如今随着技术的发展，研究发现由碳纳米材料改性的TiO2复合材料具有较好的光催化降解能力，并将其应用于印染废水和生活污水的处理[1]。由于二氧化钛光催化剂的氧化能力强、无毒、高效且催化性能好，二氧化钛光催化降解法是一种高效的深度氧化技术，是一种应用前景广阔的环保绿色的环境治理技术。但合成的TiO2/C 复合材料由于制备上的缺陷而影响其光催化效能的有效发挥，比如TiO2颗粒在炭材料表面分布不均，TiO2与碳的比率难以调控，TiO2颗粒在碳材料表面黏附不牢固等[2]。
在实验室制备TiO2/C复合材料时，为了解决这些问题，人们开始研究碳气凝胶的性能，加入适当的添加剂，修改实验原材料的配比，控制实验条件环境等，提高催化剂对有机废水的降解效果，提高碳气凝胶的降解率，并且相应地减少实验材料的浪费。碳气凝胶对目标的降解效率，与许多因素相关，比如制备的原材料用量、配比，制备时的温度，光照降解的时间，样品的质量以及浓度，还与光源的波长等因素有关。碳气凝胶的催化性能往往是许多影响因素共同相互作用的结果[3]，使得控制各个因素以求制得高降解效率的碳气凝胶变得非常复杂。因此怎样控制各个实验因素对碳气凝胶性能的影响，是提高其降解性能的关键。实验室用控制变量法对不同因素进行了实验研究，但因素变量的多样性导致了实验测试的复杂性，不仅数据众多，分析彼此之间的关系也是非常复杂，而且需要大量的实验原材料，实验过程时间漫长，效率不高。
随着计算机科学技术的快速发展，这对研究光催化剂的催化性能影响因素提供了很大的帮助。在碳气凝胶降解性能的研究中使用支持向量机法，先是对机器进行学习训练，使它建立起碳气凝胶性能预测的模型，因此可以使用支持向量机对碳气凝胶的降解性能准确的分析和预测。这对于实验室制备高降解率的碳气凝胶有很大的帮助。
因此我们将使用支持向量机预测模型对碳气凝胶的降解性能进行预测分析，并将得到的预期结果与实验得到的实际结果进行对比，以确定支持向量机在碳气凝胶制备中的使用价值。通过对那些有可能会影响碳气凝胶降解性能的影响因素进行分析，分析因素之间的关系，为制备和实验处理提供合理依据。
1.2 支持向量机研究现状
1.2.1 支持向量机理论
数据挖掘分析技术是计算机信息科学领域中的一个热点，对采集的数据运用不同的算法进行计算机处理，通过对数据的筛选与分析，发现未知规律。数据挖掘分析技术要求要以人为主体，通过多种计算方法加以实现。目前主要有回归(Regression)、人工神经网络 (Artificial neural network)、模式识别(Pattern recognition)、支持向量机(SVM)等方法，其中支持向量机方法是比较新的一种统计建模算法[4]。
支持向量机基本原理是根据样本在模型的复杂性和学习能力之间寻求最佳折衷，以求获得最好的预测学习能力。支持向量机(Support Vector Machine，简称SVM)它是处理分析数据的一种机器[5]，支持向量机法是以统计学理论为基础的算法，统计学理论的特点是它的结构风险最小化原则兼顾了训练误差和预测学习能力，在两者之间寻求平衡点，确保预测结果的准确度。
支持向量机法是Vapnik等在20世纪末期，根据统计理论基础而开创出的一种新的机器学习方法，它理论基础是以结构风险最小化原则的，通过选择合适的函数集和其中的核函数，进而把实际风险控制到最小化，保证了预测结果的准确性[6]。
下一篇：反应物浓度对材料的影响+文献综述