基于随机森林和贝叶斯优化的TiO2光催化污染物降解速率预测模型研究

刘海军，刘韵锋，陈 侨，刘小玲，郭柏帆，赵文锋（通讯作者）

（华南农业大学电子工程学院<华南农业大学人工智能学院> 广东 广州 510642）

1 引言

水污染处理是当今全球性问题，由于水体污染物中包含重金属、有毒有害易长期积累的有机物、放射性污染物等，对用水安全产生了极大地威胁。1972年以来，研究人员开展了大量光催化降解污染物的实验，由于化学反应的发生与结果往往取决于反应物与实验环境，具有高度的不确定性，需要反复地实验，不断地试错以获取期望的结果，显然这种方法在资源消耗与取得成果上不具备优势。

随着数据科学的兴起，各种机器学习模型也被用到化学反应的预测工作。在多种机器学习模型中，人工神经网络（Artificial Neural Network，ANN）对水污染处理效果的预测模型受到越来越多研究人员的关注。张浩等[1]为获取高效的甲醛气体去除率，运用正交实验设计结合反向传播（Back Propagation，BP）神经网络优化TiO2的改性方案，并通过该模型进行预测和优选，得到了最佳的活性炭改性方案。袁军座等[2]以BP神经网络作为模型的主体结构，指数平滑法作为预测模型的输入，利用网络自学习获取模型输入权重，建立Cu-Ce/TiO2光催化性能组合预测模型。

但是，传统ANN算法是基于渐近理论，模型的准确预测建立在大量数据支撑的基础上，同时容易陷入局部最值，以及对样本的依赖性和初始权重的敏感度较高等因素，使得模型的处理精度和速度达不到预期。进而有研究人员开始利用集成学习（Ensemble Learning）方法去搭建预测模型。……