1. 一种基于卷积自编器极限学习机的污水处理系统监测预警方法，其特征在于，该方法包括：

（1）对污水处理系统收集到数据，进行数据预处理；

（2）经过预处理后的数据输入卷积自编器极限学习机进行学习；

（3）利用卷积自编器极限学习机预测出污水处理系统出水水质；

（4）根据出口水质的预测值，确定警级状态，及时反馈，并给出是否需要进行前一阶段的工艺改进，参数调剂，药品用量的增减等相应处理决策；

所述污水处理系统收集到的数据包括：进水生物需氧量（BOD），化学需氧量（COD），氨氮（NH3-N），总氮（TN）， 总磷（TP），悬浮物（SS）以及出水COD；数据预处理包括降噪、剔除异常值、平滑以及标准化处理；

所述卷积自编器极限学习机进行学习的具体步骤如下：

a、对输入样本数据做卷积计算，得到相应的卷积矩阵；

b、将得到卷积矩阵，利用卷积自编器，自动编码输出，得到卷积自动编码器第一层输出；

c、将第一层的输出作为第二层的输入，重复步骤a和b，得到第二层的输出；

d、重复步骤c，将上一层的输出作为下一层的输入进行学习，直到最后一层，得到第n层的输出，最终得到n个卷积自动编码器堆栈；

e、将n层的输出作为极限学习机的输入，极限学习机的输出作为学习的结果。

2. 根据权利要求1所述的方法，其特征在于：利用卷机自编器极限学习机得出出水水质预测结果的具体方法为：

将新收集到污水处理厂水质因子数据输入卷积自编器极限学习机，卷积自编器极限学习机的输出即为预测结果。

3. 根据权利要求1所述的方法，其特征在于：经过卷积自编器极限学习机得到出水质预测结果，根据预测结果进行预警决策，其方法包括：

（1）预警状态水平确定模块；

（2）污水处理系统检验模块。

4. 根据权利要求1所述的方法，其特征在于：经卷积自编器n层的输出作为极限学习机的输入，本发明选择增量型极限学习机，学习过程方法如下：

（1）设最大隐层节点个数为M，隐层节点个数L从1开始增加，当L<M且误差大于期望误差时：L=L+1；

（2）随机获取当前隐层神经元的权值和阈值；

（3）计算当前神经元激励函数的输x；

（4）计算当前隐层输出；

（5）然后计算该隐层神经元的输出权值。

5. 根据权利要求3所述的方法，其特征在于：预警状态水平确定模块，具体方法为：

（1）若出水COD（预测或监测）低于60mg/L，此时的预警状态为正常，及确定当前不需要进行水质预警；

（2）若出水COD（预测或监测）介于于60-80mg/L，此时的预警状态为一般；

（3）若出水COD（预测或监测）介于80-100mg/L，此时的预警状态为不正常；

（4）若出水COD（预测或监测）大于100mg/L，此时的预警状态为极不正常。

6. 根据权利要求3所述的方法，其特征在于：对于预测状态为不正常或是极不正常，将对污水处理系统进行以下检验具体为：

（1）检验进水水质是否发生变化； （2）检验水温是否发生变化； （3）检验污泥状态，并做镜检做下观察； （4）检验是否排泥过多； （5）检验曝气量是否发生变化。