尊敬的审查员：

首先感谢您对本申请的认真审查。对于审查员的意见，申请人进行了认真的研读，针对审查意见中提出的问题做如下陈述：

一、修改。

1、将说明书中的技术方案补充到权利要求1中，修改为：

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：

1）根据公式 对输入样本进行卷积计算,（其中xn 是输入信号，hn 是单位响应, yn是对应的输出）,并得到对应的卷积矩阵；

2）将得到的卷积矩阵利用卷积自编码器，对其进行自动编码输出，得到卷积自编码器第一层的输出；

3）将第一层的输出作为第二层的输入，重复步骤1）和2），得到第二层输出；

4）重复步骤3)，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n，并将得到的n个卷积自动编码堆栈；

5）卷积自编码器最后一层得到的输出作为极限学习机的输入；

6）卷积自编码器最后一层得到的输出，本发明选择增量型极限学习机并进行学习训练，过程如下：

A．一个线性输出节点的单隐层前向神经网络有L个隐层节点，其数学模型可以表示为：

，

其中gi(x)表示第i个隐层节点的输出，bi 表示第i个隐含层节点与输出节点的输出权重，ai是连接输入层与第i个隐层节点之间的输入权值，bi是第i个隐层节点的阈值；

B. 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；

C. 随机获取当前隐层神经元的权值a和阈值b；

D. 计算当前神经元激励函数g(x) 的输入x；

a 加法隐含层神经元：见b扩展成一个1´U的矩阵b，然后计算，其中X为n´U的矩阵；

b 径向基隐层神经元：将a扩展成一个U´ n的矩阵，然后计算；

E.计算当前隐层输出：

a 加法隐层神经元：，

B径向基隐层神经元:，

F. 然后计算该隐层神经元的输出权值：，

其中E为余差，即网络实际输出与目标输出之间的差值矩阵；

重复上述步骤，直到误差小于期望误差停止学习，若误差一直大于期望误差，则当L>M时停止学习，这是由于输入权值a和阈值b随机造成，这时将重新开始学习。

2、权利要求4中“本发明选择增量型极限学习机”改为“选择增量型极限学习机”

3、权利要求5及说明书中“若出水COD（预测或监测）”改为“若预测或监测的出水COD”。

4、权利要求5及说明书中“介于于60-80mg/L”改为“介于60-80mg/L”。

5、说明书相应位置对应修改。

二、意见陈述。

关于修改，本次修改针对第二次审查意见中指出的缺陷进行修改，且没有超出原有权利要求书和说明书记载的范围，符合专利法的相关规定。

请审查员在以上答复的基础上继续对本申请进行审查，如仍有其他形式或实质问题，请审查员进一步指正，申请人愿配合修改和/或陈述意见。