尊敬的审查员老师：

您好！非常感谢您对本申请的耐心细致审查。

审查员老师在2021年08月31日发出的第二次审查意见通知书中指出，本申请权利要求1-5是在对比文件1的基础上结合本领域常规技术手段而得到的，对于本领域技术人员来说是显而易见的，权利要求1-5不具备突出的实质性特点和显著的进步，不符合专利法第22条第3款规定的创造性。

一、关于权利要求1-5的创造性

1.审查员老师认为，首先，对比文件1公开了:LS-SVM回归对无故障气动执行器的输入、输出进行建模，然后将实际的输出和模型的输出进行比较产生残差，如果残差发生异常则检测到执行器故障，将残差作为特征向量输入到训练好的支持向量多分类器，即可实现气动执行器的故障状态识别;基于LS-SVM-SVM的气动执行器故障诊断方法的原理框图如图1所示。可见对比文件1也是利用LS-SVM结合SVM多分类期对故障进行检测。

其次，对比文件1还公开了启动执行器基本结构图为，其中包含了温度传感器，压力传感器，流量传感器等，气动执行器19种典型故障包含了位置反馈信号传感器故障,压力信号传感器故障，流量传感器故障等，通过建立5个LS-SVM模型用于故障状态识别。并建立19个支持向量两类分类机（SVMI～SVMI9)，将19个两类分类机按照图6所示的形式组合，便成为一个可以分类20种状态的多分类机（参加第1613-1614页)。由上述可知，对比文件1中的气动执行器故障诊断时，也可同时对多个传感器进行故障诊断，其发明构思与本申请相似。因此，当各传感器可随意调整位置时，选择其中任一传感器作为获得其他传感器的实际输出值，当得到其他传感器的预测值与实际值的差值后，再选择另一传感器作为基础传感器以得到上一个传感器的实际输出值，将残差输入到SVM分类器中得到故障传感器对本领域技术人员而言是不难实现的。

2.申请人认为：本申请文件中，相对于现有技术而言，本申请提供了一种基于支持向量回归机各传感器之间相互故障诊断方法，包括以下步骤：

S1：在N个传感器中任意选择一个传感器作为基础传感器；

S2：将其它传感器所得到的输出值作为输入值，首先输入进最小二乘支持向量机在线预测模型f，最小二乘支持向量机在线预测模型f，该在线预测模型 f 采用径向基 RBF 函数作为核函数，在任意时刻t在线预测模型 f 的输出可以表示为 x(t+1)＝f(x(t-l+1)，…，x(t-1)，x(t))，其中 x(·)为线预测模型f的输入，得到预测值；

S3：其次，将其它传感器所得到的输出值作为该基础传感器的输入值，得到实际输出值；

S4：将预测值与实际输出值做对比，得到其它传感器的预测值和实际输出值的差值；

S5：选择另一个待诊断传感器，重复进行步骤S1和S2，得到每一个传感器的输出值；

S6：通过支持向量回归机对其它传感器得到的差值进行分类，通过支持向量回归机进行分类，即给定一个新的模式，根据训练集推断它所对应的类别，输出只允许取两个值，如+1和-1，即使用y=sign(g(x))来推断任一输入x所对应的类别，如果差值在分类后，大部分均属于+1这个类别，而个别属于-1这个类别，则找到故障的传感器，差值属于-1这个类别的传感器，即是故障传感器。

如果选择的基础传感器之外的其它传感器，通过S2-S6的步骤进行故障诊断后，没有诊断出故障，则将S1中的基础传感器进行更换，并依次重复进行步骤S2-S6，进行故障诊断。与对比文件相比具有突出的技术特征，因此该申请文件相较于对比文件是具备创造性的。

3、权利要求2-5不具备专利法第22条第3款规定的创造性。

审查员表示权利要求2-5对权利要求1进一步限定，其公开技术方案均为常规方式，不需要付出创造性劳动，因此，在其引用的权利要求不具备创造性的情况下，该权利要求也不具备创造性。

权利要求2-5为权利要求1的从属权利要求，其提出是为了对权利要求1的技术方案进行补充、解释和限定，在权利要求1具备创造性的前提下，权利要求2-5具备创造性。

基于上述修改和意见陈述，申请人认为本申请已经克服了审查员老师在第二次审查意见通知书中指出的创造性缺陷，请审查员老师继续审查/授权为盼。

二、特别请求

审查员老师如果不认同上述意见陈述/修改，申请人愿意继续修改申请文件和/或进一步陈述意见，恳请审查员老师不要直接驳回本申请，再给予一次修改申请文件和/或陈述意见的机会。谢谢！