1.一种基于通信受限的神经网络系统远程状态估计方法，其特征在于，包括：构建待研究的神经网络的动态模型，所述动态模型包括神经网络状态和测量输出模型；待研究的神经网络为含有测量野值和混合时滞的离散神经网络系统；

设定所述动态模型中的函数满足条件；

构建含有新息饱和/不完全测量信息的状态估计器模型；

采用所述状态估计器模型对所述动态模型进行状态估计，以得到状态估计误差；

对所述神经网络状态和估计误差进行增广处理，以得到状态估计增广系统模型；

设定所述状态估计误差需满足的约束条件，并根据所述约束条件得到所述状态估计增广模型满足性能要求的充分条件；

根据所述充分条件计算状态估计器中的未知增益参数；

构建待研究的神经网络的动态模型，并设定动态模型中函数满足的条件具体为：采用由n个神经元构成的离散时滞神经网络，式中， 表示神经元的状态向量， 表示初始状态， 与 为激励函数，wk∈l2[0,N)是能量有界输入干扰， 为神经网络的测量输出；E＝diag{e1,e2,...,en}为实对角矩阵，B＝(bij)n×n和D＝(dij)n×n分别表示分布式时滞和时变时滞的权重矩阵；dk表示离散时变时滞并且满足 d和 分别表示正整数dk的下确界和上确界；τ表示无限分布式时滞，M和H为适维矩阵，非负整数μτ，τ＝1,2,...，∞满足如下收敛条件：非线性激励函数 和 分别满足如下的扇形有界条件：其中L1,L2,T1与T2为具有相应维数的已知实数矩阵；

构建含有新息饱和的状态估计器模型，根据状态估计器模型对动态模型进行状态估计，得到状态估计误差的具体方法包括：针对网络(1‑1),考虑测量野值，构建基于测量输出yk的状态估计器：式中 和 分别为xk与xs的估计向量，饱和函数σ(·)： 满足：其中σι(zι)＝sign(zι)min{zι,max,|zι|},ι＝1,2,...,m，zι,max为zmax的第l维；K为待设计的状态估计器增益；

定义状态估计误差为 及 将公

式(1‑1)，(1‑2)代入表达式 神经网络的估计误差为：其中，σ(Mek)可以被拆分为线性和非线性两个部分如下：σ(Mek)＝U1Mek+ψ(Mek)，T

并满足扇形条件ψ(Mek)[ψ(Mek)‑UMek]≤0其中，U1,U2为对角阵并满足0≤U1＜I≤U2，U＝U2‑U1。

2.如权利要求1所述的基于通信受限的神经网络系统远程状态估计方法，其特征在于，待研究的神经网络为具有部分神经元信息和随机发生时滞的神经网络系统；

构建含有部分神经元信息的时滞神经网络状态估计器模型；

构建带有随机发生时滞的神经网络系统的动态模型，设定动态模型中函数满足的条件的具体方法包括：第i个神经元的状态模型为其中 表示第i个神经元； 为神经元i的状态；gl(·)表示第l个神经元的激励函数；ci，ci＜1为一实数， 及 分别为第l个神经元与第i个神经元的连接权值及时滞项连接权值；τ(k)表示时变矩阵满足τmin≤τ(k)≤τmax，τmin＞0及τmax＞0为时滞的上下界； 为干扰信号属于l2[0,∞)；

为了刻画随机发生的时滞，引入伯努利分布序列 如下：其概率分布为

假设前m0,m0≤n个神经元的测量可得到：yi(k)＝dixi(k)+wihi(xi(k))，i＝1,2,...,m0其中yi(k)为第i个神经元的测量输出；hi(·)为第i个神经元的非线性扰动；di和wi为常数；激励函数gl(·)和非线性函数hi(·)满足下列非线性条件：其中 为常数。

3.如权利要求2所述的基于通信受限的神经网络系统远程状态估计方法，其特征在于，待研究的神经网络为在通信协议下的具有依概率分布时滞和有界执行误差的神经网络系统；

构建具有有界执行误差的状态估计器模型；

构建带有时滞的神经网络系统的动态模型，设定动态模型中函数满足的条件的具体方法包括：考虑如下具有时滞的离散人工神经网络系统：其中 和 分别表示神经元的状态向量，测量输出和待估计的信号；函数 表示非线性激励函数；干扰输入 是属于l2[0,∞)的序列；

正整数τk为时变时滞； 为对角矩阵，矩阵元素el,l＝1,2,...,nx为正整数；连接权重矩阵 中的元素dij表示第i个神经元与第j个神经元之间连接的权重；ψs为系统的初始条件；矩阵C，W，H和M为已知的适维矩阵；假设非线性函数g(xk)满足如下的扇形有界条件：T

(g(xk)‑L1xk) (g(xk)‑L2xk)≤0               (3‑2)其中L1和L2为适维的实数矩阵；

假设时变时滞是有界的，并且满足τm≤τk≤τM，其中给定的标量τm和τM分别表示τk的下界和上界；τk的概率分布落在区间[τm,τ0]的概率为 落在区间[τ0,τM]的概率为 其中τ0是一个满足τm≤τ0≤τM的已知标量，另外 满足为了描述随机时滞的分布，我们引入以下两个集合： 和定义如下映射函数：

根据上述定义可知 根据(3‑3)可知 时表示事件τk∈[τm,τ0]发生， 时表示事件τk∈(τ0,τM]发生；引入随机变量系统(3‑1)可以重新表示为：

在上述的人工神经网络中，有ny个节点进行测量，记为{1,2,...,ny}；随机通信协议的思想是在k时刻仅选择一个传感器将其数据通过共享信道传输到远程估计器；ξk表示时刻k获得传输权限的节点；为了反映随机通信协议的调度规则和执行误差，ξk可以被刻画为一个状态转移概率矩阵含有不确定项的马尔科夫链；状态转移概率矩阵 中的元素表示从模态i转移到模态j的概率；λij为已知的常数，Δλij为未知的转移概率并且满足|Δλij|≤2κij，κij≥0；假设未知的状态转移概率 满足:其中

令 为第r个传感器获得的测量输出，在随机通信协议规则影响下，测量输出 可表示为：

其中 表示属于l2[0,∞)的网络诱导干扰， 为一个已知的常数矩阵；

定义 其中 根据公式(3‑1)和(3‑5),可得到增广系统如下：

其中

4.一种基于通信受限的神经网络系统远程状态估计装置，其特征在于，包括：构建模块，用于构建待研究的神经网络的动态模型和状态估计器模型，所述动态模型包括神经网络状态和测量输出模型；

设定模块，用于设定所述动态模型中的函数满足条件；

估计模块，用于采用所述状态估计器模型对所述动态模型进行状态估计，以得到状态估计误差；

增广模块，用于对所述神经网络状态和估计误差进行增广处理，以得到状态估计增广系统模型；

所述设定模块还用于设定所述状态估计误差需满足的约束条件；

计算模块，用于根据所述约束条件得到所述状态估计增广模型满足性能要求的充分条件，并根据所述充分条件计算状态估计器中的未知增益参数；

所述待研究的神经网络为含有测量野值和混合时滞的离散神经网络系统，所述构建模块具体用于：构建具有混合时滞的离散神经网络系统的动态模型；

构建具有测量野值的离散时间状态估计器模型；

其中，构建待研究的神经网络的动态模型，并设定动态模型中函数满足的条件具体为：采用由n个神经元构成的离散时滞神经网络，式中， 表示神经元的状态向量， 表示初始状态， 与 为激励函数，wk∈l2[0,N)是能量有界输入干扰， 为神经网络的测量输出；E＝diag{e1,e2,...,en}为实对角矩阵，B＝(bij)n×n和D＝(dij)n×n分别表示分布式时滞和时变时滞的权重矩阵；dk表示离散时变时滞并且满足 d和 分别表示正整数dk的下确界和上确界；τ表示无限分布式时滞，M和H为适维矩阵，非负整数μτ，τ＝1,2,...，∞满足如下收敛条件：非线性激励函数 和 分别满足如下的扇形有界条件：其中L1,L2,T1与T2为具有相应维数的已知实数矩阵；

构建含有新息饱和的状态估计器模型，根据状态估计器模型对动态模型进行状态估计，得到状态估计误差的具体方法包括：针对网络(1‑1),考虑测量野值，构建基于测量输出yk的状态估计器：式中 和 分别为xk与xs的估计向量，饱和函数σ(·)： 满足：其中σι(zι)＝sign(zι)min{zι,max,|zι|},ι＝1,2,...,m，zι,max为zmax的第l维；K为待设计的状态估计器增益；

定义状态估计误差为 及 将公

式(1‑1)，(1‑2)代入表达式 神经网络的估计误差为：其中，σ(Mek)可以被拆分为线性和非线性两个部分如下：σ(Mek)＝U1Mek+ψ(Mek)，T

并满足扇形条件ψ(Mek)[ψ(Mek)‑UMek]≤0其中，U1,U2为对角阵并满足0≤U1＜I≤U2，U＝U2‑U1。

5.如权利要求4所述的装置，其特征在在于，所述待研究的网络为具有部分神经元信息及随机发生时滞的神经网络系统，所述构建模块具体用于：构建带有随机发生时滞的神经网络系统的动态模型；

构建含有部分神经元信息的时滞神经网络状态估计器模型；

构建带有随机发生时滞的神经网络系统的动态模型，设定动态模型中函数满足的条件的具体方法包括：第i个神经元的状态模型为其中 表示第i个神经元； 为神经元i的状态；gl(·)表示第l个神经元的激励函数；ci，ci＜1为一实数， 及 分别为第l个神经元与第i个神经元的连接权值及时滞项连接权值；τ(k)表示时变矩阵满足τmin≤τ(k)≤τmax，τmin＞0及τmax＞0为时滞的上下界； 为干扰信号属于l2[0,∞)；

为了刻画随机发生的时滞，引入伯努利分布序列 如下：其概率分布为

假设前m0,m0≤n个神经元的测量可得到：yi(k)＝dixi(k)+wihi(xi(k))，i＝1,2,...,m0其中yi(k)为第i个神经元的测量输出；hi(·)为第i个神经元的非线性扰动；di和wi为常数；激励函数gl(·)和非线性函数hi(·)满足下列非线性条件：其中 为常数。

6.如权利要求5所述的装置，其特征在在于，所述待研究的在通信协议影响下具有分布式时滞和有界执行误差的神经网络系统，所述构建模块具体用于：构建具有离散时滞的人工神经网络系统动态模型；

构建具有有界执行误差的状态估计器模型；

构建带有时滞的神经网络系统的动态模型，设定动态模型中函数满足的条件的具体方法包括：考虑如下具有时滞的离散人工神经网络系统：其中 和 分别表示神经元的状态向量，测量输出和待估计的信号；函数 表示非线性激励函数；干扰输入 是属于l2[0,∞)的序列；

正整数τk为时变时滞； 为对角矩阵，矩阵元素el,l＝1,2,...,nx为正整数；连接权重矩阵 中的元素dij表示第i个神经元与第j个神经元之间连接的权重；ψs为系统的初始条件；矩阵C，W，H和M为已知的适维矩阵；假设非线性函数g(xk)满足如下的扇形有界条件：T

(g(xk)‑L1xk) (g(xk)‑L2xk)≤0               (3‑2)其中L1和L2为适维的实数矩阵；

假设时变时滞是有界的，并且满足τm≤τk≤τM，其中给定的标量τm和τM分别表示τk的下界和上界；τk的概率分布落在区间[τm,τ0]的概率为 落在区间[τ0,τM]的概率为 其中τ0是一个满足τm≤τ0≤τM的已知标量，另外 满足为了描述随机时滞的分布，我们引入以下两个集合： 和定义如下映射函数：

根据上述定义可知 根据(3‑3)可知 时表示事件τk∈[τm,τ0]发生， 时表示事件τk∈(τ0,τM]发生；引入随机变量系统(3‑1)可以重新表示为：

在上述的人工神经网络中，有ny个节点进行测量，记为{1,2,...,ny}；随机通信协议的思想是在k时刻仅选择一个传感器将其数据通过共享信道传输到远程估计器；ξk表示时刻k获得传输权限的节点；为了反映随机通信协议的调度规则和执行误差，ξk可以被刻画为一个状态转移概率矩阵含有不确定项的马尔科夫链；状态转移概率矩阵 中的元素表示从模态i转移到模态j的概率；λij为已知的常数，Δλij为未知的转移概率并且满足|Δλij|≤2κij，κij≥0；假设未知的状态转移概率 满足:其中

令 为第r个传感器获得的测量输出，在随机通信协议规则影响下，测量输出 可表示为：

其中 表示属于l2[0,∞)的网络诱导干扰， 为一个已知的常数矩阵；

定义 其中 根据公式(3‑1)和(3‑5),可得到增广系统如下：

其中

7.一种电子设备，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1‑3任一项所述的方法。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1‑3任一项所述的方法。