1.一种基于协议的时滞马尔科夫系统的状态估计方法，其特征在于，包括：建立具有马尔科夫参数、传感器非线性、模态依赖时滞和随机干扰的神经网络系统的动态模型；

在给定协议下，根据被选择传输数据的传感器建立更新矩阵；

根据所述更新矩阵和所述神经网络系统的动态模型，建立在协议下的神经网络系统的动态模型；

根据所述协议下的神经网络系统的动态模型构建估计器；

根据所述估计器的估计状态向量和所述协议下的神经网络系统的状态向量计算状态估计误差；

利用所述状态估计误差，获得估计增广系统；

利用系统稳定性判断定理，根据所述估计增广系统求解所述估计器的增益矩阵；

将所述增益矩阵带入所述估计器，完成所述神经网络系统的动态模型的估计。

2.根据权利要求1所述一种基于协议的时滞马尔科夫系统的状态估计方法，其特征在于：所述给定协议，为Round-Robin协议；

在所述Round-Robin协议下，根据被选择传输数据的传感器建立更新矩阵。

3.根据权利要求1所述一种基于协议的时滞马尔科夫系统的状态估计方法，其特征在于：建立具有马尔科夫参数、传感器非线性、模态依赖时滞和随机干扰的神经网络系统的动态模型的K+1步状态向量为K步状态向量、具有马尔科夫参数的激励函数、具有模态依赖时滞的激励函数和随机干扰的线性组合。

4.根据权利要求1所述一种基于协议的时滞马尔科夫系统的状态估计方法，其特征在于：建立具有马尔科夫参数、传感器非线性、模态依赖时滞和随机干扰的神经网络系统的动态模型的K步测量输出为K步状态向量和传感器非线性的线性组合。

5.根据权利要求3所述一种基于协议的时滞马尔科夫系统的状态估计方法，其特征在于：所述激励函数，满足扇形约束条件。

6.根据权利要求1所述一种基于协议的时滞马尔科夫系统的状态估计方法，其特征在于：所述协议下的神经网络系统的动态模型的K+1步协议状态向量为K步增广协议状态向量、具有扩展维度的马尔科夫参数激励函数、具有扩展维度的模态依赖时滞激励函数、协议传感器非线性和扩展维度随机干扰的线性组合；

所述协议下的神经网络系统的动态模型的K步协议测量输出为所述K步增广协议状态向量和所述协议传感器非线性的线性组合。

7.根据权利要求6所述一种基于协议的时滞马尔科夫系统的状态估计方法，其特征在于：所述协议下的神经网络系统的动态模型的K-1步协议测量输出作为所述神经网络系统的动态模型的K步状态向量的增广矩阵，构成所述K步增广协议状态向量。

8.根据权利要求1～7所述一种基于协议的时滞马尔科夫系统的状态估计方法，其特征在于：利用系统稳定性判断定理，通过求解一组凸优化问题获得所述估计器的增益矩阵。

9.根据权利要求8所述一种基于协议的时滞马尔科夫系统的状态估计方法，其特征在于：所述凸优化问题为使系统达到指数最终有界时的线性矩阵不等式条件。

10.一种基于协议的时滞马尔科夫系统的状态估计系统，其特征在于，包括：存储器和处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序为如权利要求1～9任一项所述一种基于协议的时滞马尔科夫系统的状态估计方法，所述处理器执行所述程序时实现以下步骤：建立具有马尔科夫参数、传感器非线性、模态依赖时滞和随机干扰的神经网络系统的动态模型；

在给定协议下，根据被选择传输数据的传感器建立更新矩阵；

根据所述更新矩阵和所述神经网络系统的动态模型，建立在协议下的神经网络系统的动态模型；

根据所述协议下的神经网络系统的动态模型构建估计器；

根据所述估计器的估计状态向量和所述协议下的神经网络系统的状态向量计算状态估计误差；

利用所述状态估计误差，获得估计增广系统；

利用系统稳定性判断定理，根据所述估计增广系统求解所述估计器的增益矩阵；

将所述增益矩阵带入所述估计器，完成所述神经网络系统的动态模型的估计。