本发明涉及新一代信息，具体为一种多模态惯性神经网络的量化同步控制方法及系统。
背景技术：
1、在实际工程应用中，系统部件的故障、传感器节点的动态变化等多种因素都会导致系统结构和参数的变化。多模态惯性神经网络作为一类由马尔可夫过程驱动系统模式的非线性混合系统，可以准确地表征系统参数的随机切换，因此被广泛用于多实际工程系统。在多模态惯性神经网络系统的研究中，一个基本且重要的集体行为是同步。实际上，同步现象不仅可以很好地解释自然界中的许多现象，而且在控制工程、安全通信、多智能体系统等方面也有更广泛的用途。因此，对多模态惯性神经网络系统同步控制的研究具有重要的理论意义和实际应用前景。
2、在实际应用中，还应考虑有限的通信信道和带宽等通信约束。为了解决这个问题，一种有效的技术是在传输之前对信号进行量化，然后可以有效提高传输通信效率。然而，由于不平等比例的保守性，获得的控制增益往往大于实际需要。自然，人们希望控制增益尽可能的更小，以达到降低控制成本的目的。因此，自适应量化控制可以充分利用网络有限的传输容量，减少信号传输通道的阻塞，并有效地降低控制成本。
3、综上所述，如何基于自适应量化控制，实现多模态惯性神经网络的指数同步，降低控制成本是目前有待解决的问题。
技术实现思路
1、本发明的目的是提出一种多模态惯性神经网络的量化同步控制方法及系统，可以实现多个具有混合时滞的多模态惯性神经网络的量化同步控制，以解决具有混合时滞的多模态惯性神经网络的指数同步问题。
2、本发明采用如下技术方案实现：一种多模态惯性神经网络的量化同步控制方法，包括以下步骤：
3、步骤s1：建立具有混合时滞的多模态惯性神经网络驱动系统和响应系统，具体包括以下步骤：
4、步骤s1-1：建立具有混合时滞的多模态惯性神经网络驱动系统为：
5、
6、其中，p＝{1，2，...，n}，n表示所述驱动系统中神经元的个数；表示所述驱动系统中第p个神经元的状态，代表n维欧几里得空间；是xp(t)的二阶导数，表示表示所述驱动系统的惯性项；表示所述驱动系统神经元的激活函数，且满足|fq(y)-fq(x)|≤lq|y-x|，其中lq为正常数，且y≠x为已知参数；δ(t)和τ(t)分别表示离散时滞和分布时滞，且满足0＜δ(t)≤δ和0＜τ(t)≤τ；k＝max{δ，τ}；ip(r(t))是系统的外部输入；ap(r(t))和bp(r(t))是正常数，和所述驱动系统的连接权重，表示n×n的实数矩阵；是xp(s)的一阶导数；φp(s)和ψp(s)是连续有界函数；r(t)是右连续的马尔可夫过程，其属于集合并有如下模态转换概率：
7、
8、其中，χ＞0满足πij≥0(i≠j)表示从第i个模态转移到第j个模态的转移概率，πii＝-∑j≠iπij；
9、对所述驱动系统进行变量代换降阶处理，替代函数设置为进而将驱动系统改写成如下形式：
10、
11、其中，αp(r(t))＝ap(r(t))-ξp，ξp为常数；δp(s)是连续有界函数；
12、步骤s1-2：建立具有混合时滞的多模态惯性神经网络响应系统为：
13、
14、其中，zp(t)表示所述驱动系统中第p个神经元的状态；up1(t)和up2(t)为控制器；ep1(t)＝zp(t)-xp(t)，ep2(t)＝vp(t)-yp(t)；表示随机干扰强度，且满足|ρp1|2≤ξp1(r(t))|ep1|2，|ρp2|2≤ξp2(r(t))|ep2|2，其中ξp1(r(t))和ξp2(r(t))均为大于0的实数；w(t)表示定义在完整概率空间上的布朗运动，其中ω为样本空间，为样本空间子集，为概率；和是连续有界函数；所述响应系统中其它性能指标和驱动系统中的性能指标相同；
15、步骤s2：根据所述驱动系统和所述响应系统，设定同步误差，构建同步误差系统，并设计自适应量化控制器，具体包括以下步骤：
16、步骤s2-1：设定所述驱动系统和响应系统的同步误差为：ep1(t)＝zp(t)-xp(t)和ep2(t)＝vp(t)-yp(t)；
17、步骤s2-2：根据所述的同步误差，构建同步误差系统为：
18、
19、其中，fq(eq1(s))＝fq(zq(s))-fq(xq(s))，fq(eq1(t))＝fq(zq(t))-fq(xq(t))，fq(eq1(t-δ(t)))＝fq(zq(t-δ(t)))-fq(xq(t-δ(t)))；
20、步骤s2-3：设计自适应量化控制器为：
21、
22、
23、其中，ηp(t)为自适应指数更新率且满足等式：[t2k，t2k+1)和[t2k+1，t2k+2)分别表示控制器的控制时间区间和休息时间区间；为量化器，其中βp＞0，是初始量化参数，为量化密度，具体的量化函数定义如下：
24、
25、其中，q(m)是量化值，θ是量化器的精确参数；
26、步骤s3：根据所述同步误差系统与所述自适应量化控制器，建立合适的李雅普诺夫函数，确定所述自适应量化控制器的控制增益参数，使得所述响应系统指数同步于所述驱动系统，具体包括以下步骤：
27、步骤s3-1：构建李雅普诺夫函数表达式为：
28、
29、其中，γp(i)、ηp和εp为正常数，
30、步骤s3-2：根据所述李雅普诺夫函数，利用李雅普诺夫稳定性理论，确定所述自适应量化控制器中的控制增益参数ηp满足如下不等式：
31、θp+εp-ηp(1-θ)＜0
32、其中，且满足为正常数；
33、步骤s4：搭建多模态惯性神经网络模型，并利用所述多模态惯性神经网络模型进行数值仿真，验证驱动系统和响应系统之间的指数同步效果；
34、进一步地，本发明还提供了一种应用于上述方法的多模态惯性神经网络的量化同步控制系统，包括：
35、构建模块，用于构建具有混合时滞的多模态惯性神经网络驱动系统和响应系统，然后根据所述的具有混合时滞的多模态惯性神经网络驱动系统和响应系统设定同步误差，设计自适应量化控制器，再根据所设计的自适应量化控制器构建同步误差系统；
36、指数同步条件计算模块，用于根据所构建的同步误差系统选择相应的李雅普诺夫函数并结合所述自适应量化控制器，确定并计算出所述多模态惯性神经网络的指数同步充分条件；
37、设置模块，根据指数同步条件计算模块的结果，对系统和控制器进行参数设置，以实现所述具有混合时滞的多模态惯性神经网络响应系统在自适应量化控制器作用下指数同步于所述驱动系统；
38、验证模块，用于搭建所述多模态惯性神经网络模型并利用所述多模态惯性神经网络模型进行数值仿真，验证驱动系统和响应系统之间的指数同步效果。
39、本发明提供了一种多模态惯性神经网络的量化同步控制方法及系统，与现有技术相比，本发明有以下有益效果：
40、1、本发明考虑到许多实际应用具有复杂动态特性，构建了具有混合时滞的多模态惯性神经网络系统模型，该系统可以有效地在不同时间任意几种模式之间切换，以便模拟由不良网络环境触发的系统的参数和结构的随机动态变化。
41、2、本发明设计了一种自适应量化控制器，所述自适应量化控制器在控制时间区间工作，在休息时间区间停止工作，并且控制时间区间和休息时间区间的分布具有非周期特性。这种控制策略能够有效解决多模态惯性神经网络难同步的问题，并且相比连续控制策略，其更加节约成本和更加贴合实际应用需要。
1.一种多模态惯性神经网络的量化同步控制方法，其特征在于，包括以下步骤：
2.一种应用于权利要求1所述方法的多模态惯性神经网络的量化同步控制系统，其特征在于，包括：
