Iterative learning Kalman filter for repetitive processes

در این مقاله، یک طرح فیلترینگ فیلتر کلام برای تکرار گسسته برای فرآیندهای تکراری پیشنهاد شده است تا اختلالات تکرارپذیر و همچنین صداهای تصادفی را رد کنند. طرح برآورد حالت پیشنهادی، فیلتر کلمن با کنترل یادگیری تکراری را ادغام می کند. فرایند برآورد شامل دو مرحله است: یک فیلتر کالمن معمولی در مرحله اول اعمال می شود؛ مرحله دوم، تخمین ها را در یک روش یادگیری تکراری اصلاح می کند و منجر به بهبود تدریجی عملکرد برآورد می شود. براساس برآوردها که مرحله اول به مرحله دوم تغذیه می شود، طراحی بهینه شامل دو نوع - نوع خلفی و نوع قبلی است. به منظور کاهش حافظه و بار محاسبات طراحی بهینه، دو برآوردگر غیرقطعی نیز ارائه شده است. ثبات دو برآوردگر غیرقطعی نیز بررسی شده است. علاوه بر این، برای تخمین عملکرد پیش بینی نهایی قبل از اجرای هر برآورد، یک مرز پایین تعریف می شود. در نهایت، نمونه ای از مثال قالب گیری تزریقی برای بررسی عملکرد چهار برآوردگر توسعه داده شده است.