1. IntroductionOver the past years,

1. Introduction
Over the past years, forecasting has played a crucial role in performance evaluation in process industry. Many techniques
have been presented to deal with the related issues in forecasting, classification and detection, including multivariate statistic
methods, general exponential smoothing, stochastic time series and support vector machines [8], etc. Furthermore, the
filter theory has been successfully applied in the forecasting branch. In this direction, many filtering methods have been
proposed in the literature. While in [14] a continuous-time Kalman filtering method is proposed for a class of linear, uncertain
time-lag systems with randomly jumping parameters, other works, e.g., [11,13,17,24,26], concentrate mainly on the H∞
filter. In addition, [19] focuses on the problem of robust H∞ filtering for a class of systems with parametric uncertainties
and unknown time delays under sampled measurements and proposes an approach to design H∞ filters. On the other hand,
[9] is concerned with the problem of H∞ fuzzy filtering of nonlinear systems with intermittent measurements and focuses
on the design of an H∞ filter to make the filter error system stochastically stable and preserve a guaranteed H∞ performance.
Moreover, some fault detection filters are designed in [12,25,30,32]. Obviously, forecasting model is helpful to solve
some industrial problems, e.g., performance evaluation [10,20,21].
Due to the extreme importance of product quality evaluation, a lot of related methods have been proposed. The combination
forecasting has been a hot research topic in this field and achieved impressive results. To some extent, combination
forecasting methods with prediction accuracy as the objective function are able to improve the prediction accuracy. Some
methods have been proposed to determine the weighting coefficients of individual methods in combination forecasting.
These works help choose suitable and operable forecasting methods and improve the accuracy of prediction and decision

ผลลัพธ์ (ไทย) 1:

1. บทนำปีผ่านมา การพยากรณ์มีบทบาทสำคัญในการประเมินผลในกระบวนการอุตสาหกรรม เทคนิคมากมายได้เสนอการจัดการกับปัญหาที่เกี่ยวข้องในการคาดการณ์ การจัดประเภท และตรวจ สอบ รวมทั้งสถิติตัวแปรพหุวิธี เนนเรียบทั่วไป ชุดเวลา stochastic และสนับสนุนเวกเตอร์เครื่อง [8] ฯลฯ นอกจากนี้ การทฤษฎีกรองได้ถูกนำไปใช้ในสาขาการคาดการณ์ ในทิศทางนี้ มีการกรองหลายวิธีเสนอในวรรณคดี ในขณะ [14] คาลมานเวลาต่อเนื่องเป็นวิธีกรองมีการนำเสนอสำหรับคลาสของเชิงเส้น ความไม่แน่นอนระบบหน่วงเวลา ด้วยการกระโดดแบบสุ่มพารามิเตอร์ งานอื่น ๆ เช่น, [11,13,17,24,26], เน้นส่วนใหญ่ H∞ตัวกรอง นอกจากนี้ เน้นปัญหาของแข็ง H∞ กรองสำหรับคลาสของระบบที่มีความไม่แน่นอนพาราเมตริก [19]และไม่ทราบเวลาความล่าช้าภายใต้การวัดตัวอย่าง และเสนอแนวทางการออกแบบตัวกรอง H∞ ในทางตรงข้าม[9] เกี่ยวข้องกับปัญหาของ H∞ เลือนกรองของระบบไม่เชิงเส้นที่มีการประเมินเป็นระยะ ๆ และโฟกัสในการออกแบบตัวกรอง H∞ เพื่อให้ระบบกรองข้อผิดพลาด stochastically มั่นคง และรักษาประสิทธิภาพการทำงาน H∞ รับประกันนอกจากนี้ ตัวกรองการตรวจจับข้อบกพร่องบางตัวถูกออกแบบมาใน [12,25,30,32] อย่างชัดเจน โมเดลการคาดการณ์เป็นประโยชน์ในการแก้ปัญหาบางอุตสาหกรรมปัญหา เช่น การประเมินผล [10,20,21]เนื่องจากความสำคัญมากของการประเมินคุณภาพผลิตภัณฑ์ จำนวนมากของวิธีการที่เกี่ยวข้องได้รับการเสนอ การรวมกันการคาดการณ์ถูกหัวข้อวิจัยที่น่าสนใจในฟิลด์นี้ และได้ผลลัพธ์ที่น่าประทับใจ ที่มีขอบเขต ชุดวิธีการคาดการณ์ทำนายแม่นยำเป็นฟังก์ชันวัตถุประสงค์จะสามารถปรับปรุงความแม่นยำของการคาดเดา บางวิธีได้รับการเสนอเพื่อกำหนดสัมประสิทธิ์น้ำหนักของแต่ละวิธีในการรวมการคาดการณ์ผลงานเหล่านี้ช่วยเลือกวิธีการคาดการณ์ที่เหมาะสม และสามารถใช้งาน และปรับปรุงความแม่นยำของการคาดเดาและตัดสินใจ

ผลลัพธ์ (ไทย) 2:

1. บทนำ
ในช่วงหลายปีที่ผ่านมาคาดการณ์ได้มีบทบาทสำคัญในการประเมินผลการปฏิบัติงานในกระบวนการอุตสาหกรรม เทคนิคต่าง ๆ
ได้รับการนำเสนอในการจัดการกับปัญหาที่เกี่ยวข้องในการพยากรณ์การจำแนกและการตรวจสอบรวมถึงหลายตัวแปรสถิติ
วิธีการทั่วไปที่ราบเรียบชี้แจงอนุกรมเวลาสุ่มและเครื่องเวกเตอร์สนับสนุน [8] ฯลฯ นอกจากนี้
ทฤษฎีกรองได้รับการใช้ประสบความสำเร็จใน สาขาการคาดการณ์ ในทิศทางนี้วิธีการกรองจำนวนมากได้รับ
การเสนอชื่อในวรรณคดี ในขณะที่ใน [14] เป็นเวลาต่อเนื่องวิธีการกรองคาลมานจะเสนอสำหรับการเรียนของเส้นตรงไม่แน่ใจ
ระบบหน่วงกับพารามิเตอร์สุ่มกระโดดงานอื่น ๆ เช่น [11,13,17,24,26] สมาธิส่วนใหญ่ใน H∞
กรอง นอกจากนี้ [19] มุ่งเน้นไปที่ปัญหาของการกรองH∞ที่แข็งแกร่งสำหรับการเรียนของระบบที่มีความไม่แน่นอนที่พารา
และความล่าช้าไม่ทราบเวลาที่อยู่ภายใต้การวัดตัวอย่างและแนะวิธีการในการออกแบบตัวกรองH∞ บนมืออื่น ๆ ,
[9] มีความกังวลกับปัญหาของH∞กรองเลือนระบบไม่เชิงเส้นด้วยการวัดต่อเนื่องและมุ่งเน้นไปที่
การออกแบบของตัวกรองH∞ที่จะทำให้ระบบการกรองข้อผิดพลาดที่มีเสถียรภาพ stochastically และรักษาประสิทธิภาพH∞รับประกัน
นอกจากนี้บางตัวกรองตรวจสอบความผิดได้รับการออกแบบใน [12,25,30,32] เห็นได้ชัดว่าการคาดการณ์รูปแบบจะเป็นประโยชน์ในการแก้
ปัญหาอุตสาหกรรมบางอย่างเช่นการประเมินผลงาน [10,20,21].
เนื่องจากความสำคัญมากของการประเมินคุณภาพของผลิตภัณฑ์มากในวิธีการที่เกี่ยวข้องได้รับการเสนอ การรวมกัน
คาดการณ์ได้รับความร้อนหัวข้องานวิจัยในด้านนี้และประสบความสำเร็จได้ผลลัพธ์ที่น่าประทับใจ มีขอบเขตการผสมผสาน
วิธีการพยากรณ์มีความแม่นยำการทำนายเป็นเป้าหมายการทำงานสามารถที่จะปรับปรุงความถูกต้องทำนาย บาง
วิธีการได้รับการเสนอในการกำหนดค่าสัมประสิทธิ์การถ่วงน้ำหนักของแต่ละวิธีในการพยากรณ์การรวมกัน.
ผลงานเหล่านี้ช่วยเลือกวิธีการพยากรณ์ที่เหมาะสมและสามารถรับการผ่าตัดและการปรับปรุงความถูกต้องของการทำนายและการตัดสินใจที่