従来の統計手法とは、一般に、古典的な統計と確率理論に基づいた研究手法を指します。 重要な理論的基礎は、多数定理と中心極限定理です。 多数の実験データ、多数のランダム変数、および母集団へのわずかな影響が必要です。 相互に独立しています。 情報エントロピー法では、システムの確率分布または頻度がわかっている必要があり、限られた数のデータが必要です。 確率分布が不明でデータが小さい場合、推論エラーは非常に大きくなります。 グレーシステムの理論的予測の信頼度を事前に決定することはできません。したがって、予測結果は不確かであると同時に、元のデータシーケンスが厳しすぎます。つまり、グレー予測の面積が制限され、いくつかの難しい問題があります。動的予測で発生します。 ファジーセット理論の主な問題は、確率分布が不明であることです。システムのメンバーシップ関数の確立とメンバーシップの程度の選択は非常に困難です。 ベイジアン法では、確率分布関数または頻度値がわかっている必要があります。 この情報がなければ、経験値を正確に取得できず、その推論結果の誤差は非常に大きくなる可能性があります。 自助法分布母集団の初期サンプルの代表性に完全に依存しているため、シミュレートされたサンプリング結果は、特に小さなサンプルの状態に関する情報が不足しているため、より信頼できる情報を取得できません。信頼性が低い。
上記の研究は、単一の方法では情報不足の問題を効果的に解決することが難しいことを示しています。 各方法には利点と制限があります。 複数の方法を効果的に統合できる場合は、単一の方法の利点を十分に活用し、単一の方法の欠点を放棄し、融合方法を合理的に使用します。 さまざまな側面や角度に関する情報を取得できます。 Xia Xintaoと他の147.30は、この点でベアリング性能の分析に多くの作業を行い、ローラーベアリング性能評価の問題の解決に良いアイデアを提供しました。