(1) 只需要比较短的数据就能估计出比较稳定的统计值。所需的数据点大致在100～5000点，一般在1000点左右。
 (2) 有较好的抗干扰和抗噪的能力。在实际应用中，常把它作为一个诊断的判据，已经在生物系统，生理电信号、机械设备故障诊断等领域进行了尝试并获得了良好的效果。
 (3) 对于随机信号或是确定性信号都可以使用，也可以应用于由随机成分和确定性成分混合的信号。若一个非线性的物理过程复杂程度越高，那么近似熵将越大。
(4) 近似熵值［6］的大小和采样序列复杂程度成正比关系。产生新模式的概率越大,序列的复杂性越大,相应的近似熵也越大。可用近似熵来描述振动信号的不规则性和复杂性,通过比较一定条件下振动信号在不同噪声干扰下的近似熵的相对变化,可以直接反映该振动信号在此期间的运行状况。越复杂的时间序列对应的近似熵越大，换句话而言，近似熵是从衡量时间序列复杂性的角度来度量信号中产生新模式的概率大小, 产生新模式的概率越大, 序列的复杂性越大, 相应的近似熵也越大。即说明系统越趋近于随机状态，包含频率成分越丰富、系统越复杂、而近似熵越低则信号越趋于周期性、信号包含的频谱越窄。
本论文着重介绍了近似熵的一般算法和快速算法，并应用实例来说明近似熵在检测振动信号的复杂性方面具有很强的能力。最后通过编程提取两组不同状态下包含噪声的振动信号的近似熵值，并进行分析比较，以说明近似熵在分析振动信号是否包含振动噪声方面效果良好。 Matlab重载货运列车滚动轴承振动故障分析(8):http://www.youerw.com/tongxin/lunwen_6261.html