Если у нас уже было Кратковременное преобразование Фурье для лучшего анализа сигнала, чем Дискретное преобразование Фурье, то зачем была нужна разработка вейвлет-преобразования?
16
Кратковременное преобразование Фурье не дает лучшего анализа данных, чем дискретное преобразование Фурье, оно предлагает другой вид анализа. DFT предлагает точное разложение данных на частотное представление. STFT предлагает приблизительное разложение для представления времени / частоты. Что лучше, зависит от того, что вы после. То же самое относится и к вейвлет-преобразованию. Вейвлет-преобразования можно рассматривать как разложение для представления времени / частоты, но вейвлет-преобразования обобщают концепцию разложения. Были созданы различные вейвлет-функции, чтобы вы могли выбрать декомпозицию в соответствии с вашими потребностями.