Transformata wavelet este utilă pentru analiza semnalelor nestaționare, al căror conținut de frecvență variază în timp. Exemple de semnale nestaționare sunt datele biomedicale (de exemplu, electrocardiogramă), muzică, turbulență, date seismice, sonore și vibrații, care se schimbă lent sau brusc. Pentru semnale ca acestea, informațiile despre momentul apariției modificărilor pot fi adesea foarte importante.

Ați văzut că puteți utiliza transformata wavelet pentru a avea simultan o rezoluție bună în timp și în frecvență. Wavelets cu o durată scurtă de timp sunt bune pentru extragerea informațiilor de înaltă frecvență (cum ar fi discontinuitățile și variațiile abrupte) dintr-un semnal, în timp ce wavelets cu o durată mai lungă de timp sunt utile pentru analiza de joasă frecvență. Astfel, este posibil să vedem atât pădurea cât și copacii. Wavelets au fost utilizate în diverse domenii care acoperă o mare varietate de aplicații. Unele dintre utilizările practice ale wavelets sunt:

• Eliminarea zgomotului dintr-un semnal.

• Extragerea caracteristicilor pentru utilizare în recunoașterea și clasificarea modelului.

• Detectarea discontinuităților.

• Compresie de date (de exemplu, imagini) care poate fi utilizată pentru a accelera procesarea imaginilor, implementarea de modemuri mai rapide, transferuri de viteză pe Internet, conferință video, transmisie de imagini prin satelit și telecomunicații.

Wavelets vs. Analiza simultană timp-frecvență

Atât WFBD, cât și JTFA toolkit sunt utile în analizarea semnalelor nestaționare. Dar când alegi unul sau celălalt? Răspunsul constă în ceea ce speri să obții. Regula generală este că, dacă sunteți interesat de aplicații care necesită reconstrucție, ar trebui să folosiți analiza wavelet. Exemple de astfel de aplicații sunt eliminarea zgomotului și compresia datelor. În eliminarea zgomotului, doriți să reconstruiți semnalul original dintr-un semnal care conține atât zgomot aditiv, cât și semnal original. În compresia datelor, doriți să reconstruiți semnalul original dintr-o versiune comprimată a semnalului. Dar, dacă sunteți mai interesat să obțineți informații despre conținutul de frecvență al unui semnal sau să înțelegeți natura fizică a procesului care a generat semnalul, JTFA toolkit poate fi mai bun pentru astfel de cazuri.

14.4 Relația dintre wavelets și bancurile de filtre