웨이블릿 변환

푸리에 변환은 신호를 주파수 성분으로 분해하는 강력한 수학적 도구이다. 이 변환은 신호를 사인파와 코사인파의 무한 합으로 표현하며, 신호에 포함된 각 주파수 성분의 강도를 정확히 알려준다. 그러나 푸리에 변환은 순수한 주파수 영역 표현에 치중하여, 특정 주파수 성분이 신호의 어느 시점에서 발생했는지에 대한 시간 정보를 완전히 잃어버린다는 근본적인 한계가 있다. 이는 순환적이거나 정상 상태인 신호를 분석할 때는 유용하지만, 시간에 따라 그 특성이 변하는 비정상 신호를 분석하는 데는 적합하지 않다.

이러한 한계를 극복하기 위해 시간 정보를 유지하면서 주파수 분석을 할 수 있는 방법이 개발되었다. 대표적인 예가 단시간 푸리에 변환(STFT)으로, 신호에 짧은 시간 창을 적용하여 그 구간 내에서만 푸리에 변환을 수행하는 방식이다. 그러나 STFT는 사용하는 시간 창의 길이가 고정되어 있어, 낮은 주파수와 높은 주파수 영역 모두에 동일한 시간-주파수 해상도를 적용한다는 문제가 있다. 이는 급격한 변화를 포착하기 위해선 짧은 창이 필요하고, 낮은 주파수의 정확한 주파수를 측정하기 위해선 긴 창이 필요한 모순을 야기한다.

웨이블릿 변환은 이러한 딜레마를 가변 해상도를 통해 해결한다. 웨이블릿 변환은 고정된 창 함수 대신, 시간과 주파수 영역 모두에서 국소화된 짧은 파동인 웨이블릿을 기저 함수로 사용한다. 이 웨이블릿을 신호의 시작부터 끝까지 이동시키면서(천이), 동시에 파형의 폭을 늘이거나 줄이는(스케일링) 과정을 거친다. 높은 주파수(좁은 스케일) 분석에는 짧은 시간 폭의 웨이블릿을 사용해 시간적 정밀도를 높이고, 낮은 주파수(넓은 스케일) 분석에는 넓은 시간 폭의 웨이블릿을 사용해 주파수 정밀도를 높인다. 이로 인해 웨이블릿 변환은 신호의 시간-주파수 해석에 있어 STFT보다 훨씬 더 적응적이고 효율적이다.

결론적으로, 푸리에 변환이 신호의 전역적 주파수 스펙트럼을 제공한다면, 웨이블릿 변환은 신호의 국소적 특성, 즉 '언제' 어떤 주파수 성분이 나타나는지를 동시에 보여주는 지도와 같다. 이 특성은 노이즈 제거, 특이점 검출, 데이터 압축 등 다양한 신호 처리 응용 분야에서 웨이블릿 변환이 필수적인 도구로 자리 잡게 하는 근간이 된다.

하르 웨이블릿은 웨이블릿 변환 이론에서 가장 먼저 제안된 기초적인 웨이블릿 함수이다. 1909년 헝가리의 수학자 알프레드 하르가 자신의 학위논문 부록에 수학적 과제로 처음 언급하였다[3]. 이는 푸리에 변환 이후 신호를 새로운 방식으로 분석하려는 초기 시도로, 웨이블릿의 개념적 시초가 되었다.

하르 웨이블릿은 수학적으로 매우 단순한 형태를 가진다. 이 함수는 특정 구간에서는 1의 값을, 그 반대 구간에서는 -1의 값을, 나머지 구간에서는 0의 값을 갖는 계단 형태의 함수로 정의된다. 이러한 형태 덕분에 이산 웨이블릿 변환의 계산이 매우 빠르고 효율적이라는 실용적 장점을 지닌다. 그러나 함수가 불연속적이어서 미분이 불가능하다는 한계도 함께 가지고 있다.

이러한 단순성과 불연속성 때문에 하르 웨이블릿은 신호 처리에서 급격한 변화나 경계를 감지하는 데는 유용하지만, 부드러운 신호나 연속적인 변화를 분석하는 데는 적합하지 않다. 그럼에도 불구하고, 하르 웨이블릿은 웨이블릿 이론의 출발점이자 교육적 도구로서, 그리고 계산 효율이 중요한 일부 실시간 응용 분야에서 여전히 그 의미를 지닌다. 이후 개발된 다베시 웨이블릿이나 코이플릿과 같은 더 부드러운 웨이블릿 함수들은 하르 웨이블릿의 이러한 한계를 극복하고자 발전되었다.

스케일 해석은 웨이블릿 변환의 핵심적인 수학적 개념으로, 푸리에 변환이 신호를 다양한 주파수의 사인파와 코사인파로 분해하는 주파수 해석에 집중한다면, 스케일 해석은 서로 다른 크기나 해상도(스케일)에서 신호의 특성을 조사하는 접근법이다. 이는 기본이 되는 웨이블릿 함수를 확대하거나 축소하여 다양한 스케일의 분석 도구를 생성하는 방식으로 이루어진다. 큰 스케일(확대된 웨이블릿)은 신호의 느리고 완만한 변화, 즉 저주파수 성분을 포착하는 데 적합한 반면, 작은 스케일(축소된 웨이블릿)은 신호 내 급격한 변화나 고주파수 성분을 분석하는 데 유용하다.

이러한 스케일 기반의 접근은 신호의 평균적인 거동이나 구조를 파악하는 데 강점을 보이며, 특히 노이즈에 덜 민감한 특성을 가진다. 푸리에 변환이 신호 전체에 대한 주파수 정보를 제공하지만 시간적 국소성 정보를 잃는 것과 달리, 스케일 해석은 각 스케일에서의 신호 특성을 시간 또는 공간 영역에서 동시에 관찰할 수 있게 한다. 이는 시계열 분석이나 이미지 처리에서 신호의 다중 해상도 표현을 가능하게 하는 기반이 된다.

스케일 해석의 개념은 하르 웨이블릿과 같은 초기 연구를 거쳐 발전했으며, 시간-주파수 해석의 한 형태로 정립되었다. 이를 통해 웨이블릿 변환은 고주파수 영역에서는 시간 분해능을, 저주파수 영역에서는 주파수 분해능을 최적화하는 가변 해상도 분석을 수행할 수 있다. 이러한 특성은 JPEG2000 같은 현대 영상 압축 표준과 다양한 신호 처리 응용 분야의 이론적 토대를 제공한다.

연속 웨이블릿 변환은 신호 처리에서 시간에 따라 변하는 신호를 분석하기 위한 핵심 도구이다. 이 변환은 하나의 기본 웨이블릿 함수를 확대, 축소(스케일링)하고 시간축을 따라 이동(천이)시켜 신호와의 상관관계를 계산한다. 이 과정을 통해 신호의 특정 시점에서의 주파수 성분을 동시에 파악할 수 있는 시간-주파수 해석이 가능해진다. 이는 고정된 시간 창을 사용하는 단시간 푸리에 변환과 구별되는 중요한 특징이다.

연속 웨이블릿 변환의 핵심 원리는 가변 해상도 분석에 있다. 스케일 파라미터를 조정함으로써, 낮은 스케일(고주파수)에서는 시간 분해능이 높아져 신호의 급격한 변화나 특이점을 정확히 포착할 수 있다. 반면, 높은 스케일(저주파수)에서는 주파수 분해능이 우수해져 신호의 전체적인 추세나 느리게 변하는 성분을 분석하는 데 유리하다. 이러한 다중 해상도 접근 방식은 노이즈 제거나 특징 추출에 효과적이다.

이 변환은 신호가 연속적이고 변환 파라미터(스케일, 천이)도 연속적인 값을 가질 때 적용된다. 이론적 분석이나 신호의 정성적 평가에 널리 사용되며, 지진학, 의학 영상, 음성 인식 등 다양한 분야에서 활용된다. 연속 웨이블릿 변환의 계산 결과는 일반적으로 스칼로그램이라는 2차원 이미지로 시각화되어, 시간과 주파수(또는 스케일)에 따른 신호 에너지의 분포를 한눈에 보여준다.

이산 웨이블릿 변환은 연속적인 신호를 효율적으로 처리하기 위해 스케일과 천이를 이산화한 변환이다. 이는 연속 웨이블릿 변환을 계산 가능한 형태로 구현한 것으로, 디지털 신호 처리의 핵심 도구로 널리 사용된다. 변환은 주로 직교 또는 쌍직교 웨이블릿 기저 함수를 사용하여 신호를 서로 다른 스케일과 위치의 성분으로 분해한다.

이 변환의 주요 특징은 다단계 분해가 가능하다는 점이다. 신호는 저주파 성분(근사 계수)과 고주파 성분(세부 계수)으로 반복적으로 분리된다. 이러한 다해상도 분석은 신호 압축과 노이즈 제거에 매우 효과적이다. 대표적인 예로 JPEG2000 영상 압축 표준은 이산 웨이블릿 변환을 기반으로 한다.

실용적인 구현 측면에서, 이산 웨이블릿 변환은 필터 뱅크를 통해 효율적으로 계산된다. 고속 알고리즘인 말랫 알고리즘은 신호를 저역통과 필터와 고역통과 필터로 구성된 필터 뱅크에 통과시켜 계수를 구한다. 이 방법은 계산 복잡도가 낮아 실시간 신호 처리에 적합하다.

이산 웨이블릿 변환의 응용 분야는 매우 다양하다. 시계열 분석, 음성 처리, 의료 영상 분석, 데이터 마이닝 등에서 신호의 국소적 특성을 추출하는 데 활용된다. 특히 비정상 신호나 순간적인 변화를 포함하는 데이터의 분석에서 푸리에 변환보다 우수한 성능을 보인다.

웨이블릿 변환의 가장 큰 특징은 시간-주파수 해석이 가능하다는 점이다. 이는 신호를 주파수 영역에서만 표현하는 푸리에 변환과는 근본적으로 다르다. 푸리에 변환은 신호가 어떤 주파수 성분을 포함하는지는 알려주지만, 그 성분이 시간 축상에서 언제 발생했는지에 대한 정보는 제공하지 않는다. 이러한 한계를 극복하기 위해 시간 윈도우를 도입한 단시간 푸리에 변환이 개발되었으나, 고정된 윈도우 크기로 인해 모든 주파수 대역에서 동일한 시간 분해능을 가져야 하는 제약이 있었다.

웨이블릿 변환은 이러한 문제를 해결하기 위해 가변 해상도의 개념을 도입한다. 즉, 분석에 사용하는 웨이블릿의 스케일을 변화시켜, 고주파수 성분을 분석할 때는 시간적으로 짧은(좁은) 윈도우를 사용하고, 저주파수 성분을 분석할 때는 시간적으로 긴(넓은) 윈도우를 사용한다. 이는 고주파수 신호는 짧은 시간 내에 급격히 변화하는 경우가 많아 그 변화 시점을 정밀하게 포착하는 것이 중요하며, 저주파수 신호는 완만하게 변화하므로 정확한 주파수 성분을 구별하는 것이 더 중요하기 때문이다. 결과적으로 웨이블릿 변환은 고주파 영역에서는 시간 분해능이 높고, 저주파 영역에서는 주파수 분해능이 높은 최적의 시간-주파수 해석을 제공한다.

이러한 특성 덕분에 웨이블릿 변환은 단시간 푸리에 변환보다 비정상 신호를 분석하는 데 더 효과적이다. 예를 들어, 음성 신호에서 순간적인 폭발음이 발생한 위치를 찾거나, 심전도 신호에서 돌연한 이상 파형을 검출하는 데 유용하게 적용된다. 웨이블릿의 기저 함수가 상사성을 유지하고 있기 때문에, 신호 내의 특이점이나 급격한 변화에 대해 높은 감도로 반응할 수 있는 것이다.

웨이블릿 변환의 핵심 특징 중 하나는 가변 해상도를 제공한다는 점이다. 이는 시간-주파수 해석에서 분석의 세밀함이 주파수에 따라 달라질 수 있음을 의미한다. 기존의 단시간 푸리에 변환은 고정된 시간 창을 사용하여 모든 주파수 대역을 동일한 해상도로 분석한다. 반면, 웨이블릿 변환은 저주파 성분을 분석할 때는 넓은 시간 간격(낮은 시간 해상도, 높은 주파수 해상도)을, 고주파 성분을 분석할 때는 좁은 시간 간격(높은 시간 해상도, 낮은 주파수 해상도)을 사용한다.

이러한 접근 방식은 실제 신호의 특성에 더 부합한다. 예를 들어, 시계열 분석에서 저주파의 추세나 배경 신호는 느리게 변화하므로 정확한 주파수 값을 아는 것이 중요하다. 반면, 고주파의 급격한 변화나 특이점은 그 변화가 발생한 정확한 시점을 파악하는 것이 더 중요하다. 웨이블릿 변환의 가변 해상도는 이러한 요구를 동시에 충족시켜, 신호 처리와 이미지 처리에서 더 효율적이고 유연한 분석을 가능하게 한다.

가변 해상도의 이점은 노이즈 제거와 데이터 압축 분야에서 두드러진다. 신호의 중요한 저주파 정보는 넓은 범위를 평균화하여 안정적으로 추출하는 반면, 고주파의 디테일이나 에지 정보는 국소적으로 정밀하게 보존하거나 분리할 수 있다. 이 원리는 JPEG2000과 같은 고급 영상 압축 표준의 기반이 되었다.

웨이블릿 변환의 핵심 특징 중 하나는 국소성을 갖는다는 점이다. 이는 변환에 사용되는 기저 함수인 웨이블릿이 시간 또는 공간상에서 유한한 구간 내에서만 유의미한 값을 가지고, 그 외의 영역에서는 급격히 감쇠하여 0에 가까워지는 특성을 의미한다. 이러한 하르 웨이블릿과 같은 국소화된 파형을 사용하기 때문에, 원본 신호의 특정 시점이나 위치에서 발생하는 변화나 특이점을 정확하게 포착하고 분석할 수 있다.

이 국소성은 푸리에 변환과의 근본적인 차이를 만든다. 푸리에 변환은 신호를 전구간에 걸쳐 정의된 사인파와 코사인파의 합으로 표현하므로, 시간 또는 공간에 대한 정보를 잃어버린 전역적인 주파수 분석만 가능하다. 반면 웨이블릿 변환은 국소적인 기저 함수를 스케일과 천이를 통해 변화시키며 신호를 해석하므로, '어느 시점에서 어떤 주파수 성분이 나타나는가'라는 시간-주파수 해석을 동시에 수행할 수 있다. 이는 노이즈 제거나 신호 압축과 같은 응용에서 신호의 중요한 특징만을 선택적으로 추출하는 데 유리하다.

국소성 덕분에 웨이블릿 변환은 단시간 푸리에 변환보다 더 효과적인 시간-주파수 해석이 가능하다. 단시간 푸리에 변환은 고정된 크기의 시간 창을 사용하기 때문에 모든 주파수 대역에서 동일한 시간 분해능을 제공한다. 그러나 웨이블릿 변환은 가변 해상도의 특성을 통해 고주파수 성분(급격한 변화)에는 짧은 시간 창을, 저주파수 성분(완만한 변화)에는 긴 시간 창을 자동으로 적용한다. 이는 신호의 물리적 특성에 더 부합하며, 영상 처리나 시계열 분석에서 국부적인 패턴이나 이상 징후를 검출하는 데 매우 효과적이다.

웨이블릿 변환은 신호 처리 분야에서 매우 강력한 도구로 활용된다. 기존의 푸리에 변환이 신호 전체의 주파수 성분만을 보여주는 데 반해, 웨이블릿 변환은 신호의 특정 시점에서 어떤 주파수 성분이 존재하는지를 동시에 분석할 수 있는 시간-주파수 해석을 가능하게 한다. 이는 신호의 국부적 특성, 예를 들어 순간적인 돌발 신호나 급격한 변화 지점을 정확히 찾아내는 데 유용하다.

주요 응용은 노이즈가 포함된 신호의 평활화, 즉 노이즈 제거에 있다. 웨이블릿 변환을 통해 신호와 노이즈를 효과적으로 분리할 수 있으며, 특히 유용한 신호 성분은 보존하면서 불필요한 노이즈 성분만을 제거하는 데 탁월한 성능을 보인다. 또한, 시계열 분석에서 데이터의 추세, 주기성, 불규칙 성분을 다양한 시간 스케일에서 분해하여 분석하는 데 널리 사용된다.

이산 웨이블릿 변환은 신호 압축의 핵심 기술이기도 하다. 이 변환은 신호의 에너지를 소수의 큰 계수에 집중시키는 특성이 있어, JPEG2000 같은 현대 영상 압축 표준의 기반이 된다. 이를 통해 고화질 영상을 높은 압축률로 저장하거나 전송할 수 있다. 또한, 시스템의 이상 징후를 감지하는 고장 진단이나 제어 시스템 분석에서도 신호의 미세한 변화를 포착하는 데 활용된다.

웨이블릿 변환은 영상 압축 분야에서 이산 코사인 변환을 기반으로 한 기존 JPEG 표준의 한계를 극복하는 핵심 기술로 자리 잡았다. 특히 JPEG2000 국제 표준의 핵심 알고리즘으로 채택되면서 그 실용성이 널리 인정받았다. 웨이블릿 변환은 영상을 다양한 스케일과 위치에서 분석할 수 있어, 영상의 공간적 특성을 보다 효율적으로 표현한다.

이 방식의 주요 장점은 가변 해상도 특성에 있다. 영상의 평탄한 영역은 낮은 주파수 성분으로, 에지나 텍스처가 복잡한 영역은 높은 주파수 성분으로 효과적으로 분리된다. 이렇게 다중 해상도로 분해된 계수들은 이후 양자화와 엔트로피 부호화 과정을 거쳐 압축된다. 그 결과, 기존 방법 대비 동일한 비트레이트에서 더 높은 주관적 화질을 제공하거나, 동일한 화질을 더 낮은 데이터량으로 표현할 수 있다.

이러한 기술적 우수성 덕분에 웨이블릿 변환은 의료 영상(DICOM), 위성 영상, 디지털 영화 보관 등의 분야에서 고품질 이미지 처리 및 압축을 위해 활발히 활용되고 있다.

웨이블릿 변환은 시계열 분석 분야에서 매우 유용한 도구로 활용된다. 기존의 푸리에 변환이 전체 신호에 대한 주파수 성분만을 제공하는 반면, 웨이블릿 변환은 시간에 따른 주파수 성분의 변화를 동시에 추적할 수 있다. 이는 주식 시장의 가격 변동, 기상 관측 데이터, 심전도 신호와 같이 시간에 따라 특성이 변하는 비정상 시계열 데이터를 분석하는 데 특히 효과적이다. 웨이블릿을 이용하면 신호의 특정 시점에서 발생하는 돌발 현상이나 이상치를 정확히 찾아낼 수 있다.

이 변환의 핵심 원리는 다중 해상도 분석에 기반한다. 웨이블릿 함수를 신축(스케일링)하고 이동(천이)시켜 원본 시계열 신호와의 상관관계를 계산한다. 넓은 스케일(저주파)의 웨이블릿은 신호의 장기적인 추세나 느린 변화를 포착하는 반면, 좁은 스케일(고주파)의 웨이블릿은 신호 내의 급격한 변화나 미세한 디테일을 분석한다. 이러한 가변 해상도 특성 덕분에 한 번의 변환으로 시계열 데이터의 다양한 시간 규모와 주파수 규모의 정보를 계층적으로 분해해 낼 수 있다.

응용 측면에서 웨이블릿 변환은 시계열 데이터의 노이즈 제거와 특징 추출에 널리 사용된다. 예를 들어, 금융 공학에서는 변동성 군집 현상을 분석하거나, 신호 처리에서는 음성 신호에서 의미 있는 포먼트를 추출하는 데 활용된다. 또한 예측 모델링에 앞서 시계열 데이터를 사전 처리하거나, 복잡한 시스템의 고장 진단을 위해 정상 상태와 이상 상태의 신호 패턴을 비교하는 데에도 적용된다.

웨이블릿 변환은 노이즈 제거 분야에서 매우 효과적인 도구로 활용된다. 기존의 푸리에 변환이 신호 전체의 주파수 성분을 분석하여 시간적 국소성을 잃는 반면, 웨이블릿 변환은 시간과 주파수 영역을 동시에 분석할 수 있어 노이즈가 발생한 정확한 시점을 파악하고 이를 분리해내는 데 유리하다. 이는 신호의 국소성을 보존하면서도 다중 해상도 분석이 가능한 웨이블릿의 고유한 특성 덕분이다.

노이즈 제거 과정은 일반적으로 이산 웨이블릿 변환을 통해 신호를 다중 스케일로 분해하는 것에서 시작한다. 변환 후 얻어진 웨이블릿 계수 중에서 신호의 본질적인 정보는 큰 값을, 노이즈는 상대적으로 작은 값을 가지는 경향이 있다. 따라서 미리 설정한 임계값을 기준으로 작은 계수를 제거하거나 축소하는 역치화 과정을 거쳐 노이즈 성분을 걸러낸다. 이후 처리된 계수를 이용해 역 웨이블릿 변환을 수행하면 원본 신호에서 노이즈가 감쇠된 평활화된 신호를 복원할 수 있다.

이 기법은 생체 신호 처리나 금융 시계열 분석처럼 유용한 정보와 노이즈의 주파수 대역이 중첩되어 있는 경우에 특히 강점을 보인다. 또한 영상 처리 분야에서는 JPEG2000과 같은 이미지 압축 표준에서도 노이즈 제거 및 화질 향상 목적으로 웨이블릿 변환이 적용된다.

웨이블릿 변환의 수학적 기원은 20세기 초로 거슬러 올라간다. 1909년 헝가리의 수학자 알프레드 하르가 자신의 학위 논문 부록에서 최초의 웨이블릿 개념을 수학적 과제로 제시한 것이 시초이다. 이는 오늘날 하르 웨이블릿으로 알려져 있으며, 유한한 구간 밖에서는 완전히 값이 0이 되는, 즉 '소멸'하는 특성을 가진 최초의 단순한 웨이블릿이었다. 그러나 하르 웨이블릿은 연속적으로 미분이 가능하지 않아 매끄러운 신호를 표현하는 데 한계가 있었고, 이로 인해 당시에는 널리 응용되기보다는 이론적 탐구의 대상에 머물렀다.

이후 수학자들의 관심은 푸리에 변환이 대표하는 주파수 해석에서, 서로 다른 크기 또는 '스케일'에서 신호를 바라보는 스케일 해석으로 이동하기 시작했다. 이러한 접근법은 신호의 평균적인 변화를 측정하여 노이즈에 덜 민감한 분석을 가능하게 했다. 그러나 웨이블릿 이론이 단순한 수학적 개념을 넘어 실용적인 도구로 도약하는 계기는 1980년대에 이루어졌다.

1982년 프랑스의 석유 탐사 기사 장 모를레가 실제 지진파 데이터를 분석하는 과정에서 웨이블릿 개념을 독자적으로 재발견하고 응용하면서 비로소 그 실용성이 주목받기 시작했다. 모를레는 이론물리학자 알렉스 그로스만과의 협력을 통해 웨이블릿 변환을 양자역학의 관점에서 체계적으로 정의하고 확장하였다. 이들의 연구는 웨이블릿이 시간-주파수 해석을 위한 강력한 도구가 될 수 있음을 보여주었고, 이후 신호 처리 분야의 새로운 패러다임을 열었다.

1980년대 초반, 프랑스의 석유 탐사 기사인 장 모를레는 실제 지진파 데이터 분석에 웨이블릿 개념을 응용하면서 이론의 실용적 가치를 입증했다. 그의 연구는 이론물리학자인 알렉스 그로스만과의 협업으로 이어져, 양자역학의 관점에서 웨이블릿 변환을 폭넓게 재정립하는 계기가 되었다. 이들의 작업은 단순한 수학적 이론을 넘어 신호 처리와 데이터 압축 같은 공학 분야에 직접 적용 가능한 강력한 도구로서의 기반을 마련했다.

이후 1980년대 후반부터 1990년대에 걸쳐, 이그리드 도브시, 스테판 말라 등 수학자들이 다해상도 분석 이론을 정립하고 빠른 알고리즘을 개발하면서 웨이블릿 변환은 급속도로 발전했다. 특히 이산 웨이블릿 변환과 이를 구현하는 필터 뱅크의 등장은 컴퓨터를 이용한 디지털 신호 처리를 현실화했으며, 이는 영상 압축 국제 표준인 JPEG2000의 핵심 기술로 채택되는 실질적 성과로 이어졌다.

현대에 이르러 웨이블릿 변환은 순수 수학의 영역을 넘어 시계열 분석, 음성 인식, 의료 영상, 금융 공학 등 다양한 분야에서 표준적인 분석 도구로 자리 잡았다. 그 핵심 강점은 푸리에 변환이 제공하지 못하는 시간-주파수 해석 능력과, 신호의 특성에 따라 해상도를 가변적으로 조절할 수 있는 다해상도 특성에 있다. 이러한 특징으로 인해 급격한 변화를 포함하는 신호나 노이즈가 섞인 데이터를 분석하는 데 특히 효과적이다.