小波变换和短期/短期傅里叶变换是不完全不同并且可能重叠（双关语）的变换类别的广义名称。

两者都可以有效地处理数据的非平稳特征，并且它们都有优点或缺点，具体取决于它们的参数和信号的属性。STFT 通常在具有不同调制的固定长度窗口上分析信号，而小波是在不同支持尺寸上的类似调制（过零）。

我是小波类型方法的推动者。然而，我应该提到，在图像和音频中，JPEG 和 mp3 是广泛传播的标准，类似于 STFT（固定长度），在它们的关键版本中（最大二次采样）。小波虽然是 JPEG2000 的基础，但使用较少，可能用于实现/使用问题。

在视频编码和深度学习中，更习惯于查看不同的分辨率（类似于小波），但并不完全采用结构化的二元小波方式。

STFT 是频移等变的 - 无论原始频率如何 ，相同的绝对偏移对表示的影响相同：${}^1$

$$\hat x(\omega) \rightarrow \hat x(\omega - c) \Leftrightarrow \text{STFT}_x (t, \omega) \rightarrow \text{STFT}_x (t, \omega - c) \tag{1}$$ _{1: 而是通常，如果考虑负频率$|\omega| - c$}

这允许它在整个时频平面上以固定速率跟踪线性频率调制，因此我们可以调整时频权衡，直到我们完美地映射它。根据应用（例如量化音频频率转置），移位等方差对于代表性线性也很有用。

一个被忽视的优势是，STFT 更容易实现——即使是主要的 Python 库（PyWavelets、scipy）也存在缺陷。它也可以被认为是更快、更宽松的“跳数”。

总的来说，我确实更喜欢 CWT 而不是 STFT——这里有 CWT 属性（相当分散，但有些也适用于 CWT）。最后，对测试信号进行更多比较。