푸리에 변환(Fourier Transform) 및 웨이블릿 변환(Wavelet Transform)

현대 신호 처리와 데이터 압축의 근간이 되는 푸리에 변환과 웨이블릿 변환의 본질을 꿰뚫는 '제1원칙'에서 출발해 보겠습니다.

이 변환들의 이해는 단순히 '적분 공식'이 아니라, "복잡하게 뒤엉킨 실타래(신호)를 어떻게 하면 가장 단순한 가닥(기저 함수)으로 풀어헤쳐 그 정체를 밝힐 것인가? 그리고 그 정체를 밝히는 과정에서 '언제'와 '어떤 성분'이라는 두 마리 토끼($Time-Frequency$ $Localization$)를 어떻게 잡을 것인가?"라는 분해와 해석의 문제에서 출발해야 합니다.

---

1. 신호 변환의 최상위 원리: "세상을 바라보는 렌즈의 교체"

출발점은 "시간 영역($Time$ $Domain$)에서는 보이지 않는 신호의 특성을 어떻게 찾아낼 것인가?"라는 질문입니다.

• 기본 상황: 시간에 따라 출렁이는 신호는 그 안에 어떤 노래가 들어있는지, 어떤 노이즈가 섞여 있는지 한눈에 알기 어렵습니다.
• 본질 (Change of Basis): 신호를 우리가 잘 아는 '표준적인 파동'들의 합으로 다시 표현하는 것입니다. 마치 화합물을 원소 기호로 분해하여 성분을 파악하는 것과 같습니다.
• 통찰: 변환은 '데이터 관점의 레버리지'입니다. 복잡한 데이터를 단순한 주파수 성분으로 치환함으로써, 불필요한 성분(노이즈)을 제거하고 핵심 정보만 남겨 압축 효율을 극대화하는 지적 도구입니다.

Wavelet 변환

 

---

2. 어디서부터 이해를 시작해야 할까? (3단계 핵심 논리)

 '무한한 파동'과 '국부적인 파동'의 관점에서 접근하십시오.

① 푸리에 변환: "영원히 지속되는 순수한 화음"

• 기본: 모든 신호는 주파수가 다른 정현파($Sine, Cosine$)들의 합으로 이루어져 있다는 가정에서 출발합니다.
• 이해: 악보를 보고 어떤 음들이 섞여 있는지 알아내는 것과 같습니다. 하지만 치명적인 약점이 있습니다. 정현파는 시간이 $-\infty$에서 $+\infty$까지 영원히 지속되므로, 변환된 결과에서는 '그 음이 언제 나왔는지'에 대한 시간 정보가 사라집니다.

$$X(f)=\int_{-\infty}^{\infty}x(t)e^{-j2\pi ft}dt$$

② 하이젠베르크의 불확정성: "시간과 주파수의 트레이드오프"

• 기본: 주파수를 정확히 알려고 하면 시간 정보를 잃고, 시간을 정확히 알려고 하면 주파수 정보를 잃습니다.
• 이해: 아주 짧은 순간의 소리는 주파수를 정의하기 어렵고, 아주 긴 소리는 정확히 언제 발생했는지 특정하기 어렵습니다. 이 물리적 한계를 어떻게 돌파하느냐가 웨이블릿의 등장 배경입니다.

③ 웨이블릿 변환: "필요에 따라 늘었다 줄었다 하는 돋보기"

• 기본: 영원히 지속되는 정현파 대신, 짧게 나타났다 사라지는 작은 파동(웨이블릿)을 기저로 사용합니다.
• 이해: 고주파(빨리 변하는 부분)는 짧은 돋보기로 세밀하게 관찰하고, 저주파(천천히 변하는 배경)는 긴 돋보기로 넓게 관찰합니다. 이를 다중 해상도 분석($MRA$)이라 하며, 시간과 주파수 정보를 동시에 보존하는 레버리지가 됩니다.

---

3. 사고 기반 답안 매칭

질문	답안 목차	핵심 서술 내용
Why	1. 개요	신호의 특징 추출, 압축, 노이즈 제거를 위한 주파수 영역 해석
What	2. 주요 변환	푸리에(FT, STFT) vs 웨이블릿(CWT, DWT)
How	3. 메커니즘	정현파 적분(FT), 가변 윈도우/다중해상도(Wavelet)
Problem	4. 한계 극복	FT의 시간 정보 상실 $\rightarrow$ Wavelet의 시간-주파수 국부화
So what	5. 실무 응용	$JPEG$ $2000$ 압축, 음성 인식 특징 추출, 과도 신호 분석

---

💡 정리를 위한 한 줄 정리

• 토픽: 푸리에 변환 및 웨이블릿 변환
• 개요: 신호를 정현파나 국부적 파동으로 분해하여 주파수 성분을 해석하는 기술로, 특히 웨이블릿은 시간과 주파수의 정보를 동시에 분석하는 다중해상도 기법.
• 키워드: 푸.정.무.웨.국.가 (푸리에-정현파-무한, 웨이블릿-국부적-가변해상도).

"복잡한 신호의 무질서(Why)를 정형화된 기저 함수의 조합(What)으로 규명하고, 가변 윈도우(How)라는 레버리지를 통해 시간과 주파수라는 두 마리 토끼를 잡는 것"이 본 토픽의 본질입니다.

 

---

1. [개요]

- 시간영역 신호 , 주파수 영역 해석 , 신호 특징추출, 효율적 압축 

- 시간정보 상실한계 극복, 신호의 국부적 변화, 정밀도 높임. 

 

2. [개념] 

- 푸리에변환 , 사인파/코사인파의 합, 

- 웨이블릿변환, 작은 파동(Wavelet), 이동,확장, 시간,주파수 동시 분석 

 

3. [구성도]

메커니즘1: Fourier (정현파 적분), 신호 전체, 무한한 주파수 성분 분해, 언제보다 어떤 주파수인지 집중.

메커니즘2: Wavelet (가변 윈도우), 고주파 짧은 시간, 저주파 긴 시간 , 다중해상도 적용

 

4. 비교표

비교 항목	푸리에 변환 (Fourier Transform)	웨이블릿 변환 (Wavelet Transform)
분석 영역	주파수 전용 (Frequency Domain)	시간-주파수 동시 분석 (Time-Frequency)
기저 함수	Sine / Cosine (무한 연속)	Mother Wavelet (국부적 감쇠)
신호 적합성	정지 신호 (Stationary)	비정지 / 과도 신호 (Non-stationary)
정보 보존력	시간 정보 소실 (Global 분석)	시간-주파수 정보 보존 (Local 분석)
불확정성 원리	전역적(Global)으로 고정된 해상도	가변적(Multi-resolution) 해상도 대응
핵심 키워드	주파수 성분 추출, 주기성 분석	특징점 추출, 특이점 검출(Denoising)

 

5. 활용분야 및 기술동향

- 음성/영상 압축 (JEPG 2000), 지진파 분석 , 노이즈 제거 

- 딥러닝 전처리 단계, 특징 추출, 시간-주파수 맵, 

 

복잡한 신호의 숨겨진 정체(why)를 기본 파동의 조합(what)으로 분해하되, 

시간과 주파수의 트레이드오프(how)를 가변 윈도우로 해결하여

정보의 가독성 레버리지를 확보.