基于LFM信号的Gaussian小波变换的缺点：不是正交的，也不是双正交的，也不是紧支撑的。频率分辨率比Haar小波变换和Mexican Hat小波变换要高，但是要低于Morlet小波变换。

Mexican Hat函数是Gauss函数的二阶导数，Mexican Hat小波变换的优点是在时域和频率都有很好的局部化，是对称的，可用于连续小波变换。并且比较接近人眼的空间响应特征，可用于计算机视觉中图像边缘检测。但它不存在尺度函数，所以Mexican Hat小波函数不具有正交性，不是紧支撑的。在频率分辨率的性能上，优于Haar小波变换。

Haar小波变换的基本思想：找到另一个基函数，通过压缩平移也生成差空间，这个基函数和原来的尺度函数能够建立直接的联系。优点是时域紧支撑的，正交对称的，而且计算简单。但是在时域上是不连续的，所以作为基本小波性能不是特别好。从时频图可以看出频率分辨率比较差。