التحويل المتشتت للموجات ينشئ ثوابت هندسية واستقرار التشوه. وقد أظهر أنه في مجالات الإشارات المتعددة، ينتج تمثيلات أكثر تمييزًا مقارنة بالتمثيلات غير المُتعلمة الأخرى ويتفوق على التمثيلات المُتعلمة في بعض المهام، خاصة عند البيانات المُصنفة المحدودة والإشارات ذات الهيكلية العالية. يتم عادةً اختيار مرشحات الموجات المستخدمة في التحويل المتشتت لإنشاء إطار محكم عبر موجة أم معلمة. في هذا البحث، نستكشف ما إذا كانت هذه البناء القياسي لمرشحات الموجات هو الأمثل. مع التركيز على موجات مورلي (Morlet)، نقترح تعلم مقاييس المرشحات وتوجهاتها ونسبها البُعدية لإنتاج تخصيص معلمي للتحويل المتشتت يتناسب مع المشكلة. نوضح أن إصداراتنا المُتعلمة من التحويل المتشتت تحقق ارتفاعًا كبيرًا في الأداء في سياقات تصنيف العينات الصغيرة مقارنة بالتحويل المتشتت القياسي. بالإضافة إلى ذلك، تقترح نتائجنا التجريبية أن بناء الفلتر التقليدي قد لا يكون دائمًا ضروريًا لاستخراج التمثيلات الفعالة من قبل التحويلات المتشتته.