La dispersión de wavelet es una transformación redundante de tiempo-frecuencia que se ha demostrado ser una herramienta poderosa en la clasificación de señales. Comparte la arquitectura convolucional con las redes neuronales convolucionales, pero ofrece algunas ventajas, como un entrenamiento más rápido y conjuntos de entrenamiento pequeños. Sin embargo, introduce cierta redundancia a lo largo del eje de frecuencia, especialmente para los filtros que tienen un alto grado de superposición. Esto lleva naturalmente a la necesidad de reducción de dimensionalidad para aumentar aún más su eficiencia como herramienta de aprendizaje automático. En este artículo, se utiliza la Longitud Mínima de Descripción para definir un procedimiento automático para optimizar la selección de las características de dispersión, incluso en el dominio de frecuencia. El estudio propuesto se limita a la clase de modelos de muestreo uniforme. Los resultados experimentales muestran que el método propuesto es capaz de seleccionar automáticamente el paso de muestreo óptimo que garantiza la mayor precisión de clasificación para parámetros de transformación fijos, cuando se aplica a señales de audio/sonido.