对数扫频实时FFT频谱漂移及异常归一化原理技术问询

项目背景 #

我正在开发一款用于扬声器制造的开源音频频谱分析仪，核心功能是采用**对数扫频（logarithmic sweep）**作为激励信号，在扫频录制过程中实时分析响应，确保UI无阻塞。

问题描述 #

随着录制缓冲区增大，即便输入电平未变，采用标准归一化公式（yf1 = 2 * yf / len(record)）的频谱仍会缓慢向下漂移。经实验，我得到了一种可稳定频谱的归一化方式：

nk = np.sqrt(length * rate / np.log10(band[1] / band[0]) / 10) * 10 ** (0.35726 / 20)
yf2 = yf / nk

但无法理解其原理，现针对以下疑问逐一解析：

1. 为何标准归一化会导致频谱随缓冲区长度漂移？ #

标准FFT归一化2*yf/len(record)是为等幅稳态信号设计的：这类信号的能量在时域均匀分布，FFT结果的幅度与缓冲区长度成反比，因此除以长度能得到稳定的幅度值。

但对数扫频的时域信号是频率随指数增长、幅度恒定的信号，其能量在频域的分布极不均匀：低频段的信号持续时间更长，高频段持续时间更短。当缓冲区长度增大时，我们截取的扫频前缀包含了更多低频能量，但标准归一化未考虑频域能量的分布特性，只是统一除以缓冲区长度，导致整体频谱幅度被过度缩放，出现向下漂移。

2. 为何nk ∝ √(length·rate / log₁₀(f_hi/f_lo))能稳定频谱？ #

从时域频域能量分布、Parseval定理、FFT bin宽度等基础原理推导如下：

1. 频域能量分布：对数扫频的频率随时间变化满足 f(t) = f_lo * 10^(t·k)，其中 k = log₁₀(f_hi/f_lo)/T（T为缓冲区时长，即length/rate）。单位频率区间内的信号持续时间 Δt = 1/(k·f)，因此频域能量密度与 1/f 成正比（能量=功率×时间，功率恒定则能量与时间成正比）。
2. FFT bin宽度：FFT的每个bin宽度为 Δf = rate / length，对应频率区间 [f, f+Δf]。对于对数扫频，该区间内的信号持续时间 Δt ≈ 1/(k·f)，总能量 E_bin ∝ Δt ∝ 1/f。
3. Parseval定理：时域总能量等于频域总能量。时域总能量 E_time = P·length/rate（P为信号功率）；频域总能量 E_freq = Σ|Y(f)|²·Δf，结合能量密度关系可得 |Y(f)| ∝ 1/√(f·Δf)。
4. 归一化推导：代入 Δf = rate/length，则 |Y(f)| ∝ √(length/(rate·f))。由于我们需要与频率无关的稳定幅度，需引入缩放因子抵消频率相关项；同时，对数扫频的频率跨度 log₁₀(f_hi/f_lo) 决定了扫频速率，速率越快，每个频率的持续时间越短，能量越低，因此缩放因子需与 1/√log₁₀(f_hi/f_lo) 成正比。

最终组合得到稳定幅度的缩放因子与 √(length·rate / log₁₀(f_hi/f_lo)) 成正比——平方根的来源是Parseval定理中能量与幅度的平方关系：能量的线性比例对应幅度的平方根比例。

3. 归一化中的/10因子实际修正的是什么？ #

这个因子是对数底数转换与能量刻度匹配的修正：

• 对数扫频的频率增长通常用自然对数推导，但我们使用常用对数（log₁₀）计算频率跨度，两者的转换关系为 log₁₀(x) = ln(x)/ln(10)。
• 在频域能量分布的推导中，常用对数会引入 ln(10) 的系数，结合pink weighting（*sqrt(f)）抵消频率项后，最终需要将常用对数的跨度转换为与能量的dB刻度匹配（能量的dB值为 10log₁₀(E)，幅度为 20log₁₀(A)），/10 正是修正这种能量-幅度的对数刻度转换，确保缩放因子与线性幅度的计算一致。

简单来说，/10 是将频率跨度的常用对数转换为适配能量-幅度平方关系的修正项。

4. 0.35726 dB偏移的来源？ #

这个固定偏移是one-sided rfft、矩形窗、pink weighting和对数扫频离散化的组合效应：

1. 矩形窗的频谱泄漏偏差：矩形窗的频谱响应为 sin(π·Δf/f)/(π·Δf/f)，对于对数扫频的低频段，FFT bin覆盖的频率区间相对较大，该响应值与1的偏差会累积，导致幅度微小偏移。
2. pink weighting的离散误差：pink weighting是连续频率下的 *sqrt(f) 操作，但FFT是离散bin，用bin中心频率代替整个bin的频率会引入误差，累积后形成固定偏移。
3. one-sided rfft的半频修正：rfft丢弃负频率分量后，理论上需对幅度乘以2，但如果在pink weighting和扫频能量分布的修正中未完全抵消这个因子，会残留微小的幅度偏差。

具体计算：10^(0.35726/20)≈1.042，这个线性因子对应矩形窗频谱响应的平均偏差与pink weighting离散误差的总和，是多个微小效应叠加后的结果。

内容的提问来源于stack exchange，提问作者Max Boldyrev