为此可以使用互相关函数的最大值。

http://en.wikipedia.org/wiki/Cross-correlation

（至少我知道它已成功用于 EEG 时间序列分析，Woody 的论文）。

这是一个例子，我一起破解：

上图显示了两个嘈杂的啁啾信号，红色的信号偏移了大约 80 个采样点。互相关图显示正确偏移处的清晰峰值。在 MATLAB 中，您可以使用

[xc,lags]=xcorr(y1,y2);
[m,i]=max(xc);
tau=lags(i);

其中 y1 和 y2 是两个输入信号。

这是生成图形的 MATLAB 代码：

% generate 2 signals
t = 0:0.001:0.5;            
y = chirp(t,0,1,150);
y2= [cos(0:0.1:2*pi) y];
y2= y2(1:size(y,2));

% add noise
yr =y +0.9*rand([1 size(y,2)]);
y2r=y2+0.9*rand([1 size(y,2)]);

% plot signals
subplot( 2,1,1)
plot(yr);
hold on
plot( y2r, 'r');
hold off

% plot cross-correlation
subplot( 2, 1,2)
[z, lags]=xcorr(yr, y2r);
plot( lags, z(1:end));

这个问题被称为“时间延迟估计”。如果假设延迟（“tau”）是恒定的，则最常用的技术是基于在互相关函数上搜索最大值。但是有一些改进，其中许多对应于一些“广义互相关”（在概念上类似于对信号应用一些预均衡），我在“SCOT”广义相关方面取得了很好的结果。论文很多，搜索“广义相关”“时间延迟”“SCOT”“PHAT”例如：http ://dodreports.com/pdf/ada393232.pdf 。