根据采样频率，FFT（快速傅里叶变换）将起作用。例如，如果您的采样率仅为每 20 毫秒一次，那么您只会获得几个正弦曲线样本，但如果您每 0.5 毫秒采样一次，那么您将获得更多的样本。FFT 通常在处理大量样本进行平均时效果最好。在这种情况下，即使您的信号是几个正弦曲线的总和，也可以准确地确定它们。

或者，您可以查看MUSIC算法。我不太清楚它是如何实现的细节，但它已经在几个实时检测场景中实现了。音乐的替代方案是Esprit算法。

尽管如此，如果您的样本量足够大并且噪声没有完全淹没信号，那么 FFT 将（平均而言）是最快的选择。

检测正弦曲线的一种方法是使用Goertzel 算法。 Rick Lyons 在这里写了一篇关于如何使用它进行检测的文章。

第二个链接有这个方程来过滤你的输入信号并计算“决策统计”：

一切都取决于信噪比。SNR 越低，将信号与噪声分离所需的处理就越多。我过去曾解决过一个类似的问题，当时我正在寻找一个在相当宽的频率范围内的间歇性、低 SNR 正弦信号。这对我有用：

1. 执行系统噪声的离线表征（在频域中）。如果环境噪声水平随时间变化，当算法对不存在感兴趣的信号有很高的置信度时，定期在线更新此噪声水平。如果噪音不是很稳定，那么这可能无济于事（并且可能会造成伤害）。
2. 在离散时间窗口上执行滑动 FFT。寻找能量高于背景噪声某个阈值的频率。获取可能是感兴趣信号的候选“峰值”列表。我选择保留数据的循环缓冲区，包括来自先前时间窗口的样本，以便 FFT 具有更好的频率分辨率。
3. 为 FFT 中确定的感兴趣的峰值频率构建正弦匹配滤波器。寻找高于某个阈值的响应。匹配滤波器（又称自相关函数）可以很好地衰减噪声，在我的系统中，它非常擅长从乍一看似乎毫无希望的数据中提取检测。作为时域滤波器，匹配滤波器还可以告诉您信号何时出现以及何时消失。

正如其他人所建议的那样，我尝试使用 MUSIC 算法将信号与噪声分离。对于我的问题，它在寻找低 SNR 候选信号方面比 FFT 稍好一些，但由于计算负担要高得多（而且我的算法在一个懦弱的定点 DSP 上运行），我选择不使用它。使用 FFT 将检测阈值设置得较低，检测更多杂散峰值并在匹配滤波阶段消除它们会更容易。低 SNR 检测可能是一种黑暗艺术，但如果您对系统有足够的了解，则可以可靠地检测幅度低于环境噪声水平的信号。这完全取决于您了解您可以利用的系统信息。

我会提出以下建议：
1. 组织一个足够宽的滑动窗口以包含信号的整个频带（至少几个最低频率信号的周期）
2. 对当前在窗口内的样本执行 FFT，获得来自它的功率谱。
3. 裁剪具有已知频带限制的频谱。
4. 将剩余的功率谱值按降序排列。由于噪声是高斯的，因此噪声频谱在频带内将是平均平坦的，并且如果窗口中存在单调哔哔声，则会产生尖峰。
5. 确定典型的尖峰带宽。从裁剪排序的功率谱中获取最高幅度的样本，获得平均值。那将是潜在的“哔哔”能量。
6. 还获得剩余频带样本的平均值，这将是噪声能量。
7. 计算 (5) 和 (6) 中获得的能量比。如果比率超过给定阈值，则设置指示找到哔声的标志。如果没有，则设置当前没有哔声的标志。
8. 将窗口滑动到下一帧（逐个样本，或按更大的步长）。