您可以将接收到的信号与您知道包含的信号进行互相关。

Fs = 1000;
t = np.arange(0, 2, 1./Fs)
s = lambda t: np.cos(2*np.pi*10*t*t)

t0 = 0.5

single = s(t)
signal = s(t) + s(t-t0)

plt.subplot(1,2,1)
plt.plot(t, signal)
plt.plot(t, single)

plt.subplot(1,2,2)
plt.plot(t, np.correlate(signal, single, 'same'));

峰值之间的延迟是两个信号之间的时间距离。

第一步包括利用信号的已知属性，从将其转换为更易读的形式的转换开始。如果它是非平稳的，例如啁啾，您可以使用时间频率或时间尺度变换。下图借自 Time-Frequency Toolbox：

虽然信号看起来很复杂，但两个偏移啁啾之间的延迟在时频图中变得明显。然后，如果您选择了可逆变换，第一个选项是裁剪与第二个啁啾有关的图像部分，将其余部分设置为零，然后反转。

然后，如果您了解原始信号，您可以插入其他分离技术，如源分离技术和自适应匹配滤波。这个问题可以重新定义为回声消除。地球物理学中也出现了类似的问题，称为多重抑制。以下论文在小波域中执行自适应滤波。第二个添加了约束，这可能有助于将您的延迟限制在某个时间间隔内：

• 基于小波的复一元维纳滤波器的自适应多重减法，2012
• 一种基于稀疏模板的自适应滤波的原始对偶近端算法：在地震多重去除中的应用，2014