利用至少两种频率估计方法编程求给定信号的频率 ，要求： 所有算法使用相同点数的FFT（不大于100点） 无噪声、20dB、10dB、5dB、0dB、-5dB，每个信噪比至少估计100次（除无噪声外）

为了估计给定信号的频率，我们可以利用快速傅里叶变换（Fast Fourier Transform, FFT）来计算频谱，并结合两种常见的频率估计方法：

1. **直接法**（Peak Detection）：这是最简单的做法，找到FFT结果中幅度最大的频率分量对应的频率。由于要求使用不超过100点的FFT，我们对结果进行索引操作获取最大值的位置，然后除以采样率（样本数/时间长度），得到频率。

import numpy as np

def direct_frequency_estimation(fft_result, fs):
    index = np.argmax(np.abs(fft_result))
    freq = index / len(fft_result) * fs
    return freq

# 示例用法：
fs = 1000  # 假设采样率为1kHz
signal = ...  # 输入信号
fft_signal = np.fft.fft(signal)
freq_estimate = direct_frequency_estimation(fft_signal, fs)

2. **线性拟合法**：通过观察频谱中峰值附近的几个频率点，可以进行线性回归，找到一个更精确的频率估计。这通常用于处理非理想情况，如信号复杂度增加或存在噪声。

def linear_fit_frequency_estimation(fft_result, fs, window_size=5):
    start_index = np.argmax(np.abs(fft_result[:window_size])) - 1
    end_index = start_index + window_size
    freq_window = fft_result[start_index:end_index]
    x = np.arange(start_index, end_index) / len(fft_result)
    
    slope, intercept, _, _, _ = np.polyfit(x, freq_window, 1)
    central_freq = (start_index + end_index) // 2
    estimated_freq = central_freq + slope
    return estimated_freq

# 示例用法同上
estimated_freq = linear_fit_frequency_estimation(fft_signal, fs)

对于不同的信噪比，你可以先将信号加噪声（例如白噪声），然后再应用上述方法。对于每种SNR水平，你需要分别处理100次随机生成的噪声信号，每次计算并记录估计频率。

完成这些后，你可以比较各种方法在不同信噪比下的性能，并分析误差或精度变化。