El tono del betatrón en el Gran Colisionador de Hadrones (LHC) se mide utilizando un sistema de Tono de Banda Base (BBQ). El procesamiento de estas señales BBQ a menudo se ve perturbado por armónicos de ruido de 50 Hz presentes en el haz. Esto provoca que el algoritmo de medición del tono, actualmente basado en la detección de picos, proporcione estimaciones de tono incorrectas durante el ciclo de aceleración con valores que oscilan entre armónicos vecinos. El feedback de tono del LHC (QFB) no puede utilizarse en su máxima medida en estas condiciones, ya que depende de estimaciones de tono estables y fiables. En este trabajo, proponemos nuevos algoritmos de estimación de tono, diseñados para mitigar este problema a través de diferentes técnicas. Dado que no existe una verdad fundamental de la medición real del tono, desarrollamos un modelo sustituto, que nos permitió realizar un análisis comparativo de un simple promedio móvil ponderado, Procesos Gaussianos y diferentes técnicas de aprendizaje profundo. El conjunto de datos simulado utilizado para entrenar los modelos profundos también se mejoró utilizando una variante de Redes Generativas Antagónicas (GANs) llamada SimGAN. Además, demostramos cómo estos métodos se desempeñan en relación con el algoritmo de estimación de tono actual.