5）自适应滤波（二）[RLS算法]

目录

一.递推最小二乘法（RLS）算法

1.1 以N阶线性系统起点，

1.2 动机：

1.3 目标函数的定义：

1.3.1 基于指数加权定义目标函数：

1.3.2 后验与先验误差对比：

1.3.2 最小化目标函数J（w）：

1.4 求解滤波器系数

1.4.1 推导自相关矩阵和相关向量的时间递推公式：

1.4.2 自相关矩阵时间递推公式的优化：

1.4.3  滤波器系数w（n）的时间递推公式：

1.5 RLS算法的执行流程：

1.6 RLS vs LMS

---

Table of Contents

- 一.递推最小二乘法（RLS）算法         - 1.1 以N阶线性系统起点，         - 1.2 动机：         - 1.3 目标函数的定义：             - 1.3.1 基于指数加权定义目标函数：             - 1.3.2 后验与先验误差对比：             - 1.3.2 最小化目标函数J（w）：         - 1.4 求解滤波器系数             - 1.4.1 推导自相关矩阵和相关向量的时间递推公式：             - 1.4.2 自相关矩阵时间递推公式的优化：                 - 矩阵求逆引理：                 - R逆的时间递推公式：             - 1.4.3 滤波器系数w（n）的时间递推公式：         - 1.5 RLS算法的执行流程：         - 1.6 RLS vs LMS

一.递推最小二乘法（RLS）算法

1.1 以N阶线性系统起点，

 

1.2 动机：

MMSE是一个均匀加权的最优化问题，即每一个时刻的误差信号对目标函数的贡献一样