rls

解得 1( ) ( ) ( ) ( ) ( n ) ( )R n w n r n w n R r n   其中 n0( ) ( ) ( )n i HiR n u i u i  （公式 9） *0( ) ( ) ( )n niir n u i d i  （公式 10） 由此可见指数加权最小二乘法的解转化为 Wiener 滤波器的形式： 1roptwR

构、性能判据和自适应算法。 其中，自适应滤波算法一直是人们的研究热点，包括线性自适应算法和非线性自适应算法，非线性自适应算法具有更强的信号处理能力，但计算比较复杂，实际应用最多的仍然是线性自适应滤波算法。 线性自适应滤波算法的种类很多，有 RLS 自适应滤波算法、 LMS 自适应滤波算法、变换域自适应滤波算法、仿射投影算法、共扼 梯度算法等。 课题研究意义和目的

i       （公式 7） 故代价函数 (n)J 比 (n)J 更合理。 为了使代价函数取得最小值 ,可通过对权向量求导： ()0Jnw  （公式 8） 解得 1( ) ( ) ( ) ( ) ( n ) ( )R n w n r n w n R r n   其中 n0( ) ( ) ( )n i HiR n u i u i  （公式 9）

( )x n y n ()dn  ()en 39。 ()Nn ( ) ( )y n N n 图 31 自适应干扰抵消原理图 自适应处理器 i《信息处理课群综合训练与设计》 8 RLS 算法基本原理 RLS 算法是 FIR 维纳滤波器的一种递归算法，它是严格以最小二乘方准则为依据的算法。 FIR 自适应滤波器除了 LMS 算法外，还有另一种算法，即自适应的递归最小二乘方（ RLS）算法。