最小均方算法和递归最小二乘算法

最小均方算法（LMS）和递归最小二乘算法（RLS）都是常用于系统辨识的自适应滤波算法。其中，LMS算法是一种基于梯度下降的算法，通过不断调整滤波器系数，使得滤波器的输出与期望输出之间的均方误差最小。而RLS算法则是一种基于最小二乘的算法，通过不断更新滤波器系数，使得滤波器的输出与期望输出之间的加权均方误差最小。相比于LMS算法，RLS算法具有更快的收敛速度和更高的收敛精度，但是计算量较大。

部分代码如下：

% LMS算法
mu = 0.01; % 步长
w = zeros(N,1); % 初始化滤波器系数
for n = 1:N
    y(n) = x(n:-1:n-M+1)'*w; % 滤波器输出
    e(n) = d(n) - y(n); % 误差信号
    w = w + mu*e(n)*x(n:-1:n-M+1); % 更新滤波器系数
end

% RLS算法
lambda = 0.99; % 遗忘因子
delta = 0.01; % 初始化参数
P = delta^(-1)*eye(M); % 初始化协方差矩阵
w = zeros(N,1); % 初始化滤波器系数
for n = 1:N
    y(n) = x(n:-1:n-M+1)'*w; % 滤波器输出
    e(n) = d(n) - y(n); % 误差信号
    k = P*x(n:-1:n-M+1)/(lambda+x(n:-1:n-M+1)'*P*x(n:-1:n-M+1)); % 计算增益
    w = w + k*e(n); % 更新滤波器系数
    P = lambda^(-1)*(P-k*x(n:-1:n-M+1)'*P); % 更新协方差矩阵
end