请给一个你写的RLS算法函数的使用示例

RLS（Recursive Least Squares，递归最小二乘）算法是一种自适应滤波器算法，它通过递归地最小化误差的平方和来估计线性系统的参数。在实际应用中，RLS算法可以用于系统辨识、信号处理等领域。

下面是一个简单的RLS算法函数的使用示例，这个例子使用Python语言，并假设使用numpy库来进行数学运算。

import numpy as np

def rls_recursive(P, phi, z, lambda_):
    """
    RLS递归更新函数
    :param P: 上一次的协方差矩阵P(n-1)
    :param phi: 当前时刻的输入向量
    :param z: 当前时刻的期望输出
    :param lambda_: 遗忘因子，用于控制对旧数据的遗忘程度
    :return: 当前时刻的参数估计theta(n)，以及更新后的协方差矩阵P(n)
    """
    # 计算增益向量k
    k = np.dot(P, phi) / (lambda_ + np.dot(np.dot(phi.T, P), phi))
    # 更新参数估计
    theta = theta + k * (z - np.dot(phi.T, theta))
    # 更新协方差矩阵
    P = (P - np.dot(np.dot(k, phi.T), P)) / lambda_
    return theta, P

# 初始化
theta = np.zeros((3, 1))  # 初始参数估计
P = np.eye(3)            # 初始协方差矩阵，这里假设为3x3单位矩阵
lambda_ = 0.99            # 遗忘因子，接近1表示较少遗忘旧数据
phi = np.array([1, 2, 3])  # 输入向量
z = 2                    # 期望输出

# RLS算法递归更新
for _ in range(100):  # 假设进行100次递归更新
    theta, P = rls_recursive(P, phi, z, lambda_)
    # 这里可以修改phi和z来模拟新的输入和期望输出，进行下一次更新

在上述示例中，我们没有实现完整的RLS算法流程，而是展示了如何使用`rls_recursive`函数来进行单次的参数更新。在实际应用中，你需要根据具体问题设计输入向量`phi`和期望输出`z`的生成方式，并持续更新参数估计值`theta`。