递归最小二乘法原理图

递归最小二乘法（Recursive Least Squares, RLS）是一种用于参数估计的递归算法。它主要用于在线系统辨识和自适应滤波等领域。下面是递归最小二乘法的原理图：

1. 输入信号：输入信号x(n)作为递归最小二乘法的输入，可以是一个向量或者多个输入信号的组合。

2. 系统模型：假设系统模型为y(n) = h^T(n)x(n) + e(n)，其中h(n)是待估计的参数向量，e(n)是噪声项。

3. 参数估计：递归最小二乘法通过不断更新参数向量h(n)来估计系统模型中的参数。初始时，参数向量h(0)可以设置为零向量或者根据先验知识进行初始化。

4. 预测输出：根据当前的参数估计h(n)，通过预测模型得到输出信号y_pred(n) = h^T(n)x(n)。

5. 计算误差：将预测输出信号与实际输出信号y(n)进行比较，计算误差e(n) = y(n) - y_pred(n)。

6. 更新参数：根据误差e(n)和输入信号x(n)，使用递归最小二乘法的更新规则来更新参数向量h(n)。更新规则可以通过最小化误差的平方和来得到。

7. 重复步骤4-6：不断重复步骤4-6，通过递归更新参数向量h(n)，实现对系统模型参数的在线估计。