论文部分内容阅读
传统的递推最小二乘(RLS)算法有良好的抑制噪声的能力.但在非稳态环境下跟踪能力弱.导致误差大。RLS和Kalman滤波之间存在一一对应的关系.引入Kalman滤波的一步预测估计和新的状态转移矩阵,可以得到广义的RLS算法,该算法改进了跟踪能力。同时.考虑到加权遗忘因子对算法的收敛速度和跟踪能力也有很大影响,故在广义RLS算法中再引入可变的遗忘因子.以确保对时变参数的快速跟踪能力和小的参数估计误差。对基于可变遗忘因子的广义RLS自适应算法和按指数加权的传统RLS算法进行了仿真比较,分析了在稳态下加入谐波、