Algoritmo RLS

Considérese el modelo de series temporales lineal

${\displaystyle y(n+1)=wx(n)+e(n)}$

donde ${\displaystyle e(n)\sim N(0,1)}$ es ruido blanco. Deseamos estimar el parámetro ${\displaystyle w}$ mediante cuadrados mínimos. A cada instante ${\displaystyle N}$ nos referimos al nuevo estimador de cuadrados mínimos por ${\displaystyle {\hat {w}}_{N}}$. A medida que pasa el tiempo, desearíamos evitar repetir el algoritmo para encontrar el nuevo estimador ${\displaystyle {\hat {w}}_{N+1}}$ en términos de ${\displaystyle {\hat {w}}_{N}}$, sino actualizarlos usando distintas técnicas.

La ventaja del uso del algoritmo RLS es que no hay necesidad de invertir matrices extremadamente grandes, ahorrando así poder de cómputo.

• Filtro adaptativo
• Algoritmo LMS

• Implementation of the RLS algorithm in c# (enlace roto disponible en Internet Archive; véase el historial, la primera versión y la última).