rls,lms自适应滤波器matlab代码,c语言代码，参数可自行修改,帮助加深算法理解

自适应滤波器这玩意儿就像个智能橡皮擦，能实时擦除信号里的噪声。今天咱们用代码实操LMS和RLS这两个经典算法，手把手教你改参数看效果。准备好你的MATLAB和C编译器，咱们直接上硬货。

先看LMS这个老实人算法，代码简单得就像小学数学题。MATLAB版核心就四行：

function [y, e, w] = lms_filter(x, d, order, mu)
    w = zeros(order,1);
    for n = 1:length(x)-order
        x_win = x(n:n+order-1);
        y(n) = w' * x_win;
        e(n) = d(n) - y(n);
        w = w + mu * e(n) * x_win; % 这步就是灵魂
    end
end

那个mu参数（0.01左右）就像老司机的油门，调大了容易翻车（发散），调小了收敛慢。C语言版更刺激：

void lms_update(float *w, float x[], float error, float mu, int order) {
    for(int i=0; i<order; i++){
        w[i] += mu * error * x[i]; // 指针操作要当心越界
    }
}

注意这里用指针直接操作内存，比MATLAB快了不止一个量级，特别适合嵌入式系统。建议把阶数order从8开始试，感受下收敛速度变化。

rls,lms自适应滤波器matlab代码,c语言代码，参数可自行修改,帮助加深算法理解

轮到RLS这个学霸出场，MATLAB实现需要点矩阵运算功底：

function [y, e, w] = rls_filter(x, d, order, lambda)
    delta = 1e-4;
    P = delta^-1 * eye(order);
    w = zeros(order,1);
    for n = 1:length(x)-order
        x_win = x(n:n+order-1);
        y(n) = w' * x_win;
        e(n) = d(n) - y(n);
        k = (P * x_win) / (lambda + x_win'*P*x_win); % 核心方程
        w = w + k * e(n);
        P = (P - k*x_win'*P)/lambda;
    end
end

lambda（0.99~1）是遗忘因子，控制历史数据的记忆时长。C语言实现时要注意避免矩阵求逆：

void rls_update(float *w, float x[], float error, float *P, float lambda, int order) {
    float denom = 0.0f;
    for(int i=0; i<order; i++){
        for(int j=0; j<order; j++){
            denom += x[i] * P[i*order+j] * x[j];
        }
    }
    denom += lambda;
    
    for(int i=0; i<order; i++){
        float k_num = 0.0f;
        for(int j=0; j<order; j++){
            k_num += P[i*order+j] * x[j];
        }
        w[i] += (k_num / denom) * error; // 手动实现矩阵运算
    }
}

这段代码用了最笨的二维数组存储逆相关矩阵，实际工程中会用Cholesky分解优化。改order参数时注意，RLS的计算量是order的平方级增长，别随便调太大。

跑代码时建议先拿正弦波+白噪声测试，观察误差曲线。LMS的误差是平滑下降，RLS则是断崖式下跌——这就是用内存换速度的典型表现。遇到发散别慌，先把步长或lambda参数砍半试试。滤波器阶数别超过信号周期的1/3，否则容易过拟合。