Menyerah pada Metode Runge-Kutta (untuk saat ini?)

Selama beberapa minggu terakhir saya telah melihat penggunaan Metode Runge-Kutta untuk pembuatan fitur, tetapi saya telah memutuskan untuk menyerah pada hal ini untuk saat ini hanya karena saya pikir saya telah menemukan cara yang lebih baik untuk mencapai apa yang saya inginkan. Saya diberitahu tentang kemungkinan pendekatan ini oleh posting ini atas di http://dsp.stackexchange.com/ dan menindaklanjuti hal ini saya ingat bahwa beberapa tahun yang lalu saya membuat kode Filter Prediksi Linear John Ehler (kertas putihnya mungkin masih tersedia di sini) dan kode yang saya transkripsikan secara kasar diberikan di bawah ini:

 DEFUN_DLD (linearpredict, args, , "Help String")
{
octave_value retval;

 ColumnVector a = args(0).column_vector_value ();                                   // The input price                          
 ColumnVector b(a);                                                                 // This will be the output column vector returned to Octave by "retval"
 const int n = args(1).int_value();
 int lngth = 10;                                                                 
 
 double g[30];
 int zz;
 for (zz = 0; zz < 30; zz++)
     g[zz] = 0.0;

 double sigPredict[30];
 for (zz = 0; zz < 30; zz++)
     sigPredict[zz] = 0.0;

 double sigPower = 0.0;
 double mu = 0.0;
 double xBar = 0.0;
 int jj = 0;                                                          
 for (octave_idx_type ii (10); ii < a.length="" 10="" a="" average="" factor="" for="" href="https://draft.blogger.com/null" if="" ii="" jj="" lngth="" loop="" normalization="" ompute="" onvergence="" power="" sigpower="" start="" the=""> 0)
         mu = 0.25 / (sigPower * 10);

      //Compute signal estimate
      xBar = 0;
      for (jj = 1; jj <= lngth; jj++)
          xBar = xBar + a(ii - jj) * g[jj];

     //Compute gain coefficients
     for (jj = 1; jj <= lngth; jj++)
         g[jj] = g[jj] + (mu * (a(ii) - xBar) * a(ii - jj));

     //Compute signal prediction waveform
     for (jj = 0; jj <= lngth; jj++)
         sigPredict[jj] = a(ii - (10 - jj));

     //Extend signal prediction into the future
     int kk = 0;
     for (jj = lngth + 1; jj <= lngth + 5; jj++)
     {
         sigPredict[jj] = 0;

         for (kk = 1; kk <= lngth; kk++)
	     sigPredict[jj] = sigPredict[jj] + sigPredict[jj - kk] * g[kk];
     }

     b(ii) = sigPredict[lngth + n];

     }
 
retval = b;                                                                         // Assign the output column vector to the return value

return retval;                                                                       // Return the output to Octave
}

yang sangat mirip konsepnya dengan metode BurgSaya pikir beberapa penerapan metode ini menunjukkan lebih banyak harapan daripada berkonsentrasi pada penerapan Runge-Kutta saya yang naif.