function [izlaz] = RLS_student(u, y, na, nb, lambda,t,P_init, theta_init)

%
% M-funkcija koja računa estimaciju parametara metodom najmanjih kvadrata
% uz faktor zaboravljanja.
%
% Sintaksa:
%
% [izlaz] = RLS_moje2(u, y, na, nb, lambda,t,P_init, theta_init)
%
% Ulazi:
%    u          -- ulaz u proces
%    y          -- izlaz iz procesa
%    na         -- broj parametara u brojniku
%    nb         -- broj parametara u nazivniku
%    lambda     -- faktor zaboravljanja
%    t          -- vrijeme
%    P_init     -- početna vrijednost matrice kovarijance
%    theta_init -- početna vrijednost estimiranih parametara
%
% Outputs: 
%    izlaz      -- izlaz=[trace(P) theta']
%    trace(P)   -- trag matrice kovarijance P
%    theta      -- matrica estimiranih parametara
%
% Napisao:
% Nikola Mišković, dipl. ing.
%
% Zavod za automatiku i procesno računarstvo
% Fakultet elektrotehnike i računarstva
% Sveučilište u Zagrebu
%
% Datum:
%         10/12/2005



% dolje navedene varijable su navedene kao persistent (vrsta globalnih varijabli)
% jer će nam njihoe prethodne vrijednosti biti potrebne za rekurzivni
% algoritam.
persistent P theta u_prosli y_prosli phi_y phi_u

% u početnom trenutku se vrijednosti matrice kovarijance P i matrice
% parametara P postavljaju na početne vrijednosti zadane od korisnika

if t==0
    
    new_P=P_init; new_theta=theta_init;
    phi_y=zeros(1,na); phi_u=zeros(1,nb+1);
    phi=[phi_y phi_u]';
    
else

% punjenje regresijskog vektora sa potrebnim brojem prethodnih vrijednosti
    
    phi_y=[-y_prosli phi_y(1:(length(phi_y)-1))];
    phi_u=[u_prosli phi_u(1:(length(phi_u)-1))];
    phi=[phi_y phi_u]';

% ovdje treba dodati kod za osvježavanje matrice kovarijance P i matrice
% parametara theta

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%  D O D A J   K O D   Z A   P R O R A C U N  %%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%  N O V I H    V R I J E D N O S T I  %%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%  P   I   THETA  %%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
  
end

% u ovom dijelu se postavljju vrijednosti za slijedeći korak rekurzivne
% estimacije

u_prosli=u;
y_prosli=y;
P=new_P;
theta=new_theta;

izlaz=[trace(P) theta'];