慣性器件誤差補償技術對提高捷聯慣導系統的導航精度具有十分重要的意義,而誤差補償的關
鍵在于誤差模型的辨識。本文探討將Elman 神經網絡應用于慣性器件誤差建模中,詳細介紹了Elman 網絡和其對應的學習算法。仿真結果證明了該方法的可行性,并且，該方法具有網絡收斂速度快、跟蹤性能好、穩定性好等優點。
慣性器件（陀螺和加速度計）誤差是影響慣性導航系統精度的主要誤差源。激光陀螺捷聯慣性導航系統中，由于激光陀螺和加速度計直接固聯在運動載體上，使其處于惡劣的角運動中，會產生動態誤差。在長時間連續工作時，純慣導系統提供的載體導航信息會積累成較大的誤差，使導航信息可信度降低。這就要求使用高精度的慣性器件才能滿足系統精度要求，但是單從制造工藝和調試技術方面提高慣性器件精度是很困難的，且其成本太高。必須通過誤差補償技術來提高導航系統的定位定向精度。而慣性器件誤差補償的關鍵是如何準確地將慣性器件的誤差模型辨識出來。許多文獻中介紹了采用卡爾曼濾波方法來辨識慣性敏感器的誤差模型參數，然后加以補償。卡爾曼濾波器只是在建立慣性器件的誤差模型的基礎上估計出誤差模型的參數，往往需要在大量的實驗基礎上進行反復的建模、校模，分析慣性器件的物理特性和結構，才能得到較準確的反映實際動態系統的誤差模型。
遞歸神經網絡具有非線性逼近的能力，還具有自適應、自學習、并行分布式處理的特點，因此在諸如函數逼近、模式識別、數據壓縮等領域有著廣泛的應用。Elman 神經網絡是遞歸網絡的一種，它可以任意精度逼近任意的非線性函數。根據慣性器件誤差的動態特性，本文將Elman 神經網絡引入到激光陀螺的誤差建模中去，這種建模方法將模型辨識和參數辨識同時進行的，不必事先知道陀螺誤差的ARMA 模型，只要獲取了網絡的輸入/輸出樣本就可以利用該網絡建模了。