慣性器件誤差補償技術(shù)對提高捷聯(lián)慣導(dǎo)系統(tǒng)的導(dǎo)航精度具有十分重要的意義,而誤差補償?shù)年P(guān)
鍵在于誤差模型的辨識。本文探討將Elman 神經(jīng)網(wǎng)絡(luò)應(yīng)用于慣性器件誤差建模中,詳細(xì)介紹了Elman 網(wǎng)絡(luò)和其對應(yīng)的學(xué)習(xí)算法。仿真結(jié)果證明了該方法的可行性,并且，該方法具有網(wǎng)絡(luò)收斂速度快、跟蹤性能好、穩(wěn)定性好等優(yōu)點。
慣性器件（陀螺和加速度計）誤差是影響慣性導(dǎo)航系統(tǒng)精度的主要誤差源。激光陀螺捷聯(lián)慣性導(dǎo)航系統(tǒng)中，由于激光陀螺和加速度計直接固聯(lián)在運動載體上，使其處于惡劣的角運動中，會產(chǎn)生動態(tài)誤差。在長時間連續(xù)工作時，純慣導(dǎo)系統(tǒng)提供的載體導(dǎo)航信息會積累成較大的誤差，使導(dǎo)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(tǒng)精度要求，但是單從制造工藝和調(diào)試技術(shù)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(shù)來提高導(dǎo)航系統(tǒng)的定位定向精度。而慣性器件誤差補償?shù)年P(guān)鍵是如何準(zhǔn)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(shù)，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(chǔ)上估計出誤差模型的參數(shù)，往往需要在大量的實驗基礎(chǔ)上進行反復(fù)的建模、校模，分析慣性器件的物理特性和結(jié)構(gòu)，才能得到較準(zhǔn)確的反映實際動態(tài)系統(tǒng)的誤差模型。
遞歸神經(jīng)網(wǎng)絡(luò)具有非線性逼近的能力，還具有自適應(yīng)、自學(xué)習(xí)、并行分布式處理的特點，因此在諸如函數(shù)逼近、模式識別、數(shù)據(jù)壓縮等領(lǐng)域有著廣泛的應(yīng)用。Elman 神經(jīng)網(wǎng)絡(luò)是遞歸網(wǎng)絡(luò)的一種，它可以任意精度逼近任意的非線性函數(shù)。根據(jù)慣性器件誤差的動態(tài)特性，本文將Elman 神經(jīng)網(wǎng)絡(luò)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(shù)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(wǎng)絡(luò)的輸入/輸出樣本就可以利用該網(wǎng)絡(luò)建模了。