1.一种基于Elman神经网络的姿态估计方法，其特征在于，包括：初始化Elman神经网络各层权值；

采集历史样本数据，所述历史样本数据作为所述Elman神经网络的输入值；

所述历史样本数据通过各层初始连接权值获得所述Elman神经网络的各层输出值；

输出层输出值与输出层输出的期望值计算误差平方函数，所述误差平方函数达到设定阈值后，获得所述Elman神经网络最终各层连接权值；

以测量数据作为完成训练的所述Elman神经网络的输入，得到所述Elman神经网络输出的修正值；

用所述修正值与用载波相位差分技术测得的未修正的姿态角相加即可得到精确的载体姿态；

所述历史样本数据包括轴加速度值、轴角速度值及通过载波相位差分技术解算基线向量得到的姿态角。

2.如权利要求1所述的一种基于Elman神经网络的姿态估计方法，其特征在于，所述Elman神经网络包括输入层、隐藏层、承接层和输出层。

3.如权利要求1所述的一种基于Elman神经网络的姿态估计方法，其特征在于，所述Elman神经网络以历史样本数据和测量数据作为网络输入，以所述姿态角的修正值作为网络输出。

4.如权利要求1所述的一种基于Elman神经网络的姿态估计方法，其特征在于，所述Elman神经网络获取各层数值步骤为：隐藏层到输出层的连接权值与所述隐藏层数据之积为第一预设值，所述第一预设值进行第一函数处理后得到结果值，所述结果值等于输出层的输出值，所述第一预设值为x，所述第一函数为g(x)＝k·x+c；

输入层到所述隐藏层的连接权值与前一次迭代中输入数据之积为第二预设值，承接层到所述隐藏层的连接权值与所述承接层数据之积为第三预设值，所述第二预设值与所述第三预设值之和，通过第二函数处理得到所述隐藏层的输出值，所述第二函数为所述承接层的输出值等于前一次迭代处理的所述隐藏层的输出值。

5.如权利要求1所述的一种基于Elman神经网络的姿态估计方法，其特征在于，所述误差平方函数达到设定阈值之前还包括：所述误差平方函数小于阈值，Elman神经网络各层的所述连接权值更新，所述历史样本数据带入更新后的各层所述连接权值进行迭代计算，直到所述误差平方函数达到阈值。

6.如权利要求1所述的一种基于Elman神经网络的姿态估计方法，其特征在于，所述测量数据是指所述载波相位差分技术求出的载体的未修正姿态角和惯性导航系统测量的载体的运动参数。

7.如权利要求6所述的一种基于Elman神经网络的姿态估计方法，其特征在于，惯性导航系统测得的载体运动数据包括载体的轴加速度和轴角速度。

8.如权利要求7所述的一种基于Elman神经网络的姿态估计方法，其特征在于，利用载波相位差分技术测得的未修正姿态角是指使用载波相位差分技术解算天线间的基线向量，并从所述基线向量中解算出载体的未修正姿态角。