Recurrent Neural Network (RNN) ist ein künstliches neuronales Netzwerk, das für die Verarbeitung von Sequenzdaten geeignet ist. Es wurde 1986 von Michael I. Jordan konzipiert und 1990 von Jeffrey L. Elman vereinfacht, um das aktuelle RNN-Modell zu bilden, das aus einem einzigen selbstverbundenen Knoten besteht. Durch seine einzigartige interne Ringverbindung kann RNN Informationen zyklisch im Netzwerk übertragen, um die Speicherung und Verarbeitung von Sequenzinformationen zu erreichen.

Das Funktionsprinzip von RNN besteht darin, die Informationen des vorherigen Zeitschritts durch den Zustand der verborgenen Schicht zu speichern, sodass die Ausgabe des Netzwerks von der aktuellen Eingabe und dem vorherigen Zustand abhängt. Dieses Design ermöglicht es RNN, die Zeitreiheneigenschaften von Daten bei der Verarbeitung sequenzieller Daten wie Text, Sprache und Video zu berücksichtigen.