神經網絡名稱	全稱/修正名稱	主要作用	核心特點	典型應用場景
CINI	CNN（卷積神經網絡）	處理圖像、視頻等空間數據，提取局部特征。	使用卷積核、池化操作；擅長平移不變性。	圖像分類、目標檢測、人臉識別。
RINI	RNN（循環神經網絡）	處理時序數據（如文本、語音），捕捉時間依賴關系。	通過隱藏狀態傳遞歷史信息；但存在梯度消失問題。	語音識別、文本生成、時間序列預測。
GAVE	GAN（生成對抗網絡）	生成逼真數據（如圖像、音頻），通過生成器和判別器對抗訓練。	生成器偽造數據，判別器鑒別真偽；訓練不穩定但生成質量高。	圖像生成、風格遷移、數據增強。
GNN	GNN（圖神經網絡）	處理圖結構數據（如社交網絡、分子結構），建模節點間關系。	聚合鄰居節點信息；支持非歐幾里得數據。	推薦系統、藥物發現、交通預測。
Transformer	Transformer	處理長序列數據（如文本、語音），通過自注意力機制捕捉全局依賴。	并行計算能力強；無需循環結構，適合大規模預訓練。	機器翻譯、ChatGPT、多模態融合。
LSTM	LSTM（長短期記憶網絡）	解決RNN的長程依賴問題，更好地記憶時序中的關鍵信息。	引入門控機制（輸入門、遺忘門、輸出門）。	語音合成、股票預測、文本摘要。
DQN	DQN（深度Q網絡）	強化學習任務，通過Q-learning結合神經網絡學習最優策略。	使用經驗回放和固定目標網絡；解決高維狀態空間問題。	游戲AI（如AlphaGo）、機器人控制。
DBN	DBN（深度置信網絡）	無監督特征學習，通過堆疊受限玻爾茲曼機（RBM）預訓練深度網絡。	逐層貪婪訓練；常用于初始化深度學習模型。	早期語音識別、圖像特征提取。