循环神经网络作为研究大规模时间序列的分析及预测的有效方法,至今循环神经网络算法已有多个改进和变种,并在时间序列数据上已有多个方面的应用。但循环神经网络算法还有需要进一步研究的问题,主要是现有循环神经网络算法及其改进在收敛速度较慢和预测精度较差的问题上并没有很好地解决方法。因此,本文研究的主要内容是循环神经网络模型在初始权重选取问题上的改进,通过引入随机扰动项对循环神经网络模型进行修正。首先针对循环神经网络模型在确定初始权重选取后,初始权重对算法收敛速度、预测精度影响较大的问题,本文在循环神经网络算法中的隐藏层上引入随机扰动项,提出了一种改进的循环神经网络模型,将连接输入值的权重矩阵与随机扰动矩阵相加,得到新的权重矩阵,使改进后的循环神经网络算法的收敛效果得到提升。然后针对长短期记忆神经网络和门控循环单元神经网络在确定初始权重选取后,初始权重对算法收敛速度、预测精度影响较大的问题,本文将随机扰动项引入长短期记忆神经网络和门控循环单元神经网络的门结构中,提出了改进的长短期记忆神经网络和门控循环单元神经网络,将门结构中连接输入值的权重矩阵与随机扰动矩阵相加,得到新的权重矩阵,使改进后的长短期记忆神经网络算法和门控循环单元神经网络算法的收敛效果得到提升。之后针对循环神经网络、长短期记忆神经网络、门控循环单元神经网络程序设计,给出了改进的循环神经网络、长短期记忆神经网络、门控循环单元神经网络的程序设计思路和具体步骤。最后本文选取了股票数据对传统循环神经网络、长短期记忆神经网络及门控循环单元神经网络与改进后的循环神经网络、长短期记忆神经网络及门控循环单元神经网络进行了对比测试。测试结果证明,改进后的循环神经网络、长短期记忆神经网络及门控循环单元神经网络的收敛速度和预测精度都要优于传统循环神经网络、长短期记忆神经网络及门控循环单元神经网络。