前馈网络一般指前馈神经网络或前馈型神经网络。它是一种最简单的神经网络，各神经元分层排列。每个神经元只与前一层的神经元相连。接收前一层的输出，并输出给下一层，数据正想流动，输出仅由当前的输入和网络权值决定，各层间没有反馈。包括：单层感知器，线性神经网络，BP神经网络、RBF神经网络等。
递归神经网络（RNN）是两种人工神经网络的总称。一种是时间递归神经网络（recurrent neural network），又名循环神经网络，包括RNN、LSTM、GRU等；另一种是结构递归神经网络（recursive neural network）。
反馈网络(Recurrent Network)，又称自联想记忆网络，输出不仅与当前输入和网络权值有关，还和网络之前输入有关。其目的是为了设计一个网络，储存一组平衡点，使得当给网络一组初始值时，网络通过自行运行而最终收敛到这个设计的平衡点上。包括Hopfield，Elman，CG，BSB，CHNN、DHNN等。
反馈网络具有很强的联想记忆和优化计算能力，最重要研究是反馈网络的稳定性（即其吸引子）
离散Hopfield神经网络
Hopfield神经网络是一种单层反馈，循环的从输入到输出有反馈的联想记忆网络。离散型为DHNN（Discrete Hopfield Neural Network）和连续型CHNN（Continues Hopfield Neural Network）。
Hopfield最早提出的网络是二值神经网络，各神经元的激励函数为阶跃函数或双极值函数,神经元的输入、输出只取{0，1}或者{ -1，1}，所以也称为离散型Hopfield神经网络DHNN（Discrete Hopfiled Neural Network）。在DHNN中，所采用的神经元是二值神经元；因此，所输出的离散值1和0或者1和-1分别表示神经元处于激活状态和抑制状态。
离散Hopfield神经网络DHNN是一个单层网络，有n个神经元节点，每个神经元的输出均接到其它神经元的输入。各节点没有自反馈。每个节点都可处于一种可能的状态（1或－1），即当该神经元所受的刺激超过其阀值时，神经元就处于一种状态（比如1），否则神经元就始终处于另一状态（比如－1）。
对于中间层，任意两个神经元链接权值为Wij，Wij=Wji,神经元的连接是对称的，。如果Wii等于0，即神经元自生无连接，则称为无自反馈的Hopfield网络，如果不为0，则为有自反馈的Hopfield网络，但是出于稳定性考虑，应避免使用具有自反馈的网络，在这里，第一层Xi仅仅作为输入，没有实际功能。第三层为输出神经元，其功能是使用阈值函数对计算结果进行二值化。
仅考虑中间神经元节点发现，每个神经元输出将成为其他神经元输入，每个神经元输入又都来自其他神经元。神经元输出数据经过其他神经元之后又反馈给自己。
