14.循环神经网络(RNN)适合处理时序数据。A. 对B. 错

考查要点：本题主要考查对循环神经网络（RNN）核心功能的理解，特别是其处理时序数据的能力。

解题核心思路：
循环神经网络（RNN）的核心特点是具有处理序列数据的能力，能够捕捉时间步之间的依赖关系。时序数据（如时间序列、文本序列）本质上是按顺序排列的序列数据，因此RNN的结构设计天然适合这类任务。

破题关键点：

• RNN的循环结构允许信息在时间步之间传递，形成“记忆”。
• 时序数据的依赖性（如前一个词影响后一个词）与RNN的处理机制高度契合。

循环神经网络（RNN）通过将前一时刻的隐层状态传递到当前时刻，能够处理具有时间依赖性的数据。例如：

• 自然语言处理：句子中的词序需要按时间顺序理解。
• 语音识别：声波信号是连续的时间序列。
• 股票预测：历史价格影响未来趋势。

虽然长短期记忆网络（LSTM）或门控循环神经网络（GRU）在实际中更常用（因能更好地处理长依赖问题），但它们本质上是RNN的改进版本。因此，题目中“RNN适合处理时序数据”的表述是正确的。