是的，您可以将 RNN 应用于任何相同数据类型的序列。该序列可以在空间、时间或任何任意有序列表中。序列中的item可以有任何数据，唯一的要求是每个都代表同一种东西（如果你有多种类型的东西要作为一个序列处理，你只需要扩展定义，使输入的特征可以明确地表示所有类型——本质上是创建一个可以表示所有类型的“基类”）。

RNN 会将序列作为基于时间的序列来使用，每个 RNN 的时间步长一个项目。但是，您可以将其视为计算机的处理器时钟。. . RNN 本质上是一个可训练的图灵机，原则上可以学习累积关于它所看到的序列的任何数据，并输出该累积数据的任何函数。尽管在实践中这个学习过程对于我们当前的系统来说可能太难了，需要大量的数据等。. .

在您的情况下，STFT 确实创建了一个基于时间的序列。序列中的每一项都是短时间的频率分析，序列的每个时间步长代表STFT帧之间的固定时间差（窗口通常会重叠一点），其中信号中的频率可能会发生变化。通常，每个 STFT 帧都是输入到 RNN 的单个时间步长。您也可以一次将一个固定顺序（例如从低频到高频）的频域值输入到 RNN 中，但这很不寻常，并且会使大多数学习任务变得更加困难。