Розглянуто роль рекурентної штучної нейронної мере-жі (РШНМ) для розв'язку характерних задач координаці-йного управління. Сформовано структуру РШНМ обробки інформації на базі векторів -індикаторів та рекурентної апроксимації. Продемонстровано, що корекція нуля, калі-брування, вимірювання, визначення похибки апроксимації, дозволяє розв'язувати задачі мінімізації, розширити функці-ональні можливості та реалізувати нові режими її роботи. Представлено алгоритми аналітичного навчання нейрону з декількома входами та приклад формування продуктивних правил при розв'язуванні задачі мінімізації Ключові слова: рекурентна мережа, режими роботи, продуктивні правила, аналітичне навчання нейрону, оцінка похибки, координаційне управління Рассмотрена роль рекуррентной искусственной ней-ронной сети (РИНС) для решения задач координационно-го управления. Сформирована структура РИНС обработки информации на основе векторов -индикаторов и рекур-рентной аппроксимации. Продемонстрировано, что кор-рекция нуля, калибровка, измерение, определение ошиб-ки аппроксимации позволяет решать задачи минимизации, расширить функциональные возможности и реализовывать новые режимы ее работы. Представлены алгоритмы анали-тического обучения нейрона с несколькими входами и при-мер формирования продуктивных правил при решении зада-чи минимизации Ключевые слова: рекуррентная сеть, режимы работы, порождающие правила, аналитическое обучение, оценка ошибки аппроксимации, координационное управление