En este artículo, se propone un modelo de Red Neuronal de Doble Integración de Parámetro Variable de Alta Eficiencia (HEVPDIZNN) que combina una función de parámetro variable y doble integración para resolver las ecuaciones de matriz Sylvester variables en el tiempo, utilizando la función decreciente con un valor inicial grande como parámetro variable. Este diseño logra una convergencia más rápida y una mayor precisión después de la estabilización. El uso de términos de doble integral asegura que el modelo tenga una mayor precisión de solución y suprime efectivamente el ruido constante, el ruido lineal y el ruido cuadrático. El artículo demuestra la convergencia y robustez del modelo a través de un análisis teórico. En los experimentos de comparación con los modelos existentes (MNTZNN, NTPVZNN, NSVPZNN, NSRNN y ADIZNN), se confirma que HEVPDIZNN tiene una velocidad de convergencia más rápida, el error promedio en el momento de la estabilización es aproximadamente veces mayor que el de los modelos existentes, y tiene una mejor supresión del ruido lineal, ruido cuadrático y ruido constante.