El control en forma discreta de la plataforma de Stewart es esencial para la implementación digital en la fabricación inteligente y los sistemas robóticos en el contexto de la Industria 4.0, sin embargo, su rendimiento a menudo se ve degradado por perturbaciones discretas inevitables. Este desafío motiva el desarrollo de algoritmos con una fuerte capacidad de supresión de perturbaciones. Para abordar este problema, se desarrolla primero un algoritmo de red neuronal recurrente mejorada por doble integración en forma continua (CF-DIE-RNN) que incorpora un novedoso concepto de diseño mejorado por doble integración para mejorar la robustez contra perturbaciones que varían en el tiempo. Para aplicaciones de hardware digital, se construye luego un algoritmo de RNN mejorada por doble integración en forma discreta (DF-DIE-RNN) al discretizar el algoritmo CF-DIE-RNN utilizando una fórmula general de discretización de cuatro pasos y una fórmula de diferencia hacia adelante de un paso basada en la expansión de Taylor. Un análisis teórico riguroso establece las propiedades de convergencia del algoritmo propuesto y caracteriza sus límites residuales en estado estacionario bajo diferentes tipos de perturbaciones, revelando su capacidad para suprimir perturbaciones cuadráticas discretas que varían en el tiempo. Experimentos numéricos y de simulación demuestran que el algoritmo DF-DIE-RNN logra una supresión de perturbaciones superior y un seguimiento de trayectoria más preciso que los algoritmos de RNN en forma discreta existentes, confirmando su efectividad para el control de la plataforma de Stewart en forma discreta.