El problema de Inversión de Matriz Variable en el Tiempo (TVMI) es fundamental en varios campos de la ciencia y la ingeniería. Innumerables estudios han destacado la efectividad de las Redes Neuronales de Anulación de Ceros (ZNNs) como un enfoque confiable para abordar este desafío. Para resolver efectivamente el problema de TVMI, este documento introduce una nueva Red Neuronal de Anulación de Ceros Anti-Ruido Eficiente (EANZNN). Este modelo emplea parámetros segmentados que varían en el tiempo y términos de doble integral, donde los parámetros segmentados que varían en el tiempo pueden ajustarse de forma adaptativa a lo largo del tiempo, ofreciendo velocidades de convergencia más rápidas en comparación con parámetros fijos. El término de doble integral permite que el modelo maneje eficazmente la interferencia de ruido constante, ruido lineal y otros ruidos. Utilizando el enfoque de Lyapunov, analizamos teóricamente y mostramos la convergencia y la robustez del modelo EANZNN propuesto. Los hallazgos experimentales muestran que en escenarios que involucran entornos lineales, ruido constante y sin ruido, el modelo EANZNN muestra un rendimiento superior en comparación con modelos tradicionales como el Doble Integral-Red Neuronal de Anulación Mejorada (DIEZNN) y la Red Neuronal de Anulación con Cambio de Parámetros (PCZNN). Demuestra una convergencia más rápida y una mejor resistencia a la interferencia, confirmando su eficacia en abordar problemas de TVMI.