Trên Hình 3-3 là sơ đồ khối của mơ hình HNN đã sửa đổi cho thuật tốn tăng độ phân giải khơng gian của DEM, lấy ví dụ minh họa về tăng độ phân giải DEM từ độ phân giải 20m ban đầu lên độ phân giải không gian 5m.
Đầu tiên, DEM gốc độ phân giải thấp (20m) được tái chia mẫu thành DEM độ phân giải 5m theo phương pháp tái chia mẫu đơn giản như phương pháp Dựa vào điểm lân cận gần nhất (Nearest Neighbor) để cung cấp dữ liệu khởi tạo cho mạng HNN. Mỗi pixel con trong DEM 5m này tương ứng với một neuron trong mơ hình HNN và giá trị đầu vào khởi tạo cho các neuron này là các giá trị độ cao của các pixel con. Các giá trị đầu ra của các neuron trong mạng HNN (các giá trị độ cao) được tính tốn dựa trên hàm mục tiêu và hàm điều kiện ràng buộc về độ cao. Hàm mục tiêu ở đây nhằm giảm thiểu giá trị của semi-variance) và hàm điều kiện là sự trùng khớp về độ cao so với DEM độ phân giải gốc ban đầu. Tổng các giá trị của hàm mục tiêu và hàm điều kiện là giá trị hàm năng lượng. Nếu tổng giá trị hàm năng lượng của mạng không đạt giá trị cực tiểu, thì sau đó giá trị cực tiểu này sẽ là giá trị của hàm năng lượng mới và mạng HNN sẽ chạy cho lần lặp tiếp theo. Quá trình lặp sẽ tiếp tục cho đến khi giá trị hàm năng lượng của hai lần lặp liên tiếp không thay đổi và giá trị đầu ra cuối cùng của mỗi neuron trong mạng HNN là độ cao của pixel con tương ứng với neuron này.
Hình 3-3. Sơ đồ khối thuật tốn tăng độ phân giải khơng gian của DEM sử dụng mơ hình mạng neuron Hopfield (ví dụ minh họa về tăng độ phân giải không gian của DEM từ 20m lên 5m)