ここでは，想起率および想起頻度の偏りを比較し， 想起の状態を評価する． また，全て同期で行った場合と， 非同期のみで行った場合の結果も示し， どちらの想起状態に近いかを検討する． 同期のみ，非同期のみの値は， 前章の同期と制約あり非同期の結果である．
まず，式(5.3)で定義した想起率について比較する． 図6.3に想起率を示す． 縦軸が想起率，横軸が学習したパターン数である．
想起率についても全体的に同期学習＋非同期想起のほうが高いが， 大きな差ではない． 全体を通してr=0.4付近に値が集中している． この結果より，ネットワークの同期・非同期という違いは， 想起率に大きく影響しないことがわかる．
さらに，式(5.4)で定義した
想起頻度の偏りについて調べる．
図6.5は学習パターンに対する想起頻度の偏りを示した物であり，
縦軸は想起頻度の偏り 
，横軸に学習パターン数をとった．
図6.5で，非同期学習＋同期想起では，9〜11パターンあたりで
想起度数の偏りが1となる．これは１つのパターンのみしか想起されていないためである．
また，非同期学習＋同期想起は同期のみの値と近い．
同期想起＋非同期想起は非同期のみよりも は小さい値を示しているが，
20パターン以降はその差が小さくなっている．
最後に想起率と想起頻度の偏りの両面から，
動的想起の状態を評価するため， 
で比較を行う．
図6.6に を示す．
縦軸が ，横軸が学習したパターン数である．
図6.6から， 学習同期＋想起非同期のほうが良い早期状態， つまり，学習したパターンが平等にでているということがわかる． また，同期学習＋非同期想起は非同期のみの値に， 非同期学習＋同期想起は同期のみの値に近いことが読み取れる．
以上３つの値，r, , の比較結果より，
非同期学習＋同期想起は同期のみの動的想起の状態が近く，
同期学習＋非同期想起は非同期のみの状態と近いといえる．
これらのことより，非同期のネットワークの動的想起がよい状態であるのは，
学習時に非同期で学習するからではなく，
動的想起が非同期で動いているからと考えられる．
