0.1 | 0.2 | 0.3 | 0.4 | 0.5 | 0.6 | 0.7 | 0.8 | 0.9 | |
= 0.1 | 2 | 2 | 2 | 3 | 14 | 40 | 40 | 40 | 0 |
= 0.2 | 2 | 2 | 2 | 2 | 3 | 37 | 40 | 40 | 20 |
= 0.3 | 2 | 2 | 2 | 2 | 2 | 3 | 39 | 40 | 37 |
= 0.4 | 2 | 2 | 2 | 2 | 2 | 2 | 14 | 40 | 40 |
= 0.5 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 39 | 40 |
= 0.6 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 3 | 38 |
= 0.7 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 29 |
= 0.8 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 3 |
= 0.9 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 | 2 |
以上のすべて変更したプログラムの検索結果を図 7.10 に示す。 今度は40回すべて検索できるパラメータが9つある。 また、そのパラメータが固まっているため、 の間ならば、初期パターンをどのようにおいても、 どのパターンを検索しようとしても検索できるといえる。 検索回数が増え、数多く検索できるパラメータが表上で右上にずれているのは、 実験(3)と、実験(4)の傾向からであるといえる。 本研究の結果では、このシナプス前抑制関数に階段関数を用い、 特徴比較には距離を用い、 ネットワークにはカオスニューラルネットワークと 普通のニューラルネットワークを用いた結果が、 一番検索成功回数が多かった。 また、シナプス前抑制関数の階段関数のしきい値 gs を、 0.1から0.9まで9段階に変化させ、0.6以下なら良いという値を得た。 検索結果については付録 A に示す。