研究結果から、カオスニューラルネットワークの時間減衰定数以外のパラメータで あると を変化させることでパラメータの最適値を求め、 時間減衰定数をにした場合の学習結果を向上させることができた。 今回の研究に用いた入力パターンではが、 が の近辺で最も学習の効率が良くなり、最大完全学習数を得ることが できた。
研究で得た最も学習の効率が良くなったと の 組み合わせが他の入力パターンでも最も学習の効率が良いのかの確認を行った結果、 効率が良いものであることは確認できたが最大効率とは限らないことがわかった。 このため本研究で求められたと の組み合わせは、あらゆるパターンに対して最適であるわけでは ないことが分かった。 この結果から入力パターンによってと による 学習効率は変わることが分かった。 さらに時間減衰定数を考えない場合の学習効率は時間減衰定数を考える場合より高く、より多くのパターンを学習できることが分かった。
しかし、別の入力パターンとして用いたのは1組なので、学習効率は入力パターンによっては低くなる可能性もある。そのため、今後は複数の入力パターンを用いてこれを検証する必要がある。
最後に本研究を進めるに当たり、一年間を通して多大な御指導を賜わりました 出口利憲先生に深く感謝するとともに、共に学んだ、勝股翔太氏、森下真敬氏、 渡辺真広氏、副査の田島孝治先生に厚く御礼申し上げます。