近年、パターン認識や文字・音声の認識などの分野において、ニューラルネットワークはおおいに活躍してきている。実用的に使えるものになってまだ間もない分野ではあるが、その起源は 1943年に発表された McCulloch と Pitts の論文にさかのぼる。
彼らは、脳内にある神経細胞（ニューロン）の機能や動作についてその簡単なモデルを示し、いくつかのニューロンを結合させたネットワークによって簡単な論理演算ができることを示した。脳の記憶・学習のメカニズムは人間にとって長年の研究テーマであり、実際の脳の動作には遥かに及ばないものの、実用的なモデルを示したことは大きな成果であった。
そして 1949年に Hebb は、ニューロンの情報入力部分にあるシナプス結合において、その結合強度がニューロンの興奮によって強まるという変化則を示し、この結合強度の強弱こそが脳内における情報の分散的な記憶の本質であると提案した。すなわち、先ほどの変化則が脳の学習の基本法則であるとした。
現在のニューラルネットワークの基本原理ともいえるこれら２つの提案を受けて、1958年 Rosenblatt により具体的なパターン識別システムである Perseptron が提案された。それ以後は、その基本的な能力やその応用など、Perseptron に関する様々な研究が行なわれた。
一時期、1969年に Minsky と Papert らにより単純パーセプトロンの能力の限界を厳しく評価されたためにそれらの研究は停滞したが、1986年には Rumelhart によって誤差逆伝搬法（バックプロパゲーション）という多層パーセプトロンにおける学習アルゴリズムが発表され、その後は再び盛んな研究が行なわれるようになり現在もなお続いている。
これと並行して、1982年には Hopfield が相互結合型のネットワークモデルを用いて連想記憶などへの応用を提案し、Perseptron とともに研究が進められた。 [1]
一方、生体としての神経細胞の研究も進んでおり、不応性など実際のニューロンが示す反応を採り入れたニューロンモデルも提案された。 それは、1961年の Caianiello のモデルに端を発している。 その後、1970年代頃には実際の神経細胞がカオス的反応を示すことが認められるようになり、1990年には合原らがカオスニューロンモデルを発表した。 カオスのもつ独特の反応が脳の動作により近くなるとして期待された。 [2, 4]
本研究では、３層ニューラルネットに、 バックプロパゲーション学習則を適用し、音符を学習させる。 そして、ニューラルネットとカオスニューラルネットに対して、 学習により得られた結合荷重を用い、曲を想起させることを試みた。 また、２種類のネットワークからの想起結果と教師信号との 比較を行ないその結果について考察する。