ニューラルネットワークは人間の脳を手本とした 情報処理システムの一種で, ニューラルネットを用いた ニューロンコンピュータは人間らしさを持ったコンピュータとして 関心が深まっている. 人間の脳は約140億個のニューロンと呼ばれる神経細胞が高度な並列分散処理を 行なっていると考えられており, ニューラルネットワークは神経細胞に変わって, 人工的なニューロンモデルによって, 人間の脳の動作を再現しようとしているものである.
ニューラルネットワークモデルを構築する試みは， 1943年にマッカロとピッツ（W.S.McCulloch, W.Pitts）が ニューロンを演算素子に抽象化して集団による並列処理を行なう研究をした ことに始まる. このニューロンモデルは他のニューロンから信号を与えられると興奮し 出力側の軸索に電気パルスを送り出す. そして興奮しない限りは パルスを殆んど出力しない. 彼らはこれを１と０に量子化した信号だと考え， 興奮状態を１，非興奮状態を０とした. この信号は軸索を通じ， シナプス結合を介して多くの他のニューロンの樹状突起に送られる. また，この信号を受け取るとシナプス結合の強さに応じた刺激が ニューロンに伝えられている. ここで信号自体は１か０の二種類しかないものの 他のニューロンに送られる際， 個々のニューロンのシナプス結合の強さの違いが 与える影響の大きさの違いとして存在している. そして刺激の総和が細胞自身の持つ閾値を越えた時に興奮し， それ以下なら興奮しない.
1949年，ヘッブ（D.O.Hebb）は神経細胞が興奮すると， 入力部のシナプス結合のうち，刺激を伝えたものは結合強度が増し， さらに刺激が伝えやすくなるという説を唱えた. これが神経回路に可塑性をもたらし，認識や記憶のもとになっていると主張した. これをヘッブのシナプス強化説と呼び，現在に至る大部分の ニューラルネットワークモデルの学習法則のもととなっている. 本研究でもまた，ヘッブの説を学習の概念に用いている.
一方, 物理学の分野では, 1970年代の後半から1980年代にはカオスと呼ばれる 決定論的非周期振動に関する研究が盛んになっていた. 生体ニューロンに関しては 不規則なカオス応答が発見され, 神経系の機能とカオスの関連性が 議論されるようになった. Freemanらはウサギ嗅球の脳波とそのモデルの におい刺激に関する応答を調べた. 彼らはカオスを記憶探索するためのもの だけではなく, 未知のパターンを識別し, 学習するためにも使われていると 考えている. このようなことから, カオス現象を持つニューラルネットが研究され, 現在に至る.
本研究ではカオスニューラルネットの学習方法として逐次学習法を用いた 逐次学習法とは, 本研究室で提案した学習法であり, Hebbの学習則を応用したものである. 逐次学習法では, 二つのニューロンが互いに興奮している 状態の時はシナプス結合を強くするという学習則を応用した学習法で, お互いの ニューロンの出力が同じ時にはシナプス結合を強くして, 違う状態の時には シナプス結合を弱くするという動作をする. つまり, 個々のニューロンが 自分自身の内部状態により結合荷重を変化させるか否かの判断を行ない, 追加学習する学習法である. 逐次学習法では, カオスニューロンの内部状態を示す外部入力項, 相互結合項, 不応性項からある条件が満たされた時に学習を行なう. その条件を単純に述べると, 相互結合の項と外部入力の項の符合が異なった時に 追加学習をする. 逆にいえば二つの項が同符合になるまで追加学習することになる.
今まで本研究室では, 入力パターンは7 
7の49素子の
アルファベットのパターンを使用していた.
本研究では, 使用してきたパターンとは別のアルファベットパターン,
ランダムパターンを作製し, 素子数を変化して逐次学習法を用いた学習を行ない,
学習させるパターンが学習にどの様な影響を与えるかを調べる.