学習法の比較として、ノイズを入力パターンに負荷して追加学習した時の、ネットワークの学習成功率と学習後の誤り訂正能力を測定した。学習成功率は、ノイズをランダムに変化させ学習を行なった時に全てのパターンの学習に成功した割合である。図2 
3 4はパターンをそれぞれ３個 ４個 ６個と学習しているネットワークでの学習成功率を示している。図2ではそれぞれの学習法の学習成功率は、ほとんど同じであった。図3 4より学習パターンが増えると学習成功率は低下する。長名らの広域的な学習法では６個のパターンを全て学習することができなかった。これは広域的な学習法の結合荷重の変化は 
ずつで結合荷重値は整数であるのに対して、局所的な学習法では結合荷重の変化は 
ずつであるため、結合荷重値を0.05ずつ設定でき、そのパターンを学習するうえで最も良い結合荷重値に近付くことができるためであると考えられる。
本研究の学習法と渡辺の学習法では、本研究の学習法の方が６個のパターンを学習する時の学習成功率が高い。これは渡辺らの学習法は、ニューロンの内部状態の学習のしきい値を、ある値に決めてやらなくてはならず、その最適値は実験的に決めるしかない。最適値はパターンの数 ニューロンの数 パラメータなどにより変わるため、しきい値を最適値にするのは難しい。本研究の学習法では、学習のしきい値が内部状態の各項なので、あらかじめ値を決める必要はない。３個のパターンを学習した後のネットワークの誤り訂正能力を図5に示す。図5より訂正能力は３つの学習法とも学習成功率より少し低いがほぼ同じで、その相違度で学習に成功すれば正しいパターンを想起することができる。
