人間の脳が持つ学習能力・記憶能力は現在の計算機でも 実現することのできない優れた処理能力を持っており， そのメカニズムを解析することは大きな研究題目である. その中でニューラルネットワークは人間の脳を疑似的に再現したもので， これを用いた音声や文字の認識などの研究が広く行なわれている.
ニューラルネットワークの起源は1943年に発表された McCullochとPittsの神経回路網理論にさかのぼり， 彼らはニューロンの機能や動作についてモデル化を行なった. 1949年にはHebbが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， そ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.
その2つの提案を受けて1958年，Rosenblattにより具体的な パターン認識システムであるパーセプトロンが提案された. パーセプトロンは一時期能力の限界を厳しく評価されたために研究が停滞したが， 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， 現在の計算機の発達により実用化できる段階にまで至った.
その利用方法の一つに音声などの時系列の認識・想起がある。 時系列の想起を行なう手法として， 多層パーセプトロンである階層型のニューラルネットワークに対して 情報を入力すると次の情報を出力し， それを入力にすることでさらに次の情報を出力させる， これを繰り返して全時間の情報を想起するという手法がある. さらに本研究室ではリカレントネットワークの一種である内部記憶を持つ ニューラルネットワークを提案し， 時系列の一種である気温の予測を行なわせた. その結果，温度変化のような時系列を学習させる手段として 適しているという結論が得られた.
これらの背景から本研究では内部記憶を持つニューラルネットワークに 短く複雑な周期を持つ時系列である曲を学習させることを試みた. その上で学習が成功するためのネットワークの構造の変更や， 新しい学習法である「遅れ学習法」を提案し， それらの結果による学習の評価， 学習によって成功した例での内部記憶の特性について検討・考察を行なう.