時系列の予測に用いるデータは、正弦波と方形波である。 まず入力として正弦波を与え、サンプリングする分割数を変えたときの学習について実験を行った。 その結果、学習に用いる波形のサンプリング分割数によって、学習できる場合とできない場合があった。 学習するデータ数が極端に少ない場合では安定して学習することができたが、そうでない場合はあまりデータ数と学習の成功に関連性は見られなかった。 学習に成功したネットワークは、バックプロパゲーションを終えて、入力を与え続けても動作する。 入力として正しい信号を与え続ければ、多少の誤差はあるが、正確に次の信号を予測した。 つまり、学習に成功すれば１つ先の未来については予測ができるということである。 その予測した値を入力に戻して次の未来への予測は、できる場合とできない場合があった。 バックプロパゲーション終了時における誤差がある程度小さくないと、この予測を行うことはできないが、 この誤差の小ささと予測の成功にはあまり関連性が見られなかった。 また、予測に成功した波形は、正しい波形と比べると、値の変化が小さくなるようになっていることが分かった。 学習に成功した場合、用いるパラメータが同じであれば、学習する波形が違っても バックプロパゲーションによる誤差の減少の仕方が似たような特性となった。 しかし、学習した波形毎に適切なパラメータが違ってくるので、 今回用いたカオスニューラルネットによるバックプロパゲーションの定数として１つに定めることはできない。 よって、異なる時系列に対してそれぞれに合った探索を行う遺伝的アルゴリズムによるパラメータの探索は有効であることが確認できた。
次に、入力を方形波に変えて実験を行った。 入力に方形波をフーリエ展開し、高調波をいくつ足し合わせるかで入力波形を変更することにした。 一般的な概念では、合成する高調波の数を増やせば複雑な波形となる。 しかしながら、入力にはこれをサンプリングした点を入力していくので、 高調波の数が直接的な学習の難しさとなっているとは言えない。
中間層のノード数を変更することで、学習の成功率を上げられると考えた。 中間ノード数を単純増加させる実験を行ったが、明らかな変化は認められなかった。 他のパラメータと同様に、学習する波形によって適切な中間ノード数が存在する可能性を検討し、遺伝的アルゴリズムによる探索を行った。 しかし、これも有効であるという結果を得ることはできなかった。
よって、中間ノード数は計算量を多くするだけであったと考えられる。
今後の課題としては以下の２点が挙げられる。 時系列の予測として、ある程度誤差があっても予測に成功する時とそうでない時があり、 この予測できるための条件について調べる必要がある。 また、今回実験を行った時系列に対して学習の成功率を上げることが出来なかったため、 そのための新たな方法を考える必要がある。