| − | Ｏ | Ａ | Ｅ | Ｊ |
| 特徴1（左右対称・非対称） | 0 | 0 | 1 | 1 |
| 特徴2（上下対称・非対称） | 0 | 1 | 0 | 1 |
まず，図 14のネットワークを用いて， パターン１の代わりにパターン２を学習させて， サーチアクセスを行ってみたが， 非周期的に様々なパターンを想起し続けるだけで， 正しいパターンは検索できなかった． よって，パターン２は図 14のネットワークにおいては， 検索が困難なパターンであることがわかる． 次に，図 15のネットワークを構成して， パターン１とパターン２の各パターンを１対１に対応させて学習させ， 検索されたパターン１のパターンを， 対応するパターン２のパターンに変換する方法を用いて， サーチアクセスを行ってみる． ４つのパターンを学習させて， 入力した特徴を持ったパターンが検索できるか， それぞれ初期状態に１０通りのランダムパターンを与えて， ４０通りのサーチアクセスの実行を行ってみた． 表 2に実行結果を示す．
| − | Ｏ | Ａ | Ｅ | Ｊ |
| 1 | 3 | 1 |  13 | 82 |
| 2 | 21 | 3 | 5 | 21 |
| 3 | 54 | 9 | 10 | 14 |
| 4 | 29 | 1 | 3 | 7 |
| 5 | 77 | 21 | 6 | 6 |
| 6 | 13 | 2 | 21 | 10 |
| 7 | 3 | 3 | 5 | 12 |
| 8 | 53 | 2 | 7 | 18 |
| 9 | 40 | 2 | 15 | 9 |
| 10 | 24 | 13 | 16 | 63 |
表中の数字は検索に要した時間であり，
また， 印のついているものは誤ったパターンを検索したものである．
図 16に，
サーチアクセスを実行した例として，
上下左右共に対称なパターンである“Ｏ”を検索した結果を示す．
図 17は，
左右対称で，上下非対称なパターンである“Ａ”を検索した結果である．
検索を始めてすぐに自己想起状態になっており，
短時間で検索できている．
特徴１，特徴２ともに“０”である“Ｏ”， 特徴１，特徴２ともに“１”である“Ｊ”については， うまく検索できているが， 特徴１が“０”で特徴２が“１”である“Ａ”， 特徴１が“１”で特徴２が“０”である“Ｅ”は， 検索成功率が５割を下回っている． 今回用いたパターン（Ｏ，Ａ，Ｅ，Ｊ）以外のパターンを学習させたり， パターンの順番を入れ換えたりしてサーチアクセスを行ってみたが， 同様に，特徴１と特徴２が同じでない２つのパターンにおいて， 検索成功率が低いという結果がでた．
