サーチアクセスは，検索したいパターンの特徴を入力することにより， パターンを検索する． 特徴は，表 4に示すように， それぞれのパターンに２つずつ割り当てられている． これまでは，特徴を２個入力して検索を行っているが， １つの特徴のみを入力した場合でも， その特徴を持ったパターンを検索することができるサーチアクセスを構成する．
| − | バツ | 三角 | 波 | 星 |
| 特徴1 | 0 | 0 | 1 | 1 |
| 特徴2 | 0 | 1 | 0 | 1 |
特徴比較のニューラルネットワークは， サーチアクセスを実行する時に入力する“検索パターンの特徴”の２値と， 特徴抽出ニューラルネットワークから出力される特徴量の２値を合わせて４個が入力層となり，中間層を３個とし，この特徴の一致具合により１から０のシナプス前抑制値を取り出すため，出力層は１個とし，表 5に示す学習データをバックプロパゲーション学習により記憶させている． ここでは，特徴の入力を１つとするため， 表 6に示す学習データを学習させた． “検索パターンの特徴”を１値として，もう１つの値は“特徴１”，“特徴２”のどちらの特徴を指定したいかという値である． また，中間層は４個とした． よって，１つの特徴の入力から，その特徴を持ったパターンを検索することができる．
| 検索パターンの特徴 | 特徴抽出の出力 | 出力 | ||
| 00 | 00 | 0 | ||
| 00 | 01 | 1 | ||
| 00 | 10 | 1 | ||
| 00 | 11 | 1 | ||
| 01 | 00 | 1 | ||
| 01 | 01 | 0 | ||
| 01 | 10 | 1 | ||
| 01 | 11 | 1 | ||
| 10 | 00 | 1 | ||
| 10 | 01 | 1 | ||
| 10 | 10 | 0 | ||
| 10 | 11 | 1 | ||
| 11 | 00 | 1 | ||
| 11 | 01 | 1 | ||
| 11 | 10 | 1 | ||
| 11 | 11 | 0 |
| 特徴１ｏｒ特徴２ | 検索パターンの特徴 | 特徴抽出の出力 | 出力 | |
| 0 | 0 | 00 | 0 | |
| 0 | 0 | 01 | 0 | |
| 0 | 0 | 10 | 1 | |
| 0 | 0 | 11 | 1 | |
| 0 | 1 | 00 | 1 | |
| 0 | 1 | 01 | 1 | |
| 0 | 1 | 10 | 0 | |
| 0 | 1 | 11 | 0 | |
| 1 | 0 | 00 | 0 | |
| 1 | 0 | 01 | 1 | |
| 1 | 0 | 10 | 0 | |
| 1 | 0 | 11 | 1 | |
| 1 | 1 | 00 | 1 | |
| 1 | 1 | 01 | 0 | |
| 1 | 1 | 10 | 1 | |
| 1 | 1 | 11 | 0 |
同様に，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 7に，実行結果を示す． ただし，ここでは，パターン１のパターンを用いており， パターン変換のないサーチアクセスを行っている．
| − | バツ | 三角 | 波 | 星 |
| 1 | 1 |  2 | 1 | 20 |
| 2 | 1 | 3 | 5 | 1 |
| 3 | 44 | | 1 | 14 |
| 4 | 20 | 1 | 29 | 1 |
| 5 | 24 | | 4 | 17 |
| 6 | 67 | 10 | 25 | 11 |
| 7 | 5 | 18 | 5 | 14 |
| 8 | 6 | 4 | 26 | 19 |
| 9 | 4 | 5 | 14 | 4 |
| 10 | 44 | | | 35 |
図 19，図 20に， 特徴を１つだけ指定した場合のサーチアクセスの実行結果を示す． まったく同じパラメータを与えて， 特徴２が“０”であるパターンを検索させているにも関わらず， 初期パターンを変えただけで， 図 19では特徴１が“１”である三角を， 図 20では特徴１が“０”であるバツを， それぞれ検索していることがわかる．
