まず，出力パターンがどのような振舞いをしているかを調べる。 理想的な動作は，第 6.5 節で説明したように，カオス状態の時に， 学習させたパターンをすべて短時間で想起することである。 このように振舞えば，短時間にすべてのパターンに近いものが現れるので， シナプス前抑制によりすべてのパターンが想起可能である。
そこで，学習させたパターンと出力パターンの距離の関係を調べ， 想起できない時の振舞いはどのようになるかを考察し，欠点を追求する。
図 8.1: 出力パターンとの距離の時間による変化（成功と失敗の比較）
図 8.1 は，この距離と時間の関係を求めたものである。 ただし，式 (6.4) のシナプス前抑制関数の しきい値は，前章と同じ gs=0.25 である。
(a) は，想起に成功した時の例である。時間が 10 のとき gs より距離が 小さくなり自己想起状態となったが，パターン 3 を想起しようとしたため， 再びカオス状態へと移っている。最終的には，時間 42 で自己想起状態となり， 43 で想起に成功している。
(b) は，直交の多いパターン（この図のパターンは直交数 5）で， 想起に失敗した例である。時間 30 で gs に近くなっているが，一度も gs を 下回らないので，自己想起状態にならない。 最終的に，検索パターンの反転パターンを想起しようとしているが， カオス状態なので安定せず周期的な振舞いになっている。 つまり，直交するパターンが多いと，自己相関学習の 相互干渉項（式 (5.8) の右辺第 2 項）の影響が小さいので， 自己想起する力が強く 完全なカオス状態にならない。そのため，周期的な振舞いになると考えられる。 または，直交したパターンは，互いの距離が一番はなれているので， 別のパターンとの間の壁（ポテンシャル）が高いため， 一度あるパターンに近付いてから別のパターンへ移ろうとしても， その壁を乗り越えることができない，とも考えられる。
(c) は，内積値がすべて 12 以上で，一度も成功していないパターンである。
ただし，式 (6.5) のカオスニューロンのパラメータが，
このパターンにあっていないために成功しないという可能性があるので，
を次のように変更した。
より 
が大きい場合は，自己想起を続けることが
わかっている [3] 。そこで，自己想起する力を強くし，
何らかのパターンを想起させるために， 
とした。
このように変更した結果，この図から，時間が 4 で gs より小さくなり，
自己想起状態になって，パターンの距離がすべて一定になっているが，
検索パターンとの距離が 0 になっていないので，
正しいパターンが想起されていないことがわかる。
この出力パターンは，この検索パターンとパターン 2，さらにパターン 1 の
反転パターンが混ざっていると考えられる。
この場合は，(b) とは逆に相互干渉項が大きすぎるため，
正しく学習されていないためか，カオスニューロンに完全なしきい関数（階段関数，
第 5.2.2 節参照）を使用していないためと考えられる。
または，カオスニューロンには，結合荷重の項のみでなく，
その他の項も含んでいるためとも考えられる。
次に，成功しやすい条件のパターンでの失敗例である，図 8.2 について 考える。(a) は，通常通り gs=0.25 で行なった結果である。 検索パターンとパターン 3 が重なって， 距離 0.25 の上付近で周期的な振舞いをしている。 つまり，このどちらかのパターンを想起しようとしていると考えられる。 そこで，gs=0.30 とし，自己想起させるようにしたのが (b) である。 しかし，両方のパターンを交互に想起しようとして， 周期的な振舞いなっている。
このように，失敗した例の特徴を見ると，内積値の大きいパターンは， 学習させたパターン以外のものが想起され，それ以外のパターンでは， 自己想起・カオス状態にかかわらず，周期的な振舞いになっている。
次節では，これを改良する方法を考える。