図 5.1 のように， 
があるとき，
これから連想されるものをそれぞれ 
とする。
例えば，X から連想されるものを知りたい場合，この X と 
を
順に比較する。そして， 
であれば， 
が目的のものとわかる。
しかし，この方法では，X と等しいものがなかったり，
の記憶が破壊された場合は，出力を得ることができない。
また，n が大きくなるにつれ，比較する平均回数が増えるので，
検索時間も増加する。
そこで，これらの欠点を考慮した，ニューラルネットによる連想記憶について述べる。
連想記憶モデルは 1970 年代の始めに Nakano(1972)，Kohonen(1972)，Anderson(1972) の 3 者によって同時期に，しかも独立に提案された。 3 者のモデルにはそれぞれ特色があるが，ここでは，特定のモデルに偏らずに， 3 者のモデルに共通するような基本原理について説明する[12]。
ニューラルネットにおける連想記憶とは，一般に次のようなものである。 図 5.2 のように， N 個のニューロンに M 本の入力信号が加えられているニューラルネットを考える。
入力パターン 
（ 
:入力信号 j がとる値）と出力パターン
（想起パターン） 
（ 
:ニューロン
i の出力信号がとる値）の組が複数個
あって，
上記の P 個の入力パターンの内の一つをニューラルネットワークに入力した時に，
対応する出力パターン（つまり入力パターン 
に対しては
出力パターン 
）を出力するように，
上記の入出力パターンを記憶することを連想記憶という。
また，連想記憶が学習する過程を記銘過程と呼び，神経回路網が入力パターンを
与えられることによって，何らかの出力をする過程を想起過程と呼ぶ。
記銘する入力パターンと出力パターンとが一致\
している
連想記憶のことを自己相関記憶，異なる連想記憶のことを相互相関記憶とよぶ。
自己相関記憶では，入力パターンと出力パターンとの組を複数個記憶するのでなく，
単純に復数個のパターンを記憶することになる。
自己相関記憶は次のような意味をもつ。いくつかのパターンを記憶した後，
どのパターンとも正確には一致しないが，
どれかのパターン 
と最も近い入力
をニューラルネットワークに与えるとする。
そのとき そのものを出力すれば，
パターン からパターン を
「連想」したことになる。
このことを人間の脳の機能にあてはめると，例えば，
複数の文字の形を覚えている状態で，
形の崩れた文字を見せたときに，その文字がなんであるのか，
記憶しているものから最も近いものを答えることに相当する。
本節の最初に述べたように，従来の方法では対処できない点がいくつかあった。 しかし，ニューラルネットワークにおける連想記憶では， 次のような特長を持っているので，この点を解消することができる。
以上の特長について，従来の方法と比較しながら説明する。(1) は，記憶する複数の入出力パターンの組の情報がそれぞれ， ニューラルネットワークのシナプス全体に分散され， 各々の情報が重なって記憶されることを意味する。 そのため，ニューラルネットワークが局所的に壊れても，従来の方法のように， 一つの入出力パターンの組がまるごと記憶から失われることはない。
(2) は，(1) のようにシナプス全体に重なって 記憶されるために，記憶するパターンの組の数が増えても， 従来の方法で比較する回数が増えるように， 出力パターンを取り出すまでの動作は増えない。
(3) は，曖昧な入力パターンから正しい出力パターンを想起する能力の
ことである。
これは，ニューロンにしきい値作用を持たせた場合に持つ能力である。
自己相関記憶のところでも説明したように，入力したパターン
に近いパターン が連想する
出力パターン 
を想起する。
従来の方法では，近いパターンでも違うパターンとみなされるので，
出力が得られない。
