本研究室で提案してきたニューラルネットワークは，確率統計理論に基づく構造をネットワークにあらかじめ内包することで，学習能力の改善と構造決定の容易さを実現してきた．独自に構築したニューラルネットワークには，Log-linearized Gaussian Mixture Network （LLGMN），およびそのリカレントタイプであるReccurent-LLGMN（R-LLGMN）がある．LLGMNは統計モデルの一つである混合正規分布を，R-LLGMNは時系列信号のモデル化に有効なHidden Marcov Model（HMM）を導入したことにそれぞれ相当する．さらに，LLGMNについては，多変量のデータから主成分を抽出して識別を行うReduced-Dimension-LLGMN（RD-LLGMN）や，LLGMNを階層的に構成し効率よくモデル化を行うHierarchical-LLGMN（H-LLGMN）も開発した．LLGMNは時間変化の少ない定常パターンのモデル化に適し，R-LLGMNはダイナミックに時間変化する非定常パターンのモデル化に適する．