HMMはランダムプロセスのモデルであるが 状態数や初期状態を考慮することにより 言語の持つ非ランダム性を遷移ネットワークの形で 抽出・獲得する可能性がある。
考慮すべきHMMのパラメータのひとつとして状態数がある。 状態数の増加は、HMMのモデル化能力の増大させるが 現象の非ランダム性を抽出するには、 現象のタスクの複雑さに応じた値を選択する必要がある。
もう一つのパラメータとしてHMMの初期状態がある。 本研究ではランダムな分布確率を用いたが、 初期状態分布確率によってイニシャル・ノードを指定することができ、 また状態遷移確率分布とシンボル生成確率分布を操作することで モデルの構造をあらかじめ決めておくことができる。
このようにパラメータを吟味し、 モデル化実験を繰り返すことにより、 経験的に得られている生成文法に似た形態の 確率つきネットワーク文法を自動的に獲得することができた。