CN1142642A - 用人工神经网络对硬币的有效性进行图形识别的装置 - Google Patents

Abstract

一种硬币证实系统，用来确定沿硬币轨道运动的硬币是否是真的，并确定其种类，沿轨道设置的至少一个光学检测器，用来检测硬币的有无；和光学检测器有联系的至少一磁检测器，产生硬币的物理和磁特征的阻尼波信号；信号预处理器，用来产生代表硬币的区别特征的输出响应；特征提取电路，用来从信号预处理器的输出中提取硬币的预定区别特征的信号部分；产生提取特征的多维表示的电路，并比较多维表示和建立的选择的硬币种类的椭圆组的中心，确定它们接近的程度，硬币是否可接受；人工神经网络分类器电路，用来识别为可接受硬币的种类。

Description

用人工神经网络对硬币的有效性进行 图形识别的装置

用于识别和确认象硬币之类的物体的装置被广泛使用于硬币接受器和硬币排出器的机构中。许多这样的装置是在常规条件下使用的。这种装置当硬币或其它物体通过检测点时检测或感觉它们，并在例如象微处理器之类的装置中使用这一信息，以便确定每个硬币的真实性。这种装置在完成这种任务时是非常成功的。然而碰到的一个问题是，在不同时间的从一批到一批的同一类型的硬币之间存有差别，还存在包括磨损和弄污之类的差别。这些便引起偏差，尽管在某些情况下，包括在美国和外国货币市场在内，从一种硬币到另一种硬币的这种偏差是小的，然而它使得识别真的硬币以及和硬币十分相似的假硬币或金属片是十分困难的。

本发明利用人工神经网络(ANN)技术提出了一种新的硬币识别方法。这种技术已被用在识别硬币的装置中，用来识别送入自动售货机之类的机器中的硬币。ANN的使用比已知的装置具有优点，在该装置运行之前，对于开始时建立的每种硬币的识别参数或指纹进行不断地改进。换句话说，当相同或不同类型的每一新的硬币通过本装置中使用的检测装置时，过去对这种硬币建立的识别图形可以被修正或“更新”。从而使得对在短期或甚至于长期的时间内检测到的硬币的任何改变不断进行自我调节，这便大大提高识别质量，借以减少由售货机遇到的伪币数，这便能增加机器接受的有效硬币的数量。

因此，本发明提供了一种过去没有的在硬币检测环境中现有技术的新的应用。

本发明使得人工神经网络技术(ANN)用于识别金属物品例如硬币的真假，利用这种技术更新在证实硬币真假时使用的用以识别硬币的类型的参数或加权。

按照本发明首先建立每个物体的种类表示，并且如果在建立的种类表示的中心和由进入系统以供识别的新的硬币产生的图形之间进行了足够的比较则根据所述中心和图形之间的相似与否，硬币便被识别出其种类和真假。

利用本系统，可以识别具有自身的图形的每种不同的硬币种类，并可以识别美国以及外国货币系统中不同种类的硬币的的真伪。

本发明的新颖性大部分和信号处理和多频率试验装置及其方法有关。信号处理涉及从硬币通过期间产生的信号中提取特征，并在图形识别过程中对这些信号进行解释。在本装置中，使用图形识别和神经网络技术，使得增加检测灵敏度而不增加新的或更复杂的检测装置。在本装置的最佳实施例中，对两对硬币进行编程，并被连接形成4个振荡电路(4频率)，利用开关装置例如舌簧接点切换并联电容器。这产生相当宽的频率范围，能够覆盖包括多种大小的不同种类的硬币。

本装置为每一要被识别和确认的不同种类的硬币建立了不同的任意的边界，并且当新的硬币沿着和检测器相邻的路径运动时，便在振荡电路和用来产生图形的光检测器中产生信号。就确认而言，涉及到两件事情：第一，要证实试验中的物体或硬币是否是真的，第二，一旦被证明是真的硬币，就要确定其种类。物体或硬币可被分成的种类的数量通常是已知的，并可利用试样进行比较和试验。此外，每个硬币当进行磁性的或光学的检测时，便产生不同的特征矢量，对于某些紧密相关的物体或硬币，这些特征矢量可以是彼此接近的。

在此以前图形识别已在硬币分类中使用过(Barlach)，但是已知的图形识别方法具有有限制的值，作为识别硬币真实性的装置，一般没有足够的可靠性。人工神经网络(ANN)的出现已经表明它在图形识别上是一种有力而可靠的分类工具。例如，ANN具有在特征矢量空间上形成具有任何所需的任意的不规则形状边界的分类图形的能力。利用以前的装置，作出的分类决定的根据是使用有限的提取信息进行的边界检查步骤的顺序。这问题被本装置克服了，它产生由独特的可控的磁检测器发生的多频率响应。对本发明而言，控制检测器产生多频输出的方式是重要的。本装置包括：检测器、含有用于控制检测器的装置的信号条件电路、数据获取装置、特征处理和提取装置以及分类装置。检测器的物理特征可以是公知的结构，例如Hoorman U.S.NO.4,625,852以及Hoor-man U.S.NO.4 646,904专利所示。本装置以不同于以前的方式控制检测器，并因而产生更多的不同的频率输出，从而可以更好地识别和分类硬币及其它物体。本发明的装置利用这信息把物体或硬币分类成需要的硬币种类，或归类成伪的、金属片或其它非真实的物体。

本发明的主要目的在于提供一种用于识别和证实一种或多种硬币的改进的装置。

另一个目的在于，使用人工神经网络(ANN)技术识别和证实相同的或不同种类的硬币。

另一个目的在于，提供一种相当简单的装置，在硬币证实环境中使用ANN技术。

另一个目的在于，增加硬币识别和证实的精度可靠性和一致性。

另一个目的在于，使用ANN分类装置用来证实硬币和其它货币。

另一个目的在于，使用图形识别技术，以便减少供ANN容易地执行和训练的特征空间的范围。

另一个目的在于，使得从磁检测装置提取更多的信息，这取决于在产生包括所产生的频率数量的信息时的控制方式。

另一个目的在于，使用多频检测来产生表示物体的图形。

本发明的这些以及其它目的和优点，对本领域的技术人员来说，在阅读下面的结合附图进行的最佳实施例的详细说明之后，会更加清楚地看出。

图1是本发明的硬币证实系统的示意方块图；

图2是侧视图，表示光学的和磁性的检测器沿硬币轨道设置的一个方案，当硬币通过时，用来产生代表两个硬币的特征的信号响应；

图3是当硬币通过光检测器时产生的脉冲信号图；

图4是由LC振荡电路产生的类型的阻尼正弦信号；

图5是当硬币靠近时由AC电源激励的线圈的示意电路，所述路被表示成具有与其相邻的硬币的变压器电路；

图6是表示各个重迭决定范围的平面图，说明由不同的分类器设计所形成的边界，在本发明中使用任意的不规则的边界；

图7是说明人造神经原的侧视图，它模拟生物神经细胞；

图8是一种两层的人工神经网络；

图9是三层的具有“胜者占先”(Winner-takesall)输出层的人工神经网络；

图10是ANN硬币证实系统的方块图，说明连接于具有决定输出端的ANN证实装置的特征矢量电路的输出；以及

图11是在电路方块上具有合适符号的本装置的电路方块图。

术语“多频”指的是测式信号在不同时间间隔具有多于一种的频率分量。

图1中标号20表示用于本装置中的检测器。它被安装于靠近硬币轨道21的位置上，沿着轨道，被检测的硬币或其它物体进行运动。检测器20的结构对本发明而言是重要的，下面将详细说明。

检测器20的输出一般包括4个不同频率的信号，它被送到信号预处理电路22，其输出被送到特征提取算法24，它用来响应由检测器产生的信号的特定特征。特征提取算法24产生的输出送到组分类装置26，也被送到开关28，开关28具有联接于神经网络分类器电路30上的相对侧。神经网络分类器电路30包括根据它收到的输入产生决定输出的装置。

组分类器装置26具有一个输出端，输出端上的信号被送到比较器电路32，它接收来自椭圆形成光栅或区域33的其它输入。比较器电路32的输出被送到开关28，以便供给神经网络分类器30。比较器32也在引线34上产生输出，该输出表示存在被排出的硬币。当比较器电路32产一一特定类型的比较时发生这种情况。后面将说明在神经网络分类器30的输出36上产生的决定。

图2示意地示出了本装置中使用的检测器20，它包括两个隔开放置的光学检测器40和42，它们沿硬币轨道21以一定间隔放置，还有两个分开放置的磁检测器46和48，也沿硬币轨道21以一定间隔设置。所示的光学检测器40和42分别位于磁检测器46和48的上游，因此，刚好在硬币达到各个磁检测器46或48之前，响应沿硬币轨道21的每个硬币的运动。光学传感器40和42监视着硬币轨迹21，当硬币遮断和不遮断其光路时产生脉冲信号。这些脉冲信号提供硬币弦(Chord)尺寸信息，并且使磁检测器46和48中发生的振荡同步，从而使在磁检测器线圈中的信号反应硬币的存在，并产生代表每个硬币某一特征的信号。磁检测器可以采用公知的结构，但是在本电路中是受控制的，从而以和在任何公知电路中不同的方式进行工作。例如，磁检测器46和48包括分别以正反方式磁性连接的一对线圈，它们分别受各个光检测器40或42操作的控制。当以正反方式进行操作时，每对线圈以其各自的固有频率振荡，并且这发生在当物体或硬币存在于各个检测器的磁场中时，因而借以提供有关硬币的磁信息。由检测器40和42收集的信号被信号预处理装置22进行处理。在特征提取电路24中进行关于硬币最特殊最显著的信息的提取。借助于组合所有预处理过的信息，形成特征矢量(FV)，并把这一特征矢量(FV)送入超椭圆分类器电路26，它按照其特点对物体或硬币进行分类。如果因为它是假币或金属片而不能按其特点进行分类，分类器电路就从比较器32产生一个输出，用来排出硬币。这通过在线34上产生信号来它现。在比较装置32中发生硬币的分类，比较装置32比较组分类器26的输出和比较器33的另一个输入端收到的椭圆形状输出。

图3表示当硬币沿轨道21运动时由光学检测器40和42产生的脉冲信号的一个例子。当第一脉冲产生时，计时器被起动，这在时刻(to)开始。并且，由光学检测器产生的相继脉冲在时刻t₁、t₂和t₃(图3)中断计时器。在时刻t₁、t₂和t₃的中断信号与受试物体的运动相关联，并被用于进一步处理，包括以特定方式在特定时刻接通检测器46和48，从而产生特定的输出信号。来自光学和磁检测器的信号被转换成“硬币特征”，并被收集作为每一硬币的硬币特征矢量(FV)。信号的时间特征和磁特征由图11所示的计时器50和峰值检测器电路进行处理。由摸数转换电路52把峰值检测器输出转换成数字值。定时器记录每个硬币遇到光学元件的时间间隔，这些值与硬币的大小有关，并作为硬币特征矢量的一个分量。

硬币特征矢量被送入ANN30，在本装置中是一种三层的神经网络。第一层图7、8和9具有两类神经原。一类进行椭圆分组，当特征位于椭圆的外部或内部时，输出1或零。其它的神经原被前馈给接受神经原。它们形成椭圆内的任意的决定范围。网络的输出是一个神经原，有时称为“胜者占先”神经原56。这在图中如图9所示。

一般地说，只采集阻尼正弦波形的峰值，以便减少被数字化的数据点数到一可管理的数目。为此，使用微分器54求出电压(vt)的导数，并且每当输出过零时启动模数转换器52。这种处理数据的方法简化了所需考虑的数据点的数目。

接收磁检测器46和48输出的信号预处理装置22可以含有多余的与/或不相干的材料。信号预处理装置22尽可能多地从信号中提取较特定的信息，并根据这信息形成用于分类的识别特征矢量(FV)。预处理步骤对于提高分类器26和30的效率是一个重要的步骤。信号预处理器22的输出中的信息含有几种信息，其中包括有关物体或硬币的大小和磁特征的信息。大小信息主要从由光检测器40和42产生的光信号中获得。用于测量距离或硬币大小的装置可以假定硬币通过接受器以恒加速运动。

当硬币存在时，由振荡电路产生的阻尼正弦波形中包含有关硬币磁特性的信息，即硬币的大小、导电率、导磁率以及渗透深度。每个阻尼正弦波形具有若干重要参数，其中包括幅值、阻尼系数、角频率和相角。这些特征中的某些例如幅值和相角不仅由受试物体确定，而且由振荡电路的初始条件确定。因为它们根据振荡电路的初始条件而不同，所以它们不是好的特征选择物。其它两个参数，即阻尼系数和角频率，仅仅取决于谐振电路元件，因而被包括在特征矢量(FV)中。如果可能的话，最好选取和受试物体或硬币直接相关的基本特征。这些特征从磁检测器的输出中提取。磁检测器能够检测硬币或其它受试物体的金属材料中的微妙的改变。

图5说明一对二次电路金属物体例如硬币如何可以被模拟成类似变压器的二次电路，使得每个具有自身的电感L₂和自身的串联电阻R2。M₁₂是线圈L₁和L₂之间的互感，K是两个线圈之间的耦合系数。在图5的电路中，L₁和R1在特定的证实单元中是常数，当没有物体或硬币存在于线圈位置处时，被认为是空气中的参数。相反，与硬币有关的L₂和R2取决于受试硬币的整个的材料特性。在硬币材料中任何微小的差别将直接地立即改变L₂、R2。当硬币通过时，这微小差别则反应在磁检测器的输出中。因此，硬币形成如图5所示的具有自身电感和电阻的二次电路。在特定装置中，每个振荡电路的电感和电阻是常数，当没有物体存在时是已知的。这意味着L和R中即使小的改变也将出现在特征矢量中(FV)。当振荡电路工作时所产生的阻尼正弦波形的形状将取决于线圈的电容、电感和等效电阻。如果我们知道电容、电感和电阻的值，就可以确定阻尼系数和角频率。然而我们不知道这些值。因此用高斯最小平方装置估计这些参数。

在典型的应用中，当物体或硬币存在时，振荡电路被启动4次。这意味着根据不同的振荡电路的特性，将产生并采集电阻电感的4种变化或其组合。这也取决于各个振荡电路的阻尼系数和频率。这些电阻电感中的改变加上产生的阻尼波形的改变构成了每个受试物体或硬币的特征矢量(FV)。这样，每个物体或硬币将有自己的特征矢量(FV)，它明显地代表特定的硬币。

组分类器26和神经网络分类器30用来对特征空间S的最佳分区搜索我们将称为决定区域的C区域，此处C是特征空间中的决定区域数或种类数。分类器应当有能力对特征空间(S)中的特征矢量(FV)正确地与/或有意义地指定分类标号。分类器设计可被分为两类；一类是监督学习的另一类是非监督学习的。在本发明的硬币证实装置中，使用监督学习，这是因为标记的试样是可靠的，对每个不同的硬币种类有一个标记。在硬币特征空间(S)中定义的决定区域有两种，一个是接受区域一个是排出区域。如果特征矢量落在一个接受区域中，与其有关的物体就被分类成硬币，否则便被排出。除去几个小的接受区域之外，排出区域几乎占据整个特征空间。

图6说明一种两维的决定区域。椭圆组形成在特定空间(S)中的具有突变边界的半规则分区域，另一方面，神细网络构成椭圆中的任意的非规则决定区域。一般椭圆边界比矩形边界好得多。图形中的某些区域可以具有引起不连续的决定边界的孔。这两类区域的互补功能可以产生在决定边界和决定几何非规则区域上的非常好的分辨率的分类器。在硬币证实装置的情况下，硬币和假币的数据库通过最初把它们插入该证实系统中产生。数据库中的每一数据具有相关的特征矢量(FV)以及某些种类的标记，以便识别硬币的真假，并且，当它被标记为硬币时则识别其种类。对于每类的数据数目则由特征矢量(FV)的特征及其分布决定。

在P维的欧几里得空间建立大小为T的椭圆组E，在其中确定组空间或椭圆的偏心率和方向。对于每种硬币有一个椭圆组。数学上可以表明，椭圆的中心是所有属于同类的试样的平均，椭圆的轴由特征矢量中每个元素的标准偏差限定。

这信息一旦被建立起来之后，便可以确定在特征矢量(FV)中的点到组的距离。该距离被用于进行初步决定。例如，如果从特征矢量到组的距离小于或等于某一距离，则具有该特征在矢量(FV)的物体就作为某种硬币的候选对象。不过，这不是最终决定，理由有几个。首先，试样的实际组的几何形状可以形成这样一个椭圆，其轴对坐标轴是斜的，并且可用主要分量法使椭圆旋转。第二，不管第一理由，由椭圆形成的决定区域仍被认为是半规则区域，在椭圆内可以观察到假的重迭面积。因此，人工神经网络ANN被进一步用来改变椭圆内的决定区域。这种分组和ANN的组合使得ANN的训练更容易，这是因为在其上定义ANN的图形的范围比整个特征空间小得多。

人工神经网络是一种称为神经原的并行处理元素的集合，神经原被其各自的突触加权连结着。这些神经原可设置为若干层。用于图形识别的神经网络的设计在于训练神经网络，以便识别特征空间内的分区。理论上说，只要隐藏层中的神经原数量足够大，便可以用多层前馈神经网络实现任何矢量输入—输出图形。受此理论的支持，可以用神经网络实现具有任意几何边界的决定区域。

ANN中的神经原类似于生物神经网络中的神经细胞(见图7和图8)。在前馈多层神经网络中，每个神经原接收来自其前一层的(或输入端的输入，并把其输出传递给下一层或输出端。关于外部世界的知识以神经网络的突触加权进行编码，并用特征矢量或输入控制这些加权来恢复信息。

在监督学习方式下，向后传播是训练神经网络(修正其突触加权)的最有效的算法。向后传播是一种递减率下降算法。开始，神经网络中所有的加权被在同一正负值之间随机化，例如在-0.5和+0.5之间。学习由表示一输入目标对开始。神经网络使给定的输入和输出相匹配。目标和输出之间进行比较产生误差矢量。利用这一误差矢量，借助于通过所有神经原向后传播，修正突触加权，试图把均方误差目标函数ε减到最小。递减率下降方法重复地更新每一加权，每一更新被称作一种表示，在训练组中所有的表示叫作一个循环。在训练若干个循环之后，神经网络便可以减少其误差函数到最小值。此时，网络已完成训练，可以发现训练组中输入和目标矢量之间的关系。

当学习进行时，该算法监视着学习，使得当分区空间和特征空间已被发现时，学习可以自动地发生。这借助监视神经网络的输出和具有每个表示的目标之间的差来进行。

为避免不必要的计算，对神经网络的输出和目标之间的误差引入误差裕度。在向后传播之前，如果发现输出处于目标的裕度之内，就把误差设为零。在训练神经网络过程中，有时可能发生超调，这表示较大的学习速率，并发生在误差接近于零或很小的情况下。有几种减少学习速率的方法。一种方法是在训练过程中以某一固定的速率减少。我们选择的学习速率等于当前误差的某一百分数。这种方法是已知的，它不是本发明的部分。也能使用一个以上的ANN进行所有种类的分类。这也不是本发明的核心。

所有神经网络经过训练之后，并且这种训练是已知的情况下，本硬币证实系统便已准备好用于分类。然后从非已知的物体或硬币收集具有其特定特征的信号，这些信号被形成特征矢量(FV)。该特征矢量首先被证明它是否落在由系统算法定义的椭圆内。如果发现其特征矢量没有落在任何椭圆内，物体或硬币就被认为是假的而被排出。否则就认为是真的硬币。如果物体或硬币没有被排出，就把它作为候选物，并把相同的特征矢量送入神经网络，并且把从网络输出的值相互地进行比较。如果第一神经原级的输出值大于第二神经原级的输出值，则把物体或硬币再次作为假的而受到排出。否则，它就作为属于预定种类或预定种类范围的真的硬币而被接受。

通过用包括美国、英国和德国的几个不同国家的硬币进行试验发现，用这种方法可以容易地分开不同的种类。此外，试验已经表明，可以解决硬度不同的问题，例如美国镍币对加拿大镍币、德国马克对英国5便士硬币、德国马克与波兰20兹罗提、德国马克与奥大利亚5分硬币以及英国50便士与旧的英国含箔的10便士硬币之间的不同硬度。在所有这些情况下，它们基本上是相似的，然而分离过程还是有效的。因此本发明具有在硬币证实系统中的神经网络装置的分类功能。这种ANN应用于硬币证实系统中的新的应用比现有的硬币识别机构具有若干优点，并且试验表明这是一种使用ANN的更可靠更灵活的硬币证实系统。

借助于测量空气参数，并把所有其它特征都和这些参数进行比较，使本系统具有自我补偿能力。这便大大减少了不同装置当中由于元件偏差以及环境波动引起的性能变化。突出的明显的特征经过仔细地选择和预处理，并且这些特征仅由受试物体确定。这说明根据这一技术可以研制出自我调整或用户调整的硬币证实器。如上所述，在本系统的最佳形式中，借助于在衰减振荡电路中的电容器转换，使用多频进行硬币识别。振荡电路的宽的振荡频率范围覆盖了在国际接受器中当前使用的几乎整个频带。这意味着本系统不仅产生较多的用于识别特征，而且能够作为用来区分各国的所有硬币的通用接受器。采取分类例如椭圆分类也降低了训练试样的要求，并且减化了神经网络的训练。用于每一硬币的证实硬币分类(valida-tion Coin class)也缩小了。这意味着伪类(counterfeit class)占据了特征空间的大部分。

至此已经描述了用于使硬币和其它物体与假币或金属片分开的新的装置，它能够识别各种硬币的有效性、大小和种类。然而，对本领域的技术人员而言，可以作出本发明的多种变化和改型还可以用于其它的方面，所有这些变化、改型以及不同的用途，都被认为包括在下面所附的权利要求限定的本发明的范围之内。

Claims (18)

1.一种硬币证实系统，用来确定沿硬币轨道运动的硬币是否为有效硬币，如果是有效的，就确定其种类，包括：供硬币运动的轨道，位于轨道附近的硬币检测装置，所述检测装置包括，至少一个光学检测器，用来响应其附近的硬币的运动，位于光学检测器附近的至少一个磁检测器，所述磁检测器包括感应元件，响应检测硬币的存在的光学检测器的电路装置，用来激励磁检测器，使得当硬币在其附近运动时产生信号，从而使移向某一位置的硬币和感应元件之间具有互感，从而使感应元件输出具有代表硬币的特征的信号，操作上和磁检测器相连的信号预处理装置，包括用来产生代表硬币的区别特征的输出响应的装置，特征提取装置，用来从信号预处理装置的输出响应中提取代表硬币的预定的区别特征的信号部分，用来产生提取的特征的多维表示的装置，包括比较多维表示和选择的硬币种类的确定组的中心的装置，从而确定其间接近的程度，当接近程度具有确定的特性时，硬币被确定为可以接受的，当接近程度为不同特性时，硬币是不可接受的，以及人工神经网络分类器装置，具有通过第一开关装置到特征提取装置的第一连接，以及通过另一开关装置到比较器电路的第二连接，人工神经网络分类器装置具有一个输出端，它识别由比较器电路确定为是可接受的硬币的种类。

2.如权利要求1的硬币证实系统，包括至少两个光学检测器，它们沿硬币轨道彼此留有一定间隔，以及位于每个光学检测器附近的磁检测器。

3.如权利要求1的硬币证实系统，其中另一开关装置具有对特征选择控制线的连接，所述特征选择控制线确定哪些特征输入被加到人工神经网络上。

4.如权利要求1的硬币证实系统，其中包括连接于光学传感器的电路装置，用来确定沿硬币轨道运动的硬币的大小。

5.一种用于识别、证实物体例如售货机中使用的硬币的装置，包括各种硬币的预定通路，当硬币放于售货机中时，使其沿着通路边缘运动，位于硬币通路附近的检测装置，用于检测硬币运动的存在，从而产生输出信号，它代表预定的硬币条件，其中包括硬币的存在以及硬币的金属含量，所述检测装置包括第一第二检测装置，它们沿预定通路隔开布置在受硬币运动影响的位置上，所述第一第二检测装置中的第一个包括位于硬币通路附近的发送—接收元件，借以使沿硬币通路进行的硬币运动依次覆盖或不覆盖第一第二检测装置，第一检测装置产生脉冲信号，第二检测装置包括LC振荡电路，其中包括两对线圈和4个电容器，振荡电路最初被连接成储存由其初始条件决定的能量，每个振荡电路工作时，响应硬币的运动，产生阻尼正弦波形，每个振荡电路具有不同的频率，当硬币在各个线圈附近时，每个振荡电路借助于接通和各自的线圈并联的电容器以不同的频率振荡两次，用来处理由各个振荡电路产生的信号的装置，包括由提取的信息中产生特征矢量的装置，从提取的信息中形成椭圆边界组的装置，比较椭圆组的中心和硬币图形的装置，如果接近程度是确定型的，就产生硬币可接受并指明其种类的信号，以及产生输出决定信号的装置，如果接近程度处于边界之内，所述输出决定信号则表明是可接受的硬币，如果没有落在边界之内，则产生硬币排出信号。

6.一种用来识别、证实物体例如投入售货机中的硬币的装置，包括：

预先确定的硬币通路，当硬币投入售货机时沿该通路运动，位于所述硬币通路附近的检测器装置，包括第一检测装置，用来检测在其附近运动的硬币的存在，并产生代表硬币的预定位置的输出信号，以及第二检测装置，它响应硬币的金属的、磁性的以及其它定量的特征，与第二检测装置相连的电路装置，包括当硬币在其附近运动时，产生几个不同频率以供给第二检测装置的装置，用来使电路装置谐振，从而产生由第二检测装置供给硬币的阻尼波信号的装置，当硬币在第二检测装置附近时，电路装置以不同的频率谐振，用来处理当硬币处于第二检测装置附近时由第二检测装置产生的信号的装置，其中包括用来产生代表硬币的预定特征的信号分量的装置，用来由选取的由第二检测装置产生的一些特征信号分量形成组图形的装置，用来比较组图形和内部产生的图形的装置，以及用来产生输出决定信号，当所述比较落在确定的参数之内时，用来指示是可接受的硬币，并且当图形比较没有落在确定的参数之内时，产生硬币排出信号的装置。

7.如权利要求6的装置，其中和第二检测装置相连的电路装置包括至少一个具有线圈的LC振荡电路，以及选择地并联在线圈上的至少两个电容器。

8.如权利要求6的装置，其中和第二检测装置相连的电路装置包括含有两对线圈和4个电容器的LC振荡电路，所述振荡电路最初被连接成用于存储由其初始条件确定的能量，以及使振荡电路在不同频率下振荡，从而当硬币处于和振荡电路的线圈相耦合的位置时，以不同频率产生不同的阻尼正弦波形的装置。

9.一种安装在售货机上的售货机控制装置的改进装置，用来确实硬币是否为真的，如果是真的，就确定其种类，其中包括供硬币沿整个售货机运动的硬币轨道，沿轨道设置的光学检测装置，用来检测硬币的存在，其中包括当硬币被识别时产生信号，并且当硬币已通过光学检测器时终止信号的装置，位于光学检测器附近的其它检测装置，包括当硬币处于其附近时，产生电磁信号的装置，所述信号受硬币的金属含量以及物理特性的影响，并具有加在其上的代表硬币的特征，用来从其它检测装置产生的信号中提取加于信号上的代表预定的硬币特征的分量的装置，用来组合预选的一些信号提取分量的装置，和所述特征提取装置相连的椭圆分组分类装置，用预定的相似门限确定特征矢量是否落在分组分类器(Clusterclassifier)内的装置，如果相似性超过该门限，就表示是真的硬币，否则，硬币就被排出，以及把特征提取装置的输出和比较在装置的输出供给神经网络分类装置的装置，所述神经网络分类装置具有用来决定硬币应该被接受或被排出的输出端。

10.如权利要求9的售货机控制装置，其中的其它检测装置包括具有电感和电阻的振荡电路，当硬币位于振荡电路附近时，振荡电路的电感和硬币之间发生互感。

11.如权利要求9的售货机控制装置，其中神经网络分类器装置包括几层神经原，第一层中连接的神经原用来接收比较装置的输出，第二层中连接的神经原接收第一层的输出，所述第二层具有几个神经原，每个神经原具有与第二层相连的决定输出。

12.如权利要求11的售货机控制装置，其中神经网络分类装置具有三层神经原，第三层具有连接于第二层的输出的输入端，所述第三层产生表明硬币是否是可接受的输出信号。

13.如权利要求9的售货机控制装置，其中包括不同频率的脉冲源，以及把所述脉冲源的输出供给其它检测装置的装置，借以使其它检测装置产生不同频率的信号响应，用于和硬币耦合。

14.如权利要求9的售货机控制装置，其中的光学检测装置包括一对分开一定距离设置的响应沿其附近的轨道运动的硬币的光学检测器，其它检测装置包括位于每个光学检测器附近的磁检测装置，当硬币通过时，光学检测器建立使位于附近的其它检测装置暴露给硬币的条件。

15.如权利要求13的售货机的控制装置，其中不同频率的脉冲源包括一组振荡电路，每个振荡电路具有至少两个不同的电容器，选择性地和各个电感器相并联，当电容器并联在其电感器上时，则产生不同的频率。

16.如权利要求9的售货机控制装置，其中包括和用来产生电磁信号的装置相连的定时器电路，所述定时器电路具有输出端，用来根据其附近的硬币的位置控制其它检测装置的激励。

17.如权利要求9的售货机的控制装置，其中的光学检测装置具有与其相关的装置，用来确定进入其邻近的覆盖位置的硬币的物体的量度，所述装置包括当硬币运动到一个确定位置时产生信号的装置，所述信号建立硬币运动的时间关系，所述时间关系可用来确定硬币的量度。

18.如权利要求9的售货控制装置，其中其它检测装置包括以预定形式使振荡电路振荡，从而产生阻尼波形状的定时脉冲的装置，所述的阻尼波具有加在其上的信息，从所述信息中可以提取硬币的预定特征。

Images