CN1188808C - 纸券类的真假判断方法及纸券类的投入方向判别方法 - Google Patents

Abstract

根据从作为检查对象的纸券类上的多个位置读取的纸券类的特征量和对上述多个位置预先求得的基准数据，抽出纸券类的每个特征量的不规则成分。根据所抽出的每个特征量的不规则成分和预定的污浊成分的预定模型，推测作为检查对象的纸券类上的多个位置中的每个位置的污浊成分。然后，根据所推测的污浊成分和所取出的不规则成分，判断作为检查对象的纸券类的真假。

Description

纸券类的真假判断方法及纸券类的投入方向判别方法

技术领域

本发明涉及纸币、有价证券等纸券类的真假判断方法、纸券类的投入方向判别方法及纸券类的特征量波形的偏移幅度计算方法。

背景技术

作为纸币的真假判断方法有特开昭60-215293号公报公开的方法。该方法是将纸币分成多个区域。在作为检查对象的纸币的每个区域，用磁传感器获得检测数据。对各区域算出各区域的检测数据对全部区域的检测数据的总和之比。将对每个区域算出的比与对每个区域预先求得的基准值进行比较。如果在任何一个区域中两者之差都不在预定的允许范围内，即可断定该纸币是假币

在全部区域中两者之差都在预定的允许范围内的情况下，算出对各区域算出的比和对应的区域的基准值之差的总和。然后，如果所算出的总和在预定的允许值以上，则该纸币便被断定为假币。如果所算出的总和比预定的允许值小，则该纸币便被断定为真币。

在上述现有的技术中，由于将各区域的检测数据对全部区域的检测数据的总和之比与对每个区域预先求得的基准值进行比较，所以在纸币被同样弄脏等情况下，很难受该污浊的影响。可是，通常纸币各部分的污浊情况并不一样，在上述现有例中往往由于纸币的污浊、皱纹等造成误判断。

本发明的目的在于提供一种不受纸券类的污浊、皱纹等的影响，能高精度地判断纸券类的真假的纸券类的真假判断方法。

另外，本发明的目的在于提供一种能高精度地判断纸券类的投入方向的纸券类的投入方向判断方法。

另外，本发明的目的在于提供一种能准确地计算纸券类的特征量波形相对于基准波形的传输方向的偏移幅度的纸券类的特征量波形的偏移幅度计算方法。

发明的公开

本发明的第一种纸券类的真假判断方法的特征在于包括以下步骤：对作为检查对象的纸券类进行第一真假判断处理的步骤；在第一真假判断处理中，只有当作为检查对象的纸券类被断定不是假券时，才对作为检查对象的纸券类进行第二真假判断处理的步骤；以及在第二真假判断处理中，只有当作为检查对象的纸券类被断定不是假券时，才断定作为检查对象的纸券类是真券的步骤，第一真假判断处理包括以下三个步骤：根据从作为检查对象的纸券类上的多个位置读取的纸券类的特征量和对上述多个位置预先求得的基准数据，取出纸券类的每个特征量的不规则成分的第一步骤；根据所取出的每个特征量的不规则成分和预定的污浊成分的预定模型，推测作为上述检查对象的纸券类上的上述多个位置中的每个位置的污浊成分的第二步骤；以及根据所推测的污浊成分和所取出的不规则成分，判断作为检查对象的纸券类的真假的第三步骤，第二真假判断处理包括以下两个步骤：根据从作为上述检查对象的纸券类上的多个位置读取的纸券类的特征量和对上述多个位置预先求得的第二基准数据中适当地进行预先判断选择的多个计算对象位置的特征量及第二基准数据，算出特征量和第二基准数据的匹配度的第四步骤；以及根据算出的匹配度，判断作为检查对象的纸券类的真假的第五步骤。

上述第一步骤中用的基准数据例如根据从多个真券纸券类上的多个位置读取的纸券类的特征量生成。另外，上述第二步骤中用的污浊成分的预测模型例如根据从多个真券纸券类上的多个位置读取的纸券类的特征量和上述基准数据生成。

上述第三步骤包括：例如根据所推测的污浊成分和所取出的不规则成分，算出与预测误差相关的值的步骤；以及当与所算出的预测误差相关的值比预定的规定值大时，便断定作为检查对象的纸券类是假券，当与所算出的预测误差相关的值在预定的规定值以下时，便断定作为检查对象的纸券类不是假券的步骤。

上述第四步骤中用的多个运算对象位置例如通过按照遗传算法进行的最佳化处理求得。

本发明的第二种纸券类的真假判断方法的特征在于包括以下步骤：根据从作为检查对象的纸券类上的多个位置读取的纸券类的特征量和对上述多个位置预先求得的基准数据，取出纸券类的每个特征量的不规则成分的第一步骤；根据所取出的每个特征量的不规则成分和预定的污浊成分的预定模型，推测作为上述检查对象的纸券类上的上述多个位置中的每个位置的污浊成分的第二步骤；以及根据所推测的污浊成分和所取出的不规则成分，判断作为检查对象的纸券类的真假的第三步骤，

上述第一步骤中用的基准数据例如根据从多个真券纸券类上的多个位置读取的纸券类的特征量生成。另外，上述第二步骤中用的污浊成分的预测模型例如根据从多个真券纸券类上的多个位置读取的纸券类的特征量和上述基准数据生成。

上述第三步骤包括：例如根据所推测的污浊成分和所取出的不规则成分，算出与预测误差相关的值的步骤；以及当与所算出的预测误差相关的值比预定的规定值大时，便断定作为检查对象的纸券类是假券，当与所算出的预测误差相关的值在预定的规定值以下时，便断定作为检查对象的纸券类不是假券的步骤。

作为上述污浊成分的预测模型例如采用从多个真券纸券类上的多个位置读取的纸券类的特征量和对应于上述基准数据的位置的数据的差分数据，或是采用根据按照时间序列排列的数据组求得的自行回归模型。

本发明的第三种纸券类的真假判断方法的特征在于包括以下步骤：根据从作为检查对象的纸券类上的多个位置读取的纸券类的特征量和对上述多个位置预先求得的第二基准数据中适当地进行预先判断选择的多个计算对象位置的特征量及第二基准数据，算出特征量和第二基准数据的匹配度的步骤；以及根据算出的匹配度，判断作为检查对象的纸券类的真假的步骤。

上述多个运算对象位置例如能通过按照遗传算法进行的最佳化处理求得。

按照遗传算法进行的最佳化处理包括以下步骤：例如将预定的多个特征量读取位置分别作为遗传子具有，取得表示是否将各遗传子的读取位置作为某个运算对象的值，生成由取得该值的第一规定数的个体构成的初始集团的第一步骤；根据预先准备的多个真券纸币类及多个假券纸币类的分析用数据，对每个个体算出真券和假券的判别精度的评价值，只选择第二规定数的评价值高的个体的第二步骤；从所选择的个体组选择任意的个体对，通过增加规定的遗传的操作，生成由第一规定数的个体构成的新的个体集团的第三步骤；将作为运算对象的遗传子的数目超过预定的限制数的个体废除的第四步骤；通过反复进行规定的遗传的操作，生成由第一规定数的个体构成、而且在所有的个体中作为运算对象的遗传子的数在规定的限制数以下的个体集团的第五步骤；以及将第二步骤～第五步骤的处理反复进行规定次数的第六步骤。

上述遗传的操作是例如交替处理及突然变异处理。

本发明的纸券类的投入方向判别方法的特征在于包括以下步骤：从被投入检查装置的作为检查对象的纸券类的多个位置读取纸券类的特征量的第一步骤；以及通过对读取的特征量和按每个投入方向预先生成的各投入方向不同的基准数据进行比较，判别上述纸券类的投入方向的第二步骤。

作为上述第二步骤采用例如包括以下步骤的步骤：对每个投入方向不同的基准数据分别求出从上述纸券类的多个位置读取的各特征量和对应于投入方向不同的基准数据的位置的数据之差的二次方的总和的步骤；以及将与所得到的值中的最小值对应的基准数据的方向判别为上述纸券类的投入方向的步骤。

作为上述第二步骤采用例如包括以下步骤的步骤：求出用从作为检查对象的纸券类的各读取位置读取的特征量表示的位置的特征量和与投入方向不同的基准数据对应的位置的数据之差，修正纸券类的各读取位置的特征量，以便使这些差的平均值为零的步骤；对每个投入方向不同的基准数据分别求出对上述纸券类的多个位置修正后的特征量和对应于投入方向不同的基准数据的位置的数据之差的二次方的总和的步骤；以及将与所得到的值中的最小值对应的基准数据的方向判别为上述纸券类的投入方向的步骤。

作为上述第二步骤采用例如包括以下步骤的步骤：通过按照遗传算法进行的最佳化处理，从预定的多个特征量读取位置中探索投入方向判断结果的准确率达到规定值以上的最小限度的特征量读取位置的步骤；以及根据只从探索到的特征量读取位置获得的特征量和对每个被检查对象的投入方向预先生成的投入方向不同的基准数据，判断被检查对象的投入方向的步骤。

上述按照遗传算法进行的最佳化处理包括以下步骤：例如将预定的多个特征量读取位置分别作为遗传子具有，取得表示各遗传子是否作为投入方向判断用的特征量读取位置的某个对象的值，生成由取得该值的第一规定数的个体构成的初始集团的第一步骤；从初始集团只选择第二规定数的成为投入方向判断用的特征量读取位置的对象的遗传子数少的个体的第二步骤；从所选择的个体组选择任意的个体对，通过增加规定的遗传的操作，生成由第一规定数的个体构成的新的个体集团的第三步骤；对新的个体集团的各个个体算出从预先准备的多个分析用数据获得的多个限制条件检查用各数据的投入方向判断结果的准确率，将准确率比规定值低的个体废除的第四步骤；通过反复进行规定的遗传的操作，生成由第一规定数的个体构成、而且所有的个体的准确率都达到规定值以上的个体集团的第五步骤；以及将第二步骤～第五步骤的处理反复进行规定次数的第六步骤。

上述遗传的操作是例如交替处理及突然变异处理。

本发明的纸券类的特征量波形的偏移幅度计算方法的特征在于包括以下步骤：从作为检查对象的纸券类的输送方向上的多个位置读取纸券类的特征量，生成表示位于上述纸券类的输送方向上位置的特征量的输入波形的第一步骤；在预定的最小偏移幅度和最大偏移幅度之间设定多个输入波形在输送方向上相对于基准波形的偏移幅度，对所设定的各个偏移幅度作成使输入波形在输送方向上偏移的多个偏移幅度计算用波形的第二步骤；在输送方向上的各个位置中预先规定的多个运算对象位置，对每个作成的各偏移幅度计算用波形算出与偏移幅度计算用波形和预先作成的基准波形的差分的总和对应的值的第三步骤；以及将相对于与所算出的差分的总和对应的值为最小的偏移幅度计算用波形的偏移幅度确定为上述输入波形在输送方向上相对于上述基准波形的偏移幅度的第四步骤。

作为上述与差分的总和对应的值，采用差分的绝对值的总和或差分的二次方的总和。

上述第三步骤中用的多个运算对象位置例如可以如下求得。即，在预定的最小偏移幅度和最大偏移幅度之间设定多个输入波形在输送方向上相对于基准波形的偏移幅度。用所设定的各个偏移幅度作成使上述基准波形在输送方向上偏移的多个运算对象位置计算用波形。在输送方向上的各个位置，对所作成的各运算对象位置计算用波形算出与上述基准波形的差分的绝对值。在输送方向上的每个位置，从对该位置算出的差分的绝对值中取出最小值。按照所取出的最小值从大到小的顺序，选择全部位置中规定数的位置。

附图的简单说明

图1是表示读取纸币的特征量用的传感器的配置情况的平面图。

图2是从图1中的箭头方向看到的侧视图。

图3是表示纸币的真假判断方法的全部程序的流程图。

图4是表示纸币投入方向判别处理的程序的流程图。

图5是表示纸币投入方向判别处理的程序的示意图。

图6是说明修正输入波形的方法用的曲线图。

图7是表示另一纸币投入方向判别处理的程序的流程图。

图8是表示个体的示意图。

图9是表示按照GA进行的运算点的最佳化处理程序的流程图。

图10是说明通过将随机数附加在预先准备的分析用纸币数据中，生成限制条件检查用数据用的曲线图。

图11是表示按照GA进行了最佳化的运算点数的平均值和投入方向判断正确率的平均值的曲线图。

图12是表示输送偏移修正处理的程序的流程图。

图13是说明图12中的步骤52的处理方法用的波形图。

图14是说明图12中的步骤54的处理方法用的波形图。

图15是表示求在图12所示的步骤53中采用的运算点的方法的流程图。

图16是表示污浊成分的预测模型的生成处理程序的流程图。

图17是表示根据抽样纸币获得的输入波形的波形图。

图18是表示基准波形的波形图。

图19是由每个抽样纸币生成的表示污浊、皱纹等的变化成分的分布的波形图。

图20是表示学习数据的波形图。

图21是表示第一精判断处理的程序的流程图。

图22是表示进行了输送偏移修正处理后的输入波形的波形图。

图23是表示不规则成分的分布的波形图。

图24是表示检查对象纸币的污浊成分的预测分布的波形图。

图25是表示代替自行回归模型用的神经元网络例的示意图。

图26是表示第二精判断处理的程序的流程图。

图27是表示第一掩码的示意图。

图28是表示第二掩码的示意图。

图29是表示某一个体的各分析用纸币数据和基准波形之差的二次方的总和、以及该个体的各真券的分析用纸币数据和基准波形之差的二次方总和的分布曲线图。

图30是表示按照GA进行的最佳化处理程序的流程图。

实施发明用的最佳形态

以下，参照附图说明将本发明应用于纸币的真假判断方法时的实施形态。

[1]关于读取纸币的特征量的传感器的说明

图1及图2表示读取纸币的特征量用的传感器。

纸币1被投入图中未示出的检查装置后，被沿着箭头方向输送。作为读取纸币1的特征量用的传感器，设有两个光投射装置10a、20a及两个光接收装置10b、20b。

光投射装置10a备有：对纸币1的表面上且在线路L1上的多个特征量读取位置照射波长λ为840nm的红外光用的发光二极管11a；以及对上述各特征量读取位置照射655nm的红色光用的发光二极管12a。光接收装置10b备有：接收从发光二极管11a射出且通过纸币1的红外光用的光电传感器11b；以及接收从发光二极管12a射出且通过纸币1的红色光用的光电传感器12b。

交替地驱动发光二极管11a及发光二极管12a，在纸币1的线路L1上的各特征量读取位置获得两个光电传感器11b、12b的输出。

光投射装置20a备有：对纸币1的表面上且在线路L2上的多个特征量读取位置照射波长λ为840nm的红外光用的发光二极管21a；以及对上述各特征量读取位置照射655nm的红色光用的发光二极管22a。光接收装置20b备有：接收从发光二极管21a射出且通过纸币1的红外光用的光电传感器21b；以及接收从发光二极管22a射出且通过纸币1的红色光用的光电传感器22b。

交替地驱动发光二极管21a及发光二极管22a，在纸币1的线路L2上的各特征量读取位置获得两个光电传感器21b、22b的输出。另外，线路L1和线路L2离开通过纸币1的横向中心的线路L0的距离相等。

[2]纸币的真假判断方法的全部程序的说明

图3表示纸币的真假判断方法的全部程序。

首先，各光电传感器11b、12b、21b、22b的输出被图中未示出的A/D变换器变换成数字信号后被取入(步骤1)。

其次，根据各光电传感器11b、12b、21b、22b的检测值，进行粗判断处理(步骤2)。在通过粗判断处理而被断定为假券的情况下(步骤3中为是)，该结果为最后的判断结果(步骤4)，本次的真假判断处理结束。

在纸币通过粗判断处理而未被断定为假券的情况下(步骤3中为否)，根据接收红外光的光电传感器11b或21b的检测值，进行纸币投入方向判别处理(步骤5)。就是说，纸币的投入方向在纸币的正面朝上时有两个方向，纸币的背面朝上时有两个方向，共计有4个方向。在纸币投入方向判别处理中，判断纸币的投入方向是4个方向中的哪一种方向。

在纸币的投入方向的判别结果不是预定的基准投入方向的情况下，根据各光电传感器11b、12b、21b、22b的检测值获得的输入波形(表示纸币的长度方向上的位置的检测值的波形)被变换成假定沿预定的基准投入方向投入纸币时获得的波形(步骤6)。其结果，获得该纸币沿基准投入方向投入时相对于线路L1的两种输入波形及相对于线路L2的两种输入波形。

在该纸币沿基准投入方向投入时相对于线路L1的两种输入波形中，有以红外光为依据的输入波形，以及以红色光为依据的输入波形。在该纸币沿基准投入方向投入时相对于线路L2的两种输入波形中，有以红外光为依据的输入波形，以及以红色光为依据的输入波形。

另外，在纸币的投入方向的判别结果是预定的基准投入方向的情况下，不进行步骤6的数据变换处理。

此后，进行与以纸币的投入方向为基准投入方向时对应的4种输入波形的纸币输送方向的偏移用的修正处理(输送偏移修正处理)(步骤7)。

其次，在进行过输送偏移修正处理后的4种输入波形中，根据以对应于线路L1的红外光为依据的输入波形和以对应于线路L2的红外光为依据的输入波形，进行第一精判断处理(步骤8)。

在第一精判断处理中，分别根据这些输入波形，进行同样的判断处理。然后，至少在以一方的输入波形为依据的判断处理中断定该纸币是假券的情况下(步骤9中为是)，其结果为最后的判断结果(步骤4)，本次的真假判断处理结束。

在通过第一精判断处理不能断定该纸币是假券的情况下，就是说，在根据以上述两种红外光为依据的输入波形进行的判断处理中，都不能断定该纸币是假券的情况下(步骤9中为否)，在进行过输送偏移修正处理后的4种输入波形中，根据以对应于线路L1的红色光为依据的输入波形和以对应于线路L2的红色光为依据的输入波形，进行第二精判断处理(步骤10)。

在第二精判断处理中，分别根据这些输入波形，进行同样的判断处理。然后，至少在以一方的输入波形为依据的判断处理中断定该纸币是假券的情况下(步骤11中为是)，其结果为最后的判断结果(步骤4)，本次的真假判断处理结束。

在通过第二精判断处理不能断定该纸币是假券的情况下，就是说，在根据以上述两种红色光为依据的输入波形进行的判断处理中，都不能断定该纸币是假券的情况下(步骤11中为否)，便断定该纸币是真券(步骤12)，本次的真假判断处理结束。

[3]粗判断处理的说明

根据纸币1的线路L1上预先规定的多个特征量读取位置的光电传感器11b、12b的检测值及纸币1的线路L2上预先规定的多个特征量读取位置的光电传感器21b、22b的检测值，进行粗判断处理。

由于在各特征量读取位置进行的判断处理相同，所以说明在纸币1的线路L1上的一个特征量读取位置进行的判断处理。

假设在纸币1的线路L1上的一个特征量读取位置由光电传感器11b及12b获得的检测值分别为V₁₁、V₁₂。

首先，算出两者之比V₁₁/V₁₂及两者之差(V₁₁-V₁₂)。然后，在两者之比V₁₁/V₁₂是在预定的第一规定范围内、而且两者之差(V₁₁-V₁₂)是在预定的第二规定范围内的情况下，断定该纸币是真券。在两者之比V₁₁/V₁₂不在预定的第一规定范围内、而且两者之差(V₁₁-V₁₂)不在预定的第二规定范围内的情况下，断定该纸币是假券。

在全部特征量读取位置的判断处理中断定该纸币是真券的情况下，在图3的步骤3中变为否，转移到纸币投入方向判断处理。至少在一个特征量读取位置的判断处理中断定该纸币是假券的情况下，在图3的步骤3中变为是，该判断结果就是最后的判断结果。

[4]纸币投入方向判断处理的说明

图4表示图3中的步骤5的纸币投入方向判别处理的详细程序。另外，图5示意地表示投入方向判别处理的程序。

根据以接收红外光的光电传感器11b或21b的检测值为依据获得的输入波形进行投入方向判别处理。这里，假设是根据以光电传感器11b为依据获得的输入波形进行的投入方向判别处理。就是说，如图5中的曲线a所示，输入波形表示光透过量(检测值)相对于纸币1的线路L1上的位置的关系。

光透过量相对于纸币1的线路L1上的位置的关系随纸币的投入方向的不同而异。预先用真券(实物)纸币求出各种投入方向(方向A、方向B、方向C及方向D)上光透过量相对于纸币1的线路L1上的位置的关系(以下称投入方向不同的基准波形)。图5中示出了相对于方向A的投入方向不同的基准波形Ab和相对于方向D的投入方向不同的基准波形Db。

对每个方向不同的基准波形算出方向不同的基准波形和输入波形a之差的二次方的总和(步骤21)。就是说，将各特征量读取位置的方向不同的基准波形和输入波形之差设为di(i＝1、2、3…m)，方向不同的基准波形和输入波形之差的二次方的总和D可用下式(1)表示。

$D=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{di}}^2\·\·\·\·\·\·\left(1\right)$

然后，将差的二次方的总和D为最小的方向作为纸币投入方向(步骤22)。

可是，市面上流通的纸币通常由于附着了手垢等污浊，所以全部检测值都呈下降趋势。

因此，首先将输入波形至少与一个投入方向不同的基准波形进行比较，对输入波形进行电平调整，最好用电平调整后的输入波形进行上述步骤21的处理。

如图6所示，该电平调整这样进行，即，使原来的输入波形a平行移动，且使输入波形a的电平与投入方向不同的基准波形b的电平一致。在图6中用a1表示平行移动后的输入波形。更具体地说，使原来的输入波形a平行移动，以便使移动后的输入波形a1和投入方向不同的基准波形b在各读取位置的差的平均值为0。

另外，算出差的二次方的总和用的成为运算对象的读取位置(运算对象点)也可以不是线路L1上的全部读取位置。就是说，也可以将从线路L1上的全部读取位置中选择的多个读取位置作为运算对象点，算出差的二次方的总和。

另外，例如预先准备好一万元券、5千元券及千元券这三种币种的每一种的4个方向的投入方向不同的基准波形，在上述的步骤21中，分别算出这些共计12种的投入方向不同的基准波形和输入波形的差的二次方的总和，也可以将差的二次方的总和为最小的币种及投入方向判别为该纸币的币种及投入方向。这样处理，不仅能判别投入方向，还能判别币种。

图7表示纸币投入方向判别处理的另一例。

也可以根据以光电传感器11b为依据获得的输入波形进行该纸币投入方向判别处理。另外，预先用真券纸币求出各种投入方向上光透过量相对于纸币1的线路L1上的位置的关系(以下称投入方向不同的基准波形)。

首先，将预先探索到的多个特征量读取位置作为运算对象点，对每个投入方向不同的基准波形算出与方向不同的基准波形和输入波形的差分分散值对应的值(步骤31)。就是说，将作为运算对象点预先探索到的每个读取位置的方向不同的基准波形和输入波形的差设为di(i＝1、2、3…n)，将这些差di的平均值设为*d，与方向不同的基准波形和输入波形的差分分散值对应的值σ可用下式(2)表示。

$\mathrm{\σ}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(\mathrm{di}-*d)}^2\·\·\·\·\left(2\right)$

然后，将与差分分散值对应的值σ为最小的方向作为纸币投入方向(步骤32)。

在纸币投入方向的判断中使用与差分分散值对应的值σ的理由如下。即，市面上流通的纸币带有污浊，全部检测值有下降的趋势。因此，使输入波形平行移动、以使输入波形和投入方向不同的基准波形的误差的平均值变为0之后，最好算出输入波形和投入方向不同的基准波形的差分的二次方的和。与差分分散值对应的值σ就是根据这种想法算出的。

下面说明成为运算点的读取位置的探索方法。

成为运算点的读取位置的探索通过按照遗传算法(以下称GA)进行的最佳化处理进行。

个体300如图8所示加以表现。图8中的曲线a表示输入波形，曲线b表示投入方向不同的基准波形。个体300具有与各读取位置对应的遗传子，各遗传子取“0”或“1”的值。这里，“0”表示不将与该遗传子对应的读取位置的检测值作为运算对象点，“1”表示将与该遗传子对应的读取位置的检测值作为运算对象点。

另外，根据用下式(3)表示的评价函数，进行个体的评价。就是说，评价函数成为其值为“1”的遗传子的数。

评价函数＝成为运算对象点的读取位置的数    ……(3)

图9表示按照GA进行的最佳化处理程序。

首先，作成初始集团(步骤41)。就是说，用随机数作成预先设定的数的个体。但是，只采用与预先准备的全部分析用纸币数据对应的投入方向判断准确率(％)为100％的个体。

在该例中，对40张纸币准备4个投入方向的输入波形，作为分析用纸币数据。然后，用全部分析用纸币数据对由随机数作成的个体进行纸币投入方向的判断。然后，算出该个体的投入方向判断准确率(％)。投入方向判断准确率不是100％的个体不被作为初始集团采用。这样处理后，生成投入方向判断准确率为100％的20个个体。

其次，进行淘汰处理(步骤42)。就是说，用评价函数算出各个个体的评价值，选择评价值小的高位一半个体，将其它个体废弃。因此选择了10个个体。

其次，从在步骤42选择的个体中任意选择两个个体，在所选择的个体之间进行交替(步骤43)。通过进行10次这样的交替，生成20个新的个体集团。作为交替例如采用同样的交替。

此后，选择一个个体，使其发生突然变异(步骤44)。就是说，使所选择的个体的任意的遗传子的值反转。

其次，将随机数附加在预先准备的分析用纸币数据中，生成限制条件检查用数据(步骤45)。在该例中，对40张纸币准备了4个投入方向的输入波形，作为分析用纸币数据。然后，将随机数附加在各分析用纸币数据中，生成限制条件检查用数据。

就是说，如图10所示，对分析用纸币数据c的各特征量读取位置的检测值发生规定范围内的随机数δ，通过将所发生的随机数δ加在该检测值上，生成限制条件检查用数据d。

此后，用在步骤45中生成的限制条件检查用数据，对通过上述步骤43、44的处理获得的20个个体分别进行是否满足限制条件的检查(步骤46)。就是说，用全部限制条件检查用数据对每个个体进行纸币投入方向的判断。然后，对每个个体算出投入方向判断准确率(％)。将投入方向判断准确率不为100％的个体废弃。

在投入方向判断准确率不为100％的个体即使存在一个的情况下(步骤47中为否)，返回步骤43，从剩余的个体通过交替生成与被废弃的个体数相当数的个体。然后，进行步骤44～47的处理。

通过反复进行步骤44～47的处理，如果全部个体的投入方向判断准确率变为100％(步骤47中为是)，判断是否进行了预定的次数例如1000次的世代交替(步骤48)。在未进行预定的世代数的世代交替的情况下，返回步骤42，再次进行步骤42以后的处理。

在步骤48中，在断定已进行了预定的世代数的世代交替的情况下，结束处理。然后，从剩余的个体选择一个个体，所选择的个体的遗传子中与值“1”对应的特征量读取位置被确定为运算对象点。

下面说明实验结果。用40张×4方向的分析用纸币数据，使20种初始集团进行到1000世代。然后，用与分析用纸币数据不同的1000张×4方向的评价用纸币数据，对每100世代算出了投入方向判断准确率。

图11示出了采用GA进行了最佳化的运算对象点数的平均值和投入方向判断准确率的平均值。

图11中的曲线e表示象上述实施形态那样，将上限为4个随机数附加在预先准备的分析用纸币数据中，生成限制条件检查用数据时的实验结果。图11中的曲线f表示在预先准备的分析用纸币数据中未附加随机数，而将预先准备的分析用纸币数据仍作为限制条件检查用数据使用时的实验结果。

越是用未将随机数附加在预先准备的分析用纸币数据中的GA进行世代交替，投入方向判断准确率越下降。这可以认为探索到了与分析用纸币数据相关的通用性低的解的结果。与此相反，用上述实施形态中所述的方法即使进行世代交替，也显示出了较高的投入方向判断准确率。这可以认为探索到了通用性高的解的结果。另外，为了获得通用性高的解，可以考虑增加分析用纸币数据的数量，但如果增加分析用纸币数据的数量，就会使探索时间延长。

另外，表1示出了使用8位的微机，用上述实施形态中获得的5点的运算对象点进行投入方向判断处理时，以及用连续的100点的运算对象点进行投入方向判断处理时两者的处理时间的比较结果。从该表可知，用上述实施形态中所述的方法进行投入方向判断处理时，与不减少累计对象的情况相比，能大幅度地减少运算时间。

                               表1

	准确率	运算处理时间
			用本方法获得的5点运算对象点进行的方向判断	100％	20msec
用100点的运算对象点进行的方向判断	100％	100msec

在上述实施形态中，为了提高投入方向判断准确度，将随机数附加在预先准备的分析用纸币数据中，生成限制条件检查用数据，但也可以不将随机数附加在预先准备的分析用纸币数据中，而将预先准备的分析用纸币数据直接用作限制条件检查用数据。

另外，在上述实施形态中，将与被确定为累计对象的特征量读取位置的检查值和预先准备的4个投入方向的投入方向基准信号的差分分散值对应的值为最小的方向断定为投入方向，但也可以将被确定为累计对象的特征量读取位置的检查值和预先准备的4个投入方向的投入方向基准信号之差的二次方的总和、差的绝对值之和等的统计量为最小的方向断定为投入方向。

[5]输送偏移修正处理的说明

图12表示图3中的步骤7的输送偏移修正处理的详细程序。

输送偏移修正处理根据对该纸币沿基准投入方向投入时对应的4种输入波形进行。

首先，设定偏移幅度K(步骤51)。偏移幅度K被设定为在输送方向产生的最小偏移幅度至最大偏移幅度之间的值。最初被设定为最小偏移幅度。

在输送方向生成只使输入波形错开设定的偏移幅度K的波形(偏移幅度计算用波形)(步骤52)。就是说，如图13所示，在输送方向生成只使输入波形a错开偏移幅度K的波形c。

其次，根据获得的波形c，如后文所述进行处理，抽出预先选择的多个位置(运算对象位置)的数据(步骤53)。然后，如图14所示，算出被抽出的各位置的数据和与预先准备的基准波形b对应的位置的数据之差的绝对值的总和(以下称绝对值和)(步骤54)。

如果此次算出的绝对值和小于到此为止算出的绝对值和的最小值，便将该绝对值和作为绝对值和的最小值存储起来，同时存储偏移幅度K的值(步骤55)。输送偏移修正处理开始后，最初算出绝对值和后，将该算得的值作为绝对值和的最小值存储起来。

其次，判断所设定的偏移幅度K是否是最大值(步骤56)。在所设定的偏移幅度K不是最大值Kmax的情况下，偏移幅度K被更新为大出规定值ΔK的大的值之后(步骤57)，返回步骤52。这样处理后反复进行步骤52～57的处理，在对最大的偏移幅度K进行步骤52～55的处理后，在步骤56变为是，转移到步骤58。在步骤58中，使该输入波形错开在步骤55中最后存储的偏移幅度K。于是，输入波形相对于基准波形在纸币输送方向上的偏移被修正。

在上述步骤54中，算出被抽出的各位置的数据值和预先准备的基准波形b对应的数据值之差的绝对值和，但也可以算出被抽出的各位置的数据值和预先准备的基准波形b对应的数据值之差的二次方的总和(以下称差分二次方和)。在此情况下，在上述步骤55中，如果差分二次方和小于到此为止算出的差分二次方和的最小值，便将该差分二次方和作为差分二次方和的最小值存储起来，同时存储偏移幅度K的值。

图15示出了在步骤53中求应抽出数据的位置(运算对象位置)的方法。

首先，设定偏移幅度K(步骤61)。偏移幅度K被设定为在输送方向产生的最小偏移幅度至最大偏移幅度之间的值。最初被设定为最小偏移幅度。

在输送方向生成使以无污浊和破损的真券纸币为依据作成的基准波形错开设定的偏移幅度K的波形(步骤62)。其次，算出并存储所获得的波形和基准波形在各位置的差的绝对值(步骤63)。

其次，判断所设定的偏移幅度K是否是最大值Kmax(步骤64)。在所设定的偏移幅度K不是最大值的情况下，偏移幅度K被更新为大出规定值ΔK的大的值之后(步骤65)，返回步骤62。这样处理后反复进行步骤62～65的处理，在对最大的偏移幅度K进行步骤62～63的处理后，在步骤64变为是，转移到步骤66。

在步骤66中，求出到此为止求出的差(绝对值)中的最小值，作为各位置的最小值存储起来。然后，从最小值大者开始，按照顺序从各位置中选择规定数的位置(步骤67)。所选择的位置在图12中的步骤53中被作为应抽出数据的位置用。

[6]第一精判断处理的说明

根据进行过输送偏移修正处理后的4种输入波形中相对于线路L1的以红外光为依据的输入波形和相对于线路L2的以红外光为依据的输入波形，进行第一精判断处理。

由于按照相对于线路L1的以红外光为依据的输入波形进行的判断处理和按照相对于线路L2的以红外光为依据的输入波形进行的判断处理是同样的处理，所以只说明根据相对于线路L1的以红外光为依据的输入波形进行的第一精判断处理。

首先说明第一精判断处理的考虑方法。纸币上的污浊在纸币的各部分不一样。因此，预先生成真券纸币沿基准方向投入后由假定情况下的线路L1上的各部分的污浊、皱纹等引起的变化成分的预测模型(以下简称污浊成分的预测模型)。

根据进行过输送偏移修正处理后的相对于线路L1的以红外光为依据的输入波形，取出检查对象纸币在线路L1上的不规则成分。

根据从检查对象纸币求得的线路L1上的不规则成分和线路L1上的污浊成分的预测模型，预测检查对象纸币在线路L1上的污浊成分。将从检查对象纸币求得的线路L1上的不规则成分的分布和检查对象纸币在线路L1上的污浊成分的预测分布进行比较，求出与预测误差有关的值。然后，如果求得的与预测误差有关的值超过了规定范围，则断定该纸币是假券。

图16示出了污浊成分的预测模型的生成处理程序。说明纸币沿基准方向投入后生成假定情况下的与线路L1对应的污浊成分的预测模型的情况。

首先，如图17所示，分别对多张实际使用的真券纸币(以下称样品纸币)作成表示红外光相对于线路L1上的各位置的透过量的关系的输入波形(步骤71)。

根据各样品纸币的输入波形，作成图18所示的一个基准波形(步骤72)。例如通过算出各样品纸币的输入波形的对应位置的平均值，求得该基准波形的各位置的数据。

其次，如图19所示，通过对各样品纸币的输入波形算出与基准波形的差，对每张样品纸币生成污浊、皱纹等的变化成分的分布(步骤73)。

其次，通过将每张样品纸币的变化成分的分布按时间序列排列，生成图20所示的学习数据(步骤74)。

其次，根据学习数据生成与线路L1对应的污浊成分的预测模型(步骤75)。

就是说，首先将学习数据看成周期性的时间序列信号，生成下式(4)所示的自行回归模型(污浊成分的预测模型)。

X(n)＝a₁·X(n-1)+a₂·X(n-2)+…+a_p·X(n-p)    ……(4)

在上述式(4)中，X(n)表示现在时刻的污浊，X(n-1)～X(n-p)表示过去时刻的污浊。另外，预测系数a₁～a_p例如由最小二乘法决定，以便使预测精度最高。

另外，按同样的方法生成纸币对应于线路L2的污浊成分的预测模型。

图21表示第一精判断处理程序。

下面说明根据进行过输送偏移修正处理后的相对于线路L1的以红外光为依据的输入波形进行的第一精判断处理。

首先，通过算出图22所示的进行过输送偏移修正处理后的相对于线路L1的以红外光为依据的输入波形和图18所示的基准波形的差，生成图23所示的不规则成分的分布(步骤81)。

根据从检查对象纸币求得的线路L1上的不规则成分和线路L1污浊的预测模型，预测检查对象纸币的线路L1上的污浊成分(步骤82)。就是说，通过将不规则成分的数据中的X(n-1)、X(n-2)、…X(n-p)代入上式(4)，获得检查对象纸币的线路L1上某时刻(某位置)的污浊成分X(n)。于是，如图24所示，获得检查对象纸币的线路L1上的污浊成分的预测分布。

对从检查对象纸币求得的线路L1上的不规则成分的分布和检查对象纸币的线路L1上的污浊成分的预测分布进行比较，求出预测误差的二次方的总和(与预测误差有关的值)(步骤83)。就是说，求得线路L1上的不规则成分的分布和检查对象纸币的污浊成分的预测分布的各部分的差的二次方的总和。然后，通过比较所求得的与预测误差有关的值和预定的规定范围，进行真假判断(步骤84)。如果所求得的与预测误差有关的值超过了规定范围，则断定该纸币是假券。

也可以使用图25所示的由神经元网络产生的预测模型代替自回归模型。众所周知，神经元网络由输入层201、中间层202及输出层203构成。

根据在上述步骤74获得的学习数据进行该神经元网络的学习。就是说，将过去时刻的数据X(n-1)、X(n-2)、…X(n-p)作为输入图形，将现在时刻的数据X(n)作为教师数据，进行神经元网络的学习。

然后，通过将在上述步骤81生成的不规则成分的分布中的某现在时刻n的过去时刻的数据X(n-1)、X(n-2)、…X(n-p)输入学习后的神经元网络，从神经元网络输出现在时刻n的数据X(n)。

也可以用重新回归模型作为纸币的污浊成分的预测模型。

在使用重新回归模型作为纸币的污浊成分的预测模型的情况下，纸币上的某位置的污浊Z例如可用下式(5)表示。

Z＝a₁·Y₁+a₂·Y₂+a₃·Y₃+a₄·Y₄    ……(5)

在上式(5)中，Y₁是表示成为对象的数据的位置的变化量，Y₂是表示透过量数据的离散的变化量，Y₃是表示油墨浓度的变化量，Y₄是表示纸的劣化度的变化量。另外，a₁、a₂、a₃、a₄是加权系数，可以根据从多个真券纸币(样品纸币)获得的变化量Y₁、Y₂、Y₃、Y₄，预先求得。

然后，通过将从检查对象纸币获得的变化量Y₁、Y₂、Y₃、Y₄代入式(5)，算出检查对象纸币上的各位置的污浊X。

这时，例如能从与取入纸币时的输送电机连接的编码器获得表示数据的位置的变化量Y₁。

作为表示数据的离散的变化量Y₂，可以使用例如从检查对象纸币获得的透过量的输入波形和从多个样品纸币获得的一个透过量的基准波形(例如图18所示的基准波形)之差的分散值disp。设各位置的输入波形和基准波形之差为di(i＝1、2、3…n)，这些差di的平均值为*d，则该分散值disp可由下式(6)求得。

$\mathrm{disp}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(\mathrm{di}-*d)}^2}{n-1}\·\·\·\·\left(6\right)$

另外，作为表示油墨的浓度的变化量Y₃，可以使用例如检查对象纸币的油墨的浓度的检测波形和从多个样品纸币求得的油墨的浓度的基准波形之差的分散值ink。就是说，如果分散值ink大，黑白之差就大，断定油墨浓。如果分散值ink小，黑白之差就小，断定油墨淡。设各位置的油墨浓度的检测值和油墨浓度的基准值之差为ei(i＝1、2、3…n)，这些差ei的平均值为*e，则该分散值ink可由下式(7)求得。

$\mathrm{ink}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(\mathrm{ei}-*e)}^2}{n-1}\·\·\·\·\left(7\right)$

另外，作为表示纸的劣化度的变化量Y₄，可以使用例如检查对象纸币的白地部分的透过率的检测值和从多个样品纸币求得的白地部分的透过率的基准值之差的平均值*f。设检查对象纸币的白地部分的各位置的透过率为Qi，真券纸币的白地部分的各位置的透过率的基准值为Si(i＝1、2、3…n)，则该平均值*f可由下式(8)求得。

$*f=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(\mathrm{Qi}-\mathrm{Si})}^2}{n-1}\·\·\·\left(8\right)$

另外，也可以用由神经元网络产生的预测模型代替上述重新回归模型。就是说，将从多个样品纸币获得的各位置的变化量Y₁、Y₂、Y₃、Y₄作为输入图形，将从多个样品纸币获得的各位置的污浊作为教师数据，进行神经元网络的学习。

然后，通过将从检查对象纸币获得的各位置的变化量Y₁、Y₂、Y₃、Y₄输入学习后的神经元网络，从神经元网络输出各位置的污浊Z。

[7]第二精判断处理的说明

根据进行过输送偏移修正处理后的4种输入波形中相对于线路L1的以红色光为依据的输入波形和相对于线路L2的以红色光为依据的输入波形，进行第二精判断处理。而且，只有在用相对于线路L1的以红色光为依据的输入波形进行的判断处理和用相对于线路L2的以红色光为依据的输入波形进行的判断处理这两者中，都将检查对象纸币断定为真券的情况下，才能断定该检查对象纸币是真券。就是说，图3的步骤11中变为否。

由于按照相对于线路L1的以红色光为依据的输入波形进行的判断处理和按照相对于线路L2的以红色光为依据的输入波形进行的判断处理是同样的处理，所以只说明根据相对于线路L1的以红色光为依据的输入波形进行的判断处理。

图26表示图3中的步骤10的第二精判断处理的详细程序。

对多个真券纸币(样品纸币)用红色光生成相对于线路L1的输入波形，根据这些输入波形预先生成一个基准波形。另外，利用后文所述的方法，预先准备表示成为线路L1上的运算对象的特征量读取位置的掩码。在该例中，如图27及图28所示，假定准备了两种掩码101、102。在图27及图28中，掩码101、102的各格对应于线路L1上的各特征量读取位置。而且记有“1”的格表示该位置是运算对象点，记有“0”的格表示该位置不是运算对象点。

进行使用第一掩码101的匹配处理(步骤91)。就是说，对用第一掩码101表示的成为运算对象的每个特征量读取位置，求出相对于线路L1的以红色光为依据的输入波形和相对于线路L1的基准波形之差，算出这些差的二次方的总和(以下称差分二次方和)。

然后，判断所获得的差分二次方和是否在预定的规定值以下(步骤92)。在获得的差分二次方和比预定的规定值大的情况下(步骤92中为是)，该检查对象纸币被断定为假券(步骤95)。因此，这时图3中的步骤11变为是。

在所获得的差分二次方和在预定的规定值以下的情况下(步骤92中为否)，进行使用第二掩码102的匹配处理(步骤93)。就是说，对用第二掩码102表示的成为运算对象的每个特征量读取位置，求出相对于线路L1的以红色光为依据的输入波形和相对于线路L1的基准波形之差，算出这些差的二次方的总和(以下称差分二次方和)。

然后，判断所获得的差分二次方和是否在预定的规定值以下(步骤94)。在获得的差分二次方和比预定的规定值大的情况下(步骤94中为是)，该检查对象纸币被断定为假券(步骤95)。因此，这时图3中的步骤11变为是。

在所获得的差分二次方和在预定的规定值以下的情况下(步骤94中为否)，该检查对象纸币被断定为真券(步骤96)。

说明掩码的生成方法。通过用遗传算法(以下称GA)进行的最佳化处理，进行掩码的生成。

如在纸币的投入方向判别处理中所述，如图8所示表示个体。个体具有与各特征量读取位置对应的遗传子，各遗传子取“0”或“1”的值。这里，“0”表示不将与该遗传子对应的读取位置的检测值作为运算对象点，“1”表示将与该遗传子对应的读取位置的检测值作为运算对象点。

在该例中，准备多张真券纸币的输入波形作为真券的分析用纸币数据，准备多张假券纸币的输入波形作为假券的分析用纸币数据。

图29表示某个个体的各分析用纸币数据和基准波形之差的二次方的总和(差分二次方和)、以及该个体的各真券的分析用纸币数据和基准波形之差的二次方总和的分布曲线S。

通过对各分析用纸币数据进行如下的运算，作成某一个体的各分析用纸币数据和基准波形的差分二次方和。就是说，对用某个个体表示的每个运算对象点，求出分析用纸币数据和基准波形之差，求得这些差的二次方的总和。

在图29中，方形掩码表示各真券的分析用纸币数据的差分二次方和，三角形掩码表示各假券的分析用纸币数据的差分二次方和。

根据用下式(9)表示的距离尺寸R，进行个体的评价。

$R=\frac{F_{\min }-\mathrm{\μ}}{\mathrm{\σ}}\·\·\·\·\left(9\right)$

在式(9)中，R是距离尺寸。Fmin表示各假券的分析用纸币数据的差分二次方和中的最小值。μ表示真券的分析用纸币数据的差分二次方和的分布的平均值。另外，σ表示真券的分析用纸币数据的差分二次方和的分布的标准偏差。

图30表示按照GA进行的最佳化处理程序。

首先，作成初始集团(步骤101)。就是说，利用随机数作成预先设定的数的个体。但是，使所作成的各个个体的运算对象点的数在10个点以内。然后，用全部分析用纸币数据，对利用随机数作成的个体算出距离尺寸R。然后，从距离尺寸R大的开始，依次生成20个个体。

其次，进行淘汰处理(步骤102)。就是说，算出各个个体的距离尺寸R，选择距离尺寸R大的高位的一半个体，而将其它个体废弃。从而选择出10个个体。

其次，从在步骤102选择的个体中任意选择两个个体，可在所选择的个体之间进行交替(步骤103)。通过进行10次这样的交替，生成20个新的个体集团。作为交替，例如可以采用同样的交替方法。

此后，选择一个个体，使其发生突然变异(步骤104)。就是说，使所选择的个体的任意的遗传子的值反转。

其次，对通过上述步骤103、104的处理获得的20个个体分别进行是否满足限制条件的检查(步骤105)。就是说，对每个个体检查运算对象点的数是否在10点以内。然后，将运算对象点的数超过10点的个体废弃。

在不满足限制条件的个体即使存在一个的情况下(步骤106中为否)，返回步骤103，从剩余的个体中通过交替生成相当于被废弃的个体数的个体。然后，进行步骤104～106的处理。

通过反复进行步骤104～106的处理，如果全部个体满足了限制条件(步骤106中为是)，判断是否进行了预定次数例如300次的世代数的世代交替(步骤107)。在未进行预定的世代数的世代交替的情况下，返回步骤102，再次进行步骤102以后的处理。

在步骤107中，在断定进行了预定的世代数的世代交替的情况下，结束处理。

然后，从剩余的个体中选择两个距离尺寸R大的个体。生成与所选择的两个个体对应的掩码，将其中的一个作为第一掩码，将另一个作为第二掩码。

另外，在上述第二精判断处理中，用两个掩码进行两个阶段的匹配处理，但也可以用三个以上掩码进行三个阶段以上的匹配处理。另外，还可以用一个掩码只进行一个阶段的匹配处理。

在上述实施形态中，根据以红外光为依据的输入波形进行第一精判断处理，根据以红色光为依据的输入波形进行第二精判断处理，但也可以根据以红色光为依据的输入波形进行第一精判断处理，根据以红外光为依据的输入波形进行第二精判断处理。另外，还可以都根据以红外光为依据的输入波形进行第一精判断处理及第二精判断处理。或者，也可以都根据以红色光为依据的输入波形进行第一精判断处理及第二精判断处理。

工业上利用的可能性

本发明的纸券类的真假判断方法及纸券类的投入方向判别方法在兑换机、各种自动售货机等中判断被投入的纸币的真假时有用。

Claims (6)

1.一种纸券类的真假判断方法，包括以下步骤：

对作为检查对象的纸券类进行第一真假判断处理的步骤；

在第一真假判断处理中，只有当作为检查对象的纸券类被断定不是假券时，才对作为检查对象的纸券类进行第二真假判断处理的步骤；以及

在第二真假判断处理中，只有当作为检查对象的纸券类被断定不是假券时，才断定作为检查对象的纸券类是真券的步骤，

第一真假判断处理包括以下三个步骤：

根据从作为检查对象的纸券类上的多个位置读取的纸券类的特征量和对所述多个位置预先求得的基准数据，抽出纸券类的每个特征量的不规则成分的第一步骤；

根据所抽出的每个特征量的不规则成分和预定的污浊成分的预定模型，推测作为所述检查对象的纸券类上的所述多个位置中的每个位置的污浊成分的第二步骤；以及

根据所推测的污浊成分和所抽出的不规则成分，判断作为检查对象的纸券类的真假的第三步骤，

第二真假判断处理包括以下两个步骤：

根据从作为所述检查对象的纸券类上的多个位置读取的纸券类的特征量和对所述多个位置预先求得的第二基准数据中适当地进行预先判断选择的多个计算对象位置的特征量及第二基准数据，算出特征量和第二基准数据的匹配度的第四步骤；以及

根据算出的匹配度，判断作为检查对象的纸券类的真假的第五步骤。

2.根据权利要求1所述的纸券类的真假判断方法，其特征在于：

所述第一步骤中用的基准数据根据从多个真券纸券类上的多个位置读取的纸券类的特征量生成，

所述第二步骤中用的污浊成分的预测模型根据从多个真券纸券类上的多个位置读取的纸券类的特征量和所述基准数据生成，

所述第三步骤包括：根据所推测的污浊成分和所抽出的不规则成分，算出与预测误差相关的值的步骤；以及当与所算出的预测误差相关的值比预定的规定值大时，便断定作为检查对象的纸券类是假券，当与所算出的预测误差相关的值在预定的规定值以下时，便断定作为检查对象的纸券类不是假券的步骤。

3.根据权利要求1或2所述的纸券类的真假判断方法，其特征在于：

所述第四步骤中用的多个运算对象位置通过按照遗传算法进行的最佳化处理求得。

4.一种纸券类的真假判断方法，包括以下步骤：

根据从作为检查对象的纸券类上的多个位置读取的纸券类的特征量和对所述多个位置预先求得的基准数据，抽出纸券类的每个特征量的不规则成分的第一步骤；

根据所抽出的每个特征量的不规则成分和预定的污浊成分的预测模型，推测作为所述检查对象的纸券类上的所述多个位置中的每个位置的污浊成分的第二步骤；以及

根据所推测的污浊成分和所抽出的不规则成分，判断作为检查对象的纸券类的真假的第三步骤。

5.根据权利要求4所述的纸券类的真假判断方法，其特征在于：

所述第一步骤中用的基准数据根据从多个真券纸券类上的多个位置读取的纸券类的特征量生成，

所述第二步骤中用的污浊成分的预测模型根据从多个真券纸券类上的多个位置读取的纸券类的特征量和所述基准数据生成，

所述第三步骤包括：根据所推测的污浊成分和所抽出的不规则成分，算出与预测误差相关的值的步骤；以及当与所算出的预测误差相关的值比预定的规定值大时，便断定作为检查对象的纸券类是假券，当与所算出的预测误差相关的值在预定的规定值以下时，便断定作为检查对象的纸券类不是假券的步骤。

6.根据权利要求5所述的纸券类的真假判断方法，其特征在于：

所述污浊成分的预测模型为从多个真券纸券类上的多个位置读取的纸券类的特征量和对应于所述基准数据的位置的数据的差分数据，按照时间序列排列的数据组求得的自行回归模型。

Images