DE69531883T2

DE69531883T2 - Mustererkennung durch artifizielles neuronales Netzwerk für Münzprüfung

Info

Publication number: DE69531883T2
Application number: DE69531883T
Authority: DE
Inventors: Chuanming St. Louis Wang; Mark H. St. Louis Leibu
Original assignee: Coin Acceptors Inc
Current assignee: Coin Acceptors Inc
Priority date: 1994-07-12
Filing date: 1995-07-12
Publication date: 2004-09-02
Anticipated expiration: 2015-07-13
Also published as: EP0692773A3; AU696711B2; CA2153637A1; ES2208662T3; DE69531883D1; US5485908A; EP0692773A2; CA2153637C; AU2503395A; EP0692773B1

Description

Die vorliegende Erfindung bezieht sich auf ein Münzvalidationssystem.
Geräte zum Erkennen, Identifizieren und Validieren von Gegenständen wie Münzen werden in weitem Maße in Münz-Annahme und Münz-Abreißmechanismen verwendet; viele dieser Geräte existieren und werden auf regulärer Basis verwendet. Solche Geräte erfassen oder fühlen die Münze oder einen anderen Gegenstand, während sie/er sich an einer Sensorstation vorbeibewegt, und sie benutzen diese Information in einem Gerät wie einem Mikroprozessor oder dgl., um die Echtheit, Identität und Gültigkeit jeder Münze festzustellen.
Aus der GB 2 174 227 A ist ein Münzprüfer bekannt, mit einem abwärts gerichteten Münz-Laufweg, längs dessen ein elektrostatischer oder optischer Münz-Durchmessersensor, ein elektrostatischer oder optischer Münz-Dickesensor und ein induktiver Sensor zur Bestimmung des Materials, aus dem die Münze besteht, angeordnet sind. Die Ausgangssignale der Sensoren werden durch einen Mikroprozessor verarbeitet und mit gespeicherten Werten verglichen, die für annehmbare Münzen repräsentativ sind. Ein ein Annahmegate betätigender Elektromagnet wird erregt, wenn die Münze annehmbar ist. Ein weiteres Münz-Prüf- und -Sortiergerät ist aus GB 2 271 659 A bekannt.
Bei diesem Münz-Prüf- und -Sortiergerät läuft eine Münze zwischen zwei einen Kondensator bildenden leitfähigen Platten hindurch; dieser Kondensator ist Teil der Frequenz-Steuerkapazität eines LC-abgestimmten Oszillatorkreises. Die Gegenwart einer Münze 1 zwischen den leitfähigen Platten ändert die Kapazität und damit die Ausgangsfrequenz der Schaltung. Das Ausgangssignal des Oszillators wird dem Taktgeber eines Zählers zugeführt. Der Zähler zählt die Anzahl der innerhalb einer Zeit von 10 ms erhaltenen Taktimpulse. Der Zählerwert wird über ein Schieberegister einem Mikroprozessor zugeführt. Der Zählwert ist ein Maß der Frequenz des Ausgangssignals des Oszillators. Ein Mikroprozessor subtrahiert den Zählwert von einem vorgespeicherten Bezugswert und führt die Differenz einer in einem Speicher gespeicherten Tabelle zu. Der Mikroprozessor wendet das Ausgangssignal der Tabelle zur Feststellung, ob eine gültige Münze empfangen wurde und, falls ja, ihren Wert. Der vorgespeicherte Bezugswert stellt die Frequenz des Ausgangssignals des Oszillators dar, wenn keine Münze vorhanden ist. Während keine Münze vorhanden ist, überwacht der Mikroprozessor die vom Zähler erhaltenen Zählwerte und aktualisiert den gespeicherten Bezugswert, so dass er die Frequenzdrift des Oszillators verfolgt.
Aus der GB 2 271 875 A ist ein Münz-Prüfsystem bekannt, das dem der GB 2 271 659 A ähnelt, jedoch optional optische Sensoren zur Bestimmung des Münzdurchmessers enthält.
Aus der US 5,076, 414 ist ein Münz-Unterscheidungs- und -Zählgerät mit einem Lichtemitter bekannt, der in Linie in Richtung senkrecht zur Münz-Transportrichtung auf einer Seite einer Münzpassage mit Bezug auf die vertikale Richtung liegt, mit einer Sensorreihe, die gegenüber dem Lichtemitter auf der anderen Seite des Münzweges angeordnet ist, und mit einem Magnetsensor zur Erfassung der magnetischen Eigenschaften der Münzen. Der Magnetsensor ist so angeordnet, dass mit Bezug auf die vertikale Richtung der Münzdurchtritt und die Sensorreihe dazwischen liegt. Die Vorrichtung nach der US 5,076,414 enthält ferner einen optischen Datenspeicher zur Speicherung der von der Sensorreihe erfassten optischen Daten, einen magnetischen Datenspeicher zum Speichern vom Magnetsensor erfasster magnetischer Daten, einen Münzdurchmesser-Detektor zur Erfassung der Durchmesser der Münzen auf der Grundlage der im optischen Datenspeicher gespeicherten optischen Daten, einen Bezeichnungs-Diskrimenator zum Unterscheiden der Münzbezeichnung auf der Grundlage des vom Münzdurchmesser-Detektor erfassten Münzdurchmesser, ein Bezugs-Magnetdatenspeicher zum Speichern von Bezugs-Magnetdaten für die jeweiligen Bezeichnungen, einen Diskriminator zum Unterscheiden Benennungen, Währung und dgl. der Münzen durch Vergleich der erfassten Magnetdaten, wenn der mittlere Bereich der Münze den Magnetsensor passiert und zum Ausgeben vom Magnetdatenspeicher mit dem Bezugs-Magnetdatenausgang vom Bezugs-Magnetdatenspeicher, und einen Zähler zum Zählen des Wertes und/oder der Anzahl der Münzen auf der Grundlage der Ergebnisse der Unterscheidung in den Diskriminatoren.
Solche Münz-Validationsgeräte wie ferner aus der EP 0 367 921 A2 bekannte sind sehr erfolgreich bei der Erkennung, Identifizierung und Validierung von Münzen. Eine der Schwierigkeiten bei solchen Geräten ist aber die Gegenwart von Variationen der gleichen Münzart von Prägung zu Prägung und über die Zeit und andere Variablen einschließlich Abnutzung und Schmutz. Diese verursachen Änderungen, selbst kleine Änderungen in manchen Fällen und von einer zur anderen Münzart einschließlich bei Münzen der Vereinigten Staaten und ausländischen Münzen. Solche Änderungen oder Variationen können es schwierig, wenn nicht unmöglich machen, zwischen echten und gefälschten Münzen oder Prägungen zu unterscheiden, wo die Ähnlichkeiten verglichen mit den Unterschieden relativ wesentlich sind.
Die EP 0 560 023 A1 beschreibt eine Vorrichtung zur Klassifizierung eines Musters, insbesondere einer Banknote oder Münze. Die Vorrichtung enthält ein Aufzeichnungssystem für die metrologische Erfassung von Vektoren einer Probe, ein Vorbehandlungssystem zum Transformieren erfasster Vektoren in lokale Kennvektoren ALCi (1) und ein adaptives Klassifiziersystem zur Ausführung mehrerer Tests. Bei einer ersten Aktivität, einem ersten Test, wird jeder der lokalen Kennvektoren ALCi (1) mit einem eingestellten Vektorwert verglichen. Nur wenn dieser Test erfolgreich ist, werden bei der ersten Aktivität die lokalen Kennvektoren ALCi (1) zu globalen Kennvektoren AGIi kombiniert, und zwar unter Verwendung erster Schätzungen, die in einer Datenbank gespeichert sind. Bei einem zweiten Test, einer dritten Aktivität, werden die globalen Kennvektoren AGIi mit entsprechenden eingestellten Werten verglichen. Ist der zweite Test erfolgreich, wird ein einzelner globaler Ebenenvektor AGF berechnet, nach Mahalanobis zu einem geschätzten Ebenenvektor. Dieser Abstand wird bei einer vierten Aktivität mit einem eingestellten Wert in einem dritten Test verglichen. Die Probe wurde klassifiziert, wenn alle drei Tests erfolgreich durchgeführt wurden.
Die Verwendung eines künstlichen neuronalen Netzwerks (ANN) in einem Verfahren zur Klassifizierung einer Banknote wurde in der WO 94/12951 vorgeschlagen. Nach der WO 94/12951 wird in einem Verfahren zur Klassifizierung einer Banknote, die als k-dimensionaler Eigenschaftsvektor beschrieben wird, der durch einen vorbereitendes Verarbeitungssystem erzeugt wurde, eine Testprobe entweder einer von n Zielklassen zugeordnet oder als Fälschung klassifiziert. Für n Zielklassen werden n Erkennungseinheiten benutzt, wobei genau eine der n Zielklassen mittels einer Erkennungseinheit erkennbar ist, und zwar unter Verwendung eines für diese Klasse gebildeten Eigenschaftsvektors. Eine erkannte Zielklasse wird mittels einer Ausgabeeinheit zu einem Servicesystem übertragen. Dort werden mehrere kleine k-dimensionale Zielvektoren in einer Lernphase einer Zielklasse zugeordnet; sie werden während der Klassifizierung mit einem Eigenschaftsvektor verglichen. Die Erkennungseinheit ist ein künstliches neuronales Netzwerk, wobei ein Neuron den Eigenschaftsvektor mit einem der Zielvektoren vergleicht.
Die Verwendung eines ANN hat gegenüber anderen bekannten Geräten den Vorteil, dass seine Erkennungsparameter oder Fingerabdrücke, die anfänglich, bevor das Gerät in Betrieb gesetzt wird, für jeden Münzen-Nennwert aktualisiert werden. Mit anderen Worten, wenn jede neue Münze der gleichen oder einer unterschiedlichen Art sich an der in einem solchen ANN-Gerät verwendeten Erfassungseinrichtung vorbeibewegt, das über die Zeit für jede solche Münze gebildete Erkennungsmuster modifiziert oder aktualisiert werden kann, so dass jegliche Änderungen der Münzen, die über kurze oder selbst lange Zeiträume erfasst werden, selbst einstellend sind. Dies kann die Qualität der Erkennung, Identifikation und Gültigkeits-Beurteilung wesentlich verbessern, so dass es möglich wird, die Anzahl der Verluste zu vermindern, die bei Verkaufsautomaten angetroffen werden. Auch lässt sich die Anzahl gültiger Münzen erhöhen, die ein Verkaufsautomat akzeptiert.
Der Erfindung liegt die Aufgabe zugrunde, ein weiter verbessertes Münzvalidationssystem bereit zu stellen.
Diese Aufgabe wird erfindungsgemäß durch das im Anspruch 1 beanspruchte Münzvalidationssystem gelöst.
Bevorzugte und vorteilhafte Ausführungsformen des erfindungsgemäßen Münzvalidationssystems sind Gegenstand der Ansprüche 2 bis 18.
Beispiele bevorzugter Ausführungsformen des erfindungsgemäßen Münzvalidationssystems werden anhand der Zeichnung beschrieben. Es zeigen:
1 ein schematisches Blockschaltbild eines erfindungsgemäß aufgebauten Münzvalidationssystems,
2 eine Seitenansicht der Anordnung optischer und magnetischer Sensoren längs eines Münzweges zur Erzeugung von Signalen, die bestimmte Eigenschaften jeder vorbeilaufenden Münze darstellen,
3 im Diagramm Impulssignale, die von im Abstand voneinander angeordneten optischen Sensoren erzeugt werden, wenn ein Gegenstand wie eine Münze vorbeiläuft,
4 ein gedämpftes Sinussignal der von einem LC-Schwingkreis erzeugten Art,
5 ein schematisches Schaltbild einer durch eine Wechselspannungsquelle erregten Spule, wenn sich angrenzend zu ihr eine Münze befindet, wobei der Schaltkreis als Transformatorkreis mit einer angrenzend hierzu befindlichen Münze dargestellt ist,
6 eine Draufsicht mit verschiedenen einander überlappenden Entscheidungsregionen, die die durch verschiedene Klassifizierer-Ausführungsformen gebildeten Grenzen zeigen, wobei erfindungsgemäß die willkürliche und unregelmäßige Grenze benutzt wird,
7 eine Seitenansicht eines künstlichen Neurons, das eine biologische Nervenzelle simuliert,
8 ein zweischichtiges künstliches neuronales Netzwerk,
9 ein dreischichtiges künstliches neuronales Netzwerk mit einer " der Gewinner-nimmt-alles"- Ausgangsschicht,
10 ein Blocksachaltbild des ANN-Münzvalidationssystems mit der Darstellung des an die ANN-Validationsvorrichtung angeschlossenen Eigenschaftsvektor-Schaltung mit den Entscheidungs-Ausgängen, und
11 ein Blockschaltbild der erfindungsgemäßen Schaltung mit den entsprechenden Eintragungen auf den Schaltungsblöcken.
Multifrequenz-Verfahren
Der Begriff "Multifrequenz" bedeutet, dass das Testsignal bei verschiedenen Zeitintervallen mehr als eine Frequenzkomponente hat.
Beschreibung der bevorzugten Ausführungsformen
Im Folgenden wird nun auf die einzelnen Figuren Bezug genommen. In 1 sind mit 20 die in der vorliegenden Vorrichtung verwendeten Sensoren bezeichnet. Die Sensoren sind angrenzend an eine Münz-Laufbahn 21 angeordnet, längs der sich die zu erfassenden Münzen oder anderen Gegenstände bewegen. Der Aufbau der Sensoren 20 ist für die Erfindung wichtig und wird im Folgenden genauer beschrieben.
Die Ausgangssignale der Sensoren 20 umfassen typischerweise vier Signale unterschiedlicher Frequenz, die einer Vorverarbeitungsschaltung 22 zugeführt werden; deren Ausgangssignale werden einem Merkmal-Extraktionsalgorithmus 24 zugeführt, der auf die verschiedenen Merkmale der von den Sensoren erzeugten Signale anspricht. Die vom Merkmals-Extraktionsalgorithmus 24 erzeugten Ausgangssignale werden einer Cluster-Klassifiziereinrichtung 26 und einem Schalter 28 zugeführt, dessen gegenüberliegende Seite mit einer neuronalen Netzwerk-Klassifizierschaltung 30 verbunden ist. Die neuronal Netzwerk-Klassifizierschaltung 30 enthält Einrichtungen zur Erzeugung von Entscheidungs-Ausgangssignalen auf der Grundlage der empfangenen Eingangssignale.
Vom Ausgang der Cluster-Klassifiziereinrichtung 26 werden Signale einer Komparatorschaltung 32 zugeführt, die weitere Eingangssignale von einem ellipsoidförmigen Raster oder Bereich 33 empfängt. Die Ausgangssignale der Komparatorschaltung 33 werden dem Schalter 28 zur Zufuhr zum neuronalen Netzwerk-Klassifizierer 30 zugeführt. Der Komparator 32 erzeugt auf einer Leitung 34 Ausgangssignale, die die Gegenwart einer abgewiesenen Münze anzeigen. Dieser Zustand tritt ein, wenn die Komparatorschaltung 32 ein Vergleichssignal bestimmter Art erzeugt. Die am Ausgang 36 des neuronalen Netzwerk-Klassifiziers 30 erzeugten Entscheidungen werden weiter unten beschrieben.
Die in der vorliegenden Vorrichtung verwendeten Sensoren 20 sind in 2 schematisch gezeigt; sie umfassen zwei optische Sensoren 40 und 42, die längs der Münzbahn 21 in Abständen voneinander angeordnet sind, sowie zwei Magnetsensoren 46 und 48, die längs der Münzbahn 21 in Abständen voneinander angeordnet sind. Die optischen Sensoren 40 und 42 befinden sich in Laufrichtung oberhalb der Magnetsensoren 46 bzw. 48 und reagieren daher auf die Bewegung jeder Münze längs des Münzpfades 21 unmittelbar bevor die Münze den jeweiligen Magnetsensor 46 bzw. 48 erreicht. Die optischen Sensoren 40 und 42 überwachen die Münzspur 21 und erzeugen Impulssignale, wenn eine Münze ihren optischen Pfad sperrt oder freigibt. Die Impulssignale liefern eine Münzprofil-Größeninformation und synchronisieren die Schwingungen in den Magnetsensoren 46 und 48, so dass die Signale von den Spulen in den Magnetsensoren die Gegenwart einer Münze wiedergeben und Signale erzeugen, die gewisse Eigenschaften jeder Münze darstellen. Die Magnetsensoren können einen bekannten Aufbau haben; sie werden so gesteuert, dass sie in der vorliegenden Schaltung anders als in bekannten Schaltungen arbeiten. Z. B. enthält jeder der Magnetsensoren 46 und 48 zwei Spulen, die magnetisch so verbunden sind, dass sie einander unterstützen oder einander entgegenwirken. Bei Operation in gegenseitig unterstützender oder entgegengesetzter Weise schwingt jedes Spulenpaar bei seiner jeweiligen natürlichen Frequenz. Dies geschieht, wenn im Feld des jeweiligen Sensors der Gegenstand oder Münzen vorhanden sind. Hierbei wird eine magnetische Information über die Münze bereitgestellt. Die von den Sensoren 40 und 42 gesammelten Daten werden durch die Signal-Vorverarbeitungseinrichtung 22 verarbeitet. Eine Extraktion der hauptsächlichen und hervorragenden Information über die Münze erfolgt in der Merkmals-Extraktionsschaltung 24. Durch Kombination aller vorverarbeiteter Informationen wird ein Merkmalsvektor (FV) gebildet, der dann einer Hyper-Ellipsoidal-Klassifizierschaltung 26 zugeführt wird. Diese klassifiziert den Gegenstand oder die Münze entsprechend seiner/ihrer Benennung. Ist der Gegenstand oder die Münze durch seinen/ihren Wert nicht klassifizierbar, weil es sich um eine falsche Münze oder Prägung handelt, erzeugt die Klassifizierschaltung von einem Komparator 32 ein Ausgangssignal, das verwendet wird, um die Münze zurückzuweisen. Dies geschieht durch Erzeugung eines Signals auf der Leitung 34. Die Klassifikation der Münze erfolgt in der Vergleichseinrichtung 32, die das Ausgangssignal des Cluster-Klassifizierers 26 mit einem ellipsoidförmigen Ausgangssignal vergleicht, das auf einem anderen Eingang des Komparators 33 empfangen wird.
3 zeigt Beispiele der von den optischen Sensoren 40 und 42 erzeugten Impulssignale, wenn sich eine Münze längs der Münzspur 21 abwärts bewegt. Wenn der erste Impuls erzeugt wird, wird beginnend bei einer Zeit (t₀) ein Zeitgeber eingeschaltet; nachfolgend von den optischen Sensoren erzeugte Impulse unterbrechen den Zeitgeber zu den Zeitpunkten t₁, t₂ und t₃ (3). Die Interrupt-Signale zu den Zeiten t₁, t₂ und t₃ sind den Bewegungen des getesteten Gegenstandes zugeordnet und werden zur weiteren Verarbeitung verwendet, einschließlich zum Einschalter der Magnetsensoren 46 und 48 in besonderer Weise und zu bestimmten Zeiten, um bestimmte Ausgangssignale zu erzeugen. Die Signale von den optischen Sensoren und den Magnetsensoren werden in "Münzmerkmale" transformiert und für jede Münze in einem Münz-Merkmalsvektor (FV) gewandelt. Die Zeit und die magnetischen Merkmale der Signale werden durch "Spitzendetektor"-Schaltungen bearbeitet (11). Die Ausgangssignale des Spitzedetektors werden mittels eines Analog/Digital-Wandlers 52 in numerische Werte umgewandelt. Der "Zeitgeber" speichert die Zeitintervalle, während deren die optischen Elemente durch jede Münze abgedeckt sind; diese Werte stehen mit der Münzgröße in Beziehung und bilden eine Komponente des Münz-Merkmalvektors.
Der Münz-Merkmalsvektor wird dem ANN 30 zugeführt, der in der vorliegenden Vorrichtung ein dreischichtiges Netzwerk ist. Die erste Schicht, 7, 8 und 9, hat zwei Arten von Neuronen. Der erste Typ bewirkt eine ellipsoidale Bündelung, die einen Ausgangswert Eins oder Null abgibt, wenn sich das Merkmal außerhalb oder innerhalb des Ellipsoids befindet. Die anderen Neuronen sind vorwärts gekoppelte Empfangsneuronen. Sie bilden einen willkürlichen Entscheidungsbereich innerhalb des Ellipsoids. Das Ausgangssignal des Netzwerks ist ein einzelnes Neuron, das zuweilen als "Gewinner nimmt alles"-Neuron 56 bezeichnet wird. Dies ist in 9 gezeigt.
Allgemein gesprochen werden, um die Anzahl der digitsalisierten Datenpunkte auf eine handhabbare Anzahl zu reduzieren, nur die Spitzenwerte der gedämpften Sinuswelle gesammelt. Hierzu wird zur Ermittlung der Ableitung der Spannung (V₁) ein Differentiator 54 verwendet, und dieser triggert den A/D-Wandler 52 bei jedem Nulldurchgang des Ausgangssignals. Diese Art der Behandlung der Daten vereinfacht die Anzahl der zu berücksichtigenden Datenpunkte.
Die Signalvorverarbeitungseinrichtung 22, die die Ausgangssignale der Magnetsensoren 46 und 48 empfängt, kann redundantes und/oder irrelevantes Material enthalten. Die Signal-Vorverarbeitungseinrichtung 22 extrahiert außer den Signale möglichst viel dominante und hervorragende (Stern) Information; aus dieser Information bildet sie einen unterscheidenden Merkmalsvektor (FV), zum Zwecke der Klassifikation verwendet wird. Der Vorverarbeitungsschritt ist ein wichtiger Schritt zur Erhöhung der Effizienz der Klassifizieren 26 und 30. Die Information im Ausgangssignal der Signal-Vorverarbeitungseinrichtung 22 enthält mehrere Teile von Information einschließlich Information hinsichtlich Größe und magnetischen Eigenschaften des fraglichen Gegenstands oder der fraglichen Münze. Die Größeninformation wird hauptsächlich aus den optischen Signale gewonnen, die von den optischen Sensoren 40 und 42 erzeugt werden. Die Einrichtungen zur Messung des Abstands oder der Münzgröße können annehmen, dass sich die Münze mit konstanter Beschleunigung durch die Aufnahmeeinrichtung bewegt.
Das von den Schwingkreisen bei vorhandener Münze erzeugte gedämpfte Sinussignal enthält Information, die sich auf die magnetischen Eigenschaften der Münze bezieht, d. h. auf die Münzgröße, die Leitfähigkeit, Permeabilität und Eindringtiefe der Münze. Jedes gedämpfte sinusförmige Signal hat verschiedene wichtige Parameter, einschließlich der Parameter hinsichtlich Amplitude, Dämpfungsfaktor, Winkelfrequenz und Phasenwinkel. Bestimmte dieser Eigenschaften wie Amplitude und Phasenwinkel werden nicht nur durch den gerade getesteten Gegenstand, sondern auch durch den Anfangszustand des Schwingkreises bestimmt. Sie sind daher keine gute Merkmale wegen ihrer Veränderlichkeit infolge des Anfangszustands des Schwingkreises. Die anderen beiden Parameter, nämlich der Dämpfungsfaktor und die Winkelfrequenz, sind nur abhängig von den Bausteinen des Schwingkreises und sind im Merkmalsvektor (FV) enthalten. Vorzugsweise werden, wenn möglich, fundamentale Merkmale gewählt, die direkter auf den getesteten Gegenstand oder die getestete Münze bezogen sind. Diese Merkmale werden aus dem Ausgangssignal der Magnetsensoren extrahiert. Die Magnetsensoren können subtile Änderungen im Metallmaterial der Münze oder eines anderen getesteten Gegenstandes erfassen.
5 zeigt, wie zwei einen Sekundärkreis bildende Metallobjekte, z. B. Münzen, im Modell als Sekundärkreis in einer transformatorartigen Situation klargestellt werden können, so dass jede ihre eigene Induktivität L2 und ihren eigenen Reihenwiderstand R2 hat. M₁₂ ist die Gegeninduktivität zwischen den Spulen L₁ und L₂, k ist der Koppelkoeffizient zwischen den beiden Spulen. In der Schaltung der 5 sind L₁ und R₁ Konstanten in einer bestimmten Validationseinheit; sie können als Luftparameter aufgefasst werden, wenn kein Gegenstand oder keine Münze an der Spule vorhanden ist. Dagegen beziehen sich L₂ und R₂ auf die Münze und sind abhängig von den Materialeigenschaften der getesteten Münze. Jede Differenz im Material der Münze verändert direkt und unmittelbar L₂ und R₂, und diese Unterschiede zeigen sich in den Ausgangssignalen der Magnetsensoren, wenn sich die Münze vorbeibewegt. Die Münze bildet daher einen Sekundärkreis mit eigener Induktivität und eigenem Widerstand, wie in 5 gezeigt. Induktivität und Widerstand jedes Schwingkreises sind in einer bestimmten Einheit konstant und bekannt, wenn kein Gegenstand vorhanden ist. Dies bedeutet, dass sich selbst kleine Änderungen von L und R im Merkmalsvektor (FV) bemerkbar machen. Wenn ein Schwingkreis angeregt wird, hängt die Form des gedämpften Sinussignals ab von der Kapazität, der Induktivität und dem äquivalenten Widerstand der Spule. Der Dämpfungsfaktor und die Winkelfrequenz können mathematisch bestimmt werden, wenn der Wert der Kapazität, der Induktivität und des Widerstandes bekannt sind. Diese Werte sind jedoch unbekannt. Zur Abschätzung dieser Parameter werden daher gauszsche kleinste quadratische Mittel verwendet.
In einer typischen Anwendung werden die Schwingkreise, wenn ein Gegenstand oder eine Münze vorhanden sind, vier Mal aktiviert. Dies bedeutet, dass auf der Basis unterschiedlicher Schwingkreis-Merkmale oder Kombinationen vier Änderungen des Widerstandes und der Induktivität erzeugt und aufgenommen werden. Dies basiert auch auf den Dämpfungsfaktoren und den Frequenzen der jeweiligen Schwingkreise. Diese Widerstands- und Induktivitätsänderungen der Seiten der erzeugten Signale bilden den Merkmalsvektor (FV) für jeden getesteten Gegenstand oder jede getestete Münze. Somit hat jeder Gegenstand oder jede Münze ihren eigenen Merkmalsvektor und der Merkmalsvektor repräsentiert unterscheidbar eine bestimmten Münze.
Der Cluster-Klassifizierer 26 und der neurale Netzwerk-Klassifizierer 30 sind so aufgebaut, dass eine optimale Trennung eines Merkmalraums S in c Bereiche, die hier als Entscheidungsbereiche bezeichnet werden, gesucht wird, worin c die Anzahl der Klassen oder Entscheidungsbereiche im Merkmalsraum ist. Der Klassifizieren sollte in der Lage sein, im Merkmalsraum (S) einem Merkmalsvektor (FV) ein Klassen-Label zuzuordnen. Der Klassifiziereraufbau kann in zwei Kategorien unterteilt werden, von denen eine überwacht und die andere unüberwacht lernt. Bei der vorliegenden Münz-Validationseinrichtung wird überwachtes Lernen angewandt, weil die mit einem Label bezeichneten Proben zugänglich sind, jeweils eine für jeden unterschiedlichen Münzwert. Es gibt zwei Arten von Entscheidungsbereichen in einem Münz-Merkmalsraum (S), die einen sind Akzeptanzbereiche und die anderen Zurückweisungsbereiche. Fällt ein Merkmalsvektor (FV) in einen der Akzeptanzbereiche, wird der zugehörige Gegenstand als Münze klassifiziert, ansonsten wird er zurückgewiesen. Der Zurückweisungsbereich erstreckt sich mit Ausnahme einer Anzahl kleiner Akzeptanzbereiche fast über den gesamten Merkmalsraum.
6 zeigt einen dreidimensionalen Entscheidungsbereich. Ein elliptischer Cluster bildet einen halbregelmäßigen Trennbereich mit abrupten Grenzen in einem Merkmalsraum (S), während ein neuronales Netzwerk andererseits einen willkürlichen und unregelmäßigen Entscheidungsbereich in der Ellipse bildet. Eine elliptische Grenze ist im allgemeinen wesentlich besser als ein rechteckförmige Grenze. Manche Bereiche im Muster können Löcher aufweisen, die diskontinuierliche Entscheidungsgrenzen bewirken. Die komplementären Funktionen dieser beiden Bereichsarten bilden einen Klassifizieren, der an der Entscheidungsgrenze eine sehr feine Auflösung hat und unregelmäßig ist in der Entscheidungsbereichsgeometrie. Im Falle von Münzprüfgeräten wird eine Datenbank von Münzen und Fälschungen erzeugt, in dem sie anfänglich in das Validationssystem eingefügt werden. Jede Aufzeichnung in der Datenbank hat einen zugehörigen Merkmalsvektor (FV), ein Label bestimmter Art, um eine Münze von einer Fälschung zu unterscheiden und eine Benennung, wenn sie als Münze bezeichnet wird. Die Anzahl der Aufzeichnungen für jede Kategorie wird bestimmt durch die Verteilung und die Merkmale des Merkmalvektors (FV).
Es wird ein Ellipsoid-Cluster E in einem p-dimensionalen Euklidischen Raum der Größe r gebildet, in dem die Exzentrizität und Orientierung des Clusterraums oder Ellipsoids bestimmt wird. Es gibt einen Ellipsoid-Cluster für jede Münzkategorie. Es lässt sich mathematisch zeigen, dass das Zentrum des Ellipsoids das Mittel aller Proben ist, die der gleichen Klasse zugehören; die Achse des Ellipsoids wird definiert durch die Standardabweichungen jedes Elements im Merkmalsvektor.
Ist die Information einmal gebildet, kann der Abstand eines Punkts im Merkmalsvektor (FV) zum Cluster bestimmt werden. Die für diese Punkte definierten Abstände werden zur Ausführung vorläufiger Entscheidungen verwendet. Z. B. sei ein Objekt mit einem Merkmalsvektor (FV) ein Kandidat für eine bestimmte Münzklasse, wenn der Abstand vom Merkmalsvektor zum Cluster kleiner oder gleich ist einem gewissen Abstand.
Dies ist jedoch aus verschiedenen Gründen keine endgültige Entscheidung hinsichtlich der Annehmbarkeit der Münze. Erstens kann die reale Cluster-Geometrie der Proben einen Ellipsoid bilden, dessen Achsen schräg zu den Koordinationsachsen liegen und das Hauptkomponentenverfahren kann verwendet werden, den Ellipsoid zu drehen. Zweitens wird ohne Rücksicht auf den ersten Grund der durch einen Ellipsoid gebildete Entscheidungsbereich weiterhin als halbregulärer Bereich betrachtet werden und innerhalb des Ellipsoids ein überlappendes Fälschungsvolumen beobachtet werden. Daher wird ein künstliches neuronales Netzwerk ANN ferner zu Änderung des Entscheidungsbereichs innerhalb des Ellipsoids benutzt. Diese Kombination eines Clusters und eines ANN macht es leichter, das ANN zu trainieren, weil der Abbildungsbereich, auf dem ein ANN definiert wird, wesentlich kleiner ist als der gesamte Merkmalsraum.
Ein künstliches neuronales Netzwerk ist eine Sammlung paralleler Verarbeitungselemente, genannt Neuronen, die durch ihre synaptischen Gewichte verbunden sind. Diese Neuronen können in verschiedenen Schichten angeordnet werden. Die Auslegung eines neuronalen Netzwerks für eine Mustererkennung besteht darin, das neuronale Netzwerk zu trainieren um eine Aufteilung in einem Merkmalsraum zu identifizieren. Solange die Anzahl der Neuronen in der verdeckten Schicht ausreichend groß ist lässt sich theoretisch jegliche Vektor-Ein- und Ausgangs-Abbildung durch ein mehrschichtiges vorwärts gekoppeltes neuronales Netzwerk realisiert werden kann. Auf der Grundlage dieser Theorie kann durch ein neuronales Netzwerk ein Entscheidungsbereich mit willkürlichen geometrischen Grenzen realisiert werden.
Ein Neuron in einem ANN simuliert eine Nervenzelle in einem biologischen neuronalen Netzwerk (7, 8). In einem vorwärts gekoppelten mehrschichtigen neuronalen Netzwerk empfängt jedes Neuron ein Eingangssignal von seiner vorherigen Schicht oder von einem Eingang und überträgt sein Ausgangssignal zur nächsten Schicht oder zum Ausgang. Die Kenntnis der externen Welt ist codiert im synaptischen Gewicht eines neuronalen Netzwerks und die Informationsgewinnung erfolgt durch Manipulation dieser Gewichte mit dem Eingang oder Merkmalsvektor.
Die rückwärts gerichtete Ausbreitung ist der wirkungsvollste Lernalgorithmus, ein neuronales Netzwerk unter überwachtem Lernen zu trainieren (seine synaptischen Gewichte zu modifizieren). Die rückwärts gerichtete Ausbreitung ist ein gradienter absteigender Algorithmus. Anfangs werden alle Gewichte in einem neuronalen Netzwerk auf Zufallszeichen umgerechnet (randomisiert) zwischen ähnlichen (–)–(+)-Werten, z. B. zwischen –0,5 und +0,5. Das Lernen beginnt mit der Darstellung eines Eingangs-Vielpaars. Das neuronale Netzwerk passt das gegebene Eingangssignal einem Ausgangssignal an. Der Vergleich zwischen Ziel- und Ausgangssignal erzeugt einen Fehlervektor. Dieser Fehlervektor modifiziert durch rückwärts gerichtete Ausbreitung durch alle Neuronen die synaptischen Gewichte mit dem Ziel, die objektive mittlere quadratische Fehlerfunktion ε zu minimisieren. Das gradiente absteigende Verfahren aktualisiert wiederholt jedes Gewicht, wobei jede Aktualisierung als Präsentation und alle Präsentationen in einem Trainingsset als Zyklus bezeichnet werden. Nach dem Trainieren über eine Anzahl von Zyklen kann das neuronale Netzwerk seine Fehlerfunktion auf einen Minimalwert reduzieren. Wenn dies geschehen ist, wurde das Netzwerk trainiert und die Beziehung zwischen den Eingangs- und Zielvektoren im Trainingsvorgang aufgedeckt.
Der Algorithmus überwacht den fortschreitenden Lernprozess, so dass das Lernen automatisch erfolgt, wenn der Unterteilungsraum und der Merkmalsraum entdeckt wurden. Dies geschieht durch Überwachung zwischen dem Ausgangssignal des neuronalen Netzwerks und des Ziels mit jeder Präsentation.
Um unnötige Berechnungen zu vermeiden, wird der Fehler zwischen dem Ausgang des neuronalen Netzwerks und dem Ziel einer Fehlergrenze unterworfen. Hierbei wird der Fehler vor der rückwärts gerichteten Ausbreitung auf Null gesetzt, wenn das Ausgangssignal innerhalb der Grenze des Ziels liegt. Beim Trainieren eines neuronalen Netzwerks ist zuweilen ein Überschwingen möglich, was eine größere Lernrate anzeigt und auftritt, wenn sich der Fehler Null oder einem sehr kleinen Wert nähert. Es gibt Möglichkeiten, die Lernrate zu reduzieren. Eine besteht darin, sie auf eine bestimmte feste Rate im Verlauf des Trainings zu vermindern. Hier wird die Lernrate auf einen gewissen Anteil des laufenden Fehlers gewählt. Derartige Verfahren sind bekannt und nicht Teil der vorliegenden Erfindung. Es ist auch möglich, zur Klassifikation aller Kategorien mehr als ein ANN zu nutzen. Dies betrifft ebenfalls nicht den Kern der Erfindung.
Nachdem alle neuronalen Netzwerke trainiert wurden, und solches Training ist bekannt, ist das erfindungsgemäße Münzvalidationssystem fertig zur Klassifikation. Die Signale mit ihren unterscheidungskräftigen Merkmalen werden dann von dem unbekannten Gegenstand oder der unbekannten Münze gesammelt und in den Merkmalsvektor (FV) geformt. Der Merkmalsvektor wird zuerst überprüft um festzustellen, ob er innerhalb einer Ellipse fällt, die durch die mathematischen Operationen des Systems definiert ist. Der Gegenstand oder die Münze wird als Fälschung abgewiesen, wenn sich herausstellt, dass ihr Merkmalsvektor nicht in eine Ellipse fällt. Anderenfalls wird sie als gültige Münze betrachtet. Wenn nicht abgewiesen, wird der Gegenstand oder die Münze als Kandidat betrachtet und der gleiche Merkmalsvektor wird dem neuronalen Netzwerk zugeführt und die Ausgangspegel vom Netzwerk werden miteinander verglichen. Der Gegenstand oder die Münze wird abermals als Fälschung abgewiesen, wenn der Ausgangswert des ersten neuronalen Pegels größer ist als der des zweiten neuronalen Pegels. Ansonsten wird sie als gültige Münze akzeptiert, die zu einem vorbestimmten Wert oder Wertebereich gehört.
Es wurde durch Testen der Münzen verschiedener unterschiedlicher Länder einschließlich der Vereinigten Staaten, des Vereinigten Königsreichs und Deutschland, festgestellt, dass die verschiedenen Werte auf diese Weise leicht getrennt werden können. Zusätzlich haben Tests gezeigt, dass es möglich ist, das Problem unterschiedlicher Härten zu lösen hinsichtlich, z. B. dem US- und dem Kanadischen Nickel, der Deutschen Mark und der Britischen 5-Pence-Münze, der Deutschen Mark gegenüber dem Polnischen 20-Zloty-Stück, der Deutschen Mark gegenüber dem Australischen 5-Cent-Stück und dem Britischen 50-Pence-Stück gegenüber dem mit einer Folie abgedeckten Britischen 10-Pence-Stück. In all diesen Fällen sind die Ähnlichkeiten wesentlich, jedoch der Trennprozess war stets wirksam. Somit bietet die Erfindung eine Bündelung neuraler Netzwerkeinrichtungen in einem Münzvalidationssystem. Diese neue Anwendung des ANN auf ein Münzvalidationssystem hat eine Anzahl von Vorteilen gegenüber bekannten Münzmechanismen. Tests haben gezeigt, dass Münzvalidationssysteme, die ANN benutzen, zuverlässiger und flexibler sind.
Das erfindungsgemäße System hat die Fähigkeit der Selbstkompensation durch Messen der Luftparameter, mit denen alle anderen Merkmale verglichen werden. Dies vermindert signifikant Änderungen der Performance unter unterschiedlichen Einheiten infolge von Abweichungen der Bauteile sowie umweltbedingter Schwankungen. Diese hervorstechenden Merkmale wurden sorgfältig gewählt und vorbehandelt; sie werden nur durch den getesteten Gegenstand bestimmt. Dies bedeutet, dass ein sich selbst abstimmendes oder vom Kunden abgestimmtes Münzprüfsystem auf der Basis dieser Technologie entwickelt werden kann. Das vorliegende System benutzt, wie erwähnt, eine multifrequente Münzprüfung durch Kondensatorschaltung in abklingenden Schwingkreisen. Der weite Bereich der Schwingungsfrequenzen der Schwingkreise überdeckt fast das gesamte Frequenzband, wie es derzeit in internationalen Münzprüfern verwendet wird. Dies bedeutet, dass das erfindungsgemäße System nicht nur mehr Merkmale zur Unterscheidung generiert, sondern es auch ermöglicht, einen universalen Münzprüfer herzustellen, der fähig ist, alle Münzwerte von verschiedenen Ländern zu klassifizieren. Die Bündelung wie die Ellipsoid-Bündelung erleichtert auch die Erfordernisse hinsichtlich des Trainierens von Proben und vereinfacht das Trainieren des neuronalen Netzwerks. Die Validierungs-Münzklasse für jede Münze wird auch eingeschränkt, was bedeutet, dass die Fälschungsklasse ein großes Volumen des Merkmalsraums einnimmt.
Es wurden also neue Maßnahmen zur Unterscheidung von Münzen oder anderen Gegenständen von Rohlingen oder gefälschten Münzen gezeigt und beschrieben. Das erfindungsgemäße System ermöglicht es, die verschiedenen Münzen hinsichtlich Gültigkeit, Größe und Wert zu indentifizieren.

Claims

Münzvalidationssystem für eine Bestimmung, ob eine sich entlang einer Münzschiene (21) bewegende Münze eine gültige Münze ist, und wenn ja, ihres Wertes, mit einer Schiene, entlang derer sich Münzen bewegen, einer Münzsensoreinrichtung (20), die angrenzend an die Schiene (21) angeordnet ist, wobei die Sensoreinrichtung (20) wenigstens einen optischen Sensor (40, 42), der optisch auf Bewegungen von an ihn angrenzenden Münzen anspricht, wenigstens einem magnetischen Sensor (46, 48), der in der Nähe des optischen Sensors (40, 42) angeordnet ist, wobei der magnetische Sensor (46, 48) ein induktives Element umfasst, einer Schaltungseinrichtung, die auf den optischen Sensor (40, 42) anspricht und die Anwesenheit einer Münze für eine Erregung des magnetischen Sensors (46, 48) erfasst, um ein Signal zu erzeugen, wenn sich die Münze angrenzend an ihn bewegt, wobei sich die Münze zu einer Position bewegt, um eine gegenseitige induktive Zusammenwirkung mit dem induktiven Element zu haben, wodurch das induktive Element ein Ausgangssignal mit Merkmalen erzeugt, die die Münze repräsentieren, einer Signalvorprozessoreinrichtung (22), die funktional mit dem magnetischen Sensor (46, 48) verbunden ist, und eine Einrichtung für eine Erzeugung von Ausgangsansprechungen umfasst, die repräsentativ zu den charakteristischen Merkmalen der Münze sind, einer Merkmalextraktionseinrichtung (24) die aus den Ausgangsansprechungen der Signalvorprozessoreinrichtung (22) Signalabschnitte extrahiert, die repräsentativ zu vorherbestimmten charakteristischen Merkmalen der Münze sind, einer Einrichtung für eine Erzeugung einer multidimensionalen Darstellung der extrahierten Merkmale und für eine Klassifizierung der Münze als akzeptierbar oder nicht akzeptierbar, die eine Klassifiziereinrichtung (26) für einen Empfang der Signalabschnitte und für eine Erzeugung der multidimensionalen Darstellung und ein Einrichtungen (32) für einen Vergleich der multidimensionalen Darstellung mit dem Zentrum eines erstellten Clusters selektierter Münzwerte umfasst, um das Ausmaß des Vergleichs zwischen ihnen zu bestimmen, so dass, wenn der Vergleich von einer gewissen Art ist, die Münze nicht akzeptierbar ist, und einer Klassifiziereinrichtung (30) mit einem künstlichen neuralen Netzwerk, die eine erste Verbindung über eine erste Schalteinrichtung zu der Merkmalextraktionseinrichtung (24) und eine zweite Verbindung über eine andere Schalteinrichtung zu dem Vergleicherkreis (32) aufweist, wobei die Klassifiziereinrichtung (30) mit dem künstlichen neuralen Netzwerk einen Ausgang (36) aufweist, der den Wert der Münzen identifiziert, die durch den Vergleicherkreis (32) als akzeptierbar bestimmt worden sind, und wobei das Münzvalidationssystem außerdem eine Einrichtung für eine Bildung eines ellipsenförmigen Grenzclusters aus einer durch die Merkmalextraktionseinrichtung (24) extrahierten Information umfasst, und wobei die Einrichtungen (32) für einen Vergleich so angeordnet sind, dass sie das Zentrum des ellipsenförmigen Clusters mit dem Münzmuster vergleichen und ein die Akzeptierbarkeit der Münze und ihres Werts anzeigendes Signal erzeugen, wenn der Vergleich von einer gewissen Art ist.
Münzvalidationssystem nach Anspruch 1 mit wenigstens zwei optischen Sensoren (40, 42) die entlang der Münzschiene (21) im Abstand angeordnet sind und einem magnetischen Sensor (46, 48), der in der Nähe jedes der optischen Sensoren (40, 42) angeordnet ist.
Münzvalidationssystem nach Anspruch 1, bei dem die andere Schalteinrichtung eine Verbindung zu einer Merkmalauswahlsteuerleitung aufweist, die bestimmt, welche Merkmaleingänge an dem künstlichen neuralen Netzwerk (30) angelegt werden.
Münzvalidationssystem nach Anspruch 1 mit einer Schaltungseinrichtung, die mit dem optischen Sensor (40, 42) verbunden ist, um die Größe einer Münze zu bestimmen, die sich entlang der Münzschiene (21) nach unten bewegt.
Münzvalidationssystem nach Anspruch 1, dadurch gekennzeichnet, dass – die Münzschiene so ausgelegt ist, dass sich die in dem Münzvalidationssystem abgelegte Münze entlang eines Randes bewegt, – der magnetische Sensor (46, 48) LC-Schwingkreise umfasst, die zwei Paare von Spulen und vier Kondensatoren aufweisen, wobei die Schwingkreise anfänglich zur Speicherung von Energie verbunden sind, die durch ihre Anfangsbedingung bestimmt ist, jeder der Schwingkreise beim Ertönen eine gedämpfte sinusförmige Wellenform in Ansprechung auf Vorbeibewegungen einer Münze erzeugt, jeder der Schwingkreise eine charakteristische Frequenz aufweist und zweimal mit unterschiedlichen Frequenzen ertönt, indem unterschiedliche Kondensatoren parallel zu den jeweiligen Spulen geschaltet werden, wenn eine Münze sich in unmittelbarer Nähe einer jeweiligen der Spulen befindet, und – dass es eine Einrichtung zur Erzeugung eines Ausgangsentscheidungssignals umfasst, um eine akzeptierbare Münze anzuzeigen, wenn der Vergleich innerhalb der Grenze fällt und um ein Münzzurückweisungssignal zu erzeugen, wenn der Vergleich nicht innerhalb der Grenze fällt.
Münzvalidationssystem nach Anspruch 1, gekennzeichnet durch – eine Schaltungseinrichtung, die mit dem magnetischen Sensor (46, 48) verbunden ist und eine Einrichtung zur Erzeugung mehrerer unterschiedlicher Frequenzen für ein Anlegen an den magnetischen Sensor (46, 48) umfasst, wenn sich die Münze in ihrer Nähe bewegt, – eine Einrichtung zum Ertönen der Schaltungseinrichtung, um gedämpfte Wellensignale zu erzeugen, die durch den magnetischen Sensor (46, 48) auf die Münze aufgebracht werden, wobei die Schaltungseinrichtung mit unterschiedlichen Frequenzen ertönt, wenn die Münze sich in der Nähe des magnetischen Sensors (46, 48) befindet, und – eine Einrichtung zur Erzeugung eines Ausgangsentscheidungssignals, um eine akzeptierbare Münze anzuzeigen, wenn die Münze als akzeptierbar bestimmt wurde, und um ein Münzzurückweisungssignal zu erzeugen, wenn die Münze als nicht akzeptierbar bestimmt wurde.
Münzvalidationssystem nach Anspruch 6, dadurch gekennzeichnet, dass die mit dem magnetischen Sensor (46, 48) verbundene Schaltungseinrichtung wenigstens einen LC-Schwingkreis umfasst, der eine Spule und wenigstens zwei Kondensatoren für eine wahlweise Verbindung über die Spule aufweist.
Münzvalidationssystem nach Anspruch 6, dadurch gekennzeichnet, dass die mit dem magnetischen Sensor (46, 48) verbundene Schaltungseinrichtung einen LC-Schwingkreis mit zwei Paaren von Spulen und vier Kondensatoren, wobei der Schwingkreis anfänglich mit einer Speicherenergie verbunden ist, die durch seine Anfangsbedingung bestimmt ist, und eine Einrichtung zum Ertönen des Schwingkreises mit unterschiedlichen Frequenzen umfasst, um sinusförmige Wellenformen mit unterschiedlicher gedämpfter Welle zu erzeugen, wenn sich eine Münze in einer Position befindet, in der sie mit den Spulen des Schwingkreises gekoppelt wird.
Münzvalidationssystem nach Anspruch 1, dadurch gekennzeichnet, dass – es in einer Verkaufssteuervorrichtung für eine Installierung an Verkaufsmaschinen angeordnet ist, – der magnetische Sensor (46, 48) eine Einrichtung zur Erzeugung eines elektromagnetischen Signals aufweist, wenn sich die Münze angrenzend an ihn befindet, – es eine Einrichtung (26) zur Klassifizierung durch ellipsenförmige Cluster umfasst, die mit der Merkmalextraktionseinrichtung (24) verbunden ist, – die Einrichtungen (32) zum Vergleichen zur Bestimmung angeordnet sind, ob ein Merkmalvektor in die Clusterklassifizierung mit einer vorher bestimmten Ähnlichkeitsschwelle fällt, wobei die Münze als gültige Münze angezeigt wird, wenn sie die Ähnlichkeit die Schwelle überschreitet und die Münze ansonsten zurückgewiesen wird, und – die Klassifiziereinrichtung (30) mit neuralem Netzwerk Ausgänge aufweist, an denen Entscheidungen gemacht werden, ob die Münze akzeptiert werden soll oder zurückgewiesen werden soll.
Münzvalidationssystem nach Anspruch 9, dadurch gekennzeichnet, dass der magnetische Sensor (46, 48) einen Schwingkreis umfasst, der eine Induktivität und einen Widerstand aufweist, wobei die Induktivität des Schwingkreises eine gegenseitige Induktivität mit der Münze erzeugt, wenn die Münze an ihn angrenzt.
Münzvalidationssystem nach Anspruch 9, dadurch gekennzeichnet, dass die Klassifiziereinrichtung (30) mit neuralem Netzwerk mehrere Schichten von Neuronen aufweist, die in einer ersten Schicht, die zum Empfang der Ausgänge der Einrichtung (32) zum Vergleichen angeschlossen ist, und in einer zweiten Schicht angeordnet sind, die zum Empfang der Ausgänge der ersten Schicht angeschlossen ist, wobei ie zweite Schicht mehrere Neuronen aufweist, an die jeweils ein Entscheidungsausgang angeschlossen ist.
Münzvalidationssystem nach Anspruch 11, dadurch gekennzeichnet, dass die Klassifiziereinrichtung (30) mit neuralem Netzwerk drei Schichten von Neuronen aufweist, wobei die dritte Schicht Eingänge aufweist, die an die Ausgänge der zweiten Schicht angeschlossen sind, wobei die dritte Schicht einen Ausgang erzeugt, der eine akzeptierbare oder eine nicht akzeptierbare Münze anzeigt.
Münzvalidationssystem nach Anspruch 9, dadurch gekennzeichnet, dass sie eine Quelle von Impulsen unterschiedlicher Frequenzen und eine Einrichtung für ein Anlegen der Ausgänge der Quelle an den magnetischen Sensor (46, 48) aufweist, wobei der magnetische Sensor (46, 48) Signalansprechungen verschiedener Frequenzen für ein Koppeln an die Münze erzeugt.
Münzvalidationssystem nach Anspruch 9, dadurch gekennzeichnet, dass sie umfasst – ein Paar von im Abstand angeordneten optischen Sensoren (40, 42), die auf Bewegungen der Münzen entlang der an sie angrenzenden Bahn ansprechen, und – ein Paar von magnetischen Sensoren (46, 48), wobei einer (46) der magnetischen Sensoren angrenzend an einen (40) der optischen Sensoren angeordnet ist, und der andere (48) der magnetischen Sensoren angrenzend an den anderen (42) der optischen (42) Sensoren angeordnet ist, wobei die optischen Sensoren (40, 42) Bedingungen für ein Aussetzen der angrenzenden magnetischen Sensoren (46, 48) zu der Münze herstellen, wenn sich die Münze vorbeibewegt.
Münzvalidationssystem nach Anspruch 13, dadurch gekennzeichnet, dass die Quelle von Impulsen unterschiedlicher Frequenzen mehrere Schwingkreise umfasst, die jeweils wenigstens zwei unterschiedliche Kondensatoren für eine wahlweise Schaltung über die jeweiligen darin befindlichen Induktoren aufweisen, wobei jeder Kondensator eine unterschiedliche Frequenz erzeugt, wenn er über die jeweiligen Induktoren geschaltet ist.
Münzvalidationssystem nach Anspruch 9, dadurch gekennzeichnet, dass eine Zeitgeberschaltung (50) an die Einrichtung zur Erzeugung eines elektromagnetischen Signals angeschlossen ist, wobei die Zeitgeberschaltung (50) Ausgänge zur Steuerung der Erregung der magnetischen Sensoren (46, 48) auf der Basis der Position der daran angrenzenden Münze aufweist.
Münzvalidationssystem nach Anspruch 9, dadurch gekennzeichnet, dass dem optischen Sensor (40, 42) Einrichtungen zur Bestimmung der physikalischen Größe einer sich in eine angrenzende Abdeckposition bewegenden Münze zugeordnet sind, wobei die Einrichtungen eine Einrichtung umfasst, die Signale erzeugt, wenn sich die Münze zu gewissen Positionen bewegt, wobei die Signale eine Zeitbeziehung der Münzbewegungen herstellen, die zur Bestimmung der Münzgröße verwendet werden kann.
Münzvalidationssystem nach Anspruch 9, dadurch gekennzeichnet, dass der magnetische Sensor (46, 48) eine Einrichtung zur Vorbestimmung des Ertönens des Schwingkreises umfasst, um getaktete Impulse in Form von gedämpften Wellen zu erzeugen, wobei den gedämpften Wellen eine Information auferlegt ist, aus der vorherbestimmte Eigenschaften der Münze extrahiert werden können.