-
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.