ES2280179T3 - Dispositivo para la validacion de dinero. - Google Patents
Dispositivo para la validacion de dinero. Download PDFInfo
- Publication number
- ES2280179T3 ES2280179T3 ES00311253T ES00311253T ES2280179T3 ES 2280179 T3 ES2280179 T3 ES 2280179T3 ES 00311253 T ES00311253 T ES 00311253T ES 00311253 T ES00311253 T ES 00311253T ES 2280179 T3 ES2280179 T3 ES 2280179T3
- Authority
- ES
- Spain
- Prior art keywords
- function
- subset
- money
- elements
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
- 238000010200 validation analysis Methods 0.000 title claims description 15
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 230000015572 biosynthetic process Effects 0.000 claims abstract 2
- 230000006870 function Effects 0.000 claims description 93
- 239000013598 vector Substances 0.000 claims description 47
- 230000006978 adaptation Effects 0.000 claims description 14
- 238000012417 linear regression Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000008358 core component Substances 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims 1
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000013459 approach Methods 0.000 description 31
- 238000009826 distribution Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 239000000306 component Substances 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 7
- 239000000463 material Substances 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 102000005717 Myeloma Proteins Human genes 0.000 description 1
- 108010045503 Myeloma Proteins Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
- G07D5/00—Testing specially adapted to determine the identity or genuineness of coins, e.g. for segregating coins which are unacceptable or alien to a currency
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
- G06F18/21355—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis nonlinear criteria, e.g. embedding a manifold in a Euclidean space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/95—Pattern authentication; Markers therefor; Forgery detection
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
- G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Inspection Of Paper Currency And Valuable Securities (AREA)
- Testing Of Coins (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
Método para la deducción de una función de clasificación para clasificar elementos de dinero, comprendiendo el método la deducción de una serie de mediciones a partir de un sensor o sensores de dinero y una serie de elementos de dinero, y la formación de un conjunto de datos a partir de las mediciones, correspondiendo los elementos del conjunto de datos a puntos de un primer espacio, seleccionando la función de núcleo que corresponde a la reproducción del primer espacio en el segundo espacio, comprendiendo el método la selección de un subconjunto del juego de datos de manera que el subconjunto es tal que la imagen del subconjunto bajo la reproducción en el segundo espacio se utiliza como base para representar de manera aproximada la imagen del juego de datos bajo la reproducción en el segundo espacio y utilizando, subsiguientemente, imágenes del subconjunto para deducir una función de clasificación.
Description
Dispositivo para la validación de dinero.
La presente invención se refiere a dispositivos
para la validación de dinero y a métodos para la adaptación y
funcionamiento de validadores de dinero. En esta descripción, los
términos dinero y elementos de dinero están destinados a incluir
monedas, fichas y similares, billetes de banco, y otros elementos de
valor de forma laminar tales como cheques, albaranes, bonos, y
comprenden tanto elementos genuinos como falsificaciones, tales
como pueden ser tacos de material y arandelas.
Se conocen muchos métodos para determinar el
valor de un elemento de dinero y para distinguir entre elementos de
dinero genuinos y falsos. Habitualmente, se detecta un elemento de
dinero por uno o varios sensores, tales como sensores
electromagnéticos o sensores ópticos, produciendo señales
representativas de ciertas características del elemento de dinero,
tal como grosor de la moneda, material de la misma, o dibujo de un
billete de banco. Las señales medidas son comparadas a continuación
con datos de referencia almacenados representativos de elementos de
dinero conocidos, y, dependiendo del resultado de la comparación, el
elemento de dinero que se ha medido es clasificado, por ejemplo,
como elemento de dinero genuino de un valor determinado, o una
falsificación conocida, o simplemente desconocida.
Por ejemplo, es conocido el almacenar datos de
referencia para elementos de dinero conocidos en forma de juegos de
"ventanas", que comprenden límites superior e inferior. Si cada
una de las señales medidas para un elemento determinado queda
dentro de cada una de las ventanas correspondientes para el valor
determinado, se clasifica como correspondiente a este valor
específico. Este enfoque puede ser considerado de manera general
como utilización de límites en el espacio, que tienen ejes que
corresponden a las características medidas, conocidos como límites
de aceptación, que son lineales (o equivalentes en dimensiones más
elevadas). Se conocen varios desarrollos de este enfoque, tales
como los que se describen en el documento GB 2 238 152A.
Habitualmente, las distribuciones de poblaciones
de valores específicos de elementos de dinero no son lineales, en
cuyo caso, los límites de aceptación lineales pueden no ser
suficientemente precisos para distinguir entre diferentes valores.
Otro método conocido almacena datos de referencia que describen
límites elípticos que corresponden a valores específicos de
elementos de dinero. De manera similar al enfoque que se ha
mencionado anteriormente, los elementos de dinero medidos son
clasificados de acuerdo con el hecho de que las características
medidas queden dentro o fuera de los límites elípticos mencionados.
Esos métodos se describen, por ejemplo, en el documento GB 2 254
949A.
En muchos casos, los límites entre diferentes
valores de elementos de dinero son complicados y no pueden ser
reflejados de manera suficientemente precisa por límites lineales o
elípticos. Las técnicas conocidas para encontrar límites de
aceptación no lineales pueden transformarse en resultados que no son
completamente ideales para los dispositivos de validación de
dinero. Claramente, es particularmente importante tener la capacidad
de clasificar y validar elementos de dinero de manera precisa, por
ejemplo, en una máquina de venta automática, en la que existe un
potencial de pérdida de ingresos. En estos casos, es conocido
utilizar redes neurales para llevar a cabo la clasificación del
dinero, tal como se describe, por ejemplo, en el documento EP 0 671
040A.
La publicación "B. Schölkopf y otros: Input
Space vs. Feature Space in Kernel-Based Methods; Nº
5, Septiembre 1999; IEEE Trans. On Neural Networks; págs.
1000-1017" se refiere a diferentes aspectos de
métodos usados en un núcleo, incluyendo el reconocimiento de la
forma de un vector de soporte. Comprende la explicación de métodos
reducidos en los que es reducido el número de vectores en una
expansión de una muestra en un espacio característico, utilizando
técnicas de optimización.
Se definen aspectos de la invención en las
reivindicaciones independientes adjuntas
1,26-28.
La invención es utilizada para deducir una
función de clasificación. La invención puede ser utilizada para
deducir una función de "firma", que representa características
y comportamiento de un dispositivo de validación específico, con
respecto a una referencia. Una función de firma puede ser utilizada
en sí misma en el contexto de una función de clasificación.
Las reivindicaciones dependientes definen
características preferentes de la invención, que se ha expresado en
lo anterior.
Como resultado de la invención, se pueden
obtener resultados mejores y más exactos, especialmente en
clasificación, en comparación con los enfoques conocidos hasta el
momento.
A continuación se describirán realizaciones de
la invención, haciendo referencia a los dibujos adjuntos, en los
cuales:
La figura 1 es un gráfico de una función sinc
(2pix);
la figura 2 es un gráfico demostrativo de
muestras de una función;
la figura 3 es un gráfico que muestra un
subconjunto de las muestras en la figura 2;
la figura 4a es un gráfico de una aproximación
de la función de la figura 1;
la figura 4b es un gráfico que muestra valores
de error correspondientes a la figura 4a;
la figura 5 es un gráfico que muestra datos de
agrupación o "cluster";
la figura 6 es un gráfico que muestra elementos
seleccionados de los datos de agrupación de la figura 5;
la figura 7 es un gráfico tridimensional
correspondiente a la figura 5;
la figura 8 es un grupo de gráficos que muestran
límites de decisión para las agrupaciones mostradas en la figura
5;
la figura 9a es un gráfico de otra aproximación
de la función de la figura 1;
la figura 9b es un gráfico que muestra valores
de error correspondientes a la figura 9a;
la figura 10 es otro gráfico que muestra
elementos seleccionados de los datos de agrupación de la figura
5;
la figura 11 es otro gráfico tridimensional
correspondiente a la figura 5;
la figura 12 es otro grupo de gráficos mostrando
otros límites de decisión para las agrupaciones en la figura 5;
la figura 13 es otro gráfico tridimensional
correspondiente a la figura 5;
la figura 14 es otro grupo de gráficos mostrando
más límites de decisión para la agrupación de la figura 5;
la figura 15 es otro gráfico tridimensional
correspondiente a la figura 5;
la figura 16 es otro grupo de gráficos que
muestra más límites de decisión para las agrupaciones de la figura
5;
la figura 17 es un diagrama de bloques de un
validador de monedas.
De acuerdo con una realización preferente, la
presente invención utiliza funciones de núcleo ("kernel
functions") para analizar datos derivados de elementos de dinero
y sensores de dinero para deducir funciones de clasificación o
límites de aceptación para dispositivos de validación. Más
particularmente, los datos consisten en datos de mediciones
derivados de elementos de dinero, tales como monedas y billetes de
banco, siendo representativos dichos datos de características de
los elementos de dinero, tales como grosor de la moneda, material,
peso, anchura o dibujo de un billete de banco.
Se empezará con una descripción generalizada de
la teoría sobre la que se basa la invención, haciendo referencia a
distribuciones de datos relativamente simples, a efectos de claridad
y facilidad de comprensión. La invención se describirá a
continuación de manera más detallada en relación con realizaciones
relativas a clasificación y validación de elementos de dinero.
Un primer aspecto de la invención se refiere a
la utilización de funciones de núcleo para deducir una aproximación
de una función entre juegos de variables. Este aspecto de la
invención se puede extender a la utilización de funciones de núcleo
para deducir funciones de clasificación y métodos para llevar a cabo
la clasificación, especialmente para elementos de dinero.
Un segundo aspecto de la invención se refiere a
la utilización de funciones de núcleo para seleccionar un
subconjunto a partir de un juego de datos, siendo el subconjunto
representativo del juego de datos, en el contexto del enfoque de
función de núcleo. Más particularmente, el subconjunto es
representativo del juego de datos en el espacio de imagen de un
mapa \phi que corresponde a la función de núcleo k. El segundo
aspecto de la invención posibilita análisis de datos utilizando una
realización de funciones de núcleo con menos datos, lo que reduce
la complejidad del análisis y por lo tanto, por ejemplo, reduce el
esfuerzo de cálculo y como consecuencia los costes cuando se
deducen funciones de clasificación para validadores de dinero. El
segundo aspecto de la invención puede ser utilizado en relación con
cualquier enfoque de análisis de datos utilizando una función de
núcleo, tal como el Análisis Discriminativo Generalizado de núcleo,
que se describe en la solicitud de los propios solicitantes
pendiente junto con la actual, WO 00/33262, cuyo contenido se
incorpora a la descripción actual a título de referencia, o bien el
Análisis de Componentes Principales de núcleo (ver
"Non-linear component analysis as a kernel
eigenvalue problem" de Scholkopf, Smola y Muller, Neural
Computation 10, 1299-1319 (1998)). El segundo
aspecto de la invención se describe en detalle conjuntamente con el
primer aspecto de la misma.
A continuación, se utilizan subrayados para
indicar cantidades de vector, y el término vector está destinado en
general a incluir cantidades escalares (es decir, un vector de 1
dimensión).
En primer lugar, se describirá la selección de
un subconjunto representativo de un conjunto de valores, reflejando
el segundo aspecto de la invención que se ha mencionado
anteriormente.
Se supondrá que X es un conjunto de vectores, de
dimensiones M.
Se supondrá que se representa o "se hace el
mapa" de cualquier vector desde el espacio de entrada X a un
espacio de Hilbert F con intermedio de una función de mapa no
lineal \phi:
Se supondrá que S es un subconjunto de X de
dimensiones L
Se supondrá que existe un subconjunto S que se
puede aproximar o puede reconstruir la imagen de elementos de X en
F. En otras palabras, S actúa como una base que expresa X en el
espacio F.
Por lo tanto
\hskip3.1cm
(\hat{\phi} (X_{i}) es
la aproximación de \phi (X_{i}) utilizando la imagen de S
en
F).
Para simplificar, se utilizará la siguiente
anotación:
Entonces la ecuación (1) se puede escribir:
Siendo
\Phi_{s}\lfloor\underline{\phi}_{s,1}, \underline{\phi}_{s,2}, ...,
\underline{\phi}_{s,L}\rfloor una matriz formada a partir de
la imagen de S en F.
a_{i} [a_{i1}, a_{i2}, ...,
a_{iL}]^{t} un vector que expresa
{\underline{\phi}}_{i} utilizando la imagen de S en F.
Deseamos encontrar valores para a_{i}
que minimicen las diferencias relativas del \delta_{i} entre la
imagen del elemento de orden j de X, \underline{\phi}_{i} y su
reconstrucción utilizando el juego S,
\hat{\underline{\phi}}_{i}.
\hskip3.1cm
La minimización del \delta_{i} lleva a:
(\Phi_{s}^{t}
\Phi_{s})^{-1} existe si los elementos de la imagen de
S en F son linealmente independientes. En otras palabras, el rango
de \Phi_{s} es
L.
Utilizando las ecuaciones (3) y (4) se puede
escribir:
En la que \beta_{i} es el ángulo entre los
vectores \underline{\phi}_{i} y \hat{\underline{\phi}}_{i},
lo que implica que se ha minimizado también |\beta_{i}|.
Introduciendo a continuación la anotación de
núcleo:
La ecuación (5) puede expresarse de la forma
siguiente
\vskip1.000000\baselineskip
en la
que
que es una matriz cuadrada LxL de
los productos de puntos de la imagen de S en
F.
que es un vector de los productos
de puntos entre las imágenes S y x_{i} en
F.
Tal como es sabido, y se ha expresado en lo
anterior, la función de núcleo k expresa el producto de puntos en F
en términos de X.
El mínimo de \delta_{i} puede ser realizado
haciendo máximo:
J_{i} puede ser considerado como
función de adecuación local estimando la calidad de la
reconstrucción del elemento
x_{i}.
Un juego S adecuado es construido utilizando un
enfoque heurístico. En un ejemplo, esto se consigue utilizando una
función de adecuación global J_{s} que representa cuan íntimamente
la imagen de S representa la totalidad de la imagen de X en F. Un
ejemplo de una función de adecuación global es:
De manera más detallada, un ejemplo de la forma
de construcción de S es el que sigue.
En primer lugar, se selecciona el elemento de X
que proporciona la mejor adecuación global. En otras palabras, se
escoge el elemento que tiene el mayor valor J_{s} de adecuación
global utilizando la ecuación (8) de este ejemplo. De forma
alternativa, se puede escoger al azar un primer elemento, o por
inspección, para formar el primer elemento de S, X_{s,1}.
A continuación, se escoge otro elemento de X y
se hace elemento temporal de S, y se calcula el valor de J_{s}
sobre dicha base para todos los otros elementos de X. A
continuación el elemento temporal de S es substituido por otro
elemento de X y se calcula nuevamente J_{s}. Estas etapas se
repiten para todos los elementos restantes de X. El elemento de X
para el cual la función de adaptación global es un máximo, es
escogido como segundo elemento permanente de S.
Las etapas indicadas en el párrafo anterior se
repiten para encontrar otros elementos subsiguientes de S, buscando
cada vez el valor máximo de la función de adecuación. El proceso es
interrumpido cuando la función de adecuación supera un valor
predeterminado. De manera alternativa, el proceso se interrumpe
cuando S tiene un número predeterminado de elementos, o cuando S es
una base completa para la imagen de X en F. Es necesario comprobar
el rango de la matriz K_{s,s} para asegurarse de que es posible
invertirla.
También se puede utilizar otra heurística más
compleja. Asimismo, se pueden utilizar funciones de adecuación
alternativas. Por ejemplo, la función de adecuación global puede
utilizar la media, la mediana o el mínimo de la función de
adecuación local, u otras estrategias. Alternativamente, las
funciones de adecuación, global y local pueden basarse, por
ejemplo, en un "error", utilizando la ecuación (6), en cuyo
caso, la optimización de S es indicada por una reducción en el
error global. No obstante, en cada caso se utiliza una expresión de
núcleo, tal como en la ecuación (7).
De esta manera, se puede hallar un subconjunto S
de X en el que la imagen de todos los elementos de X en F bajo un
mapa una aplicación o representación \diameter pueden ser
expresados aproximadamente como combinaciones lineales de las
imágenes de los elementos de S en F.
El conjunto S puede ser utilizado para reducir
los cálculos involucrados en diferentes enfoques de función de
núcleo para análisis de datos, tales como PCA de núcleo y GDA de
núcleo. Se describirá a continuación la forma en que se utiliza S
en relación con un método de aproximación de una función utilizando
un enfoque de función de núcleo, que se llamará regresión de núcleo
("kernel").
Se supondrá que X y S son conjuntos de vectores
tal como se han definido anteriormente. Se supondrá que
f(x),
x \varepsilon X, es una función de los elementos de X, y f(x) es un valor escalar. Se supondrá a continuación que y es un vector que expresa los valores esperados u observados de f(x) para X. En otras palabras, el componente de orden i de y es f(x_{i}), para 1 \leq i \leq M.
x \varepsilon X, es una función de los elementos de X, y f(x) es un valor escalar. Se supondrá a continuación que y es un vector que expresa los valores esperados u observados de f(x) para X. En otras palabras, el componente de orden i de y es f(x_{i}), para 1 \leq i \leq M.
Se supondrá que en F, la función f puede ser
expresada aproximadamente como relación lineal. En otras palabras,
se supondrá que existe una relación aproximadamente lineal entre
f(x) y \phi(x).
La experiencia ha demostrado que es razonable
suponer una relación lineal entre la imagen de X en F y f(x),
x \varepsilon X, para una elección adecuada de núcleo,
especialmente dado que F puede ser un espacio infinito.
Suponiendo dicha relación lineal, entonces y se
puede estimar utilizando un enfoque de regresión lineal clásica.
Por lo tanto:
En la que:
es una matriz de la imagen de X en
F y u es un vector que describe la relación lineal entre X y
\hat{y}.
De modo general, una regresión lineal es de la
forma y_{i} = a\cdotx_{i} + b, en la que a y b
son constantes estimadas a través del juego de datos de muestra
utilizando, por ejemplo, el esquema de los cuadrados medios mínimos
(LMS). No obstante, es bien conocido el reducir esta ecuación para
formar y_{i} = a'_{i}\cdotx'_{i} sumando un
componente constante (tendencia) al vector x_{i}, de manera
que x_{i} pasa a ser x'_{i}, en la que
x'_{i} = (x_{li}, ... x_{Ni}, C)^{t} y resulta
a' = (a_{1}, a_{2} ... a_{N}, a_{N+1}), en la que b
= a_{N+1}C.
Dado que S es una buena aproximación de X en F,
se puede continuar con S.
Entonces:
En la que \alpha es un vector de L parámetros
que serán optimizados para conseguir el mejor acoplamiento.
La combinación de 9 y 9a nos facilita:
\vskip1.000000\baselineskip
Introduciendo nuevamente la notación de núcleo
para la ecuación (10) y reescribiéndola:
en la que 21
una matriz MxL, formada de los productos de puntos cruzados
entre
X y S.
X y S.
\hskip11.5cm(11a)
\vskip1.000000\baselineskip
Haciendo el mínimo de
||y-\hat{y}||^{2}, de acuerdo con el enfoque clásico
de "cuadrados mínimos" para regresión lineal, proporciona lo
siguiente:
\vskip1.000000\baselineskip
En la que 220 es el
pseudo-inverso, suponiendo que 221
pueda ser invertido, lo que implica nuevamente que el rango de
\Phi_{s} debe ser L.
\hskip3.5 cm(12a)
\vskip1.000000\baselineskip
Utilizando la ecuación (10) para un nuevo vector
z, su valor \hat{y}_{z} puede ser calculado de la forma
siguiente:
en la que \alpha_{i} es el
elemento de orden i del vector \alpha calculado de acuerdo
con la ecuación
(12).
Se puede aplicar un enfoque similar en el que
f(x) es un vector. Suponiendo que Y sea una matriz de los
valores esperados, siendo cada columna un vector individual
y_{k}, en el que el componente de orden i del vector de
orden k es el componente de orden k de f(x_{i}) Y =
\lfloor y_{1}, y_{2}, ..., y_{N}
\rfloor, una matriz MxN, en la que cada columna es un vector
individual y_{k}, y M es la dimensión de f(x).
A = [\alpha_{1},
\alpha_{2}, ..., \alpha_{N}], una matriz LxN,
siendo cada columna un vector individual \alpha_{k}.
La solución lineal óptima para A se obtiene
utilizando el pseudo-inverso igualmente:
Disponiendo de nuevo la ecuación (13) se
consigue para cada \hat{\underline{y}}_{k,z}:
para un nuevo vector
z.
Por lo tanto, las ecuaciones (13) y (15)
muestran la forma de derivar valores aproximados de f(z) para
nuevos valores de z que no se encuentran en el juego de
muestra de datos originales de "aprendizaje".
Los siguientes ejemplos muestran el enfoque de
regresión de núcleo y la selección de un subconjunto de datos
descrito anteriormente. En el primer ejemplo, tanto x como y =
f(x) son valores escalares. Para ilustrar el enfoque se
utilizará una función conocida f(x) = sin(x)/x. En el
ejemplo, se añade ruido Gausiano de forma que y = f(x) =
sinc(2\pix) + N(0, 0,05). La figura 1 muestra la
función y = sinc(2\pix) (es decir, sin ruido).
El juego de datos X consiste en muestras de x
distribuidas a lo largo del eje x, tal como se ha mostrado en la
figura 2. La figura 2 muestra asimismo los valores correspondientes
medidos de f(x) (es decir, con ruido). En este ejemplo, hay
31 muestras, de manera que X tiene 31 elementos, o M = 31.
En primer lugar, se selecciona el subconjunto S
de X.
Esto se consigue utilizando un núcleo Gausiano
26 , con \sigma = 0,2, función de ajuste J_{s} tal
como se ha indicado en la ecuación (8) y enfoque heurístico tal como
se ha indicado anteriormente.
Como resultado, se encuentra un conjunto S =
{2,4,6,9,10,12,14,17,18,20,22,24,27,28,30} en el que el número se
refiere a la posición de la muestra correspondiente en el juego X,
suponiendo que los elementos en X están numerados según orden de
valor creciente desde la primera muestra (más negativa) a la última
muestra (más positiva). En este caso S tiene 15 elementos (L = 15)
y J_{s} vale 0,91. Si bien es interesante comparar la forma en la
que los elementos S se relacionan con la forma general de
f(x), se debe observar que f(x) no se utiliza para
determinar S, y S consiste en un juego de valores x
monodimensionales.
La figura 3 muestra los elementos seleccionados,
es decir, los elementos de S junto con sus valores asociados
de
f(x).
f(x).
A continuación, se utilizará el enfoque de
regresión de núcleo, que se ha descrito, suponiendo que existe una
regresión lineal entre f(x) y la imagen de X en un espacio F
según un mapa \diameter reflejado por el núcleo Gausiano que se
ha escogido y utilizado para la selección de S.
En primer lugar, se determinará K_{x,s},
utilizando la ecuación (11a) y los conjuntos de X y S, y a
continuación se calculará K^{+}_{X,S} (ver ecuación 12a). A
continuación se calcula \alpha, que representa la regresión
lineal, utilizando los valores medidos de f(x) para cada uno
de los elementos de X, para determinar y, y K^{+}_{X,S}
según la ecuación (12). A continuación, la ecuación (13) puede ser
utilizada para determinar el valor de la aproximación de
f(x) para valores de x, incluyendo nuevos valores. Se debe
observar que la ecuación (13) tiene en cuenta x_{i} \varepsilon
S, lo que reduce la cantidad de cálculos requeridos en comparación
con x_{i} \varepsilon X.
600 valores de x distribuidos de manera regular
a lo largo del eje x son seleccionados y los valores
correspondientes de \hat{y} son calculados utilizando la ecuación
(13). Estos puntos son trazados y unidos proporcionando una
aproximación a función continua, tal como se ha mostrado en la
figura 4a. La figura 4a también muestra en negrita los puntos
correspondientes al conjunto X con los valores medidos originalmente
asociados para y = f(x). La figura 4b es un gráfico que
muestra la diferencia entre \hat{y} e y = sinc(2\pix)
para cada uno de los 600 valores de x.
El siguiente ejemplo se aplica a una técnica de
represión de núcleo para clasificación.
La figura 5 muestra un conjunto de datos, que
adopta la forma de tres agrupaciones 2-D.
#1 | 200 muestras | |
x_{1}: | N(0.1) | |
X_{2}: | x_{1*} x_{1} + N(0.0,1) | Las dos distribuciones normales son independientes |
#2 | 200 muestras | |
x_{1}: | N(0.0,3) | |
X_{2}: | N(4.0,1) | Las dos distribuciones normales son independientes |
#3 | 200 muestras | |
x_{1}: | N(0.0,1) | |
X_{2}: | N(2.0,3) | Las dos distribuciones normales son independientes |
\vskip1.000000\baselineskip
El conjunto X tiene un total de 75 muestras
tomadas al azar, 25 de cada agrupación (una octava parte de la base
de datos total).
La primera etapa consiste en centrar y escalar
los datos de X (media = 0, y desviaciones estándar = 1).
La selección del conjunto S ha sido llevada a
cabo con un núcleo Gausiano que tiene \sigma de valor 1. Se
utilizó la función de adecuación de la ecuación (8), y la selección
se interrumpió cuando J_{s} alcanzó 0,99.
Esto tuvo como resultado un conjunto S =
{4,5,6,7,10,12,13,15,1,23,25,27,31,34,42,49,52,66,68}, que tiene 19
elementos, en el que los números se refieren a una posición del
elemento en el conjunto X. Los elementos de S se han mostrado en la
figura 6.
El final FVS J_{s} fue de 0,992.
Se ha de observar que el conjunto de S capta la
"forma" de cada agrupación. En contraste con el ejemplo
anterior, la "forma" de los datos en el conjunto S es
significativa como mínimo dado que los elementos de X y S son
2-D. Se debe
observar también que S contiene 11 elementos para la agrupación #1, y solamente 8 para las agrupaciones #2 & #3.
observar también que S contiene 11 elementos para la agrupación #1, y solamente 8 para las agrupaciones #2 & #3.
Para los objetivos de clasificación de acuerdo
con las agrupaciones que aparecen por inspección, se define una
función de vector en X y S del modo siguiente:
En este ejemplo, 1 \leq K \leq 3, y se
obtienen tres vectores y_{1}, y_{2} e
y_{3}, cada uno de los cuales tiene 75 elementos, siendo
el elemento de orden i de cada y_{k} el que se ha definido
anteriormente.
Utilizando el mismo núcleo que para la selección
de S, y las ecuaciones (14) y (15), se obtienen estimaciones de
\hat{y}_{1}, \hat{y}_{2} e y_{3}, cada uno de los cuales
tiene 75 elementos, siendo el elemento de orden i de cada
y_{k} el que se ha definido anteriormente.
Utilizando el mismo núcleo que para la selección
de S, y las ecuaciones (14) y (15), se obtienen estimaciones para
\hat{y}_{1}, \hat{y}_{2} e \hat{y}_{3} que se pueden
considerar esencialmente como funciones de clasificación. En otras
palabras, si y_{k} (z) se encuentra suficientemente
"próximo a" (tal como se puede definir separadamente) 1 para
un valor de z determinado z = (x_{1},x_{2}),
entonces z pertenece a la agrupación K, y de otro modo no
pertenece a ella.
La figura 7 muestra valores calculados para
\hat{y}_{1} para diferentes valores de (x_{1},x_{2}).
Se supondrá que se define la función de
clasificación utilizando un umbral de 0,5. En otras palabras, z =
(x_{1},x_{2}), se supondrá z \varepsilon agrupación K si
\hat{y}_{k,z} \leq 0,5. Se corresponde a la definición de
los límites de decisión para las agrupaciones en el espacio
(x_{1},x_{2}).
La figura 8 muestra los límites de decisión para
las tres agrupaciones de este ejemplo suponiendo un umbral de 0,5
para cada \hat{y}_{i}.
A continuación se describe un enfoque
alternativo, en el que en vez de construir S antes de llevar a cabo
la regresión, el error de regresión es utilizado para construir
S.
Este enfoque puede utilizar un enfoque
heurístico similar al descrito anteriormente, pero utilizando el
error de regresión como función de ajuste.
La ecuación (16) expresa este error
||d_{k}||^{2} para un vector determinado
y_{k}. La ecuación (17) indica un ejemplo de función de
adaptación adecuada \varepsilon_{s}.
En este caso \varepsilon_{s} es una función
de adecuación de "error", y por lo tanto intentaremos
minimizarla.
En un tercer ejemplo, se utilizará el enfoque
alternativo con respecto a los datos del primer ejemplo.
Las figuras 9a y 9b muestran los resultados con
la misma función Sin(x)/x igual que en el primer ejemplo
anterior. La figura 9 muestra una aproximación de f(x) para
600 muestras, y la figura 9b muestra el error entre la aproximación
y = sinc 2\pix/x para los ejemplos.
S = {1, 6,8,9,10,12,14,16,19,20,22,23,25,27,28},
en el que los números se refieren a la posición del elemento en el
conjunto X con un error de regresión de 0,00169 utilizando el mismo
núcleo Gausiano (\sigma = 0,2) tal como en el primer ejemplo.
Las figuras 9a, 9b y las figuras 4a, 4b son
similares, lo que muestra que los enfoques alternativos conducen a
soluciones muy similares.
De manera similar, en un cuarto ejemplo, se
lleva a cabo el enfoque alternativo utilizando el caso de
clasificación del segundo ejemplo exactamente con las mismas 3
agrupaciones. De acuerdo con la ecuación (17) la heurística fue
interrumpida tan pronto como el error de regresión alcanzó 0,001
(igual núcleo Gausiano con \sigma = 1).
Esto proporciona S = {1,2,
6,7,9,10,13,18,23,33,36,48,52, 60,73}, de manera que L = 15.
S se muestra en la figura 10.
Esto es también similar a los resultados del
segundo ejemplo. Las figuras 11 y 12 muestran la regresión hallada
para la agrupación #1, y los tres límites de decisión con un umbral
de 0,5 para cada \hat{y}_{i}.
Es difícil encontrar diferencias entre las
figuras 7 & 11, o 8 & 12.
En los ejemplos anteriores, se utiliza un núcleo
Gausiano. No obstente, se pueden utilizar muchos otros núcleos,
tales como el núcleo polinómico k(x,y) = [(x\cdoty) +
c]^{d} en el que d es un número natural y c es un escalar,
frecuentemente +1. Cuando d es 1 y c es 0 ello representa nuevamente
una regresión lineal clásica.
Otro núcleo interesante es el sigmoide,
utilizado para la propagación de retorno de redes neurales:
en la que \alpha es de manera
clásica +1,0 pero puede adoptar otros
valores.
Otro núcleo es la tangente hiperbólica, k (x,y)
= tanh [(x\cdoty)+\theta]
En cada caso x e y pueden ser un vector o
cantidades escalares utilizando nuevamente la técnica de
polarización, \theta se puede omitir.
Hay muchas otras funciones de núcleo que
satisfacen el teorema de Mercer (ver WO 00/33262), que representa
productos de puntos en F y que se pueden utilizar en la
invención.
El núcleo pendiente, en el que x e y son
escalares, es otro ejemplo interesante:
Como quinto ejemplo, se utilizó en los datos de
la agrupación del segundo ejemplo un núcleo sigmoide
33 con a = 1, fue utilizando el segundo enfoque. La
resolución conduce a S = {1,2,3,6,8,
10,18,21,23,71}, L = 10, para un error de regresión de 0,0033. La figura 13 muestra un gráfico de \hat{y}, en el que \hat{y} está muy limitada en la gama [0,1], (es decir, si \hat{y}_{1} es menor de cero, se trata como cero, y si es mayor de 1 se trata como 1), y ello muestra la regresión para la primera agrupación.
10,18,21,23,71}, L = 10, para un error de regresión de 0,0033. La figura 13 muestra un gráfico de \hat{y}, en el que \hat{y} está muy limitada en la gama [0,1], (es decir, si \hat{y}_{1} es menor de cero, se trata como cero, y si es mayor de 1 se trata como 1), y ello muestra la regresión para la primera agrupación.
La figura 14 muestra los límites de decisión
correspondientes para cada uno de \hat{y}_{1}, \hat{y}_{2}
y \hat{y}_{3} con un umbral de 0,5.
Se puede apreciar de la figura 14 que los
límites no están ya cerrados; reflejan la característica sigmoide y
actúan igual que una red neural de propagación de retorno. Se debe
observar que para el mismo nivel de error de regresión se necesitan
menos elementos de S también (10 en vez de 15, o incluso 19).
Como sexto ejemplo se utilizó un núcleo
polinómico de 3^{er} orden k(x,y) =
(x^{t}\cdoty)^{d} (d=3,C=0), con los datos de la
agrupación. Para este problema es el núcleo menos complejo que puede
conseguir todavía la tarea sin error alguno de clasificación.
Esto proporciona S = {1,6,8,9,17,21,23,33,72}, L
= 9, para un error de regresión de 0,006. La figura 15 muestra el
gráfico para \hat{y}_{1}, en la que \hat{y}_{1} está muy
limitada a una gama [0.1].
La figura 16 muestra los límites de decisión
correspondientes para un umbral de 0,5.
Los ejemplos anteriores muestran buenos
comportamientos en generalización, lo que significa que tratan bien
con nuevos vectores que no se encontraban en el juego de datos
originales de X.
Para conseguir esta meta es necesario escoger
cuidadosamente el núcleo, su parámetro o parámetros (tal como
\sigma), y el nivel de error.
La elección de un núcleo apropiado se puede
conseguir por experimentación mediante pruebas y acotamiento del
error, haciendo comprobaciones para ver que es lo que da los mejores
resultados para los datos que se están analizando.
Alternativamente, la elección puede ser realizada utilizando
experiencias e inspección de la distribución de los datos.
Por ejemplo, para datos que tienen una
distribución de tipo polinómico, un núcleo polinómico puede
proporcionar buenos resultados. También es necesario escoger
cuidadosamente varios parámetros, tales como \sigma en el núcleo
Gausiano, y el nivel predeterminado para la función de adaptación.
También en este caso, las directrices son, experimentación,
experiencia y forma de los datos.
Es posible utilizando núcleos tales como el
Gausiano encontrar que todos los vectores X son casi linealmente
independientes en F (por lo menos numéricamente).
Cuando S = X la regresión facilita entonces una
solución exacta para todas las muestras de aprendizaje, lo que
significa:
Y =
\hat{Y}
En realidad, tan pronto como el rango de
K_{S,S} alcanza M se tiene evidentemente K_{S,S} = K_{X,X}
y:
Sin embargo, ningún error con los ejemplos de
aprendizaje significa, frecuentemente, capacidades menos
satisfactorias de generalización. Los inventores han empezado el
aprendizaje del ruido, lo cual conduce a sobredeterminación
("overfitting"). Éste es un problema clásico, la solución se
basa en un compromiso entre la tasa de aprendizaje de error y la
tasa de comprobación de error.
En los ejemplos indicados anteriormente, las
tareas de clasificación han sido realizadas por regresión múltiple
utilizando funciones binarias (tal como en los anteriores ejemplos
de 3 agrupaciones), que utiliza las ecuaciones 14 y 15. Una
posibilidad alternativa consiste en evaluar las agrupaciones
individualmente. En este enfoque se tienen tantas regresiones
individuales como agrupaciones (N). Se supondrá para una agrupación
determinada que todas las demás pertenecen solamente a una común.
Por lo tanto, se tiene un problema de clasificación de dos clases.
Este esquema dicotómico podría ser especialmente de ayuda en la
utilización de núcleos gausianos. Para cada agrupación C_{i} se
calcula una función de clasificación (utilizando regresión simple)
entre dicha función y las otras, pero se selecciona S solamente a
partir de C_{i}. Incluso si la optimización se ha realizado con
todos los datos, la solución se describe con las de C_{i}.
Ello significa que la función de clasificación
C_{i} no participa de datos de otras agrupaciones cuando, por
ejemplo, la red neural de propagación en retorno utiliza el mismo
juego de ponderaciones para conseguir todas las funciones de
clasificación. Por lo tanto, no es posible separar las ponderaciones
por agrupación y todas ellas son necesarias incluso para el proceso
de una clasificación individual. Por otra parte, el KR facilita la
cantidad de datos que se consideran para la minimización de un
subconjunto de agrupaciones porque todo lo que se necesita para
cada función de clasificación individual es ya conocido.
Utilizando núcleos gausianos se ha visto que los
resultados son muy similares con este enfoque a los de una
regresión múltiple. Se debe observar que para trabajar
satisfactoriamente se necesita tratar las funciones similares a RBF
como núcleo.
De acuerdo con las realizaciones preferentes de
la invención los principios generales de los enfoques que se han
descrito en lo anterior se aplican a elementos de dinero y a
dispositivos de validación de dinero. En otras palabras, los
enfoques son aplicados a datos que se derivan de detectores para
deducir mediciones representativas de características de elementos
de dinero. Haciendo referencia al segundo ejemplo, los ejes de la
figura 5 se podrían considerar que representan grosores de monedas y
material de las monedas de tres valores distintos de las monedas, o
bien un valor genuino y dos falsificaciones, si bien en realidad las
distribuciones mostradas en la figura 5 pueden no ser
necesariamente representativas de distribuciones de la vida real. En
muchos casos, tal como en un dispositivo para la validación de
billetes de banco, la dimensión del vector característico formado
por combinación de mediciones del billete de banco es mucho mayor de
tres y, por lo tanto, no se puede mostrar en imagen.
Una realización de la invención se refiere a un
dispositivo de validación de monedas tal como se ha mostrado en el
diagrama de bloques de la figura 17.
En la figura 17, la casilla (1) indica un
sistema de medición que comprende una entrada (2), un sistema de
transporte en forma de entrada de monedas y ruta de transporte de
monedas (no mostrado) para presentar una muestra (3) y un sistema
detector (no mostrado) para medir cantidades físicas de la muestra.
El sistema de medición (1) está conectado a un sistema de proceso
(4) por medio de un bus de datos (5). El sistema de proceso (4)
está conectado a un clasificador (6) por medio de un bus de datos
(7). La salida del clasificador (6) está conectada a un sistema de
utilización (8) por medio de un bus (9) de salida de datos. El
sistema de utilización (8) es en este ejemplo una máquina de venta
automática, pero también puede ser, por ejemplo, una máquina de
cambio de dinero.
El sistema de medición (1) mide las
características de una moneda insertada (3). Las características
medidas son reunidas en un vector de características que tiene n
elementos, de manera que cada elemento corresponde a una
característica medida por el sistema de proceso (4). En el presente
ejemplo el sistema detector mide valores representativos del
material, grosor y diámetro de una moneda insertada, utilizando
técnicas conocidas (ver, por ejemplo, GB 2 254 949 A) y estos
valores se encuentran en los tres elementos del vector de
características correspondientes. De forma breve, cada uno de los
sensores comprende una o varias bobinas en un circuito
autooscilante. En el caso de sensores de diámetro y de grosor, el
cambio en la inductancia de cada bobina provocado por la proximidad
de una moneda insertada provoca la alteración de la frecuencia del
oscilador, de manera que se puede deducir una representación
digital de las características correspondientes de la moneda. En el
caso del sensor de conductividad, un cambio en la Q de la bobina
provocado por la proximidad de una moneda insertada provoca la
alteración del voltaje en la bobina, de manera que se puede deducir
una salida digital representativa de la conductividad de la bobina.
Si bien la estructura, posición y orientación de cada bobina, así
como la frecuencia del voltaje aplicado a la misma, están
dispuestos de forma tal que la bobina proporciona una salida
predominantemente dependiente de una de las características
específicas de conductividad, diámetro y grosor, se apreciará que
cada una de las mediciones quedará afectada en cierta medida por
otras características de la moneda.
Desde luego, se pueden medir muchas
características distintas representativas de elementos de dinero y
se pueden utilizar como elementos de los vectores de
características, utilizando diferentes detectores, tales como
detectores ópticos, magnéticos y otros tipos de detectores de tipo
bien conocido en esta técnica. Por ejemplo, en el caso de un
billete de banco, las características medidas pueden incluir, por
ejemplo, la anchura del billete, la longitud del mismo y la
intensidad de la luz reflejada o trasmitida para el conjunto o una
parte del billete. Por ejemplo, se puede disponer de un sistema de
medición para la exploración de un billete de banco a lo largo de N
líneas utilizando sensores ópticos. Cada línea de escaneado contiene
L áreas individuales que son escaneadas de forma sucesiva. En cada
área hay mediciones de M características distintas. De manera más
específica, para cada área, se hacen mediciones de las intensidades
de reflectancia de las radiaciones roja, verde e infrarroja. El
número total de mediciones para un billete de banco es, por lo
tanto, L x M x N. Estas mediciones forman los componentes del
vector de características para la muestra respectiva, de manera que
el vector de características tiene L x M x N componentes. De manera
alternativa, las mediciones pueden ser procesadas de diferente
manera para obtener un vector de características representativo de
la muestra que se ha medido. Por ejemplo, se pueden formar vectores
de características locales para cada área medida a base de las M
mediciones de dicha área, de manera que cada vector de
características local tiene M componentes. Los vectores de
características locales pueden ser sumados sobre el área del billete
de banco, obteniendo un vector de características de M dimensiones
que es representativo de la totalidad de la muestra.
El vector de características es introducido a
continuación en el clasificador (6). El clasificador (6) determina
si la muestra pertenece a cualquiera de las bases predeterminadas
utilizando el vector de características y criterios de
clasificación predeterminados incluyendo una función de separación.
Si la muestra es identificada como perteneciente a un valor
aceptable, entonces es aceptada y se abona el correspondiente valor.
Si la muestra es identificada como perteneciente a un grupo de
falsificaciones conocido, es rechazada.
En este ejemplo, el sistema está destinado a la
clasificación de dos valores de monedas y una falsificación
conocida.
La deducción de la función de separación se
describirá a continuación.
La distribución de población de los valores se
analiza tal como se explica a continuación.
Inicialmente, se miden muestras de cada uno de
los valores de interés y cada una de las falsificaciones conocidas
y se forman los vectores de características correspondientes. Las
muestras pueden ser formadas utilizando el sistema sensor del
validador de interés, pero en esta realización las muestras son
deducidas de una serie de sistemas sensores correspondientes para
tener en cuenta las variaciones y tolerancias de fabricación en
sistemas sensores de diferentes validadores comercializados e
instalados en el sector. Los vectores de características
procedentes de las muestras, una vez representados de forma gráfica,
por ejemplo, en un gráfico de dispersión de n dimensiones (siendo n
el número de características medidas) constituyen en primera
instancia agrupaciones ("clusters"). Estas muestras medidas
son analizadas a continuación y utilizadas para deducir una función
de separación. En este ejemplo 50 muestras para cada valor y 50
muestras de las falsificaciones son utilizadas y medidas en 10
muestras de sistemas sensores. Los datos de agrupación resultante
son analizados y utilizados para deducir una función de
clasificación, utilizando el enfoque que se ha descrito
anteriormente con respecto al ejemplo 2. La función de
clasificación es almacenada a continuación en una memoria del
sistema de proceso (4) de un dispositivo de validación
específico.
A continuación se lleva a cabo la clasificación
para monedas de valor desconocido de la manera siguiente. Se
inserta una moneda en el dispositivo de validación. La moneda
insertada es detectada y se obtienen mediciones representativas del
material, de su grosor y su diámetro. El sistema de proceso lleva a
cabo, a continuación, las etapas siguientes. Se deduce un vector de
características, z, de los valores medidos. A continuación se
calculan los valores de y_{k,z} usando la ecuación (15), y se
comparan con un valor de umbral determinado, en este caso 0,5. Si
\hat{y}_{k,z} \leq 0,5, entonces se considera que la moneda
pertenece a la agrupación K, siendo aceptada o rechazada de acuerdo
con ello.
De acuerdo con este enfoque el dispositivo de
validación necesita almacenar muy pocos datos (por ejemplo, los
datos requeridos en la ecuación (15), es decir S, K y
\alpha_{k,i} y el umbral) para llevar a cabo la tarea de
clasificación en un elevado grado de exactitud. Esto reduce los
costes y los esfuerzos de cálculo, e incrementa la velocidad de
clasificación.
El análisis de los valores de la muestra para el
análisis de datos inicial y la deducción de la función de
separación se pueden realizar, por ejemplo, utilizando un
microprocesador. De manera similar, el clasificador (6) puede ser
un microprocesador.
Los métodos de la realización que se ha descrito
son igualmente aplicables a un billete de banco u otro elemento de
dinero o a la clasificación de otros tipos de elementos que son
detectados por un sensor de dichos elementos para producir valores
medidos.
En la realización descrita en lo anterior se ha
deducido una función de clasificación de un validador de dinero de
acuerdo con la invención. La invención puede ser también utilizada
para deducir otras funciones útiles, especialmente para su
utilización con dispositivos de validación de dinero. Por ejemplo,
la invención puede ser aplicada para deducir una firma
("signature") para un validador o grupo de validadores. Los
datos de dicha "firma" de un validador representan las
características de un validador o grupo de validadores. La
"firma" de un validador puede ser considerada, por ejemplo,
indicativa de las mediciones que se tienen que esperar de un
validador determinado cuando éste comprueba un elemento en
comparación con las mediciones obtenidas en un validador conocido
para el elemento. Por ejemplo, un validador específico puede
proporcionar, a causa de la disposición del dispositivo, mediciones
en todos los casos que son el doble de las dimensiones de las
mediciones correspondientes obtenidas mediante un validador conocido
y esto se conoce como "firma". La presente invención puede ser
utilizada para obtener una función representativa de la "firma"
de un validador específico analizando datos obtenidos de la
medición de una serie de elementos de dinero en el validador y
comparándolos con datos de referencia, por ejemplo, obtenidos por
medición de una serie de elementos de dinero en otro validador
predeterminado o grupo de validadores que se utilizan como
referencia para determinar las "firmas" de los validadores. La
"firma" puede ser utilizada también cuando se construye el
validador en la fábrica o adaptándolo en servicio, por ejemplo,
para introducir una nueva moneda en el conjunto de monedas
aceptables. La "firma" puede ser almacenada en el validador de
monedas.
En la realización que se ha descrito, se
utilizan muestras de los valores de interés para deducir la función
de clasificación. También se pueden utilizar otros elementos, tales
como fichas o arandelas.
En los ejemplos que se han indicado se lleva a
cabo una regresión lineal sobre F. También es posible llevar a cabo
otras regresiones no lineales, tales como utilizando, por ejemplo,
funciones cuadráticas. Estas técnicas son más complicadas que
llevar a cabo una regresión lineal, pero pueden ser todavía más
simples que una regresión basada en X.
Claims (28)
1. Método para la deducción de una función de
clasificación para clasificar elementos de dinero, comprendiendo el
método la deducción de una serie de mediciones a partir de un sensor
o sensores de dinero y una serie de elementos de dinero, y la
formación de un conjunto de datos a partir de las mediciones,
correspondiendo los elementos del conjunto de datos a puntos de un
primer espacio, seleccionando la función de núcleo que corresponde
a la reproducción del primer espacio en el segundo espacio,
comprendiendo el método la selección de un subconjunto del juego de
datos de manera que el subconjunto es tal que la imagen del
subconjunto bajo la reproducción en el segundo espacio se utiliza
como base para representar de manera aproximada la imagen del juego
de datos bajo la reproducción en el segundo espacio y utilizando,
subsiguientemente, imágenes del subconjunto para deducir una
función de clasificación.
2. Método, según la reivindicación 1, en el que
el subconjunto es tal que la imagen de cada elemento del juego de
datos se puede expresar, aproximadamente, como combinación lineal de
la imagen de elementos del subconjunto.
3. Método, según la reivindicación 2, en el que
el subconjunto es tal que una medición de la aproximación cumple
una condición predeterminada.
4. Método, según cualquiera de las
reivindicaciones 1 a 3, en el que la etapa de seleccionar un
subconjunto comprende:
(a) deducir un subconjunto preliminar;
(b) añadir temporalmente como mínimo un elemento
desde el juego de datos al subconjunto para formar un subconjunto
temporal;
(c) calcular el valor de una función de
adaptación que representa el grado de aproximación de los elementos
restantes del juego de datos en términos de imagen del subconjunto
temporal;
(d) sustituir los elementos temporales del
subconjunto temporal por otros elementos y repetir la etapa (c);
y
(e) comparar los valores de la función de
adaptación para cada subconjunto temporal y seleccionar el
subconjunto temporal para el que el valor de la función de
adaptación indica la mayor aproximación, y disponer del subconjunto
temporal seleccionado como subconjunto preliminar.
5. Método, según la reivindicación 4, en el que
las etapas (a)-(e) son repetidas para formar una secuencia de
subconjuntos preliminares de dimensiones crecientes.
6. Método, según la reivindicación 4 ó 5, en el
que las etapas (a)-(e) son repetidas hasta que una función de
adaptación cumple una condición predeterminada.
7. Método, según la reivindicación 6, en el que
la condición predeterminada es que el valor de la función de
adaptación es menor o igual a un valor predeterminado.
8. Método, según la reivindicación 6, en el que
la condición predeterminada es que el valor de la función de
adaptación es superior o igual a un valor predeterminado.
9. Método, según cualquiera de las
reivindicaciones 4 a 8, en el que la función de adaptación utiliza
la función de núcleo.
10. Método, según cualquiera de las
reivindicaciones 1 a 9, que comprende, además, la realización de
análisis discriminante generalizado de núcleo, análisis de
componentes principales de núcleo, o regresión de núcleo utilizando
el subconjunto seleccionado.
11. Método, según cualquiera de las
reivindicaciones anteriores, en el que el conjunto o juego de datos
consiste en datos de aprendizaje.
12. Método, según la reivindicación 11, en el
que la selección del subconjunto se lleva a cabo utilizando
solamente datos de aprendizaje.
13. Método, según cualquiera de las
reivindicaciones anteriores, que comprende, además, la determinación
de un conjunto de valores que corresponden a los valores medidos y
deduciendo una expresión representativa de la función de los
valores medidos en términos de la función de núcleo y utilizándola
para deducir una función de clasificación.
14. Método, según la reivindicación 13, que
comprende la deducción de un conjunto de palabras representativo de
la función como relación lineal entre la imagen de, como mínimo,
algunos elementos del juego de datos sometido a reproducción.
15. Método, según la reivindicación 13 ó 14, en
el que los valores de la función son escalares.
16. Método, según la reivindicación 13 ó 14, en
el que los valores de la función son vectores.
17. Método, según cualquiera de las
reivindicaciones 13 a 16, que utiliza la relación 35
tal como se ha definido, para cantidades vectoriales o
escalares.
18. Método, según cualquiera de las
reivindicaciones 13 a 17, en el que existe una relación no lineal
entre el conjunto de mediciones y el conjunto de valores, en un
primer espacio, y la deducción de la expresión de la relación no
lineal en el primer espacio, llevando a cabo una regresión sobre la
imagen de los datos bajo la reproducción en un segundo espacio.
19. Método, según la reivindicación 18, en el
que la función es una función de firma que representa la respuesta
del validador de dinero con respecto a una referencia.
20. Método, según la reivindicación 18 ó 19, en
el que la deducción de la expresión comporta la realización de
regresión lineal en el segundo espacio.
21. Método, según cualquiera de las
reivindicaciones anteriores, en el que elementos individuales del
conjunto de datos comprenden una serie de mediciones
correspondientes a una serie de características de los elementos
detectados.
22. Método, según cualquiera de las
reivindicaciones anteriores, en el que el sensor de dinero es un
sensor de documentos.
23. Método, según la reivindicación 22, en el
que el sensor de documentos es un sensor de billetes de banco.
24. Método, según cualquiera de las
reivindicaciones 1 a 21, en el que el sensor de dinero es un sensor
de monedas.
25. Método, según cualquiera de las
reivindicaciones anteriores, en el que la función de núcleo es una
función gausiana, polinómica, sigmoide, hiperbólica tangente o de
núcleo con inclinación.
26. Método para la adaptación de un dispositivo
validador de dinero que comprende el almacenamiento de una
representación de la función deducida, de acuerdo con un método,
según cualquiera de las reivindicaciones 1 a 25.
27. Método para la clasificación de un elemento
de dinero en un clasificador de dinero que comprende la deducción,
como mínimo, de una medición del elemento procedente, como mínimo,
de un detector del dinero, la determinación del valor de una
función deducido de acuerdo con un método, según cualquiera de las
reivindicaciones 1 a 25, y la clasificación del elemento de acuerdo
con el valor determinado.
28. Dispositivo de validación que comprende
medios (1) para la detección de elementos de dinero (3) para
producir valores medidos representativos de características de
dichos elementos, medios (4, 6) de almacenamiento de una
representación de una función derivada de acuerdo con un método
según cualquiera de las reivindicaciones 1 a 25, y medios (4, 6)
para validar un elemento de dinero utilizando unos valores medidos y
la función.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP00311253A EP1217589B1 (en) | 2000-12-15 | 2000-12-15 | Currency validator |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2280179T3 true ES2280179T3 (es) | 2007-09-16 |
Family
ID=8173451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES00311253T Expired - Lifetime ES2280179T3 (es) | 2000-12-15 | 2000-12-15 | Dispositivo para la validacion de dinero. |
Country Status (5)
Country | Link |
---|---|
US (1) | US6899215B2 (es) |
EP (1) | EP1217589B1 (es) |
JP (1) | JP4413461B2 (es) |
DE (1) | DE60033535T2 (es) |
ES (1) | ES2280179T3 (es) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2344446A (en) * | 1998-12-02 | 2000-06-07 | Mars Inc | Classifying currency items |
AUPQ136299A0 (en) * | 1999-07-02 | 1999-07-22 | Microsystem Controls Pty Ltd | Coin validation |
US7677969B2 (en) * | 2001-12-12 | 2010-03-16 | Aristocrat Technologies Australia Pty. Limited | Bill acceptor for a gaming machine |
US7648016B2 (en) * | 2002-06-19 | 2010-01-19 | Mei, Inc. | Currency validator |
EP1376484A1 (en) * | 2002-06-25 | 2004-01-02 | Mars Incorporated | Method and apparatus for processing signals in testing currency items |
KR101333278B1 (ko) * | 2004-03-09 | 2013-12-02 | 카운슬 오브 사이언티픽 앤드 인더스트리얼 리서치 | 시각적인 반사 스펙트럼 반응을 이용한 향상된 위조 화폐 검출기 |
JP5148996B2 (ja) | 2004-03-12 | 2013-02-20 | インジェニア・テクノロジー・(ユーケイ)・リミテッド | 認証可能な印刷物品を作成し、その後に検証するための方法および装置 |
EP2131315A3 (en) | 2004-03-12 | 2011-01-26 | Ingenia Technology Limited | Authenticity verification by large scale illumination |
US20070140551A1 (en) | 2005-12-16 | 2007-06-21 | Chao He | Banknote validation |
WO2007072044A1 (en) | 2005-12-23 | 2007-06-28 | Ingenia Holdings (Uk) Limited | Optical authentication |
AU2006346894B2 (en) * | 2006-07-28 | 2012-01-19 | Mei, Inc. | Classification using support vector machines and variables selection |
DE102006053788A1 (de) * | 2006-11-15 | 2008-05-21 | Giesecke & Devrient Gmbh | Verfahren zur Erkennung von Verschmutzungen im Bereich von Farbübergängen auf Wertdokumenten und Mittel zur Durchführung des Verfahrens |
US8503796B2 (en) | 2006-12-29 | 2013-08-06 | Ncr Corporation | Method of validating a media item |
US8611665B2 (en) | 2006-12-29 | 2013-12-17 | Ncr Corporation | Method of recognizing a media item |
KR101397782B1 (ko) | 2007-05-29 | 2014-05-20 | 주식회사 엘지씨엔에스 | 지폐이미지 추출 장치 및 방법 |
AU2008256256B2 (en) * | 2007-06-01 | 2014-05-08 | Kba-Notasys Sa | Authentication of security documents, in particular of banknotes |
GB2466311B (en) | 2008-12-19 | 2010-11-03 | Ingenia Holdings | Self-calibration of a matching algorithm for determining authenticity |
GB2466465B (en) | 2008-12-19 | 2011-02-16 | Ingenia Holdings | Authentication |
CN101504781B (zh) * | 2009-03-10 | 2011-02-09 | 广州广电运通金融电子股份有限公司 | 有价文件识别方法及装置 |
AT509022B1 (de) * | 2009-08-14 | 2012-09-15 | Ait Austrian Inst Technology | Verfahren zur qualitätsprüfung eines digitalbilds |
GB2476226B (en) * | 2009-11-10 | 2012-03-28 | Ingenia Holdings Ltd | Optimisation |
JP5468401B2 (ja) * | 2010-01-28 | 2014-04-09 | グローリー株式会社 | 硬貨センサ、実効値算出方法および硬貨識別装置 |
TWI423175B (zh) * | 2010-09-01 | 2014-01-11 | Univ Nat Sun Yat Sen | 基於多核心支援向量機之偽鈔辨識方法 |
DE102010047948A1 (de) * | 2010-10-08 | 2012-04-12 | Giesecke & Devrient Gmbh | Verfahren zum Prüfen eines optischen Sicherheitsmerkmals eines Wertdokuments |
JP5460658B2 (ja) * | 2011-08-05 | 2014-04-02 | エムイーアイ インコーポレーテッド | サポート・ベクタ・マシン及び変数選択を使用する方法 |
DE102011114410A1 (de) * | 2011-09-26 | 2013-03-28 | Giesecke & Devrient Gmbh | Verfahren zum Prüfen der Herstellungsqualität eines optischen Sicherheitsmerkmals eines Wertdokuments |
US9036890B2 (en) | 2012-06-05 | 2015-05-19 | Outerwall Inc. | Optical coin discrimination systems and methods for use with consumer-operated kiosks and the like |
US8739955B1 (en) * | 2013-03-11 | 2014-06-03 | Outerwall Inc. | Discriminant verification systems and methods for use in coin discrimination |
US9443367B2 (en) | 2014-01-17 | 2016-09-13 | Outerwall Inc. | Digital image coin discrimination for use with consumer-operated kiosks and the like |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4733765A (en) * | 1985-11-14 | 1988-03-29 | Kabushiki Kaisha Toshiba | Cash handling machine for handling mixtures of notes and coins introduced together |
GB2238152B (en) | 1989-10-18 | 1994-07-27 | Mars Inc | Method and apparatus for validating coins |
JP2936752B2 (ja) * | 1991-03-04 | 1999-08-23 | 富士電機株式会社 | 硬貨選別装置 |
GB2254949B (en) | 1991-04-18 | 1994-09-28 | Mars Inc | Method and apparatus for validating money |
CH684856A5 (de) | 1992-11-30 | 1995-01-13 | Mars Inc | Verfahren zur Klassifizierung eines Musters - insbesondere eines Musters einer Banknote oder einer Münze - und Einrichtung zur Durchführung des Verfahrens. |
US6580819B1 (en) * | 1993-11-18 | 2003-06-17 | Digimarc Corporation | Methods of producing security documents having digitally encoded data and documents employing same |
US6128402A (en) * | 1994-03-08 | 2000-10-03 | Cummins-Allison | Automatic currency processing system |
US5757001A (en) * | 1996-05-01 | 1998-05-26 | The Regents Of The University Of Calif. | Detection of counterfeit currency |
US6134344A (en) * | 1997-06-26 | 2000-10-17 | Lucent Technologies Inc. | Method and apparatus for improving the efficiency of support vector machines |
GB2344446A (en) | 1998-12-02 | 2000-06-07 | Mars Inc | Classifying currency items |
US6078698A (en) * | 1999-09-20 | 2000-06-20 | Flir Systems, Inc. | System for reading data glyphs |
-
2000
- 2000-12-15 DE DE60033535T patent/DE60033535T2/de not_active Expired - Lifetime
- 2000-12-15 ES ES00311253T patent/ES2280179T3/es not_active Expired - Lifetime
- 2000-12-15 EP EP00311253A patent/EP1217589B1/en not_active Expired - Lifetime
-
2001
- 2001-12-11 US US10/013,995 patent/US6899215B2/en not_active Expired - Fee Related
- 2001-12-14 JP JP2001381659A patent/JP4413461B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
US20020117375A1 (en) | 2002-08-29 |
US6899215B2 (en) | 2005-05-31 |
EP1217589A1 (en) | 2002-06-26 |
JP2002279478A (ja) | 2002-09-27 |
JP4413461B2 (ja) | 2010-02-10 |
EP1217589B1 (en) | 2007-02-21 |
DE60033535D1 (de) | 2007-04-05 |
DE60033535T2 (de) | 2007-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2280179T3 (es) | Dispositivo para la validacion de dinero. | |
JP4723724B2 (ja) | 分類方法と装置 | |
EP0737946B1 (en) | Method and apparatus for the classification of an article | |
ES2331066T3 (es) | Dispositivo de validacion de moneda. | |
EP0779604B1 (en) | Money validator | |
ES2291002T3 (es) | Validacion. | |
JP2009519532A (ja) | 銀行券の確認 | |
ES2426416T3 (es) | Dispositivo de validación de moneda | |
JPH06506786A (ja) | 金銭評価方法と装置 | |
ES2317879T3 (es) | Metodo y aparato para clasificar dinero. | |
CN103955658B (zh) | 二维码防伪方法和系统 | |
ES2403458T3 (es) | Discriminación de efectivo | |
CN205845159U (zh) | 纸币磁性全埋安全线防伪检测设备 | |
CN110263777A (zh) | 基于空谱结合的局部保持投影算法的目标检测方法及系统 | |
Wang et al. | Banknote Authentication Using Logistic Regression and Artificial Neural Networks | |
JP3640137B2 (ja) | 紙幣鑑別装置および記録媒体 | |
Islam et al. | iNote: a low cost banknote recognition system for visually impaired persons | |
CN118314653A (en) | Banknote checking method, system, device and medium based on data analysis | |
JPH02197985A (ja) | 硬貨選別装置 |