專(zhuān)利名稱(chēng)：分類(lèi)方法和設(shè)備的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及用于對(duì)物品分類(lèi)的方法和設(shè)備。本發(fā)明尤其與硬幣或 紙幣的分類(lèi)有關(guān)。
技術(shù)背景插入機(jī)械裝置、例如自動(dòng)售貨機(jī)、兌換機(jī)等的硬幣或紙幣， 一方 面依據(jù)面值分類(lèi)，以及/或者另一方面，在原件和拷貝或其偽造品之 間分選。已知執(zhí)行這種分類(lèi)的各種各樣的方法。如在GB2238152A中 描述的一個(gè)例子，其內(nèi)容在這里作為參考。例如，從插入的硬幣得到 表示硬幣的不同特征的測(cè)量值，例如材料和厚度。然后將這些測(cè)量值 與存儲(chǔ)的相應(yīng)成對(duì)值進(jìn)行比較，每組成對(duì)值相應(yīng)于各個(gè)可承兌的硬幣 的面額。當(dāng)每一個(gè)測(cè)量值落在給定面值的各個(gè)范圍中時(shí)，插入的硬幣 被分類(lèi)為屬于那個(gè)面額。在上述討論的分類(lèi)類(lèi)型中，測(cè)量值可以被看作特征向量中的元 素，并且不同面額的可承兌測(cè)量值對(duì)應(yīng)于特征空間中的區(qū)域，被稱(chēng)為 承兌區(qū)域。在上述給出的例子中，特征空間是兩維的，承兌區(qū)域是矩 形的，但是特征空間可以具有任何數(shù)量的維數(shù)，在承兌區(qū)域中具有相 應(yīng)的復(fù)雜性。例如，GB2254949A描述了三維特征空間中的橢球承兌區(qū) 域，其內(nèi)容在這里作為參考。在EP 0067898A、 EP 0472192A、 EP 0165734A中乂^開(kāi)了用于對(duì)鈔 票和硬幣分類(lèi)的方法和裝置的其他例子。例如，如EP 0553402A和EP 0671040A中所述的，其他分類(lèi)方法包括采用神經(jīng)網(wǎng)絡(luò)，其內(nèi)容在這里 作為參考。在硬幣分類(lèi)中的一個(gè)重要問(wèn)題是分離不同面額的困難。所感興趣 的不同面額的總體分布可能是這樣的，它不可能容易地定義正確地分 離面額的適當(dāng)?shù)慕邮苓吔?。另一個(gè)問(wèn)題是，為了實(shí)現(xiàn)正確的分離，需 要考慮具有大量元素的特征向量，這使得理解各種分布更加困難，因
而使得獲得適當(dāng)?shù)慕邮苓吔绺永щy。這些問(wèn)題與數(shù)據(jù)分析中的 一般 分類(lèi)問(wèn)題相類(lèi)似已經(jīng)被研究并且產(chǎn)生了各種不同的技術(shù)、包括統(tǒng)計(jì)方 法。作為數(shù)據(jù)分析的統(tǒng)計(jì)方法的一個(gè)例子，主分量分析("PCA")是 這樣一種方法，通過(guò)這種方法，采用線(xiàn)性變換將在一個(gè)空間中表達(dá)的 數(shù)據(jù)變換成一個(gè)新空間，其中，數(shù)據(jù)中的大多數(shù)變化可以用比第一空 間中更少的維數(shù)來(lái)表示。PCA方法涉及找到變量的協(xié)方差矩陣的本征 向量和本征值。本征向量是在新空間中的軸，本征向量具有作為第一 "主分量，，的最高本征值，按遞減大小依此類(lèi)推。PCA的細(xì)節(jié)可以在 關(guān)于多元分析的教科書(shū)中找到，例如Chatfield和Collins的"多元 分析導(dǎo)論"第4章。用于分類(lèi)目的的數(shù)據(jù)分析的另 一種方法是線(xiàn)性判別式分析 ("LDA")。 LDA在已知數(shù)據(jù)落入分開(kāi)的組中時(shí)是有用的。LDA的目標(biāo) 是將數(shù)據(jù)變換成一個(gè)新空間，以便使每個(gè)數(shù)據(jù)組的中心之間的距離在 投影到新空間的軸上時(shí)最大，還使每個(gè)組沿軸的方差最小。例如，在 Fukunaga的"統(tǒng)計(jì)模式識(shí)別導(dǎo)論，，("Fukunaga")中描述了這種方法。 在一個(gè)例子中，通過(guò)找到一個(gè)使C—W的軌跡值最大的線(xiàn)性變換來(lái)執(zhí)行 最大化，其中V是類(lèi)間協(xié)方差矩陣，C是所有樣本的協(xié)方差矩陣。如 Fukunaga中所解釋的，這實(shí)際上是找到C—W的本征向量和本征值。本 征向量是新空間的軸。如論文中所述的，當(dāng)有N個(gè)類(lèi)時(shí)，新空間具有 N-l維。.在許多情況下，PCA或LDA都不能對(duì)數(shù)據(jù)組給出正確的分離。數(shù) 據(jù)分析的另一種方法是基于PCA的非線(xiàn)性分量分析(NCA)。在NCA中， 采用非線(xiàn)性映射將數(shù)據(jù)投影在 一 個(gè)新空間中，然后在新空間中執(zhí)行 PCA。在Neural Computation 10， 1299-1319 (1998)由Bernhard Scholkopf, Alexander Smola和Klaus-Robert Muller的 "Nonlinear Component Analysis as a Kernel Figenvalue problem" 文章中給 出了 NCA的細(xì)節(jié)。("Scholkopf".)NCA的問(wèn)題在于，非線(xiàn)性空間的維數(shù)可能非常大，因此主分量的 數(shù)量也非常大。對(duì)于一給定問(wèn)題，不知道對(duì)于一個(gè)好的分類(lèi)需要多少 主分量。發(fā)明內(nèi)容在總體上，本發(fā)明涉及一種導(dǎo)出用于對(duì)貨幣物品分類(lèi)的分類(lèi)的方法，該方法包括測(cè)量每個(gè)類(lèi)別的已知樣本，并從所測(cè)量樣本導(dǎo)出特 征向量，將特征向量映射到對(duì)不同類(lèi)別有更清楚的分離的第二空間 中，并采用第二空間中的分離導(dǎo)出一個(gè)分離函數(shù)。更具體地，本發(fā)明提供了一種導(dǎo)出用于將貨幣物品分類(lèi)成兩個(gè)或 多個(gè)類(lèi)別的分類(lèi)器的方法，包括測(cè)量每個(gè)類(lèi)別的已知樣本，并從所 測(cè)量樣本導(dǎo)出特征向量，選擇一個(gè)對(duì)應(yīng)于特征向量空間到第二空間的 映射的函數(shù)，將特征向量映射到圖象向量，并在第二空間中導(dǎo)出表示 N-l個(gè)軸的系數(shù)，其中N是類(lèi)別數(shù)，獲得表示所測(cè)量樣本的圖象向量 到N-l個(gè)軸上的投影的值，并采用這些值來(lái)導(dǎo)出一個(gè)與第二空間中的 分離函數(shù)等效的用于分離類(lèi)別的分離函數(shù)。本發(fā)明還提供了一種用于對(duì)貨幣物品分類(lèi)的方法，包括測(cè)量物 品特征，從測(cè)量值產(chǎn)生一個(gè)特征向量，并采用根據(jù)權(quán)利要求1至6中 的任何一 個(gè)的方法導(dǎo)出的分類(lèi)器來(lái)對(duì)物品分類(lèi)。本發(fā)明還提供了一種用于對(duì)貨幣物品分類(lèi)的設(shè)備，包括用于測(cè) 量貨幣物品特征的測(cè)量裝置，用于從測(cè)量值產(chǎn)生一個(gè)特征向量的特征 向量產(chǎn)生裝置，以及，采用根據(jù)權(quán)利要求1至6中的任何一個(gè)的方法 導(dǎo)出的分類(lèi)器來(lái)對(duì)物品分類(lèi)的分類(lèi)裝置。本發(fā)明還提供了一種用于對(duì)貨幣物品分類(lèi)的設(shè)備，包括用于測(cè) 量貨幣物品特征的測(cè)量裝置，用于從測(cè)量值產(chǎn)生一個(gè)特征向量的特征 向量產(chǎn)生裝置，以及，分類(lèi)裝置，采用一個(gè)對(duì)應(yīng)于特征向量空間到第 二較高維空間的非線(xiàn)性映射的，從而將特征向量映射到圖象向量函 數(shù)，和代表第二空間中的N-l個(gè)軸的系數(shù)，以及一個(gè)等效于第二空間 中的分離函數(shù)的函數(shù)來(lái)對(duì)物品分類(lèi)，其中N是可以由所述設(shè)備分類(lèi)的 類(lèi)別數(shù)。


下面將參考

本發(fā)明的實(shí)施例，其中圖1是一個(gè)分類(lèi)系統(tǒng)的方框圖。圖2是顯示一個(gè)硬幣數(shù)據(jù)分布的圖表；以及圖3是顯示圖2的數(shù)據(jù)到新軸上的投影的圖表。
具體實(shí)施方式
下面將參考一個(gè)硬幣確認(rèn)器來(lái)描述本發(fā)明。
在圖1中，方框1代表一個(gè)測(cè)量系統(tǒng)，該測(cè)量系統(tǒng)包括入口 2、 以用于展示樣本3的硬幣入口和硬幣傳送路徑(未顯示)形式的傳送 系統(tǒng)以及用于測(cè)量樣本的物理量的傳感器系統(tǒng)(未顯示)。測(cè)量系統(tǒng)1 通過(guò)數(shù)據(jù)總線(xiàn)5連接到一個(gè)處理系統(tǒng)4。處理系統(tǒng)4通過(guò)數(shù)據(jù)總線(xiàn)7 連接到一個(gè)分類(lèi)器6。分類(lèi)器6的輸出通過(guò)數(shù)據(jù)輸出總線(xiàn)9連接到一 個(gè)使用系統(tǒng)8。使用系統(tǒng)8在這個(gè)例子中是一個(gè)自動(dòng)售貨機(jī)，但例如 也可以是貨幣兌換機(jī)。測(cè)量系統(tǒng)1測(cè)量插入的硬幣3的特征。由處理系統(tǒng)4將測(cè)量的特 征匯集成一個(gè)具有n個(gè)元素的特征向量，每個(gè)元素對(duì)應(yīng)于由系統(tǒng)4處 理的一個(gè)測(cè)量特征。在本實(shí)例中，傳感器系統(tǒng)采用已知技術(shù)(例如， 參見(jiàn)GB2 254 949A)測(cè)量表示插入的^f更幣的材料、厚度和直徑的值， 這些值是相應(yīng)的特征向量的三個(gè)元素。簡(jiǎn)言之，每個(gè)傳感器包括自振 蕩電路中的一個(gè)或多個(gè)線(xiàn)圈。在直徑和厚度傳感器的情況下，由所插 入硬幣的鄰近所引起的每個(gè)線(xiàn)圈的電感的變化使得振蕩器的頻率改 變，從而可以導(dǎo)出硬幣的相應(yīng)特性的數(shù)字表示。在電導(dǎo)傳感器的情況 下，由所插入硬幣的鄰近所引起的線(xiàn)圏的Q的變化使得通過(guò)線(xiàn)圏的電 壓改變，從而可以導(dǎo)出硬幣的導(dǎo)電性的數(shù)字表示。雖然將每個(gè)線(xiàn)圏的 結(jié)構(gòu)、定位和朝向以及加到其上的電壓的頻率安排為使得線(xiàn)圈提供一 個(gè)主要取決于導(dǎo)電性、直徑和厚度特性中之一的一特定特性的輸出， 但應(yīng)該理解，每個(gè)測(cè)量都可以由其他硬幣特性在某種程度上所影響。當(dāng)然，許多表示貨幣物品的不同特征可以被測(cè)量并用作特征向量 的元素。例如，在紙幣的情況下，所測(cè)量特征例如可以包括紙幣的寬 度、紙幣的長(zhǎng)度以及從整個(gè)或部分紙幣反射或發(fā)射的光的強(qiáng)度。例如， 可以將一個(gè)測(cè)量系統(tǒng)安排為采用光傳感器沿N條線(xiàn)掃描一個(gè)紙幣。每 個(gè)掃描線(xiàn)包含L個(gè)順序掃描的單個(gè)區(qū)域。在每個(gè)區(qū)域，有M個(gè)不同特 征的測(cè)量。更具體地，對(duì)于每個(gè)區(qū)域，對(duì)紅、綠和紅外射線(xiàn)的反射強(qiáng) 度作出測(cè)量。因此，紙幣的測(cè)量總數(shù)是LxMxN。這些測(cè)量形成了相 應(yīng)樣品的特征向量的分量，因此特征向量具有LxMxN個(gè)分量。或者， 可以以不同的方式處理測(cè)量，以獲得 一 個(gè)表示所測(cè)量樣品的特征向 量。例如，可以為每個(gè)所測(cè)量區(qū)域形成由該區(qū)域的M個(gè)測(cè)量構(gòu)成的局 部特征向量，因此每個(gè)局部特征向量具有M個(gè)分量。然后可以在整個(gè) 紙幣區(qū)域上將局部特征向量相加，以獲得表示整個(gè)樣品的M維特征向 量。然后將特征向量輸入到分類(lèi)器6。分類(lèi)器6采用特征向量和包括 一個(gè)分離函數(shù)的預(yù)定分類(lèi)標(biāo)準(zhǔn)來(lái)判定樣本是否屬于任何一個(gè)預(yù)定類(lèi) 別。如果將樣本識(shí)別為屬于紙幣的一個(gè)可接受面額，則接受該紙幣， 并記入紙幣的相應(yīng)值。如果將樣本識(shí)別為屬于一個(gè)已知的偽幣組，則 拒絕該紙幣。在這個(gè)例子中，系統(tǒng)用于對(duì)硬幣的兩種面額和一種已知的偽幣進(jìn) 行分類(lèi)。在圖2中顯示了測(cè)量空間中的分布的二維表示。十字叉表示 第一種面額的樣本，圓點(diǎn)表示第一種面額的偽幣，圓圏表示第二種面 額的樣本。下面在總體意義上說(shuō)明分離函數(shù)的推導(dǎo)。然后也在總體意義上說(shuō) 明分類(lèi)方法，隨后解釋總體方法在特定例子上的應(yīng)用。簡(jiǎn)言之，依椐本發(fā)明的一個(gè)實(shí)施例的用于導(dǎo)出一個(gè)分離函數(shù)的方 法采用 一個(gè)非線(xiàn)性映射將作為所測(cè)量的特征向量的空間的輸入空間映 射成一個(gè)具有線(xiàn)性特性的更高維空間。采用訓(xùn)練數(shù)據(jù)、采用映射空間 中的LDA分析的等效物在映射空間中構(gòu)造分離超平面。如同下面所討論的，分析面額的總體分布。最初，測(cè)量每個(gè)所感興趣的面額和每個(gè)已知偽幣的樣本，并形成 相應(yīng)的特征向量。例如，在一個(gè)n維發(fā)散圖(其中n是所測(cè)量特征的 數(shù)目)上繪制時(shí)，來(lái)自樣本的特征向量粗略地落入通常稱(chēng)為群集 (cluster)的各個(gè)組中。然后將這些測(cè)量樣本用于導(dǎo)出一個(gè)分離函 數(shù)，如下所述。在這個(gè)例子中，使用每種面額有50個(gè)樣本，偽幣有50 個(gè)樣本。在進(jìn)一步的說(shuō)明之前，提供對(duì)符號(hào)的總體說(shuō)明。 輸入空間、即特^E向量空間-波定義為X。X-O不，其中N是群集數(shù)。子空間Xi的基數(shù)由iii表示，X中的 元素?cái)?shù)是M。因此，f;",-M.xt是向量x的轉(zhuǎn)置。/=1在輸入空間中，c是協(xié)方差矩陣，并且，C二》,〈 (1) 本發(fā)明的方法采用一個(gè)定義映射空間中的點(diǎn)積的核函數(shù)k。假設(shè) (J)是將X映射進(jìn)一個(gè)希爾伯特Hilbert空間F的非線(xiàn)性函數(shù), 并且*"力=-(力=(2)從下面的討論中可以看出，顯然不需要為一給定k構(gòu)造(J),雖然 可以用Mercer定理顯示出，如果對(duì)于任何k是一個(gè)為正的正整數(shù)算 子的連續(xù)核心，則存在一個(gè)cb (參見(jiàn)Scholkopf部分3和附錄C)。也 不需要明確地執(zhí)行F中的點(diǎn)積，F(xiàn)可以是一個(gè)無(wú)限維空間。在F中，V是協(xié)方差矩陣，并且我們假設(shè)集中在F中的觀(guān)察，即，|>(、.) = 0。后面將描述一個(gè)集戶(hù)i中數(shù)椐的方法。B是群集中心的協(xié)方差矩陣，并且其中，^是分組1的平均值，即<formula>formula see original document page 8</formula>(4)(5)其中，Xu是分組1的元素jB代表F中的群集間慣性。 V也可以用群集表示為(<formula>formula see original document page 8</formula>6)V代表F中的總慣性。 使~ =使K為由(《^U.^在群集元素上定義的(MXM)矩陣其中Up,)是群集p和群集q之間的協(xié)方差矩陣， <formula>formula see original document page 9</formula> (8)<formula>formula see original document page 9</formula>Kpq是一個(gè)(npxnq)矩陣，并且K是對(duì)稱(chēng)的，所以K，pq-Kpq' W是矩陣中心，并且(9)其中W,是所有項(xiàng)都等于丄的(n,xrii)矩陣。W是MxM塊對(duì)角矩 陣。該方法實(shí)質(zhì)上執(zhí)行了映射空間F中的線(xiàn)性判別分析，以使得群集 間慣性最大并且群集內(nèi)慣性最小。這等效于本征值求解，如Fukunaga 中所示。然后可以導(dǎo)出一個(gè)適當(dāng)?shù)姆蛛x函數(shù)。更具體地，本方法涉及找到滿(mǎn)足下式的本征值人和本征向量v, 義Pw = 5v (10) 本征向量是F的元^:的線(xiàn)性組合，因此存在著系數(shù)ocp, <formula>formula see original document page 9</formula>，使得<formula>formula see original document page 9</formula>等式(10)的本征向量與<formula>formula see original document page 9</formula> (12)的本征向量相同(參見(jiàn)Scholkopf )。采用K和W的定義以及等式(6 )和(11 ),可以將(12 )的左式 表示如下<formula>formula see original document page 9</formula>
采用所有分組i和所有元素j的這個(gè)公式我們獲得: 其中"=( 》=^對(duì)于(14)的右項(xiàng)，采用等式、(5)和(11):<formula>formula see original document page 10</formula>對(duì)于所有群集i和所有元素j我們獲得 "J…，《)i…,-似…U…,"^》"+皿a (14)合并(13)和(14)我們獲得<formula>formula see original document page 10</formula>(15)K可以分解為K-QR (Wilkinson, 1971)，因此Kot-QRot。 R是上三角，Q是正交的，即QtQ-I。Q是Mxr矩陣，R是rxM矩陣，其中r是K的秩。已知對(duì)于一個(gè) 普通的矩形矩陣來(lái)說(shuō)，QR分解總是存在的。然后，j吏i c^p (16) 由于R的行是線(xiàn)性獨(dú)立的，所以對(duì)于一給定(3,存在至少一個(gè)a解。 因此，Ka = Q(3，并且，atK-ptQt (K是對(duì)稱(chēng)的)。 替換(15);<formula>formula see original document page 10</formula>等式(18)是標(biāo)準(zhǔn)本征值等式的形式。由于K是奇異的，所以QR 分解允許在子空間QP上工作，這簡(jiǎn)化了求解。之后系數(shù)a能據(jù)等式(16)從(3導(dǎo)出，而本征向量從等式(11)導(dǎo)出。通過(guò)要求F中相應(yīng)的向量v被標(biāo)準(zhǔn)化來(lái)將這些系數(shù)a標(biāo)準(zhǔn)化。即 vV = l (19) 或(從等式ll)n g=i /-1產(chǎn)i w因此，(19) =〉a，Ka=l (20) 上面給出的步驟展示了如何找到等式(10)的本征值v。 從線(xiàn)性判別分析(例如，參見(jiàn)Fukunaga)可知，本征向量數(shù)-N-1,其中N是群集數(shù)。通過(guò)本征向量上的投影找到由本征向量跨越的子空間中的群集的圖象。這是采用下列等式完成的盧" (2 j)從上面可以看出，計(jì)算不需要關(guān)于cj)的知識(shí)，或不需要計(jì)算F中 的點(diǎn)積。在實(shí)驗(yàn)中已經(jīng)顯示出，通過(guò)使用合適的核函數(shù)，將本征向量子空 間中的群集的圖象很好地分離，更具體地，可以是線(xiàn)性可分離的，即， 它們可以由線(xiàn)、平面或超平面分離。則可以容易地導(dǎo)出一個(gè)合適的分離函數(shù)，采用已知技術(shù)、例如檢 查、平均、Malalanobis距離、與k個(gè)最近的鄰近值比較來(lái)對(duì)測(cè)量物 品分類(lèi)。如上所述，假設(shè)觀(guān)察在F中的中心。下面將更詳細(xì)地討論居中。 首先，對(duì)于一給定觀(guān)察Xij:群集i的元素j，根椐下式將圖象cj) (Xij) 居中<formula>formula see original document page 12</formula> (22 )然后，我們必須以居中點(diǎn)定義協(xié)方差矩陣K:對(duì)于一給定分組p和q，<formula>formula see original document page 12</formula>其中，我們已經(jīng)引入下列矩陣 &=(U=,..... ..... ,>,,)矩陣，其元素全部等于1。& = t)爿w=1jMxM)矩陣，其元素是塊矩陣。因此，對(duì)于未居中的點(diǎn)(f) (Xij),我們可以從《導(dǎo)出f,然后求解 f的本征向量。然后，對(duì)于特征向量x， x的居中4>圖象在本征向量f 上的投影由下式給出上述討論在一般意義上展示了總體判決分析的方法。下面將參考 硬幣確認(rèn)器的具體例子來(lái)說(shuō)明 一般原理。返回在說(shuō)明書(shū)的開(kāi)始的硬幣確認(rèn)器的例子，每個(gè)特征向量具有三 個(gè)元素，有三個(gè)群集，分別對(duì)應(yīng)于所感興趣的兩個(gè)面額和已知偽鈔的 每一個(gè)。將每個(gè)面額的50個(gè)樣本和偽鈔的50個(gè)樣本輸入到測(cè)量系統(tǒng)1。 如上所述，傳感器系統(tǒng)測(cè)量樣本，以獲得表示每種情況下的厚度、材 料和直徑的值。從每個(gè)樣本的所測(cè)量特征形成相應(yīng)的特征向量。
從每個(gè)群集的50個(gè)樣本特征向量，隨機(jī)地選擇37個(gè)用于產(chǎn)生分 離函數(shù)。然后選擇一個(gè)核函數(shù)。在試錯(cuò)法的基礎(chǔ)上選擇核函數(shù)，以便選擇 給出最佳分離結(jié)果的函數(shù)。有大量的滿(mǎn)足Mercer定理的核函數(shù)是合 適的。核函數(shù)的例子是多項(xiàng)核<formula>formula see original document page 13</formula>高斯核<formula>formula see original document page 13</formula>hyberbol ic切線(xiàn)核<formula>formula see original document page 13</formula>以及S形核<formula>formula see original document page 13</formula>在這個(gè)例子中，使用了高斯核，其中cj2-0. 01。采用所選擇的樣本和核函數(shù)，計(jì)算出矩陣K和W(等式(8 )和(9 ))。然后采用QR分解來(lái)分解K。然后，計(jì)算本征向量(3和相應(yīng)的本征向量(等式(18))。然后，計(jì)算系數(shù)a并進(jìn)行標(biāo)準(zhǔn)化(等式(16)和(20))。然后，將每個(gè)群集的剩余的13個(gè)樣本的特征向量投影到本征向量v(等式12)，并將結(jié)果繪制在一個(gè)圖上，以便容易檢查。在這個(gè)例子中，有3個(gè)群集，因此有2個(gè)本征向量，并且分離在第二空間中。這在圖3中顯示?？梢钥闯?，群集被很好地分離。更具體地，將每個(gè)群集投影到一個(gè)作為重心的點(diǎn)上。然后分析帶有本征向量的群集的投影的分離，并用于導(dǎo)出一個(gè)分離函數(shù)。在這個(gè)例子中，線(xiàn)性分離函數(shù)可以通過(guò)檢查容易地導(dǎo)出。例如，合適的分離函數(shù)是對(duì)于本征向量v^ v2,以及輸入向量x, 如果<formula>formula see original document page 13</formula>則x屬于組l(即，它是第一面額)；如果<formula>formula see original document page 13</formula>則x屬于組2(即，它是第二面額)；以及
如果(-'(:c)v,) < 0or"rf(-'(jc)v2 ) 〉 0
則X屬于組3(即，它是第一面額的偽鈔)。未知面額的硬幣的分類(lèi)的執(zhí)行如下。感測(cè)插入的硬幣，并獲得表 示樣本的材料、厚度和直徑的測(cè)量。然后從測(cè)量值導(dǎo)出一個(gè)特征向量。 然后將特征向量投影到計(jì)算出的本征向量上(采用等式21)，并根據(jù) 投影值和分離函數(shù)對(duì)硬幣分類(lèi)，如上所述。初始數(shù)據(jù)分析的樣本值的分離和分離函數(shù)的導(dǎo)出例如可以采用一個(gè)微處理器來(lái)完成。同樣，分類(lèi)器6可以是一個(gè)微處理器?；蛘撸诸?lèi)器6可以是一個(gè)神經(jīng)網(wǎng)絡(luò)，例如概率神經(jīng)網(wǎng)絡(luò)或感知器。例如，神經(jīng)網(wǎng)絡(luò)可以包括N-1個(gè)線(xiàn)性輸出神經(jīng)元和M個(gè)隱藏神經(jīng)元，其中，每個(gè)核計(jì)算是一個(gè)隱藏神經(jīng)元。然后，輸入加權(quán)是值Xpq，系數(shù)a是隱藏神經(jīng)元和輸出層之間的加權(quán)。并且，分類(lèi)器可以是線(xiàn)性分類(lèi)器或支持向量機(jī)。 上述實(shí)施例的方法同樣可應(yīng)用于紙幣，事實(shí)上還可應(yīng)用于其他物品分類(lèi)。其他求解(10)方法、例如采用本征向量分解來(lái)分解K也是可以的。在該實(shí)施例中，采用到更高維空間的非線(xiàn)性映射。也可以使用線(xiàn) 性映射來(lái)代替。并且，映射可以一個(gè)較低維空間，或者是與特征向量 空間相同維數(shù)的空間。
權(quán)利要求
1.一種用于處理從貨幣物品導(dǎo)出的數(shù)據(jù)的方法，所述方法包括測(cè)量各類(lèi)別的貨幣物品的樣本以在第一空間中產(chǎn)生特征向量，并且把所述特征向量映射到第二空間，在所述第二空間中對(duì)于所述各類(lèi)別有著更分明的分離。
2. 如權(quán)利要求1所述的方法，其中使用PCA或LDA來(lái)確定所述第二空間。
3. 如權(quán)利要求2所述的方法，其中使用非線(xiàn)性映射把所述第一空 間中的數(shù)據(jù)映射到第三空間，并且對(duì)所述數(shù)據(jù)在所述第三空間中的圖 像執(zhí)行PCA或LDA。
4. 如權(quán)利要求1所述的方法，進(jìn)一步包括導(dǎo)出用于把所述各類(lèi) 別分離開(kāi)的分離函數(shù)。
5. —種用于對(duì)貨幣物品進(jìn)行分類(lèi)的方法，包括 測(cè)量貨幣物品以導(dǎo)出特征向量，以及使用如權(quán)利要求1所述的方法的結(jié)果來(lái)確定所述貨幣物品的類(lèi)別。
6. —種用于對(duì)貨幣驗(yàn)證器編程的方法，包括 使用貨幣物品的多個(gè)樣本執(zhí)行如權(quán)利要求1所述的方法，以及使用結(jié)果來(lái)對(duì)驗(yàn)證器編程。
7. —種用于對(duì)貨幣物品進(jìn)行分類(lèi)的設(shè)備，包括 用于感測(cè)貨幣物品的特征的傳感器； 用于根據(jù)所感測(cè)的值生成特征向量的處理器；以及 用于使用如權(quán)利要求1所述的方法的結(jié)果對(duì)貨幣物品進(jìn)行分類(lèi)的分類(lèi)器。
8. —種用于對(duì)貨幣物品進(jìn)行分類(lèi)的設(shè)備，包括用于處理從貨幣物品導(dǎo)出的特征向量數(shù)據(jù)的分類(lèi)器，其中分類(lèi)相 當(dāng)于處理第一空間、第二空間中的輸入數(shù)據(jù)，在所述第二空間中對(duì)于類(lèi)別有著更分明的分離。
9. 如權(quán)利要求7所述的設(shè)備，其中優(yōu)選地在經(jīng)非線(xiàn)性映射的輸 入空間的圖像中，使用PDA或LDA來(lái)確定所述第二空間。
全文摘要
一種導(dǎo)出用于將貨幣物品分類(lèi)成兩個(gè)或多個(gè)類(lèi)別的分類(lèi)的方法，包括測(cè)量每個(gè)類(lèi)別的已知樣本，選擇一個(gè)對(duì)應(yīng)于特征向量空間到第二更高維數(shù)空間的非線(xiàn)性映射的函數(shù)，將特征向量映射到圖象向量，并在第二空間中導(dǎo)出表示N-1個(gè)軸的系數(shù)，其中N是類(lèi)別數(shù)，獲得表示所測(cè)量樣本的圖象向量到N-1個(gè)軸上的投影的值，并采用這些值來(lái)導(dǎo)出一個(gè)與第二空間中的分離函數(shù)等效的用于分離類(lèi)別的分離函數(shù)。
文檔編號(hào)G07D5/00GK101154301SQ20071018118
公開(kāi)日2008年4月2日 申請(qǐng)日期1999年12月1日 優(yōu)先權(quán)日1998年12月2日
發(fā)明者G·鮑達(dá)特 申請(qǐng)人:Mei公司