[发明专利]分类方法和设备

说明书

本发明涉及用于对物品分类的方法和设备。本发明尤其与硬币或纸币的分类有关。

插入机械装置、例如自动售货机、兑换机等的硬币或纸币，一方面依据面值分类，以及/或者另一方面，在原件和拷贝或其伪造品之间分选。已知执行这种分类的各种各样的方法。如在GB2238152A中描述的一个例子，其内容在这里作为参考。例如，从插入的硬币得到表示硬币的不同特征的测量值，例如材料和厚度。然后将这些测量值与存储的相应成对值进行比较，每组成对值相应于各个可承兑的硬币的面额。当每一个测量值落在给定面值的各个范围中时，插入的硬币被分类为属于那个面额。

在上述讨论的分类类型中，测量值可以被看作特征向量中的元素，并且不同面额的可承兑测量值对应于特征空间中的区域，被称为承兑区域。在上述给出的例子中，特征空间是两维的，承兑区域是矩形的，但是特征空间可以具有任何数量的维数，在承兑区域中具有相应的复杂性。例如，GB2254949A描述了三维特征空间中的椭球承兑区域，其内容在这里作为参考。

在EP 0067898A、EP 0472192A、EP 0165734A中公开了用于对钞票和硬币分类的方法和装置的其他例子。例如，如EP 0553402A和EP0671040A中所述的，其他分类方法包括采用神经网络，其内容在这里作为参考。

在硬币分类中的一个重要问题是分离不同面额的困难。所感兴趣的不同面额的总体分布可能是这样的，它不可能容易地定义正确地分离面额的适当的接受边界。另一个问题是，为了实现正确的分离，需要考虑具有大量元素的特征向量，这使得理解各种分布更加困难，因而使得获得适当的接受边界更加困难。这些问题与数据分析中的一般分类问题相类似已经被研究并且产生了各种不同的技术、包括统计方法。

作为数据分析的统计方法的一个例子，主分量分析(“PCA”)是这样一种方法，通过这种方法，采用线性变换将在一个空间中表达的数据变换成一个新空间，其中，数据中的大多数变化可以用比第一空间中更少的维数来表示。PCA方法涉及找到变量的协方差矩阵的本征向量和本征值。本征向量是在新空间中的轴，本征向量具有作为第一“主分量”的最高本征值，按递减大小依此类推。PCA的细节可以在关于多元分析的教科书中找到，例如Chatfield和Collins的“多元分析导论”第4章。

用于分类目的的数据分析的另一种方法是线性判别式分析(“LDA”)。LDA在已知数据落入分开的组中时是有用的。LDA的目标是将数据变换成一个新空间，以便使每个数据组的中心之间的距离在投影到新空间的轴上时最大，还使每个组沿轴的方差最小。例如，在Fukunaga的“统计模式识别导论”(“Fukunaga”)中描述了这种方法。在一个例子中，通过找到一个使C^-1V的轨迹值最大的线性变换来执行最大化，其中V是类间协方差矩阵，C是所有样本的协方差矩阵。如Fukunaga中所解释的，这实际上是找到C^-1V的本征向量和本征值。本征向量是新空间的轴。如论文中所述的，当有N个类时，新空间具有N-1维。

在许多情况下，PCA或LDA都不能对数据组给出正确的分离。数据分析的另一种方法是基于PCA的非线性分量分析(NCA)。在NCA中，采用非线性映射将数据投影在一个新空间中，然后在新空间中执行PCA。在Neural Computation 10，1299-1319(1998)由BernhardScholkopf，Alexander Smola和Klaus-Robert Muller的“NonlinearComponent Analysis as a Kernel Figenvalue problem”文章中给出了NCA的细节。(“Scholkopf”.)

NCA的问题在于，非线性空间的维数可能非常大，因此主分量的数量也非常大。对于一给定问题，不知道对于一个好的分类需要多少主分量。

在总体上，本发明涉及一种导出用于对货币物品分类的分类的方法，该方法包括：测量每个类别的已知样本，并从所测量样本导出特征向量，将特征向量映射到对不同类别有更清楚的分离的第二空间中，并采用第二空间中的分离导出一个分离函数。