DE69410481T2

DE69410481T2 - Geldprüfer

Info

Publication number: DE69410481T2
Application number: DE69410481T
Authority: DE
Inventors: Gaston Ch-1202 Geneve Baudat
Original assignee: Mars Inc
Current assignee: Crane Payment Innovations Inc
Priority date: 1993-11-30
Filing date: 1994-11-30
Publication date: 1999-02-04
Anticipated expiration: 2014-12-01
Also published as: EP0779604A1; EP0731961A1; DE69432125D1; HK1011513A1; EP0731961B1; DE69432125T2; ES2116061T3; GB2284293A; WO1995015540A1; GB9324539D0; DE69410481D1; US5992600A; ES2188853T3; EP0779604B1; GB2284293B

Description

Die Erfindung betrifft ein Verfahren zum Klassifizieren eines Testgegenstandes einer Währung und einen Geldprüfer zum Prüfen von Wertgegenständen; sie betrifft insbesondere, aber nicht ausschließlich einen Geldprüfer zum Prüfen von Banknoten.
Bekannte Geldprüfer besitzen Sensoren (z. B. eine Anzahl von optischen Einheiten) zum Erzeugen von Erfassungssignalen in Reaktion auf einen zu prüfenden Gegenstand und eine Entscheidungseinrichtung (z. B. einen Mikroprozessor, einen Mikrocomputer oder eine LSI-Schaltung) zum Feststellen, auf der Basis der Erfassungssignale, ob der Gegenstand einem gültigen Nennwert entspricht oder nicht. Generell kann der Überprüfungsprozeß aus einem Vergleich der Erfassungssignale (oder davon abgeleiteten Werten) mit vorgegebenen Schwellenwerten bestehen, die akzeptable Wertebereiche oder "Fenster" festlegen, von denen angenommen wird, daß die Signale von einem gültigen Gegenstand innerhalb davon liegen und die Signale von ungültigen Gegenständen außerhalb davon.
Es ist bekannt, die Schwellenwerte und/oder die Bereiche oder Fenster mit der Zeit zu verändern, um Driften zu berücksichtigen, die entweder im Reaktionsverhalten der Sensoren oder in den Eigenschaften einer Population von zu prüfenden Gegenständen auftreten; vgl. zum Beispiel das europäische Patent 155 126 und die internationale Anmeldung WO 80/01 963 (britisches Patent 2 059 129) oder die veröffentlichte europäische Anmeldung EP-A-0 560 023.
Diese Vorgehensweise hat sich als wirksam erwiesen, wenn die Grenze zwischen einer echten Probenpopulation und einer gefälschten Probenpopulation eindeutig ist. Dies ist jedoch nicht immer der Fall. Das Trennen der echten von der gefälschten Population in dem Meßraum, der von den Achsen der Sensor-Ausgangssignale festgelegt wird, kann eine komplexe, nichtlineare Grenze erfordern.
Auf dem allgemeinen Gebiet der Mustererkennung ist als Mustererkennungstechnik die sogenannte "neuronale Netzwerktechnik" bekannt. Bei der neuronalen Netzwerktechnik werden die Sensor-Ausgangssignale einer Anzahl von parallelen Verarbeitungseinheiten zugeführt, deren Ausgangssignal jeweils eine Funktion der Eingangssignale ist. In der Praxis werden die "Einheiten" in der Regel nicht von separater Hardware gebildet, sondern durch einen einzigen, sequentiell arbeitenden Prozessor.
Der Betrieb von neuronalen Netzwerken vollzieht sich im allgemeinen in zwei Phasen. In einer Trainingsphase werden die von jeder Einheit angewendeten Funktionen durch einen iterativen Trainingsprozeß erzeugt, in dem dem Netzwerk als echt und als falsch bekannte Proben präsentiert werden. Im Falle eines "überwachten" Netzwerktyps, etwa dem rückschreitenden oder Perzeptron-Typ, werden die Ausgangssignale der Einheiten überwacht und mit "korrekten" Netzwerkausgangssignalen verglichen, wobei der Unterschied oder der Fehler zwischen dem tatsächlichen Netzwerkausgangsignal und dem korrekten Ausgangssignal rückwärtsschreitend eingegeben wird, um fortschreitend die Funktionen zu beeinflussen, die jede Einheit auf ihre Eingangssignale anwendet. Bei zwei oder mehr Netzwerkschichten ist die Funktion eine nichtlineare (z. B. sigmoidale) Funktion der gewichteten Summe der Eingangssignale, wodurch das Netzwerk zwischen nicht zusammenpassenden Mustern unterscheiden kann und komplexe, nichtlineare Musterunterscheidungsmerkmale möglich sind.
Nach dem Ende der Trainingsphase (die einige hunderttausend iterative Einstellungen des Netzwerks erfordern kann) ist das Netzwerk an die Statistik der Population von echten und falschen Prüfartikeln angepaßt, die in der Trainingsphase dem Netzwerk präsentiert wurden, so daß das Netzwerk (im Meßraum) in der Folge eine nichtlineare Trennung zwischen echten und falschen Gegenständen ausführen kann, die dem Netzwerk präsentiert werden.
Neuronale Netzwerke wurden jedoch bisher nicht auf die Banknotenerkennung angewendet. Es besteht auch ein gewisser Widerstand gegen die Anwendung der neuronalen Netzwerktechnik auf die Geldprüfung, da es schwierig ist, den Ausführungsgrad des Netzwerks genau zu kennzeichnen, da es wegen der nichtlinearen Art der Signalverarbeitung durch das Netzwerk nicht immer klar ist, wie effektiv oder auf welche Weise das Netzwerk zwischen echten und falschen Gegenständen unterscheidet.
Die vorliegende Erfindung schafft ein Verfahren zum Klassifizieren eines Testgegenstandes gemäß einer Anzahl von akzeptablen Nennwerten von Gegenständen einer Währung mit dem Ableiten einer Anzahl von Meßsignalen von einem Testgegenstand und dem Anwenden eines Akzeptanzprozesses auf die Meßsignale, wobei in dem Akzeptanzprozeß erste, zweite und dritte Ausgangssignale berechnet werden, die die Übereinstimmung mit einem ersten, zweiten oder dritten Nennwert anzeigen, das dadurch gekennzeichnet ist, daß für jeden der Testgegenstände der Akzeptanzprozeß mit verschiedenen Einstellungen zur Kompensation der Auswirkungen von Meßdriften für wenigstens den ersten, den zweiten und den dritten Nennwert bei jedem Durchlauf mehrmals durchgeführt wird, und daß bei jeder Ausführung des Akzeptanzprozesses ein dem Nennwert entsprechendes Ausgangssignal berechnet wird, auf den der Akzeptanzprozeß eingestellt ist, wobei wenigstens zwei weitere Ausgangssignale für zwei andere Nennwerte ebenfalls berechnet werden.
Es mag überraschend erscheinen, daß, wenn von der Klassifikationsvorrichtung eine Anzahl von Klassifikationsergebnissen für verschiedene Klassen berechnet wird, dieser Prozeß des Berechnens von Klassifikationsergebnissen ausgeführt werden soll, während der Klassifikationsprozeß für eine bestimmte Klasse abläuft. Aus der folgenden Beschreibung er gibt sich jedoch, daß dies zu einer wesentlichen Verbesserung in der Genauigkeit der Klassifikation führt.
Unter dem obigen Gesichtspunkt kann die Klassifikationsvorrichtung ein neuronales Netzwerk umfassen; das heißt sie kann aus einer Klassifikationsvorrichtung bestehen, die eine Anzahl von parallelen Berechnungen (d. h. Berechnungen an den gleichen Eingangsdaten, entweder gleichzeitig oder nacheinander erfolgend) ausführt, wobei vorgegebene Daten verwendet werden, die durch eine iterative Modifikation anhand von Test-Wertgegenständen erhalten wurden. In diesem Fall wäre das normale Verfahren einer Anpassung des Prüfgerätes an eine sich ändernde Populationsstatistik, das Training des verwendeten neuronalen Netzwerks fortzusetzen. Wir haben jedoch festgestellt, daß dies unerwünschterweise dazu führen kann, daß das Netzwerk entweder an Fälschungen trainiert, so daß sich die Akzeptanzrate erniedrigt, oder daß alternativ Schritte unternommen werden, dies dadurch zu vermeiden, daß das Netzwerk nur an ausgewählten, echten Wertgegenständen trainiert wird, mit der Folge, daß das Netzwerk nicht mehr repräsentativ ist und auch akzeptable Wertgegenstände zurückweist. Entsprechend haben wir herausgefunden, daß es vorzuziehen ist, eine separate Einstellung für die Veränderung der Statistik (z. B. dem Mittelwert und/oder der Abweichung davon) von Populationen für jede Klasse von zu erkennenden Wertgegenständen vorzunehmen, um die Statistik davon mit der in Übereinstimmung zu bringen, die für die Klassifikationsvorrichtung abgeleitet wurde.
Die Erfindung wird im folgenden beispielhaft anhand der Zeichnung näher erläutert. Es zeigen:
Fig. 1 schematisch den Aufbau eines Banknoten-Prüfgeräts, bei dem die vorliegende Erfindung angewendet werden kann;
Fig. 2 ein Blockschaltbild, die schematisch die elektrischen Komponenten des Prüfgerätes der Fig. 1 zeigt;
Fig. 3 ein Blockschaltbild, das die funktionellen Elemente eines Prüfgerätes gemäß einer Ausführungsform der vorliegenden Erfindung zeigt;
Fig. 4, die aus den Fig. 4a bis 4d besteht, ein Flußdiagramm, das schematisch die Arbeitsweise des Prüfgeräts gemäß der Ausführungsform der Fig. 3 zeigt;
Fig. 5 ein Blockschaltbild, das beispielhaft die Operationen zeigt, die ein neuronales Netzwerk ausführt, das Teil der Ausführungsform der Fig. 3 ist;
Fig. 6 die Aktivierungsfunktion, die von den Knoten des neuronalen Netzwerks der Fig. 5 ausgeführt werden;
Fig. 7 eine Darstellung, in einem beispielhaften zweidimensionalen Musterraum, der Arbeitsweise der Ausführungsform der Fig. 3;
Fig. 8 ein Blockschaltbild, das Einzelheiten des Aufbaus einer statistischen Anpassungseinheit zeigt, die Teil der Ausführungsform der Fig. 3 ist;
Fig. 9 ein Flußdiagramm für ein Verfahren zum Ableiten der Koeffizienten, die bei der Ausführungsform der Fig. 3 verwendet werden; und
Fig. 10 ein Flußdiagramm, das Teil der Fig. 9 ist und das beispielhaft eine Art der Ableitung der Daten zeigt, die eine neuronale Netzwerkeinheit der Art charakterisieren, wie sie in der Fig. 5 gezeigt ist.
Wie in der Fig. 1 gezeigt, umfaßt ein Banknotenprüfer gemäß einer Ausführungsform der Erfindung ein Antriebssystem aus zum Beispiel einer Anzahl von Rollenpaaren (zur Vereinfachung ist hier nur ein Paar von Rollen 1a, 1b gezeigt), das eine Banknote 5, die zu überprüfen ist, unter einer Anzahl von Sensoren 2a, 2b, 2c längs eines Weges P&sub1; bewegt. In dieser Ausführungsform sind die Sensoren 2a-2c optische Farbmeßköpfe, die jeweils dafür vorgesehen sind, die optische Amplitude bei ausgewählten, verschiedenen Wellenlängen zu erfassen, wie es im wesentlichen in der GB 1 470 737 und/oder der DE 29 24 605 beschrieben ist. Die Meßköpfe 2a-2c befinden sich über die Banknote 5 an verschiedenen seitlichen Positionen. Bei der Vorbeibewegung der Banknote 5 an den Meßköpfen 2a-2c durch das Antriebssystem 1 werden die Ausgangssignale für jede erfaßte optische Wellenlänge von den Meßköpfen 2a-2c in einer kontinuierlichen Folge zu einer Entscheidungsschaltung 3 geführt, die bei dieser Ausführungsform einen Mikrocomputer (zum Beispiel einen Mikrocomputer aus der Serie 68000 von Motorola) mit einer Eingangsschaltung, einer Verarbeitungsschaltung und einem Speicher zum Speichern von Programmen und konstanten Daten und zum vorübergehenden Speichern von Verarbeitungsergebnissen und Sensor-Ausgangsdaten umfaßt.
Von der Entscheidungsschaltung 3 wird eine Gut- Schlecht-Weiche 4 gesteuert, die zwischen einer ersten Stellung, in der die Banknote 5 einen Annahmeweg P&sub2; entlangläuft (der zum Beispiel zu einer Kassenbox führt), und einem Zurückweisungsweg P&sub3; umschaltbar ist, auf dem die Note zum Beispiel zu einem Ausgabeschlitz für die Rückgabe der Note läuft.
Insoweit entspricht das oben beschriebene Gerät bekannten Geldprüfern wie zum Beispiel dem Geldprüfer BSN 385 der Mars Electronics International Inc. (Sodeco Cash Management Systems Division), Genfer Filiale, Chemin Pont-du-Centenaire 109, CH-1228 Plan-Les-Ouates, Schweiz, und andere Konstruktionsdetails des Antriebssystems 1, der optischen Meßköpfe 2, der Entscheidungsschaltung 3 und der Gut-Schlecht- Weiche 4 können wie in diesem Gerät ausgebildet sein.
Wie in der Fig. 2 gezeigt, umfaßt jeder der Meßköpfe 2a, 2b, 2c eine Anzahl von Lichtquellen (z. B. LEDs) 20a, 20b, 20c, die jeweils eine andere optische Wellenlänge erzeugen (die Bezeichnung "optisch" ist nicht auf Wellenlängen beschränkt, die für das menschliche Auge sichtbar sind). Die Lichtquellen 20a-20c werden nacheinander von einem Multiplexer 22 mit Energie versorgt, um die Banknote 5 zu beleuchten, und die diffuse Reflexion von der Banknote 5 wird durch einen Sensor 21 erfaßt, der ein entsprechendes Ausgangssignal erzeugt, das die diffus reflektierte Intensität anzeigt. Die Ausgangssignale des Sensors 21 werden aufeinanderfolgend vom Multiplexer 22 aufgenommen, um eine Folge analoger Signale zu erzeugen, die zu der Entscheidungsschaltung 3 gegeben werden. In der Entscheidungsschaltung 3 wird das Ausgangssignal des Sensors 21 von einem Analog-Digital-Konverter 31 aufgenommen, der an einen Demultiplexer 32 eine entsprechende Folge digitaler Signale abgibt, der die Signale demultiplext und die drei demultiplexten Sensorausgangssignale zu entsprechenden Puffern 33a-33c führt.
Die Puffer 33a-33c können zum Beispiel aneinander angrenzende Abschnitte eines einzigen Schreib-Lese-Speichers sein. Jeder Puffer 33a-33c enthält eine zeitliche Folge von Ausgangssignalwerten, die der diffus reflektierten Intensität bei einer der optischen Wellenlängen der LEDs 20a-20c beim Vorbeilauf der. Banknote 5 am Sensorkopf 2a entsprechen. Zum Beispiel kann jeder Puffer dreißig Signalwerte enthalten, die einer Abtastung über die Länge eines gegebenen Banknotentyps entsprechen.
Die dreißig Ausgangssignale jedes Puffers (insgesamt 270 Ausgangssignale) werden der Entscheidungslogik 34 zugeführt, die ein Banknoten-Identifikationssignal, das zur Verwendung bei der Vorrichtung, mit der das Prüfgerät verbunden ist (zum Beispiel einen Fahrkartenausgabeautomaten), angibt, · welche aus einer Anzahl von möglichen gültigen Banknoten erkannt wurde, und ein Echt/Falsch-Ansteuersignal zum Ansteuern eines Weichen-Elektromagneten 4a, der Teil der Weiche 4 ist, ausgibt, damit von der Gut- und der Schlecht-Stellung der Weiche 4 eine Stellung ausgewählt wird.
Wie in der Fig. 3 gezeigt, umfassen die funktionellen Elemente der Entscheidungsschaltung 3 eine Schwellenwerteinheit 35, einen Flag-Kandidaten-Puffer 36, eine Meßkorrektureinheit 37, eine neuronale Klassifikationseinheit 38, eine Ausgangslogikeinheit 40 und eine Statistikanpassungseinheit 42.
Im Gebrauch nimmt, wie es genauer noch weiter unten beschrieben wird, die Schwellenwerteinheit 35 die Meßwerte von den Puffern 33 auf und unterwirft sie einem relativ groben Test, der Gegenstände zurückweist, die sich erheblich von jeder akzeptablen Banknote unterscheiden. Jedesmal, wenn die Meßwerte innerhalb der Schwellenwerte liegen, die zu einem bestimmten, akzeptablen Banknotentyp in einer bestimmten Orientierung gehören, wird im Flag-Kandidaten-Puffer 34 ein Kandidaten-Eingabe-Flag gespeichert, das die entsprechende Banknotenart und deren Orientierung anzeigt.
Dann wird für jeden Kandidatentyp im Flag-Kandidaten- Puffer 36, für den ein Flag gesetzt ist, an den Meßwerten von den Puffern 33 eine statistische Korrektur durchgeführt, um Meß- und Populationsdriften zu berücksichtigen, wobei Daten verwendet werden, die in der Statistikanpassungseinheit 42 gespeichert sind, und wobei an jedem Kandidaten im Puffer 36 entsprechend der Drift für diesen Kandidatentyp eine eigene Korrektur erfolgt.
Die korrigierten Meßwerte werden zu der neuronalen Klassifikationseinheit 38 geführt. Die Ausgangssignale der neuronalen Klassifikationseinheit 38 umfassen ein oder mehrere Erkennungssignale bezüglich jeder Art von zu erkennender Banknote.
Die von der neuronalen Netzwerkeinheit 38 ausgegebenen Erkennungssignale werden von der Ausgangslogikschaltung 40 zusammengesetzt, um ein Signal zu erzeugen, das einen bestimmten Typ einer erkannten Banknote identifiziert, oder ein Signal, das die Banknote zurückweist und die Weiche 4 betätigt.
Wenn ein bestimmter Banknotentyp erkannt wird, werden die Statistikdaten, die in der Statistikanpassungseinheit 42 gespeichert sind, auf den neuesten Stand gebracht, um die Meßwerte wiederzugeben, die für die gerade akzeptierte Banknote im Puffer 33 gespeichert sind.
Anhand der Fig. 4 wird die Arbeitsweise der Entscheidungsschaltung 3 nun genauer erläutert.

Schwellenwertschaltung 35

Die Fig. 4a gibt die Arbeitsweise der Entscheidungsschaltung 3 bezüglich der Schwellenwertschaltung 35 wieder. Die Schwellenwertschaltung 35 macht von statistischen Daten Gebrauch, die in der Statistikanpassungsschaltung 42 gespeichert sind. Die Statistikanpassungseinheit enthält für jede zu erkennende Note (zum Beispiel achtzehn Noten) in jeder Orientierung (in der Regel vier Orientierungen) einen Mittelwert und eine Standardabweichung l,n; σl,n; wobei 1 der Index für die Banknotenart und Orientierung (l = 1 bis L (z. B. 72)) ist und n der Index für die Messung (n = 1 bis N, wobei N die Gesamtzahl der Messungen (z. B. 270) ist).
Für jeden Meßwert wird der Fehler zwischen dem Meßwert und dem für einen gegebenen Kandidaten gespeicherten entsprechenden Wert wie folgt berechnet:
Wenn dieser Fehler größer ist als ein vorgegebener Schwellenwert Q, wird ein Fehlerpunktwert E (beginnend mit Null) hochgezählt; wenn er gleich oder kleiner als der Schwellenwert ist, werden die Fehlerpunkte E nicht erhöht. Der Schwellenwert Q kann zweckmäßigerweise für alle Messungen bei einem gegebenen Kandidaten/einer gegebenen Note/Orientierung immer gleich sein. Typisch wird der Schwellenwert Q auf etwa 4 (entsprechend 4 Standardabweichungen) für die betreffende Messung gesetzt.
Wenn alle Meßwerte mit dem Schwellenwert verglichen sind, entspricht der Gesamtwert von E der Anzahl von Fällen, bei denen einzelne Messungen den jeweilige Schwellenwert für den Kandidaten übersteigen. Dieser Gesamtwert für E wird dann mit einem Schwellenwert T&sub1; verglichen, und wenn der Fehler den Schwellenwert nicht übersteigt, wird ein dem Kandidaten entsprechendes Flag im Flag-Kandidaten-Puffer 36 gespeichert. Wenn der Schwellenwert T&sub1; überstiegen wird, wird der Kandidat nicht im Flag-Kandidaten-Puffer 36 gespeichert. Der Schwellenwert T wird für jeden Kandidaten relativ breit vorgegeben, so daß im wesentlichen alle Banknoten der betroffenen Art und Orientierung akzeptiert werden, ohne Rücksicht darauf, ob damit verwechselbare, ähnliche Banknoten oder Fälschungen auch akzeptiert werden.
Der Vorgang wird für jeden der L Kandidaten wiederholt. Wenn danach für keinen Kandidaten im Flag-Kandidaten- Puffer 36 ein Flag gesetzt ist, ist die Banknote auch nicht entfernt einem der akzeptablen Nennwerte ähnlich, und die Steuereinheit 3 betätigt die Zurückweisungsweiche 4, um die Banknote zurückzuweisen, wie es in der Fig. 4c gezeigt ist.
Die Werte von Q und T für die verschiedenen Nennwerte/Orientierungen sind in einem Speicher in der Schwellenwerteinheit 35 gespeichert.

Korrektureinheit 37

Wie in der Fig. 4b gezeigt, werden, wenn die Entscheidungsschaltung 3 als Korrektureinheit 37 arbeitet, für jede der Kandidatennoten/Orientierungen, die durch den Inhalt des Flag-Kandidaten-Puffers 34 angezeigt werden, die Meßwerte aus dem Puffer 33 ausgelesen und jeder Meßwert bezüglich der Auswirkungen von Driften dadurch korrigiert, daß er durch den laufenden Mittelwert ( l,n) geteilt wird, der für diesen Kandidaten 1 relevant ist und der von der Statistikanpassungseinheit 42 zugeführt wird.
Die Größe des Meßwertes wird dadurch, daß jeder Meßwert mit dem Mittelwert (ml,n) für die fragliche Messung, der an den Banknoten bestimmt wurde, mit denen das neuronale Netzwerk 38 auf diesen Kandidaten l trainiert wurde, multi pliziert wird, zu den Meßwerten ausgerichtet, für die das neuronale Netzwerk 38 trainiert wurde. Für jeden Meßwert wird damit ein korrigierter Meßwert m'n wie folgt berechnet:

Neuronale Netzwerkeinheit 38

In der Fig. 5 ist der schematische Aufbau der neuronalen Netzwerkeinheit 38 gezeigt. Die korrigierten Meßwerte m'&sub1; bis m'n werden zu jedem der Knoten 381a-3811 einer verborgenen Schicht (bei dieser Ausführungsform gibt es zwölf solcher Knoten 381 der verborgenen Schicht) geführt, und die Ausgangssignale jedes der Knoten 381a-3811 der verborgenen Schicht werden zu jedem der beiden L-Ausgangsschichtknoten (zwei Ausgangsschichtknoten für jede zu erkennende Note in jeder Orientierung) geführt. Es sind, hier die Ausgangsschichtknoten 382a-382f gezeigt.
Für jede der L Kombinationen Note/Orientierung erzeugt der erste Ausgangsschichtknoten (zum Beispiel 382a) ein Ausgangssignal, dessen Wert anzeigt, ob die geprüfte Note als dem Kandidaten entsprechend erkannt wird oder nicht, und der zweite Ausgangsschichtknoten (zum Beispiel 382b) erzeugt ein Ausgangssignal, das anzeigt, ob die geprüfte Note einer bekannten Fälschung für diesen Kandidatentyp entspricht oder nicht.
Die Gewichtung W der Ausgangsknoten wird in der Trainingsphase derart erzeugt, daß sich die Ausgangssignale der Ausgangsknoten 382 in der Sättigung befinden (d. h. entweder auf hohem oder niedrigem Pegel sind).
Bei dieser Ausführungsform ist die neuronale Netzwerkeinheit 38 ein Mehrschichten-Perzeptron oder ein Netzwerk vom rückschreitenden Typ (an sich bekannt), bei dem das Ausgangssignal Y jedes Knotens gegeben ist durch:
wobei X den Eingangssignalvektor am Knoten darstellt und ein entsprechender Vektor vorgegebener Gewichtungskoeffizienten ist, die in der Trainingsphase gewonnen werden und die in der neuronalen Netzwerkeinheit 38 gespeichert sind. Wie in der Fig. 5 gezeigt, kann eines der Eingangssignale für jeden Knoten eine Konstante sein (z. B. wie gezeigt H); die anderen Eingangssignale sind, im Falle der Knoten 381a der verborgenen Schicht, der Meßvektor m'&sub1;-m'n und im Falle der Ausgangsschichtknoten 382 die Ausgangssignalvektoren der Knoten 381 der verborgenen Schicht.
Die Funktion S ist eine nichtlineare Funktion, die zur Komprimierung des Bereichs der Knotenausgangssignale dient; vorzugsweise besitzt sie eine im wesentlichen sigmoidale Form, wie es in der Fig. 6 gezeigt ist. Bei dieser Ausführungsform ist sie durch den Hyperbeltangens gegeben:
Bei dieser Ausführungsform kann die neuronale Netzwerkeinheit 38 mehrere neuronale Netze der in der Fig. 5 gezeigten Art umfassen; ein neuronales Netzwerk kann für den Banknotensatz eines jeden Landes vorgesehen sein, in dem das Prüfgerät verwendet werden soll, und die neuronale Netzwerkeinheit kann so betrieben werden, daß selektiv immer nur eines der neuronalen Netze angewendet wird.
Es ist ersichtlich, daß die Knoten 381 der verborgenen Schicht und die Ausgangsschichtknoten 382 keine separaten Prozessoren zu sein brauchen, sondern von einer Mikrocomputerschaltung gebildet werden können (und bei dieser Ausführungsform auch gebildet werden), die dafür vorgesehen ist, die Ausgangssignale jeder Ausgangsschicht der Reihe nach gemäß den obigen Beziehungen zu berechnen.
Die Gewichtungswerte W für jeden Knoten 381a-381c, 382a-382f der verborgenen Schicht und der Ausgangsschicht sind in Speichern gespeichert, die in der neuronalen Netzwerkeinheit 38 vorgesehen sind, um das Netzwerk zu charakterisieren.

Arbeitsweise der neuronalen Netzwerkeinheit 38

Wie in der Fig. 4b gezeigt, liest die Korrektureinheit 37 für jeden Kandidaten 1 im Flag-Kandidaten-Puffer 36 den laufenden Mittelwert ( l,n) und den Trainingsdatenmittelwert l,n für jeden Meßwert im Puffer 33 aus und berechnet korrigierte Meßwerte m'n, wie es oben angegeben ist. Diese korrigierten Meßwerte werden dann als Eingangssignale für die neuronale Netzwerkeinheit 38 verwendet, die Ausgangswerte für jeden der beiden L-Ausgangsknoten 382a-382f berechnet. Die Ausgangssignalwerte werden dann vorübergehend gespeichert. Daraufhin geht die Korrektureinheit zum nächsten Kandidaten im Flag-Kandidaten-Puffer 36 weiter, liest den laufenden Mittelwert und den Trainingsdatenmittelwert aus der Statistikanpassungseinheit aus, liest wieder die Meßwerte aus dem Puffer 33 aus und berechnet einen neuen Satz von korrigierten Meßwerten, bei denen die Drift korrigiert ist, die bei diesem Kandidaten auftritt. Diese r korrigierte Satz von Meßwerten m'n wird dann der neuronalen Netzwerkeinheit 38 präsentiert, die wieder die Ausgangssignale der Ausgangsschichtknoten 382a-382f berechnet und diese wieder speichert.
Dieser Vorgang wird für jeden der Kandidaten im Flag- Kandidaten-Puffer 36 wiederholt.

Ausgangslogikeinheit 40

Die Ausgangslogikeinheit 40 nimmt die 2L Ausgangssignale der neuronalen Netzwerkeinheit 38 für jeden der Kandidaten im Flag-Kandidaten-Puffer auf. Auf der Basis dieser Ausgangsknoten-Ausgangssignale erzeugt die Ausgangslogikeinheit 40 entweder ein Erkennungs-Ausgangssignal, das anzeigt, daß eine gültige Banknote erkannt wurde, oder ein Signal, das anzeigt, daß keine gültige Banknote erkannt wurde (um die Zurückweisungsweiche 4 zu betätigen).
Für jeden der möglichen Kandidaten im Flag-Kandidaten-Puffer 36 können die Ausgangsknoten 382 in einem von mehreren Zuständen sein:
1. Der "echte" Ausgangsknoten für den betrachteten Kandidaten ist der einzige Ausgangsknoten, der ein positives Ausgangssignal erzeugt.
2. Ein anderer Ausgangsknoten erzeugt ein positives Ausgangssignal.
3. Mehrere Ausgangsknoten erzeugen ein positives Ausgangssignal.
4. Einer der "falschen" Ausgangsknoten erzeugt ein positives Ausgangssignal und zeigt damit das Erkennen einer Fälschung an.
5. Kein Ausgangsknoten erzeugt ein Ausgangssignal auf hohem Pegel (wobei in diesem Fall das Dokument dem neuronalen Netzwerk 38 vollständig unbekannt ist).
In allen Fällen außer dem ersten erzeugt die Ausgangslogikeinheit 40 ein Signal zur Zurückweisung der geprüften Note. Eine Note wird daher auch dann zurückgewiesen, wenn ihre Identität nicht klar ist (was durch mehrere Ausgangssignale auf hohem Pegel angezeigt wird) oder ihre Identität nicht die richtige ist (was durch ein Ausgangssignal auf hohem Pegel an einem anderen als dem Ausgangsknoten angezeigt wird, der dem fraglichen Kandidaten entspricht, für den der Eingangsmeßwert korrigiert wurde).
Die Note wird auch dann zurückgewiesen, wenn Verwirrung entstand, weil ein einziges (anscheinend korrektes) hohes Ausgangssignal für mehr als einen der Kandidaten im Flag- Kandidaten-Puffer 36 erzeugt wurde; das heißt wenn die Korrektur der Daten für einen ersten Flag-Kandidaten zu einem anscheinend richtigen Ergebnis führt, dies aber auch bei den Daten für einen zweiten Flag-Kandidaten der Fall ist.
Wenn keine Konfusion vorliegt, weder zwischen verschiedenen Ausgangsknoten für die gleichen korrigierten Eingangsdaten noch für Netzwerkausgangssignale für verschiedene korrigierte Daten, zeigt das einzige richtige Ausgangsknoten- Ausgangssignal den Wert der Note und die Orientierung an, und das Ausgangssignal wird zur Verwendung bei dem Automaten, an dem das Prüfgerät zum Einsatz kommt, von der Ausgangslogikschaltung ausgegeben.

Die Auswirkungen der Schwellenwertschaltung 35

Wie in der Fig. 7 gezeigt, sind in einer zweidimensionalen Darstellung des Meßraumes die Meßwerte für Originalnoten eines ersten Nennwertes in einer Gruppe N1 angeordnet; die für einen zweiten Nennwert in einer Gruppe N2 und die für einen dritten Nennwert in einer Gruppe N3. Eine Fälschung der Noten der ersten Art gruppiert sich bei F1; zwei Fälschungen der Note der zweiten Art sind als Gruppen F2 dargestellt und eine Fälschung der Note der dritten Art als Gruppe F3.
Die dem Übergang zwischen verschiedenen Ausgangsknoten 382a-382f entsprechenden Grenzen sind als dünne Linien A dargestellt. Es ist ersichtlich, daß für die neuronale Netzwerkeinheit 38 Linien oder Flächen existieren, die eine effektive Unterscheidung zwischen jeder Originalnote und den bekannten Fälschungen ermöglichen. Diese Trennebenen lassen jedoch große Raumvolumina (zum Beispiel den Raum über der. Gruppe N1 oder dem links von der Gruppe N3) unaufgeteilt, da für Fälschungen mit diesen Bereichen entsprechenden Meßwerten keine Daten vorlagen, an denen das neuronale Netzwerk trainiert werden konnte. Entsprechend ist, obwohl die neuronale Netzwerkeinheit 38 bei der Unterscheidung von verschiedenen Arten von Originalnoten und zwischen Originalnoten und bekannten Fälschungen sehr exakt arbeitet, seine Leistungsfähigkeit gegenüber neuen Arten von Fälschungen, deren Meßwerte in diese Raumvolumina fallen, schlecht oder günstigstenfalls unbekannt.
Wie in der Fig. 7 auch gezeigt, bewirkt jedoch die Schwellenwerteinheit 35, daß um jede der Original-Banknotengruppen N1, N2 und N3 eine relativ breite Akzeptanzschwelle liegt, die das Volumen des Meßraumes, in dem Testgegenstände als einer der bekannten Banknotenklassen entsprechend akzeptiert werden, wirksam begrenzt. Entsprechend bietet sie, auch wenn die Schwellenwerteinheit 35 bei der Unterscheidung zwischen den Banknoten N1 und N2 und deren bekannten Fälschungen F1 und F2 vollständig unwirksam ist, einen beträchtlichen Schutz vor unbekannten Fälschungen, während die neuronale Netzwerkeinheit 38 eine genaue Unterscheidung von bekannten Fälschungen ermöglicht.

Statistikanpassungseinheit 42

Die Statistikanpassungseinheit 42 der Fig. 8 umfaßt einen Schreib-Lese-Speicher 421 (z. B. einen RAM-Bereich) und eine Recheneinheit 422, die dafür vorgesehen ist, Daten in den Speicher 421 einzuschreiben und daraus auszulesen und am Speicherinhalt vorgegebene statistische Berechnungen auszuführen.
Wie in der Fig. 8 gezeigt, sind im Speicher 421 N x L Aufzeichnungen gespeichert (wobei N die Anzahl der Messungen ist und L die Anzahl von Nennwerten/Orientierungen für Kandidatennoten): Jede Aufzeichnung besteht aus drei numerischen Werten; einem laufenden Mittelwert ( l,n), einer laufenden Abweichung al. n und einem Trainings-Mittelwert ml,n. Letzterer ist eine Konstante, deren Wert vom Prozessor 422 nicht verändert wird.
Wenn die Ausgangslogikeinheit 40 wie oben beschrieben anzeigt, daß eine gültige Note eines bestimmten Nennwertes in einer bestimmten Orientierung erkannt wurde, wird die Kandidatennummer 1 der Note zum Statistikprozessor 422 gegeben. Der Statistikprozessor 422 liest dann jeden der N laufenden Mittelwerte und Abweichungswerte aus der Tabelle 421, der für den Kandidaten 1 relevant ist, und berechnet anhand des vor liegenden Wertes und des entsprechenden Meßwertes aus dem Puffer 33 einen neuen Mittelwert und einen neuen Abweichungswert. Der neue Wert wird dann für den späteren Gebrauch im Speicher 421 gespeichert.
Bei dieser Ausführungsform ist der laufende Mittelwert ( l,n) das laufende Mittel und die Abweichung σl,n die Standardabweichung. Entsprechend berechnet bei dieser Ausführungsform der Statistikprozessor 422 den neuen Mittelwert zu
und die Standardabweichung zu
Die Werte der Parameter P&sub1; und P&sub2; bestimmen den Einfluß jeder neuen Messung auf den laufenden Mittelwert und die Abweichung, sie sind daher in der Praxis ziemlich groß. Die Werte P&sub1;, P&sub2; können bei einer anderen Ausführungsform Funktionen der Anzahl sein, wie oft die gespeicherten Werte verändert wurden; in diesem Fall wird bei jeder Veränderung des Mittelwertes und der Abweichung für jeden Kandidaten ein Zähler hochgezählt, und die Werte von P11 P&sub2; werden entsprechend dem Zählerstand bestimmt (zum Beispiel durch eine lineare Beziehung P&sub1; = Ai + Bi · Zählerstand).
Es wird somit immer dann, wenn eine Banknote akzeptiert wird, der Mittelwert (und bei dieser Ausführungsform die Abweichung) der für die erkannte Banknotenklasse gemessenen Meßwerte erneuert, um eine Drift der Eigenschaften der Banknote oder des Prüfgerätes berücksichtigen zu können.

Training des neuronalen Netzwerks 38

Obwohl es für das Verständnis der Arbeitsweise der Erfindung nicht erforderlich ist, wird nun das Verfahren zum Trainieren des neuronalen Netzwerkeinheit 38 zum Ableiten geeigneter Werte für die Gewichtungskoeffizienten W erläutert. Die Einzelheiten des Verfahrens, soweit es die obigen rückschreitende MLP-Netzwerke betrifft, sind dem Fachmann bekannt und zum Beispiel beschrieben in:
Rumelhart D. E., Hinton G. E. und Williams R. J.: 'Learning internal representation by error propagation' in 'Parallel Distributed Prozess.ing: Explorations in the Microstructures of Cognition', Hg. Rumelhart und McClelland, 1, Foundations, Seiten 318-362, MIT-Press (1986) (hier durch Bezugnahme eingeschlossen), oder in "Introduction aux reseaux de neurones", F. Blayo, Cours du departement d'informatique, laboratoire de microinformatique EPFL, Seiten 52-58, Lausanne, 25. März 1991, oder "Une procédure d'apprentissage pour réseau seuil asymetrique", Y. Le Cun, Actes de COGNITIVA 85, Seiten 599- 604, Paris, Juni 1985, oder (allgemein) in "Adaptive Switching Circuits", B. Window, M. E. Hoff, 1960 IRE WESCON Convention Record, New York: IRE, Seiten 96- 104, 1960.
Ein den Meßköpfen 2a, 2b, 2c ähnliches (aber nicht notwendigerweise davon gebildetes) Meßsystem mißt die Sensorwerte an einer Anzahl von Banknoten, die, ein Trainingsset bilden. Das Trainingsset umfaßt Subsets jeder Banknote in jeder Orientierung und gegebenenfalls von allen bekannten Fälschungen für jede Note/Orientierung.
Wie in der Fig. 9 gezeigt, wird jedes Subset des Trainingssets nach dem Zufallsprinzip so ausgewählt, daß es zum Beispiel 10% einer größeren, verfügbaren Population von Banknoten umfaßt.
Dann wird das neuronale Netzwerk wie in der Fig. 10 gezeigt dergestalt trainiert (d. h. die Werte für die Gewichtungskonstanten abgeleitet), daß anfänglich ein Zufallssatz für die Werte der Gewichtungskonstanten ausgewählt wird; dann anhand dieser Werte für die Gewichtungskonstanten berechnet wird, wie die Ausgangssignale der verborgenen Schicht 381a- 3811 und der Ausgangsneuronen 382a-382f aussehen; diese Ausgangssignale werden dann mit den "richtigen" Ausgangssignalen für den ersten Knoten (d. h. +1 für den Ausgangsknoten 382a- 382f, der der Identität der Banknote entspricht, und -1 für alle anderen Ausgangsknoten) verglichen; woraufhin die Gewichtungen jedes Ausgangsschichtknotens und jedes Knotens der verborgenen Schicht mittels des rückschreitenden Verfahrens so eingestellt werden, daß sich die berechneten Ausgangssignale der Ausgangsschichtknoten allmählich zu den -"richtigen" Werten hin verschieben.
Dies wird dann für jeden Knoten des Trainingssets in zufälliger Reihenfolge wiederholt, und der Prozeß wird iteriert, bis die berechneten Ausgangssignale der Ausgangsschichtknoten für Fälschungen eine sehr hohe Zurückweisungsrate (d. h. sehr nahe an 100%) und für alle Nennwerte/Orientierungen von Original-Banknoten eine hohe Akzeptanzrate (z. B. von über 97%) aufweisen.
Wenn die Gewichtungswerte zu Ausgangssignalen an den Ausgangsknoten führen, die diese Kriterien erfüllen, wird angenommen, daß die Gewichtungswerte das neuronale Netzwerk richtig charakterisieren (d. h. das neuronale Netzwerk wurde erfolgreich trainiert), und die Gewichtungswerte werden gespeichert.
Wie in der Fig. 9 gezeigt, werden im nächsten Schritt alle Meßwerte aller Noten jedes Subsets verwendet, um den Trainingsdaten-Mittelwert und einen anfänglichen Wert für die Standardabweichung für die Speicherung in der Tabelle 421 zu berechnen. Der Wert des laufenden Mittelwerts ist in dieser Stufe auf den gleichen Wert wie der laufende Mittelwert des Sets eingestellt.
Dann wird der Schwellenwert Q für die Schwellenwerteinheit 35 auf zum Beispiel 46 eingestellt, mit anderen Worten auf das vierfache der Standardabweichung für jede von den Trainingsdaten abgeleitete Messung.
Die Gesamtsumme T für die Fehlerpunkte wird dann so bestimmt, daß eine 100%-ige Akzeptanz aller Banknoten-Nennwerte/Orientierungen im Set erhalten wird.
Schließlich wird dann die Leistungsfähigkeit des Prüfgerätes anhand der Gewichtungskoeffizienten des neuronalen Netzwerks; der Schwellenwerte Q; , der Mittelwerte, Standardabweichungen und des globalen Fehlers T bewertet, und wenn alle richtigen Noten akzeptiert werden und alle Fälschungen zurückgewiesen, wird von den so berechneten Werten angenommen, daß sie ausreichend genau sind. Wenn dieser Test nicht bestanden wird, wird ein anderer Trainingsset von Noten genommen und der Prozeß der Fig. 9 von neuem begonnen.
Wenn ein akzeptabler Satz von Gewichtungskoeffizienten W, Schwellenwerten Q und so weiter gefunden wurde, werden diese Werte im Speicher 41, der Schwellenwerteinheit 35 und der neuronalen Netzwerkeinheit 38 eines nicht programmierten Prüfgerätes gespeichert, das ansonsten den oben beschriebenen Prüfgeräten entspricht, woraufhin das Prüfgerät betriebsbereit ist.
Es ist offensichtlich, daß der oben beschriebene Prozeß an einer Computervorrichtung jeder geeigneten Art ausgeführt werden kann, die dafür vorgesehen ist, Meßsignale von Banknoten oder vorab gespeicherte Daten, die solchen Meßsignalen entsprechen, aufzunehmen. Da ein Prüfgerät eine Meßeinheit zusammen mit, bei manchen Ausführungsformen, einem Mikroprozessor umfaßt, kann das Prüfgerät so programmiert werden, daß es den gerade beschriebenen Trainingsprozeß vor der Verwendung zur Prüfung selbst ausführt, die Art, in der die Daten, die das Prüfgerät beim Prüfen charakterisieren, abgeleitet werden, ist für die Arbeitsweise des Prüfgeräts beim Prüfen jedoch nicht relevant.

Andere Ausführungsformen

Bei einer anderen Ausführungsform ist der Aufbau des neuronalen Netzwerks der Fig. 5 dergestalt vereinfacht, daß die Echt/Falsch-Ausgangsknoten 382b, 382d, 382f weggelassen werden und nur ein einziger Ausgangsknoten für jeden Nennwert/jede Orientierung vorliegt. Dadurch verringert sich das vom Netzwerk auszuführende Berechungsvolumen.
Auch wenn in der obigen Beschreibung der Mittelwert und die Standardabweichung diskutiert wurde, ist es gleichermaßen möglich, andere Maße für den laufenden Mittelwert und die Veränderung der Daten vorzusehen; zum Beispiel durch einen nachgeführten mittleren Beobachtungswert und/oder durch ein Maß, das auf der Summe der Differenzen vom laufenden Mittelwert beruht. Bei manchen Ausführungsformen kann es möglich sein, entweder nur den laufenden Mittelwert oder das Ausmaß der Änderung anzupassen, nicht aber beide.
Obwohl bei den oben beschriebenen Ausführungsformen die Schwellenwerteinheit 35 einen Grobtest ausführt, der das Anwenden einer Anzahl von Schwellenwerten und das Zählen der Anzahl von Abweichungen von den Schwellenwerten umfaßt, sind andere Grob-Akzeptanztests möglich; zum Beispiel das Ableiten eines "Cityblock"-Abstandes oder eines Mahalanobis-Abstandes. Unter bestimmten Gesichtspunkten ist jedoch die Verwendung von Grobtests vorzuziehen, die mit der obigen Ausführungsform das Merkmal gemeinsam haben, daß bei einer großen Anzahl von Messungen eine kleine Anzahl von Abweichungen von den akzeptablen Grenzen aufgrund (zum Beispiel) eines kleinen beschädigten Bereichs einer Note akzeptiert wird.
Unter einem "neuronalen Netzwerk" zum Prüfen wird oben eine Vorrichtung verstanden, die anhand vorgegebener Gewichtungswerte aus Eingangsdaten wie oben angegeben eine Anzahl von Ausgangssignalen berechnet, unabhängig davon, ob diese Berechnungen parallel erfolgen und unabhängig davon, ob sie von einer dafür eigens vorgesehenen Hardware ausgeführt werden oder von einer geeignet programmierten Allzweck- Rechenvorrichtung. Wie angegeben, werden die Gewichtungswerte iterativ aus Trainingsdaten abgeleitet.
Bei einer Ausführungsform ist das Prüfgerät selbst dafür vorgesehen, das Training durchzuführen, um zum Beispiel im Einsatz an neuen Banknotentypen zu trainieren.
Auch wenn bei den obigen Ausführungsformen jede Messung vor dem Eingeben in das neuronale Netzwerk normalisiert wurde, läßt sich der gleiche Effekt auch durch vorübergehendes Normalisieren der Werte der Koeffizienten für die Eingangsknoten 381 des neuronalen Netzes erreichen, was ebenfalls innerhalb des Umfangs der Erfindung liegt. Gleichermaßen ist dem Fachmann klar, daß in der vorstehenden Beschreibung (mit der Ausnahme von nichtlinearen Stufen des Prozesses) die assoziativen und distributiven Gesetze der Arithmetik anwendbar sind, so daß Rechenoperationen in anderer Reihenfolge oder Art als oben angegeben ausgeführt werden können, um das gleiche Ergebnis zu erhalten.
Obwohl LEDs erwähnt wurden, können natürlich auch andere Arten von optischen Emittern verwendet werden, die im Bereich des sichtbaren oder des unsichtbaren Spektrums arbeiten. Auch können statt dessen auch magnetische oder andere Sensoren Anwendung finden.
Schließlich können leicht andere Arten nichtlinearer Funktionen angewendet werden; zum Beispiel eine Radialbasisfunktion oder eine Sigmoidfunktion S(u) = 1/(I + e-u).
Demgemäß können viele Modifikationen der vorliegenden Erfindung vorgesehen werden, ohne von deren Umfang und Natur abzuweichen.

Claims

1. Verfahren zum Klassifizieren eines Testgegenstandes gemäß einer Anzahl von akzeptablen Nennwerten von Gegenständen einer Währung, mit

dem Ableiten einer Anzahl von Meßsignalen von einem Testgegenstand; und

dem Anwenden eines Akzeptanzprozesses auf die Meßsignale, wobei in den Akzeptanzprozessen erste, zweite und dritte Ausgangssignale (382a - 382f) berechnet werden, die die Übereinstimmung mit einem ersten, zweiten oder dritten Nennwert anzeigen, dadurch gekennzeichnet, daß für jeden der Testgegenstände der Akzeptanzprozeß mit verschiedenen Einstellungen zur Kompensation der Auswirkungen von Meßdriften für wenigstens den ersten, den zweiten und den dritten Nennwert bei jedem Durchlauf mehrmals durchgeführt wird, und daß bei jeder Ausführung des Akzeptanzprozesses ein Ausgangssignal berechnet wird, das dem Nennwert entspricht, auf den der Akzeptanzprozeß eingestellt ist, wobei wenigstens zwei weitere Ausgangssignale für zwei andere Nennwerte ebenfalls berechnet werden.

2. Verfahren nach Anspruch 1, wobei der Akzeptanzprozeß mehrmals nacheinander ausgeführt wird.

3. Verfahren nach Anspruch 1 oder 2, wobei der Akzeptanzprozeß durch Verarbeiten der Meßwerte anhand von gespeicherten Driftdaten (σ) für jeden Nennwert eingestellt wird, um für jeden Nennwert korrigierte Meßwerte zu erzeugen, wobei auf die korrigierten Meßwerte ein gemeinsamer Akzeptanzprozeß angewendet wird.

4. Verfahren nach einem der vorhergehenden Ansprüche, wobei bei dem Akzeptanzprozeß gespeicherte Bezugsdaten verwendet werden, die vorher von Übungsgegenständen abgeleitet wurden, von denen bekannt ist, daß sie gültige oder ungültige Bei spiele für die Nennwerte sind, wobei im Akzeptanprozeß dazwischen unterschieden wird, und wobei für jeden der Nennwerte Pegeldaten gespeichert werden, die den Bereich oder den Mittelwert von Meßwerten betreffen, die von den Übungsgegenständen abgeleitet werden, und wobei die von den Testgegenständen abgeleiteten Meßwerte unter Verwendung der gespeicherten Pegeldaten verarbeitet werden, um sie im Klassifikationsprozeß zu dem jeweils gespeicherten Bereich für jeden Nennwert auszurichten.

5. Verfahren nach Anspruch 4, wobei die Pegeldaten für jeden Nennwert als Mittelwert gespeichert werden.

6. Verfahren nach Anspruch 4 oder 5, wobei die Verarbeitung für jeden Nennwert das Ausbilden eines Korrekturfaktors in Abhängigkeit vom Verhältnis zwischen den Pegeldaten und dem laufenden Mittelwert der Meßwerte umfaßt.

7. Verfahren nach einem der vorhergehenden Ansprüche, gekennzeichnet durch das Anwenden eines Akzeptanzgrenztests, der das Akzeptanzvolumen für jeden Nennwert derart begrenzt, daß Fälschungen (F1, F2...), die nicht mit den Übungsgegenständen übereinstimmen, mit denen der Prozeß abgeleitet wurde, ausgeschlossen werden.

8. Verfahren nach Anspruch 7, wobei der Akzeptanzgrenztest zu jedem akzeptablen Nennwert das Anwenden von Akzeptanzkriterien umfaßt, die relativ leicht zu erfüllen sind, um vor dem Anwenden des Akzeptanzprozesses jene Nennwerte zurückzuweisen, die die erleichterten Akzeptanzkriterien nicht erfüllen.

9. Verfahren nach einem der vorhergehenden Ansprüche, wobei der Akzeptanzprozeß für jeden akzeptablen Nennwert das Ausbilden einer linearen Funktion der Meßsignale und das Anwen den einer kontinuerlichen nichtlinearen Funktion auf das Ergebnis der linearen Funktion umfaßt.

10. Verfahren nach einem der vorhergehenden Ansprüche, wobei der Akzeptanzprozeß einen neuronalen Netzwerkprozeß umfaßt.

11. Verfahren nach Anspruch 10, wobei der neuronale Netzwerkprozeß einen vorwärts gerichteten Prozeß umfaßt, wobei die den Prozeß charakterisierenden Konstanten in einer Trainingsphase rückwärtsschreitend iterativ abgeleitet wurden.

12. Verfahren nach Anspruch 10 oder 11, wobei der neuronale Netzwerkprozeß zwei Netzwerkschichten umfaßt.

13. Verfahren nach Anspruch 12, wobei die verdeckte Schicht des neuronalen Netzwerkes wesentlich weniger (z. B. eine Größenordnung weniger) Knoten als Eingänge aufweist.

14. Verfahren nach einem der vorhergehenden Ansprüche, mit der Verwendung von optischen Erfassungsmenüs zum Ableiten der Meßsignale.

15. Verfahren nach Anspruch 14, wobei die optische Erfassung bei einer Anzahl von verschiedenen Wellenlängen erfolgt.

16. Verwendung eines Verfahrens nach einem der vorhergehenden Ansprüche in einem Geldprüfer, z. B. für Banknoten.

17. Geldprüfer zum Klassifizieren eines Testgegenstandes gemäß einer Anzahl von akzeptablen Nennwerten von Gegenständen einer Währung, mit

einer Meßvorrichtung zum Ableiten einer Anzahl von Meßsignalen von einem Testgegenstand; und

einer Einrichtung zum Anwenden eines Akzeptanzprozesses auf die Meßsignale, mit einer Berechnungseinrichtung zum Be rechnen von ersten, zweiten und dritten Ausgangssignalen (382a-382f), die eine Übereinstimmung mit einem ersten, einem zweiten oder einem dritten Nennwert anzeigen, dadurch gekennzeichnet, daß eine Einrichtung zum automatischen mehrmaligen Durchführen des Akzeptanzprozesses für jeden Testgegenstand vorgesehen ist, die von einer Einstelleinrichtung verschieden eingestellt wird, um die Auswirkungen von Meßdriften für wenigstens den ersten, zweiten und dritten Nennwert bei jeder Ausführung zu kompensieren, und daß bei jeder Ausführung des Akzeptanzprozesses die Berechnungseinrichtung ein Ausgangssignal berechnet, das dem Nennwert entspricht, auf den der Akzeptanzprozeß eingestellt ist, wobei die Berechnungseinrichtung auch wenigstens zwei weitere Ausgangssignale für zwei andere Nennwerte berechnet.