JP4427132B2

JP4427132B2 - 競合型ニューラルネットワークを用いた紙葉類の識別方法

Info

Publication number: JP4427132B2
Application number: JP18613599A
Authority: JP
Inventors: 繁大松; 利▲寿▼ 小坂; 邦広漁; 紀和竹谷
Original assignee: Glory Ltd
Current assignee: Glory Ltd
Priority date: 1999-06-30
Filing date: 1999-06-30
Publication date: 2010-03-03
Anticipated expiration: 2019-06-30
Also published as: JP2001014293A

Description

【０００１】
【発明の属する技術分野】
本発明は、競合型ニューラルネットワークを用いた紙葉類の識別／学習方法に関する。
【０００２】
【従来の技術】
金融、流通、交通機関等における貨幣の受け払い及び精算業務の自動化は著しく、各種金融機関でのＡＴＭ、流通、交通機関での自動販売機等の普及は周知の通りである。また、これら接客機器の後方にあって、受け払いされた貨幣を集計精算する精算機器もほとんど自動化されるに至っている。これら自動機器の機能や性能の向上は著しく、人手で装填された貨幣を必要数量だけ出金する自動出金機から、貨幣の金種や真偽を識別する識別装置を搭載した自動入金機や自動入出金機が開発されてきた。その後、貨幣の汚損及び損傷状態を識別する正損識別技術が開発されるに至って、入金された貨幣を再度流通可能な正貨と回収すべき損貨とに分別して、正貨のみを出金用貨幣として出金庫に循環させる循環式自動受払い機も開発されている。
【０００３】
また、上記自動機器では機器内の現金管理機能が強化され、自動機器が現金を保管する代用金庫としても運用されるに至っている。これら自動化機器の発展や普及には、構成する各種装置や技術等に高い信頼性が要求されている。更に、貨幣の受け払い技術、分離搬送及び収納技術、中でも貨幣の金種及び真偽を判別する貨幣識別技術については無限保証が要求されており、違算は許されない。紙幣に関しては吸湿、乾燥、汚れ、折れ癖、しわ、穴、破れ、落書き等のほか、紙疲労等により紙質や紙面印刷状態は様々である。しかし、循環式入出金機では、紙幣のどのような状態でも真券は１００％正確に計数され、どのように精巧な偽造、変造異券でも、１００％確実に検知、排除しなければならない要請がある。
【０００４】
貨幣識別技術については、従来サンプルパターンデータからその平均値などの基準パターンを求め、その基準パターンと入力データとの照合により認識を行うパターンマッチング手法がある。また、人間の脳神経系を模倣したモデルのニューラルネットワークとして、ＢＰ(Back-Propagation)法による学習に基づいた階層型ニューラルネットワークが注目されている。他のニューラルネットワークとしてＬＶＱ(Learning Vector Quantization)法による学習を行う競合型ニューラルネットワークがあり、ＬＶＱ法によって基準パターンを学習により作成し、入力データが多次元な場合や複雑なパターン認識においても容易に識別が行える。
【０００５】
【発明が解決しようとする課題】
しかしながら、パターンマッチングによって複雑なパターン認識を行う場合には、単純にサンプルデータの平均値を求めるだけでは困難であり、基準パターンの作成に多くの経験と時間が必要となる。また、ＢＰ法に基づく階層型ニューラルネットワークではパターン認識に要する演算量が多く（３層構造でニューロン数が多く、シグモイド関数を使用しているため）、認識に時間がかかる。演算時間はニューロ演算処理をハードウェア化することで解決できるが、ハードウェア（ＤＳＰやニューロ専用ＣＰＵボード等の使用）は非常に高価なものであり、学習において局所解に陥ったり、構造が複雑なため入力と出力の物理的な因果関係を見出すことが困難であるなどの問題がある。
【０００６】
一方、競合型ニューラルネットワークではパターンマッチングにおける基準パターンを結合係数として学習し、複数の基準パターンを必要とする場合にも容易に作成でき、複雑なパターン認識が行える。また、競合型ニューラルネットワークは構造が単純であり、識別時は入力と結合係数との距離演算と出力値の判定を行うものであり、前記階層型ニューラルネットワークと比べて、複雑なパターンや多次元入力に対しても容易に学習でき、識別時の演算も高速に行える。しかし、従来の競合型ニューラルネットワークでは、入力されたデータは最も距離の近いニューロンが発火するため、偽券などの識別すべき紙葉類以外の紙葉類が入力された場合、その入力データと結合係数との距離が遠いにも拘らず、いずれかのニューロンが発火し誤認識してしまう。また、要求される識別能力を満たすのに必要な競合層ニューロンの数は明確ではないといった問題がある。
【０００７】
本発明は上述のような事情よりなされたものであり、本発明の目的は、紙幣等の紙葉類の識別に比較的有効であると考えられる競合型ニューラルネットワークを基に、その競合型ニューラルネットワークの問題点を解決して識別力を向上するための競合型ニューラルネットワークを用いた紙葉類の識別／学習方法を提供することにある。即ち、本発明の競合型ニューラルネットワークでは、要求される識別能力を満たすような競合層ニューロン数の決定及び偽券等の識別対象外の紙葉類を排除するためのしきい値の設定を自動的に行えるようにし、紙葉類の識別に有効な特徴を自動抽出できるようにしている。
【０００８】
本発明は競合型ニューラルネットワークを用いた紙葉類の識別方法に関し、本発明の上記目的は、識別すべき紙葉類の入力データを受け取るニューロン数Ｎの入力層と、発火することにより前記入力データをＭ個のカテゴリーに分類するニューロン数Ｍの競合層とが結合係数で接続され、前記入力層に入力された紙葉類の入力データとの距離が最も近い結合係数を持つ競合層ニューロンのみに発火するようにＬＶＱ法により学習させる競合型ニューラルネットワークを用いた紙葉類の識別方法において、予め採取した複数の紙葉類のデータを学習データとし、前記学習データの各カテゴリー別平均値を、カテゴリー毎に設けられた競合層ニューロンの結合係数の初期値とする初期化ステップと、前記学習データを入力した場合に、前記ＬＶＱ法で、入力された前記学習データに属するカテゴリーに対応する競合層ニューロンのみに発火するように結合係数を更新するＬＶＱ学習ステップと、
前記結合係数のＬＶＱ学習の後に、各カテゴリーの競合層ニューロン毎に、該競合層ニューロンの結合係数と該競合層ニューロンに発火すべき前記学習データとの距離分布を示す平均値及び標準偏差を求め、前記標準偏差に０又は所定の正数ｋを乗じた値と前記平均値との加算値を求め、前記加算値を前記競合層ニューロンの発火と判定するためのしきい値とするしきい値作成ステップと、前記判定しきい値を設定した後、全ての前記学習データを入力しても発火しない競合層ニューロンがある場合は当該未発火のニューロンを削除するニューロン削除ステップと、全ての前記学習データに対する発火判定の結果に基づき判断し、誤認識された学習データがあれば、誤認識された学習データの平均値を前記誤認識された学習データが属するカテゴリー毎に求め、該平均値を結合係数とするニューロンを追加し、誤認識がない場合は、前記競合層ニューロンにおいて、所定のカテゴリーに対応する第一競合層ニューロンｉに発火すべき学習データと、別のカテゴリーに対応する第二の競合層ニューロンｊ（ｊ≠ｉ）の結合係数との距離が前記第二の競合層ニューロンｊのしきい値以下となる確率を、前記所定のカテゴリーの第一のニューロンｉに発火すべき紙葉類データが前記第二の競合層ニューロンｊに誤認識される信頼性とするように前記学習データに対する信頼性評価を行い、既定信頼性を満たさない場合には、信頼性を満たさない前記第二の競合層ニューロンｊ又は評価対象データが発火する前記第一競合層ニューロンｉの複製を追加するニューロン追加チェックステップと、前記競合層ニューロンの追加がある場合に、前記ＬＶＱ学習以降のステップを繰り返す競合層ニューロン数の最適化ステップとを具備することにより達成される。
【０００９】
また、本発明の上記目的は、識別すべき紙葉類のデータと、前記各カテゴリーの競合層ニューロンの結合係数との距離が最小値となる競合層ニューロンｃを求め、前記距離最小値が前記競合層ニューロンｃに設けられたしきい値θｃ以下の場合は、前記紙葉類を前記競合層ニューロンｃが属するカテゴリーとして認識し、前記距離最小値が前記しきい値θｃより大きい場合は、前記紙葉類をリジェクトするようになっていることにより、また、前記競合型ニューラルネットワークへ入力されるデータに正規化されたデータを用いることによって、より効果的に達成される。
【００１１】
貨幣識別機は、その目的により他国の貨幣や偽造紙幣といった対象外の媒体が入力されることがある。しかし、競合型ニューラルネットワークでは、入力データと各競合層ニューロン（以下、単にニューロンともいう）の結合係数との距離を求め、最も距離の近いニューロンが発火し、入力データが発火したニューロンの属するカテゴリーに識別されるため、入力データと結合係数との距離がかなり離れている場合でも、入力データに最も距離の近い結合係数を持つ競合層ニューロンが発火するため、偽造紙幣などの対象外媒体に対しても発火して誤認識を生じることがあり得る。本発明ではこのような誤認識を防ぐため、自己認識の範囲を確保するのに競合型ニューラルネットワークの距離値の分布推定を行い、出力値に対するしきい値を各ニューロンに設定する。また、競合型ニューラルネットワークにおいて複雑なパターンを精度良く認識するにはニューロン数を増やせば良いが、その方法は明確ではない。本発明では学習に用いたデータの認識及び信頼性評価の結果を基に、自動的にニューロン数の追加及び削除を行っている。ここで、学習とは、各競合層ニューロンの結合係数を更新して行くことである。
【００１２】
ＬＶＱ法のアルゴリズムには、最も距離が小さくなる１つのニューロンを学習するＬＶＱ１のほか、最も距離が小さくなる２つのニューロンを学習するＬＶＱ２及びＬＶＱ３、ＬＶＱ１における学習率を最適化したＯＬＶＱ１等があるが、本発明では計算が容易で高速に学習を行うことのできるＯＬＶＱ１を用いる。なお、ＬＶＱ法はユークリッド距離演算のみのため、シグモイド関数を使用する階層型ニューラルネットワークと異なって演算量が少なく、規模が小さいため、通常のＣＰＵ等での実装が容易である。また、結合荷重ベクトルは入力データの量子化ベクトルであるため、入力と出力の物理的な因果関係を容易に見出せる特徴がある。
【００１３】
以下に、本発明の詳細を、図面を参照して説明する。
【００１４】
先ず競合型ニューラルネットワークは図１のような２層構造から成っており、第１層の入力層が入力パターンを受け取り、第２層の競合層への入力を受け渡して入力パターンの分類を行う。入力層のニューロンは競合層の各ニューロンと完全に結合されており、各結合は結合係数で表現される。ここで、入力層のニューロンｊから競合層のニューロンｉへの結合係数をｗ_ijと表現し、入力層のニューロン数をＮ、競合層のニューロン数をＭとする。競合層のニューロンでは、入力されたデータｘ＝（ｘ₁，ｘ₂，…，ｘ_N）と、そのニューロンが有する結合係数ｗ_i＝（ｗ₁，ｗ₂，…，ｗ_N）とのユークリッド距離ｄ_iを下記数１に従って計算する。
【００１５】
【数１】

上記数１で定義された距離ｄ_iが最小になるニューロンｃを選び、それを勝者ニューロンと呼ぶ。
【００１６】
【数２】

この勝者ニューロンに対する出力ｙ_cを“１”とし、他のニューロンの出力を“０”とする。即ち、下記数３となる。
【００１７】
【数３】
ｙ_i＝１（ｉ＝ｃのとき）
ｙ_i＝０（ｉ≠ｃのとき）
この手法では入力パターンベクトルに対して、最も距離の近い結合係数ベクトルを持つ競合層のニューロンが発火するため、これにより競合型ニューラルネットワークへの入力パターンの識別が可能である。
【００１８】
図２は、上述した競合型ニューラルネットワークを用いて紙幣等の画像又は時系列データを入力して識別する本発明の構成例を示しており、ニューラルネットワークの競合層ニューロンに判定部１が接続されている。入力される画像又は時系列データは競合型ニューラルネットワークによりクラスタリングされ、つまり発火するニューロン別にデータ分類されるが、競合層ニューロンｉで発火するデータ集合を１つの母集団Ｓ_iとする。例えば１００枚の紙幣データを入力したとき、４０枚がニューロン１に発火し、６０枚がニューロン２に発火したとすると、４０枚のデータから成る集合Ｓ₁及び６０枚のデータから成る集合Ｓ₂に分類されたことになる。これをクラスタリングという。判定部１は距離ｄ_i（１〜Ｍ）中から最小値ｄ_cを求め、ニューロンｃのしきい値θ_cとの比較を行い、ｄ_c≦θ_cならニューロンｃを発火し、ｄ_c＞θ_cならニューロンｃは未発火とする。ただし、しきい値θ_cは学習データに対して、ニューロンｃにおける最小距離の平均値をｍ_c、標準偏差をσ_cとするとき、０又は正数ｋ_cを用いてθ_c＝ｍ_c＋ｋ_cσ_cとする。また、競合層のニューロンは１つのカテゴリー（金種、方向：４つの紙幣搬送方向をＡ〜Ｄで表す）に対し１つ又は複数個である。例えば＄５のＤ方向に対し４個の競合層ニューロンを持つ判定部では、＄５のＤ方向の各ニューロンに対ししきい値がそれぞれ設定されている。
【００１９】
図３は本発明の全体的な動作例を示しており、先ず採取した紙葉類データを学習用データとし、これらデータに対してデータ前処理を行い（ステップＳ１０）、結合係数Ｗ_ijの初期化を行い（ステップＳ２０）、ＬＶＱ学習を実行する（ステップＳ３０）。結合係数Ｗ_ijの初期化では、各ニューロンに該当する入力データの平均値を用いる。例えば＄１Ａのニューロンに対して、＄１Ａのデータの平均値を初期値とする。結合係数Ｗ_ijの学習によりニューラルネットワークを構築し、学習データに対してしきい値を作成し（ステップＳ４０）、発火しないニューロンを削除する（ステップＳ５０）。次に、学習データの評価を行い（ステップＳ６０）、ニューロン追加のチェックを行い（ステップＳ７０）、ニューロンの追加がないか否かを判定し（ステップＳ８０）、追加がなければしきい値を拡張する（ステップＳ９０）。また、上記ステップＳ８０においてニューロンの追加がある場合には、上記ステップＳ３０にリターンする。以下に上記フローの各部詳細を説明する。
【００２０】
図４はデータ前処理（ステップＳ１０）の処理フローを示しており、図５に示すように、紙幣４の搬送に対してセンサ２，３の走査で光学的に得られる紙幣データのモザイク化処理を行う（ステップＳ１１）。このモザイク化処理では、２５６画素のセンサ出力データを３２画素から成る入力データに変換する。具体的には先ず２５６画素のデータを８画素ずつに区切り、その領域内の各画素値の平均値を演算する。この結果、演算された各平均値を画素値とする３２データがそのモザイク化された入力データとして得られる。即ち、センサ２，３によって採取されたデータは例えば図６（Ａ）に示すような時系列データとなり、この時系列データを８画素ずつの平均値でグラフ化すると同図（Ｂ）に示すようになる。このモザイク化処理により、ノイズ除去やデータ数の削減に伴う識別演算時間の減少を期待でき、エッジ抽出における誤差を軽減できる。なお、モザイク化処理を画像（エリア）について行うと、図７（Ａ）及び（Ｂ）のようになる。本例では３×４画素の平均値でモザイク化処理している。
【００２１】
上述のようにしてモザイク化された入力画像に対し、オフセット及びゲインのばらつきをなくすための正規化を行う。この正規化を面積比率変換と定義する。モザイク化されたデータをｘ_i（ｉ＝１，…，ｎ）としたとき、変換表のデータＸ_i（ｉ＝１，…，ｎ）は下記数４となる。ただし、Ａはゲイン定数、Ｂはオフセット定数である。
【００２２】
【数４】

上記数４において、ｘオーババーはデータｘ_iの平均を表し、Ｓ_xは平均ｘオーババーとデータｘ_iとの差分の絶対値の総和（面積）を表している。右辺第１項はデータｘ_iの平均からの変動を、全体の変動に対する割合で表している。図８は、３２個のモザイク化データ（０〜３１）に対して平均ｘオーババーと絶対値の総和（面積）を示している。このため、データのゲイン変動及びオフセット変動に対して不変な値が得られる。また、オフセット定数Ｂは変換後のデータのオフセットを調節するための定数である。データは２５６階調のため、Ｂ＝１２７とする。
【００２３】
以下に、ゲイン変動及びオフセット変動に対し、面積比率変換データが不変であることを数式によって説明する。先ず変動データを
【数５】
ｙ_i＝ａｘ_i＋ｂ（ｉ＝１，…，ｎ）
ａはゲイン変動（＞０）であり、ｂはオフセット変動である。
【００２４】
とするとき、平均は
【数６】

となり、平均ｙオーババーとデータｙ_iとの差分の絶対値の総和Ｓ_yは下記数７のようになる。
【００２５】
【数７】

ここで、面積比率変換を施したデータＹ_i（ｉ＝１，…，ｎ）は下記数８となる。
【００２６】
【数８】

このように、面積比率変換を施すことで、ゲイン及びオフセットの変動を除去することができる。
【００２７】
前処理されたデータを用いて、結合係数の初期値を設定する（ステップＳ２０）。学習の初期には、１カテゴリー当たり１つのニューロンが競合層に設定され、各ニューロンの結合係数の初期値は、当該カテゴリーに属するデータの平均値とする。
【００２８】
次に、ＬＶＱ法のアルゴリズムを示す。先ずＬＶＱ法の概念図を図２０に示す。図２０で示すように、入力データｘ（ｔ）と発火したニューロンｃとが同じカテゴリーならば、ニューロンｃの結合係数ｗｃ（ｔ）を入力データｘ（ｔ）に近づけ、入力データｘ（ｔ）と発火したニューロンｃとが異なるカテゴリーならば、ニューロンｃの結合係数ｗ_c（ｔ）を入力データｘ（ｔ）から遠ざける。このように、ＬＶＱ法では結合係数を学習する。
【００２９】
ＬＶＱ法にはＬＶＱ１、ＬＶＱ２、ＬＶＱ３、ＯＬＶＱ１等のアルゴリズムがあるが、ここでは本発明で用いるＯＬＶＱ１のアルゴリズムを数９及び数１０に示す。
【００３０】
【数９】

【数１０】

ここで、ｔは学習回数、α_c（ｔ）は各ニューロンの学習率を表わし、ｓ（ｔ）＝１（正しく認識したとき）又はｓ（ｔ）＝−１（誤って認識したとき）である。数９では学習時に発火したニューロンの結合係数を更新し、数１０ではその他のニューロンは更新されないことを示している。
【００３１】
図３における結合荷重の初期化（ステップＳ２０），ＬＶＱ学習（ステップＳ３０）の後、しきい値を作成するが（ステップＳ４０）、その詳細は図９のフローチャートのようになっている。
【００３２】
即ち、先ず学習データ番号ｌ（ｌ＝１〜Ｌ）によるクラスタリングのループ（ステップＳ４１〜Ｓ４３）において、発火するニューロン別に学習データをクラスタリングし（ステップＳ４２）、Ｍ個のデータ集合を得る。そして、ニューロン番号ｉ（ｉ＝１〜Ｍ）によるしきい値作成のループ（ステップＳ４４〜Ｓ４９）において、クラスタリングされた学習データの集合の距離分布を推定し、平均値ｍ_i、標準偏差σ_i及び最大値ｄ_maxを得（ステップＳ４５）、しきい値θ_iを作成する（ステップＳ４６）。そして、しきい値θ_iが最大値ｄ_maxより小さいか否かを判定し（ステップＳ４７）、最大値ｄ_maxより小さければ最大値ｄ_maxに所定数αを加算した値をしきい値θ_iとする（ステップＳ４８）。これを、ニューロン番号Ｍ個分だけ繰り返す（ステップＳ４９）。
【００３３】
図１０に示すように、推定された分布より競合層ニュ−ロンｉの自己認識の範囲としてのしきい値θ_iを、θ_i＝ｍ_i＋ｋ_iσ_iに設定する。よって、入力データと競合層ニューロンｉのユークリッド距離ｄ_iがｄ_i≦θ_iならば、標本は母集団Ｓ_iに属すると認識される。ここで、ｋ_iは自己認識の範囲として任意の値を設定できるが、ｋ_i＝４．５の場合、母集団Ｓ_iのデータに対してニューロンｉが発火（正しく認識）する確率は、標準正規分布表から１−３．４×１０^-6であり、ｋ_i＝６．５の場合、１−４．０×１０^-11である。学習データによっては、このように設定されたしきい値を越えることもあるが、このようなデータも認識させる必要がある場合は、図１１に示すようにθ_ioに広げて設定すればよい。
【００３４】
上述のようにしてしきい値を作成すると、発火しないニューロンの削除を行うが（ステップＳ５０）、その詳細を図１２のフローチャートを参照して説明する。先ずニューロン番号ｉ（ｉ＝１〜Ｍ）によるニューロン削除のループ（ステップＳ５１〜Ｓ５４）において、ニューロンｉが発火したか否かを判定し（ステップＳ５２）、発火していなければニューロンｉを削除する（ステップＳ５３）。
【００３５】
その後、学習データの評価を行うが（ステップＳ６０）、その詳細を図１３のフローチャートを参照して説明する。
【００３６】
先ず学習データ番号ｌ（ｌ＝１〜Ｌ）による学習データ識別のループ（ステップＳ６１〜Ｓ６４）において、学習データの識別判定を行い（ステップＳ６２）、発火するニューロン別に学習データをクラスタリングする（ステップＳ６３）。そして、ニューロン番号ｉ（ｉ＝１〜Ｍ）による信頼性評価のループ（ステップＳ６５〜Ｓ６８）において、クラスタリングされた学習データの集合の距離分布を推定し（ステップＳ６６）、信頼性評価を行う（ステップＳ６７）。これを、全ニューロン番号に亙って実施する。
【００３７】
上記学習データの評価が終わると次にニューロン追加のチェックを行う（ステップＳ７０）が、その詳細を図１４のフローチャートを参照して説明する。
【００３８】
先ずニューロン番号ｉ（ｉ＝１〜Ｍ）によるニューロン追加チェックのループ（ステップＳ７１〜Ｓ７６）において、誤認識があるか否かを判断し（ステップＳ７２）、誤認識があれば誤認識データの平均値をカテゴリー毎に求め、その平均値を結合係数としたニューロンを追加する（ステップＳ７３）。その後、ニューロンｉが既定信頼性を満たすか否かを判定し（ステップＳ７４）、既定信頼性を満たしていなければ、ニューロンｉ又は信頼性評価対象のデータ集合が発火するニューロンｊ（ｊ≠ｉ）の複製を追加する（ステップＳ７５）。信頼性評価では図１５に示すように、ニューロンｉに発火するデータ集合Ｓｉを評価対象データとして、ニューロンｊ（ｊ≠ｉ）との距離ｄｉの度数分布を考える。この距離ｄｉの度数分布が図１５に示すような正規分布ＮＤであると仮定し、正規分布ＮＤがしきい値θｊよりも小さくなる確率をニューロンｊの信頼性とする。これは図１５における黒色部分ＢＡの面積を表し、ニューロンｉに発火すべきデータがニューロンｊに発火する確率を意味している。
【００３９】
しきい値設定後、学習データに対して識別判定を行い、誤認識するデータがあればそれに対するニューロンを追加する。そのニューロンの結合荷重ベクトルは、誤認識データのカテゴリー毎の平均値とする。これにより認識率を向上させることが可能である。また、学習データに対する図１５に示すように信頼性評価を行い、既定の信頼性が得られないニューロンｊに対しては、そのニューロンｊ又はその評価対象ニューロンｉ（評価対象データ集合が発火するニューロンｉ）の複製を追加する。これにより、ニューロンの出力値分布のばらつきが小さくなり、信頼性が向上する。図１６は誤認識データに対するニューロンの追加を示しており、ニューロンｉに誤認識したデータの平均を結合荷重とするニューロンを追加する様子を示している。また、図１７は既定信頼性を満たさない場合のニューロンの追加を示しており、既定信頼性を満たさないニューロンｊ又はその評価対象ニューロンｉの複製を追加している。
【００４０】
図３のニューロンのチェック（ステップＳ７０）において、その後ニューロンの追加がなければ（ステップＳ８０）しきい値を拡張するが（ステップＳ９０）、その動作を図１８のフローチャートを参照して説明する。
【００４１】
実際のデータでは予測できないようなばらつきを持つこともあり、統計的に設定されたしきい値を超える場合もある。このようなデータに対しても汎化能力を持たせるにはしきい値を拡張すれば良い。そこで、拡張する基準として信頼性評価の結果に基づき、既定の信頼性が得られる範囲で拡張すれば、既定の信頼性を確保した状態で認識率を向上させることが可能である。図１９に示す具体例では、しきい値θ_iをθ_i＝ｍ_i＋４．５σ_iに設定した後に信頼性評価を行う。その結果、評価対象ニューロンが既定信頼性を満たす境界値を算出し、その境界値を拡張されたしきい値として再設定する。このとき、過剰な拡張を防ぐため、ｍ_i＋６．５σ_iをしきい値拡張の限界値として設け、境界値が限界値より大きければ、限界値を拡張されたしきい値として設定する。
【００４２】
先ずニューロン番号ｉ（ｉ＝１〜Ｍ）によるしきい値拡張のループ（ステップＳ９１〜Ｓ９６）において、既定の信頼性を満たすしきい値の境界値θ_Bを求め（ステップＳ９２）、しきい値拡張の限界値θ_Lを求める（ステップＳ９３）。そして、境界値θ_Bが限界値θ_Lより小さいか否かを判定し（ステップＳ９４）、小さければしきい値θを境界値θ_Bに拡張し（ステップＳ９５）、そうでなければしきい値θを限界値θ_Lに拡張する（ステップＳ９７）。
【００４３】
図２１は紙幣識別時の動作例を示しており、紙幣を走査して得られたデータの前処理を行い（ステップＳ１００）、ニューロン番号ｉ（ｉ＝１〜Ｍ）による距離計算のループ（ステップＳ１０１〜Ｓ１０３）において、入力データと結合係数の距離ｄ_iを計算する（ステップＳ１０３）。そして、距離ｄ_iが最小となるニューロンｃを求め（ステップＳ１０４）、これをニューロン番号についてＭ回実行し、ｄ_c≦θ_cを判定し、そうであればニューロンｃを発火する（ステップＳ１０６）。これにより、入力データはニューロンｃが属するカテゴリーに認識される。また、上記ステップＳ１０５においてｄ_c＞θ_cであれば、ニューロンｃは未発火であり（ステップＳ１０７）、入力データはリジェクトされる。
【００４４】
【発明の効果】
以上のように、本発明によれば、学習終了後にニューロン数の調整を行い、再学習するという方法を繰り返してニューロン数を最適化すると共に、ニューロン数の調整を学習データに対する認識結果及び信頼性評価に基づいて行うようにしているので、紙葉類の識別力を向上することができる。
【図面の簡単な説明】
【図１】本発明に用いる競合型ニューラルネットワークの基本構造を示す図である。
【図２】本発明の構成例を示すブロック図である。
【図３】本発明の全体的な動作例を示すフローチャートである。
【図４】データ前処理の動作例を示すフローチャートである。
【図５】紙幣のデータ採取の様子を示す図である。
【図６】モザイク化処理（時系列データ）を説明するための図である。
【図７】モザイク化処理（画像）を説明するための図である。
【図８】正規化処理を説明するための図である。
【図９】しきい値作成の処理例を示すフローチャートである。
【図１０】しきい値の設定を説明するための図である。
【図１１】しきい値の調整を説明するための図である。
【図１２】ニューロン削除の処理例を示すフローチャートである。
【図１３】学習データの評価の処理例を示すフローチャートである。
【図１４】ニューロン追加のチェック処理例を示すフローチャートである。
【図１５】競合型ニューラルネットワークの信頼性評価を説明するための図である。
【図１６】誤認識データに対するニューロンの追加を説明するための図である。
【図１７】既定信頼性を満たさない場合のニューロンの追加を説明するための図である。
【図１８】しきい値拡張の処理例を示すフローチャートである。
【図１９】しきい値の拡張設定を説明するための図である。
【図２０】ＬＶＱ法の概念を説明するための図である。
【図２１】紙幣識別の処理例を示すフローチャートである。
【符号の説明】
１判定部
２，３センサ
４紙幣

Claims

識別すべき紙葉類の入力データを受け取るニューロン数Ｎの入力層と、発火することにより前記入力データをＭ個のカテゴリーに分類するニューロン数Ｍの競合層とが結合係数で接続され、前記入力層に入力された紙葉類の入力データとの距離が最も近い結合係数を持つ競合層ニューロンのみに発火するようにＬＶＱ法により学習させる競合型ニューラルネットワークを用いた紙葉類の識別方法において、
予め採取した複数の紙葉類のデータを学習データとし、前記学習データの各カテゴリー別平均値を、カテゴリー毎に設けられた競合層ニューロンの結合係数の初期値とする初期化ステップと、
前記学習データを入力した場合に、前記ＬＶＱ法で、入力された前記学習データに属するカテゴリーに対応する競合層ニューロンのみに発火するように結合係数を更新するＬＶＱ学習ステップと、
前記結合係数のＬＶＱ学習の後に、各カテゴリーの競合層ニューロン毎に、該競合層ニューロンの結合係数と該競合層ニューロンに発火すべき前記学習データとの距離分布を示す平均値及び標準偏差を求め、前記標準偏差に０又は所定の正数ｋを乗じた値と前記平均値との加算値を求め、前記加算値を前記競合層ニューロンの発火と判定するためのしきい値とするしきい値作成ステップと、
前記判定しきい値を設定した後、全ての前記学習データを入力しても発火しない競合層ニューロンがある場合は当該未発火のニューロンを削除するニューロン削除ステップと、
全ての前記学習データに対する発火判定の結果に基づき判断し、誤認識された学習データがあれば、誤認識された学習データの平均値を前記誤認識された学習データが属するカテゴリー毎に求め、該平均値を結合係数とするニューロンを追加し、誤認識がない場合は、前記競合層ニューロンにおいて、所定のカテゴリーに対応する第一競合層ニューロンｉに発火すべき学習データと、別のカテゴリーに対応する第二の競合層ニューロンｊ（ｊ≠ｉ）の結合係数との距離が前記第二の競合層ニューロンｊのしきい値以下となる確率を、前記所定のカテゴリーの第一のニューロンｉに発火すべき紙葉類データが前記第二の競合層ニューロンｊに誤認識される信頼性とするように前記学習データに対する信頼性評価を行い、既定信頼性を満たさない場合には、信頼性を満たさない前記第二の競合層ニューロンｊ又は評価対象データが発火する前記第一競合層ニューロンｉの複製を追加するニューロン追加チェックステップと、
前記競合層ニューロンの追加がある場合に、前記ＬＶＱ学習以降のステップを繰り返す競合層ニューロン数の最適化ステップと、
を具備したことを特徴とする競合型ニューラルネットワークを用いた紙葉類の識別方法。
前記競合型ニューラルネットワークへ入力される入力データには正規化されたデータを用いるようにした請求項1に記載の競合型ニューラルネットワークを用いた紙薬類の識別方法。
識別すべき紙葉類のデータと、前記各カテゴリーの競合層ニューロンの結合係数との距離が最小値となる競合層ニューロンｃを求め、前記距離最小値が前記競合層ニューロンｃに設けられたしきい値θｃ以下の場合は、前記紙葉類を前記競合層ニューロンｃが属するカテゴリーとして認識し、前記距離最小値が前記しきい値θｃより大きい場合は、前記紙葉類をリジェクトするようになっている請求項１又は２に記載の競合型ニューラルネットワークを用いた紙葉類の識別方法。