基于TMR传感器的冠字码提取与识别算法

薛凌云，李　欣

(1.杭州电子科技大学生命信息与仪器工程学院，浙江 杭州 310018；

2.杭州电子科技大学自动化学院，浙江 杭州 310018)



基于TMR传感器的冠字码提取与识别算法

薛凌云1，李欣2

(1.杭州电子科技大学生命信息与仪器工程学院，浙江 杭州 310018；

2.杭州电子科技大学自动化学院，浙江 杭州 310018)

摘要：针对第5套人民币冠字码，采用TMR传感器获取冠字码磁信号，经小波变换对信号降噪，采用能量差法截取冠字码有效磁信号，对其提取多个时域特征，构建特征判据样本库，利用BP神经网络识别冠字码磁信号，实现真假币分类。实验结果表明，所采集的不同面额纸币的冠字码磁信号稳定饱和，小波变换对磁信号降噪效果良好，能量差法可以获取完整、有效的冠字码磁信号，BP神经网络算法运算速度快、识别率达100%。

关键词：冠字码；小波变换；能量差；特征提取与选择

0引言

随着经济的发展，人民币发行量和流通量不断增加，假币严重影响了日常生活和社会秩序[1]，因此鉴伪工作具有重要的应用意义。在人民币防伪标志中，冠字码是磁特征鉴别技术的重要标志之一。在冠字码检测传感器中，磁感应线圈检测灵敏度低、抗干扰性能差，锑化铟和非晶态合金丝传感器温度特性差、信号处理电路复杂[2]。而隧道磁电阻(Tunnel Magneto Resistance，TMR)具有灵敏度高、温度特性好、输出信号强等特点[3-5]，因此采用TMR传感器检测纸币冠字码磁信号。采用小波变换方法滤除所测磁信号噪声，既可重现信号细节又可弥补上述滤波方法的不足[6]。由于时窗瞬时强度比法、能量比法等计算复杂度高，对噪声敏感，截取精度低[7-10]，本文对滤波后信号采用能量差法准确、高效截取有效信号，再提取信号时域特征，选择并构建特征判据样本库，运用BP神经网络识别冠字码磁信号，与多数鉴伪设备仅能识别冠字码信号有无或强弱的性能相比，算法提高了真伪币区分能力。

1冠字码信号预处理

1.1　小波变换降噪

利用小波变换技术对人民币冠字码磁信号降噪步骤如下：

1)选择小波基db4、分解尺度4，对冠字码信号进行小波变换，得到各层小波系数wj,k；

2)小波变换降噪有硬阈值和软阈值方法[11-12]，鉴于软阈值小波估计系数整体连续性好、降噪效果平滑，故选择软阈值函数如下：

(1)

1.2　有效信号分割

冠字码有效信号集中于检测信号中段，需准确截取有效信号，在尽可能涵盖磁特征的同时将数据量压缩到最小，以提高后续识别算法执行效率。与能量比法相比，能量差法可准确、高效截取信号[13]，即通过计算时窗前后能量差以确定信号的起止点，如下：

(2)

冠字码实际有效信号截取方案：

1)采用宽度N=50的矩形窗，从信号起点开始，计算窗前后部分的能量差；

2)取移动步长N′=10，滑动前移时窗，记录每个时窗能量差和时窗中点；

3)取能量差的最值，最大值和最小值对应的时窗中点分别为有效信号的起止点sp1和ep1，粗略提取冠字码信号x′=x(sp1:ep1)；

4)以sp1为起点，计算信号x′前i个幅值的均值与第i+1个点的幅值之差的绝对值，即Δ(i)=abs(average(x′(i+1)-x′(1:i)))，令F(i)=a*Δ(i)且a=20；

2识别算法设计

2.1　特征提取与特征选择

表1　冠字码磁信号特征及判定阈值

2.2　BP神经网络设计

2.2.1构建BP神经网络

构建3层BP网络，拓扑结构如图1所示，其输入层、隐含层、输出层神经元个数分别为分n、p、q。由建立的特征样本库可得，n=4，q=2，隐含层设计如下：

(3)

图1　BP神经网络拓扑结构图

2.2.2训练BP神经网络

根据上述构建的网络，设计训练流程如下：

2)选择任意样本k，基于其期望输出，计算隐含层各神经元的输入与输出；

3)计算实际输出并和期望输出比较获得误差函数，再对输出层各神经元计算偏导数；

5)隐含层与输出层连接权值修正。依据：输出层各神经元，隐含层各神经元输出；

7)训练终止判断。当全局误差满足精度要求或训练次数达到设定值，则训练结束。否则，返回步骤3，进入新一轮训练。

3实验验证和结果分析

3.1　小波降噪及波形分割效果

TMR传感器采集的冠字码磁信号如图2(a)所示，小波变换降噪结果如图2(b)所示，可见，小波变换降噪既可滤除噪声，又可维持信号细节特征。利用能量差法在降噪后波形中截取有效信号，初次截取可对冠字码实际有效信号起止点进行粗略定位，二次截取在对信号起止点准确定位的同时可对数据再次压缩。初次截取波形和二次截取波形分别如图2(c)和图2(d)所示。

图2　降噪前后和截取波形

3.2　识别算法验证

取100个样本数据训练所构建的BP神经网络，确定各层的权值和阈值，另取100个样本数据进行测试，测试结果如表2所示。由表2可知，假币被全部检出，准确率达100%。

表2　BP网络识别结果

4结束语

TMR传感器同其他磁传感器相比，所采集的人民币冠字码磁信号饱和、稳定，小波变换降噪方法既可保留信号细节特征又可滤除噪声，利用能量比法对冠字码实际有效信号起止点定位，可准确、高效截取有效信号，以信号的峰值、均方根值、脉冲个数、平均过零点等为特征的BP神经网络算法可有效区分真假币，具有较好的应用价值。

参考文献

[1] 刘琳.基于图像和磁技术的人民币鉴别仪[D].广州：华南理工大学，2012：9-14.

[2]蒋峰,鲍丙豪,闻凤连.基于非晶态合金丝传感器的人民币磁性安全线测量系统[J].仪表技术与传感器,2010,(7):99-101.

[3]吕华,刘明峰,曹江伟,等.隧道磁电阻(TMR)磁传感器的特性与应用[J].磁性材料及器件,2012,3(3):1-4.

[4]EgelhoFF Jr W F,Pong P W T,Unguris J,et al.Critical challenges For picoTesla magnetic-tunnel-junction sensors[J].Sensors and Actualtors A,2009,155(2):217-225.

[5]Edelstein A.Advances in magnetometry[J].Journal oF Physics Condensed Matter,2007,19(16):165 217.

[6]王宏强,尚春阳,高瑞鹏,等.基于小波系数变换的小波阈值去噪算法改进[J].振动与冲击,2011,30(10):165-168.

[7]张伟,王彦春,李洪臣,等.地震道瞬时强度比法拾取初至波[J].地球物理学进展,2009,24(1):201-204.

[8]左国平,王彦春,隋荣亮.利用能量比法拾取地震初至的一种改进方法[J].石油物探,2004,43(4):345-347.

[9]张伟,王海,李洪臣,等.用变换时窗统计能量比法拾取地震初至波[J].物探与化探,2009,33(2):178-180.

[10]徐钰,曾维辉,宋建国,等.浅层折射波勘探中初至自动拾取新算法[J].石油地球物理勘探,2012,47(2):218-224.

[11]杜继永,黄国荣,程洪炳,等.基于改进小波阈值法处理MEMS陀螺信号噪声[J].电光与控制,2009,16(12):61-64.

[12]苏丽,赵国良,张仁彦.基于改进小波阈值法的平移不变心电信号去噪[J].哈尔滨工程大学学报,2006,27(6):839-843.

[13]郑江龙,许江.能量差法拾取直达波初至的应用研究[J].工程地球物理学报,2013,10(6):834-839.

Algorithm oF Serial Number Extraction and Recognition

Based on Tunnel Magneto Resistance Sensor

Xue Lingyun1， Li Xin2

(1.SchooloFLiFeInFormationandInstrumentEngineering，HangzhouDianziUniversity，HangzhouZhejiang310018，China;

2.SchooloFAutomation，HangzhouDianziUniversity，HangzhouZhejiang310018，China)

Abstract:According to the FiFth set RMB serial numbers， tunnel magneto resistance(TMR) is used to acquire the magnetic signal oF serial numbers， the approach oF wavelet transForm is adopted to reduce the signal noise， the method based on energy D-value is used to cut out the eFFective signal， to extract several time domain Features and build characteristic criterion sample library， BP neural network is used to recognize magnetic signal oF serial numbers and classiFy counterFeit and banknote. The study shows that the collected character magnetic signal oF diFFerent RMB is stable and saturate， the method oF wavelet transForm reduces the signal noise well， complete and eFFective magnetic signal can be acquired by using the method based on energy D-value， computing speed oF BP neural network algorithm is Fast and recognition currency is 100%．

Key words:serial number; wavelet transForm; the method based on energy D-value; Feature extraction and selection

中图分类号：TP274

文献标识码：A

文章编号：1001-9146(2015)03-0073-04

作者简介：薛凌云(1967-)，女，内蒙古呼和浩特人，教授，智能信息处理.

收稿日期：2014-10-30

DOI:10.13954/j.cnki.hdu.2015.03.015