磁信号识别方法与流程

技术特征：
1.一种磁信号识别方法，其特征在于，所述方法包括：步骤s102，提取样本纸币的样本磁信号，根据所述样本磁信号，确定样本纸币各个特征区域的磁信号阈值；步骤s104，若待测纸币的各个特征区域的实时的磁信号均符合所述磁信号阈值的数值范围，则待测纸币的磁信号的第一结果resultsignal为有效磁信号；步骤s106，将样本纸币的样本磁信号data-result[u,v]带入改进的误差反向传播神经网络模型进行迭代训练，得到训练参数数组；其中，所述训练参数数组包括：谐波权重ω、谐波频率k、谐波相位步骤s108，根据所述训练参数数组，确定最终网络模型，将待测纸币的磁信号输入至最终网络模型，得到识别结果，若识别结果大于预设的理想阈值y
sd
(t
o
)，则待测纸币的磁信号的第二结果resultnetwork为有效磁信号；步骤s110，若第一结果、第二结果均为有效磁信号，则待测纸币的磁信号最终结果为有效磁信号。2.根据权利要求1所述的磁信号识别方法，其特征在于，步骤s102包括：s102-1：采集n张样本纸币的初始磁信号data[u,v]；其中，n＝2000-5000；s102-2：将样本纸币的初始磁信号进行预处理，得到样本磁信号data-result[u,v]；s102-3：按照预设的划分规则，将data-result[u,v]划分为p个磁特征区域；s102-4：根据统计学原理以及预设的阈值确定规则，确定p个特征区域的磁信号阈值，其中，所述磁信号阈值包括：磁信号强度阈值、磁信号周期阈值和磁信号斜率阈值。3.根据权利要求2所述的磁信号识别方法，其特征在于，步骤s104包括：s104-1：采集待测纸币的初始磁信号；s104-2：将待测纸币的初始磁信号进行预处理，得到待测磁信号real-data-result[u,v]；s104-3：基于real-data-result[u,v]，提取待测纸币的p个区域的实时的磁信号datafeature，其中，所述实时的磁信号包括实时磁信号强度、实时磁信号周期和实时磁信号斜率；s104-4：分别比较待测纸币实时磁信号强度、实时磁信号周期、实时磁信号斜率与步骤s102-4确定的磁信号强度阈值、磁信号周期阈值、磁信号斜率阈值的数值关系；s104-5：若实时的磁信号均符合磁信号阈值范围，则待测纸币的磁信号的第一结果resultsignal为有效磁信号。4.根据权利要求3所述的磁信号识别方法，其特征在于，步骤s106包括：s106-1：将n张样本纸币的样本磁信号data-result[u,v]作为t(o)，其中，o＝1，2，
…
，n，此仅为赋值过程；将t(o)作为神经元的激励函数输入信号，其中，o代表第o张样本纸币，n为样本纸币的总张数，n为2000-5000；s106-2：神经网络的神经元的激励函数为：2：神经网络的神经元的激励函数为：其中，h代表第h谐波次数，n为最高谐波次数，1＜h＜n，k
h
、分别是谐波的频率和相位，二者共同作为激励函数的参数，是可变参数；w选择固定的常数，w＝1；
fourier transform，fft)，得到所有通道磁信号中不同谐波出现频率的大致分布数据s(x,y)，其中，x为幅值，y为频率；2)根据大量样本的分布数据s(x,y)，确认一个合适的小波函数，以及小波的分解层数f，在此基础上对信号data_rotate[u,v]进行f层的小波分离,得到低频小波分布数组与高频小波分布数组各f组；其中所述小波函数为db4，f＝3；3)利用小波去噪原理，将得到的小波分解的高频小波分布数组的系数全部置零，去除高频噪声；4)将小波分解得到的低频小波分布数组，利用异步采样方法-加窗插值fft算法，得到f组精准的低频小波分布数组；5)利用fft反变换原理，对f组精准的低频小波分布数组，进行fft反变换，得到f组低频稳态部分的磁信号数组，将f组磁信号数组叠加后得到样本磁信号data-result[u,v]。

技术总结
本发明提供了一种磁信号识别方法，该方法包括：提取样本纸币的样本磁信号，根据所述样本磁信号，确定磁信号阈值；若实时的磁信号均符合所述磁信号阈值的数值范围，则第一结果为有效磁信号；将样本纸币的样本磁信号带入网络模型进行迭代训练，得到训练参数数组；根据训练参数数组，确定最终网络模型，将待测纸币的磁信号输入至最终网络模型，得到识别结果，若识别结果大于预设的理想阈值y


技术研发人员：武艳红 刘贯伟 周凯晨 冯辉 张云峰 江浩然
受保护的技术使用者：恒银金融科技股份有限公司
技术研发日：2022.08.12
技术公布日：2022/11/25