CN112966595B - 一种基于图神经网络的传感器网络数据异常判决方法 - Google Patents
一种基于图神经网络的传感器网络数据异常判决方法 Download PDFInfo
- Publication number
- CN112966595B CN112966595B CN202110237989.8A CN202110237989A CN112966595B CN 112966595 B CN112966595 B CN 112966595B CN 202110237989 A CN202110237989 A CN 202110237989A CN 112966595 B CN112966595 B CN 112966595B
- Authority
- CN
- China
- Prior art keywords
- sensor network
- graph
- formula
- data
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于图神经网络的传感器网络数据异常判决方法,其特征在于,包括如下步骤:1)对传感器网络数据进行图建模;2)使用图卷积网络提取图模型中的空间特征;3)使用门控循环单元提取图模型中的时间特征;4)使用全连接层对提取的时空特征进行异常判决;这种方法可以通过分析传感器网络的历史数据从而进行异常判决。
Description
技术领域
本发明涉及神经网络、图模型与图信号处理技术领域,具体是一种基于图神经网络的传感器网络数据异常判决方法。
背景技术
传感器已经被广泛的用于监控不同位置的物理或环境状况,如温度、湿度、气压和风速等。多个分布在不同位置的传感器就组成了传感器网络,传感器网络无论在民用领域还是在军事领域都有广泛的应用。因此对传感器网络中的各个传感器进行异常判决就显得尤为重要,异常判决可以了解传感器的运行状况或是传感器周围环境发生的异常变化,这些信息在传感器异常排查或是传感器网络的数据分析都有着极为重要的作用。
图是一种典型的非欧几里得结构(Non-Euclidean Structure),这类数据随机性大,结构不规则,具体体现在对于数据中的某个点,难以将其邻居节点定义出来,或者是不同节点的邻居节点的数量是不同的。而图又是一种常见的数据结构,广泛的应用于社交网络、交通运输网和传感器网络等,这给这类图信号的处理带来了一定的困难。
神经网络是一种模仿生物神经网络的结构和功能的数学模型,神经网络在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已成功地解决了许多现代计算机难以解决的实际问题,表现出了良好的智能特性。早期神经网络对图信号的处理是使用卷积神经网络来妥协的,由于卷积神经网络是用于处理欧几里得结构的数据,因此这样的方法有许多缺陷。直到图卷积神经网络的出现才使得这个问题得到了较为妥善的处理。图卷积神经网络能够很好的提取图信号的空间特征,配合用于提取时间特征的循环神经网络就能对时变的图信号进行处理。
发明内容
本发明的目的是针对现有技术得不足,而提供一种基于图神经网络的传感器网络数据异常判决方法。这种方法适用于拥有时空特征的图信号数据异常判决问题,通过对历史数据的时空特征提取从而完成高精度的异常判决。
实现本发明目的的技术方案是:
一种基于图神经网络的传感器网络数据异常判决方法,包括如下步骤:
1)对传感器网络数据进行图建模:假设传感器网络数据为X=[x1,x2,…,xm]∈Rn ×m,其中xi∈Rn,i=1,2,...,m为当前传感器网络中的n个传感器在i时刻所获取的数据,C={(a1,b1),(a2,b2),…,(an,bn)}为传感器网络中n个传感器各自的坐标组成的集合,其中ai为纬度,bi为经度i=1,2,...,n,据此,可以构建出图G={V,E,W},其中V为图中结点的集合,对应传感器网络中的各个传感器,E为边的集合,边用于描述节点之间的相似与邻接关系,W为权重矩阵,权重矩阵内部元素表示对应两个节点是否有空间上的联系,定义如公式(1)所示:
在公式(1)中,R为阈值,阈值可根据传感器网络所获取的数据与地理位置之间的联系灵活调整,dij=dgeo((ai,bi),(aj,bj))表示i,j两个结点所对应的传感器的地理距离,其中dgeo采用半正矢公式即Haversine公式计算得出,dgeo定义如公式(2)所示:
公式(2)中,r表示地球半径为6371km;
2)采用图卷积网络提取图模型中的空间特征:多层图卷积神经网络GCN依据公式(3)逐层传播:
Hl表示第l层的激活矩阵,对于输入层H0=X。Wl是一个特定的可训练的权重矩阵,σ()代表激活函数,如ReLU、softmax等,在这里采用两层图卷积网络层提取传感器网络数据中的空间特征,公式(5)为本图卷积网络的前向传播模型:
公式(5)中,xt为步骤1)中所述的传感器网络中的n个传感器在t时刻所获取的数据,为图卷积神经网络对当前时刻的数据提取的空间特征,其中n为传感器数量,将传感器网络m个时刻的数据及传感器网络的权重矩阵W输入至该图卷积神经网络得到为m×n×2的三维数据,代表了该传感器网络在m个时刻的空间特征;
3)采用门控循环单元提取图模型中的时间特征:门控循环单元GRU具有两个门,分别为重置门和更新门,更新门用于控制前一时刻的状态信息被带入到当前状态中的程度;重置门则用于控制忽略前一时刻的状态信息的程度,门控循环单元的内部如公式(6)所示:
公式(6)中,*表示哈达玛积Hadamard product,定义如公式(7)所示:
Cij=Aij×Bij (7),
在公式(7)中,A,B为同阶矩阵,xt是当前节点的输入,即i时刻n个传感器所采集的数据;Ht-1是上一个时刻传递下来的时间特征,Ht表示当前时刻所提取的时间特征;σ()为sigmoid函数;Wz,Wr,W均为可训练的权重矩阵,为了弥补在图卷积神经网络中所损失的时间特征,将与X∈Rn×m连接起来构成一个m×n×3的三维数据Z,Z表示该传感器网络在m个时刻的空间特征及未经处理过的时间特征,将Z作为输入数据输入至门控循环单元内提取传感器网络时间特征得到H={H1,H2,…,Hm},其中Hi∈Rn×2,i=1,2,...,m,故H为m×n×2的三维数据,表示该传感器网络中的n个传感器在m个时刻的时空特征;
4)采用全连接层对提取的时空特征进行异常判决:全连接层的作用是将提取的时空特征进行异常判决,即将时空特征分类为正常和异常两类,全连接层的前向传播如公式(8)所示:
A=Wx+b (8),
公式(8)中,W为可训练的权重矩阵,b为偏置,x表示输入特征,将Z为传感器网络的时空特征输入至全连接层中得到A=[A1,A2,…,Am],A是对n个传感器在m个时刻的异常判决结果,其中Ai∈Rn×2,i=1,2,...,m,Am表示为本神经网络对m时刻n个传感器的异常判决结果。
本技术方案采用神经网络中的图卷积神经网络和门控循环单元提取传感器网络数据中的空间和时间特征,再由全连接层进行拟合分类,最终得出异常判决。
这种方法适用于拥有时空特征的图信号数据异常判决问题,通过对历史数据的时空特征提取从而完成高精度的异常判决,
附图说明
图1为实施例中训练过程中训练集和验证集的损失函数值的变化趋势图;
图2为实施例中训练过程中训练集和验证集的正确率的变化趋势图。
具体实施方式
下面结合附图和实施例对发明的内容作进一步的阐述,但不是对本发明的限定。
实施例:
一种基于图神经网络的传感器网络数据异常判决方法,包括如下步骤:
1)对传感器网络数据进行图建模:假设传感器网络数据为X=[x1,x2,…,xm]∈Rn ×m,其中xi∈Rn,i=1,2,...,m为当前传感器网络中的n个传感器在i时刻所获取的数据,C={(a1,b1),(a2,b2),…,(an,bn)}为传感器网络中n个传感器各自的坐标组成的集合,其中ai为纬度,bi为经度,i=1,2,...,n,据此,可以构建出图G={V,E,W},其中V为图中结点的集合,对应传感器网络中的各个传感器,E为边的集合,边用于描述节点之间的相似与邻接关系,W为权重矩阵,权重矩阵内部元素表示对应两个节点是否有空间上的联系,定义如公式(1)所示:
在公式(1)中,R为阈值,阈值可根据传感器网络所获取的数据与地理位置之间的联系灵活调整,dij=dgeo((ai,bi),(aj,bj))表示i,j两个结点所对应的传感器的地理距离,其中dgeo采用半正矢公式即Haversine公式计算得出,dgeo定义如公式(2)所示:
公式(2)中,r表示地球半径为6371km;
2)采用图卷积网络提取图模型中的空间特征:多层图卷积神经网络GCN依据公式(3)逐层传播:
Hl表示第l层的激活矩阵,对于输入层H0=X。Wl是一个特定的可训练的权重矩阵,σ()代表激活函数,如ReLU、softmax等,在这里采用两层图卷积网络层提取传感器网络数据中的空间特征,公式(5)为本图卷积网络的前向传播模型:
公式(5)中,xt为步骤1)中所述的传感器网络中的n个传感器在t时刻所获取的数据,为图卷积神经网络对当前时刻的数据提取的空间特征,其中n为传感器数量,将传感器网络m个时刻的数据及传感器网络的权重矩阵W邻接矩阵输入至该图卷积神经网络得到为m×n×2的三维数据,代表了该传感器网络在m个时刻的空间特征;
3)采用门控循环单元提取图模型中的时间特征:门控循环单元GRU具有两个门,分别为重置门和更新门,更新门用于控制前一时刻的状态信息被带入到当前状态中的程度;重置门则用于控制忽略前一时刻的状态信息的程度,门控循环单元的内部如公式(6)所示:
公式(6)中,*表示哈达玛积Hadamard product,定义如公式(7)所示:
Cij=Aij×Bij (7),
在公式(7)中,A,B为同阶矩阵,xt是当前节点的输入,即t时刻n个传感器所采集的数据;Ht-1是上一个时刻传递下来的时间特征,Ht表示当前时刻所提取的时间特征;本例中σ()为sigmoid函数;Wz,Wr,W均为可训练的权重矩阵,为了弥补在图卷积神经网络中所损失的时间特征,将与X∈Rn×m连接起来构成一个m×n×3的三维数据Z,Z表示该传感器网络在m个时刻的空间特征及未经处理过的时间特征,将Z作为输入数据输入至门控循环单元内提取传感器网络的时间特征得到H={H1,H2,…,Hm},其中Hi∈Rn×2(i=1,2,...,m),故H为m×n×2的三维数据,表示该传感器网络中的n个传感器在m个时刻的时空特征;
4)采用全连接层对提取的时空特征进行异常判决:全连接层的作用是将提取的时空特征进行异常判决,即将时空特征分类为正常和异常两类,全连接层的前向传播如公式(8)所示:
A=Wx+b (8),
公式(8)中,W为可训练的权重矩阵,b为偏置,x表示输入特征,将Z为传感器网络的时空特征输入至全连接层中得到A=[A1,A2,…,Am],A是对n个传感器在m个时刻的异常判决结果,其中Ai∈Rn×2,i=1,2,...,m,Am表示为本神经网络对m时刻n个传感器的异常判决结果。
仿真例:
仿真例采用150个传感器对温度采集的数据进行仿真:该数据采集时常为365天,共计54750条数据,仿真前将该数据按照6:2:2的比例分为训练集、验证集和测试集,并依照公式(1)取R=200对150个传感器的地理位置进行建立图模型,如图1所示,由图1可见训练过程中训练集的损失函数值和验证集的损失函数值随着epochs的增加而不断下降,直到400次左右后损失函数值趋近于零,表明神经网络已经开始收敛;如图2所示,由图2可见训练过程中训练集的正确率和验证集的正确率随着epochs的增加而不断上升,直到400轮左右后正确率趋近于100%并变化逐渐平稳,训练完成后,对测试集中的数据进行验证结果正确率为91.33%。
Claims (1)
1.一种基于图神经网络的传感器网络数据异常判决方法,其特征在于,包括如下步骤:
1)对传感器网络数据进行图建模:假设传感器网络数据为X=[x1,x2,...,xm]∈Rn×m,其中xi∈Rn,i=1,2,...,m为当前传感器网络中的n个传感器在i时刻所获取的数据,C={(a1,b1),(a2,b2),...,(an,bn)}为传感器网络中n个传感器各自的坐标组成的集合,其中ai为纬度,bi为经度, i=1,2,...,n,据此,构建出图G={V,E,W},其中V为图中结点的集合,对应传感器网络中的各个传感器,E为边的集合,边用于描述节点之间的相似与邻接关系,W为权重矩阵,权重矩阵内部元素表示对应两个节点是否有空间上的联系,定义如公式(1)所示:
在公式(1)中,R为阈值,阈值根据传感器网络所获取的数据与地理位置之间的联系调整,dij=dgeo((ai,bi),(aj,bj))表示i,j两个结点所对应的传感器的地理距离,其中dgeo采用半正矢公式即Haversine公式计算得出,dgeo定义如公式(2)所示:
公式(2)中,r表示地球半径为6371km;
2)采用图卷积网络提取图模型中的空间特征:多层图卷积神经网络GCN依据公式(3)逐层传播:
H1表示第l层的激活矩阵,对于输入层H0=X; W1是一个特定的可训练的权重矩阵,σ()代表激活函数,采用两层图卷积网络层提取传感器网络数据中的空间特征,公式(5)为本图卷积网络的前向传播模型:
公式(5)中,xt为步骤1)中所述的传感器网络中的n个传感器在t时刻所获取的数据,为图卷积神经网络对当前时刻的数据提取的空间特征,其中n为传感器数量,将传感器网络m个时刻的数据及传感器网络的权重矩阵W输入至该图卷积神经网络得到 为m×n×2的三维数据,代表了该传感器网络在m个时刻的空间特征;
3)采用门控循环单元提取图模型中的时间特征:门控循环单元GRU具有两个门,分别为重置门和更新门,更新门用于控制前一时刻的状态信息被带入到当前状态中的程度;重置门则用于控制忽略前一时刻的状态信息的程度,门控循环单元的内部如公式(6)所示:
公式(6)中,*表示哈达玛积Hadamard product,定义如公式(7)所示:
Cij=Aij×Bij (7),
在公式(7)中,A,B为同阶矩阵,xt是当前节点的输入,即t时刻n个传感器所采集的数据;Ht-1是上一个时刻传递下来的时间特征,Ht表示当前时刻所提取的时间特征;σ()为sigmoid函数;Wz,Wr,W均为可训练的权重矩阵,将与X∈Rn×m连接起来构成一个m×n×3的三维数据Z,Z表示该传感器网络在m个时刻的空间特征及未经处理过的时间特征,将Z作为输入数据输入至门控循环单元内提取传感器网络的时间特征得到H={H1,H2,...,Hm},其中Hi∈Rn×2,i=1,2,...,m,故H为m×n×2的三维数据,表示该传感器网络中的n个传感器在m个时刻的时空特征;
4)采用全连接层对提取的时空特征进行异常判决:全连接层的前向传播如公式(8)所示:
A=Wx+b (8),
公式(8)中,W为可训练的权重矩阵,b为偏置,x表示输入特征,将Z为传感器网络的时空特征输入至全连接层中得到A=[A1,Az,...,Am],A是对n个传感器在m个时刻的异常判决结果,其中Ai∈Rn×2,i=1,2,...,m,Am表示为本神经网络对m时刻n个传感器的异常判决结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110237989.8A CN112966595B (zh) | 2021-03-04 | 2021-03-04 | 一种基于图神经网络的传感器网络数据异常判决方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110237989.8A CN112966595B (zh) | 2021-03-04 | 2021-03-04 | 一种基于图神经网络的传感器网络数据异常判决方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112966595A CN112966595A (zh) | 2021-06-15 |
CN112966595B true CN112966595B (zh) | 2022-04-05 |
Family
ID=76276656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110237989.8A Active CN112966595B (zh) | 2021-03-04 | 2021-03-04 | 一种基于图神经网络的传感器网络数据异常判决方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966595B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114077811B (zh) * | 2022-01-19 | 2022-04-12 | 华东交通大学 | 一种基于图神经网络的电力物联网设备异常检测方法 |
US11928629B2 (en) | 2022-05-24 | 2024-03-12 | International Business Machines Corporation | Graph encoders for business process anomaly detection |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102741858A (zh) * | 2009-10-28 | 2012-10-17 | 数字标记公司 | 基于传感器的移动搜索、相关方法和系统 |
CN110031227A (zh) * | 2019-05-23 | 2019-07-19 | 桂林电子科技大学 | 一种基于双通道卷积神经网络的滚动轴承状态诊断方法 |
CN110415516A (zh) * | 2019-07-15 | 2019-11-05 | 厦门大学 | 基于图卷积神经网络的城市交通流预测方法及介质 |
CN110866344A (zh) * | 2019-11-20 | 2020-03-06 | 桂林电子科技大学 | 基于提升结构的非下采样图滤波器组的设计方法 |
CN111291865A (zh) * | 2020-01-21 | 2020-06-16 | 北京工商大学 | 一种基于卷积神经网络和孤立森林的步态识别方法 |
CN112203228A (zh) * | 2020-07-20 | 2021-01-08 | 重庆邮电大学 | 一种基于车辆数预测的双层蜂窝车联网频谱分配方法 |
-
2021
- 2021-03-04 CN CN202110237989.8A patent/CN112966595B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102741858A (zh) * | 2009-10-28 | 2012-10-17 | 数字标记公司 | 基于传感器的移动搜索、相关方法和系统 |
CN110031227A (zh) * | 2019-05-23 | 2019-07-19 | 桂林电子科技大学 | 一种基于双通道卷积神经网络的滚动轴承状态诊断方法 |
CN110415516A (zh) * | 2019-07-15 | 2019-11-05 | 厦门大学 | 基于图卷积神经网络的城市交通流预测方法及介质 |
CN110866344A (zh) * | 2019-11-20 | 2020-03-06 | 桂林电子科技大学 | 基于提升结构的非下采样图滤波器组的设计方法 |
CN111291865A (zh) * | 2020-01-21 | 2020-06-16 | 北京工商大学 | 一种基于卷积神经网络和孤立森林的步态识别方法 |
CN112203228A (zh) * | 2020-07-20 | 2021-01-08 | 重庆邮电大学 | 一种基于车辆数预测的双层蜂窝车联网频谱分配方法 |
Non-Patent Citations (1)
Title |
---|
基于AIS数据和循环神经网络的船舶轨迹异常检测;赵梁滨;《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》;20200615;C036-29 * |
Also Published As
Publication number | Publication date |
---|---|
CN112966595A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ashqar et al. | Image-based tomato leaves diseases detection using deep learning | |
CN108388927B (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
CN112966595B (zh) | 一种基于图神经网络的传感器网络数据异常判决方法 | |
JP6742554B1 (ja) | 情報処理装置およびそれを備えた電子機器 | |
CN106951923B (zh) | 一种基于多视角信息融合的机器人三维形状识别方法 | |
CN110909762B (zh) | 基于多传感器融合的机器人姿态识别方法及装置 | |
Widiyanto et al. | Implementation of convolutional neural network method for classification of diseases in tomato leaves | |
CN104217214A (zh) | 基于可配置卷积神经网络的rgb-d人物行为识别方法 | |
CN107832789B (zh) | 基于平均影响值数据变换的特征加权k近邻故障诊断方法 | |
Gad et al. | A robust deep learning model for missing value imputation in big NCDC dataset | |
CN115204302A (zh) | 一种无人机小样本故障诊断系统及方法 | |
CN110110794B (zh) | 基于特征函数滤波的神经网络参数更新的图像分类方法 | |
CN114266278A (zh) | 一种基于双重注意力网络的设备剩余使用寿命预测方法 | |
CN109615027B (zh) | 一种高速铁路沿线风速特征提取智能预测方法 | |
CN110289987B (zh) | 基于表征学习的多智能体系统网络抗攻击能力评估方法 | |
CN114818579A (zh) | 基于一维卷积长短期记忆网络的模拟电路故障诊断方法 | |
Maray et al. | Artificial intelligence-enabled coconut tree disease detection and classification model for smart agriculture | |
Zhukovskyy et al. | Neural network clustering technology for cartographic images recognition | |
CN108846327B (zh) | 一种色素痣与黑素瘤的智能判别系统及方法 | |
CN110109005B (zh) | 一种基于序贯测试的模拟电路故障测试方法 | |
CN116226739A (zh) | 一种基于时空融合的图卷积网络工业过程故障诊断方法 | |
CN110993121A (zh) | 一种基于双协同线性流形的药物关联预测方法 | |
CN111027597B (zh) | 一种草莓病虫害快速分类方法及装置 | |
CN113158537B (zh) | 基于lstm结合注意力机制的航空发动机气路故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |