CN101793887B - 大菱鲆养殖水质评价的模糊神经网络专家系统的构建方法 - Google Patents
大菱鲆养殖水质评价的模糊神经网络专家系统的构建方法 Download PDFInfo
- Publication number
- CN101793887B CN101793887B CN2010100118630A CN201010011863A CN101793887B CN 101793887 B CN101793887 B CN 101793887B CN 2010100118630 A CN2010100118630 A CN 2010100118630A CN 201010011863 A CN201010011863 A CN 201010011863A CN 101793887 B CN101793887 B CN 101793887B
- Authority
- CN
- China
- Prior art keywords
- water quality
- turbot
- neural network
- network
- iii
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
本发明涉及一种大菱鲆养殖水质评价的模糊神经网络专家系统的构建方法,包括神经网络建模和网络模型测试,其特征是上述神经网络建模包括:网络训练参数的设定,即将3级划分后的大菱鲆生长的敏感指标:温度、盐度、pH、溶解氧4项专家数据作为输入参数,网络拓扑结构的确定,即采用四个输入节点的输入层、两个隐节点的隐含层和一个输出节点的输出层构成的3层神经网络,以及训练样本的确定;上述网络模型测试包括:测试样本的导入和网络模型的评价。本发明首次将神经网络、模糊系统和在线监测系统相结合应用于大菱鲆工厂化养殖水质评价,避免了传统评价方法的人为设定等操作,解决了传统大菱鲆水质评价中诸如人为因素等对评价的影响。
Description
技术领域
本发明具体涉及一种工厂化建立大菱鲆养殖水质评价的模糊神经网络系统的方法-大菱鲆养殖水质评价的模糊神经网络专家系统的构建方法。
背景技术
环境质量的准确评价是环境保护、生态文明建设中的一项重要工作。水环境质量评价简称水质评价,是对水品质优劣进行定性或定量的描述,以准确地反映目前的水体质量和污染状况,弄清水体质量变化发展的规律,找出受评价区域的主要污染问题,为水污染治理、水功能区划、水环境规划以及水环境管理提供依据。传统的大菱鲆工厂化养殖水质评价,是通过多参数分析仪测定相应水质参数,通过用人工(行业专家)对水质进行评价。这种方法的缺点在于:水质监测点的选择缺乏代表性;水质参数测定存在误差;行业专家评价工作量大;评价结果受行业专家主观认识等因素影响较大,故具有明显的随意性,一致性差。
目前,传统人工智能专家系统已成功地应用于许多方面,在具有精确含义的符号逻辑推导的领域是十分成功的。但是,有一些实际问题无法或很难用符号技术或确定性数学模型描述,这恰恰是模糊-神经网络的用武之地。神经网络是一种智能技术,适用于解决用传统数学模型方法难以解决的、非确定性的复杂问题。它善于从不完整的、有较强干扰因素大量数据中归纳、获取知识,建立映射关系。BP网络即倒传播网络,是最简单的多层神经网络,也是人工神经网络中最具代表性和应用最广泛的一种模型。它是由非线性变换单元组成的前馈型网络,一般由3个神经元层次组成,即输入层、输出层、隐含层。各层的处理单元之间形成全互连连接,同层内的处理单元间没有连接。BP网络的基本原理是利用最陡坡降法的概念,将误差函数予以最小化。误差逆传播是BP网络的核心,它把网络输出的误差归结为各连接权的“过错”,通过把输出层处理单元的误差逐层向输入层逆向传播以“分摊”给各层处理单元,从而获得各层处理单元的参考误差,从而调整相应的连接权,直到网络的误差达到最小。Levenberg-Marquardt法实际上是梯度下降法和牛顿法的结合,它的优点在于网络权值数目较少时收敛非常迅速。应用Levenberg-Marquardt优化算法比传统的BP及其它改进算法(如共轭梯度法,附加动量法、自适应调整法及拟牛顿法等)迭代次数少,收敛速度快,精确度高。因此,Levenberg-Marquardt优化算法在BP网络学习中具有一定优越性。模糊系统能够直接表示逻辑,适于知识表达,具有较强逻辑能力。将模糊系统和神经网络结合形成模糊-神经网络可以解决两方面的问题:(1)对参数的自动调整,包括隶属度确定时和清晰时的参数;(2)网络结构的确定,包括对输入区间划分所得模糊规则的确定。
总之,传统专家系统具有知识获取困难、推理能力弱、智能水平低和实用性差等缺点,将专家系统与模糊神经网络结合起来,充分发挥两者的优点,使得整个神经网络成为更智能化的专家系统的知识库是非常必要的。
发明内容
本发明的目的在于提供一种减少人工评价工作量,提高评价结果准确性和客观性的大菱鲆工,厂化水质评价方法,即建立大菱鲆工厂化养殖水质评价的模糊神经网络专家系统的方法。
本发明首次将神经网络、模糊系统和在线监测系统相结合应用于大菱鲆工厂化养殖水质评价中。本发明的核心技术路线是实现模糊-神经网络、在线监测系统与传统计算机技术相结合的集成应用。利用人工神经网络的学习与推广能力,以行业专家提供的经验数据和国家海水水质标准(GB3097-1997)为样本,训练一系列模糊神经网络(库);精心组织,构成人-机交互式、基于模糊-神经计算、在线监测系统与传统计算机技术相结合的专家评价系统。本发明是以温度、盐度、pH、溶解氧DO的多参数传感器(YSI556MPS型)在线监测指标为输入变量,水质监测的代表性采样点应该在底层水附近;水质类别为输出变量,根据行业专家的大菱鲆养殖经验,并提供水质分类标准数据,以此典型数据作样本,训练指定的神经网络;逐一建立由许多不同的组对应的许多不同的神经网络,构成神经网络库,并用一定得程序对它们进行管理。训练后的神经网络库可获得较为准确的评价大菱鲆工厂化水质的专家知识,从而实现比传统评价方法更为可靠、准确的评价,因此大大提高了评价质量。
本发明包括BP神经网络建模和BP神经网络模型测试两个步骤,其特征在于上述BP神经网络建模步骤包括:网络训练参数的设定、网络拓扑结构的确定和训练样本的确定,其中网络训练参数的设定是选取表1的3级划分后的大菱鲆生长的敏感指标:温度℃、盐度、pH、溶解氧(mg/L),即4项专家数据作为网络的输入参数;网络拓扑结构的确定是采用含有4个输入节点的输入层、2个隐节点的隐含层和1个输出节点的输出层构成的3层BP神经网络模型,并且BP神经网络模型期望输出值及其与大菱鲆工厂化养殖水质类别的对照如表2;训练样本的确定是将表1的专家数据与国家海水水质标准GB3097-1997相结合而进行归一化与模糊化处理,形成表3的扩充规则,并以Levenberg-Marquardt法进行训练;
上述网络模型测试步骤包括:测试样本的导入和网络模型的评价,其中测试样本的导入是将表4中的温度℃、盐度、pH、溶解氧mg/L作为测试样本输入到上述BP神经网络模型中;网络模型的评价是将输出结果与实际水质类别通过表5相互比较,当神经网络评价水质类别的误差精度<10-4时即通过测试,否则继续用样本数据训练网络,直到达到要求为止。
本发明所带来技术效果是:因采用了人工神经网络技术,而可以逼近任何非线性函数,具有很强的自适应、自学习、联想记忆和并行处理能力。因此将其应用于大菱鲆养殖水质评价可避免传统评价方法中的人为设定、计算各评价因子对各级标准隶属函数及各指标的权重等,从而解决了传统大菱鲆水质评价中诸如人为因素等对评价结论的影响。
附图说明
图1本发明的神经网络模型的拓扑结构图。
图2本发明的程序流程图。
图3本发明的使用管理程序图。
图4本发明的结构关系示意图。
具体实施方式
本发明的程序流程如图2所示以阐明本发明构建的步骤或方法:
首先,BP神经网络建模包括:网络训练参数的设定、网络拓扑结构的确定和训练样本的确定。
其中,所述的网络训练参数的设定:采用基于Levenberg-Marquardt动量项法(即L-M法)来实现;选取表1的3级划分之后的大菱鲆生长的敏感指标:温度(℃)、盐度、pH、溶解氧(mg/L),即4项专家数据作为网络的输入参数。
其中,所述的网络拓扑结构的确定:如图1所示,是确定含有4个输入节点的输入层,含有2个隐节点的隐含层和含有1个输出节点的输出层构成的3层BP网络模型。其中,网络的输入层节点数包含4个输入节点,即进行了3级划分后的大菱鲆生长的敏感指标:温度(℃)、盐度、pH、溶解氧(mg/L)作为网络输入参数,4个输入节点分别代表这4个指标的平均值;本网络隐含层为单一隐含层,隐含层单元数的确定采用下面公式:
隐含层单元数目=(输入层单元数×输出层单元数)1/2=(4×1)1/2=2
所以,本发明的隐含层单元数为2;本网络输出层节点数为1个神经单元,输出值为表2中的0.2、0.4或0.6,分别代表三级不同的大菱鲆工厂化养殖水质类别。
其中,所述的训练样本的确定:是将表1的四项专家数据与国家海水水质标准GB3097-1997(参见表6)相结合而进行归一化与模糊化处理,形成表3的扩充规则,并以Levenberg-Marquardt法对网络进行训练,即完成BP神经网络的建模。
表1大菱鲆工厂化养殖行业专家经验数据
指标 | I类 | II类 | III类 |
温度(℃) | 15~20 | 10~15或20~23 | <10或>23 |
盐度 | 25~30 | 12~25或30~40 | <12或>40 |
pH | 7.6~8.2 | 6.8~7.6或8.2~8.8 | <6.8或>8.8 |
溶解氧(mg/L) | >6 | 3~6 | <3 |
表2大菱鲆工厂化养殖水质类别与BP网络模型期望输出对照表
大菱鲆工厂一化养殖水质类别 | BP网络期望输出 |
I类:最适宜大菱鲆养殖的水质 | O.2 |
II类:较适宜大菱鲆养殖的水质 | O.4 |
III类:不适合大菱鲆养殖的水质 | 0.6 |
表3大菱鲆工厂化养殖水质评价BP神经网络模型训练样本集扩充规则
编号 | 样本范围 | 期望输出 | 识别结果 | 样本数 |
样本组I | (15,25,7.6,6)~(20,30,8.2,∞) | 0.2 | I类 | 40 |
样本组II | (10,12,6.8,3)~(15,25,7.6,6)∪(20,30,8.2,3)~(23,40,8.8,6) | 0.4 | II类 | 40 |
样本组III | (0,0,0,0)~(10,12,6.8,3)∪(23,40,8.8,0)~(∞,∞,∞,3) | 0.6 | III类 | 40 |
其次,网络模型测试包括:测试样本的导入和网络模型的评价。
测试样本的导入:是在该网络训练完成后,用测试样本来检验网络。具体是将表4中的温度、盐度、pH、溶解氧数值作为测试样本输入到上述BP神经网络模型中。
网络模型的评价:是将输出结果与与实际水质类别通过表5相比较,当神经网络评价水质类别的误差精度<10-4时即通过测试,否则继续用样本数据训练网络,直到达到要求为止。
表4 大菱鲆工厂化养殖水质测试样本
表5模糊神经网络识别结果
样本编号 | 输出模式 | 识别类型 | 实测类别 |
1 | 0.2 | I | I |
2 | 0.6 | III | III |
3 | 0.6 | III | III |
4 | 0.2 | I | I |
5 | 0.4 | II | II |
6 | 0.4 | II | II |
7 | 0.4 | II | II |
8 | 0.6 | III | III |
9 | 0.2 | I | I |
10 | 0.6 | III | III |
最后,将训练好的神经网络存入系统的神经网络库中。
表6国家海水水质标准(GB3097-1997)
本系统的用户使用管理程序或步骤如图3所示:
1、输入用户名和密码,登陆水产健康养殖专家系统,在专家系统中选择大菱鲆工厂化水质评价。2、系统从神经网络库中调出相应的已经训练好的神经网络。3、选择要监测的水质指标(温度、盐度、pH、溶解氧);同时在系统提示下,连接大菱鲆工厂化养殖水池中的多参数传感器并获得相应的在线监测数值,系统自动将数据输入到训练好的神经网络数据库中。4、通过已调出的神经网络作进行计算,并将大菱鲆水质类别的结果表示出来。5、反复上述步骤,直到评价工作结束。
图4是本发明的模糊神经网络专家系统的整体结构关系。专家与用户都可以使用本系统:专家可用它输入样本数据、形成训练样本集、制定并训练神经网络模型、然后测试神经网络模型,最终建立模糊神经网络专家库;用户可以通过多参数传感器监测到相关数据,然后调用专家建立的神经网络模型,从而得到模糊神经网络专家给出的大菱鲆工厂化养殖水质评价结果。
综上所述,本发明一方面采用传统人工智能专家系统的方法,以便更好的发挥行业专家经验;另一方面采用模糊神经网络方法,结合在线监测系统所监测的在线数据,发掘大量数据内部的知识,实现高效配方方祛的搜索和优化;两者的有机结合,构成了强有力的专家系统应用于对大菱鲆工厂化养殖水质的判断。
Claims (2)
1.大菱鲆养殖水质评价的模糊神经网络专家系统的构建方法,包括BP神经网络建模和BP神经网络模型测试两个步骤,其特征在于上述BP神经网络建模步骤包括:网络训练参数的设定、网络拓扑结构的确定和训练样本的确定,其中网络训练参数的设定是选取表1的3级划分后的大菱鲆生长的敏感指标:温度℃、盐度、pH、溶解氧mg/L,即4项专家数据作为网络的输入参数;网络拓扑结构的确定是采用含有4个输入节点的输入层、2个隐节点的隐含层和1个输出节点的输出层构成的3层BP神经网络模型,并且BP神经网络模型期望输出值及其与大菱鲆工厂化养殖水质类别的对照如表2;训练样本的确定是将表1的专家数据与国家海水水质标准GB3097-1997相结合而进行归一化与模糊化处理,形成表3的扩充规则,并以Levenberg-Marquardt法进行训练;
上述网络模型测试步骤包括:测试样本的导入和网络模型的评价,其中测试样本的导入是将表4中的温度℃、盐度、pH、溶解氧mg/L作为测试样本输入到上述BP神经网络模型中;网络模型的评价是将输出结果与实际水质类别通过表5相互比较,当神经网络评价水质类别的误差精度<10-4时即通过测试,否则继续用样本数据训练网络,直到达到要求为止;
表1大菱鲆工厂化养殖行业专家经验数据
表2大菱鲆工厂化养殖水质类别与BP网络模型期望输出对照表
表3大菱鲆工厂化养殖水质评价BP神经网络模型训练样本集扩充规则
表4大菱鲆工厂化养殖水质测试样本
表5模糊神经网络识别结果
2.如权利要求1所述的大菱鲆养殖水质评价的模糊神经网络专家系统的构建方法,其特征在于上述隐含层为单一隐含层且该隐含层单元数的确定采用下面公式:
隐含层单元数目=(输入层单元数×输出层单元数)1/2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010100118630A CN101793887B (zh) | 2010-01-09 | 2010-01-09 | 大菱鲆养殖水质评价的模糊神经网络专家系统的构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010100118630A CN101793887B (zh) | 2010-01-09 | 2010-01-09 | 大菱鲆养殖水质评价的模糊神经网络专家系统的构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101793887A CN101793887A (zh) | 2010-08-04 |
CN101793887B true CN101793887B (zh) | 2013-03-20 |
Family
ID=42586693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010100118630A Expired - Fee Related CN101793887B (zh) | 2010-01-09 | 2010-01-09 | 大菱鲆养殖水质评价的模糊神经网络专家系统的构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101793887B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101929993A (zh) * | 2010-08-20 | 2010-12-29 | 江苏大学 | 基于动态模糊神经网络的青霉素发酵过程软测量建模方法 |
CN102360453A (zh) * | 2011-09-28 | 2012-02-22 | 北京林业大学 | 一种防护林水平配置方法 |
CN102521652B (zh) * | 2012-01-10 | 2014-06-04 | 国家电网公司 | 一种电网运营效率评价决策方法 |
CN103729623B (zh) * | 2013-12-25 | 2016-08-31 | 南京农业大学 | 一种家禽电击晕效果的判定方法 |
CN104007243B (zh) * | 2014-01-13 | 2016-01-06 | 上海市长宁区卫生局卫生监督所 | 应用反向传播神经网络模型评价游泳池水质的方法 |
CN103984861B (zh) * | 2014-05-14 | 2017-01-18 | 西安交通大学 | 融合模糊神经网络和规则型专家系统的血透在线监测装置 |
CN104697704A (zh) * | 2015-03-13 | 2015-06-10 | 芜湖凯博实业股份有限公司 | 冷水机组排气压力故障检测方法 |
CN105675807A (zh) * | 2016-01-07 | 2016-06-15 | 中国农业大学 | 一种基于bp神经网络的莠去津残留评价方法 |
CN109923558A (zh) * | 2016-11-04 | 2019-06-21 | 谷歌有限责任公司 | 混合专家神经网络 |
CN106529818B (zh) * | 2016-11-16 | 2017-11-28 | 河南工程学院 | 基于模糊小波神经网络的水质评价预测方法 |
CN107169874A (zh) * | 2017-04-18 | 2017-09-15 | 山西农业大学 | 一种山区生态养殖的综合效益评价指标系统 |
CN107743913B (zh) * | 2017-10-13 | 2020-09-08 | 南京师范大学 | 一种基于智能控制的新型黄颡鱼运输方法 |
CN108280517A (zh) * | 2018-03-23 | 2018-07-13 | 佛山科学技术学院 | 一种远程的水产养殖水体质量监测系统 |
CN108645615B (zh) * | 2018-04-08 | 2019-11-22 | 太原科技大学 | 一种自适应模糊神经网络齿轮剩余寿命预测方法 |
CN109781951B (zh) * | 2018-11-29 | 2022-01-25 | 长春市宇驰检测技术有限公司 | 一种鱼塘水质监测系统及监测方法 |
CN110245195B (zh) * | 2019-04-29 | 2021-05-25 | 北京邮电大学 | 基于蜜罐系统的结构化查询语言注入检测方法及装置 |
CN110235812B (zh) * | 2019-06-18 | 2021-12-21 | 中国水产科学研究院东海水产研究所 | 一种圆斑星鲽与大菱鲆的混养方法 |
CN110738307A (zh) * | 2019-09-16 | 2020-01-31 | 天津大学 | Bp神经网络模型在桃林口水库水质预测中的应用 |
CN111948272B (zh) * | 2020-07-30 | 2022-07-12 | 北京航空航天大学 | 一种基于人工神经网络的水质生物毒性预测方法 |
CN113971517A (zh) * | 2021-10-25 | 2022-01-25 | 中国计量大学 | 一种基于ga-lm-bp神经网络的水质评价方法 |
CN115316314B (zh) * | 2022-07-08 | 2023-06-09 | 西双版纳云博水产养殖开发有限公司 | 一种叉尾鲇的人工繁殖方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1647622A (zh) * | 2005-02-01 | 2005-08-03 | 中国水产科学研究院黄海水产研究所 | 获得大菱鲆优质受精卵的方法 |
CN1912616A (zh) * | 2006-08-28 | 2007-02-14 | 哈尔滨工业大学 | 水体化学需氧量在线虚拟监测方法 |
CN101158674A (zh) * | 2007-11-15 | 2008-04-09 | 天津市市政工程设计研究院 | 基于BP神经网络的水体中叶绿素a浓度预测方法 |
CN101566612A (zh) * | 2009-05-27 | 2009-10-28 | 复旦大学 | 一种污水化学需氧量软测量方法 |
-
2010
- 2010-01-09 CN CN2010100118630A patent/CN101793887B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1647622A (zh) * | 2005-02-01 | 2005-08-03 | 中国水产科学研究院黄海水产研究所 | 获得大菱鲆优质受精卵的方法 |
CN1912616A (zh) * | 2006-08-28 | 2007-02-14 | 哈尔滨工业大学 | 水体化学需氧量在线虚拟监测方法 |
CN101158674A (zh) * | 2007-11-15 | 2008-04-09 | 天津市市政工程设计研究院 | 基于BP神经网络的水体中叶绿素a浓度预测方法 |
CN101566612A (zh) * | 2009-05-27 | 2009-10-28 | 复旦大学 | 一种污水化学需氧量软测量方法 |
Non-Patent Citations (4)
Title |
---|
苗雷.养殖水体水质的神经网络预测模型研究.《渔业现代化》.2009,第36卷(第6期),20-24. * |
郭连喜.基于模糊神经网络的池塘溶解氧预测模型.《水产学报》.2006,第36卷(第2期),225-229. * |
高艳萍.基于BP 网络养殖水体氨氮预测模型及实现.《农机化研究》.2008,48-50. * |
高艳萍.基于优化BP网络的工厂化水产养殖水质预测模型的实现.《大连水产学院学报》.2008,第23卷(第3期),221-224. * |
Also Published As
Publication number | Publication date |
---|---|
CN101793887A (zh) | 2010-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101793887B (zh) | 大菱鲆养殖水质评价的模糊神经网络专家系统的构建方法 | |
CN108038300B (zh) | 基于改进的隶属度函数结合神经网络的光纤状态评估方法 | |
CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
CN109857835A (zh) | 一种基于认知诊断理论的自适应网络安全知识测评方法 | |
CN110060762B (zh) | 一种基于多因子量表数据的心理发展水平评估方法及系统 | |
CN104700153A (zh) | 基于模拟退火优化BP神经网络的pH值预测方法 | |
CN110824914B (zh) | 一种基于pca-lstm网络的废水处理智能监控方法 | |
CN110309609A (zh) | 一种基于粗糙集和小波神经网络的建筑室内空气品质评价方法 | |
CN108872508A (zh) | 一种ga-bp优化tsfnn的富营养水质评价方法 | |
CN113393057A (zh) | 一种基于深度融合机器学习模型的小麦产量集成预测方法 | |
CN109932496A (zh) | 一种基于多参数耦合交叉的水质在线监测方法和系统 | |
Zhang et al. | Multi-attribute decision making: An innovative method based on the dynamic credibility of experts | |
Mukhaiyar et al. | A new procedure for generalized STAR modeling using IAcM approach | |
CN108460462A (zh) | 一种基于区间参数优化的区间神经网络学习方法 | |
CN108491931A (zh) | 一种基于机器学习提高无损检测精度的方法 | |
CN112183935A (zh) | 一种河流水质综合评价方法及系统 | |
CN110851784A (zh) | 一种现场运行电能表的预警方法 | |
CN111914488B (zh) | 一种基于对抗神经网络的有资料地区水文参数率定方法 | |
Outanoute et al. | A neural network dynamic model for temperature and relative humidity control under greenhouse | |
CN109359741A (zh) | 一种废水处理进水水质时序变化智能预测方法 | |
Salle et al. | Use of artificial neural networks to estimate production variables of broilers breeders in the production phase | |
CN108647817A (zh) | 一种能耗负荷的预测方法及预测系统 | |
CN111126827A (zh) | 一种基于bp人工神经网络的投入产出核算模型构建方法 | |
Xu et al. | Linking structural equation modeling with Bayesian network and its application to coastal phytoplankton dynamics in the Bohai Bay | |
CN106204314A (zh) | 一种东南太平洋茎柔鱼中心渔场预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130320 Termination date: 20170109 |
|
CF01 | Termination of patent right due to non-payment of annual fee |