CN102063641A - 高速铁路沿线风速预测方法 - Google Patents
高速铁路沿线风速预测方法 Download PDFInfo
- Publication number
- CN102063641A CN102063641A CN2010105068464A CN201010506846A CN102063641A CN 102063641 A CN102063641 A CN 102063641A CN 2010105068464 A CN2010105068464 A CN 2010105068464A CN 201010506846 A CN201010506846 A CN 201010506846A CN 102063641 A CN102063641 A CN 102063641A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- neural network
- forecasting
- subsequence
- sequence
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开小波分析法与BP神经网络相结合的高速铁路沿线风速预测方法,通过小波分析的分解与重构算法对实测风速数据进行多层分解与重构计算,实现原始风速序列分解为不同尺度的风速序列。对分解后的各层风速序列进行归一化处理,利用误差反向后传(Back Propagation,BP)学习算法训练神经网络直至收敛,对各层风速序列分别建立相应的预测模型进行预测,最后对各层的风速预测值进行重构计算,获得原始风速序列的预测值。本发明克服传统方法预测精度低、时间间隔过大等不足,实现了各种气候类型下高速铁路沿线的风速预测,运算时间短,预测精度高,为制定高速铁路运行管制规则提供科学依据。
Description
技术领域
本发明属于大风天气下高速铁路安全行车的监测与控制技术领域,涉及一种用于高速铁路沿线风速预测的方法,特别涉及一种小波分析与BP神经网络相结合的高精度风速预测方法,运算时间短,能够进行超前2至5分钟、时间间隔不超过10秒的高精度风速预测。
背景技术
高速铁路因具有运输能力强、速度快、正点率高、全天候运行、经济效率高等特点,在交通运输体系中扮演的角色日益突出。为了缓解铁路运输的紧张状况,满足国民经济和社会发展的需要,目前我国正在大力建设高速铁路。由于高速列车的车体轻、速度快,运行时产生的升浮力和仰俯力矩大,列车对侧风影响敏感,尤其在风口区域的特大桥梁、高路堤、丘陵及弯道等一些特殊路段,极易产生脱轨、倾覆事故,进而引起重大人员伤亡和巨大经济损失。因此,在建设高速铁路的同时,也需要在铁路沿线设立若干个监测点,安装风速风向传感器和采集单元,实时采集风速风向数据,建立预测模式,为大风条件下限速或停运决策提供依据。
目前国外已有学者提出各种风速预测的方法,如时间序列法、线性外推法、空间相关法、卡尔曼滤波法、遗传算法等,实现了较短时间内的风速预测。国内已有的高速铁路大风监测预警系统仍以气象统计分析、风速采集与实时监测为主,对于铁路沿线风速预测的研究很少。由于高速铁路大风监测预警系统发出的警报既需要考虑实测风速、路况参数、列车参数等信息,又要保证列车有足够的应急处理时间,因此高速铁路沿线风速预测对预警时间、时间间隔及预测精度有更高的要求,具有很强的特殊性。使用目前已有的单一的预测方法难以满足高速铁路安全行车管理的要求。
发明内容
本发明的目的在于克服现有高速铁路风速预测方法中存在的不足之处,提供一种小波分析与BP神经网络相结合的预测方法,减少运算时间,提高了较短时间间隔下的预测精度。
本发明的技术方案为:一种高速铁路沿线风速预测方法,该方法基于小波分析法与BP神经网络相结合;其特征在于,该方法包括如下步骤:
(1)将指定时间范围内的风速序列作为训练集,拟预测的风速序列作为预测集,选择小波分析法的分解与重构算法对训练集风速序列与预测集风速序列分别进行多层分解与重构计算,将训练集风速序列与预测集风速序列分解为不同尺度的训练集子序列与预测集子序列;
(2)对分解后的训练集风速序列与预测集风速序列分别进行归一化处理,归一化的公式为:
式中,xi为归一化前的训练集风速序列或预测集风速序列的第i个数据;xi′为序列第i个数据归一化后的值;xmax为序列中的最大值,xmin为序列中的最小值,c为归一化系数;
(3)利用归一化后的多层训练集子序列分别建立BP神经网络模型:
(3.1)网络初始化,随机给定输入层、隐含层与输出层间的连接权,给定计算精度值和最大学习次数;
(3.2)由给定的输入输出模式计算隐含层、输出层各神经元输出;
(3.3)修正连接权及阈值;
(3.4)计算全局误差,判断网络误差是否满足要求,当网络误差低于设定误差或学习次数大于设定的最大次数时,结束算法;否则,随机选取下一个学习样本,返回到(3.2),进入下一轮学习过程;
(4)对上述训练好的BP神经网络输入经归一化后的多层预测集子序列,对BP神经网络输出进行反归一化处理得到分解后的多层预测集子序列对应的风速预测值,BP神经网络输出反归一化的公式为:
式中,yi为反归一化前的BP神经网络输出;yi′为序列第i个数据归一化后的BP神经网络输出;ymax为序列中的最大值,ymin为序列中的最小值,c为归一化系数;
(5)对分解后的多层预测集子序列对应的风速预测值分别进行重构计算,获取预测集序列的风速预测值。
下面陈述各步骤的计算方法:
所述的小波分析法的分解与重构算法指的是利用小波分析的Mallat塔式算法对训练集风速序列与预测集风速序列进行分解,分解层数为4~6层,再将各层风速子序列作为BP神经网络预测模型的输入。
所述的风速子序列归一化处理的计算公式为:
式中,xi为归一化前的训练集风速序列或预测集风速序列的第i个数据;xi′为序列第i个数据归一化后的值;xmax为序列中的最大值,xmin为序列中的最小值,c为归一化系数。
所述的BP神经网络输出反归一化的公式为:
式中,yi为反归一化前的BP神经网络输出;yi′为序列第i个数据归一化后的BP神经网络输出;ymax为序列中的最大值,ymin为序列中的最小值,c为归一化系数。
所述的训练好的BP神经网络模型,可以表示为
V0=f(w*v+θ)
式中,V0为BP神经网络输出,v为神经网络的输入,w为修正后的连接权,θ为修正后的阈值。
本发明与现有技术相比,具有如下的优点:
第一,以高速铁路沿线风速的高精度预测为目的,提出一种小波分析与BP神经网络相结合的方法,充分发挥小波分析法与BP神经网络分析方法的优点,解决了以往预测方法中存在的问题。
第二,以大量历史数据为基础,预测模型中人为调节参数少,在神经网络的训练过程中通过学习来抽取和逼近隐含的输入输出非线性关系,模型的建立依赖于客观数据,避免了人为主观假定与风速变化复杂性对预测结果的影响,保证了预测的精度。
第三,针对不同气候类型下高速铁路风速特点分别建立预测模型,为制定高速铁路运行管制规则提供科学依据。
附图说明
图1是小波分析与BP神经网络相结合的高速铁路风速预测方法的总体流程图;
图2是本发明具体实施方式中预测集风速序列多层分解计算结果图;图2(a)是分解前的预测集子序列;图2(b)~图2(e)是分解后的预测集子序列;
图3是本发明具体实施方式中预测集风速序列多层分解后归一化的计算结果图;图3(a)是归一化前的预测集子序列;图3(b)~图3(e)是归一化后的预测集子序列;
图4是本发明具体实施方式中预测效果图。
具体实施方式
以下以京津城际高速铁路JJ005号测风站实测风速序列(每秒一个采样点)为例,结合附图对本发明做进一步说明。附图1表示小波分析与BP神经网络相结合的高速铁路风速预测方法的流程。
取实测风速序列的前2678400个数据作为训练集建立预测模型,后960个数据检验模型。
首先,选择小波分析法的Mallat塔式算法对训练集风速序列与预测集风速序列分别进行多层分解与重构计算,分解层数为4。分解后的部分预测集子序列如图2所示,图2(a)为分解前的预测集风速序列,图2(b)~图2(e)分别是分解后的4层预测集子序列。
对分解后的训练集风速序列与预测集风速序列分别进行归一化处理,归一化系数取0.8。归一化后的部分预测集子序列如图3所示,图3(a)是归一化前的预测集子序列;图3(b)~图3(e)是归一化后的预测集子序列;
取训练集子序列建立BP神经网络,具体算法计算步骤如下所示:
(1)网络初始化,随机给定输入层、隐含层与输出层间的连接权,计算精度值取0.1m/s,最大学习次数取10000;
(2)由给定的输入输出模式计算隐含层、输出层各神经元输出;
(3)修正连接权及阈值;
(4)计算全局误差,判断网络误差是否满足要求。当网络误差低于设定误差或学习次数大于设定的最大学习次数时,结束算法;否则,随机选取下一个学习样本,返回到(2),进入下一轮学习过程。
用以上方法分别对4个训练集子序列建立预测模型,并利用该模型对分解后的预测集子序列进行超前2-5分钟的计算,对预测模型计算结果进行反归一化处理,再进行重构计算,获得预测集风速序列的超前2-5分钟的风速预测值。
基于小波分析与BP神经网络相结合的本发明具备出色的算法特性,适用于超前2-5分钟且时间间隔小于10秒的预测,且平均相对误差不超过15%。预测结果如图4所示。
Claims (4)
1.一种高速铁路沿线风速预测方法,该方法基于小波分析法与BP神经网络相结合;其特征在于,该方法包括如下步骤:
(1)将指定时间范围内的风速序列作为训练集,拟预测的风速序列作为预测集,选择小波分析法的分解与重构算法对训练集风速序列与预测集风速序列分别进行多层分解与重构计算,将训练集风速序列与预测集风速序列分解为不同尺度的训练集子序列与预测集子序列;
(2)对分解后的训练集子序列与预测集子序列分别进行归一化处理,归一化的公式为:
式中,xi为归一化前的训练集子序列或预测集子序列的第i个数据;xi′为序列第i个数据归一化后的值;xmax为序列中的最大值,xmin为序列中的最小值,c为归一化系数;
(3)利用归一化后的多层训练集子序列分别建立BP神经网络模型:
(3.1)网络初始化,随机给定输入层、隐含层与输出层间的连接权,给定计算精度值和最大学习次数;
(3.2)由给定的输入输出模式计算隐含层、输出层各神经元输出;
(3.3)修正连接权及阈值;
(3.4)计算全局误差,判断网络误差是否满足要求,当网络误差低于设定误差或学习次数大于设定的最大次数时,结束算法;否则,随机选取下一个学习样本,返回到(3.2),进入下一轮学习过程;
(4)对上述训练好的BP神经网络输入经归一化后的多层预测集子序列,对BP神经网络输出进行反归一化处理得到分解后的多层预测集子序列对应的风速预测值,BP神经网络输出反归一化的公式为:
式中,yi为反归一化前的BP神经网络输出;yi′为序列第i个数据反归一化后的BP神经网络输出;ymax为序列中的最大值,ymin为序列中的最小值,c为归一化系数;
(5)对分解后的多层预测集子序列对应的风速预测值分别进行重构计算,获取预测集序列的风速预测值。
2.如权利要求1所述的风速预测方法,其特征在于:所述步骤(1)中所述的小波分析法,优选使用Mallat塔式算法对训练集风速序列与预测集风速序列进行分解,分解层数为4~6层,再将各层风速子序列作为BP神经网络预测模型的输入。
3.如权利要求1所述的风速预测方法,其特征在于:所述步骤(4)中所述的训练好的BP神经网络模型,可以表示为
V0=f(w*v+θ)
式中,V0为BP神经网络输出,v为BP神经网络的输入,w为修正后的连接权,θ为修正后的阈值。
4.如权利要求1、2所述的风速预测方法,其特征在于:所述方法适用于超前2至5分钟、时间间隔不超过10秒的风速预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105068464A CN102063641A (zh) | 2010-10-14 | 2010-10-14 | 高速铁路沿线风速预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105068464A CN102063641A (zh) | 2010-10-14 | 2010-10-14 | 高速铁路沿线风速预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102063641A true CN102063641A (zh) | 2011-05-18 |
Family
ID=43998911
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105068464A Pending CN102063641A (zh) | 2010-10-14 | 2010-10-14 | 高速铁路沿线风速预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102063641A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102236795A (zh) * | 2011-06-30 | 2011-11-09 | 内蒙古电力勘测设计院 | 风电场风速预测方法 |
CN102338808A (zh) * | 2011-08-26 | 2012-02-01 | 天津理工大学 | 一种在线的风电场短期风速混合预测方法 |
CN102562469A (zh) * | 2011-12-27 | 2012-07-11 | 华北电力大学 | 基于校正算法的短期风力发电机输出功率预测方法 |
CN102609788A (zh) * | 2012-02-17 | 2012-07-25 | 中南大学 | 一种高速铁路沿线风速智能混合预测方法 |
CN102609766A (zh) * | 2012-02-17 | 2012-07-25 | 中南大学 | 一种风电场风速智能预测方法 |
CN102830250A (zh) * | 2011-06-14 | 2012-12-19 | 湘潭大学 | 一种基于空间相关性的风电场风速传感器故障诊断方法 |
CN102880907A (zh) * | 2012-08-24 | 2013-01-16 | 华锐风电科技(集团)股份有限公司 | 风速校正方法和装置 |
CN103136598A (zh) * | 2013-02-26 | 2013-06-05 | 福建省电力有限公司 | 基于小波分析的月度电力负荷计算机预测方法 |
CN103324980A (zh) * | 2013-04-25 | 2013-09-25 | 华北电力大学(保定) | 一种风电场风速预测方法 |
CN103400210A (zh) * | 2013-08-13 | 2013-11-20 | 广西电网公司电力科学研究院 | 一种短期风速组合预测方法 |
CN103996085A (zh) * | 2014-06-09 | 2014-08-20 | 中南大学 | 铁路沿线近地风场点域映射空间预测方法 |
CN106372731A (zh) * | 2016-11-14 | 2017-02-01 | 中南大学 | 一种强风高速铁路沿线风速空间网络构造预测方法 |
CN109034478A (zh) * | 2018-07-27 | 2018-12-18 | 中南大学 | 一种高速铁路沿线大风迭代竞争高精度预测方法 |
CN109615027A (zh) * | 2018-12-29 | 2019-04-12 | 中南大学 | 一种高速铁路沿线风速特征提取智能预测方法 |
CN109615142A (zh) * | 2018-12-18 | 2019-04-12 | 中国能源建设集团江苏省电力设计院有限公司 | 一种基于小波分析的风电场风速组合预测方法 |
CN109752196A (zh) * | 2019-01-28 | 2019-05-14 | 吉林大学 | 一种基于bp神经网络控制的车辆侧风试验方法 |
CN111291943A (zh) * | 2020-03-09 | 2020-06-16 | 西南交通大学 | 一种基于频繁序列的高铁大风预警方法 |
CN111353640A (zh) * | 2020-02-26 | 2020-06-30 | 西南交通大学 | 一种组合法风速预测模型构建方法 |
CN111401633A (zh) * | 2020-03-13 | 2020-07-10 | 中南大学 | 一种铁路沿线风场监测与预测方法及其系统 |
CN111829798A (zh) * | 2020-07-10 | 2020-10-27 | 中南大学 | 一种测量风环境下列车气动力的测点模型建立方法及应用 |
CN112183847A (zh) * | 2020-09-25 | 2021-01-05 | 合肥工业大学 | 基于QRNN改进Stacking算法的列车行驶风速概率预测方法 |
-
2010
- 2010-10-14 CN CN2010105068464A patent/CN102063641A/zh active Pending
Non-Patent Citations (3)
Title |
---|
朱锋: "风电场风速短期多步预测方法的研究", 《工程科技Ⅱ辑》 * |
肖永山等: "基于神经网络的风电场风速时间序列预测研究", 《节能技术》 * |
韩爽: "风电场功率短期预测方法研究", 《工程科技Ⅱ辑》 * |
Cited By (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102830250A (zh) * | 2011-06-14 | 2012-12-19 | 湘潭大学 | 一种基于空间相关性的风电场风速传感器故障诊断方法 |
CN102830250B (zh) * | 2011-06-14 | 2014-04-09 | 湘潭大学 | 一种基于空间相关性的风电场风速传感器故障诊断方法 |
CN102236795B (zh) * | 2011-06-30 | 2013-06-26 | 内蒙古电力勘测设计院 | 风电场风速预测方法 |
CN102236795A (zh) * | 2011-06-30 | 2011-11-09 | 内蒙古电力勘测设计院 | 风电场风速预测方法 |
CN102338808B (zh) * | 2011-08-26 | 2012-11-21 | 天津理工大学 | 一种在线的风电场短期风速混合预测方法 |
CN102338808A (zh) * | 2011-08-26 | 2012-02-01 | 天津理工大学 | 一种在线的风电场短期风速混合预测方法 |
CN102562469A (zh) * | 2011-12-27 | 2012-07-11 | 华北电力大学 | 基于校正算法的短期风力发电机输出功率预测方法 |
CN102562469B (zh) * | 2011-12-27 | 2014-01-22 | 华北电力大学 | 基于校正算法的短期风力发电机输出功率预测方法 |
CN102609788A (zh) * | 2012-02-17 | 2012-07-25 | 中南大学 | 一种高速铁路沿线风速智能混合预测方法 |
CN102609766A (zh) * | 2012-02-17 | 2012-07-25 | 中南大学 | 一种风电场风速智能预测方法 |
CN102609788B (zh) * | 2012-02-17 | 2014-08-06 | 中南大学 | 一种高速铁路沿线风速智能混合预测方法 |
CN102880907A (zh) * | 2012-08-24 | 2013-01-16 | 华锐风电科技(集团)股份有限公司 | 风速校正方法和装置 |
CN102880907B (zh) * | 2012-08-24 | 2015-11-25 | 华锐风电科技(集团)股份有限公司 | 风速校正方法和装置 |
CN103136598A (zh) * | 2013-02-26 | 2013-06-05 | 福建省电力有限公司 | 基于小波分析的月度电力负荷计算机预测方法 |
CN103136598B (zh) * | 2013-02-26 | 2016-08-24 | 福建省电力有限公司 | 基于小波分析的月度电力负荷计算机预测方法 |
CN103324980A (zh) * | 2013-04-25 | 2013-09-25 | 华北电力大学(保定) | 一种风电场风速预测方法 |
CN103324980B (zh) * | 2013-04-25 | 2016-12-28 | 华北电力大学(保定) | 一种风电场风速预测方法 |
CN103400210A (zh) * | 2013-08-13 | 2013-11-20 | 广西电网公司电力科学研究院 | 一种短期风速组合预测方法 |
CN103996085A (zh) * | 2014-06-09 | 2014-08-20 | 中南大学 | 铁路沿线近地风场点域映射空间预测方法 |
CN106372731A (zh) * | 2016-11-14 | 2017-02-01 | 中南大学 | 一种强风高速铁路沿线风速空间网络构造预测方法 |
CN109034478A (zh) * | 2018-07-27 | 2018-12-18 | 中南大学 | 一种高速铁路沿线大风迭代竞争高精度预测方法 |
CN109034478B (zh) * | 2018-07-27 | 2021-09-24 | 中南大学 | 一种高速铁路沿线大风迭代竞争高精度预测方法 |
CN109615142A (zh) * | 2018-12-18 | 2019-04-12 | 中国能源建设集团江苏省电力设计院有限公司 | 一种基于小波分析的风电场风速组合预测方法 |
CN109615027A (zh) * | 2018-12-29 | 2019-04-12 | 中南大学 | 一种高速铁路沿线风速特征提取智能预测方法 |
CN109752196B (zh) * | 2019-01-28 | 2019-11-22 | 吉林大学 | 一种基于bp神经网络控制的车辆侧风试验方法 |
CN109752196A (zh) * | 2019-01-28 | 2019-05-14 | 吉林大学 | 一种基于bp神经网络控制的车辆侧风试验方法 |
CN111353640A (zh) * | 2020-02-26 | 2020-06-30 | 西南交通大学 | 一种组合法风速预测模型构建方法 |
CN111353640B (zh) * | 2020-02-26 | 2022-04-08 | 西南交通大学 | 一种组合法风速预测模型构建方法 |
CN111291943A (zh) * | 2020-03-09 | 2020-06-16 | 西南交通大学 | 一种基于频繁序列的高铁大风预警方法 |
CN111291943B (zh) * | 2020-03-09 | 2022-03-08 | 西南交通大学 | 一种基于频繁序列的高铁大风预警方法 |
CN111401633A (zh) * | 2020-03-13 | 2020-07-10 | 中南大学 | 一种铁路沿线风场监测与预测方法及其系统 |
CN111829798A (zh) * | 2020-07-10 | 2020-10-27 | 中南大学 | 一种测量风环境下列车气动力的测点模型建立方法及应用 |
CN111829798B (zh) * | 2020-07-10 | 2021-11-09 | 中南大学 | 一种测量风环境下列车气动力的测点模型建立方法及应用 |
CN112183847A (zh) * | 2020-09-25 | 2021-01-05 | 合肥工业大学 | 基于QRNN改进Stacking算法的列车行驶风速概率预测方法 |
CN112183847B (zh) * | 2020-09-25 | 2022-09-20 | 合肥工业大学 | 基于QRNN改进Stacking算法的列车行驶风速概率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102063641A (zh) | 高速铁路沿线风速预测方法 | |
CN106777752B (zh) | 一种高速列车追踪运行曲线优化设定方法 | |
CN103310287B (zh) | 基于svm预测乘客出行概率的轨道交通客流预测方法 | |
CN101592673B (zh) | 铁路沿线风速预测的方法 | |
Sun et al. | Fault diagnosis for train plug door using weighted fractional wavelet packet decomposition energy entropy | |
CN107958269A (zh) | 一种基于隐马尔可夫模型的行车危险度预测方法 | |
CN109086946A (zh) | 一种常规能源和新能源公交车辆的污染气体排放预测方法 | |
CN114072825A (zh) | 使用数字孪生监测、预测和维护铁路元素的状况 | |
Gou et al. | A wind hazard warning system for safe and efficient operation of high-speed trains | |
Liu et al. | Short-term passenger flow prediction based on wavelet transform and kernel extreme learning machine | |
CN103196681A (zh) | 基于转向架加速度的列车运行舒适度预测方法 | |
CN103955135A (zh) | 一种基于双层模式曲线的机车优化操纵序列计算方法 | |
CN104458252A (zh) | 一种高速列车齿轮箱运行状态监测方法 | |
Liu et al. | Deep learning based identification and uncertainty analysis of metro train induced ground-borne vibration | |
CN103344395B (zh) | 一种桥梁加固目标承载力的确认方法及装置 | |
CN114757365A (zh) | 一种基于深度学习的高速铁路路基沉降预测及预警方法 | |
Xie et al. | A data-driven convolutional regression scheme for on-board and quantitative detection of rail corrugation roughness | |
Wang et al. | CNN-BiLSTM-attention model in forecasting wave height over South-East China Seas | |
Xu et al. | An ultra-short-term wind speed prediction model using LSTM and CNN | |
CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
CN105760658A (zh) | 一种区间神经网络的高速列车噪声预测方法 | |
Ostroukh et al. | Intelligent control system for distributed gas transport facilities | |
Li et al. | Estimation of transport CO2 emissions using machine learning algorithm | |
CN103077312B (zh) | 一种城市轨道交通线路建设时序的自动判定方法 | |
Qu et al. | Remaining Useful Life Prediction of High-Speed Railroad Contact Network Based on Stacking Integrated Attention-LSTM-CNN Deep Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110518 |