CN102708244B - 一种基于重要度度量的概念图自动布图方法 - Google Patents
一种基于重要度度量的概念图自动布图方法 Download PDFInfo
- Publication number
- CN102708244B CN102708244B CN201210141376.5A CN201210141376A CN102708244B CN 102708244 B CN102708244 B CN 102708244B CN 201210141376 A CN201210141376 A CN 201210141376A CN 102708244 B CN102708244 B CN 102708244B
- Authority
- CN
- China
- Prior art keywords
- concept
- weight
- central
- map
- layout
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于重要度度量的概念图自动布图方法,为所有可能出现在概念图上待布图的领域内的概念构建分类概念集,不同类别的概念具有不同的静态权重,根据待布图的概念图中出现的所有概念之间的关系和数量约束确定每待布图的概念图中每一个概念的动态权重,使用加权平均计算综合权重,根据综合权重排序并挑出综合权重最大的若干个概念作为中心概念;将每个中心概念形成一个概念子图,将概念图中的所有概念采用基于单源最短路径算法改进的最近邻算法进行分类,将它们分配到概念子图中;分别为所有的概念子图进行布图并整合,使得所有概念子图不重叠地布局在同一个概念图中,本发明能使建模过程更加精确有效。
Description
技术领域
本发明属于军事仿真建模领域,涉及一种自动布图方法,具体涉及一种基于重要度度量的概念图自动布图方法。
背景技术
概念建模是计算机仿真系统的最基本阶段,概念模型的精确性、一致性对上层的仿真系统有着重要影响。自动布图模块作为图形化概念建模系统的重要组成部分,对于建模人员更加精确、便利地理解模型、建立模型具有重要影响。由于各种概念模型语义关系的复杂性、领域特点的特殊性等因素的影响,使得对特定领域的概念图自动布图提出了更高的要求。
例如,传统的军事仿真建模领域中,概念图建模是一个很重要的技术问题。在对概念进行建模的过程中,由于传统的自动化的布图方法没有考虑到“概念”本身的含义以及相互之间的关系,无法有效地突出核心概念以及概念集合之间的强弱联系,导致布图结果不直观、难以理解和扩展,极大地限制了建模人员的建模效率和建模规模。
发明内容
为了克服上述现有技术的不足,本发明的目的在于提供了一种基于重要度度量的概念图自动布图方法,该方法基于语义,能够反映概念图中概念重要程度的自动布图方法,使得建模人员建模过程更加精确和有效。
为了实现上述目的,本发明采用的技术方案是:
一种基于重要度度量的概念图自动布图方法,包括如下步骤:
步骤一,为所有可能出现在概念图上待布图的领域内的概念构建一个分类的概念集,概念集中每个概念具有静态权重,且不同类别概念集中的概念具有不同的静态权重,所述静态权重指根据概念的类别,人工标识地用来区分概念重要性的固定的权重,可根据从特定领域建模实践中得到的经验值来区分;
步骤二,根据待布图的概念图中出现的所有概念之间的关系和数量约束确定每待布图的概念图中每一个概念的动态权重,所述动态权重定义为一个根据待布图的概念图的内容得到的用来区分概念重要性的权重;
步骤三,根据步骤一中的静态权重和步骤二中的动态权重,使用加权平均的方式计算概念的综合权重;
步骤四,根据概念的综合权重进行排序,并挑选出综合权重最大的若干个概念作为中心概念,所述中心概念指权重大小达到预先设定标准的概念;
步骤五,将步骤四中挑出的每一个中心概念形成一个概念子图,将概念图中的所有概念采用基于单源最短路径算法改进的最近邻算法进行分类,将它们分配到概念子图中;
步骤六,分别为所有的概念子图进行布图,布图方法采用改进的磁场力布图算法;
步骤七,对所有已布图的概念子图进行整合,使得所有概念子图不重叠得布局在同一个概念图中。
所述动态权重考虑的因素为:
A、不同概念的关联关系的紧密程度;
B、考虑所有概念相关联的概念的数量;
假设在概念图G(V,E)中,V表示概念图中的所有概念,E表示概念图中的关联关系,概念Ci由于本身的重要程度而被重视的概率即静态权重为P(Ci),R(j,i)表示概念Cj,Ci之间的关系的影响度,则概念Ci的初始的重要度权重W(Ci)可以表示成概念Ci被重视的概率,
P0(Ci)理解成概念Ci在概念图中的相对重要度的初始值,采用随机游走模型,假设一个概念因为本身的性质而被重视的概率为d,则1-d可以理解成概念Ci由于关联关系而受到重视的概率,而概念间由于与概念Cj的关联关系而对概念重要度的影响PR(j,i)表示为
而一个概念的总权重表示为
将上述两个公式结合起来,得到概念权重计算公式:
即,某个概念的重要程度等于该概念本身静态权重和动态权重的概率组合。
在步骤四中挑选中心概念的具体方法如下:
概念图中所有综合权重超过一定阈值的概念都将被选为中心概念;
若所有概念综合权重均低于所设定的阈值,则选取综合权重最大的一个概念作为中心概念;
所述步骤五中基于单源最短路径算法改进的最近邻算法具有如下特征:
a)每一个中心概念到自身的距离为1;
b)非中心概念到中心概念的距离等于所有连接该非中心概念到该中心概念的边的权重的乘积的最大值;
c)每一个非中心概念将被分配到与该非中心概念之间的距离最大的中心概念所在的概念子图中;
d)每一个非中心概念只能属于一个概念子图,当该非中心概念存在多个距离相同的中心概念时,随机划分到任何一个中心概念所属的概念子图;
所述步骤六分类的为概念子集进行布图的改进的磁场力布图算法具有如下特征:
a)磁场力模型采用磁场力布图算法中的极地模型;
b)计算待布图的概念之间的排斥力时考虑概念的综合权重;
c)初始位置,中心概念处于磁场的中心,其它非中心概念分散地布局在中心概念的周围;
d)中心概念采用边框加粗、加亮的方式突出显示。
6.根据权利要求1所述基于重要度度量的概念图布图方法,其特征在于,所述步骤七进行概念子图整合的算法具有如下特征:
a)任何两个概念子图中二维坐标上距离最近的两个概念之间的距离不能超过这两个概念子图中距离最大的两个概念之间的距离;
b)任何两个概念都不能重叠。
与现有技术相比,本发明有效地解决了现有概念建模系统的不足和关键问题,通过分析概念之间关联的数量和紧密程度,可有效地达到突出重要概念的目标,极具实用性。
附图说明
图1为本发明所述基于重要度度量的概念图自动布图方法的流程图。
图2为台北市重要军事目标概念图。
图3为图2所示的概念图中所有概念对应的关联权重图。
图4为图2所示的概念图所采用的布图的磁场模型。
图5为图2所示的概念图最终的布图效果。
具体实施方式
下面结合实施例和附图对本发明做进一步详细说明。
本发明所述的基于重要度度量的概念图自动布图方法为一种考虑概念本身的重要性及概念之间关联关系的自动布图算法,其有效性以及实用性都是先有的自动布图方法都无法比拟的,通过本发明所述方法可以有效地突出重要概念,知道概念建模过程。
在讲述本发明之前,先介绍一下与本发明相关的概念建模语言。
概念建模语言描述了概念建模工具的模型,是一种领域特定的建模语言(DSL)。它规定了在特定领域内概念建模工具中可以使用的元素,本发明整个布图算法就是针对这个语言的语义设计的。
本发明提出的特定领域概念建模语言(MCML)与通用建模语言(UML)有很多相似点,例如MCML语言包含类似UML中的聚合、继承、关联关系。但是,更重要的是MCML包含特定的语义、逻辑关系,包括同义、反义、依赖关系。MCML语言与UML语言建模元素的区别如表1所示。此外,MCML还包含了ER图中的多元关联关系。
表1MCML与UML建模元素对比分析
参照图1中所示,本发明所述基于重要度度量的概念图自动布图方法包括如下步骤:
步骤一,对军事目标进行分类,并为不同的分类设定不同的静态权重,从而构建一套完整的具有静态权重的概念集。
步骤二,根据概念图中概念之间的关系和数量,计算概念之间的关联度;以概念本身的静态权重作为初始值,迭代计算各个概念的动态权重。
步骤三,如果动态权重达到稳定状态,则停止动态权重计算,采用加权的方式将静态权重和动态权重合并成综合权重。
步骤四,根据概念的综合权重对所有概念进行重要度排序;从排序的概念中挑选出权重最大的几个概念。
步骤五,以挑选出的概念为中心对所有概念进行分类,使得具有紧密关联关系的一群概念能够被分到同一个子类中。
步骤六,采用磁场力驱动算法对分类后的子概念集进行布图,使得这个子概念集的最重要概念能够被布图在整个子图的中心位置。
步骤七,为已布图的子概念图之间的交叉概念建立路由关系,将所有子概念图合并成一个概念图。
对于上述本发明所述基于重要度度量的概念图布图方法,其中,所述静态权重的设定遵循以下规则:
1)将所有的概念目标分为四大类,分别是战略目标、战略物资、战略保障目标以及民用目标,这四大类目标的重要程度依次递减。
2)战略目标主要包括战备公路、飞机场、港口、发电站等军事设施;战略物资主要包括粮食、橡胶、油料、钢铁等重要军事物资;战略保障目标主要包括炼油厂、炼钢厂等保障战略物资的设施;其它目标为民用目标。
参照图2中所示,其为台北市重要军事目标的概念图。
对于概念之间的关联度以及动态权重的计算,主要基于这样的假定:每个概念可能由于跟其它概念的联系而被重视。这样根据概念之间连接的关系就可以得到由一个概念影响其关联的概念的程度。根据这个假定,我们从以下两个方面考虑动态权重:
1)概念之间关联关系的类型。
2)概念与其它概念关联的数量。
参照图3中所示,其为台北市重要军事目标的概念对应的关联关系权重图。
其中,概念1到概念2的关联关系权重为0.2,表示概念1对于概念2的动态权重的贡献为0.2*概念1的权重。在这个关联图中,隐含了一个节点:sink节点。该节点的存在是为了保证关联图中的rank值守恒。在上图中,有些概念,比如C1,C6等只有链出节点,没有链入节点,这样迭代下去的话,它们的权重会变成0;此外,还有一类概念,比如C4,C5等只有链入节点,没有链出节点,按照朴素的迭代方法,其它链向它们的概念的权重会全部被它们吸走。因此,sink节点的存在就是为了保证系统rank值能够循环流通。我们规定,所有没有链出边的节点均以关联关系的形式链向sink节点。同时sink节点又以关联关系的形式链向图中的所有节点。这样,整个图的rank值保持流通。
在动态权重的计算方面,概念之间的动态权重计算方法如下:
假设在概念图G(V,E)中,V表示概念图中的所有概念,E表示概念图中的关联关系,概念Ci由于本身的重要程度而被重视的概率即静态权重为P(Ci),R(j,i)表示概念Cj,Ci之间的关系的影响度,则概念Ci的初始的重要度权重W(Ci)可以表示成概念Ci被重视的概率,
P0(Ci)理解成概念Ci在概念图中的相对重要度的初始值,采用随机游走模型,假设一个概念因为本身的性质而被重视的概率为d,则1-d可以理解成概念Ci由于关联关系而受到重视的概率,而概念间由于与概念Cj的关联关系而对概念重要度的影响PR(j,i)表示为
而一个概念的总权重表示为
将上述两个公式结合起来,得到概念权重计算公式:
即,某个概念的重要程度等于该概念本身静态权重和动态权重的概率组合。
此外,在进行子概念集划分的时候,采用如下方法:
为了区分出子概念集,首先本发明需要挑选中心元素,也就是这个子概念集中最主要的元素,然后以这个元素为中心,将其它概念布局在它的周围。前面的步骤中之所以进行概念重要度排序,就是为了挑选重要的概念作为中心元素。
当给定一张概念图的所有概念重要度有序的列表时,本发明提出以下方法来进行子集划分。该方法中心目标就是为了让关系紧密的元素被分到一个子概念集中。本发明考虑从设定一个阈值对于所有的概念,当时,就认为这个概念是重要概念。
本发明假定这些概念能够代表对概念图中概念语义聚集的中心概念的要求。假定本发明得到了N个重要概念,本发明根据这N个划分出来的概念集,对其它概念按照它们与这N个子概念集的中心概念的相关度,将它们划分到不同的子概念集中。在这里,本发明制定了一套相关度评价的方法。
此外,在进行子概念集布图时候,做法分为两步:
1.以中心概念为中心,采用磁场力制导的布局方法,将每个子概念集中的概念分散布局在中心概念的周围;
2.以边框加粗加亮的方式,突出重点概念。
在进行磁场力布图中,考虑到子概念集中的概念与中心概念的关系,本发明采用放射状的布图方案,根据这个方案设计出的磁场如附图4所示:
在这个磁场中,点(x,y)处的磁场力m(x,y)可以表示为
m(x,y)=(x,y)/|(x,y)|,
上式中,m(x,y)表示坐标在(x,y)处的点磁场力向量。在这个磁场模型下,本发明对不同节点的受力情况进行了分析,对原有的磁场力模型中的三种力进行了如下方面的改进:
1)Fs(弹簧力):弹簧力主要用来限制存在关联关系的节点之间的距离,既不能太近,又不能太远。这个远近是相对于一个理想的节点间距而言,假设理想间距为k,两个节点间的距离为d,则这两个节点间的弹簧力向量可以定义为:Fs=Cslog(d/k)
其中,Cs是一个常量的参数。
2)Fr(排斥力):排斥力主要用来限制非相邻节点之间的距离,不能让它们太近,本文考虑到子概念图布局的特点,为了让不同子图的重要概念拉开距离,将概念的重要度纳入到排斥力中,非重要概念附属在重要概念的周围,重要概念和重要概念之间距离拉大。也就是说,重要概念之间排斥力大,重要概念与非重要概念之间排斥力小。根据这个特点,假设本文将不存在关联关系的两个节点之间的排斥力定义为:Fr=CrPiPj/d2
其中,Pi,Pj表示概念i,j的PageRank值。
3)Fm(磁场旋转力):磁场旋转力主要用来将存在关联关系的节点“拉直”,使其分散在中心概念外围的轨道上。这个力需要考虑磁场与磁针之间的角度,磁针的长度(两个节点的距离)以及磁场的强弱,Fm=Cmbdαθβ
其中,Cm是一个常量参数;b表示磁场力的大小,也是一个常量;d表示磁针的距离,θ表示磁场方向与磁针方向的最小夹角;α,β也是常量。
此外,在进行子概念图合并中,方法主要包含以下步骤:
1)使用一个节点来代替一个子概念图,建立概念子图,并重新计算概念子图中每个节点的PageRank值,并建立关联。
2)对概念子图上运行磁场力布图算法。
3)使用子概念图替换概念子图中的节点,并调整相对位置。
4)对合并和整个概念图的重要概念,也就是子图中中心概念进行突出显示。
在步骤1中,建立概念子图主要是为了能够用统一的算法对整个概念图进行布局,使得布局流畅一致。步骤2和步骤3在概念子图上再次运行本文提出的算法,并对结果进行替换处理,从而实现完整布图。步骤4中,本文采用边框加粗、加亮的方式来突出重要概念。
这个步骤完成之后,就完成了最终的布图。
Claims (4)
1.一种基于重要度度量的概念图自动布图方法,其特征在于,包括如下步骤:
步骤一,为所有可能出现在概念图上待布图的领域内的概念构建一个分类的概念集,概念集中每个概念具有静态权重,且不同类别概念集中的概念具有不同的静态权重,所述静态权重指根据概念的类别,人工标识地用来区分概念重要性的固定的权重,所述可能出现在概念图上待布图的领域内的概念为军事目标;
步骤二,根据待布图的概念图中出现的所有概念之间的关系和数量约束确定每待布图的概念图中每一个概念的动态权重,所述动态权重定义为一个根据待布图的概念图的内容得到的用来区分概念重要性的权重;
所述动态权重考虑的因素为:
A、不同概念的关联关系的紧密程度;
B、考虑所有概念相关联的概念的数量;
假设在概念图G(V,E)中,V表示概念图中的所有概念,E表示概念图中的关联关系,概念Ci由于本身的重要程度而被重视的概率即静态权重为P(Ci),R(j,i)表示概念Cj,Ci之间的关系的影响度,则概念Ci的初始的重要度权重W(Ci)可以表示成概念Ci被重视的概率;
采用随机游走模型,假设一个概念因为本身的性质而被重视的概率为d,则1-d可以理解成概念Ci由于关联关系而受到重视的概率,而概念间由于与概念Cj的关联关系而对概念重要度的影响PR(j,i)表示为
而一个概念的总权重表示为
将上述两个公式结合起来,得到概念权重计算公式:
即,某个概念的重要程度等于该概念本身静态权重和动态权重的概率组合;
步骤三,根据步骤一中的静态权重和步骤二中的动态权重,使用加权平均的方式计算概念的综合权重;
步骤四,根据概念的综合权重进行排序,并挑选出综合权重最大的若干个概念作为中心概念,所述中心概念指权重大小达到预先设定标准的概念,挑选中心概念的具体方法如下:
概念图中所有综合权重超过一定阈值的概念都将被选为中心概念;
若所有概念综合权重均低于所设定的阈值,则选取综合权重最大的一个概念作为中心概念;
步骤五,将步骤四中挑出的每一个中心概念形成一个概念子图,将概念图中的所有概念采用基于单源最短路径算法改进的最近邻算法进行分类,将它们分配到概念子图中;
步骤六,分别为所有的概念子图进行布图,布图方法采用改进的磁场力布图算法;
步骤七,对所有已布图的概念子图进行整合,使得所有概念子图不重叠得布局在同一个概念图中。
2.根据权利要求1所述基于重要度度量的概念图自动布图方法,其特征在于,所述步骤五中基于单源最短路径算法改进的最近邻算法具有如下特征:
a)每一个中心概念到自身的距离为1;
b)非中心概念到中心概念的距离等于所有连接该非中心概念到该中心概念的边的权重的乘积的最大值;
c)每一个非中心概念将被分配到与该非中心概念之间的距离最大的中心概念所在的概念子图中;
d)每一个非中心概念只能属于一个概念子图,当该非中心概念存在多个距离相同的中心概念时,随机划分到任何一个中心概念所属的概念子图。
3.根据权利要求1所述基于重要度度量的概念图自动布图方法,其特征在于,所述步骤六分类的为概念子集进行布图的改进的磁场力布图算法具有如下特征:
a)磁场力模型采用磁场力布图算法中的极地模型;
b)计算待布图的概念之间的排斥力时考虑概念的综合权重;
c)初始位置,中心概念处于磁场的中心,其它非中心概念分散地布局在中心概念的周围;
d)中心概念采用边框加粗、加亮的方式突出显示。
4.根据权利要求1所述基于重要度度量的概念图自动布图方法,其特征在于,所述步骤七进行概念子图整合的算法具有如下特征:
a)任何两个概念子图中二维坐标上距离最近的两个概念之间的距离不能超过这两个概念子图中距离最大的两个概念之间的距离;
b)任何两个概念都不能重叠。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210141376.5A CN102708244B (zh) | 2012-05-08 | 2012-05-08 | 一种基于重要度度量的概念图自动布图方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210141376.5A CN102708244B (zh) | 2012-05-08 | 2012-05-08 | 一种基于重要度度量的概念图自动布图方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102708244A CN102708244A (zh) | 2012-10-03 |
CN102708244B true CN102708244B (zh) | 2016-01-20 |
Family
ID=46901007
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210141376.5A Active CN102708244B (zh) | 2012-05-08 | 2012-05-08 | 一种基于重要度度量的概念图自动布图方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102708244B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111126868B (zh) * | 2019-12-30 | 2023-07-04 | 中南大学 | 一种道路交通事故发生风险确定方法及系统 |
CN113365151A (zh) * | 2020-03-04 | 2021-09-07 | 分众(中国)信息技术有限公司 | 一种广告排片中的互斥方法 |
CN113361867A (zh) * | 2021-05-17 | 2021-09-07 | 山东师范大学 | 一种基于学生答题记录的概念重要性判别方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1702654A (zh) * | 2004-04-29 | 2005-11-30 | 微软公司 | 计算显示页面中块的重要度的方法和系统 |
CN101894361A (zh) * | 2010-07-01 | 2010-11-24 | 云南大学 | 一种基于内容的主体大小能控的图像缩放方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPWO2006115260A1 (ja) * | 2005-04-25 | 2008-12-18 | 株式会社アイ・ピー・ビー | 情報解析報告書自動作成装置、情報解析報告書自動作成プログラムおよび情報解析報告書自動作成方法 |
CN102511054B (zh) * | 2010-07-21 | 2016-02-10 | 松下电器(美国)知识产权公司 | 图像管理装置、图像管理方法 |
-
2012
- 2012-05-08 CN CN201210141376.5A patent/CN102708244B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1702654A (zh) * | 2004-04-29 | 2005-11-30 | 微软公司 | 计算显示页面中块的重要度的方法和系统 |
CN101894361A (zh) * | 2010-07-01 | 2010-11-24 | 云南大学 | 一种基于内容的主体大小能控的图像缩放方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102708244A (zh) | 2012-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian et al. | Application of the analytic hierarchy process to a sustainability assessment of coastal beach exploitation: a case study of the wind power projects on the coastal beaches of Yancheng, China | |
Tahani et al. | Flow Regime Algorithm (FRA): a physics-based meta-heuristics algorithm | |
CN104881689A (zh) | 一种多标签主动学习分类方法及系统 | |
CN103927394A (zh) | 一种基于svm的多标签主动学习分类方法及系统 | |
Einasto et al. | The Sloan great wall. Rich clusters | |
CN102999615B (zh) | 基于径向基函数神经网络的多样化图像标注和检索方法 | |
Mohammed et al. | An innovative synthesis of optmization techniques (FDIRE-GSK) for generation electrical renewable energy from natural resources | |
CN103092853A (zh) | 一种空间索引的建立方法、使用方法及装置 | |
CN108510050A (zh) | 一种基于混洗蛙跳的特征选择方法 | |
CN107193060A (zh) | 一种多路径台风风暴潮快速预测方法及系统 | |
CN102708244B (zh) | 一种基于重要度度量的概念图自动布图方法 | |
CN104268629A (zh) | 一种基于先验信息和网络固有信息的复杂网络社区检测方法 | |
CN103617163A (zh) | 基于聚类分析的目标快速关联方法 | |
CN102184328A (zh) | 一种土地利用演化ca模型转换规则优化方法 | |
Fei et al. | Research on data mining algorithm based on neural network and particle swarm optimization | |
Zamani et al. | A Critical Review of Moth-Flame Optimization Algorithm and Its Variants: Structural Reviewing, Performance Evaluation, and Statistical Analysis | |
Hu et al. | Horizontal and vertical crossover of sine cosine algorithm with quick moves for optimization and feature selection | |
CN107067035A (zh) | 协同演化算法优化的支持向量机湿地遥感分类方法 | |
Dinçer et al. | Multi-objective turbine allocation on a wind farm site | |
Zhongyu et al. | An efficient hybrid DE-WOA algorithm for numerical function optimization | |
CN107133274A (zh) | 一种基于图知识库的分布式信息检索集合选择方法 | |
CN114742593A (zh) | 一种物流仓储中心优化选址方法及系统 | |
Chillab et al. | Original Research Article Optimal DG allocation by Garra Rufa optimization for power loss reduction | |
Banati et al. | TL-GSO:-A hybrid approach to mine communities from social networks | |
Wang et al. | Research on fast and parallel clustering method for trajectory data |
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 |