CN103138859B - 基于回溯和集中式协作认知无线电宽带频谱压缩感知方法 - Google Patents
基于回溯和集中式协作认知无线电宽带频谱压缩感知方法 Download PDFInfo
- Publication number
- CN103138859B CN103138859B CN201310058893.0A CN201310058893A CN103138859B CN 103138859 B CN103138859 B CN 103138859B CN 201310058893 A CN201310058893 A CN 201310058893A CN 103138859 B CN103138859 B CN 103138859B
- Authority
- CN
- China
- Prior art keywords
- matrix
- cognitive
- frequency spectrum
- cognitive radio
- radio users
- 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
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种基于回溯和集中式协作认知的无线电宽带频谱压缩感知方法,其特征在于,步骤为:第一步、对每个认知无线电用户分别进行压缩感知部分重构;第二步、对各个认知无线电用户分别进行判决,并将判决结果上传给数据融合中心;第三步、数据融合中心根据相关算法对上传的频谱信息进行汇总融合并给出全局判定。本发明通过对压缩感知过程中信号重构算法的改进,以及将单用户频谱检测改为集中式多用户的协作频谱检测,大幅度提高宽带认知无线电系统的频谱感知效率和正确率,同时还降低计算的复杂度。
Description
技术领域
本发明涉及在认知无线电系统中,基于回溯压缩采样匹配和集中式多用户协作检测的频谱感知方法,属于通信技术领域。
背景技术
随着通信产业的迅猛发展,人们在享受无线通信带来的便捷高效体验的同时,对无线通信业务的需求量也骤然增加。无线通信的频谱使用存在的最大问题是频谱资源调配困难,这使得频谱资源成为了当今社会不可或缺的宝贵资源。
频谱的频段可分为授权频段和非授权频段。在已分配的授权频段和非授权频段中存在着频谱资源利用的不平衡性和低效率性。首先,授权频段占用频谱资源的很大一部分,但全球授权频段尤其是信号传播特性较好的低频段的频谱利用率极低。其次,开放使用的非授权频段占整个频谱资源的很少一部分,而使用非授权频段的用户数量多、业务量大,因此非授权频段被过度利用,基本趋于饱和状态。
认知无线电(Cognitive Radio,CR)作为一种能够自主感知、理解和学习周围无线环境的智能无线电,具有实时调整内部配置以适应外部无线环境变化的能力,使次级用户系统可以在不影响授权用户使用的前提下,智能地利用空闲授权频段并提高通信的可靠性,为解决上述频谱资源利用问题提供了全新的途径。频谱感知技术则是认知无线电中最关键的技术之一。
通过频谱感知技术可以检测所处无线环境的频谱占用情况,确定目前可用于数据传输的子信道。然而,以往的频谱感知大都采用基于奈奎斯特(Nyquist)采样定理的窄带频谱检测,定理指出,若要通过采样信号精确重建原始信号,采样速率必须达到信号带宽的两倍以上。由此可见,带宽是奈奎斯特采样定理对采样的本质要求。因而,宽带频谱感知技术发展缓慢的最重要原因就是奈奎斯特采样定理的束缚。并且窄带检测一次只能检测到一个信道,大大削弱了频谱感知的效率。
近年来出现了一种新颖的理论——压缩感知(Compressed Sensing,CS)为数据采集技术带来了革命性的突破,得到了业界的广泛关注。压缩感知采用非自适应线性投影来保持信号的原始结构,通过最优化问题准确重构原始信号。若信号可以用某种稀疏基来稀疏表示,则它就可以用压缩感知理论进行信号检测。美国联邦通信委员会(FCC)指出已经分配的频谱资源利用率非常低,频谱空洞序列呈现一种“稀疏性”。因此可以在宽带认知无线电系统中引入CS理论,突破A/D采样率的限制。
近期,国内外有学者提出了一些新的宽带频谱检测算法。例如,段嘉琪和李勇针对认知无线电提出了一种基于低速率的模拟-信息转换架构,并利用分组协作对前段模拟信号进行压缩采样,然后恢复采样信息并检测宽带频谱占用情况。Ching-Chun Huang和Li-Chun Wang提出了一种基于采样率动态调整的认知无线电宽带频谱感知方法。在专利方面,朱琦、王璐瑜等人的专利——基于压缩感知的宽带频谱感知方法(公开号:CN102291341A)提供了一种以检测差分信号代替信号本身作为频谱判断依据,以精度作为算法的迭代停止条件的宽带频谱感知方法。赵林靖、陈曦等人的专利——基于并行压缩感知的宽带认知无线电频谱检测方法(公开号:CN101630982)则提出一种利用频谱检测器的各个并行支路对接收信号进行独立压缩感知的宽带认知无线电频谱检测方法。
然而,现有的大部分宽带频谱感知技术都存在三大问题:
(1)、大部分宽带频谱感知技术都是基于单个认知无线电用户的检测,单节点感知在检测时间足够长且信噪比较大时能很好的满足认知无线电的要求,然而在实际的无线环境中存在许多不利的因素,如隐蔽终端、多径和阴影等,这使得检测的准确性有所欠缺。
(2)、压缩感知中使用频率最高的重构算法是MP、OMP和ROMP等,其共同缺点在于待选原子一旦进入支撑集候选,就将永远不会再被删除,缺少“回溯”思想,这样的原子选择机制是非最优的,从而无法最大程度保证重建的全局最优性。
(3)、在基于压缩感知的宽带频谱感知中,大部分方法都需要执行压缩感知的全过程,完全重构出宽带信号的频谱,计算的复杂度较大。
发明内容
本发明的目的在于提供一种在宽带认知无线电系统中进行高效频谱感知的方法,此方法既能提高频谱检测的正确性,又同时能够降低计算的复杂度。
为了达到上述目的,本发明的技术方案是提供了一种基于回溯和集中式协作认知的无线电宽带频谱压缩感知方法,其特征在于,步骤为:
第一步、对每个认知无线电用户分别进行压缩感知部分重构,其步骤为:
步骤11、对每个认知无线电用户接收到的原始信号进行稀疏变换,第k个认知无线电用户的原始信号其中,Ψi为Ψ中第i列的列向量,Ψ为N×N矩阵,是原始信号xk的稀疏基,s为权重向量,si为s中的第i个元素;
步骤12、将每个经过稀疏变换后的信号分别投影到一组测量向量上,得到一组观测值的集合,对于第k个认知无线电用户而言,其集合yk=ΦΨs,其中,Φ为M×N矩阵,是测量向量,令Θ=ΦΨ,则Θ为M×N矩阵;
步骤13、采用基于回溯思想的压缩采样匹配追踪方法部分重构获取每个认知无线电用户接收到的原始信号的特征值,对于第k个认知无线电用户而言,循环执行步骤13.1至步骤13.4,共执行m次迭代,第t次迭代的步骤为:
步骤13.1、从恢复矩阵At中选取与余量rt-1相关性最大的前2K列并从大到小排列组成矩阵At1,K为原始信号xk的稀疏阶数,第一次迭代时,恢复矩阵A1=Θ,余量r0=yk;
步骤13.2、更新恢复矩阵At,At=[At2,At1],At2为第t-1次迭代后所得到的恢复矩阵At-1中的前K列所组成的矩阵,第一次迭代时,恢复矩阵A0=NULL;
步骤13.3、求解θ最小范数问题使得残差||Atθ-yk||最小,得特征值迭代结束后求得的特征值即为第k个认知无线电用户接收到的原始信号的特征值
步骤13.4、第m次迭代时,结束整个迭代过程,否则更新余量rt,
第二步、对各个认知无线电用户分别进行判决,并将判决结果上传给数据融合中心,对于第k个认知无线电用户而言,设定门限值γ,若则判定为该认知无线电用户的频谱被占用,否则,判定为该认知无线电用户的频谱空闲;
第三步、数据融合中心根据相关算法对上传的频谱信息进行汇总融合并给出全局判定。
优选地,步骤11中所述的稀疏基Ψ采用傅里叶正变换矩阵。
优选地,步骤12中所述的测量向量Φ采用的测量矩阵使用高斯随机矩阵。
本发明通过对压缩感知过程中信号重构算法的改进,以及将单用户频谱检测改为集中式多用户的协作频谱检测,能够改进背景技术中的三大问题,大幅度提高宽带认知无线电系统的频谱感知效率和正确率,同时还降低计算的复杂度。本发明采用了创新的基于回溯思想的压缩采样匹配追踪部分信号重构与集中式多用户协作频谱检测,设计了一种基于压缩采样匹配追踪的认知无线电宽带频谱协作压缩感知方法,该方法对背景技术中的算法存在的问题做出了有效的改进。
本发明的优点体现在以下三点:
(1)、本发明中压缩感知的重构算法引入回溯思想,从原子库中选择多个较相关的原子同时剔除部分原子,从而提高频谱检测效率。更重要的是,引入回溯思想的压缩采样匹配追踪重构方法可以对任意噪声测量下保证重建,而不同于其他重构方法只能在特定精确的测量条件下给出精确重建。
(2)、本发明采用集中式多用户协作检测技术,有效对抗实际无线环境中隐蔽终端、多径和阴影等不利因素,大大提高了宽带频谱感知的准确性。
(3)、认知无线电宽带频谱感知系统中,进行压缩感知的目的是获取主用户频段的能量特征值而并非重构信号。本发明并未执行压缩感知全过程完全重构出原始信号,而是通过从观测矩阵投影的少量观测值中提取出特征值,从而判定主用户的存在与否,降低了计算的复杂度。
附图说明
图1为本发明的流程图;
图2为具体实施方案中仿真所用原信号频谱图;
图3为与单用户检测比较的系统性能图;
图4为与传统OMP算法比较的系统性能图。
具体实施方式
为使本发明更明显易懂,兹以优选实施例,并配合附图作详细说明如下。
以下结合图1对本发明的实施方法进行具体阐述:
第一部分:对每个认知无线电用户分别进行压缩感知部分重构,对于第k个认知无线电用户而言,其步骤为:
(1)、对原始宽带信号进行稀疏变换
设第k个认知无线电用户的原始信号xk是实数域RN×1的一维有限长离散信号,即xk∈RN×1。xk在某个正交基Ψ上是稀疏的或可压缩的,正交基Ψ为N×N矩阵,则原始信号xk可以用正交基Ψ中的所有列向量的线性组合生成,即:
其中,Ψi为正交基Ψ中的第i列的列向量,si为Ψi的权重系数,则s为权重向量。
在时域上表示的原始信号xk,可用s在Ψ域上表示。Ψi有K个非零的权重系数si时,表示原始信号xk为K阶稀疏(K-sparse),Ψ为原始信号xk的稀疏基。本实施例使用傅里叶正变换矩阵作为稀疏变换所用的稀疏基。
(2)、对经过稀疏变换后的信号进行编码测量
将原始信号xk投影到一组测量向量Φ,测量向量Φ为M×N矩阵,则可一组观测值的集合yk:
yk=Φxk=ΦΨs=Θs;
其中,令Θ=ΦΨ,则Θ为M×N矩阵,是原始信号xk在变换基Ψ的表示。在本发明中,压缩感知投影采用的测量向量Φ使用高斯随机矩阵,高斯随机矩阵和作为稀疏基Ψ的傅里叶正变换矩阵是不相关的。
(3)、采用基于回溯思想的压缩采样匹配追踪方法部分重构获取信号特征值:
对于第k个认知无线电用户而言,循环执行步骤13.1至步骤13.4,共执行m次迭代,第t次迭代的步骤为:
步骤13.1、从恢复矩阵At中选取与余量rt-1相关性最大的前2K列并从大到小排列组成矩阵At1,K为原始信号xk的稀疏阶数,第一次迭代时,恢复矩阵A1=Θ,余量r0=yk;
步骤13.2、更新恢复矩阵At,At=[At2,At1],At2为第t-1次迭代后所得到的恢复矩阵At-1中的前K列所组成的矩阵,第一次迭代时,恢复矩阵A0=NULL;
步骤13.3、求解θ最小范数问题使得残差||Atθ-yk||最小,得特征值迭代结束后求得的特征值即为第k个认知无线电用户接收到的原始信号的特征值
步骤13.4、第m次迭代时,结束整个迭代过程,否则更新余量rt,
(4)、各认知无线电单用户分别进行判决:
对各个认知无线电用户分别进行判决,并将判决结果上传给数据融合中心,对于第k个认知无线电用户而言,设定门限值γ,若则判定为该认知无线电用户的频谱被占用,否则,判定为该认知无线电用户的频谱空闲。
第二部分:数据融合中心对各认知无线电单用户进行集中式协作频谱检测:
(5)、数据融合中心进行集中式多用户协作数据融合
早期协作频谱感知技术常采用基于放大转发(Amplify and Forward,AF)协议的空间协作分集技术。而近期研究较多的则是分布式协作感知技术及集中式协作感知技术。集中式协作感知技术设置一个中心节点作为数据融合中心,对认知环境中的各本地认知节点上传的频谱信息进行汇总融合并给出全局判定。
相较于分布式协作感知,集中式协作感知具有如下优点:
a、数据融合中心作为全局信息收集站,有利于拓宽频谱感知的带宽限制;
b、各本地节点感知结果具有一致性;
c、有利于频谱的集中控制和分配。
因此,本发明采用集中式协作频谱感知技术作为协作感知方案。多认知用户的集中式协作感知主要有2种数据融合方案:“AND”准则和“OR”准则。
“AND”准则:中心节点用逻辑“与”的方式对各本地认知用户上传的判决结果进行全局判决,即当所有认知用户都判定主用户存在时,数据融合中心的全局判决结果才为主用户存在。
“OR”准则:中心节点用逻辑“或”的方式对各本地认知用户上传的判决结果进行全局判决,即只要有一个认知用户判定授权用户存在时,数据融合中心的全局判决结果就为主用户存在。
本发明中,数据融合中心根据所选数据融合方案对第一部分中收到的各认知无线电用户判决结果进行融合并统一做出全局判决。
(6)、计算多认知无线电用户协作后的检测概率
根据数据融合中心的全局判决结果计算宽带频谱感知系统的检测概率Pd。
下面给出一个具体的实例,来阐述本发明的实现步骤,并仿真本发明的实现效果。
用于进行压缩频谱感知的原始信号长度N=256,由4个正弦分量叠加而成。原始信号的时域波形如图2所示。此信号在频域上具有稀疏性,是可压缩的,满足压缩频谱感知理论对于待感知信号的前提要求。噪声n为随机的加性高斯白噪声。整个压缩频谱感知过程首先通过傅里叶正交矩阵作稀疏变换,随后通过一个M×N的观测矩阵Φ投影得到压缩感知所需特征量。在每次的检测试验中,测量矩阵Φ是一个随机产生的高斯矩阵,M为压缩频谱感知的采样点数。仿真中的认知无线电单用户数为5个,协作时采用“OR”准则作为协作感知的数据融合方案。
经过仿真后得到采样点数M为64时检测概率Pd与信噪比SNR的关系,使之与单用户频谱感知所得的检测概率相比较,如图3所示。从图3中我们可以看出,在相同采样点数和信噪比下,采用集中式多用户协作的认知无线电宽带频谱检测概率高于单用户时的频谱检测概率。另外,采用“OR”准则的协作压缩感知检测效率最高,这是由于“OR”准则考虑的是在多用户协作感知中,只要有一个本地节点用户被判定为授权用户存在则中心节点就判定为主用户存在,否则判定不存在主用户。
其次,我们将本发明的方法所得的检测概率与使用传统OMP算法进行宽带频谱感知所得的检测概率相比较,如图4所示,从图中我们可以看出,在相同采样点数和信噪比下特别是低信噪比条件下,本发明的检测正确率和效率都好于传统OMP方法。
Claims (3)
1.一种基于回溯和集中式协作认知的无线电宽带频谱压缩感知方法,其特征在于,步骤为:
第一步、对每个认知无线电用户分别进行压缩感知部分重构,其步骤为:
步骤11、对每个认知无线电用户接收到的原始信号进行稀疏变换,第k个认知无线电用户的原始信号其中,Ψi为Ψ中第i列的列向量,Ψ为N×N矩阵,是原始信号xk的稀疏基,s为权重向量,si为s中的第i个元素;
步骤12、将每个经过稀疏变换后的信号分别投影到一组测量向量上,得到一组观测值的集合,对于第k个认知无线电用户而言,其集合yk=ΦΨs,其中,Φ为M×N矩阵,是测量向量,令Θ=ΦΨ,则Θ为M×N矩阵;
步骤13、采用基于回溯思想的压缩采样匹配追踪方法部分重构获取每个认知无线电用户接收到的原始信号的特征值,对于第k个认知无线电用户而言,循环执行步骤13.1至步骤13.4,共执行m次迭代,第t次迭代的步骤为:
步骤13.1、从恢复矩阵At中选取与余量rt-1相关性最大的前2K列并从大到小排列组成矩阵At1,K为原始信号xk的稀疏阶数,第一次迭代时,恢复矩阵A1=Θ,余量r0=yk;
步骤13.2、更新恢复矩阵At,At=[At2,At1],At2为第t-1次迭代后所得到的恢复矩阵At-1中的前K列所组成的矩阵,第一次迭代时,恢复矩阵A0=NULL;
步骤13.3、求解θ最小范数问题使得残差||Atθ-yk||最小,得特征值迭代结束后求得的特征值即为第k个认知无线电用户接收到的原始信号的特征值
步骤13.4、第m次迭代时,结束整个迭代过程,否则更新余量rt,
第二步、对各个认知无线电用户分别进行判决,并将判决结果上传给数据融合中心,对于第k个认知无线电用户而言,设定门限值γ,若则判定为该认知无线电用户的频谱被占用,否则,判定为该认知无线电用户的频谱空闲;
第三步、数据融合中心根据相关算法对上传的频谱信息进行汇总融合并给出全局判定。
2.如权利要求1所述的一种基于回溯和集中式协作认知的无线电宽带频谱压缩感知方法,其特征在于,步骤11中所述的稀疏基Ψ采用傅里叶正变换矩阵。
3.如权利要求1所述的一种基于回溯和集中式协作认知的无线电宽带频谱压缩感知方法,其特征在于,步骤12中所述的测量向量Φ采用的测量矩阵使用高斯随机矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310058893.0A CN103138859B (zh) | 2013-02-25 | 2013-02-25 | 基于回溯和集中式协作认知无线电宽带频谱压缩感知方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310058893.0A CN103138859B (zh) | 2013-02-25 | 2013-02-25 | 基于回溯和集中式协作认知无线电宽带频谱压缩感知方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103138859A CN103138859A (zh) | 2013-06-05 |
CN103138859B true CN103138859B (zh) | 2015-04-08 |
Family
ID=48498228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310058893.0A Expired - Fee Related CN103138859B (zh) | 2013-02-25 | 2013-02-25 | 基于回溯和集中式协作认知无线电宽带频谱压缩感知方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103138859B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103634059B (zh) * | 2013-11-05 | 2016-03-30 | 南京航空航天大学 | 一种认知网络中基于非重构序贯压缩的随机信号检测方法 |
CN103716057B (zh) * | 2013-12-31 | 2017-01-04 | 中国铁路总公司 | 一种基于压缩感知的车载轨道移频信号快速压缩方法 |
CN103974284B (zh) * | 2014-03-31 | 2017-10-31 | 南京航空航天大学 | 一种基于部分重构的宽带频谱感知方法 |
CN109379745A (zh) * | 2018-09-20 | 2019-02-22 | 南京邮电大学 | 一种面向5g的多用户协作频谱感知策略研究方法 |
CN111478706B (zh) * | 2020-04-03 | 2023-03-28 | 哈尔滨工业大学 | 一种面向压缩感知的稀疏多带信号盲重构方法 |
CN115442447A (zh) * | 2022-08-22 | 2022-12-06 | 南京森特智能科技有限公司 | 一种用于多源数据接入的边缘压缩计算装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101511092A (zh) * | 2009-01-04 | 2009-08-19 | 中国人民解放军理工大学 | 基于二重可信的协同频谱感知方法 |
CN102820955A (zh) * | 2012-08-31 | 2012-12-12 | 电子科技大学 | 次级用户节点对频谱感知信息的非均匀量化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4405434B2 (ja) * | 2005-06-03 | 2010-01-27 | 株式会社東芝 | 信号検出装置、信号検出方法 |
-
2013
- 2013-02-25 CN CN201310058893.0A patent/CN103138859B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101511092A (zh) * | 2009-01-04 | 2009-08-19 | 中国人民解放军理工大学 | 基于二重可信的协同频谱感知方法 |
CN102820955A (zh) * | 2012-08-31 | 2012-12-12 | 电子科技大学 | 次级用户节点对频谱感知信息的非均匀量化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103138859A (zh) | 2013-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103138859B (zh) | 基于回溯和集中式协作认知无线电宽带频谱压缩感知方法 | |
Sun et al. | Wideband spectrum sensing for cognitive radio networks: a survey | |
Gao et al. | Toward 5G NR high-precision indoor positioning via channel frequency response: A new paradigm and dataset generation method | |
CN105915477B (zh) | 基于gs方法的大规模mimo检测方法及硬件架构 | |
CN103117970B (zh) | Mimo系统中全双工天线的选择方法 | |
CN107743103A (zh) | 基于深度学习的mmtc系统的多节点接入检测和信道估计方法 | |
CN104168228B (zh) | 基于簇位置集的压缩感知超宽带信道估计方法及系统 | |
US20070298718A1 (en) | Multi-transmission/reception antenna device and multi-transmission/reception method in multi-user and multi-cell environment | |
CN103873171B (zh) | 基于多用户互协作的协作频谱感知决策融合方法 | |
CN103248461B (zh) | 基于波束成形的多小区干扰对齐迭代算法 | |
CN109391977A (zh) | 一种基于中继选择和能量收集的noma系统多用户性能分析方法 | |
CN109327850A (zh) | 基于梯度追踪和多步拟牛顿法技术的非正交多址接入系统多用户检测方法 | |
CN109951214A (zh) | 一种适用于大规模mimo系统的信号检测方法 | |
CN103684634B (zh) | 异构无线传感网中基于定位信息的压缩频谱感知方法 | |
CN105578480A (zh) | 面向宽带调制变换器的欠采样频谱感知预判决方法 | |
CN104702326A (zh) | 基于mse的虚拟mimo用户配对和资源分配方法 | |
CN105119670B (zh) | 一种宽带协作频谱感知方法 | |
CN105610479B (zh) | 一种大规模mu-mimo系统信道估计方法 | |
CN109379745A (zh) | 一种面向5g的多用户协作频谱感知策略研究方法 | |
CN109818645A (zh) | 基于信号检测与支撑集辅助的叠加csi反馈方法 | |
CN104158604B (zh) | 一种基于平均共识的分布式协作频谱感知方法 | |
CN104270210B (zh) | 基于压缩非重构的软判决频谱感知方法 | |
CN104467995B (zh) | 基于隐马尔科夫模型的盲主用户检测与发送电平识别方法 | |
CN1996974A (zh) | 基于cdma扩频序列的自适应信道估计装置及其方法 | |
Lu et al. | Enhanced LoRaWAN RSSI indoor localization based on BP neural network |
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: 20150408 Termination date: 20180225 |
|
CF01 | Termination of patent right due to non-payment of annual fee |