CN104899448A - 一种集合卡尔曼滤波静态局地化方案的自适应补偿方法 - Google Patents
一种集合卡尔曼滤波静态局地化方案的自适应补偿方法 Download PDFInfo
- Publication number
- CN104899448A CN104899448A CN201510312199.6A CN201510312199A CN104899448A CN 104899448 A CN104899448 A CN 104899448A CN 201510312199 A CN201510312199 A CN 201510312199A CN 104899448 A CN104899448 A CN 104899448A
- Authority
- CN
- China
- Prior art keywords
- observation
- ensemble
- kalman filter
- posteriority
- data
- 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.)
- Granted
Links
- 230000004807 localization Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000003068 static effect Effects 0.000 title claims abstract description 34
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000005516 engineering process Methods 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013501 data transformation Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract 1
- 239000000284 extract Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000004800 variational method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于实测海洋环境数据同化领域,具体涉及一种集合卡尔曼滤波静态局地化方案的自适应补偿方法。本发明包括:对大气海洋环境实测数据进行预处理;对每个观测资料,根据实时的观测系统,利用不同观测要素的观测误差、观测数目以及显著性水平,计算后续需要使用的阈值;顺序地同化所有的观测资料;计算其集合平均和集合扰动;计算观测余量并更新集合成员。本发明对集合卡尔曼滤波中的静态局地化方法进行了改进,有效地提取了观测信息中静态局地化方法未能提取的多尺度信息,显著提高了集合卡尔曼滤波的同化精度。
Description
技术领域
本发明属于实测海洋环境数据同化领域,具体涉及一种集合卡尔曼滤波静态局地化方案的自适应补偿方法。
背景技术
集合卡尔曼滤波和四维变分是目前国际上公认的两类先进的数据同化方法,它们有各自的优缺点。集合卡尔曼滤波相对于变分方法的最大优点是它通过集合抽样来模拟模式状态变量的先验概率密度分布函数,根据集合样本计算出的背景误差协方差矩阵带有模式的动力信息,因此是流依赖的。由于计算机硬件资源的限制,目前只能采用较少的集合样本(102量级)。而对实际的海洋数值模式来说,状态变量的维数为107,因此较少的集合样本就会带来显著的抽样误差。
本发明主要是对集合卡尔曼滤波中传统的静态局地化方案进行改进,提高集合卡尔曼滤波的同化效果。根据前述,有限的集合样本会给集合卡尔曼滤波数据同化引入显著的抽样误差,比如模式状态先验方差的低估以及模式状态与远距离观测之间的伪相关性等。解决这个问题的一个有效途径是在同化过程中引入局地化方法,即一个观测仅允许影响周围一定范围内的模式格点,且距离越远影响越小。传统的集合卡尔曼滤波局地化方案是一种静态方法,即预先给定一个观测影响半径(即局地化因子),在整个同化过程中均采用这个局地化因子。大量的文献记载以及试验证明,集合卡尔曼滤波的同化效果对局地化因子的选取非常敏感。这种静态的局地化方案存在明显的局限性,因为对于实际的三维海洋数值模式来说,要找到一个最优的局地化因子是非常耗时的,几乎是不可能的。因此,针对静态局地化方法存在的弊端,引入一种补偿方法,从而在保证同化精度的同时降低同化效果对局地化因子的敏感性是非常有意义和有实用价值的。
发明内容
本发明的目的在于提供一种提高精度的集合卡尔曼滤波静态局地化方案的自适应补偿方法。
本发明的目的是这样实现的:
(1)对大气海洋环境实测数据进行预处理
剔出实测数据中的无效数据和异常数据,然后将数据转化为同化所需的格式;
(2)对每个观测资料,根据实时的观测系统,利用不同观测要素的观测误差、观测数目以及显著性水平,计算后续需要使用的阈值;
(3)顺序地同化所有的观测资料:
利用静态局地化因子以及标准的集合卡尔曼滤波方法,对每个观测资料进行同化,对模式状态的先验集合成员进行更新,得到集合卡尔曼滤波的后验集合成员;
(4)利用步骤(3)中的集合卡尔曼滤波的后验集合成员,计算其集合平均和集合扰动;
(5)计算观测余量并更新集合成员:
将步骤(4)得到的后验集合平均投影到观测位置,从而得到后验观测值,从原始观测值中减去后验观测值,得到观测余量,并计算原始观测值和后验观测值之间的均方根误差RMSE,如果RMSE大于步骤(2)得到的阈值,则:
(5.1)提取观测余量中的多尺度信息:
利用多重网格分析技术(MGA)提取观测余量中的多尺度信息,从而得到MGA的分析场;
(5.2)对后验集合平均进行更新:
将MGA得到的分析场叠加到步骤四得到集合卡尔曼滤波的后验集合平均上,得到最终的集合平均的分析场;
(5.3)将最终的集合平均分析场叠加到步骤(4)得到的集合扰动上,得到最终的集合成员的分析场。
所述的步骤(2)包括:
根据特定的观测系统,按照下式计算自适应补偿机制所需的阈值(θ):
其中,α为显著性水平(通常取为0.01),K为观测数,r为观测误差标准差,为自由度为K的卡方分布的(1-α)上侧分位数。
所述的步骤(3)包括:
对每个观测资料yo,重复进行以下步骤:
(3.1)计算yo的先验观测集合成员
对模式状态向量x的第i个先验集合成员,利用线性插值算子H将其投影到yo的地理位置上,从而得到yo的第i个先验集合成员;
(3.2)计算yo的观测增量
根据第(3.1)步计算的yo的先验集合、观测值(yo)以及观测误差标准差(r),按照下式计算yo的观测增量Δyi:
其中,表示yo的第i个先验集合成员,表示yo的先验标准差,表示yo的先验集合平均;
(3.3)对状态变量进行更新
基于一个静态局地化函数ρj,y,根据计算出的yo的观测增量,按照下式对状态变量进行更新:
其中j表示第j个状态变量,表示观测与xj的先验误差协方差;ρj,y的计算公式为:
其中a代表局地化因子,b表示观测yo与状态变量xj之间的物理距离。
本发明的有益效果在于:
(1)对集合卡尔曼滤波中的静态局地化方法进行了改进,有效地提取了观测信息中静态局地化方法未能提取的多尺度信息,显著提高了集合卡尔曼滤波的同化精度。
(2)降低了集合卡尔曼滤波对静态局地化因子的强依赖性。
附图说明
图1一种集合卡尔曼滤波静态局地化方案的自适应补偿方法的执行流程图。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明提供的是一种集合卡尔曼滤波静态局地化方案的自适应补偿机制。包括对大气海洋环境实测数据进行预处理;根据实时的观测系统,利用不同观测要素的观测误差、观测数目以及显著性水平,计算后续需要使用的阈值;利用集合卡尔曼滤波方法顺序地同化所有的观测资料;计算集合卡尔曼滤波的后验集合平均和集合扰动;计算观测余量并更新集合成员。本发明对集合卡尔曼滤波中的静态局地化方法进行了改进,有效地提取了观测信息中静态局地化方法未能提取的多尺度信息,显著提高了集合卡尔曼滤波的同化精度。降低了集合卡尔曼滤波对静态局地化因子的强依赖性。本发明对实现海洋环境状态场的实时构建以及预测具有重要的实用价值。
本发明针对集合卡尔曼滤波中的静态局地化方案提出一种自适应补偿方法。与传统的静态局地化技术相比,本发明的显著:该方法能够自适应地提取观测资料中静态局地化方案未能提取的观测信息。对每个分析步,具体实现过程为:首先,基于一个静态局地化因子,利用观测资料对模式的先验集合成员进行调整;其次,将模式状态的后验集合平均值投影到观测位置上,得到观测的后验值;第三,从原始观测值中减去上述后验观测值,得到观测余量,并计算原始观测与后验观测之间的均方根误差;第四,当上述均方根误差大于某个阈值时,则利用一种多重网格技术(MGA)提取观测余量中的多尺度信息,从而得到相应的分析场;第五,当上述均方根误差大于某个阈值时,将MGA的分析场叠加到第一步得到后验集合平均上得到最终的集合卡尔曼滤波的集合平均分析场。本专利提出的方法可以大大地改进集合卡尔曼滤波中的传统的静态局地化方案的同化效果。
每个分析步的同化过程具体包括以下几个步骤:
步骤一:对大气海洋环境实测数据进行预处理
为了将实测环境数据同化到背景场数据库中,首先必须剔出实测数据中的无效数据和异常数据,然后将数据转化为同化所需的格式。
对每个观测资料,重复进行以下步骤:
步骤二:根据实时的观测系统,利用不同观测要素的观测误差、观测数目以及显著性水平,计算后续需要使用的阈值。
步骤三:顺序地同化所有的观测资料
利用一个既定的静态局地化因子以及标准的集合卡尔曼滤波方法,对每个观测资料进行同化,从而对模式状态的先验集合成员进行更新,得到集合卡尔曼滤波的后验集合成员。
步骤四:利用步骤三中的集合卡尔曼滤波的后验集合成员,计算其集合平均和集合扰动。
步骤五:计算观测余量并更新集合成员
将步骤四得到的后验集合平均投影到观测位置,从而得到后验观测值。从原始观测值中减去后验观测值,得到观测余量,并计算原始观测值和后验观测值之间的均方根误差(RMSE)。如果RMSE大于步骤二得到的阈值,则:
步骤5.1:提取观测余量中的多尺度信息
利用多重网格分析技术(MGA)提取观测余量中的多尺度信息,从而得到MGA的分析场。
步骤5.2:对后验集合平均进行更新
将MGA得到的分析场叠加到步骤四得到集合卡尔曼滤波的后验集合平均上,得到最终的集合平均的分析场。
步骤5.3:将最终的集合平均分析场叠加到步骤四得到的集合扰动上,得到最终的集合成员的分析场。
本发明提出一种集合卡尔曼滤波静态局地化方案的自适应补偿方法,具体包括以下几个步骤:
步骤一:对实测海洋环境数据进行预处理和质量控制
为了尽可能的去除观测数据中包含的错误和不规范数据,需要首先对实测海洋环境数据进行预处理和质量控制。本专利将通过区域检验、重复深度检验、深度颠倒检验、温度数据范围检验、温度与盐度梯度检验、密度稳定性检验等六个步骤完成数据的预处理和质量控制。
步骤二:计算自适应补偿方法所需的阈值
根据特定的观测系统,按照下式计算自适应补偿方法所需的阈值(θ):
其中,α为显著性水平(通常取为0.01),K为观测数,r为观测误差标准差,为自由度为K的卡方分布的(1-α)上侧分位数。
步骤三:对每个观测资料yo,重复进行以下步骤:
步骤3.1:计算yo的先验观测集合成员
对模式状态向量x的第i个先验集合成员,利用线性插值算子H将其投影到yo的地理位置上,从而得到yo的第i个先验集合成员。
步骤3.2:计算yo的观测增量
根据第3.1步计算的yo的先验集合、观测值(yo)以及观测误差标准差(r),按照下式计算yo的观测增量Δyi:
其中,表示yo的第i个先验集合成员,表示yo的先验标准差,表示yo的先验集合平均。
步骤3.3:对状态变量进行更新
基于一个静态局地化函数ρj,y,根据计算出的yo的观测增量,按照下式对状态变量进行更新:
其中j表示第j个状态变量,表示观测与xj的先验误差协方差;ρj,y的计算公式为:
其中a代表局地化因子,b表示观测yo与状态变量xj之间的物理距离。
步骤四:计算后验观测值
计算步骤三得到的模式状态的后验集合平均并利用观测算子H将其投影到观测位置,得到后验观测值
步骤五:计算观测余量
从原始观测向量yo中减去后验观测值从而得到观测余量此外,计算原始观测与后验观测之间的均方根误差RMSE。当RMSE大于θ时,则顺序进行下列操作:
步骤5.1:利用一种多重网格分析技术(MGA),提取观测余量yres中的多尺度信息,得到MGA的分析场;
步骤5.2:将MGA的分析场叠加到步骤三得到的集合平均的分析场上,得到集合平均最终的分析场;
步骤5.3:将步骤三得到的集合扰动的分析场叠加到步骤5.2得到的集合平均的最终分析场上,得到最终的集合分析场。
Claims (3)
1.一种集合卡尔曼滤波静态局地化方案的自适应补偿方法,其特征是:
(1)对大气海洋环境实测数据进行预处理
剔出实测数据中的无效数据和异常数据,然后将数据转化为同化所需的格式;
(2)对每个观测资料,根据实时的观测系统,利用不同观测要素的观测误差、观测数目以及显著性水平,计算后续需要使用的阈值;
(3)顺序地同化所有的观测资料:
利用静态局地化因子以及标准的集合卡尔曼滤波方法,对每个观测资料进行同化,对模式状态的先验集合成员进行更新,得到集合卡尔曼滤波的后验集合成员;
(4)利用步骤(3)中的集合卡尔曼滤波的后验集合成员,计算其集合平均和集合扰动;
(5)计算观测余量并更新集合成员:
将步骤(4)得到的后验集合平均投影到观测位置,从而得到后验观测值,从原始观测值中减去后验观测值,得到观测余量,并计算原始观测值和后验观测值之间的均方根误差RMSE,如果RMSE大于步骤(2)得到的阈值,则:
(5.1)提取观测余量中的多尺度信息:
利用多重网格分析技术(MGA)提取观测余量中的多尺度信息,从而得到MGA的分析场;
(5.2)对后验集合平均进行更新:
将MGA得到的分析场叠加到步骤四得到集合卡尔曼滤波的后验集合平均上,得到最终的集合平均的分析场;
(5.3)将最终的集合平均分析场叠加到步骤(4)得到的集合扰动上,得到最终的集合成员的分析场。
2.根据权利要求1所述的一种集合卡尔曼滤波静态局地化方案的自适应补偿方法,其特征在于,所述的步骤(2)包括:
根据特定的观测系统,按照下式计算自适应补偿机制所需的阈值(θ):
其中,α为显著性水平(通常取为0.01),K为观测数,r为观测误差标准差,为自由度为K的卡方分布的(1-α)上侧分位数。
3.根据权利要求1所述的一种集合卡尔曼滤波静态局地化方案的自适应补偿方法,其特征在于,所述的步骤(3)包括:
对每个观测资料yo,重复进行以下步骤:
(3.1)计算yo的先验观测集合成员
对模式状态向量x的第i个先验集合成员,利用线性插值算子H将其投影到yo的地理位置上,从而得到yo的第i个先验集合成员;
(3.2)计算yo的观测增量
根据第(3.1)步计算的yo的先验集合、观测值(yo)以及观测误差标准差(r),按照下式计算yo的观测增量Δyi:
其中,表示yo的第i个先验集合成员,表示yo的先验标准差,表示yo的先验集合平均;
(3.3)对状态变量进行更新
基于一个静态局地化函数ρj,y,根据计算出的yo的观测增量,按照下式对状态变量进行更新:
其中j表示第j个状态变量,表示观测与xj的先验误差协方差;ρj,y的计算公式为:
其中a代表局地化因子,b表示观测yo与状态变量xj之间的物理距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510312199.6A CN104899448B (zh) | 2015-06-09 | 2015-06-09 | 一种集合卡尔曼滤波静态局地化方案的自适应补偿方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510312199.6A CN104899448B (zh) | 2015-06-09 | 2015-06-09 | 一种集合卡尔曼滤波静态局地化方案的自适应补偿方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104899448A true CN104899448A (zh) | 2015-09-09 |
CN104899448B CN104899448B (zh) | 2017-11-21 |
Family
ID=54032110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510312199.6A Expired - Fee Related CN104899448B (zh) | 2015-06-09 | 2015-06-09 | 一种集合卡尔曼滤波静态局地化方案的自适应补偿方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104899448B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109783932A (zh) * | 2019-01-14 | 2019-05-21 | 哈尔滨工程大学 | 一种结合最优观测时间窗口的强耦合数据同化方法 |
CN109933877A (zh) * | 2019-03-04 | 2019-06-25 | 哈尔滨工程大学 | 代数多重网格三维变分数据同化技术 |
CN111259324A (zh) * | 2020-01-07 | 2020-06-09 | 南京大学 | 卫星数据同化在垂直方向的适应性局地化方法及集合卡曼滤波天气同化预报方法 |
CN113486540A (zh) * | 2021-08-20 | 2021-10-08 | 天津大学 | 一种基于集合卡尔曼滤波的潮汐数值模型水深估计方法 |
CN114048433A (zh) * | 2021-10-26 | 2022-02-15 | 南京大学 | 基于集合卡尔曼滤波框架的混合同化系统及方法 |
CN114070262A (zh) * | 2021-10-26 | 2022-02-18 | 南京大学 | 附加扰动的集成混合集合卡尔曼滤波天气预报同化方法及其装置 |
CN117235454A (zh) * | 2023-11-10 | 2023-12-15 | 中国海洋大学 | 多时间尺度集合卡尔曼滤波在线资料同化方法 |
-
2015
- 2015-06-09 CN CN201510312199.6A patent/CN104899448B/zh not_active Expired - Fee Related
Non-Patent Citations (5)
Title |
---|
ROLF H.REICHLE ET AL: ""An adaptive ensemble kalman filter for soil moisture data assimilation"", 《WATER RESOURCES RESEARCH》 * |
XINRONG WU ET AL: ""A Compensatory Approach of the Fixed Localization in EnKF"", 《MONTHLY WEATHER REVIEW》 * |
唐笑慧 等: ""自适应卡尔曼滤波在惯性测量组合误差补偿中的应用"", 《中国惯性技术学报》 * |
孙洁: ""基于多尺度分析的多重网格法"", 《宁波大学学报(理工版)》 * |
闵锦忠 等: ""基于Hybrid EnSRF-En3DVar的雷达资料同化研究"", 《大气科学学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109783932A (zh) * | 2019-01-14 | 2019-05-21 | 哈尔滨工程大学 | 一种结合最优观测时间窗口的强耦合数据同化方法 |
CN109783932B (zh) * | 2019-01-14 | 2022-10-28 | 哈尔滨工程大学 | 一种结合最优观测时间窗口的强耦合数据同化方法 |
CN109933877A (zh) * | 2019-03-04 | 2019-06-25 | 哈尔滨工程大学 | 代数多重网格三维变分数据同化技术 |
CN109933877B (zh) * | 2019-03-04 | 2022-08-12 | 哈尔滨工程大学 | 代数多重网格三维变分数据同化方法 |
CN111259324B (zh) * | 2020-01-07 | 2022-07-12 | 南京大学 | 卫星数据同化在垂直方向的适应性局地化方法及集合卡曼滤波天气同化预报方法 |
CN111259324A (zh) * | 2020-01-07 | 2020-06-09 | 南京大学 | 卫星数据同化在垂直方向的适应性局地化方法及集合卡曼滤波天气同化预报方法 |
CN113486540A (zh) * | 2021-08-20 | 2021-10-08 | 天津大学 | 一种基于集合卡尔曼滤波的潮汐数值模型水深估计方法 |
CN113486540B (zh) * | 2021-08-20 | 2022-04-22 | 天津大学 | 一种基于集合卡尔曼滤波的潮汐数值模型水深估计方法 |
CN114070262B (zh) * | 2021-10-26 | 2022-06-21 | 南京大学 | 附加扰动的集成混合集合Kalman滤波天气预报同化方法及装置 |
CN114048433B (zh) * | 2021-10-26 | 2022-06-21 | 南京大学 | 基于集合卡尔曼滤波框架的混合同化系统及方法 |
CN114070262A (zh) * | 2021-10-26 | 2022-02-18 | 南京大学 | 附加扰动的集成混合集合卡尔曼滤波天气预报同化方法及其装置 |
CN114048433A (zh) * | 2021-10-26 | 2022-02-15 | 南京大学 | 基于集合卡尔曼滤波框架的混合同化系统及方法 |
CN117235454A (zh) * | 2023-11-10 | 2023-12-15 | 中国海洋大学 | 多时间尺度集合卡尔曼滤波在线资料同化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104899448B (zh) | 2017-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104899448A (zh) | 一种集合卡尔曼滤波静态局地化方案的自适应补偿方法 | |
CN104599292B (zh) | 一种基于低秩矩阵分解的抗噪运动目标检测算法 | |
CN111062282A (zh) | 基于改进yolov3模型的变电站指针式仪表识别方法 | |
CN104730511A (zh) | 星凸模型下的势概率假设密度多扩展目标跟踪方法 | |
CN105046046B (zh) | 一种集合卡尔曼滤波局地化方法 | |
CN101640541A (zh) | 一种稀疏信号的重构方法 | |
CN106548016A (zh) | 基于张量时域相关性分解模型的时间序列分析方法 | |
CN103984862A (zh) | 一种多元遥感信息协同的积雪参数反演方法 | |
CN103886337A (zh) | 基于多稀疏描述的最近邻子空间sar目标识别方法 | |
CN102722702B (zh) | 多特征融合的粒子滤波视频目标跟踪方法 | |
Ray et al. | Bayesian calibration of the Community Land Model using surrogates | |
CN105044722A (zh) | 合成孔径雷达目标的全贝叶斯特征提取方法 | |
CN104331899A (zh) | 一种sar图像配准方法及装置 | |
CN103871062A (zh) | 一种基于超像素描述的月面岩石检测方法 | |
Ahrens et al. | Verifying scientific simulations via comparative and quantitative visualization | |
CN103745233A (zh) | 基于空间信息迁移的高光谱图像分类方法 | |
Chen et al. | Proactive quality control: Observing system simulation experiments with the Lorenz’96 model | |
CN102708294A (zh) | 基于半监督局部线性回归的自适应参数软测量方法 | |
CN104268581A (zh) | 一种基于综合像元级和亚像元级空间相关性特征的遥感亚像元制图方法 | |
CN114595876A (zh) | 一种区域风场预测模型生成方法和装置、电子设备 | |
CN115576033A (zh) | 面向南方电网气象保障3公里分辨率中尺度数值预报方法 | |
CN115758876A (zh) | 一种风速和风向预报准确率方法、系统及计算机设备 | |
CN110852415B (zh) | 基于神经网络算法的植被指数预测方法、系统及设备 | |
CN103761530A (zh) | 一种基于相关向量机的高光谱图像解混方法 | |
CN103295015B (zh) | 部分遮挡目标的局部特征点提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171121 |