CN105044701B - 基于稳健性时频特征的地面目标分类方法 - Google Patents
基于稳健性时频特征的地面目标分类方法 Download PDFInfo
- Publication number
- CN105044701B CN105044701B CN201510475477.XA CN201510475477A CN105044701B CN 105044701 B CN105044701 B CN 105044701B CN 201510475477 A CN201510475477 A CN 201510475477A CN 105044701 B CN105044701 B CN 105044701B
- Authority
- CN
- China
- Prior art keywords
- time
- frequency
- frequency spectrum
- signal
- test signal
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于稳健性时频特征的地面目标分类方法,主要解决在低信噪比条件下现有技术对车辆目标和人体目标分类时间长的问题。其实现过程是:1、对录取的高信噪比信号能量进行归一化,获得训练信号;2、从训练信号的时频谱中,提取3维时频特征并训练分类器;3、对录取的低信噪比信号能量进行归一化,获得测试信号;4、从测试信号的时频谱中,提取3维时频特征;5、将测试信号的3维时频特征送入到训练好的分类器中,获得分类结果。本发明能在低信噪比且无需对窄带雷达回波预先进行去噪处理的条件下,快速有效地实现车辆目标和人体目标分类,可用于雷达目标识别。
Description
技术领域
本发明属于雷达技术领域,涉及目标分类方法,可用于对地面车辆目标和人体目标的识别。
背景技术
在窄带雷达体制下,对实际目标分类时需要训练数据训练分类器,训练数据通常通过合作试验或仿真实验获得,信噪比较高,然而用于测试的数据在非合作环境条件下获得,无法保证有较高的信噪比。大多数现有雷达目标分类方法在信噪比较低的条件下无法保证有效地实现目标的分类。另外,由于人体目标和车辆目标通常担任不同的任务,因此,在低信噪比条件下有效地实现两类地面目标的分类具有重要意义。
目前,对于地面目标分类识别,国内外文献提出了多种窄带雷达体制下基于微动调制特征的目标分类识别方法,例如杜兰等发表的《Noise-Robust Classification ofGround Moving Targets Based on Time-Frequency Feature From Micro-Dopplersignature》,根据两类地面运动目标对雷达回波微动调制的差异提取现有特征,实现了两类地面目标的分类。该文章中提出了一种复概率主成分分析CPPCA的去噪方法,在现有特征的基础上实现了两类地面目标的稳健性分类。这种方法虽然能在高信噪比条件下有效实现两类地面目标的分类,但在低信噪比条件下,为有效实现两类地面目标的分类,则需要预先利用CPPCA去噪方法对目标雷达回波先进行去噪处理,而CPPCA去噪方法由于涉及到矩阵求逆运算和特征值分解运算,因此,增大了两类地面目标分类时的计算量,影响分类速度。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于稳健性时频特征的地面目标分类方法,以在低信噪比且无需对窄带雷达回波预先进行去噪处理的条件下,快速有效地实现车辆目标和人体目标的分类。
为实现上述发明目的,本发明的包括如下技术步骤:
A.训练步骤:
(A1)对低分辨雷达录取的高信噪比慢时间信号进行能量归一化,获得训练信号;
(A2)对训练信号进行短时傅里叶变换,获得训练信号的时频谱Y(t,f),其中,f为t时刻对应的瞬时频率;
(A3)从训练信号的时频谱Y(t,f)中提取3维时频特征,该3维时频特征包括:训练信号时频谱中目标多普勒调制的宽度W,训练信号时频谱中目标多普勒调制宽度范围内的时频熵C,训练信号时频谱中每一时刻最大幅度对应的频率的方差V;
(A4)利用3维时频特征对支撑向量机分类器的参数进行训练,得到训练好的支撑向量机分类器;
B.测试步骤
(B1)对低分辨雷达录取的低信噪比慢时间信号进行能量归一化,获得测试信号;
(B2)对测试信号进行短时傅里叶变换,获得测试信号的时频谱P(t,f),其中,f为t时刻对应的瞬时频率;
(B3)从测试信号的时频谱P(t,f)中提取3维时频特征,该3维时频特征包括:测试信号时频谱中目标多普勒调制的宽度R,测试信号时频谱中目标多普勒调制宽度范围内的时频熵U,测试信号时频谱中每一时刻最大幅度对应的频率的方差D;
(B4)把步骤(B3)获得的3维时频特征送入到训练好的支撑向量机分类器中,完成对低信噪比慢时间信号的分类。
本发明与现有技术相比的优点
1、本发明通过提取训练数据时频谱中3维时频特征,提高了对车辆目标和人体目标的可分性。
由于车身对车轮的遮挡严重,而人体目标四肢的运动半径远大于躯干的运动半径,使得车辆目标训练信号时频谱中目标多普勒调制的宽度较窄,而人体目标训练信号时频谱中目标多普勒调制的宽度较宽,因此,人体目标训练信号时频谱中目标多普勒调制的宽度与车辆目标训练信号时频谱中目标多普勒调制的宽度有很大的差异性,特征差异性的大小反映了特征对目标可分性的好坏,所以本发明中提取的训练信号时频谱中目标多普勒调制的宽度对车辆目标和人体目标具有很好的可分性;
由于车辆目标的结构简单而人体目标四肢的雷达截面积与躯干的雷达截面积近似,使得车辆目标训练信号时频谱中能量散布较小而人体目标训练信号时频谱中能量散布较大,根据熵的定义,可得人体目标训练信号时频谱中目标多普勒调制宽度范围内的时频熵与车辆目标训练信号时频谱中目标多普勒调制宽度范围内的时频熵有很大的差异性,因此,本发明中提取的训练信号时频谱中目标多普勒调制的宽度范围内的时频熵对车辆目标和人体目标具有很好的可分性;
由于人体目标训练信号时频谱中每一时刻最大幅度对应的频率波动性远大于车辆目标训练信号时频谱中每一时刻最大幅度对应的频率波动性,根据方差的定义,可得人体目标训练信号时频谱中每一时刻最大幅度对应的频率的方差远与车辆目标训练信号时频谱中每一时刻最大幅度对应的频率的方差有很大的差异性,因此,本发明中提取的训练信号时频谱中每一时刻最大幅度对应的频率的方差对车辆目标和人体目标具有很好的可分性。
2、本发明由于提取了测试数据时频谱中3维时频特征,对车辆目标和人体目标分类具有稳健性:
本发明从测试信号时频谱中提取的3维时频特征利用到测试信号的信噪比,使得从测试信号时频谱中提取的3维时频特征随信噪比的减小变化较小,对车辆目标和人体目标分类具有稳健性。
3、本发明由于未涉及到复杂的矩阵求逆运算和特征值分解运算,对车辆目标和人体目标分类时所耗费的时间很小,分类速度快。
附图说明
图1是本发明的实现流程图;
图2是用本发明和现有两种方法对人体目标和车辆目标的分类正确率对比图;
具体实施方式
以下结合附图对本发明的实施例做进一步详细描述。
参照图1,本发明的具体实现步骤如下:
步骤1,获得训练信号。
在合作环境实验条件下,利用低分辨雷达对人体目标和车辆目标的雷达回波进行采集,得到人体目标和车辆目标的高信噪比慢时间信号s,对高信噪比慢时间信号能量进行归一化,得到训练信号其中,<·>表示内积运算。
步骤2,获得训练信号的时频谱。
利用时频变换工具箱对训练信号进行短时傅里叶变换,获得训练信号的时频谱Y(t,f),其中,t=1,2,…,N,N为训练信号的长度,f=1,2,…,M,M为短时傅里叶变换中傅里叶变换的长度;
步骤3,从训练信号的时频谱Y(t,f)中提取3维时频特征。
该3维时频特征包括:训练信号时频谱中目标多普勒调制的宽度W,训练信号时频谱中目标多普勒调制宽度范围内的时频熵C,训练信号时频谱中每一时刻最大幅度对应的频率的方差V。
(3a)从训练信号的时频谱Y(t,f)中,求训练信号时频谱Y(t,f)的频率熵E(f):
其中,*表示乘法运算,(·)*log10((·))表示求熵运算;
(3b)从训练信号的时频谱Y(t,f)中,求训练信号时频熵的均值
(3c)利用步骤(3a)和(3b),对训练信号时频谱Y(t,f)的频率熵E(f)的频率f进行搜索,获得时的频率f的集合F1;
(3d)利用步骤(3c)的结果,得到训练信号时频谱中目标多普勒调制的宽度:
W=max(F1)-min(F1),
其中,max和min分别为取最大值运算和取最小值运算;
(3e)利用步骤(3d)的结果,从训练信号的时频谱Y(t,f)中,求得训练信号时频谱中目标多普勒调制宽度范围内的时频熵:
(3f)从训练信号的时频谱Y(t,f)中,求t时刻训练信号时频谱Y(t,f)中最大幅度对应的频率G(t):
其中,arg表示参数运算;
(3g)利用步骤(3f)的结果,得到训练信号时频谱中每一时刻最大幅度对应的频率的方差:
其中,为所有时刻训练信号时频谱Y(t,f)中最大幅度对应的频率的均值。
步骤4,利用从训练信号的时频谱Y(t,f)中提取的3维时频特征对支撑向量机分类器的参数进行训练,得到训练好的支撑向量机分类器。
把从训练信号的时频谱Y(t,f)中提取的3维时频特征及训练数据的样本标号送入带有高斯核的支撑向量机SVM分类器中,对带有高斯核的支撑向量机支持向量机SVM分类器的参数进行训练,得到训练好的作为支撑向量的特征向量和相应的权系数,其中,带有高斯核的支持向量机SVM分类器的核参数利用交叉验证的方法或者最优雷达参数条件下分类正确率最大的方法来确定。
步骤5,获得测试信号。
在非合作环境实验条件下,利用低分辨雷达采集对人体目标和车辆目标的雷达回波进行采集,得到人体目标和车辆目标的低信噪比慢时间信号x,对低信噪比慢时间信号能量进行归一化,得到测试信号
步骤6,获得测试信号的时频谱。
用时频变换工具箱对测试信号进行短时傅里叶变换,获得测试信号的时频谱P(t,f),其中,t=1,2,…,N,N为测试信号的长度,f=1,2,…,M,M为短时傅里叶变换中傅里叶变换的长度。
步骤7,从测试信号的时频谱P(t,f)中提取3维时频特征。
该3维时频特征包括:测试信号时频谱中目标多普勒调制的宽度R,测试信号时频谱中目标多普勒调制宽度范围内的时频熵U,测试信号时频谱中每一时刻最大幅度对应的频率的方差D。
(7a)从测试信号的时频谱P(t,f)中,求测试信号的时频谱P(t,f)的频率熵:
(7b),从测试信号的时频谱P(t,f)中,求测试信号的时频熵的均值:
(7c)利用步骤(7a)和(7b),对测试信号时频谱P(t,f)的频率熵Q(f)的频率f进行搜索,获得时的频率的集合F2;
(7d)利用步骤(7c)的结果,得到测试信号时频谱中目标多普勒调制的宽度:
R=max(F2)-min(F2);
(7e)利用步骤(7d)的结果,从测试信号的时频谱P(t,f)中,求测试信号时频谱中目标多普勒调制宽度范围内的时频熵;
(7f)从测试信号的时频谱P(t,f)中,求t时刻测试信号时频谱P(t,f)中最大幅度对应的频率B(t):
(7g)利用(7f)的结果,获得测试信号时频谱中每一时刻最大幅度对应的频率的方差:
其中:为所有时刻测试信号时频谱P(t,f)中最大幅度对应的频率的均值。
步骤8,把步骤(7)从测试信号的时频谱P(t,f)中提取的3维时频特征送入到训练好的支撑向量机分类器中,完成对低信噪比慢时间信号的分类。
本发明的效果可以通过以下仿真实验验证:
1.仿真条件:
实验训练数据为低分辨雷达录取到的高信噪比的人体目标和车辆目标实测数据,分别为120组样本;实验测试数据为加入了信噪比为0—30dB,间隔为5dB的高斯白噪声的低分辨雷达录取到的高信噪比的人体目标和车辆目标的实测数据,分别为120组样本。其中,训练数据和测试数据分别选自不同批次录取的人体目标和车辆目标实测数据;
2.仿真内容及结果分析:
仿真1,用本发明和现有基于时频谱特征的目标分类方法及基于CPPCA的稳健性目标分类方法对人体目标和车辆目标进行分类,结果如图2。
从图2可看出以下两点:
a)利用本发明对人体目标和车辆目标进行分类时,两类地面目标的分类正确率随信噪比的增加而逐渐上升最后趋于平稳;信噪比为0dB时,本发明对两类地面目标的分类正确率已达86%以上;信噪比小于20dB时,本发明对两类地面目标的分类正确率要远高于基于时频谱特征的目标分类方法对两类地面目标的分类正确率;信噪比大于20dB时,本发明对两类地面目标的分类正确率与基于时频谱特征的目标分类方法对两类地面目标的分类正确率相近;
b)信噪比大于10dB时本发明对两类地面目标的分类正确率稍微低于基于CPPCA的稳健性目标分类方法对两类地面目标的分类正确率,但信噪比小于10dB时本发明对两类地面目标的分类正确率远高于基于CPPCA的稳健性目标分类方法对两类地面目标的分类正确率;
因此本发明在低信噪比条件下,能有效实现车辆目标和人体目标的分类。
仿真2,用本发明和现有基于时频谱特征的目标分类方法及基于CPPCA的稳健性目标分类方法对信噪比为30dB的人体目标和车辆目标实测数据分类时耗费的时间,结果如表1。
表1:
分类时耗费的时间 | |
本发明 | 66.037350s |
基于时频谱特征的目标分类方法 | 62.132863s |
基于CPPCA的稳健性目标分类方法 | 4194.848599s |
从如表1看出,本发明对两类地面目标分类时所耗费的时间要远小于基于CPPCA的稳健性目标分类方法对两类地面目标分类时所耗费的时间;本发明对两类地面目标分类时所耗费的时间要与基于时频谱特征的目标分类方法对两类地面目标分类时所耗费的时间相近;
综上,本发明能在低信噪比条件且无需对窄带雷达回波预先进行去噪处理条件下,快速有效实现人体目标和车辆目标的分类。
Claims (2)
1.基于稳健性时频特征的地面目标分类方法,包括以下步骤:
A.训练步骤:
(A1)对低分辨雷达录取的高信噪比慢时间信号进行能量归一化,获得训练信号;
(A2)对训练信号进行短时傅里叶变换,获得训练信号的时频谱Y(t,f),其中,f为t时刻对应的瞬时频率;
(A3)从训练信号的时频谱Y(t,f)中提取3维时频特征:
(A31)求训练信号时频谱Y(t,f)的频率熵:
其中,t=1,2,…,N,N为训练信号的长度,f=1,2,…,M,M为短时傅里叶变换中傅里叶变换的长度;
(A32)求训练信号时频熵的均值:
(A33)利用步骤(A31)和(A32),遍历搜索训练信号时频谱的频率熵E(f)的频率,获得满足的频率集合F1;
(A34)利用步骤(A33),得到训练信号时频谱中目标多普勒调制的宽度:
W=max(F1)-min(F1);
其中,max和min分别为取最大值和取最小值运算;
(A35)利用步骤(A34),得到训练信号时频谱中目标多普勒调制宽度范围内的时频熵:
(A36)求t时刻训练信号时频谱Y(t,f)中最大幅度对应的频率:
其中,arg为参数运算;
(A37)利用步骤(A36),得到训练信号时频谱中每一时刻最大幅度对应的频率的方差:
其中,为所有时刻训练信号时频谱Y(t,f)中最大幅度对应的频率的均值;
(A4)利用从训练信号的时频谱Y(t,f)中提取的3维时频特征对支撑向量机分类器的参数进行训练,得到训练好的支撑向量机分类器;
B.测试步骤
(B1)对低分辨雷达录取的低信噪比慢时间信号进行能量归一化,获得测试信号;
(B2)对测试信号进行短时傅里叶变换,获得测试信号的时频谱P(t,f),其中,f为t时刻对应的瞬时频率;
(B3)从测试信号的时频谱P(t,f)中提取3维时频特征,该3维时频特征包括:测试信号时频谱中目标多普勒调制的宽度R,测试信号时频谱中目标多普勒调制宽度范围内的时频熵U,测试信号时频谱中每一时刻最大幅度对应的频率的方差D;
(B4)把步骤(B3)从测试信号的时频谱P(t,f)中提取3维时频特征送入到训练好的支撑向量机分类器中,完成对低信噪比慢时间信号的分类。
2.根据权利要求1所述的基于稳健性时频特征的地面目标分类方法,其中所述步骤(B3)中从测试信号的时频谱P(t,f)中提取3维时频特征,按如下步骤进行:
(B31)求测试信号的时频谱P(t,f)的频率熵:
其中,t=1,2,…,N,N为测试信号的长度,f=1,2,…,M,M为短时傅里叶变换中傅里叶变换的长度;
(B32)求测试信号的时频熵的均值:
(B33)利用步骤(B31)和(B32),遍历搜索训练信号时频谱的频率熵Q(f)的频率,获得满足的频率集合F2;
(B34)利用步骤(B33),得到测试信号时频谱中目标多普勒调制的宽度:
R=max(F2)-min(F2);
(B35)利用步骤(B34),得到测试信号时频谱中目标多普勒调制宽度范围内的时频熵;
(B36)求t时刻测试信号时频谱P(t,f)中最大幅度对应的频率:
(B37)利用(B36),获得测试信号时频谱中每一时刻最大幅度对应的频率的方差:
其中:为所有时刻测试信号时频谱P(t,f)中最大幅度对应的频率的均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510475477.XA CN105044701B (zh) | 2015-08-05 | 2015-08-05 | 基于稳健性时频特征的地面目标分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510475477.XA CN105044701B (zh) | 2015-08-05 | 2015-08-05 | 基于稳健性时频特征的地面目标分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105044701A CN105044701A (zh) | 2015-11-11 |
CN105044701B true CN105044701B (zh) | 2017-07-04 |
Family
ID=54451377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510475477.XA Active CN105044701B (zh) | 2015-08-05 | 2015-08-05 | 基于稳健性时频特征的地面目标分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105044701B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250854A (zh) * | 2016-08-02 | 2016-12-21 | 清华大学 | 基于微多普勒特征和支持向量机的人体步态识别方法 |
CN106646455B (zh) * | 2016-09-09 | 2019-02-12 | 电子科技大学 | 一种路面散射特性测量方法及雷达装置 |
CN107015228A (zh) * | 2016-11-15 | 2017-08-04 | 财团法人车辆研究测试中心 | 车用毫米波雷达的环境辨识系统 |
CN107589408B (zh) * | 2017-08-28 | 2020-03-27 | 电子科技大学 | 一种独立干扰环境下的慢时间序列稳健设计方法 |
CN107748862A (zh) * | 2017-09-21 | 2018-03-02 | 清华大学 | 一种基于双频雷达信号时频分布的无人机分类方法及装置 |
CN109190673B (zh) * | 2018-08-03 | 2021-09-03 | 西安电子科技大学 | 基于随机森林和数据拒判的地面目标分类方法 |
CN110940959B (zh) * | 2019-12-13 | 2022-05-24 | 中国电子科技集团公司第五十四研究所 | 一种用于低分辨雷达地面目标的人车分类识别方法 |
CN111175718B (zh) * | 2019-12-18 | 2023-08-08 | 南京理工大学 | 联合时频域的地面雷达自动目标识别方法及系统 |
CN112462355B (zh) * | 2020-11-11 | 2023-07-14 | 西北工业大学 | 一种基于时频三特征提取的对海目标智能检测方法 |
CN112965038B (zh) * | 2021-02-02 | 2023-07-21 | 西安电子工程研究所 | 一种基于点迹数据和频谱特征的地面活动目标分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104077787B (zh) * | 2014-07-08 | 2017-03-08 | 西安电子科技大学 | 一种基于时域和多普勒域的飞机目标分类方法 |
-
2015
- 2015-08-05 CN CN201510475477.XA patent/CN105044701B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105044701A (zh) | 2015-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105044701B (zh) | 基于稳健性时频特征的地面目标分类方法 | |
CN106295684B (zh) | 一种基于微多普勒特征的动态连续/非连续手势识别方法 | |
Liu et al. | Deep learning and recognition of radar jamming based on CNN | |
CN108008385B (zh) | 基于稀疏贝叶斯学习的干扰环境isar高分辨成像方法 | |
CN107728142B (zh) | 基于二维卷积网络的雷达高分辨距离像目标识别方法 | |
CN106468770B (zh) | K分布杂波加噪声下的近最优雷达目标检测方法 | |
CN110244271A (zh) | 基于多重同步压缩变换的雷达辐射源分选识别方法及装置 | |
CN104077787B (zh) | 一种基于时域和多普勒域的飞机目标分类方法 | |
CN109188414A (zh) | 一种基于毫米波雷达的手势运动探测方法 | |
CN108459311A (zh) | 基于Hough变换的卷积神经网络下微多普勒目标分类方法 | |
CN101587186B (zh) | 一种雷达脉内调制信号的特征提取方法 | |
CN106483514B (zh) | 一种基于eemd和支持向量机的飞机运动模式识别方法 | |
CN104751185B (zh) | 基于均值漂移遗传聚类的sar图像变化检测方法 | |
CN108764043A (zh) | 基于动态功能连接的熵值的脑电分类方法 | |
CN107895139A (zh) | 一种基于多特征融合的sar图像目标识别方法 | |
CN104239901B (zh) | 基于模糊粒子群和目标分解的极化sar图像分类方法 | |
CN104200471A (zh) | 基于自适应权值图像融合的sar图像变化检测方法 | |
CN108765937A (zh) | 用于etc系统的车辆识别装置、路侧单元和方法 | |
CN105913081A (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN103413134A (zh) | 基于稀疏分解的地面移动目标微动信号特征提取 | |
CN111680737A (zh) | 差异性信噪比条件下的雷达辐射源个体识别方法 | |
Zhu et al. | Classification of UAV-to-ground targets based on enhanced micro-Doppler features extracted via PCA and compressed sensing | |
CN112731330A (zh) | 基于迁移学习的雷达载频参数变化稳健目标识别方法 | |
CN104463227A (zh) | 基于fqpso和目标分解的极化sar图像分类方法 | |
CN104463210B (zh) | 基于面向对象和谱聚类的极化sar图像分类方法 |
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 |