CN108304773A - 一种基于小波变换的车流密度分析方法、装置、电子设备和存储介质 - Google Patents

一种基于小波变换的车流密度分析方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN108304773A
CN108304773A CN201711420619.8A CN201711420619A CN108304773A CN 108304773 A CN108304773 A CN 108304773A CN 201711420619 A CN201711420619 A CN 201711420619A CN 108304773 A CN108304773 A CN 108304773A
Authority
CN
China
Prior art keywords
signal
wavelet
vehicle density
threshold value
noise reduction
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
Application number
CN201711420619.8A
Other languages
English (en)
Inventor
梁凌宇
冯世文
林群彬
宋桐
龙健
文镇凰
陈彦文
徐勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GAOKE COMMUNICATION TECHNOLOGY Co Ltd GUANGZHOU CITY
Original Assignee
GAOKE COMMUNICATION TECHNOLOGY Co Ltd GUANGZHOU CITY
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by GAOKE COMMUNICATION TECHNOLOGY Co Ltd GUANGZHOU CITY filed Critical GAOKE COMMUNICATION TECHNOLOGY Co Ltd GUANGZHOU CITY
Priority to CN201711420619.8A priority Critical patent/CN108304773A/zh
Publication of CN108304773A publication Critical patent/CN108304773A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于小波变换的车流密度分析方法、装置、电子设备和存储介质，通过磁传感器测得某段道路内车流密度随时间变换的信号图，并把该信号图进行小波分解通过多分辨分析法获得概貌信号图和细节参数信号图；然后对概貌信号图和细节参数信号图进行降噪获得更平滑的信号图，最后利用细节参数信号图对概貌信号图进行修正。本发明对原始的车流密度信号图进行小波变换，小波变换能够有效地滤除噪声,从而更加清楚地观察信号,同时还能将信号在不同的分辨率下分解为高频分量与低频分量后能够直观地观察车流密度的变化及预测其变化趋势，这给交通流理论的研究提供了一种新的工具。

Description

一种基于小波变换的车流密度分析方法、装置、电子设备和存 储介质
技术领域
本发明涉及智能交通领域，尤其涉及一种基于小波变换的车流密度分析方法、装置、电子设备和存储介质。
背景技术
交通流是指汽车在道路上连续行驶形成的车流。广义上还包括其他车辆的车流和人流。其中，车流密度、行车速度、交通流量是反映交通流特征的三个基本参数。车流密度是指在某一个瞬间内单位道路长度上车辆的数目，车流密度会随着时间的改变而产生相应的变化，从车流密度的大小可以判定交通流的情况，从而决定采取对应的交通措施以改善措施。然而由于车流密度的随机性使得对于它的分析比较困难,目前对它的分析仅限于得到密度-时间关系图或速度-密度关系图。
在一个交通路口设立观测点测量一天内的车流密度,会发现实际测量到的车流密度信号随时间变化十分剧烈,这使我们很难看清车流密度的变化趋势,也无法对它进一步分析。如果将一段时间内的车流密度视为随时间变化的随机信号,其中含有许多噪声(随机误差),信号的高频分量对应变化剧烈的地方,低频分量反映了信号的趋势。因此有人提出采用滤波处理以减少噪声带来的误差。
小波变换是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间(空间)频率的局部化分析，通过伸缩平移运算对信号(函数)逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节。
发明内容
为解决上述的问题，本发明的目的之一在于提供了一种基于小波变换的车流密度分析方法，其能解决难以看清车流密度变化趋势的问题。
为解决上述的问题，本发明的目的之二在于提供了一种基于小波变换的车流密度分析装置，其能解决难以看清车流密度变化趋势的问题。
本发明目的之三提供了一种电子设备，其能解决难以看清车流密度变化趋势的问题。
本发明的目的之四在于提供一种计算机可读存储介质，其能解决难以看清车流密度变化趋势的问题。
本发明的目的之一采用如下技术方案实现：
一种基于小波变换的车流密度分析方法，包括以下步骤：
原始信号采样步骤：采集车辆道路的车流密度随时间变换的信号并生成相应的信号波形图；
小波分解步骤：选取合适的小波函数并对所述原始信号进行N层的小波分解获得概貌信号图和细节参数信号图；
信号过滤步骤：对于所述概貌信号图和细节参数信号图从1到N的每一层选择阈值以对信号进行过滤。
进一步地，所述小波分解步骤包括以下函数：
gn＝(-1)nh2N-n-1；
n＝0,1,2,3,....,2N-1；
其中，ψ(t)为基本小波函数，φ(t)为尺度函数，hn是分解时低通滤波器系数，gn是分解时高通滤波器系数，N为小波的阶数。
进一步地，所述信号过滤步骤还包括以下子步骤：
硬阈值降噪步骤：对细节参数信号选择阈值进行降噪，所用函数式为：
其中，t代表预先选定的阈值，Y代表与t比较前的小波系数，X代表与t比较后的小波系数，t通过matlab自适应选取；
软阈值降噪步骤：对经过硬阈值降噪后的细节参数信号选择阈值进行软降噪以作平滑处理，所用函数式为：
其中，t代表预先选定的阈值，Y代表与t比较前的小波系数，X代表与t比较后的小波系数，t通过matlab自适应选取。
本发明的目的之二采用如下技术方案实现：
一种基于小波变换的车流密度分析装置，包括车流密度地磁检测模块、信号成像模块、小波分解模块和信号过滤模块；
所述车流密度地磁检测模块通过磁传感器检测道路内的车流密度；
所述信号成像模块用于把所述车流密度地磁检测模块所测得的车流密度随时间变换产生的信号转换为车流密度信号图；
所述小波分解模块用于把所述车流密度信号图分解为概貌信号图和细节参数信号图；
所述信号过滤模块用于对所述概貌信号图和所述细节参数信号图进行降噪。
本发明的目的之三采用如下技术方案实现：
一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
原始信号采样步骤：采集车辆道路的车流密度随时间变换的信号并生成相应的信号波形图；
小波分解步骤：选取合适的小波函数并对所述原始信号进行N层的小波分解获得概貌信号图和细节参数信号图；
信号过滤步骤：对于所述概貌信号图和细节参数信号图从1到N的每一层选择阈值以对信号进行过滤。
进一步地，所述小波分解步骤包括以下函数：
gn＝(-1)nh2N-n-1；
n＝0,1,2,3,....,2N-1；
其中，ψ(t)为基本小波函数，φ(t)为尺度函数，hn是分解时低通滤波器系数，gn是分解时高通滤波器系数，N为小波的阶数。
进一步地，所述信号过滤步骤还包括以下子步骤：
硬阈值降噪步骤：对细节参数信号选择阈值进行降噪，所用函数式为：
其中，t代表预先选定的阈值，Y代表与t比较前的小波系数，X代表与t比较后的小波系数，t通过matlab自适应选取；
软阈值降噪步骤：对经过硬阈值降噪后的细节参数信号选择阈值进行软降噪以作平滑处理，所用函数式为：
其中，t代表预先选定的阈值，Y代表与t比较前的小波系数，X代表与t比较后的小波系数，t通过matlab自适应选取。
本发明的目的之四采用如下技术方案实现：
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于小波变换的车流密度分析方法。
相比现有技术，本发明的有益效果在于：
本发明公开的一种基于小波变换的车流密度分析方法，通过对车流密度随时间变换产生的信号进行采样，对采样得出的信号通过多分辨分析法进行小波分解和降噪后，对该信号进行重建获得修正后的信号图，能够直观地观察车流密度的变化及预测其变化趋势。小波变换能够有效地滤除噪声,从而更加清楚地观察信号,同时还能将信号在不同的分辨率下分解为高频分量与低频分量,这给交通流理论的研究提供了一种新的工具。
附图说明
图1是一种基于小波变换的车流密度分析装置的原理框图；
图2是本发明的车流密度随时间变换的原始信号图；
图3是本发明的第一次小波分解获得的概貌参数信号图；
图4是本发明的第一次小波分解获得的细节参数信号图；
图5是本发明的第五次小波分解获得的概貌参数信号图；
图6是本发明的第五次小波分解获得的细节参数信号图；
图7是本发明的经过降噪后的车流密度随时间变换的信号图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例一
本发明公开了一种基于小波变换的车流密度分析方法，包括以下步骤：
原始信号采样步骤：当车辆这种铁磁物质经过这个点时，对这个点的磁场强度产生一个扰动，通过磁传感器采样数据与初始采样数据(该点的地球磁场值)进行对比，其差值为车辆通过时对该点地球磁场的影响，把该数值在微处理器中进行处理，处理为开关量或数字量或模拟量。首先通过地磁传感器按一定间隔采集信号，对采集来的信号进行整理，产生波形曲线，然后送给算法计算车流密度随时间变换的信号并生成相应的信号波形图。
小波分解步骤：把原始信号采样步骤获得的原始信号波形图导入MATLAB通过多分辨分析法实现小波分解。在MATLAB内采用Daubechies小波(dbN小波)作为小波函数对原始信号进行小波分解获得概貌参数信号图a和细节参数信号图d：
gn＝(-1)nh2N-n-1；
n＝0,1,2,3,....,2N-1；
其中ψ(t)为基本小波函数，φ(t)为尺度函数，hn是分解时低通滤波器系数，gn是分解时高通滤波器系数，N为小波的阶数。Daubechies小波函数具有正交性和紧支撑性,可以用快速算法计算,而且该小波作为稀疏基所引入的光滑误差不容易被察觉，使得信号重构过程比较光滑。Daubechies小波的特点是随着阶次N的增大消失矩阶数越大，其中消失矩越高光滑性就越好，频域的局部化能力就越强，频带的划分效果越好。
如图2所示的原始信号图，横坐标代表时间，纵坐标通过MATLAB的axis函数设定的坐标范围为1-4，数值越高代表车流密度越大。对该信号图通过MATLAB对其进行4阶对信号进行5次的小波分解，经过第一次小波分解后概貌参数图像如图3所示，概貌参数图像是车流密度的低频分量，反映了0-100这个时间段内车流密度的总体趋势。经过第一次小波分解后的细节参数图像如图4所示，细节参数图像是车流密度的高频分量，反映了0-100这个时间段内车流密度的具体变化。如图5和图6所示，经过第五次小波分解后的概貌参数图像变得更加平滑，更容易凸显出在0-12这更短时间内车流密度的变化趋势。而经过第五次小波分解的细节参数图像也能更清晰地显示这段时间车流密度变化的过程。
信号过滤步骤：对于每一层的概貌信号图和细节参数信号图选择阈值以对信号进行过滤；首先通过硬阈值降噪对细节参数信号选择阈值进行降噪，MATLAB所用函数式为：
其中，t代表预先选定的阈值，Y代表与t比较前的小波系数，X代表与t比较后的小波系数，t通过matlab自适应选取。
然后通过软阈值降噪解决硬阈值函数导致的影响，软阈值降噪将模小于3*sigma的小波系数全部切除，大于3*sigma全部保留。MATLAB所用函数为:
其中，t代表预先选定的阈值，Y代表与t比较前的小波系数，X代表与t比较后的小波系数，t通过matlab自适应选取。
软阈值函数将模小于3sigma的小波系数全部置零，而将模大于3sigma的做一个比较特殊的处理，大于3sigma的小波系数统一减去3sigma，小于-3sigma的小波系数统一加3sigma。经过软阈值函数的作用，小波系数在小波域就变得更加光滑了，如图7所示，用软阈值去噪得到的图像看起来很平滑。
本发明还提供了一种基于小波变换的车流密度分析装置，该装置的原理框图如图1所示。该装置包括车流密度地磁检测模块、信号成像模块、小波分解模块和信号过滤模块。车流密度地磁检测模块通过磁传感器检测道路内的车流密度。信号成像模块用于把车流密度地磁检测模块所测得的车流密度转换为车流密度随时间变换的信号图。小波分解模块用于把车流密度信号图分解为概貌信号图和细节参数信号图。信号过滤模块用于对概貌信号图和细节参数信号图进行降噪。
实施例二
实施例二公开了一种电子设备，该电子设备包括处理器、存储器以及程序，其中处理器和存储器均可采用一个或多个，程序被存储在存储器中，并且被配置成由处理器执行，处理器执行该程序时，实现本发明的一种基于小波变换的车流密度分析方法。该电子设备可以是手机、电脑、平板电脑等等一系列的电子设备。
实施例三
实施例三公开了一种可读的计算机存储介质，该存储介质用于存储程序，并且该程序被处理器执行时，实现本发明的一种基于小波变换的车流密度分析方法。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims (8)

1.一种基于小波变换的车流密度分析方法，其特征在于，包括以下步骤：
原始信号采样步骤：采集车辆道路的车流密度随时间变换的信号并生成相应的信号波形图；
小波分解步骤：选取合适的小波函数并对所述原始信号进行N层的小波分解获得概貌信号图和细节参数信号图；
信号过滤步骤：对于所述概貌信号图和细节参数信号图从1到N的每一层选择阈值以对信号进行过滤。
2.如权利要求1所述的车流密度的分析方法，其特征在于：所述小波分解步骤包括以下函数：
gn＝(-1)nh2N-n-1；
n＝0,1,2,3,....,2N-1；
其中，ψ(t)为基本小波函数，φ(t)为尺度函数，hn是分解时低通滤波器系数，gn是分解时高通滤波器系数，N为小波的阶数。
3.如权利要求1所述的车流密度分析方法，其特征在于，所述信号过滤步骤还包括以下子步骤：
硬阈值降噪步骤：对细节参数信号选择阈值进行降噪，所用函数式为：
其中，t代表预先选定的阈值，Y代表与t比较前的小波系数，X代表与t 比较后的小波系数，t通过matlab自适应选取；
软阈值降噪步骤：对经过硬阈值降噪后的细节参数信号选择阈值进行软降噪以作平滑处理，所用函数式为：
其中，t代表预先选定的阈值，Y代表与t比较前的小波系数，X代表与t比较后的小波系数，t通过matlab自适应选取。
其中，X代表小波变换的系数，t代表预先选定的阈值。
4.一种基于小波变换的车流密度分析装置，其特征在于：所述装置包括车流密度地磁检测模块、信号成像模块、小波分解模块和信号过滤模块；
所述车流密度地磁检测模块通过磁传感器检测道路内的车流密度；
所述信号成像模块用于把所述车流密度地磁检测模块所测得的车流密度随时间变换产生的信号转换为车流密度信号图；
所述小波分解模块用于把所述车流密度信号图分解为概貌信号图和细节参数信号图；
所述信号过滤模块用于对所述概貌信号图和所述细节参数信号图进行降噪。
5.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：
原始信号采样步骤：采集车辆道路的车流密度随时间变换的信号并生成相应的信号波形图；
小波分解步骤：选取合适的小波函数并对所述原始信号进行N层的小波分解获得概貌信号图和细节参数信号图；
信号过滤步骤：对于所述概貌信号图和细节参数信号图从1到N的每一层选择阈值以对信号进行过滤。
6.如权利要求5所述的电子设备，其特征在于，所述小波分解步骤包括以下函数：
gn＝(-1)nh2N-n-1；
n＝0,1,2,3,....,2N-1；
其中，ψ(t)为基本小波函数，φ(t)为尺度函数，hn是分解时低通滤波器系数，gn是分解时高通滤波器系数，N为小波的阶数。
7.如权利要求5所述的电子设备，其特征在于，所述信号过滤步骤还包括以下子步骤：
硬阈值降噪步骤：对细节参数信号选择阈值进行降噪，所用函数式为：
其中，t代表预先选定的阈值，Y代表与t比较前的小波系数，X代表与t比较后的小波系数，t通过matlab自适应选取；
软阈值降噪步骤：对经过硬阈值降噪后的细节参数信号选择阈值进行软降噪以作平滑处理，所用函数式为：
其中，t代表预先选定的阈值，Y代表与t比较前的小波系数，X代表与t比较后的小波系数，t通过matlab自适应选取。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-3任意一项所述的方法。
CN201711420619.8A 2017-12-25 2017-12-25 一种基于小波变换的车流密度分析方法、装置、电子设备和存储介质 Pending CN108304773A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711420619.8A CN108304773A (zh) 2017-12-25 2017-12-25 一种基于小波变换的车流密度分析方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711420619.8A CN108304773A (zh) 2017-12-25 2017-12-25 一种基于小波变换的车流密度分析方法、装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN108304773A true CN108304773A (zh) 2018-07-20

Family

ID=62870907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711420619.8A Pending CN108304773A (zh) 2017-12-25 2017-12-25 一种基于小波变换的车流密度分析方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN108304773A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110877A (zh) * 2018-10-31 2019-08-09 南京森林警察学院 交通流量短时预测方法及系统、存储介质、电子设备
CN111260521A (zh) * 2019-11-20 2020-06-09 深圳大学 一种城市边界获取方法、装置、智能终端及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040193065A1 (en) * 2003-03-31 2004-09-30 Houben Richard P.M. Biomedical signal denoising techniques
CN101739822A (zh) * 2009-03-11 2010-06-16 北京交通大学 区域交通状态获取的传感器网络配置方法
CN101751782A (zh) * 2009-12-30 2010-06-23 北京大学深圳研究生院 一种基于多源信息融合的十字路口交通事件自动检测系统
CN201698588U (zh) * 2010-03-19 2011-01-05 上海真灼电子技术有限公司 一种基于双地磁感应器的车辆检测系统
CN102176312A (zh) * 2011-01-07 2011-09-07 蔡镇滨 一种通过小波陷波来降低突发噪音的系统及方法
CN102663695A (zh) * 2012-03-31 2012-09-12 重庆大学 基于小波变换的dr图像去噪方法及系统
CN102832908A (zh) * 2012-09-20 2012-12-19 西安科技大学 基于小波变换与变步长lms自适应滤波的信号降噪方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040193065A1 (en) * 2003-03-31 2004-09-30 Houben Richard P.M. Biomedical signal denoising techniques
CN101739822A (zh) * 2009-03-11 2010-06-16 北京交通大学 区域交通状态获取的传感器网络配置方法
CN101751782A (zh) * 2009-12-30 2010-06-23 北京大学深圳研究生院 一种基于多源信息融合的十字路口交通事件自动检测系统
CN201698588U (zh) * 2010-03-19 2011-01-05 上海真灼电子技术有限公司 一种基于双地磁感应器的车辆检测系统
CN102176312A (zh) * 2011-01-07 2011-09-07 蔡镇滨 一种通过小波陷波来降低突发噪音的系统及方法
CN102663695A (zh) * 2012-03-31 2012-09-12 重庆大学 基于小波变换的dr图像去噪方法及系统
CN102832908A (zh) * 2012-09-20 2012-12-19 西安科技大学 基于小波变换与变步长lms自适应滤波的信号降噪方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110877A (zh) * 2018-10-31 2019-08-09 南京森林警察学院 交通流量短时预测方法及系统、存储介质、电子设备
CN111260521A (zh) * 2019-11-20 2020-06-09 深圳大学 一种城市边界获取方法、装置、智能终端及存储介质
CN111260521B (zh) * 2019-11-20 2023-04-28 深圳大学 一种城市边界获取方法、装置、智能终端及存储介质

Similar Documents

Publication Publication Date Title
CN110361778B (zh) 一种基于生成对抗网络的地震数据重建方法
Gao et al. Facilitating joint chaos and fractal analysis of biosignals through nonlinear adaptive filtering
Bhowmik et al. Visual attention-based image watermarking
Zhong et al. Image denoising based on wavelets and multifractals for singularity detection
CN111798396A (zh) 一种基于小波变换的多功能图像处理方法
CN101303764A (zh) 基于非下采样轮廓波的多传感器图像自适应融合方法
CN102930149A (zh) 基于pca和emd的传感器网络感知信息去噪处理方法
CN108304773A (zh) 一种基于小波变换的车流密度分析方法、装置、电子设备和存储介质
CN107590785A (zh) 一种基于sobel算子的布里渊散射谱图像识别方法
Akkar et al. A Squared-Chebyshev wavelet thresholding based 1D signal compression
CN112084845A (zh) 基于多尺度小波系数自相关的低频1/f噪声消除方法
Pereira A typology of spatial and temporal scale relations
Feng et al. Multigranularity feature fusion convolutional neural network for seismic data denoising
EP3072296A1 (en) Methods and systems for wavelet based representation
Ayache et al. Discretization error of wavelet coefficient for fractal like processes
CN103310423B (zh) 一种矿井图像增强方法
CN110377927B (zh) 一种基于matlab仿真的泵站机组转子状态监控方法
Madan et al. Signal filtering using discrete wavelet transform
CN114239757B (zh) 一种电磁时间序列数据的去噪方法及系统
CN111242043B (zh) 一种时间序列大数据的稀疏化方法及系统
Shukla et al. Wavelets: basic concepts
CN112712015A (zh) 一种人体关键点识别方法、装置、智能终端及存储介质
Wang et al. Seismic data interpolation using Gaussian process regression
Germán-Salló Empirical Mode Decomposition in Discrete Time Signals Denoising
CN113902618B (zh) 一种基于多模态空间滤波的图像超分算法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180720