CN108696331B - 一种基于生成对抗网络的信号重构方法 - Google Patents

一种基于生成对抗网络的信号重构方法 Download PDF

Info

Publication number
CN108696331B
CN108696331B CN201810222827.5A CN201810222827A CN108696331B CN 108696331 B CN108696331 B CN 108696331B CN 201810222827 A CN201810222827 A CN 201810222827A CN 108696331 B CN108696331 B CN 108696331B
Authority
CN
China
Prior art keywords
data
signal
generated
generator
real
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
Application number
CN201810222827.5A
Other languages
English (en)
Other versions
CN108696331A (zh
Inventor
吴伟华
秦剑
杨清海
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN201810222827.5A priority Critical patent/CN108696331B/zh
Publication of CN108696331A publication Critical patent/CN108696331A/zh
Application granted granted Critical
Publication of CN108696331B publication Critical patent/CN108696331B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04K—SECRET COMMUNICATION; JAMMING OF COMMUNICATION
    • H04K3/00—Jamming of communication; Counter-measures
    • H04K3/60—Jamming involving special techniques
    • H04K3/62—Jamming involving special techniques by exposing communication, processing or storing systems to electromagnetic wave radiation, e.g. causing disturbance, disruption or damage of electronic circuits, or causing external injection of faults in the information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Abstract

本发明属于无线电信号重构技术领域，公开了一种基于生成对抗网络的信号重构方法。在生成对抗网络的框架下，搭建用于生成信号的生成器和判断信号是否为真实数据的判别器，通过生成器和判别器的交叉训练，更新优化生成器的参数。本发明适用于复杂电磁环境中的信号重构，具有操作流程简单、生成数据相似度高等特点，有效地克服了现有信号重构方法存在的生成样本相似度低和样本多样性不足的缺点；本发明提出采用生成对抗网络实现信号重构，利用生成对抗网络的交叉博弈训练，通过网络层的映射提取信号特征，免去了对信号进行参数测量和特征提取等繁琐低效的流程，解决了复杂电磁环境下信号分析困难的问题。

Description

一种基于生成对抗网络的信号重构方法
技术领域
本发明属于通信对抗技术领域，尤其涉及一种基于生成对抗网络的信号重构方法。即基于生成对抗网络技术，搭建自动生成信号的神经网络作为生成器和判别生成数据质量的判别器，适用于重构电磁环境中的收噪声干扰的信号。
背景技术
目前，业内常用的现有技术是这样的：
在无线电信号重构的技术领域，传统的信号重构采用基于参数测量、特征提取、信号重构的技术体制。这种信号重构体制在以往信息密度不高、通信信号样式较少的电磁环境下，实现无线电信号的重构较为容易。然而通信技术的发展日新月异，通信新技术、新体制如雨后春笋不断涌现。在复杂的通信环境中，传统信号重构体制难以准确提取出信号的参数和特征信息，在现代的电磁环境中显现出疲态。本发明结合生成对抗网络实现信号重构，避免了传统信号重构技术中参数测量、特征提取等繁琐低效的过程，通过神经网络的映射，自动重构与接收信号相似度高的信号。在现有的生成对抗网络算法下，生成的信号数据质量低劣，生成数据的多样性不足。为了解决这一问题，本发明对生成对抗网络的损失函数进行改进，并调整生成对抗网络的框架，使得生成信号的质量得到了很大的改善。
综上所述，现有技术存在的问题是：
(1)传统的通信信号重构基于参数测量、特征提取、信号重构的体制，难以在日益复杂的电磁环境中，从种类繁多的信号中获取重要的参数和特征信息，使得重构出的信号准确率低；
(2)现有生成对抗网络算法在生成信号的应用中，存在难以准确提取和学习信号的序列特性、神经网络层的梯度消失严重的问题，导致了重构生成的信号数据多样性单一、与原始信号拟合度低等缺点。
解决上述技术问题的难度和意义：
针对上述问题，在面对信号重构时面临以下难点：(1)如何在复杂的电磁环境中，准确提取信号的关键特征和参数；(2)根据信号的参数和特征等先验信息，如何准确重构出生成信号，使得重构的信号与原信号的相似度高；(3) 在满足生成数据准确性的前提下，如何使得各个生成数据具有一定的差异。
以上问题是在复杂电磁环境中，针对种类繁多的各类信号实现准确的重构中面临的主要问题。在通信对抗领域，通过重构出与接收信号具有高度相关的信号数据集，再由发射天线发射出去，使得对方在接收到重构的信号时难以分辨出信号的真实来源，达到有效干扰对方通信的效果。
发明内容
针对现有技术在通信信号重构中存在的问题，本发明提供了一种基于生成对抗网络的信号重构算法，本发明通过对生成对抗网络的损失函数进行改进，并调整生成对抗网络的框架，使得生成的信号数据质量得到了很大的改善。
本发明是这样实现的：本发明提出了一种基于生成对抗网络的信号重构方法，免去信号进行常规的参数测量和信号样式的识别，生成对抗网络中包括信号生成器和信号判别器，信号生成器的作用是生成信号，信号判别器则是判断生成信号是否是真实信号，信号生成器和判别器均通过多层神经网络搭建。在信号生成器和判别器的交叉训练下，生成器的网络参数不断地得到优化，生成的数据与原信号的相似度也不断提高。
进一步，真实信号的数据是对原信号进行采样离散化后，得到的一维实向量：
Figure RE-GDA0001667231580000021
X＝{x1,...,xm} (2)
式中：xi表示数据集第中i个信号，
Figure BDA0001600451410000031
表示信号的第1,...,n维的信号电平值，X表示训练集，m表示训练集中样本数据的数目，n表示信号的维度。该数据是对原始信号进行采样后得到的离散数据，采样定理符合奈奎斯特定律。
进一步，生成信号的好坏是通过与真实数据的相似度来衡量的，生成数据与真实数据的相似度越高，表明生成数据的质量越好，反之生成数据的质量越差。生成数据集与真实数据集的相似度采用如下指标衡量：
Figure RE-GDA0001667231580000032
Figure RE-GDA0001667231580000033
式中：Z表示生成数据的集合，X表示真实数据的集合，Zi和Xj分别表示生成数据和真实数据中的单个数据样本，两个数据集的相似度通过(3)式衡量。
进一步，真实信号数据和生成信号数据都需要输入到判别器中，通过判别器判断输入的信号数据是否是真实数据，如式(5)所示损失函数包括由真实数据计算的损失和生成数据计算的损失，式中第一项
Figure BDA0001600451410000034
表示真实数据和生成数据的评价值之差，通过最小化该值可以使得判别器能够准确分辨真实数据和生成数据，式中第二项
Figure BDA0001600451410000035
表示损失函数在抽样样本上的梯度惩罚，通过最小化该值可以将判别器约束损失函数在样本空间上的梯度：
Figure BDA0001600451410000036
Figure BDA0001600451410000037
式(6)定义了抽样数据，首先从生成数据和真实数据中各抽取一个信号组成一对数据
Figure BDA0001600451410000038
新构成的数据在这两个数据分布空间的连线上。
进一步，判别器的架构是通过神经网络搭建构成的，神经网络的框架如图2 所示，该神经网络架构由5层全连接神经网络构成，输入为信号数据，输出为一维的评价值。
进一步，生成数据由生成器生成，生成器的输入为一定维度的随机高斯噪声，经过神经网络层的一层层映射之后，输出生成信号数据，其损失函数如下式所示，通过最小化该损失函数，使得生成数据与真实数据更相似。
Figure BDA0001600451410000041
进一步，生成器是由神经网络搭建构成的，生成器的网络结构如图3所示。生成器的输入层是一定维度的高斯噪声，经过多个密度连接层的映射之后，输出的维度与真实数据的维度一致，输出即为生成的信号数据。
进一步，生成器和判别器的交叉训练。在交叉训练时，固定生成器不变，通过最小化(5)式训练判别器，训练判别器学习生成数据和真实数据的区别；在训练生成器时，固定判别器不变，通过最小化(7)式训练生成器，使得生成器生成的数据更加逼近训练集中的数据，这两个过程不断交叉进行。
综上所述，本发明的优点及积极效果为：
本发明提供的基于生成对抗网络的信号重构算法，适用于电磁环境中无线电通信信号。在生成对抗网络的框架下，搭建用于生成信号的生成器和判断信号是否为真实数据的判别器，通过生成器和判别器的交叉训练，更新优化生成器的参数。本发明适用于复杂电磁环境中的信号重构，具有操作流程简单、生成数据相似度高等特点，有效地克服了现有信号重构方法存在的生成样本相似度低和样本多样性不足的缺点。
传统信号重构机制难以从种类繁多的信号中获取重要的参数和特征信息，使得重构出的信号准确率低，本发明提出采用生成对抗网络实现信号重构，利用生成对抗网络的交叉博弈训练，通过网络层的映射提取信号特征，免去了对信号进行参数测量和特征提取等繁琐低效的流程，解决了复杂电磁环境下信号分析困难的问题；现有生成对抗网络算法在生成信号的应用中，存在难以准确提取和学习信号的序列特性、神经网络层的梯度消失严重的问题，导致了重构生成的信号数据多样性单一、与原始信号拟合度低等缺点。本发明改进生成对抗网络的损失函数和调制神经网络的架构，使得生成的数据样本与接收信号的相似度提升，信号多样性丰富，生成数据效果如表1所示。
表格1算法性能的比较
迭代次数(次) 信号相似度
原始生成对抗网络 1199 0.60
改进生成对抗网络 725 0.92
附图说明
图1是本发明实施例提供的基于生成对抗网络的信号重构方法流程图。
图2是本发明实施例提供的判别器的网络架构图。
图3是本发明实施例提供的生成器的神经网络架构图。
图4是本发明实施例提供的AM调制信号的信号重构比较图。
图中：(a)、AM调制信号的真实数据；(b)、已有生成对抗网络重构出来的信号；(c)、基于改进后的生成对抗网络生成的信号。
图5是本发明实施例提供的改进后生成数据的相似度比较图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明适用于复杂电磁环境中的信号重构，具有操作流程简单、生成数据相似度高等特点，有效地克服了现有信号重构方法存在的生成样本相似度低和样本多样性不足的缺点。
在生成对抗网络的框架下，搭建用于生成信号的生成器和判断信号是否与对方信号相似的判别器，通过生成器和判别器的博弈训练，使得自动重构的数据与接收信号相关性很高，本发明针对现有生成对抗网络的算法生成信号数据质量低劣的问题，对算法在损失函数和网络框架上进行改进，使得生成数据的质量得到显著的改善。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
本发明基于生成对抗网络，利用生成对抗网络中生成器和判别器的交叉优化，使得生成器能够模拟生成与训练集中数据相似的信号。在生成对抗网络的基础上，本发明融合了EM距离损失函数和最小均方误差损失函数作为生成对抗网络中的损失函数，并设计基于全连接层的对称网络结构。在改进算法下，生成数据具有与接收数据相似度很高的信号，并具有丰富的多样性。
如图1所示，本发明实例提供的基于生成对抗网络的信号重构算法步骤主要包括以下几步：
(1)，在电磁环境中，接收无线电通信信号。
(2)，通过采样定理对信号离散化，得到一定维度的离散信号数据，将该数据作为训练数据集。
(3)，将训练数据集输入到生成对抗网络中，通过生成器和判别器的交叉训练优化生成器和判别器，最终使得生成器能够生成与接收到的无线电信号相似度很高的数据。
(4)，通过训练好后的生成器生成多个信号数据。
下面结合附图，对该系统流程作进一步的说明。
如图1所示，本发明主要包括以下步骤：
步骤一：在电磁环境中接收信号数据
步骤二：对接收到的信号进行离散化，并切分成多个信号数据
步骤三：初始化生成器中的参数w0和判别器中的参数θ0
当参数w0和θ0没有收敛时，或者迭代次数没有达到停止条件时，重复进行如下步骤：
当t＝1,...,ncritic时，重复执行如下步骤，其中ncritic为判别器和生成器的训练次数比，表示每训练一次生成器，训练判别器的次数，通常设为一个大于1 的常数；
当i＝1,...,m重复执行如下步骤，m为批大小，表示每次神经网络训练时，输入数据的样本数目，通常设置为一个大于1的常数；
(a)从真实数据中采样抽取出一个真实数据x∈X,从多元随机高斯分布中抽取一个一定维度的一维噪声向量z～pz,从0到1之间的均匀分布中抽取一个参数ε～U[0,1]，其中X表示真实数据集合，pz表示多元高斯分布，U[0,1]表示0到1之间的均匀分布；
(b)将z作为生成器的输入，得到构造的信号数据
Figure BDA0001600451410000071
其中Gθ表示生成器；
(c)计算
Figure BDA0001600451410000072
得到由生成数据和真实数据构造的新的抽样信号；
(d)计算损失函数
Figure BDA0001600451410000073
其中Dw表示判别器；
(e)通过深度学习中常用的Adam优化器计算损失函数的梯度，并在神经网络中反向传播，以更新优化判别器中的参数θ；
Figure BDA0001600451410000074
(f)当i＝m时，通过Adam优化器计算损失函数的梯度，并在生成器的神经网络中反向传播，以更新优化生成器中的参数w；
Figure BDA0001600451410000075
步骤四：训练结束后，通过生成器生成多个信号构成生成信号数据集，完成信号重构的任务。本发明部分生成信号数据如图4所示，图4(a)表示真实数据的样本，图4(b)表示现有生成对抗网络算法生成的信号样本，图4(c)表示本发明改进后的生成对抗网络生成的信号数据。
通过图4，可以看出，相比较于现有生成对抗网络算法生成的样本，改进后的生成对抗网络生成的信号与真实数据的拟合度更高；在图5中，表示了现有生成对抗网络算法和改经后的生成对抗算法在训练迭代的过程中，生成的信号集与真实信号数据集相似度的变化，由图可以看出，改经后的算法在生成信号的相似度上有了明显的改善。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于生成对抗网络的信号重构方法，其特征在于：采用生成对抗网络实现信号重构，通过搭建多层神经网络的生成器生成信号数据，和多层神经网络的判别器，判断生成数据是否与真实数据相似，在两者的交叉训练下，生成器的网络参数不断优化，最终生成器能够生成与原信号相似度高的信号，实现无线电信号的有效重构；
生成信号的好坏是通过与真实数据的相似度来衡量的，生成数据与真实数据的相似度越高，表明生成数据的质量越好，反之生成数据的质量越差；生成数据集与真实数据集的相似度采用如下指标衡量：
Figure DEST_PATH_IMAGE001
式（1）和式（2）中：
Figure 954067DEST_PATH_IMAGE002
表示生成数据的集合，
Figure DEST_PATH_IMAGE003
表示真实数据的集合，
Figure 494377DEST_PATH_IMAGE004
和
Figure DEST_PATH_IMAGE005
分别表示生成数据和真实数据中的单个数据样本，两个数据集的相似度衡量；
真实信号数据和生成信号数据都需要输入到判别器中，通过判别器判断输入的信号数据是否是真实数据，损失函数包括由真实数据计算的损失和生成数据计算的损失，式（3）中第一项
Figure 398748DEST_PATH_IMAGE006
表示真实数据和生成数据的评价值之差，通过最小化评价值之差值可以使得判别器能够准确分辨真实数据和生成数据，式（3）中第二项
Figure DEST_PATH_IMAGE007
表示损失函数在抽样样本上的梯度惩罚，通过最小化梯度惩罚可以将判别器约束损失函数在样本空间上的梯度：
Figure DEST_PATH_IMAGE009
（3）
Figure 482373DEST_PATH_IMAGE010
（4）
抽样数据，首先从生成数据和真实数据中各抽取一个信号组成一对数据
Figure DEST_PATH_IMAGE011
，新构成的数据在这两个数据分布空间的连线上；
判别器的架构是通过神经网络搭建构成的，神经网络架构由5层全连接神经网络构成，输入为信号数据，输出为一维的评价值。
2.如权利要求1中所述的基于生成对抗网络的信号重构方法，其特征在于，真实信号的数据是对原信号进行采样离散化后，得到的一维实向量：
Figure 421379DEST_PATH_IMAGE012
式（5）中：
Figure DEST_PATH_IMAGE013
表示数据集中第个信号，
Figure 890447DEST_PATH_IMAGE014
表示信号的第
Figure DEST_PATH_IMAGE015
维的信号电平值，
Figure 219798DEST_PATH_IMAGE016
表示训练集，
Figure DEST_PATH_IMAGE017
表示训练集中样本数据的数目，表示信号的维度；真实信号的数据是对原始信号进行采样后得到的离散数据，采样定理符合奈奎斯特定律。
3.如权利要求1所述的基于生成对抗网络的信号重构方法，其特征在于，生成数据由生成器生成，生成器的输入为一定维度的随机高斯噪声，经过神经网络层的一层层映射之后，输出生成信号数据，其损失函数如下式（6）所示，通过最小化该损失函数，使得生成数据与真实数据更相似：
Figure 44796DEST_PATH_IMAGE018
（6）。
4.如权利要求3所述的基于生成对抗网络的信号重构方法，其特征在于，生成器的网络结构是由神经网络搭建构成的；生成器的输入层是一定维度的高斯噪声，经过多个密度连接层的映射之后，输出的维度与真实数据的维度一致，输出即为生成的信号数据。
5.如权利要求1所述的基于生成对抗网络的信号重构方法，其特征在于，生成器和判别器的交叉训练；在交叉训练时，固定生成器不变，通过最小化训练判别器，训练判别器学习生成数据和真实数据的区别；在训练生成器时，固定判别器不变，通过最小化训练生成器，使得生成器生成的数据更加逼近训练集中的数据，生成器和判别器的交叉训练过程不断交叉进行。
CN201810222827.5A 2018-03-19 2018-03-19 一种基于生成对抗网络的信号重构方法 Active CN108696331B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810222827.5A CN108696331B (zh) 2018-03-19 2018-03-19 一种基于生成对抗网络的信号重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810222827.5A CN108696331B (zh) 2018-03-19 2018-03-19 一种基于生成对抗网络的信号重构方法

Publications (2)

Publication Number Publication Date
CN108696331A CN108696331A (zh) 2018-10-23
CN108696331B true CN108696331B (zh) 2020-06-30

Family

ID=63844266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810222827.5A Active CN108696331B (zh) 2018-03-19 2018-03-19 一种基于生成对抗网络的信号重构方法

Country Status (1)

Country Link
CN (1) CN108696331B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109583497B (zh) * 2018-11-29 2023-07-04 中电科嘉兴新型智慧城市科技发展有限公司 一种对抗生成网络智能判断的数据质量规则自动生成方法及系统
CN109871630B (zh) * 2019-02-28 2023-05-26 浙江工业大学 一种微血管树结构的人工生成方法
CN110322433B (zh) * 2019-05-27 2021-03-12 苏州佳赛特智能科技有限公司 一种面向外观缺陷视觉检测的数据集扩增方法
CN110875790A (zh) * 2019-11-19 2020-03-10 上海大学 基于生成对抗网络的无线信道建模实现方法
CN111224992B (zh) * 2020-01-10 2022-10-14 上海理工大学 基于生成对抗网络的电能质量信号压缩重构方法
CN111711820B (zh) * 2020-05-13 2021-03-30 哈尔滨工业大学 一种基于生成对抗网络的裂缝图像压缩采样方法
CN112348253B (zh) * 2020-11-06 2023-04-07 中国石油大学(华东) 一种基于全连接神经网络的固态发酵效用预测方法
CN112367130B (zh) * 2020-11-20 2023-04-07 河南工业大学 一种无线网络信号传输强度计算方法及计算机存储介质
CN112702760B (zh) * 2020-12-16 2022-03-15 西安电子科技大学 一种估计小区负载方法、系统、介质、设备、终端及应用
CN112865915B (zh) * 2021-01-05 2022-07-12 西安电子科技大学 用于对抗深度学习的无线电信号伪造方法
CN114236476B (zh) * 2021-12-06 2023-08-04 中国人民解放军国防科技大学 一种基于生成对抗网络算法模型的自动距离跟踪系统的欺骗干扰方法
CN117607756B (zh) * 2024-01-18 2024-04-05 杭州布雷科电气有限公司 基于对抗神经网络的熔断器性能测试平台

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201607994D0 (en) * 2016-05-06 2016-06-22 Magic Pony Technology Ltd Encoder pre-analyser
CN107293289B (zh) * 2017-06-13 2020-05-29 南京医科大学 一种基于深度卷积生成对抗网络的语音生成方法
CN107547460A (zh) * 2017-08-21 2018-01-05 西安电子科技大学 基于深度学习的无线通信调制信号识别方法

Also Published As

Publication number Publication date
CN108696331A (zh) 2018-10-23

Similar Documents

Publication Publication Date Title
CN108696331B (zh) 一种基于生成对抗网络的信号重构方法
CN109993280B (zh) 一种基于深度学习的水下声源定位方法
CN108399428B (zh) 一种基于迹比准则的三元组损失函数设计方法
CN109410917A (zh) 基于改进型胶囊网络的语音数据分类方法
CN107316046A (zh) 一种基于增量补偿动态自适应增强的故障诊断方法
CN114564982B (zh) 雷达信号调制类型的自动识别方法
CN111368920A (zh) 基于量子孪生神经网络的二分类方法及其人脸识别方法
CN109581339B (zh) 一种基于头脑风暴自动调整自编码网络的声呐识别方法
CN112036239B (zh) 一种基于深度学习网络的雷达信号工作模式识别方法及系统
CN112464004A (zh) 一种多视角深度生成图像聚类方法
CN108520310B (zh) G-L混合噪声特性v-支持向量回归机的风速预报方法
CN110933633B (zh) 一种基于csi指纹特征迁移的船载环境室内定位方法
CN114692665A (zh) 基于度量学习的辐射源开集个体识别方法
CN112966667A (zh) 海面目标一维距离像降噪卷积神经网络识别方法
CN112749633A (zh) 分离与重构的个体辐射源识别方法
CN113505477A (zh) 一种基于svae-wgan的过程工业软测量数据补充方法
CN113572708A (zh) 一种dft信道估计改进方法
CN109993208A (zh) 一种有噪声图像的聚类处理方法
CN116866129A (zh) 一种无线通信信号检测方法
CN114980122A (zh) 一种小样本射频指纹智能识别系统与方法
CN114757224A (zh) 一种基于持续学习和联合特征提取的特定辐射源识别方法
CN111859241B (zh) 一种基于声传递函数学习的非监督声源定向方法
CN113343801A (zh) 基于轻量化卷积神经网络的无线信号自动调制识别方法
CN110808932B (zh) 基于多分布测试数据融合的多层感知器快速调制识别方法
CN112014791A (zh) 存在阵列误差的阵列pca-bp算法的近场源定位方法

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
GR01 Patent grant
GR01 Patent grant