CN108901074A - 一种基于布谷鸟搜索算法的移动用户频谱分配方法 - Google Patents
一种基于布谷鸟搜索算法的移动用户频谱分配方法 Download PDFInfo
- Publication number
- CN108901074A CN108901074A CN201810811738.4A CN201810811738A CN108901074A CN 108901074 A CN108901074 A CN 108901074A CN 201810811738 A CN201810811738 A CN 201810811738A CN 108901074 A CN108901074 A CN 108901074A
- Authority
- CN
- China
- Prior art keywords
- bird
- link
- user
- frequency spectrum
- nest
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/541—Allocation or scheduling criteria for wireless resources based on quality criteria using the level of interference
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于布谷鸟搜索算法的移动用户频谱分配方法,针对频谱功率分配中网络吞吐量低的问题,首先建立基于干扰距离的认知,将频谱功率分配问题转换为函数优化问题;将最大化的网络吞吐量转化为求最大化可用时长内完成的总数据量,建立目标函数,并将频谱分配变量映射为布谷鸟鸟巢的位置,采用布谷鸟搜索算法求解,最终获得网络吞吐量高于遗传算法的频谱分配,能够得到得较高的次用户有效信道容量。
Description
技术领域
本发明涉及无线通信技术领域,尤其是涉及一种基于布谷鸟搜索算法的移动用户频谱分配方法。
背景技术
布谷鸟搜索(CUCKOO SERACH)简称CS是一种源于自然界中布鸟孵育寄生行为和levy飞行搜索原理开发的一种新型智能算法,其探索解空间的性能高,能灵活地跳出局部极值,并且结构十分简单,控制参数较少,参数的调整和设置方便,易于实施,在非线性规划问题求解方面得到广泛应用,这是一个由多个主用户与多个次用户共享同一频段的网络模型,在保证主用户链路正常通信的前提下,通过控制次用户的发射功率,最大化次用户组的有效信道容量(即能够保证有效通信的次用户链路提供的信道容量)。但在实际通信中,频谱功率分配中存在网络吞吐量低、移动用户间的同频干扰问题,这些都是不可避免的。
发明内容
本发明的目的是在于提供一种基于布谷鸟搜索算法的移动用户频谱分配方法,该方法通过消减移动用户间的同频干扰,进而达到良好的功率分配效果。
本发明的目的是这样实现的:
一种基于布谷鸟搜索算法的移动用户频谱分配方法,特征是:
(1)、根据给定的可用频谱矩阵确定优化维数D,并设定最大迭代次数,最大迭代次数设置成1000000次;
(2)、设定种群数P,初始化种群,即随机产生矩阵X(0)=[X1 (0),X2 (0),....,XP (0)];
(3)、计算每个鸟巢位置的适应度值,选出最大的适应度值,并记录对应的鸟巢位置Xbest,Xbest即为当前最优鸟巢位置;
(4)、计算每个鸟巢位置的适应度值,再依次比较更新前后2个鸟巢位置所对应的适应度值,保留较大适应度值对应的鸟巢位置,记录此时最大的适应度值对应的鸟巢位置X′best:
(5)、按照下式更新鸟巢位置,计算每个鸟巢位置的适应度值,再与步骤(4)中的每个鸟巢位置对应的适应度值比较,保留较大适应度值对应的鸟巢位置,记录此时最大的适应度值对应的鸟巢位置X″best:
(6)、判断是否达到预先设定的最大迭代次数:若是,则输出X″best,终止迭代;否则,迭代次数加1,返回至步骤(4),继续迭代,直到得到最大的适应度值所对应的鸟巢位置。
本发明首先建立基于干扰距离的认知,将频谱功率分配问题转换为函数优化问题;将最大化的网络吞吐量转化为求最大化可用时长内完成的总数据量,建立目标函数,并将频谱分配变量映射为布谷鸟鸟巢的位置,采用布谷鸟搜索算法求解,最终获得网络吞吐量高于遗传算法的频谱分配,能够得到得较高的次用户有效信道容量。具体步骤如下:
1、将频谱功率分配问题转换为函数优化问题:设Pm为第m个主用户发射节点的发射功率,设Pmn为第m个主用户链路接收点接收到第n个主用户链路发射机的功率,其中m,n∈(1,2,...,K),m≠n,Pmn的表达式为:
式(1)中:α为路径损耗系数;Pn为第n个主用户链路发射机的发射功率;
同理,Pij为第i个次用户链路接受点受第j个次用户链路发射机的干扰功率,T表示主用户链路的发射节点,接收节点为R。
i,j∈(1,2,...,N),i≠j,Pij的表达式为:
2、将最大化的网络吞吐量转化为求最大化可用时长内完成的总数据量,建立目标函数:第i个次用户链路受到主用户链路的总干扰大小为:
同理,第k个主用户链路受到次用户的干扰大小为:
3、并将频谱分配变量映射为布谷鸟鸟巢的位置,采用布谷鸟搜索算法求解:假设主用户与次用户均处于相同的网络电磁环境,所受噪声的功率水平为σ,则可知主用户接收节点Rm的干扰温度为:
因此主用户接收节点PRk的信干燥比为:
同理,次用户接收节点ri的干扰温度为:
次用户接收节点ri的SINR为
4、最终获得网络吞吐量高于遗传算法的频谱分配,能够得到得较高的次用户有效信道容量:由公式(9)可以计算得到每条次用户链路的最大传输速率,即信道容量Ci:
Ci=Wlb(1+SINR(ri)) (9)
上式中:W为带宽。
本发明最终目标是找到使得认知网络信道容量最大的次用户发射节点分配功率集合。在此需要注意的是,次用户必须在满足信干噪比的前提下,链路的信道容量才有效,否则为无效通信。因此,最大认知网络信道容量Cmax可表示为:
式中:a(i)代表第i条次用户链路的有效性。当该链路满足SINR≥η(链路的信干噪比门限),则a(i)=1;否则,a(i)=0。
本发明针对频谱功率分配中网络吞吐量低的问题,首先建立基于干扰距离的认知,将频谱功率分配问题转换为函数优化问题;将最大化的网络吞吐量转化为求最大化可用时长内完成的总数据量,建立目标函数,并将频谱分配变量映射为布谷鸟鸟巢的位置,采用布谷鸟搜索算法求解,最终获得网络吞吐量高于遗传算法的频谱分配,能够得到得较高的次用户有效信道容量。
附图说明
图1为本发明的认知网络干扰模型示意图。
具体实施方式
下面结合实施例并对照附图对本发明作进一步详细说明。
系统模型:通信网络中,链路的干扰的程度取决于接收节点干扰温度的大小。主用户链路的干扰主要来自于共享频段中的次用户的发射节点,同样,次用户链路的干扰来自于主用户的发射节点以及共享频段中其余次用户的发射节点,干扰的大小则受干扰源的距离、干扰源的发射功率、信道增益等的综合影响。
通信网络干扰模型中,主用户的发射节点PR以最大功率与接收节点PR通信,次用户的各发射节点ST_1、ST_2分别在一定的功率控制下与对应的接收节点SR_1、SR_2通信。主用户拥有最高的通信优先级,为了保证正常通信,主用户的接收节点通常会有一个最大干扰门限,即所有分配功率的次用户的发射节点及环境噪声对主用户接收节点的干扰总和必须低于该门限值。同样,对于次用户而言,接收节点也必须满足一定的信干噪比才能正确解码以保证正常通信。
一种基于布谷鸟搜索算法的移动用户频谱分配方法,具体步骤如下:
A、设Pm为第m个主用户链路发射节点的发射功率,Pmn为第m个主用户链路接收节点接收到第n个主用户链路发射机的功率,其中m,n∈(1,2,...,K),m≠n,Pmn的表达式为:
式(1)中:α为路径损耗系数;Pn为第n个主用户链路发射机的发射功率。
同理,Pij为第i个次用户链路接收节点受第j个次用户链路发射机的干扰功率,T表示主用户链路的发射节点,接收节点为R。i,j∈(1,2,...,N),i≠j,Pij的表达式为:
B、将最大化的网络吞吐量转化为求最大化可用时长内完成的总数据量,建立目标函数:其特征在于,第i个次用户链路受到主用户链路的总干扰大小为:
同理,第k个主用户链路受到次用户的干扰大小为:
C、并将频谱分配变量映射为布谷鸟鸟巢的位置,采用布谷鸟搜索算法求解:假设主用户与次用户均处于相同的网络电磁环境,所受噪声的功率水平为σ,则可知主用户接收节点Rm的干扰温度为:
因此主用户接收节点PRk的信干燥比为:
同理,次用户接收节点ri的干扰温度为:
次用户接收节点ri的SINR为
D、由公式(9)可以计算得到每条次用户链路的最大传输速率,即信道容量Ci:
Ci=Wlb(1+SINR(ri)) (9)
上式中:W为带宽。
本发明最终目标是找到使得认知网络信道容量最大的次用户发射节点分配功率集合。在此需要注意的是,次用户必须在满足信干噪比的前提下,链路的信道容量才有效,否则为无效通信。因此,最大认知网络信道容量可表示为:最大认知网络信道容量Cmax可表示为:
式中:a(i)代表第i条次用户链路的有效性。
当该链路满足SINR≥η(链路的信干噪比门限),则a(i)=1;否则,a(i)=0。该优化问题可归结如下:
SINR(ri)≥η,i∈{a(i)=1}
SINR(Rm)≥η
0≤pi≤Pmax
a(i)∈{0,1},i=1,2,....,N
布谷鸟算法个体更新方式有两种:
(1)、通过LEVY飞行。根据LEVY飞行模式,布谷鸟寻窝路径和位置的更新公式为:
其中:分别为第t次和第t+1次迭代时第j个鸟巢的位置信息;Xbest为当前最优鸟巢位置;α为步长控制因子,一般取0.01;L(λ)表示布谷鸟的随机搜索路径;表示点对点乘。
(2)、通过一个固定的发现概率ε。用一个随机数r与发现概率ε对比,以确定是否更新鸟巢位置,更新公式为:
其中:β,r∈U(0,1),U(0,1)为定义在(0,1)上的均匀分布;为第t代的2个随机选择的鸟巢位置;H(·)为Heaviside函数。
在实际的优化中,鸟巢位置用向量Xj=[xj,1,xj,2,...,xj,d]表示所有优化变量的d维有效取值空间,鸟巢位置的适应度值则代表优化变量取不同值所对应的目标函数。
基于CS算法的频谱分配步骤为:
(1)、根据给定的可用频谱矩阵确定优化维数D,并设定最大迭代次数。
(2)、设定种群数P,初始化种群,即随机产生矩阵:X(0)=[X1 (0),X2 (0),....,XP (0)]
(3)、计算每个鸟巢位置的适应度值,选出最大的适应度值,并记录其对应的鸟巢位置Xbest,Xbest即为当前最优鸟巢位置。
(4)、按照式(12)更新鸟巢位置,计算每个鸟巢位置的适应度值。再依次比较更新前后2个鸟巢位置所对应的适应度值,保留较大适应度值对应的鸟巢位置,记录此时最大的适应度值对应的鸟巢位置X'best。
(5)、按照式(13)更新鸟巢位置,计算每个鸟巢位置的适应度值,再与步骤4)中的每个鸟巢位置对应的适应度值比较,保留较大适应度值对应的鸟巢位置,记录此时最大的适应度值对应的鸟巢位置X″best。
(6)、判断是否达到预先设定的最大迭代次数。若是,则输出X″best,终止迭代;否则,迭代次数加1,返回至步骤(4),继续迭代。
Claims (4)
1.一种基于布谷鸟搜索算法的移动用户频谱分配方法,其特征在于:具体步骤如下:
(1)、根据给定的可用频谱矩阵确定优化维数D,并设定最大迭代次数,最大迭代次数设置成1000000次;
(2)、设定种群数P,初始化种群,即随机产生矩阵X(0)=[X1 (0),X2 (0),....,XP (0)];
(3)、计算每个鸟巢位置的适应度值,选出最大的适应度值,并记录对应的鸟巢位置Xbest,Xbest即为当前最优鸟巢位置;
(4)、计算每个鸟巢位置的适应度值,再依次比较更新前后2个鸟巢位置所对应的适应度值,保留较大适应度值对应的鸟巢位置,记录此时最大的适应度值对应的鸟巢位置X′best:
(5)、按照下式更新鸟巢位置,计算每个鸟巢位置的适应度值,再与步骤(4)中的每个鸟巢位置对应的适应度值比较,保留较大适应度值对应的鸟巢位置,记录此时最大的适应度值对应的鸟巢位置X″best:
(6)、判断是否达到预先设定的最大迭代次数:若是,则输出X″best,终止迭代;否则,迭代次数加1,返回至步骤(4),继续迭代,直到得到最大的适应度值所对应的鸟巢位置。
2.根据权利要求1所述的基于布谷鸟搜索算法的移动用户频谱分配方法,其特征在于:首先建立基于干扰距离的认知,将频谱功率分配问题转换为函数优化问题;将最大化的网络吞吐量转化为求最大化可用时长内完成的总数据量,建立目标函数,并将频谱分配变量映射为布谷鸟鸟巢的位置,采用布谷鸟搜索算法求解,最终获得网络吞吐量高于遗传算法的频谱分配,能够得到得较高的次用户有效信道容量;具体步骤如下:
A、将频谱功率分配问题转换为函数优化问题:设Pm为第m个主用户发射节点的发射功率,设Pmn为第m个主用户链路接收点接收到第n个主用户链路发射机的功率,其中m,n∈(1,2,...,K),m≠n,Pmn的表达式为:
式(1)中:α为路径损耗系数;Pn为第n个主用户链路发射机的发射功率;
同理,Pij为第i个次用户链路接受点受第j个次用户链路发射机的干扰功率,T表示主用户链路的发射节点,接收节点为R。
i,j∈(1,2,...,N),i≠j,Pij的表达式为:
B、将最大化的网络吞吐量转化为求最大化可用时长内完成的总数据量,建立目标函数:第i个次用户链路受到主用户链路的总干扰大小为:
同理,第k个主用户链路受到次用户的干扰大小为:
C、并将频谱分配变量映射为布谷鸟鸟巢的位置,采用布谷鸟搜索算法求解:假设主用户与次用户均处于相同的网络电磁环境,所受噪声的功率水平为σ,则可知主用户接收节点Rm的干扰温度为:
因此主用户接收节点PRk的信干燥比为:
同理,次用户接收节点ri的干扰温度为:
次用户接收节点ri的SINR为
D、最终获得网络吞吐量高于遗传算法的频谱分配,能够得到得较高的次用户有效信道容量:由公式(9)可以计算得到每条次用户链路的最大传输速率,即信道容量Ci:
Ci=Wlb(1+SINR(ri)) (9)
上式中:W为带宽。
3.根据权利要求2所述的基于布谷鸟搜索算法的移动用户频谱分配方法,其特征在于:最大认知网络信道容量Cmax表示为:
式中:a(i)代表第i条次用户链路的有效性。当该链路满足SINR≥η(链路的信干噪比门限),则a(i)=1;否则,a(i)=0。
4.根据权利要求2所述的基于布谷鸟搜索算法的移动用户频谱分配方法,其特征在于:当该链路满足SINR≥η(链路的信干噪比门限),则a(i)=1;否则,a(i)=0;该优化问题可归结如下:
SINR(ri)≥η,i∈{a(i)=1}
SINR(Rm)≥η
0≤pi≤Pmax
a(i)∈{0,1},i=1,2,....,N。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810811738.4A CN108901074B (zh) | 2018-07-23 | 2018-07-23 | 一种基于布谷鸟搜索算法的移动用户频谱分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810811738.4A CN108901074B (zh) | 2018-07-23 | 2018-07-23 | 一种基于布谷鸟搜索算法的移动用户频谱分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108901074A true CN108901074A (zh) | 2018-11-27 |
CN108901074B CN108901074B (zh) | 2023-03-24 |
Family
ID=64352354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810811738.4A Active CN108901074B (zh) | 2018-07-23 | 2018-07-23 | 一种基于布谷鸟搜索算法的移动用户频谱分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108901074B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109922478A (zh) * | 2019-01-14 | 2019-06-21 | 北京工商大学 | 一种基于改进布谷鸟算法的水质传感器网络优化部署方法 |
CN113784447A (zh) * | 2021-09-22 | 2021-12-10 | 广州杰赛科技股份有限公司 | 无线通信网络资源分配优化方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104936186A (zh) * | 2015-07-21 | 2015-09-23 | 桂林电子科技大学 | 基于布谷鸟搜索算法的认知无线电网络频谱分配方法 |
CN105282746A (zh) * | 2015-09-11 | 2016-01-27 | 华东交通大学 | 基于嵌入式粒子群博弈的认知无线网络频谱分配方法 |
CN105978644A (zh) * | 2016-05-09 | 2016-09-28 | 哈尔滨工业大学 | 基于布谷鸟搜索算法的星地认知系统频谱接入方法 |
US9472203B1 (en) * | 2015-06-29 | 2016-10-18 | Amazon Technologies, Inc. | Clock synchronization for multichannel system |
CN107292332A (zh) * | 2017-05-25 | 2017-10-24 | 哈尔滨工程大学 | 一种基于模糊c‑均值聚类的布谷鸟算法 |
-
2018
- 2018-07-23 CN CN201810811738.4A patent/CN108901074B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9472203B1 (en) * | 2015-06-29 | 2016-10-18 | Amazon Technologies, Inc. | Clock synchronization for multichannel system |
CN104936186A (zh) * | 2015-07-21 | 2015-09-23 | 桂林电子科技大学 | 基于布谷鸟搜索算法的认知无线电网络频谱分配方法 |
CN105282746A (zh) * | 2015-09-11 | 2016-01-27 | 华东交通大学 | 基于嵌入式粒子群博弈的认知无线网络频谱分配方法 |
CN105978644A (zh) * | 2016-05-09 | 2016-09-28 | 哈尔滨工业大学 | 基于布谷鸟搜索算法的星地认知系统频谱接入方法 |
CN107292332A (zh) * | 2017-05-25 | 2017-10-24 | 哈尔滨工程大学 | 一种基于模糊c‑均值聚类的布谷鸟算法 |
Non-Patent Citations (2)
Title |
---|
WANMAI YUAN: "Improved Cuckoo Search Algorithm for Spectrum Sensing in Sparse Satellite Cognitive Systems", 《2016 IEEE 84TH VEHICULAR TECHNOLOGY CONFERENCE 》 * |
王先平: "基于量子布谷鸟搜索的认知无线网络频谱分配", 《电信科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109922478A (zh) * | 2019-01-14 | 2019-06-21 | 北京工商大学 | 一种基于改进布谷鸟算法的水质传感器网络优化部署方法 |
CN109922478B (zh) * | 2019-01-14 | 2021-10-22 | 北京工商大学 | 一种基于改进布谷鸟算法的水质传感器网络优化部署方法 |
CN113784447A (zh) * | 2021-09-22 | 2021-12-10 | 广州杰赛科技股份有限公司 | 无线通信网络资源分配优化方法、装置、设备及存储介质 |
CN113784447B (zh) * | 2021-09-22 | 2023-11-17 | 广州杰赛科技股份有限公司 | 无线通信网络资源分配优化方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108901074B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Power allocation in multi-cell networks using deep reinforcement learning | |
CN103582101B (zh) | 调整基站天线发射功率的方法、装置及基站 | |
CN109474980A (zh) | 一种基于深度增强学习的无线网络资源分配方法 | |
Lee et al. | Deep learning based transmit power control in underlaid device-to-device communication | |
CN109962728B (zh) | 一种基于深度增强学习的多节点联合功率控制方法 | |
CN105873214B (zh) | 一种基于遗传算法的d2d通信系统的资源分配方法 | |
CN108718463A (zh) | 一种h-cran下基于多时间尺度协同优化的资源分配方法 | |
JPH08307344A (ja) | 無線ネットワークに於ける電力の制御方法と装置 | |
CN106231665B (zh) | 数能一体化网络中基于rrh动态模式切换的资源分配方法 | |
CN111162888B (zh) | 分布式天线系统、远程接入单元、功率分配方法和介质 | |
CN110267274A (zh) | 一种根据用户间社会信誉度选择传感用户的频谱共享方法 | |
CN108901074A (zh) | 一种基于布谷鸟搜索算法的移动用户频谱分配方法 | |
CN111446992A (zh) | 无线供电大规模mimo网络中的最大化最小能效资源分配方法 | |
CN103944618B (zh) | 大规模miso协同能效发送方法 | |
CN106257849B (zh) | 基于多目标量子萤火虫搜索机制的频谱感知方法 | |
Song et al. | Maximizing packets collection in wireless powered IoT networks with charge-or-data time slots | |
Iturria-Rivera et al. | Cooperate or not Cooperate: Transfer Learning with Multi-Armed Bandit for Spatial Reuse in Wi-Fi | |
CN105611640B (zh) | 一种公平度可调的CoMP下行用户调度方法 | |
Mohammed et al. | Optimization of multi-objective and green LTE RNP problem | |
Xing et al. | A multi-armed bandit approach to wireless information and power transfer | |
CN103957565B (zh) | 分布式无线网络中基于目标sinr的资源分配方法 | |
CN113395757B (zh) | 基于改进回报函数的深度强化学习认知网络功率控制方法 | |
CN108848519A (zh) | 一种基于交叉熵学习的异构网络用户接入方法 | |
Hou et al. | Multicell power control under QoS requirements with CNet | |
Mao et al. | Downlink transmission strategies in power-splitting SWIPT distributed MISO systems |
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 |