CN108957406A - 一种基于神经网络的雷达主瓣干扰抑制方法 - Google Patents
一种基于神经网络的雷达主瓣干扰抑制方法 Download PDFInfo
- Publication number
- CN108957406A CN108957406A CN201810477799.1A CN201810477799A CN108957406A CN 108957406 A CN108957406 A CN 108957406A CN 201810477799 A CN201810477799 A CN 201810477799A CN 108957406 A CN108957406 A CN 108957406A
- Authority
- CN
- China
- Prior art keywords
- signal
- neural network
- main lobe
- lobe
- radar
- 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
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
- G01S7/28—Details of pulse systems
- G01S7/2813—Means providing a modification of the radiation pattern for cancelling noise, clutter or interfering signals, e.g. side lobe suppression, side lobe blanking, null-steering arrays
-
- 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
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
- G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
-
- 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
- G01S7/35—Details of non-pulse systems
- G01S7/352—Receivers
- G01S7/354—Extracting wanted echo-signals
Abstract
本发明公开了一种基于神经网络的主瓣干扰抑制方法,属于雷达技术领域。该方法包括以下步骤:在已知主瓣干扰方向后,根据雷达阵元排列的几何模型确定接收信号的导向矢量,并构造目标信号与干扰信号的接收信号模型;根据已知主瓣干扰方向,构造理想的低旁瓣零陷方向图;通过输入信号创建训练样本,将理想的低旁瓣零陷方向图作为期望信号样本,在此基础上建立合适的神经网络模型,并进行训练;应用训练完成的神经网络,对输入信号进行验证,得到输出方向图。本发明采用神经网络对主瓣干扰进行抑制,与传统方法相比,不但在干扰处形成了零陷,还做到了主瓣方向图的保形和较低的旁瓣水平,得到了较为理想的方向图,提升了测角的准确度,减少了目标信号的能量损失,提升了系统的稳健性,能够更好地满足测角需求,从而提升了系统性能。
Description
技术领域
本发明属于雷达技术领域,涉及主瓣干扰抑制方法,可用于在已知干扰方向时,在干扰处形成零陷,并使得主瓣方向图保形。
背景技术
抗干扰技术是阵列信号处理领域的一种重要分支,干扰源有很多种,而且按不同的分类标准有不同的分类方法,按照其位于波束内的位置可以分为主瓣干扰和旁瓣干扰。不论是主瓣干扰还是旁瓣干扰,当其存在时都会对目标信号的检测和处理产生影响。对于抗旁瓣干扰的方法已经有了比较深入的研究,如自适应波束形成和广义旁瓣相消等方法。而主瓣干扰的研究则相对较少,并且因其位于主波束内而更难处理。当存在主瓣干扰时,用自适应波束形成方法也可以在主瓣干扰方向形成零陷,但同时会出现副瓣电平增高、主波束变形且峰值偏移等不良影响。
最早的低旁瓣研究都是针对线阵的,最简单易用的是使用加窗函数的数值解析方法,而对于主瓣干扰,可以采用自适应数字波束形成技术,使得主瓣方向产生零陷,但是此方法使得主波束发生畸变;后来S.J.YU提出了阻塞矩阵法,克服波束形成时协方差矩阵中混入信号的问题,使得存在主瓣干扰时主波束不发生畸变,但是此方法并没有在主瓣干扰位置处实现零陷。
发明内容
本发明的目的在于针对现有技术的不足,提出了一种基于神经网络的主瓣干扰抑制方法,使得方向图在主瓣干扰处形成零陷的同时,实现了主瓣保形以及低旁瓣电平。
本发明方法包括以下步骤:在已知主瓣干扰方向后,根据雷达阵元排列的几何模型确定接收信号的导向矢量,并构造目标信号与干扰信号的接收信号模型;根据已知主瓣干扰方向,构造理想的低旁瓣零陷方向图;通过输入信号创建训练样本,将理想的低旁瓣零陷方向图作为期望信号样本,在此基础上建立合适的神经网络模型,并进行训练;应用训练完成的神经网络,对输入信号进行验证,得到输出方向图。为实现上述技术目的,本发明所述的一种基于神经网络的雷达主瓣干扰抑制方法,包括如下步骤:
步骤1:获取各雷达阵元的地理位置,确定雷达阵元的排布;
步骤2:根据步骤1得到的阵元排布,对给定的目标信号方位以及干扰位置方位,将各雷达阵元接收到的信号创建成接收信号导向矢量,包括目标信号与干扰信号的接收信号模型;(这里目标信号决定了低旁瓣零陷方向图的指向,干扰信号决定了方向图零陷所在位置,如图2所示。即步骤3里面,根据步骤2的接收信号,构造低旁瓣零陷方向图。)
步骤3:根据步骤2得到的接收信号导向矢量,在雷达可检测范围内,根据实际要求规则,构造低旁瓣零陷方向图;
步骤4:在雷达阵列可检测的空间位置范围内,选择一定的步进角度,得到每一步对应的接收信号导向矢量,并进行预处理后,构成方向图训练样本;将步骤3构造的低旁瓣零陷方向图数据预处理后,构成训练样本的期望信号;
步骤5:选择合适的神经网络模型,并进行训练;
步骤6:利用步骤5得到的神经网络进行方向图综合,得到输出方向图。
进一步的,所述步骤3中构造的理想的低旁瓣零陷方向图,对方向图数据中干扰方向置零,而对于不存在干扰的主瓣和旁瓣位置处,进行最优处理,处理方法包括:升余弦主瓣、均匀旁瓣和切比雪夫窗旁瓣。
再进一步的,所述步骤3根据线阵可检测范围,确定检测方位角为[-90°,90°];对于旁瓣和主瓣方向图的选择,根据实际的规则要求确定;旁瓣部分采用-60dB均匀旁瓣,主瓣部分采用如下升余弦函数
式中Pr为主瓣内方向图函数,为检测方位角,为目标所在方位角,i为主瓣内的方位角范围;在主瓣范围内,在干扰所在方位角,将方向图函数置零。
进一步的,所述步骤4中对低旁瓣零陷方向图数据进行的预处理包括:将复信号的实部和虚部分离,并重新排列后,合成一组一维实信号,并对一维实信号进行归一化处理。
进一步的,所述步骤5中选择BP神经网络。
进一步的,所述步骤6中进行方向图综合时,将得到的一维实信号重新排列,划分出对应数据的实部和虚部,进而将数据重构为复信号。
重点在于通过神经网络的思想,提出了新的主瓣干扰抑制方法。对于期望信号的选取,可以根据实际规则要求,构造适用于不同情况下的理想的低旁瓣零陷方向图,通过训练,最终得到较为理想的方向图,从而提升了测角的准确度,减少了目标信号的能量损失,提升了系统的稳健性,能够更好地满足测角需求,进而提升了系统性能。
附图说明
图1本发明具体实施方式中雷达位置分布的均匀线阵模型;
图2本发明理想升余弦零陷方向图;
图3BP神经网络结构示意图;
图4本发明具体是具体实施方式中测试样本输出方向图。
具体实施方式
以下结合说明书附图对本发明的一种基于神经网络的主瓣干扰抑制方法做出详细描述。
本发明的一种基于神经网络的主瓣干扰抑制方法,包括如下步骤:
1)如图1所示,根据雷达的几何模型,确定阵元的排布。这里采用均匀线阵作为模型来分析。图1中的均匀线性阵列由M个相同且间均匀分布在直线上的全向天线阵元组成,选取第一个阵元为参考阵元,阵元编号依次为m=1,2,3,…,M;阵元间距为d。为了具体分析,M=17,λ为输入信号波长。
2)根据步骤1)给出的阵元排布可得,主瓣宽度约为5.9°,设目标信号方位角为且干扰信号方位角为且则此干扰信号为主瓣干扰。设阵元接收到的回波信号为窄带信号,且目标与干扰信号都是远场入射,且不考虑噪声,那么在该模型下,阵元接收信号的导向矢量为:
则阵元接收信号为:
式中n=1,2,…,N为信号采样得到的离散样本序号,s(n)为窄带复信号,w为天线权值,可以根据不同要求选择不同权值。
3)根据线阵可检测范围,确定检测方位角为[-90°,90°]。对于旁瓣和主瓣方向图的选择,可以根据实际的规则要求来进行确定。本例中旁瓣部分采用-60dB均匀旁瓣,主瓣部分采用如下升余弦函数
式中Pr为主瓣内方向图函数,为检测方位角,为目标所在方位角,i为主瓣内的方位角范围。在主瓣范围内,在干扰所在方位角,将方向图函数置零。综上即可得到如图2所示理想的均匀旁瓣零陷方向图。
4)由于对目标空间方位检测不可连续,故而选择一定的步进进行采样,本例中取步进长度为0.1°进行采样。对于[-90°,90°]范围内的检测结果进行离散化后,并得到输入信号导向矢量,如下式所示
式中,由于输入信号导向矢量为复信号,需进行一定的预处理。
预处理步骤如下:分别提取输入信号实部和虚部,再将实部与虚部合并成一个一维实信号;将得到的一维实信号进行归一化。将步骤3)中得到理想零陷方向图数据同样进行预处理:提取理想方向图数据实部虚部,合并成一个一维实信号,并进行归一化处理。此时要注意,两种合并数据的排列方式要相同,可选择实部在前,虚部在后;也可选择虚部在前,实部在后等。
5)根据阵元个数,即可得到输入数据的维度,进而来确定神经网络的结构。本例中采用如图3所示的BP神经网络模型,隐含层1层,神经元40个,个数超过2倍输入数据维度。采用随机梯度下降算法进行迭代。训练样本采用步骤4)合并成的输入信号,期望样本采用步骤4)合成的理想零陷方向图数据。此时BP神经网络模型已经设计完成,即可开始进行训练。
6)构建测试输入样本,选择与步骤4)不同的样本进行测试,通过结果可以检测训练完成的神经网络的泛化性能。将测试样本输入步骤5)训练结束得到的神经网络结构,即可得到输出方向图。如图4所示,即可观察到最终的方向图在主瓣干扰处形成了零陷,并实现了主瓣的保形与较低的旁瓣电平。
Claims (6)
1.一种基于神经网络的雷达主瓣干扰抑制方法,包括如下步骤:
步骤1:获取各雷达阵元的地理位置,确定雷达阵元的排布;
步骤2:根据步骤1得到的阵元排布,对给定的目标信号方位以及干扰位置方位,将各雷达阵元接收到的信号创建成接收信号导向矢量,包括目标信号与干扰信号的接收信号模型;
步骤3:根据步骤2得到的接收信号导向矢量,在雷达可检测范围内,根据实际要求规则,构造低旁瓣零陷方向图;
步骤4:在雷达阵列可检测的空间位置范围内,选择一定的步进角度,得到每一步对应的接收信号导向矢量,并进行预处理后,构成方向图训练样本;将步骤3构造的低旁瓣零陷方向图数据预处理后,构成训练样本的期望信号;
步骤5:选择合适的神经网络模型,并进行训练;
步骤6:利用步骤5得到的神经网络进行方向图综合,得到输出方向图。
2.如权利要求1所述的一种基于神经网络的雷达主瓣干扰抑制方法,其特征在于所述步骤3中构造的理想的低旁瓣零陷方向图,对方向图数据中干扰方向置零,而对于不存在干扰的主瓣和旁瓣位置处,进行最优处理,处理方法包括:升余弦主瓣、均匀旁瓣和切比雪夫窗旁瓣。
3.如权利要求1所述的一种基于神经网络的雷达主瓣干扰抑制方法,其特征在于所述步骤4中对低旁瓣零陷方向图数据进行的预处理包括:将复信号的实部和虚部分离,并重新排列后,合成一组一维实信号,并对一维实信号进行归一化处理。
4.如权利要求1所述的一种基于神经网络的雷达主瓣干扰抑制方法,其特征在于所述步骤5中选择BP神经网络。
5.如权利要求1所述的一种基于神经网络的雷达主瓣干扰抑制方法,其特征在于所述步骤6中进行方向图综合时,将得到的一维实信号重新排列,划分出对应数据的实部和虚部,进而将数据重构为复信号。
6.如权利要求2所述的一种基于神经网络的雷达主瓣干扰抑制方法,其特征在于所述步骤3根据线阵可检测范围,确定检测方位角为[-90°,90°];对于旁瓣和主瓣方向图的选择,根据实际的规则要求确定;旁瓣部分采用-60dB均匀旁瓣,主瓣部分采用如下升余弦函数
式中Pr为主瓣内方向图函数,为检测方位角,为目标所在方位角,i为主瓣内的方位角范围;在主瓣范围内,在干扰所在方位角,将方向图函数置零。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810477799.1A CN108957406A (zh) | 2018-05-18 | 2018-05-18 | 一种基于神经网络的雷达主瓣干扰抑制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810477799.1A CN108957406A (zh) | 2018-05-18 | 2018-05-18 | 一种基于神经网络的雷达主瓣干扰抑制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108957406A true CN108957406A (zh) | 2018-12-07 |
Family
ID=64499474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810477799.1A Pending CN108957406A (zh) | 2018-05-18 | 2018-05-18 | 一种基于神经网络的雷达主瓣干扰抑制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108957406A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109462445A (zh) * | 2018-12-12 | 2019-03-12 | 河南宏泰控飞信息技术有限公司 | 一种城市环境中无人机同频段多目标空间分离方法及装置 |
CN110146855A (zh) * | 2019-06-11 | 2019-08-20 | 北京无线电测量研究所 | 雷达间断干扰抑制门限计算方法及装置 |
CN110333489A (zh) * | 2019-07-24 | 2019-10-15 | 北京航空航天大学 | 采用cnn与rsva组合对sar回波数据旁瓣抑制的处理方法 |
CN112612005A (zh) * | 2020-11-27 | 2021-04-06 | 中山大学 | 基于深度学习的雷达抗主瓣干扰方法 |
CN113311397A (zh) * | 2021-05-25 | 2021-08-27 | 西安电子科技大学 | 基于卷积神经网络的大型阵列快速自适应抗干扰方法 |
CN113691479A (zh) * | 2021-07-15 | 2021-11-23 | 中国电子科技集团公司第二十九研究所 | 一种信号消除旁瓣影响的方法、装置及可读存储介质 |
CN113777571A (zh) * | 2021-08-04 | 2021-12-10 | 中山大学 | 一种基于深度学习的无人机集群动态方向图综合方法 |
CN115685096A (zh) * | 2022-12-30 | 2023-02-03 | 成都实时技术股份有限公司 | 一种基于逻辑回归的二次雷达副瓣抑制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399308A (zh) * | 2013-07-22 | 2013-11-20 | 西安电子科技大学 | 主瓣和旁瓣干扰背景下雷达目标角度快速估计方法 |
CN103728597A (zh) * | 2014-01-16 | 2014-04-16 | 西安电子科技大学 | 基于辅助阵列的网络化雷达抑制压制式主瓣干扰方法 |
CN104267379A (zh) * | 2014-09-15 | 2015-01-07 | 电子科技大学 | 一种基于波形设计的主被动雷达协同抗干扰方法 |
CN106355245A (zh) * | 2016-09-12 | 2017-01-25 | 哈尔滨工业大学 | 一种基于神经网络算法的阵列天线方向图综合方法 |
CN106443633A (zh) * | 2016-12-01 | 2017-02-22 | 哈尔滨工业大学 | 船载高频地波雷达海杂波时域抑制方法 |
CN107422569A (zh) * | 2017-07-06 | 2017-12-01 | 南京航空航天大学 | 一种二维光学相控阵 |
-
2018
- 2018-05-18 CN CN201810477799.1A patent/CN108957406A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103399308A (zh) * | 2013-07-22 | 2013-11-20 | 西安电子科技大学 | 主瓣和旁瓣干扰背景下雷达目标角度快速估计方法 |
CN103728597A (zh) * | 2014-01-16 | 2014-04-16 | 西安电子科技大学 | 基于辅助阵列的网络化雷达抑制压制式主瓣干扰方法 |
CN104267379A (zh) * | 2014-09-15 | 2015-01-07 | 电子科技大学 | 一种基于波形设计的主被动雷达协同抗干扰方法 |
CN106355245A (zh) * | 2016-09-12 | 2017-01-25 | 哈尔滨工业大学 | 一种基于神经网络算法的阵列天线方向图综合方法 |
CN106443633A (zh) * | 2016-12-01 | 2017-02-22 | 哈尔滨工业大学 | 船载高频地波雷达海杂波时域抑制方法 |
CN107422569A (zh) * | 2017-07-06 | 2017-12-01 | 南京航空航天大学 | 一种二维光学相控阵 |
Non-Patent Citations (2)
Title |
---|
姚李威: "基于小波域的智能天线波束形成算法的研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
杨林: "阵列天线综合方法研究", 《阵列天线综合方法研究》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109462445A (zh) * | 2018-12-12 | 2019-03-12 | 河南宏泰控飞信息技术有限公司 | 一种城市环境中无人机同频段多目标空间分离方法及装置 |
CN110146855A (zh) * | 2019-06-11 | 2019-08-20 | 北京无线电测量研究所 | 雷达间断干扰抑制门限计算方法及装置 |
CN110146855B (zh) * | 2019-06-11 | 2020-10-23 | 北京无线电测量研究所 | 雷达间断干扰抑制门限计算方法及装置 |
CN110333489A (zh) * | 2019-07-24 | 2019-10-15 | 北京航空航天大学 | 采用cnn与rsva组合对sar回波数据旁瓣抑制的处理方法 |
CN112612005A (zh) * | 2020-11-27 | 2021-04-06 | 中山大学 | 基于深度学习的雷达抗主瓣干扰方法 |
CN112612005B (zh) * | 2020-11-27 | 2023-07-28 | 中山大学 | 基于深度学习的雷达抗主瓣干扰方法 |
CN113311397B (zh) * | 2021-05-25 | 2023-03-10 | 西安电子科技大学 | 基于卷积神经网络的大型阵列快速自适应抗干扰方法 |
CN113311397A (zh) * | 2021-05-25 | 2021-08-27 | 西安电子科技大学 | 基于卷积神经网络的大型阵列快速自适应抗干扰方法 |
CN113691479A (zh) * | 2021-07-15 | 2021-11-23 | 中国电子科技集团公司第二十九研究所 | 一种信号消除旁瓣影响的方法、装置及可读存储介质 |
CN113691479B (zh) * | 2021-07-15 | 2023-05-23 | 中国电子科技集团公司第二十九研究所 | 一种信号消除旁瓣影响的方法、装置及可读存储介质 |
CN113777571A (zh) * | 2021-08-04 | 2021-12-10 | 中山大学 | 一种基于深度学习的无人机集群动态方向图综合方法 |
CN113777571B (zh) * | 2021-08-04 | 2023-08-11 | 中山大学 | 一种基于深度学习的无人机集群动态方向图综合方法 |
CN115685096A (zh) * | 2022-12-30 | 2023-02-03 | 成都实时技术股份有限公司 | 一种基于逻辑回归的二次雷达副瓣抑制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108957406A (zh) | 一种基于神经网络的雷达主瓣干扰抑制方法 | |
CA2411615C (en) | Surface wave radar | |
CN105158756B (zh) | 集中式mimo雷达射频隐身时多目标跟踪波束指向方法 | |
CN108549059B (zh) | 一种复杂地形条件下的低空目标仰角估计方法 | |
CN101795150B (zh) | 强弱信号的波达方向与信源数估计方法 | |
CN100392426C (zh) | 单通道相控阵接收信号重构及处理方法 | |
CN111123192B (zh) | 一种基于圆形阵列和虚拟扩展的二维doa定位方法 | |
CN105445701B (zh) | Ddma‑mimo雷达目标的单脉冲角度估计方法 | |
CN107255797B (zh) | 基于发射空时权优化及ka-stap的机载雷达杂波抑制方法 | |
CN109143190B (zh) | 一种零陷展宽的宽带稳健自适应波束形成方法 | |
CN112612005B (zh) | 基于深度学习的雷达抗主瓣干扰方法 | |
Kang et al. | Efficient synthesis of antenna pattern using improved PSO for spaceborne SAR performance and imaging in presence of element failure | |
CN105301580A (zh) | 一种基于分裂阵互谱相位差方差加权的被动探测方法 | |
CN113311397B (zh) | 基于卷积神经网络的大型阵列快速自适应抗干扰方法 | |
CN104502904A (zh) | 一种鱼雷自导波束锐化方法 | |
CN110888105A (zh) | 一种基于卷积神经网络和接收信号强度的doa估计方法 | |
CN104656073A (zh) | 三维成像声纳波束形成方法及在多核处理器上的实现方法 | |
CN110082744A (zh) | 多普勒分级复用的mimo机载双基雷达杂波抑制方法 | |
CN105738887A (zh) | 基于多普勒通道划分的机载雷达杂波功率谱的优化方法 | |
CN110244273A (zh) | 一种基于均匀分布式阵列的目标角度估计方法 | |
CN103792523B (zh) | 基于张量积的uhf波段多通道雷达径向速度检测方法 | |
CN102998660A (zh) | 一种近场范围内鲁棒多波束形成方法 | |
CN110736976A (zh) | 一种任意阵形的声纳波束形成器性能估计方法 | |
CN109633521A (zh) | 基于子空间重构的面阵二维波达方向估计方法 | |
CN106990385B (zh) | 基于最小冗余线阵的非均匀面阵设计方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181207 |