CN109115228B - 一种基于加权最小二乘容积卡尔曼滤波的目标定位方法 - Google Patents
一种基于加权最小二乘容积卡尔曼滤波的目标定位方法 Download PDFInfo
- Publication number
- CN109115228B CN109115228B CN201811240267.2A CN201811240267A CN109115228B CN 109115228 B CN109115228 B CN 109115228B CN 201811240267 A CN201811240267 A CN 201811240267A CN 109115228 B CN109115228 B CN 109115228B
- Authority
- CN
- China
- Prior art keywords
- target
- state
- calculating
- error variance
- measurement
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于加权最小二乘容积卡尔曼滤波的目标定位方法,所述方法包括:将最小二乘估计和容积卡尔曼滤波方法进行结合,借助于最小二乘估计将最新测量结果集成到每个容积粒子中,从而促进容积点从先验区域到高似然区域的移动;并对量测信息进行了扩维,从而计算每一时刻目标的状态和估计误差方差。本发明的定位方法具有实现简单,计算量小,满足水下定位系统低功耗的需求;而且有效提高了目标状态的估计精度。
Description
技术领域
本发明涉及目标定位和导航领域,具体涉及一种基于加权最小二乘容积卡尔曼滤波的目标定位方法。
背景技术
近年来,各国积极推进对海洋资源的探索。海底资源挖掘、渔业捕捞、水下机器人定位等相关研究也获得极大的关注。水下目标定位与跟踪技术作为水下作业的基础研究,无疑具有非常重要的地位。水下目标跟踪系统中,常常利用目标跟踪算法对距离、角度等测量信息进行处理进而得到水下目标的目标轨迹。现有的滤波跟踪算法包括卡尔曼滤波(Kalman Filter,KF),扩展卡尔曼滤波(Extended Kalman Filter,EKF)无迹卡尔曼滤波(Unscented Kalman Filter,UKF)、容积卡尔曼滤波(Cubature Kalman Filter,CKF)、粒子滤波(Particle Filter,PF)等一系列经典算法。
PF算法虽然对非高斯非线性系统具有很高的估计精度,但是计算量巨大和易出现粒子匮乏现象的缺点使其受限于水下目标跟踪系统中的应用。KF是针对线性高斯系统的最优滤波器,但是实际中水下目标的运动轨迹肯定是非线性的,随着技术的发展,水下定位跟踪技术对估计精度的要求也越来越高,因此KF也远远不能满足人们的需求。EKF、UKF、CKF均是KF在非线性系统上的应用形式。EKF的主要核心通过对非线性函数的Taylor展开式进行一阶线性化截断并忽略高阶项,这要求非线性函数是近线性的。当系统是强非线性的时候,EKF算法的误差会急剧增加,不再适应人们的需求。UKF和CKF则分别对非线性函数进行二阶和三阶Taylor近似,相应地估计精度也逐渐变高,对强非线性系统的适应性也逐渐变强。
随着技术的发展,水下定位跟踪技术对估计精度的要求也越来越高。同时,相比无线中的目标定位跟踪系统,水下目标定位和跟踪系统又具有量测信息噪声大、信道不稳定、系统功耗受限等缺点,因此,寻找一种简单又能保证高精度的改进目标定位方法具有重大的意义。
发明内容
本发明的目的在于克服上述技术缺陷,提出了一种基于加权最小二乘容积卡尔曼滤波的目标定位方法。
本发明的技术方案为:
一种基于加权最小二乘容积卡尔曼滤波的目标定位方法,所述方法包括:将最小二乘估计和容积卡尔曼滤波方法进行结合,借助于最小二乘估计将最新测量结果集成到每个容积粒子中,从而促进容积点从先验区域到高似然区域的移动;并对量测信息进行了扩维,从而计算每一时刻目标的状态和估计误差方差。
作为上述方法的一种改进,所述方法具体包括:
步骤2)k-1时刻目标的状态和估计误差方差Pk-1,k-1生成m个容积粒子,引入k时刻的量测信息Zk对每个容积粒子上使用最小二乘估计进行优化,得到优化后的容积粒子值,然后根据容积卡尔曼滤波算法得到k时刻目标的状态和估计误差方差Pk,k;
步骤2-1-1)对k-1时刻的目标的状态估计误差方差Pk-1,k-1进行分解得到:
式中Sk-1,k-1是对Pk-1,k-1做Cholesky分解得到的矩阵;
其中,f(·)为状态转移函数。
作为上述方法的一种改进,所述引入k时刻的量测信息Zk对每个容积粒子上使用最小二乘估计进行优化,得到优化后的容积粒子值;具体包括:
步骤2-2-2)计算优化后的值x*;
若不考虑权重信息,则:
若考虑权重信息,权重矩阵W是一个对角矩阵,对角线上的元素是各个量测误差值对应的权重;则:
步骤2-3-2)计算一步预测误差方差Pk,k-1:
其中,Qk-1是k-1时刻的测量系统噪声的协方差矩阵。
步骤2-3-3)对一步预测误差方差Pk,k-1进行分解:
其中Sk,k-1是对Pk,k-1做Cholesky分解得到的矩阵;
其中,h(·)为量测信息函数;
其中Rk是k时刻的量测噪声的协方差矩阵;
步骤2-3-9)计算卡尔曼滤波增益Kk:
作为上述方法的一种改进,所述步骤1)前还包括:
本发明的优势在于:
1、本发明的定位方法具有实现简单,计算量小,满足水下定位系统低功耗的需求;
2、本发明的定位方法有效提高了目标状态的估计精度;
3、当初始值偏差很大时,本发明所提方法收敛更快。
附图说明
图1为本发明的目标定位方法的流程图;
图2为CKF与LS-CKF的估计轨迹对比图;
图3为CKF与LS-CKF的定位误差曲线;
图4为原始数据、CKF与LS-CKF的定位RMSE曲线对比图;
图5为CKF、LS-CKF与WLS-CKF的估计轨迹对比图;
图6为CKF、LS-CKF与WLS-CKF的估计误差曲线对比图;
图7为CKF、LS-CKF与WLS-CKF的RMSE对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细地说明。
本发明提出了最小二乘卡尔曼滤波器(LS-CKF)和加权最小二乘卡尔曼滤波器(WLS-CKF)。其中前者是后者在某些情况下的特例。该方法将最小二乘法和容积卡尔曼滤波算法结合起来,借助于最小二乘估计将最新测量有效地集成到每个容积粒子中,从而促进容积点从先验区域到高似然区域的移动。此外,为了克服该方法求解过程中可能存在的不可逆问题,对量测信息进行了扩维,完善了滤波器的求解方程。新算法具有操作简单、估计精度高的优势,仿真实验也证明了这一点。
1、状态系统模型
考虑用如下状态空间模型描述的动态系统
Xk=f(Xk-1)+wk-1, (1)
Zk=h(Xk)+vk, (2)
其中,式(1)为状态方程,式(2)为观测方程,f(·)为状态转移函数,h(·)为量测信息函数。
2、标准容积卡尔曼滤波
CKF算法的核心是球面-径向容积规则,它提供了一组与状态向量维度成线性比例的容积点,这使得非线性贝叶斯滤波器中遇到的多元积分可以进行数值计算。因此,CKF可以为高维非线性滤波问题提供系统解决方案。
容积卡尔曼滤波算法的基本步骤如下所示。
假设时刻k-1的估计方差Pk-1,k-1是已知的,对其分解得到:
计算cubature点
计算更新后的cubature点
计算一步预测状态:
计算一步预测误差方差:
对一步预测误差方差进行分解:
计算cubature点
计算通过量测方程的cubature点
计算量测估计值:
计算更新后的量测误差方差:
计算协方差:
计算卡尔曼滤波增益:
计算更新后的状态
计算相应的估计误差方差
3、最小二乘-容积卡尔曼滤波(LS-CKF)
为了提高方法的精度,本发明将最小二乘引入时间更新过程。利用最小二乘为指导每个容积点的采样。因为在时间更新过程中已经“吸纳”了最新的观测信息Zk,所以最终产生的容积点会更靠近真实值,一步预测的状态向量精度也会得到提高。
根据式(3)-(5)可知中只含有先验信息,并没有利用最新的量测信息。现在,在每个容积点上使用最小二乘算法进行优化。为表述方便,k时刻目标的状态向量为x,某个容积点的估计值记为(即,是x的近似值),经过最小二乘法优化后的值为x*,该采样k时刻的量测信息仍记为Zk。首先构造代价函数:
J=[Zk-h(x)]T[Zk-h(x)]。 (17)
所以
下面要考虑两个问题。
已知x和Zk分别为nx维和nz维向量。如果x的维数比较高,而Zk的维数比较低,则有可能
相应地,式(22)的通用表达式为
式中I是nx×nx的单位矩阵,λ的定义如下
二、量测信息只由状态向量中的部分元素决定
如果Zk的取值只由状态向量中的部分元素决定,那么Hk中会出现很多0元素。以基于测距信息的目标跟踪系统为例,假设Zk是目标到各个节点的距离,那么的值只与x和y的估计值相关,这种情况下,使用式(25)计算得出的x*只是被修正了前两个元素的取值,速度信息和加速度信息并未变化。Hk的第3到第6列全部为0元素,即
式中 是Hk中前两列非零向量组成的nz×2维矩阵,0是一个nz×4维的零矩阵。当nz≥2时,由雅克比矩阵的定义以及相关求导知识可得 不需要对Zk扩维,直接将(22)中的Hk替换为 替换为就可以求出优化后的估计值x*。
易得出通用表达式的最精简形式如下:
三、量测信息中的各元素量级相差比较大
如果Zk中各个元素的量级相差比较大,比如既有距离又有方位角,根据前文中代价函数的定义,J的取值主要由误差量级大的元素(距离)决定,误差量级小的元素(方位角)几乎不影响,除非前者与后者的误差量级是接近的。
因此,可以将代价函数改写为J={W[Zk-h(x)]}T{W[Zk-h(x)]}, (31)
其中W是加权矩阵,同时也是一个对角矩阵,对角线上的元素是各个量测误差值对应的权重。考虑了权重信息W后,式(27)改写如下:
为了区别于前面不考虑加权矩阵W的LS-CKF方法,将更新后的方法称为加权最小二乘-容积卡尔曼滤波(WLS-CKF)方法。事实上,LS-CKF方法是WLS-CKF方法在W=I时的特例。
如图1所示,下面给出基于本发明的目标定位方法的具体步骤:
步骤1)初始化,k=0。设定参数P、R、Q、f(·),以及结合先验知识给定目标坐标的初值X0、W。
步骤2)传感器采集目标信息,如目标相对于传感器的方位角、距离等,采集到的信息称为量测信息Z,k时刻的量测信息记为Zk。
步骤3)根据量测信息的性质确定观测信息函数h(·)。
结合Zk,由式(29)或式(32)者求出优化后的值x*;
量测更新阶段不变,参照式(6)-(16)。
步骤6)如果对目标的跟踪没有结束,则重复步骤2)-步骤5),继续向下处理;否则输出结果,整个跟踪阶段结束。
可以看出,本发明的方法并未增加很多计算负担,标准CKF方法的计算效率高优点得以保留。
4、性能分析
下面采用蒙特-卡洛实验来分析本发明的LS-CKF方法和WLS-CKF方法的性能,并与原CKF方法进行比较。首先考虑k时刻的状态向量为Xk=[x,y,vx,vy,ax,ay]T,根据式(1)和式(2)建立状态方程和观测方程如下:
Xk=ΦXk-1+wk, (33)
Yk=h(Xk,vk)=dist(Xk,{A,B,C})+vk, (34)
记T为采样间隔,式(33)中的状态转移矩阵为
wk和vk分别是均值为零方差为Q和R的高斯白噪声;dist(Xk,{A,B,C})表示Xk确定的坐标离节点{A,B,C}的距离。
目标从原点处开始先做匀速直线(CV)运动,速度为vx=5m/s,vy=3m/s,5s后加速度为ax=-0.1m/s2,ay=0.1m/s2并持续到55s,55s到105s加速度为 ay=-0.1m/s2,105s到110s做CV运动,速度为上一阶段结束时(105s)目标的速度。给定三个节点的坐标分别为[0m,500m]、[250m,100m]、[300m,400m]。量测信息为三个节点测得目标离自己的距离,量测信息协方差取为R=αI=diag[25,25,25],α其中为量测噪声控制因子。使用CA模型对目标进行状态估计,初始状态向量为X0=[100,50,0,0,0,0]T,利用标准CKF方法和本发明的方法分别对该被动目标的位置信息进行跟踪和估计。假设过程噪声方差为Q=diag[1,1,0.1,0.1,0.01,0.01],初始协方差矩阵为单位矩阵,即其中n是状态向量的维数,此处n=6。本实验中的量测向量均为距离,各个距离误差量级是相同的,因此计算代价函数时不对量测值进行加权,取W=I。
图2给出了CKF和LS-CK方法轨迹估计结果与真实轨迹的对比。图3中这两种方法在各采样点的定位误差曲线。显然,本发明所提出的LS-CKF方法具有收敛快、精度高的特点。本实验中实际初始位置与给定初值相差很大,标准CKF方法经过四次计算,在第五个采样时刻才使得定位误差小于40m,第六个采样时刻误差约为20m,前10个采样时刻的定位误差均大于10m。而本发明的方法在第二个采样时刻的定位误差就低于40m,第三个采样时刻误差低于20m,从第四个采样时刻开始,定位误差均小于10m。
下面,将初始状态向量改为更接近真实值的X0=[0,0,0,0,0,0]T,量测噪声控制因子α从0.1变化到100,其他条件不变。进行蒙特卡洛仿真实验50次,统计各跟踪方法的均方根误差(RMSE),如图4所示。图4中“原始数据”表示不使用任何滤波方法,用几何定位解算目标位置的误差。可以看出,虽然随着量测噪声的增加,各个方法的RMSE都会增加,但是LS-CKF的RMSE始终是最低的。
下面进行另一组仿真实验。将模型的量测信息替换为目标到A节点的距离和目标相对于A节点的方位(弧度),即
初始状态向量为X0=[4,-100,5,3,0,0]T,量测信息协方差取为R=α·diag[1,0.0001],α=10。计算代价函数时量测值加权矩阵取W=diag[1,100]。仿真结果如图5和图6所示。
图5给出了CKF、LS-CKF和WLS-CKF方法轨迹估计结果与真实轨迹的对比。图6中这几种方法在各采样点的定位误差曲线。显然,本发明所提出的LS-CKF和WLS-CKF方法均具有收敛快、精度高的特点。
下面,将初始状态向量改为更接近真实值的X0=[4,-17,5,3,0,0]T,量测噪声控制因子α从1变化到30,其他条件不变。进行蒙特卡洛仿真实验50次,统计各跟踪方法的均方根误差(RMSE),如图7所示。可以看出,虽然随着量测噪声的增加,各个方法的RMSE都会增加,但是LS-CKF和WLS-CKF的RMSE始终低于CKF的RMSE,且WLS-CKF的RMSE一直都低于LS-CKF。以上结果验证了本发明方法的优异性能。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于加权最小二乘容积卡尔曼滤波的目标定位方法,所述方法包括:将最小二乘估计和容积卡尔曼滤波方法进行结合,借助于最小二乘估计将最新测量结果集成到每个容积粒子中,从而促进容积点从先验区域到高似然区域的移动;并对量测信息进行了扩维,从而计算每一时刻目标的状态和估计误差方差;
所述方法具体包括:
步骤2)k-1时刻目标的状态和估计误差方差Pk-1,k-1生成m个容积粒子,引入k时刻的量测信息Zk对每个容积粒子上使用最小二乘估计进行优化,得到优化后的容积粒子值,然后根据容积卡尔曼滤波算法得到k时刻目标的状态和估计误差方差Pk,k;
3.根据权利要求2所述的基于加权最小二乘容积卡尔曼滤波的目标定位方法,其特征在于,所述引入k时刻的量测信息Zk对每个容积粒子上使用最小二乘估计进行优化,得到优化后的容积粒子值;具体包括:
步骤2-2-2)计算优化后的值x*;
若不考虑权重信息,则:
若考虑权重信息,权重矩阵W是一个对角矩阵,对角线上的元素是各个量测误差值对应的权重;则:
步骤2-3-2)计算一步预测误差方差Pk,k-1:
其中,Qk-1是k-1时刻的测量系统噪声的协方差矩阵;
步骤2-3-3)对一步预测误差方差Pk,k-1进行分解:
其中Sk,k-1是对Pk,k-1做Cholesky分解得到的矩阵;
其中,h(·)为量测信息函数;
其中Rk是k时刻的量测噪声的协方差矩阵;
步骤2-3-9)计算卡尔曼滤波增益Kk:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811240267.2A CN109115228B (zh) | 2018-10-23 | 2018-10-23 | 一种基于加权最小二乘容积卡尔曼滤波的目标定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811240267.2A CN109115228B (zh) | 2018-10-23 | 2018-10-23 | 一种基于加权最小二乘容积卡尔曼滤波的目标定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109115228A CN109115228A (zh) | 2019-01-01 |
CN109115228B true CN109115228B (zh) | 2020-08-18 |
Family
ID=64855505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811240267.2A Active CN109115228B (zh) | 2018-10-23 | 2018-10-23 | 一种基于加权最小二乘容积卡尔曼滤波的目标定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109115228B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109612470A (zh) * | 2019-01-14 | 2019-04-12 | 广东工业大学 | 一种基于模糊容积卡尔曼滤波的单站无源导航方法 |
CN112763980B (zh) * | 2020-12-28 | 2022-08-05 | 哈尔滨工程大学 | 一种基于方位角及其变化率的目标运动分析方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104283529A (zh) * | 2014-09-29 | 2015-01-14 | 宁波工程学院 | 未知测量噪声方差的平方根高阶容积卡尔曼滤波方法 |
CN107426687A (zh) * | 2017-04-28 | 2017-12-01 | 重庆邮电大学 | 面向WiFi/PDR室内融合定位的自适应卡尔曼滤波方法 |
CN108318856A (zh) * | 2018-02-02 | 2018-07-24 | 河南工学院 | 一种异构网络下快速精准的目标定位与跟踪方法 |
-
2018
- 2018-10-23 CN CN201811240267.2A patent/CN109115228B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104283529A (zh) * | 2014-09-29 | 2015-01-14 | 宁波工程学院 | 未知测量噪声方差的平方根高阶容积卡尔曼滤波方法 |
CN107426687A (zh) * | 2017-04-28 | 2017-12-01 | 重庆邮电大学 | 面向WiFi/PDR室内融合定位的自适应卡尔曼滤波方法 |
CN108318856A (zh) * | 2018-02-02 | 2018-07-24 | 河南工学院 | 一种异构网络下快速精准的目标定位与跟踪方法 |
Non-Patent Citations (4)
Title |
---|
"一种扩维无迹卡尔曼滤波";黄铫 等;《电子测量与仪器学报》;20090315(第S1期);56-60 * |
"一种最小二乘与自适应Kalman联合滤波算法";张远 等;《火控雷达技术》;20081231;第37卷(第4期);19-22+37 * |
"加权最小二乘——卡尔曼滤波算法在动基座对准中的应用";孙庆祥 等;《海军航空工程学院学报》;20080731;第23卷(第4期);395-397+400 * |
"多平台对单目标的被动跟踪系统研究";刘晓锋;《舰船电子对抗》;20140430;第37卷(第2期);1-3+18 * |
Also Published As
Publication number | Publication date |
---|---|
CN109115228A (zh) | 2019-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109597864B (zh) | 椭球边界卡尔曼滤波的即时定位与地图构建方法及系统 | |
CN107832575B (zh) | 基于伪测量的带反馈机动目标异步航迹融合算法 | |
CN108896047B (zh) | 分布式传感器网络协同融合与传感器位置修正方法 | |
CN111181529B (zh) | 一种应用于非线性高斯模型的平滑约束扩展卡尔曼滤波方法 | |
CN106199580B (zh) | 一种基于模糊推理系统的Singer模型改进算法 | |
CN109115228B (zh) | 一种基于加权最小二乘容积卡尔曼滤波的目标定位方法 | |
Jia et al. | Multiple sensor estimation using a high-degree cubature information filter | |
CN108566178B (zh) | 一种非稳态随机机会网络特征值滤波方法 | |
CN109919233B (zh) | 一种基于数据融合的跟踪滤波方法 | |
CN113452349B (zh) | 一种基于贝叶斯序贯重要性积分的卡尔曼滤波方法 | |
CN106871905B (zh) | 一种非理想条件下高斯滤波替代框架组合导航方法 | |
CN116661469B (zh) | 机器人轨迹误差修正方法及系统 | |
Agand et al. | Online probabilistic model identification using adaptive recursive mcmc | |
CN111340853B (zh) | 基于ospa迭代的多传感器gmphd自适应融合方法 | |
CN109151760B (zh) | 基于平方根容积量测加权一致的分布式状态滤波方法 | |
CN111736144A (zh) | 一种仅用距离观测的机动转弯目标状态估计方法 | |
CN111291319A (zh) | 一种应用于非高斯噪声环境下的移动机器人状态估计方法 | |
CN115859626A (zh) | 针对周期运动目标的自适应无迹卡尔曼滤波器设计方法 | |
CN107886058B (zh) | 噪声相关的两阶段容积Kalman滤波估计方法及系统 | |
CN115905986A (zh) | 一种基于联合策略的稳健卡尔曼滤波方法 | |
CN111998854B (zh) | 基于Cholesky分解计算的精确扩展Stirling插值滤波方法 | |
CN113432608A (zh) | 适于ins/cns组合导航系统的基于最大相关熵的广义高阶ckf算法 | |
Wang et al. | Fuzzy Adaptive Variational Bayesian Unscented Kalman Filter. | |
Li et al. | Spherical simplex-radial cubature quadrature Kalman filter | |
CN109992907A (zh) | 基于粒子群的连续搅拌釜反应器维纳非线性模型辨识方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20201217 Address after: 311800 Room 101, 1st floor, 22 Zhongjie building, 78 Zhancheng Avenue, Taozhu street, Zhuji City, Shaoxing City, Zhejiang Province Patentee after: Zhejiang wanghaichao Technology Co.,Ltd. Address before: 100190, No. 21 West Fourth Ring Road, Beijing, Haidian District Patentee before: INSTITUTE OF ACOUSTICS, CHINESE ACADEMY OF SCIENCES |
|
TR01 | Transfer of patent right |