CN109345024A - 一种小麦生长期真菌毒素污染预测方法 - Google Patents
一种小麦生长期真菌毒素污染预测方法 Download PDFInfo
- Publication number
- CN109345024A CN109345024A CN201811227344.0A CN201811227344A CN109345024A CN 109345024 A CN109345024 A CN 109345024A CN 201811227344 A CN201811227344 A CN 201811227344A CN 109345024 A CN109345024 A CN 109345024A
- Authority
- CN
- China
- Prior art keywords
- output
- neural network
- neuron
- wheat
- function
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 51
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 51
- 231100000678 Mycotoxin Toxicity 0.000 title claims abstract description 37
- 239000002636 mycotoxin Substances 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 54
- 210000002569 neuron Anatomy 0.000 claims abstract description 48
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 37
- 239000013598 vector Substances 0.000 claims description 11
- 210000004205 output neuron Anatomy 0.000 claims description 8
- 238000011109 contamination Methods 0.000 claims description 7
- 210000000349 chromosome Anatomy 0.000 claims description 4
- 230000006378 damage Effects 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 210000002364 input neuron Anatomy 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 241000238631 Hexapoda Species 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims description 2
- 230000000855 fungicidal effect Effects 0.000 claims description 2
- 239000000417 fungicide Substances 0.000 claims description 2
- 238000002921 genetic algorithm search Methods 0.000 claims description 2
- 238000009396 hybridization Methods 0.000 claims description 2
- 238000005286 illumination Methods 0.000 claims description 2
- 239000002917 insecticide Substances 0.000 claims description 2
- 230000035772 mutation Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims 1
- 230000002265 prevention Effects 0.000 abstract description 6
- 210000005036 nerve Anatomy 0.000 abstract 2
- 235000013305 food Nutrition 0.000 description 2
- 241000233866 Fungi Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002538 fungal effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种小麦生长期真菌毒素污染预测方法,包括：A.建立人工神经网络模型，统计影响小麦生长期真菌毒素污染的数据，作为人工神经网络输入；B.计算神经网络隐含层和输出层中神经元的输入、输出值，设立神经网络的训练样本和目标函数；C.以多阶光滑模为逼近度量估计神经网络逼近阶的范围，确定神经网络的函数逼近能力；D.通过自适应遗传算法对人工神经网络模型的网络结构和权重系数进行全局优化搜索，逼近拟合小麦生长期真菌毒素污染预测与影响因素的复杂函数关系，提高小麦生长期真菌毒素污染的预测精度。该方法具有较好的自适应性和鲁棒性，提高神经网络函数逼近能力，加强小麦生长期真菌毒素污染的预测精度，以便做好产前防控，确保小麦的质量安全。
Description
技术领域
本发明涉及一种小麦生长期真菌毒素污染预测方法，属于食品安全、人工神经网络、人工智能领域。
背景技术
小麦真菌毒素的污染一直消费者健康安全的一大隐患，因此应在小麦进入食物链之前预测其污染。现有的小麦生长期真菌毒素污染预测方法运用数理统计建立小麦自身真菌毒素污染变化的规律，而不涉及其他环境因素，统计因素较少污染预测不够精准，预测的污染范围和程度与实际相差较大，无法准确做好产前防控，影响小麦质量。
发明内容
为解决上述问题，本发明的目的在于提供一种具有较好的自适应性和鲁棒性的小麦生长期真菌毒素污染预测方法，提高神经网络函数逼近能力，加强小麦生长期真菌毒素污染的预测精度，减少误差，以便做好产前防控，确保小麦的质量安全。
本发明解决其问题所采用的技术方案，包括以下步骤：
A.建立人工神经网络模型，统计影响小麦生长期真菌毒素污染的数据，作为人工神经网络的输入；
B.计算神经网络隐含层和输出层中神经元的输入、输出值，设立神经网络的训练样本和目标函数；
C.以多阶光滑模为逼近度量估计神经网络逼近阶的范围，确定神经网络的函数逼近能力；
D.通过自适应遗传算法对人工神经网络模型的网络结构和权重系数进行全局优化搜索，逼近拟合小麦生长期真菌毒素污染预测与影响因素的复杂函数关系，提高小麦生长期真菌毒素污染的预测精度。
本发明的有益效果是：
在小麦真菌污染防控越来越重要的情况下，本发明具有较好的自适应性和鲁棒性，提高神经网络函数逼近能力，加强小麦生长期真菌毒素污染的预测精度，减少误差，以便做好产前防控，确保小麦的质量安全。
附图说明
图1为一种小麦生长期真菌毒素污染预测方法的整体流程图；
图2为人工神经网络模型图；
图3为自适应遗传算法优化网络连接权重和阈值的流程图。
具体实施方式
参照图1，本发明所述的方法包括以下步骤：
A.建立人工神经网络模型，统计影响小麦生长期真菌毒素污染的数据，作为人工神经网络的输入；
(1)建立人工神经网络模型，如图2所示。在麦田建立温度、湿度检测装备，记录小麦生长期间的温度、湿度数据；真菌一般容易在受伤位置繁殖生长，因此，需要定时检查小麦体的机械损伤和虫害损伤程度，并记录数据；记录小麦生长期间杀虫剂和杀真菌剂的用量及时间数据；记录小麦生长期间的雨水、光照数据。
(2)统计上述数据作为人工神经网络的输入神经元，输出神经元为真菌毒素污染的范围和程度，输入神经元与输出神经元之间通过隐含层的神经元结点进行连接。
B.计算神经网络隐含层和输出层中神经元的输入、输出值，设立神经网络的训练样本和目标函数；
(1)设立神经网络的输入层、隐含层和输出层的神经元分别有N，K，M个，输入层的第i个神经元的输入和输出分别为XIi，XOi。
①隐含层第j个神经元的输入为：
其中，ωij是输入层第i个神经元到隐含层第j个神经元的权重，ξj是隐含层第j个神经元的阈值。
隐含层第j个神经元的输出为：
其中，φ(x)是神经网络的激活函数，将神经元的输入映射到输出端。
②输出层第k个神经元的输入为：
其中，ωkj是隐含层第j个神经元到输出层第k个神经元的权重，ξk是输出层第k个神经元的阈值。
输出层第k个神经元的输出为：
(2)设立神经网络的训练样本有Q个，输入向量、实际输出向量、期望输出向量分别为：
| XI<sub>1</sub> | XI<sub>2</sub> | … | XI<sub>Q</sub> |
| XO<sub>1</sub> | XO<sub>2</sub> | … | XO<sub>Q</sub> |
| XE<sub>1</sub> | XE<sub>2</sub> | … | XE<sub>Q</sub> |
则第p个样本的均方误差为：
其中，是第k个输出层神经元的第p个训练样本的期望输出，是第k个输出神经元的第p个训练样本的实际输出。通过神经网络的学习训练使MSEp最小。
C.以多阶光滑模为逼近度量估计神经网络逼近阶的范围，确定神经网络的函数逼近能力；
(1)激励函数f在向量空间的r阶光滑模为：
其中，是在[1，∞)上取正值的函数，且ω(x)是权重函数，X＝{x1，x2，…，xN}是神经网络的输入集合，t∈X，k∈[0，r]，sup是上确值。
激励函数f的r阶K-泛函数为：
其中，inf是下确界，g是f的卷积函数。
(2)估计逼近范围：
其中，(f·1)是f与单位向量的内积，K是隐含层神经元数量，θ是逼近系数。是神经网络的逼近速度上下界估计，可以确定神经网络的逼近能力。
D.通过自适应遗传算法对人工神经网络模型的网络结构和权重系数进行全局优化搜索，提高神经网络的函数逼近能力，完成小麦生长期真菌毒素污染的精确预测。
(1)训练样本有Q对(Xi，Yi)，i＝1，2，…，Q。Xi，Yi分别是N维和M维向量，通过遗传算法的优化能力逼近拟合小麦生长期真菌毒素污染预测与影响因素的复杂函数关系。初始化权重、阈值，按照权重、阈值的行列顺序对染色体进行排列，适应度函数为：
其中，yi是统计的数据值，是输出层的输出值。将隐含层的输出值带入到B步骤输出层的输出函数得到遗传算法在进化过程中通过选择、杂交、变异算子寻找适应度最优的染色体，直至适应度函数的值达到事先设定的阈值或进化代数大于500，算法停止。
(2)利用自适应遗传算法对网络连接权重、阈值进行优化，输出层神经元权重系数调整为：
其中，γ是学习效率，是第j个隐含层神经元的第p个训练样本的实际输出，是第k个输出层神经元的第p个训练样本的期望输出，是第k个输出神经元的第p个训练样本的实际输出。隐含层神经元权重系数的调整为：
其中，ωkj是隐含层第j个神经元到输出层第k个神经元的权重。通过网络连接权重、阈值优化，以此提高神经网络的函数逼近能力，从而完成小麦生长期真菌毒素污染的精确预测。
综上所述，便完成了本发明所述的一种小麦生长期真菌毒素污染预测方法。该方法具有较好的自适应性和鲁棒性，提高神经网络函数逼近能力，加强小麦生长期真菌毒素污染的预测精度，减少误差，以便做好产前防控，确保小麦的质量安全。
Claims (5)
1.一种小麦生长期真菌毒素污染预测方法，其特征在于，利用遗传算法优化人工神经网络的函数逼近，提高小麦生长期真菌毒素污染的预测精度，所述方法包括以下步骤：
A.建立人工神经网络模型，统计影响小麦生长期真菌毒素污染的数据，作为人工神经网络的输入；
B.计算神经网络隐含层和输出层中神经元的输入、输出值，设立神经网络的训练样本和目标函数；
C.以多阶光滑模为逼近度量估计神经网络逼近阶的范围，确定神经网络的函数逼近能力；
D.通过自适应遗传算法对人工神经网络模型的网络结构和权重系数进行全局优化搜索，逼近拟合小麦生长期真菌毒素污染预测与影响因素的复杂函数关系，提高小麦生长期真菌毒素污染的预测精度。
2.根据权利要求1所述的小麦生长期真菌毒素污染预测方法，其特征在于，所述步骤A包括：
(1)建立人工神经网络模型，记录小麦生长期间的温度、湿度数据；定时检查小麦体的机械损伤和虫害损伤程度，并记录数据；记录小麦生长期间杀虫剂和杀真菌剂的用量及时间数据；记录小麦生长期间的雨水、光照数据；
(2)统计上述数据作为人工神经网络的输入神经元，输出神经元为真菌毒素污染的范围和程度，输入神经元与输出神经元之间通过隐含层的神经元结点进行连接。
3.根据权利要求2所述的小麦生长期真菌毒素污染预测方法，其特征在于，所述步骤B包括：
(1)设立神经网络的输入层、隐含层和输出层的神经元分别有N，K，M个，输入层的第i个神经元的输入和输出分别为XIi，XOi
①隐含层第j个神经元的输入为：
其中，ωij是输入层第i个神经元到隐含层第j个神经元的权重，ξj是隐含层第j个神经元的阈值；
隐含层第j个神经元的输出为：
其中，φ(x)是神经网络的激活函数，将神经元的输入映射到输出端；
②输出层第k个神经元的输入为：
其中，ωkj是隐含层第j个神经元到输出层第k个神经元的权重，ξk是输出层第k个神经元的阈值，
输出层第k个神经元的输出为：
(2)设立神经网络的训练样本有Q个，输入向量、实际输出向量、期望输出向量分别为：
则第p个样本的均方误差为：
其中，是第k个输出层神经元的第p个训练样本的期望输出，是第k个输出神经元的第p个训练样本的实际输出，通过神经网络的学习训练使MSEp最小。
4.根据权利要求3所述的小麦生长期真菌毒素污染预测方法，其特征在于，所述步骤C包括：
(1)激励函数f在向量空间的r阶光滑模为：
其中，是在[1，∞)上取正值的函数，且ω(x)是权重函数，X＝{x1，x2，...，xN}是神经网络的输入集合，t∈X，k∈[0，r]，sup是上确值，
激励函数f的r阶K-泛函数为：
其中，inf是下确界，g是f的卷积函数；
(2)估计逼近范围：
其中，(f·1)是f与单位向量的内积，K是隐含层神经元数量，θ是逼近系数，是神经网络的逼近速度上下界估计，能确定神经网络的逼近能力。
5.根据权利要求4所述的小麦生长期真菌毒素污染预测方法，其特征在于，所述步骤D包括：
(1)训练样本有Q对(Xi，Yi)，i＝1，2，…，Q，Xi，Yi分别是N维和M维向量，通过遗传算法的优化能力逼近拟合小麦生长期真菌毒素污染预测与影响因素的复杂函数关系，初始化权重、阈值，按照权重、阈值的行列顺序对染色体进行排列，适应度函数为：
其中，yi是统计的数据值，是输出层的输出值，将隐含层的输出值带入到B步骤输出层的输出函数得到遗传算法在进化过程中通过选择、杂交、变异算子寻找适应度最优的染色体，直至适应度函数的值达到事先设定的阈值或进化代数大于500，算法停止；
(2)利用自适应遗传算法对网络连接权重、阈值进行优化，输出层神经元权重系数调整为：
其中，γ是学习效率，是第j个隐含层神经元的第p个训练样本的实际输出，是第k个输出层神经元的第p个训练样本的期望输出，是第k个输出神经元的第p个训练样本的实际输出，隐含层神经元权重系数的调整为：
其中，ωkj是隐含层第j个神经元到输出层第k个神经元的权重，通过网络连接权重、阈值优化，以此提高神经网络的函数逼近能力，从而完成小麦生长期真菌毒素污染的精确预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811227344.0A CN109345024A (zh) | 2018-10-20 | 2018-10-20 | 一种小麦生长期真菌毒素污染预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811227344.0A CN109345024A (zh) | 2018-10-20 | 2018-10-20 | 一种小麦生长期真菌毒素污染预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109345024A true CN109345024A (zh) | 2019-02-15 |
Family
ID=65310706
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811227344.0A Pending CN109345024A (zh) | 2018-10-20 | 2018-10-20 | 一种小麦生长期真菌毒素污染预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109345024A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505920A (zh) * | 2021-06-25 | 2021-10-15 | 国家粮食和物资储备局科学研究院 | 一种预测小麦收获期呕吐毒素含量的方法及系统 |
| WO2023229804A1 (en) * | 2022-05-25 | 2023-11-30 | X Development Llc | Model-predictive control of pest presence in host environments |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110055131A1 (en) * | 2009-08-28 | 2011-03-03 | Hung-Han Chen | Method of universal computing device |
| CN107909149A (zh) * | 2017-10-26 | 2018-04-13 | 西北农林科技大学 | 一种基于遗传bp神经网络的日光温室温度预测方法 |
-
2018
- 2018-10-20 CN CN201811227344.0A patent/CN109345024A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110055131A1 (en) * | 2009-08-28 | 2011-03-03 | Hung-Han Chen | Method of universal computing device |
| CN107909149A (zh) * | 2017-10-26 | 2018-04-13 | 西北农林科技大学 | 一种基于遗传bp神经网络的日光温室温度预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 曹飞龙，徐宗本: "神经网络的本质逼近阶", 《中国科学E辑:信息科学》 * |
| 王凤武，吴兆麟: "《恶劣天气条件下船舶开航安全性评估》", 30 June 2018 * |
| 陈雨青: "夏季温室小气候的计算机模拟及预测研究", 《中国优秀博硕士学位论文全文数据库 (硕士) 信息科技辑》 * |
| 马志荣: "小麦赤霉病预测模型研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505920A (zh) * | 2021-06-25 | 2021-10-15 | 国家粮食和物资储备局科学研究院 | 一种预测小麦收获期呕吐毒素含量的方法及系统 |
| CN113505920B (zh) * | 2021-06-25 | 2022-03-18 | 国家粮食和物资储备局科学研究院 | 一种预测小麦收获期呕吐毒素含量的方法及系统 |
| WO2023229804A1 (en) * | 2022-05-25 | 2023-11-30 | X Development Llc | Model-predictive control of pest presence in host environments |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
| CN110728401B (zh) | 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法 | |
| CN107688825B (zh) | 一种改进型的集成加权极限学习机污水处理故障诊断方法 | |
| CN105488528B (zh) | 基于改进自适应遗传算法的神经网络图像分类方法 | |
| CN110765700A (zh) | 基于量子蚁群优化rbf网络的特高压输电线损预测方法 | |
| USRE42440E1 (en) | Robust modeling | |
| CN107494320B (zh) | 基于无线传感器网络的牛舍环境温度智能监测系统 | |
| CN112926265A (zh) | 基于遗传算法优化神经网络的大气多孔探针测量校准方法 | |
| CN111813084A (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
| CN114398049B (zh) | 一种离散制造车间数字孪生模型自适应动态更新方法 | |
| CN111144552A (zh) | 一种粮食品质多指标预测方法及装置 | |
| CN112215446A (zh) | 一种基于神经网络的单位动态火灾风险评估方法 | |
| CN113469426A (zh) | 基于改进bp神经网络的光伏输出功率预测方法及系统 | |
| CN112557034A (zh) | 一种基于pca_cnns的轴承故障诊断方法 | |
| CN109345024A (zh) | 一种小麦生长期真菌毒素污染预测方法 | |
| CN108665322A (zh) | 口粮消费量预测模型的构建方法、消费量预测方法及装置 | |
| CN116720620A (zh) | 一种基于IPSO算法优化CNN-BiGRU-Attention网络模型的储粮通风温度预测方法 | |
| CN110504676A (zh) | 一种基于apso-bp的配电网状态估计方法 | |
| CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
| CN112085254A (zh) | 基于多重分形协同度量门控循环单元的预测方法及模型 | |
| CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
| CN113177675A (zh) | 一种基于天牛群算法优化神经网络的空调冷负荷预测方法 | |
| CN113221447A (zh) | 一种基于改进遗传算法优化bp神经网络的土壤湿度预测方法 | |
| CN101285816A (zh) | 铜锍吹炼的过程参数软测量仪表及其软测量方法 | |
| CN108446506B (zh) | 一种基于区间反馈神经网络的不确定系统建模方法 |
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 |
Application publication date: 20190215 |
|
| RJ01 | Rejection of invention patent application after publication |