CN109347555A - 一种基于径向基函数神经网络的可见光通信均衡方法 - Google Patents
一种基于径向基函数神经网络的可见光通信均衡方法 Download PDFInfo
- Publication number
- CN109347555A CN109347555A CN201811093258.5A CN201811093258A CN109347555A CN 109347555 A CN109347555 A CN 109347555A CN 201811093258 A CN201811093258 A CN 201811093258A CN 109347555 A CN109347555 A CN 109347555A
- Authority
- CN
- China
- Prior art keywords
- visible light
- signal
- neural network
- light communication
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/11—Arrangements specific to free-space transmission, i.e. transmission through air or vacuum
- H04B10/114—Indoor or close-range type systems
- H04B10/116—Visible light communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/03—Shaping networks in transmitter or receiver, e.g. adaptive shaping networks
- H04L25/03006—Arrangements for removing intersymbol interference
- H04L25/03165—Arrangements for removing intersymbol interference using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Optical Communication System (AREA)
Abstract
本发明公开了一种基于径向基函数神经网络的可见光通信均衡方法,用于改善可见光通信的误码性能,提高均衡算法收敛速度,降低传统神经网络均衡的复杂程度。信号通过可见光信道从发送端到接收端,分析均衡器输入信号与发射信号之间的关系,由径向基函数确定的神经网络隐层完成信号的非线性变化,将输入映射到射出层,输出层对隐节点输出进行线性加权,优化均衡器结构;利用k均值聚类算法进行中心向量的学习,训练神经网络,最小化误差函数;最后判决输出,恢复发送序列,最终实现均衡的目的。本发明实现了一种基于径向基函数神经网络的可见光通信均衡方法,提高了可见光通信的通信质量和传输速率,缩短了均衡算法的训练时长,降低了系统复杂度。
Description
技术领域
本发明涉及可见光通信领域,具体涉及一种基于径向基函数神经 网络的可见光通信均衡方法。
背景技术
基于LED的可见光通信(Visible Light Communication,VLC)技 术是一种宽带无线接入技术,具有频谱资源丰富、潜在通信容量大、 保密性好、绿色安全、无需许可等优点。可见光通信融合了照明与通 信技术,不仅符合现代发展绿色节能的需求,而且使用免费频谱,可 以得到更高的数据传输速率,还有比传统无线通信系统更高的信噪比, 可以缓解当前的射频频谱资源越来越紧缺等问题。可见光通信作为一 种新兴的无线通信技术,正受到越来越多的瞩目。
可见光通信系统中LED的调制带宽非常有限,需要研究各种提 高可见光通信系统速率和网络容量的方法和技术,以实现高速通信的 目标。可见光通信系统的非理想传输特性在传输速率、通信误码率等 方面限制着可见光通信技术的发展,尤其是可见光在高速无线光通信 领域的应用。信道均衡(Channel equalization)是指为了提高衰落 信道中的通信系统的传输性能而采取的一种抗衰落措施。它主要是为 了消除或者是减弱宽带通信时的多径时延带来的码间串扰(Inter Symbol Interference,ISI)问题。针对可见光通信的发展现状,很多 专家提出了各种信道均衡的方法以期解决高速可见光通信现存的问 题。60年代初期,信道均衡技术不是自适应的,需要手动调节均衡 器参数,步骤繁琐,灵活性差,也有学者研究基于不同准则的均衡算 法,例如最小均方误差(Mean-Square Error,MSE)等,随着技 术不断发展,结构简单的线性均衡器逐渐发展到复杂的非线性均衡器。 但是目前的诸多主流均衡算法仍然存在收敛速度慢,运算复杂度高, 均衡效果不理想等缺点。
均衡器完成的是一个非线性映射,它可以描述观察空间的判决区 域划分问题,而神经网络又可以形成比较复杂的非线性判决面,利用 神经网络设计的盲均衡器开始成为研究热点。目前在可见光通信的相 关研究中,已经有一些将神经网络运用到可见光通信的研究。其中针 对均衡技术的研究是一个热门方向,有将BP(Back Propagation) 神经网络用于可见光通信均衡的,还有基于正交映射与概率神经网络 的可见光信道联合均衡方法等。但因为神经网络均衡方法用在可见光 通信不同于传统的神经网络研究,不仅要考虑通信系统中均衡的性能, 还要考虑可见光通信的特性,现在的研究依然存在算法复杂度和神经 网络结构设计的诸多问题。神经网络的泛化能力是评价其性能的核心, 而泛化能力又与网络结构的设计相关,节点太少则误差过大,收敛速 度慢,节点太多,则容易出现过拟合现象。网络中的权值和阈值可直 接影响神经网络的训练和均衡性能,因此如何优化神经网络结构是关 键,以便尽量提高神经网络均衡的性能,使神经网络均衡用于可见光 通信技术能改善可见光通信的性能指标,还能相对原有神经网络均衡 技术提升收敛速度,降低算法复杂度。
发明内容
(一)要解决的技术问题
本发明的目的是提供一种基于径向基函数神经网络的可见光通 信均衡方法,以解决可见光通信中调制带宽有限,传输速率低,码间 干扰严重的问题,提高传统神经网络均衡技术用于可见光通信的收敛 速度,降低其算法复杂度。
(二)技术方案
1.本发明采用的技术方案是:一种基于径向基函数神经网络的可见光 通信均衡方法,包括以下步骤:
步骤一:产生随机信号比特流a(n),独立等概取值为{±1},将 原始序列发送给编码模块进行编码,编码模块输出信号到调制模块进 行调制,将调制完的信号x(n)再发送到Bias-Tee信号耦合模块,增 加直流偏置,最后LED将电信号转换为光信号s(n),光信号经过可 见光信道被接收端的光电探测器接收;
步骤二:在信号接收端,信道噪声w(n)和原光信号s(n)一起被 光电检测器接收,将其转换为电信号,去除直流偏置,得到放大滤波 后的电信号y(n);
步骤三:将步骤二中得到的序列y(n)输入到径向基函数神经网 络均衡器的各个中心节点ci(n),1<i<I,I为RBF网络隐层节点的个 数,ci(n)表示RBF网络的第i个中心节点;
步骤四:由第三步中的RBF网络中心节点和均衡器输入序列, 进行信号的恢复训练;
通过RBF网络结构,得到均衡器输出信号为
其中即径向基函数,其 中fi(n)为RBF网络输出层的第i个权系数,σ为高斯函数的宽度, exp(·)为以e为底的指数函数,||·||表示输入空间的欧几里得范数, 下同;
步骤五:将步骤四中均衡器的输出信号z(n)解调解码,之后通 过符号函数sign(·)进行判决,输出数据,得到原始信号的估计 2.步骤三中采用K均值聚类算法求取中心向量ci(n),步骤如下:
1)输入样本集,聚类个数I,聚类中心为ci(n);
2)令n=1,并从样本集中选择I个不同的初始聚类中心(可 以随机选取或者直接固定I个样本成为聚类中心);
3)计算每个样本y(n)与聚类中心的距离||y(n)-ci(n)||, i=1,2,…I;n=1,2,…N,并按最小距离准则对样本进行归类, 当s(y(n))=min||y(n)-ci(n)||时,y(n)就被分到i 类;
4)按照下式更新聚类中心:
N是第i类聚类中的样本总数;
5)判断ci(n+1)=ci(n),如果不相等,转到第3),如果相 等,结束聚类;
6)由确定的聚类中心,可得到I为隐层单元数, d是各聚类中心的最大距离。
3.步骤四中所述的RBF神经网络权系数fi(n)的求取步骤如下:
1)根据均衡器的输出z(n),规定误差函数e(n)= d(n)-z(n),d(n)为期望的均衡器输出序列;
2)定义代价函数J(n)=e2(n)/2,对RBF输出层权系数求 梯度,由最速梯度下降法得到fi(n)的迭代公式:
μ为迭代步长;
3)将变步长的思想引入RBF神经网络均衡算法,利用sigmoid 函数,设计新的步长更新方式:
α为参数,主要控制步长的变化范围;β为参数,主要控制 步长变化函数的变化陡峭程度。
(三)有益效果
RBF网络具有局部作用特性以及整体极小值等优点,为了充分 利用它的分类和聚类能力,本方法充分利用RBF网络其结构简单、 收敛速度快的特点,将RBF网络用作均衡器,分析输入输出信号的 关系,确定神经网络的中心向量值,提出新的均衡器结构和盲均衡算法,利用变步长的思想迭代参数,将中心向量与均方差分开调整。本 发明方法与传统神经网络均衡算法在收敛速度和均方误差方面有很 大的优越性,改善了可见光通信的误码性能和通信效率。
附图说明:
图1是本发明实施例中RBF神经网络均衡的结构示意图;
图2是本发明实施例中可见光通信的信号流程图。
具体实施方式:
下面结合附图和实施例,对本发明的具体实施方式做进一步描述。 以下实施例仅用于说明本发明,但不用来限制本发明的范围。
本实施例中,整个可见光通信系统的信号传输流程如图2所示:
步骤一:产生随机信号比特流a(n),原始序列发送给编码模块进 行编码,编码模块输出信号到调制模块进行调制,将调制完的信号 x(n)再发送到Bias-Tee信号耦合模块,增加直流偏置,完成电光转 换,光信号经过可见光信道被接收端的光电探测器接收;
步骤二:在信号接收端,信道噪声w(n)和原光信号s(n)一起被光 电检测器接收,将其转换为电信号,去除直流偏置,得到放大滤波后 的电信号y(n);
步骤三:将步骤二中得到的序列y(n)输入到径向基函数神经网络 均衡器;
步骤四:由步骤三中的RBF网络中心节点和均衡器输入序列, 进行信号的恢复训练;
步骤五:将步骤四中均衡器的输出信号z(n)解调解码,之后 通过符号函数sign(·)进行判决,输出数据,得到原始信号的估计a (n)。
本发明提供了一种基于径向基函数的可见光通信神经网络均衡 方法,其RBF神经网络结构如图1所示。
RBF神经网络是一种三层前向神经网络,包括输入层、隐含层、 输出层。完成的是输入空间到隐单元空间的非线性变换以及对隐层空 间的线性分类。网络输出为
上式中y(n)为输入向量, ci(n)是隐含层第i个中心节点。其中:
1.本网络中针对中心节点的选取使用k均值聚类算法:
k均值聚类算法是先随机选取k个对象作为初始的聚类中心,然 后计算每个对象与各个聚类中心的距离,把每个对象分配到距离最近 的聚类中心,并不断更新聚类中心,再分配新的对象,最终完成聚类。 迭代过程如下:
1)输入样本集,聚类个数I,聚类中心为ci(n);
2)令n=1,并从样本集中选择I个不同的初始聚类中心(可 以随机选取或者直接固定I个样本成为聚类中心);
3)计算每个样本y(n)与聚类中心的距离||y(n)-ci(n)||, i=1,2,…I;n=1,2,…N,并按最小距离准则对样本进行归类,当 s(y(n))=min||y(n)-ci(n)||时,y(n)就被分到i类;
4)按照下式更新聚类中心:
N是第i类聚类中的样本总数;
5)判断ci(n+1)=ci(n),如果不相等,转到第3),如果相 等,结束聚类;
6)由确定的聚类中心,可得到I为隐层单元数, d是各聚类中心的最大距离。
2.针对网络中的另一重要参数步长,采用下述方式迭代:
1)根据均衡器的输出z(n),规定误差函数e(n)= d(n)-z(n),d(n)为期望的均衡器输出序列;
2)定义代价函数J(n)=e2(n)/2,对RBF输出层权系数求 梯度,由最速梯度下降法得到fi(n)的迭代公式:
μ为迭代步长;
3)将变步长的思想引入RBF神经网络均衡算法,利用 sigmoid函数,设计新的步长更新方式:
α为参数,主要控制步长的变化范围;β为参数,主要控制 步长变化函数的变化陡峭程度。
Claims (3)
1.一种基于径向基函数神经网络的可见光通信均衡方法,包括以下步骤:
步骤一:产生随机信号比特流a(n),独立等概取值为{±1},将原始序列发送给编码模块进行编码,编码模块输出信号到调制模块进行调制,将调制完的信号x(n)再发送到Bias-Tee信号耦合模块,增加直流偏置,最后LED将电信号转换为光信号s(n),光信号经过可见光信道被接收端的光电探测器接收;
步骤二:在信号接收端,信道噪声w(n)和原光信号s(n)一起被光电检测器接收,将其转换为电信号,去除直流偏置,得到放大滤波后的电信号y(n);
步骤三:将步骤二中得到的序列y(n)输入到径向基函数神经网络均衡器的各个中心节点ci(n),1<i<I,I为RBF网络隐层节点的个数,ci(n)表示RBF网络的第i个中心节点;
步骤四:由第三步中的RBF网络中心节点和均衡器输入序列,进行信号的恢复训练,
通过RBF网络结构,得到均衡器输出信号为
其中即径向基函数,其中fi(n)为RBF网络输出层的第i个权系数,σ为高斯函数的宽度,exp(·)为以e为底的指数函数,||·||表示输入空间的欧几里得范数,下同;
步骤五:将步骤四中均衡器的输出信号z(n)解调解码,之后通过符号函数sign(·)进行判决,输出数据,得到原始信号的估计(n)。
2.根据权利要求1所述,步骤三中采用k聚类算法求取中心向量ci(n),步骤如下:
1)输入样本集,聚类个数I,聚类中心为ci(n);
2)令n=1,并从样本集中选择I个不同的初始聚类中心(可以随机选取或者直接固定I个样本成为聚类中心);
3)计算每个样本y(n)与聚类中心的距离||y(n)-ci(n)||,i=1,2,…I;n=1,2,…N,并按最小距离准则对样本进行归类,当s(y(n))=min||y(n)-ci(n)||时,y(n)就被分到i类;
4)按照下式更新聚类中心:
N是第i类聚类中的样本总数;
5)判断ci(n+1)=ci(n),如果不相等,转到第3),如果相等,结束聚类;
6)由确定的聚类中心,可得到I为隐层单元数,d是各聚类中心的最大距离。
3.根据权利要求1所述,步骤四中所述的RBF神经网络权系数fi(n)的求取步骤如下:
1)根据均衡器的输出z(n),规定误差函数e(n)=d(n)-z(n),d(n)为期望的均衡器输出序列;
2)定义代价函数J(n)=e2(n)/2,对RBF输出层权系数求梯度,由最速梯度下降法得到fi(n)的迭代公式:
μ为迭代步长;
3)将变步长的思想引入RBF神经网络均衡算法,利用sigmoid函数,设计新的步长更新方式:
α为参数,主要控制步长的变化范围;β为参数,主要控制步长变化函数的变化陡峭程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811093258.5A CN109347555A (zh) | 2018-09-19 | 2018-09-19 | 一种基于径向基函数神经网络的可见光通信均衡方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811093258.5A CN109347555A (zh) | 2018-09-19 | 2018-09-19 | 一种基于径向基函数神经网络的可见光通信均衡方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109347555A true CN109347555A (zh) | 2019-02-15 |
Family
ID=65306240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811093258.5A Pending CN109347555A (zh) | 2018-09-19 | 2018-09-19 | 一种基于径向基函数神经网络的可见光通信均衡方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109347555A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111327559A (zh) * | 2020-02-28 | 2020-06-23 | 北京邮电大学 | 一种编码、解码方法及装置 |
CN111683026A (zh) * | 2020-06-04 | 2020-09-18 | 泰州职业技术学院 | 一种基于cma-sae的水声信道信号处理方法及系统 |
CN112152953A (zh) * | 2020-09-23 | 2020-12-29 | 上海交通大学 | 一种针对神经网络均衡器训练的随机序列构造方法 |
CN112422462A (zh) * | 2020-11-20 | 2021-02-26 | 苏州大学 | 复值信道均衡器的设计方法 |
CN112865866A (zh) * | 2021-01-20 | 2021-05-28 | 重庆邮电大学 | 基于gsn的可见光pam系统非线性补偿方法 |
CN113033781A (zh) * | 2021-03-26 | 2021-06-25 | 南京信息工程大学 | 一种基于自进化优化bp神经网络的非线性均衡补偿方法 |
CN113098601A (zh) * | 2021-04-13 | 2021-07-09 | 兰州理工大学 | 一种深度学习预均衡-超奈奎斯特速率大气光传输方法 |
CN113271146A (zh) * | 2021-05-14 | 2021-08-17 | 中车青岛四方机车车辆股份有限公司 | 一种可见光通信方法、装置、系统及计算机可读存储介质 |
CN114500189A (zh) * | 2022-01-24 | 2022-05-13 | 华南理工大学 | 一种可见光通信直接预均衡方法、系统、装置及介质 |
CN115001577A (zh) * | 2022-05-20 | 2022-09-02 | 复旦大学 | 基于均衡技术的可见光通信方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101547172A (zh) * | 2009-05-05 | 2009-09-30 | 南京信息工程大学 | 基于径向基函数的模糊神经网络盲均衡方法 |
CN207835454U (zh) * | 2017-07-21 | 2018-09-07 | 华南理工大学 | 一种基于可见光通信的神经网络均衡器 |
-
2018
- 2018-09-19 CN CN201811093258.5A patent/CN109347555A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101547172A (zh) * | 2009-05-05 | 2009-09-30 | 南京信息工程大学 | 基于径向基函数的模糊神经网络盲均衡方法 |
CN207835454U (zh) * | 2017-07-21 | 2018-09-07 | 华南理工大学 | 一种基于可见光通信的神经网络均衡器 |
Non-Patent Citations (1)
Title |
---|
SYED TAJAMMUL AHMAD AND K. PRADEEP KUMAR: ""Radial Basis Function Neural Network Nonlinear Equalizer for 16-QAM Coherent Optical OFDM"", 《IEEE PHOTONICS TECHNOLOGY LETTERS》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111327559A (zh) * | 2020-02-28 | 2020-06-23 | 北京邮电大学 | 一种编码、解码方法及装置 |
CN111683026A (zh) * | 2020-06-04 | 2020-09-18 | 泰州职业技术学院 | 一种基于cma-sae的水声信道信号处理方法及系统 |
CN112152953A (zh) * | 2020-09-23 | 2020-12-29 | 上海交通大学 | 一种针对神经网络均衡器训练的随机序列构造方法 |
CN112422462B (zh) * | 2020-11-20 | 2021-08-31 | 苏州大学 | 复值信道均衡器的设计方法 |
CN112422462A (zh) * | 2020-11-20 | 2021-02-26 | 苏州大学 | 复值信道均衡器的设计方法 |
US11909566B2 (en) | 2020-11-20 | 2024-02-20 | Soochow University | Method for designing complex-valued channel equalizer |
WO2022105058A1 (zh) * | 2020-11-20 | 2022-05-27 | 苏州大学 | 复值信道均衡器的设计方法 |
CN112865866B (zh) * | 2021-01-20 | 2022-04-05 | 重庆邮电大学 | 基于gsn的可见光pam系统非线性补偿方法 |
CN112865866A (zh) * | 2021-01-20 | 2021-05-28 | 重庆邮电大学 | 基于gsn的可见光pam系统非线性补偿方法 |
CN113033781A (zh) * | 2021-03-26 | 2021-06-25 | 南京信息工程大学 | 一种基于自进化优化bp神经网络的非线性均衡补偿方法 |
CN113098601A (zh) * | 2021-04-13 | 2021-07-09 | 兰州理工大学 | 一种深度学习预均衡-超奈奎斯特速率大气光传输方法 |
CN113271146A (zh) * | 2021-05-14 | 2021-08-17 | 中车青岛四方机车车辆股份有限公司 | 一种可见光通信方法、装置、系统及计算机可读存储介质 |
CN114500189A (zh) * | 2022-01-24 | 2022-05-13 | 华南理工大学 | 一种可见光通信直接预均衡方法、系统、装置及介质 |
CN115001577A (zh) * | 2022-05-20 | 2022-09-02 | 复旦大学 | 基于均衡技术的可见光通信方法及系统 |
CN115001577B (zh) * | 2022-05-20 | 2023-12-05 | 复旦大学 | 基于均衡技术的可见光通信方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109347555A (zh) | 一种基于径向基函数神经网络的可见光通信均衡方法 | |
CN105007118B (zh) | 一种用于室内可见光通信系统的神经网络均衡方法 | |
CN110636020B (zh) | 一种自适应通信系统神经网络均衡方法 | |
CN109039472A (zh) | 一种基于深度学习的数据中心光通信色散估计与管理方法 | |
CN109818889B (zh) | 用于高阶pam光传输系统中的svm分类器优化的均衡算法 | |
CN111313971B (zh) | 一种用于IMDD短距离光通信系统改进的Lightgbm均衡系统及方法 | |
CN109905170A (zh) | 一种基于k-dnn的非线性失真补偿算法及可见光通信装置 | |
CN112733917A (zh) | 一种基于shap特征优化的信道均衡方法 | |
CN115549805A (zh) | 基于poe-vlc系统的自适应均衡方法及vlc接收器 | |
CN112598072A (zh) | 基于SVM训练的权重系数迁移的改进Volterra滤波器的均衡方法 | |
CN111447007B (zh) | 一种基于正弦函数变步长lms均衡的可见光通信系统 | |
Sun et al. | A novel CMA+ DD_LMS blind equalization algorithm for underwater acoustic communication | |
Li et al. | Convolution-enhanced LSTM neural network post-equalizer used in probabilistic shaped underwater VLC system | |
CN107836100A (zh) | 用于使用稀疏不连续的时域导频的低复杂度isi估计的方法和装置 | |
CN102118332A (zh) | 基于免疫克隆粒子群优化的正交小波盲均衡方法 | |
CN109412662A (zh) | 多输入多输出可见光通信系统能效优化方法 | |
CN114500197A (zh) | 一种可见光通信后均衡方法、系统、装置及存储介质 | |
CN108551383A (zh) | 一种基于机器学习的能量采集中继系统自适应调制方法 | |
CN113489545A (zh) | 基于k均值聚类的光空间脉冲位置调制分步分类检测方法 | |
Prakash et al. | Improved BER performance using novel ELM based demodulator for CAP-VLC system | |
Li et al. | MAFENN: Multi-agent feedback enabled neural network for wireless channel equalization | |
CN114978313B (zh) | 一种基于贝叶斯神经元的可见光cap系统的补偿方法 | |
Minghua et al. | Deep Learning Assisted Pre-equalization Scheme for Faster-than-Nyquist Optical Wireless Communications | |
CN113098601B (zh) | 一种深度学习预均衡-超奈奎斯特速率大气光传输方法 | |
Lu et al. | Super Gaussian kernel-aided deep neural network equalizer utilized in visible light transparent transmission from free-space to fiber |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190215 |
|
WD01 | Invention patent application deemed withdrawn after publication |