CN109472216B - 基于信号非高斯特性的辐射源特征提取和个体识别方法 - Google Patents
基于信号非高斯特性的辐射源特征提取和个体识别方法 Download PDFInfo
- Publication number
- CN109472216B CN109472216B CN201811217581.9A CN201811217581A CN109472216B CN 109472216 B CN109472216 B CN 109472216B CN 201811217581 A CN201811217581 A CN 201811217581A CN 109472216 B CN109472216 B CN 109472216B
- Authority
- CN
- China
- Prior art keywords
- signal
- instantaneous
- entropy
- gaussian
- linear
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1347—Preprocessing; Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/12—Fingerprints or palmprints
- G06V40/1365—Matching; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种基于信号非高斯特性的辐射源特征提取和个体识别方法,包括以下步骤:提取信号瞬时幅度和瞬时相位、利用信号瞬时幅度和瞬时相位提取信号瞬时幅度和瞬时相位的峰度与偏度、利用信号瞬时幅度和瞬时相位提取信号瞬时幅度和瞬时相位的线性峰度与线性偏度、利用信号瞬时幅度和瞬时相位提取信号高阶累积量矩阵熵、综合提取信号非高斯特性特征完成目标识别分类器设计。本发明的有益效果是:提取的指纹特征不受信号暂态过程存在突发性与偶然性的限制,具有宽泛的实际应用条件;不针对特殊信号样式,具有通用的信号应用对象;包括了高阶累积量的非高斯特性,对于加性高斯白噪声具有一定的抑制能力,具备低信噪比适应能力。
Description
技术领域
本发明属于通信信号处理领域,具体涉及基于信号非高斯特性的辐射源特征提取和个体识别方法。
背景技术
辐射源个体精确识别是指利用辐射源蕴含的指纹来进行个体身份识别的一门技术。辐射源个体指纹特征是指由于其组成器件及生产调试过程的差异,使得即使是相同厂家、相同型号、相同生产批次的发射机也会存在细微的差别。辐射源的指纹通常来源于器件的物理层非理想特性,具有不能消除,难以模仿、伪造等特点。因此,辐射源个体识别具有独一无二的功能与作用,在军事与民用领域中具有广泛的应用和重要的意义。
当前辐射源指纹特征的研究分为两类:暂态指纹特征和稳态指纹特征。鉴于暂态信号通常蕴含丰富的、明显的非平稳、非理想特性,因此暂态指纹特征的提取方法得到了广泛研究。然而在实际中,由于信号是连续发射的,且信号的暂态过程存在突发性与偶然性,因此在实际应用中存在较大局限性。相对暂态过程,信号的稳态过程容易截获,更具实用价值。
当前稳态指纹特征的提取方法虽然取得了一定的成果,但仍存在较多问题,突出表现在如下几个方面:1)对于信噪比要求较高,如基于频率偏差的方法;2)只能适用于某些特殊信号,如基于前导码指纹特征的方法;3)需要信号的先验信息:如基于调制域偏差的方法;4)通用方法的识别率较低,如基于双谱特征、分形复杂度特征等。
因此,为解决当前辐射源指纹特征研究存在的困难,加速该技术的实际应用,亟需提出一种通用性较强、识别率较高的辐射源特征提取和个体识别方法。
发明内容
本发明的目的是:针对当前辐射源稳态指纹特征提取方法存在的不足,提出一种基于信号非高斯特性的辐射源特征提取和个体识别方法,解决通用性差、识别率低的突出问题,获得更好的识别性能和更广泛的应用范围。
为了方便描述本发明的内容,首先作以下术语定义:
定义:信号非高斯特性
一般而言,通信信号可用式(1)进行表示:
幅度调制a(t)的PDF是有意幅度调制aI(t)和无意幅度调制aU(t)PDF的联合分布
PDF{a(t)}=PDF{aI(t),aU(t)} (4)
对于相同类型信号,其有意幅度调制aI(t)和相位调制的PDF是相同的,无意调制特征由器件的物理层非理想特性决定,不同辐射源彼此不同,不同辐射源发射信号的无意幅度调制aU(t)和相位调制的PDF必然存在细微差异,并且这些差别由设备本身决定。非高斯性是对一个随机变量PDF偏离高斯分布程度的度量,不同辐射源发射信号的无意调制部分的PDF存在细微差异,则其非高斯性存在着细微的差别,这些细微差别可以作为指纹特征来进行个体识别。
本发明采取的技术方案是:一种基于信号非高斯特性的辐射源特征提取和个体识别方法,包括步骤如下:
其中每个信号样本s(t)=[s(t1),s(t2),...s(tn)],n为采样点数。
D、利用步骤A提取的每个信号样本的瞬时幅度和瞬时相位,基于高阶累积量,提取每个信号样本高阶累积量矩阵熵,作为信号非高斯特性的指纹特征。
E、样本集S的每一个信号样本通过上述A、B、C、D四步步骤计算,获得一组非高斯指纹特征数据向量组成的指纹特征数据集,形成有限目标分类识别训练样本集,采用支持向量机SVM分类器进行训练学习,形成适用有限目标基于非高斯特性指纹特征分类识别器设计。
进一步地,所述步骤C中采用线性矩方法信号非高斯特性,其特征在于,采用前四阶线性矩方法计算每个信号样本瞬时幅度和瞬时相位的线性峰度与线性偏度。
更一步地,采用前四阶线性矩计算每个信号样本瞬时幅度和瞬时相位的线性峰度与线性偏度的表达式,具体为:
瞬时幅度的线性峰度和线性偏度为:(τa)3=(la)3/(la)2,(τa)4=(la)4/(la)2
进一步地,所述步骤D中基于高阶累积量提取信号非高斯特性,其特征在于,利用三阶、四阶累积量提取每个信号样本累积量矩阵熵。
进一步地,上述步骤E中的目标分类识别器设计,设计规则为:(1)多组指纹特征数据向量形成有限K个目标的训练样本集为(Γi,yi),i=1,2,...K,yi∈{1,-1}为类别标号;(2)任选两个目标训练数据,采用支持SVM分类器进行训练学习,形成一个适用此两个目标的SVM分类器;(3)对于K个目标,总共构造K(K-1)/2个SVM分类器,完成K个目标非高斯特性指纹特征分类识别器设计。
发明有益成果
本发明的有益效果主要包括:(1)本发明提取的指纹特征是基于辐射源的稳态信号的非高斯特性值,不受信号的暂态过程存突发性与偶然性的限制,具有宽泛的实际应用条件;(2)本发明提取的指纹特征过程不针对特殊信号样式,具有通用的信号应用对象;(3)本发明提取的指纹特征包括了高阶累积量的非高斯特性,对于加性高斯白噪声具有一定的抑制能力,具备低信噪比适应能力。
附图说明
图1是本发明实施例测试数据采集示意图。
图2是本发明的信号非高斯特性提取和分类识别流程示意图。
图3是本发明实施例针对对讲机辐射源个体识别对比图。
实施例说明
为了使本发明的目的、技术方案和有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。
本发明一较佳实施例的基于信号非高斯特性的辐射源特征提取和个体识别方法包括以下步骤:
1、为清楚准确的描述本发明,首先搭建实施环境,5个相同型号对讲机,一台噪声发生器,一台插入信号采集卡的台式计算机,对讲机的信号输出端和噪声发生器的加性噪声输出端通过有线电缆连接到信号采集卡的信号采集输入端。
2、图1是本发明实施例测试数据采集示意图,开展对讲机个体分类识别实验测试,分别进行20次识别实验,将20次实验正确识别率的均值作为该信噪比下的正确识别率,首先进行初始化设置:(1)对讲机设置工作频点为425.6MHz,工作方式FM,按下通话键持续一秒后放开为一次突发,噪声发生器产生加性高斯白噪声;(2)调整噪声发生器功率,使接收采集信号带内信噪比为0dB;(3)采样率设置为320kHz;(4)用能量检测的方法对采集后的连续信号进行截断,保留信号起始段前200个采样点,信号段保留32768个采样点;(5)每部对讲机在相同信噪比条件下重复100次突发过程,形成5个原始数据样本集S1、S2、S3、S4、S5,每组样本数据集中包含100个信号样本,每个信号样本中含有32968个样点;
3、图2是本发明的信号非高斯特性提取和分类识别流程示意图,按照步骤A~步骤F,进行信号特征提取和分类识别,具体操作过程如下:
A.根据采集得到的原始数据样本集S1、S2、S3、S4、S5([S1=(s1(t),s2(t)…,si(t))i∈{1,2,…,100},S2,…,S5]),分别计算每个信号样本的瞬时幅度a(t)和瞬时相位得到:
a(t)=[|s(t1)|,|s(t2)|,...|s(tn)|]
其中s(t)=[s(t1),s(t2),...s(tn)](n∈{1,2,...32968})。
线性矩简称L-矩,对于一组离散样本数据X,其中包含n个样本,对所有样本进行升序排列,得到新序列{x1,x2,…,xn}。此时,X的前四阶L-矩定义为:
l1=b0 (6)
l2=2b1-b0 (7)
l3=6b2-6b1+b0 (8)
l4=20b3-30b2+12b1-b0 (9)
其中li为第i阶矩;b0~b3是前四阶概率权重矩,离散序列的概率权重矩可按下式计算:
在前4阶L-矩中,l1称为L-均值,表示线性矩样本均值。l2称为L-尺度,表示线性矩样本均值的差分统计,衡量样本分布的离散程度。在应用L-矩方法时,通常基于前四阶L-矩的比值,定义线性偏度(L-skewness)τ3和线性峰度(L-kurtosis)τ4为:
τ3=l3/l2 (14)
τ4=l4/l2 (15)
瞬时幅度的线性峰度和线性偏度为:(τa)3=(la)3/(la)2,(τa)4=(la)4/(la)2
D、利用步骤A提取的信号瞬时幅度和瞬时相位,基于高阶累积量,提取高阶累积量矩阵熵,作为信号非高斯特性的指纹特征,具体为:
高阶累积量提供一种对随机变量分布非高斯性的度量。鉴于计算复杂度的原因,本发明利用三阶、四阶累积量来度量信号的非高斯性。
对于一组离散样本数据X,其二阶、三阶、四阶高阶累积量的定义分别为:
c2x(n1)=E[x*(n)x(n+n1)] (16)
c3x(n1,n2)=E[x*(n)x(n+n1)x(n+n2)] (17)
c4x(n1,n2,n3)=E[x*(n)x(n+n1)x(n+n2)x*(n+n3)]
-c2x(n1)c2x(n2-n3)-c2x(n2)c2x(n1-n3)
-E[x*(n)x*(n+n3)]E[x(n)x(n+n1-n2)] (18)
其中符号*表示复共轭;E(·)表示求期望。
进一步,归一化三阶、四阶累积量定义为:
由于累积量矩阵为二维特征,不利于分类识别,在累积量特征矩阵基础上进一步处理,在本发明中,分别将累积量矩阵总体熵、列间香农熵、行间香农熵和矩阵奇异熵作为指纹特征。
累积量矩阵总体熵sk计算式为:
将每个信号样本瞬时幅度a(t)=[|s(t1)|,|s(t2)|,...|s(tn)|]和瞬时相位分别代入式(16)-(24),得到每个信号样本瞬时幅度的三阶、四阶累积量矩阵总体熵、列间香农熵、行间香农熵和矩阵奇异熵:
瞬时相位的三阶、四阶累积量矩阵总体熵、列间香农熵、行间香农熵和矩阵奇异熵:
E、每个信号样本通过上述A、B、C、D四步步骤计算,获得一组非高斯指纹特征数据向量
第一个目标S1通过上述计算,获得一组非高斯指纹特征数据向量组成的指纹特征数据集,
K1=(ξ1,1,ξ1,2,...,ξ1,100)
将K1分为训练数据集P1和测试数据集T1
P1=(ξ1,1,ξ1,2...,ξ1,50),T1=(ξ1,51,ξ1,52,...,ξ1,100)
类似,可得到第二个目标S2的指纹特征数据集K2,包含训练数据集P2和测试数据集T2。依次计算,形成5个目标的训练数据集Pi和测试数据集Ti,i∈{1,2,...5}。
对5个目标的训练数据集进行两两分类训练,总共构造10个分类器。两两分类器采用支持向量机(SVM)分类器来对二分类目标进行训练学习。
为了构造分类器,首先构造每个分类器的训练数据集。
为了训练对目标S1与S2进行分类的分类器,生成训练集P12=(P1,P2),标签集L12=(y1,1,y1,2,...,y1,50,y2,1,y2,2,...,y2,50),其中y1,i=1,y2,i=-1。依次类推,共生成10个训练集Pij,10个标签集Lij,i<j,i,j∈{1,2,...,5}。
选用支持向量回归函数(SVR)建立分类器,其中损失函数的参数设为0.1,核函数选择高斯核函数(RBF)。依次将10个训练集和标签集代入支持向量回归函数,生成10个分类器模型。
下面开始目标S1的第一次识别测试:
(1)将测试数据集T1送入模型M12中计算,获得识别结果L(1) 1,12=(y1,12 (1),y2,12 (1),...,y50,12 (1)),表示模型M12对测试集T1中的50个样本的识别结果,其中,y1,12 (1)表示模型M12对测试集T1中第1个样本的识别结果。
(2)将测试数据集T1送入模型M13中计算,获得识别结果L(1) 1,13=(y1,13 (1),y2,13 (1),...,y50,13 (1))。以此类推,共获得对测试数据集T1的10个识别结果向量。对于T1中的第1个样本,有10个识别结果(y1,12 (1),y1,13 (1),...y1,45 (1)),用投票方式获得分类器对样本1的识别结果
if(y1,ij (1)=1)li=++;else lj++;其中i<j,i,j∈{1,2,...5}
样本1的识别结果r1 (1)=i,其中i满足li=max{lk},k∈{1,2,3,4,5}。
(3)对T1中的全部样本重复上述过程,获得T1的识别结果R1 (1)=(r1 (1),r2 (1),...r50 (1))。根据T1的标签集,可以获得本次识别的准确率。
(4)对T2~T5重复步骤(1)-(3),获得全部5个目标的1次识别结果。
(5)重复进行20次试验,取识别准确率均值作为5个目标的识别准确率。
4、从图3对讲机辐射源个体识别对比图,由图可以看出,在0dB信噪比下,对讲机辐射源个体识别准确率约为40%;依次调整噪声发生器功率,使接收采集信号带内信噪比为分别为[5,10,15,20,25,30]dB,分别采集5部对讲机信号,重复上述步骤进行特征提取和目标识别,并与分形维数复杂度特征和双谱特征两种目标识别方法进行目标识别对比,由图3可以看出,本发明提取的辐射源指纹特征相交于其他基于稳态信号的通用特征(分形、双谱等)具有更高的识别精度,更强的信噪比适应能力。
Claims (2)
1.一种基于信号非高斯特性的辐射源特征提取和个体识别方法,其特征在于,包括以下步骤:
其中每个信号样本s(t)=[s(t1),s(t2),...s(tn)],n为采样点数;
C、利用步骤A提取的每个信号样本的瞬时幅度和瞬时相位,采用四阶线性矩方法提取每个信号样本瞬时幅度的线性峰度(τa)3与线性偏度(τa)4,瞬时相位的线性峰度与线性偏度作为信号非高斯特性的指纹特征,具体为:
瞬时幅度的线性峰度和线性偏度为:(τa)3=(la)3/(la)2,(τa)4=(la)4/(la)2
D、利用步骤A提取的每个信号样本的瞬时幅度和瞬时相位,基于高阶累积量,提取每个信号样本高阶累积量矩阵熵,作为信号非高斯特性的指纹特征,具体为:
E、样本集S的每一个信号样本通过上述A、B、C、D四步步骤计算,获得一组非高斯指纹特征数据向量组成的指纹特征数据集,指纹特征数据集形成有限目标分类识别训练样本集,采用支持向量机SVM分类器进行训练学习,形成适用有限目标基于非高斯特性指纹特征分类识别器设计。
2.如权利要求1中所述的基于信号非高斯特性的辐射源特征提取和个体识别方法,其特征在于,上述步骤E中的目标分类识别器设计,设计规则为:(1)多组指纹特征数据向量形成有限K个目标的训练样本集为(Γi,yi),i=1,2,...K,yi∈{1,-1}为类别标号;(2)任选两个目标训练数据,采用支持SVM分类器进行训练学习,形成一个适用此两个目标的SVM分类器;(3)对于K个目标,总共构造K(K-1)/2个SVM分类器,完成K个目标非高斯特性指纹特征分类识别器设计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811217581.9A CN109472216B (zh) | 2018-10-18 | 2018-10-18 | 基于信号非高斯特性的辐射源特征提取和个体识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811217581.9A CN109472216B (zh) | 2018-10-18 | 2018-10-18 | 基于信号非高斯特性的辐射源特征提取和个体识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109472216A CN109472216A (zh) | 2019-03-15 |
CN109472216B true CN109472216B (zh) | 2021-10-15 |
Family
ID=65664101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811217581.9A Active CN109472216B (zh) | 2018-10-18 | 2018-10-18 | 基于信号非高斯特性的辐射源特征提取和个体识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109472216B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427893A (zh) * | 2019-08-06 | 2019-11-08 | 西安电子科技大学 | 一种基于卷积神经网络的辐射源个体识别方法、装置及计算机存储介质 |
CN111582320B (zh) * | 2020-04-17 | 2022-10-14 | 电子科技大学 | 一种基于半监督学习的动态个体识别方法 |
CN112733613A (zh) * | 2020-12-18 | 2021-04-30 | 国网浙江省电力有限公司武义县供电公司 | 基于希尔伯特变换与赫尔德系数特征的辐射源识别方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942540A (zh) * | 2014-04-10 | 2014-07-23 | 杭州景联文科技有限公司 | 基于曲波纹理分析和svm-knn分类的假指纹检测算法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070255668A1 (en) * | 2006-04-27 | 2007-11-01 | Hrl Laboratories, Llc | Intrinsic discriminant dimension-based signal representation and classification |
CN104809358A (zh) * | 2015-05-21 | 2015-07-29 | 哈尔滨工业大学 | 一种基于相位噪声无意调制特征的雷达辐射源识别方法 |
CN106529478A (zh) * | 2016-11-08 | 2017-03-22 | 中国人民解放军空军工程大学 | 一种联合三维熵特征的雷达辐射源信号识别方法 |
-
2018
- 2018-10-18 CN CN201811217581.9A patent/CN109472216B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942540A (zh) * | 2014-04-10 | 2014-07-23 | 杭州景联文科技有限公司 | 基于曲波纹理分析和svm-knn分类的假指纹检测算法 |
Also Published As
Publication number | Publication date |
---|---|
CN109472216A (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108924736B (zh) | 一种基于PCA-Kalman的无源室内人员状态检测方法 | |
CN109472216B (zh) | 基于信号非高斯特性的辐射源特征提取和个体识别方法 | |
CN104459668B (zh) | 基于深度学习网络的雷达目标识别方法 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
Tu et al. | Research on the Internet of Things device recognition based on RF-fingerprinting | |
CN104866524A (zh) | 一种商品图像精细分类方法 | |
Liu | Multi-feature fusion for specific emitter identification via deep ensemble learning | |
CN113569742B (zh) | 一种基于卷积神经网络的宽频带电磁干扰源识别方法 | |
CN108960138A (zh) | 一种基于卷积神经网络的设备认证特征识别方法 | |
Zhou et al. | Specific emitter identification via bispectrum‐radon transform and hybrid deep model | |
CN111914919A (zh) | 基于深度学习的开放集辐射源个体识别方法 | |
CN110197209A (zh) | 一种基于多特征融合的辐射源识别方法 | |
CN108960258A (zh) | 一种基于自学习深度特征的模板匹配方法 | |
CN110399846A (zh) | 一种基于多通道肌电信号相关性的手势识别方法 | |
CN110232371B (zh) | 基于小样本的高精度hrrp雷达多目标识别方法 | |
CN113609982B (zh) | 一种基于智能载波同步的高区分度射频指纹学习与提取方法 | |
CN116127298B (zh) | 基于三元组损失的小样本射频指纹识别方法 | |
CN106202756A (zh) | 基于单层感知机的欠定盲源分离源信号恢复方法 | |
CN114239657A (zh) | 一种基于复值干涉神经网络的时序信号识别方法 | |
CN104143088B (zh) | 一种基于图像检索和特征权重学习的人脸识别方法 | |
CN106405683B (zh) | 基于g-l混合噪声特性核岭回归技术的风速预报方法及装置 | |
CN112686297B (zh) | 一种雷达目标运动状态的分类方法及系统 | |
CN102609733B (zh) | 海量人脸库应用环境下的人脸快速识别方法 | |
CN112213697B (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
CN106443625A (zh) | 基于高分辨一维像信息融合的目标识别方法 |
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 |