CN109884587A - 一种用于雾计算环境的无线传感器网络定位方法 - Google Patents
一种用于雾计算环境的无线传感器网络定位方法 Download PDFInfo
- Publication number
- CN109884587A CN109884587A CN201910161935.0A CN201910161935A CN109884587A CN 109884587 A CN109884587 A CN 109884587A CN 201910161935 A CN201910161935 A CN 201910161935A CN 109884587 A CN109884587 A CN 109884587A
- Authority
- CN
- China
- Prior art keywords
- node
- mist
- distance
- model
- formula
- 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.)
- Granted
Links
Landscapes
- Mobile Radio Communication Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种用于雾计算环境的无线传感器网络定位方法,本方法采用了一种改进后的RSSI测距模型来估计节点间距离,即在传统RSSI测距模型的基础上加入了一个高斯变量,使得计算结果与实际测距结果更加吻合。同时,根据雾传感器节点和锚节点信息对普通节点进行搜索定位,基于不同节点的位置权重因子提出了一种新的加权搜索方法,并针对特殊节点给出了相应的处理方案,从而提高定位速度和精度。本方法研究了锚点数目对三种算法定位误差的影响。所有锚节点都是随机生成的,锚节点数从10增加到60,随着锚节点数的增加,这三种方法的定位性能逐渐得到提高,且本方法的定位性能最佳。
Description
技术领域
本发明涉及一种无线传感器网络定位方法,特别是用于雾计算环境的无线传感器网络场景。本方法采用了基于接收信号强度的距离模型来估计节点间距离,并提出了一种基于权重因子的无线传感器网络定位方法。
背景技术
随着通信网络和物联网技术的蓬勃发展,云计算以其强大的计算和存储能力成为一种相当流行的模式并得到了广泛的发展和应用。但是,由于终端设备的爆发式增长和云服务商与终端设备存在较大的物理距离,云计算作为一种集中计算模型,在远离终端设备的地方进行海量数据的处理和分析,这意味着大部分数据和请求都需要传输到集中云。在未来物联网的应用场景中,云计算体系结构暴露了高延迟、网络资源不足、不支持高移动性、系统可靠性差等缺陷。此外,一些决策行为可以在本地执行,而不必传输到云端。物联网应用与大量传感器、执行器和智能设备相连。通常,执行器只对该区域中的设备做出响应,如果所有数据都传输到云数据中心,这个过程不仅造成带宽资源的浪费,而且将会造成网络拥塞。工业物联网、智慧医疗、车联网等领域的不断发展,给当前通信领域带来了急需解决的挑战。
为了解决这些问题,思科公司提出了雾计算的概念,即在云层和终端设备层之间引入一个带有计算资源的雾层,从而实现连接几十亿个终端设备。雾计算范式是由大量的分布式设备构成,这些设备共同完成了边缘网络的计算和存储任务。相比于云层,雾层更加靠近终端设备、拥有稠密的地理分布信息、低延迟、支持高移动性、具备更好的位置感知能力,同时终端设备、接入设备、智能交换机等都可以被部署为雾设备。
物联网的另一个基础技术是无线传感器网络技术,它主要使用智能传感器进行通信和监控。由于无线传感器网络的普遍性和易部署性,其广泛应用引起了人们的关注。大多数物联网应用都需要位置感知、移动性支持和感知计算能力,这些需求可以通过改进无线传感器网络定位技术来支撑。具体来说,无线传感器网络中的定位技术被视为新兴应用的关键技术,包括网络物理系统、环境监测、智能家居、车联网。
发明内容
本发明的目的在于提供一种雾计算环境下的无线传感器定位方法。本方法采用了一种改进后的RSSI测距模型来估计节点间距离,即在传统RSSI测距模型的基础上加入了一个高斯变量,使得计算结果与实际测距结果更加吻合。同时,根据雾传感器节点和锚节点信息对普通节点进行搜索定位,基于不同节点的位置权重因子提出了一种新的加权搜索方法,并针对特殊节点给出了相应的处理方案,从而提高定位速度和精度。
为解决上述问题,本发明采用如下的技术方案:
一种用于雾计算环境的无线传感器网络定位方法,该方法包括以下步骤:
步骤1、设计基于雾计算的无线传感器网络通信架构
基于雾计算的无线传感器网络架构由云层、雾层和雾传感器层组成。云层负责接收来自雾层的业务请求,部署了丰富的计算资源,中间的雾层由大量带有雾服务器的基站组成,而底部的雾传感器层则包含了多个传感器节点和相应的雾接入点。传感器节点分为雾传感器节点、锚节点和普通节点。
步骤2、建立改进的RSSI测距模型
在通信范围内,最常用的路径损耗模型对数-常态分布模型,其统计模型为:其中,d是发送节点和接收节点之间的测量距离,d0为发送节点和接收节点之间的参考距离,Pr,dB(d0)是在距离发送节点d0处的路径损耗,Xσ是均值为0、方差为σ的高斯随机分布变量。np是取决于传输介质的路径损耗指数,RSSI测距模型与实际数据不吻合的原因主要在于路径损耗常数np为固定常数,而在实际的测距过程中np应该是变化的,因此改进的测距模型中np为期望为3,方差为的高斯随机变量。
步骤3、基于权重因子的无线传感器网络搜索定位
步骤3.1、定位模型
基于测距的无线传感器网络定位问题的数学模型为: 其中,Ei是节点i的邻居节点集合,且与节点i的距离小于最大通信距离R, 和分别为节点i和节点j的估计坐标,ei,j为节点i与节点j之间的测量距离。
步骤3.2、搜索目标函数
估计距离可通过获得,其中,以节点i为圆心做圆,将此圆等分为M份,表示圆上等分点的估计坐标,而表示迭代u次算法后获得的估计坐标。ψ(j)为节点位置信息权重系数,雾传感器节点、锚节点、已定位的普通节点和未定位的普通节点带有不同的权重系数。通过寻找最小估计距离来确定目标节点在当前迭代过程中的估计坐标,
步骤4、针对特殊节点的定位
针对在搜索定位过程中的两类特殊节点,给出了相应方案。
(1)目标定位节点与其已知邻居节点共线。如果节点i与其邻居节点共线,那么在迭代过程中将会出现两个最优解。此时,目标节点的估计坐标可以通过如下定义获得
式中,N1和N2为节点i的邻居节点,P为迭代过程中的任意解,P3为当前回合的最佳估计位置。
(2)目标定位节点只有1个邻居节点。在此情况下,使用其邻居节点的位置作为当前回合目标节点的估计位置,并将其带入下一轮迭代过程,通过多次迭代来修正误差。
附图说明
图1为基于雾计算的无线传感器网络体系架构示意图;
图2为本发明的搜索定位方法示意图;
图3为本发明所提出的定位方法性能对比图。
图4是本发明的实施流程图。
具体实施方式
以下结合具体实验对本发明作进一步说明:
步骤1、搭建网络通信环境
本发明针对雾环境中的无线传感器网络通信系统,如图1所示建立了一个具体模型。在一个大规模通信网络中,某个雾接入点的通信覆盖范围R内存在传感器节点集合N,其中包括n个普通节点,m个锚节点,k个雾传感器节点。而其中具有位置信息的节点集合NL由雾传感器节点集合NF、锚节点集合NA和被定位过的普通节点结合NP组成,即NL=NP∪NA∪NF。因此,传感器节点集合N由有位置信息的节点集合NL和未被定位过的普通节点集合NO组成,即N=NL∪NO。
步骤2、建立RSSI测距模型
基于RSSI测距的核心思想是通过测量无线电信号的传输损耗率来估计接收节点和发送节点之间的距离。最关键的因素是信号传播的路径损耗模型。路径损耗模型是如下式3的对数正态分布模型:
式中,d是发送节点和接收节点之间的测量距离,d0为发送节点和接收节点之间的参考距离,Pr,dB(d0)是在距离发送节点d0处的路径损耗,Xσ是均值为0、方差为σ的高斯随机分布变量。np是取决于传输介质的路径损耗指数。通过式(3),测量距离d可以改写为:
进一步改写:
式(5)中,PT是发射节点的发射功率,PR是接收节点的接收功率。
根据实际测量结果发现:当距离较小时,式(3)的估计值接近实际距离的测量结果,但是当距离较远时,式(3)的估计值在实际值附近波动。同时发现,距离误差与距离成正比。原因在于传统RSSI测距模型的路径损耗常数np为固定常数,而在实际的测距过程中np应该是变化的,因此在本发明的测距模型中np为期望为3,方差为的高斯随机变量,用来反映方差随节点间距离增大而变化。
步骤3、搜索定位模型
本发明的搜索定位方法是以圆形方式进行未知节点的定位。表示节点i在第u轮迭代中的估计坐标,迭代过程初始阶段,使用节点i所有已知邻居节点的质心位置作为其初始位置
以为圆心,以给定的搜索距离为半径作圆,将圆周长等分M份:
θl=(l-1)*2Ω/M (8)
式中,φr代表每轮递减的搜索半径。然后,通过将估计坐标带入式(9)可以得到本轮的搜索结果。
其中,ei,j是基于测距模型得到的节点i和节点j之间的测量距离,ψ(j)是节点j的位置权重系数,由于不同类别节点带有的硬件资源不同,因此位置权重系数也不同,具体系数如式(11)所示:
然后,将与节点i之间距离最接近测量距离的节点位置作为本轮的最佳定位位置,并作为下一轮搜索的圆心,
当搜索半径φr递减到提前设定的最小值时,将会得到最优的节点估计坐标:
步骤4、特殊节点定位方案
为了提高定位精度,本发明提出了两类特殊节点的处理方案。
如果满足以下任一条件,在迭代过程中会出现多个最优节点估计坐标:(1)目标定位节点与其已知邻居节点具有共线性;(2)目标定位节点的已知邻居节点数量少于3个。这两类情况通常会出现在搜索过程的前几轮或者网络边缘的位置,因为系统中没有足够多的节点位置信息。针对第一类特殊节点,如果节点i与其邻居节点共线,那么在迭代过程中将会出现两个最优解。此时,目标节点的估计坐标可以通过如下定义获得
式中,N1和N2为节点i的邻居节点,P为迭代过程中的任意解,P3为当前回合的最佳估计位置。针对第二类特殊节点,使用其邻居节点的位置作为当前回合目标节点的估计位置,并将其带入下一轮迭代过程,通过多次迭代来修正误差。
下面结合仿真实验结果对本发明所涉及的方法进行性能分析及比较
利用MATLAB进行仿真,建立系统模型。
模拟部署了150个传感器节点,全部节点随机生成在1000*1000的正方形区域内,其中包括普通节点110个,锚节点35个,雾传感器节点5个。节点的通信距离R=200,搜索截止半径φstop=0.01*R,定位误差ε定义为网络中未知节点的估计坐标与实际坐标之间的平均误差参数,
本发明研究了锚点数目对三种算法定位误差的影响。所有锚节点都是随机生成的,锚节点数从10增加到60,如仿真图3所示。有结果可见,随着锚节点数的增加,这三种方法的定位性能逐渐得到提高,且本方法的定位性能最佳。
以上实施例仅为本发明的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (5)
1.一种用于雾计算环境的无线传感器网络定位方法,其特征在于:该方法包括以下步骤,
步骤1、设计基于雾计算的无线传感器网络通信架构
基于雾计算的无线传感器网络架构由云层、雾层和雾传感器层组成;云层负责接收来自雾层的业务请求,部署了丰富的计算资源,中间的雾层由大量带有雾服务器的基站组成,而底部的雾传感器层则包含了多个传感器节点和相应的雾接入点;传感器节点分为雾传感器节点、锚节点和普通节点;
步骤2、建立改进的RSSI测距模型
在通信范围内,最常用的路径损耗模型对数-常态分布模型,其统计模型为:其中,d是发送节点和接收节点之间的测量距离,d0为发送节点和接收节点之间的参考距离,Pr,dB(d0)是在距离发送节点d0处的路径损耗,Xσ是均值为0、方差为σ的高斯随机分布变量;np是取决于传输介质的路径损耗指数,RSSI测距模型与实际数据不吻合的原因主要在于路径损耗常数np为固定常数,而在实际的测距过程中np应该是变化的,因此改进的测距模型中np为期望为3,方差为的高斯随机变量;
步骤3、基于权重因子的无线传感器网络搜索定位
步骤3.1、定位模型
基于测距的无线传感器网络定位问题的数学模型为: 其中,Ei是节点i的邻居节点集合,且与节点i的距离小于最大通信距离R, 和分别为节点i和节点j的估计坐标,ei,j为节点i与节点j之间的测量距离;
步骤3.2、搜索目标函数
估计距离通过获得,其中,以节点i为圆心做圆,将此圆等分为M份,表示圆上等分点的估计坐标,而表示迭代u次算法后获得的估计坐标;ψ(j)为节点位置信息权重系数,雾传感器节点、锚节点、已定位的普通节点和未定位的普通节点带有不同的权重系数;通过寻找最小估计距离来确定目标节点在当前迭代过程中的估计坐标,
步骤4、针对特殊节点的定位
针对在搜索定位过程中的两类特殊节点,给出了相应方案;
(1)目标定位节点与其已知邻居节点共线;如果节点i与其邻居节点共线,那么在迭代过程中将会出现两个最优解;此时,目标节点的估计坐标通过如下定义获得
式中,N1和N2为节点i的邻居节点,P为迭代过程中的任意解,P3为当前回合的最佳估计位置;
(2)目标定位节点只有1个邻居节点;在此情况下,使用其邻居节点的位置作为当前回合目标节点的估计位置,并将其带入下一轮迭代过程,通过多次迭代来修正误差。
2.根据权利要求1所述的一种用于雾计算环境的无线传感器网络定位方法,其特征在于:在一个大规模通信网络中,某个雾接入点的通信覆盖范围R内存在传感器节点集合N,其中包括n个普通节点,m个锚节点,k个雾传感器节点;而其中具有位置信息的节点集合NL由雾传感器节点集合NF、锚节点集合NA和被定位过的普通节点结合NP组成,即NL=NP∪NA∪NF;因此,传感器节点集合N由有位置信息的节点集合NL和未被定位过的普通节点集合NO组成,即N=NL∪NO。
3.根据权利要求1所述的一种用于雾计算环境的无线传感器网络定位方法,其特征在于:基于RSSI测距的核心思想是通过测量无线电信号的传输损耗率来估计接收节点和发送节点之间的距离;最关键的因素是信号传播的路径损耗模型;路径损耗模型是如下式3的对数正态分布模型:
式中,d是发送节点和接收节点之间的测量距离,d0为发送节点和接收节点之间的参考距离,Pr,dB(d0)是在距离发送节点d0处的路径损耗,Xσ是均值为0、方差为σ的高斯随机分布变量;np是取决于传输介质的路径损耗指数;通过式(3),测量距离d改写为:
进一步改写:
式(5)中,PT是发射节点的发射功率,PR是接收节点的接收功率;
根据实际测量结果发现:当距离较小时,式(3)的估计值接近实际距离的测量结果,但是当距离较远时,式(3)的估计值在实际值附近波动;同时发现,距离误差与距离成正比;RSSI测距模型的路径损耗常数np为固定常数,在实际的测距过程中np应该是变化的,因此在本方法的测距模型中np为期望为3,方差为的高斯随机变量,用来反映方差随节点间距离增大而变化。
4.根据权利要求1所述的一种用于雾计算环境的无线传感器网络定位方法,其特征在于:本方法的搜索定位方法是以圆形方式进行未知节点的定位;表示节点i在第u轮迭代中的估计坐标,迭代过程初始阶段,使用节点i所有已知邻居节点的质心位置作为其初始位置
以为圆心,以给定的搜索距离为半径作圆,将圆周长等分M份:
θl=(l-1)*2Ω/M (8)
式中,φr代表每轮递减的搜索半径;然后,通过将估计坐标带入式(9)得到本轮的搜索结果;
其中,ei,j是基于测距模型得到的节点i和节点j之间的测量距离,ψ(j)是节点j的位置权重系数,由于不同类别节点带有的硬件资源不同,因此位置权重系数也不同,具体系数如式(11)所示:
然后,将与节点i之间距离最接近测量距离的节点位置作为本轮的最佳定位位置,并作为下一轮搜索的圆心,
当搜索半径φr递减到提前设定的最小值时,将会得到最优的节点估计坐标:
。
5.根据权利要求1所述的一种用于雾计算环境的无线传感器网络定位方法,其特征在于:如果满足以下任一条件,在迭代过程中会出现多个最优节点估计坐标:(1)目标定位节点与其已知邻居节点具有共线性;(2)目标定位节点的已知邻居节点数量少于3个;这两类情况会出现在搜索过程的前几轮或者网络边缘的位置,因为系统中没有足够多的节点位置信息;针对第一类特殊节点,如果节点i与其邻居节点共线,那么在迭代过程中将会出现两个最优解;此时,目标节点的估计坐标通过如下定义获得
式中,N1和N2为节点i的邻居节点,P为迭代过程中的任意解,P3为当前回合的最佳估计位置;针对第二类特殊节点,使用其邻居节点的位置作为当前回合目标节点的估计位置,并将其带入下一轮迭代过程,通过多次迭代来修正误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910161935.0A CN109884587B (zh) | 2019-03-05 | 2019-03-05 | 一种用于雾计算环境的无线传感器网络定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910161935.0A CN109884587B (zh) | 2019-03-05 | 2019-03-05 | 一种用于雾计算环境的无线传感器网络定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109884587A true CN109884587A (zh) | 2019-06-14 |
CN109884587B CN109884587B (zh) | 2020-11-27 |
Family
ID=66930650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910161935.0A Active CN109884587B (zh) | 2019-03-05 | 2019-03-05 | 一种用于雾计算环境的无线传感器网络定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109884587B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111586567A (zh) * | 2020-05-22 | 2020-08-25 | 中国电子科技集团公司第五十四研究所 | 基于锚节点的网络协同定位方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106454912A (zh) * | 2016-09-21 | 2017-02-22 | 绍兴文理学院 | 基于无线传感器网络的定位系统及方法 |
CN106548646A (zh) * | 2016-11-08 | 2017-03-29 | 西安电子科技大学宁波信息技术研究院 | 基于雾计算的城市堵车时道路信息服务系统及方法 |
CN107222843A (zh) * | 2017-06-30 | 2017-09-29 | 西安电子科技大学 | 面向室内定位的雾网络实现系统和方法 |
CN107622697A (zh) * | 2017-10-23 | 2018-01-23 | 济南浪潮高新科技投资发展有限公司 | 一种基于雾计算的交通事故警示系统及方法 |
CN207638694U (zh) * | 2017-06-29 | 2018-07-20 | 高丹妮 | 一种基于智能手机的云计算安全监控系统 |
CN108600310A (zh) * | 2018-03-21 | 2018-09-28 | 南京邮电大学 | 一种物联网环境下的雾计算体系架构 |
US20180316555A1 (en) * | 2017-04-29 | 2018-11-01 | Cisco Technology, Inc. | Cognitive profiling and sharing of sensor data across iot networks |
CN109286508A (zh) * | 2017-07-19 | 2019-01-29 | 中兴通讯股份有限公司 | 一种雾节点部署方法及系统 |
-
2019
- 2019-03-05 CN CN201910161935.0A patent/CN109884587B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106454912A (zh) * | 2016-09-21 | 2017-02-22 | 绍兴文理学院 | 基于无线传感器网络的定位系统及方法 |
CN106548646A (zh) * | 2016-11-08 | 2017-03-29 | 西安电子科技大学宁波信息技术研究院 | 基于雾计算的城市堵车时道路信息服务系统及方法 |
US20180316555A1 (en) * | 2017-04-29 | 2018-11-01 | Cisco Technology, Inc. | Cognitive profiling and sharing of sensor data across iot networks |
CN207638694U (zh) * | 2017-06-29 | 2018-07-20 | 高丹妮 | 一种基于智能手机的云计算安全监控系统 |
CN107222843A (zh) * | 2017-06-30 | 2017-09-29 | 西安电子科技大学 | 面向室内定位的雾网络实现系统和方法 |
CN109286508A (zh) * | 2017-07-19 | 2019-01-29 | 中兴通讯股份有限公司 | 一种雾节点部署方法及系统 |
CN107622697A (zh) * | 2017-10-23 | 2018-01-23 | 济南浪潮高新科技投资发展有限公司 | 一种基于雾计算的交通事故警示系统及方法 |
CN108600310A (zh) * | 2018-03-21 | 2018-09-28 | 南京邮电大学 | 一种物联网环境下的雾计算体系架构 |
Non-Patent Citations (1)
Title |
---|
R.A.ALAWI: ""RSSI based location estimation in wireless sensor networks"", 《2011 17TH IEEE INTERNATIONAL CONFERENCE ON NETWORKS》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111586567A (zh) * | 2020-05-22 | 2020-08-25 | 中国电子科技集团公司第五十四研究所 | 基于锚节点的网络协同定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109884587B (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | An RSSI based DV-hop algorithm for wireless sensor networks | |
Sallouha et al. | Localization in long-range ultra narrow band IoT networks using RSSI | |
CN102395192B (zh) | 一种无线传感终端的定位方法和装置 | |
Diaz et al. | Bluepass: An indoor bluetooth-based localization system for mobile applications | |
CN104320845B (zh) | 一种基于传感器和量子智能计算的主用户定位方法 | |
Gogolak et al. | Neural network-based indoor localization in WSN environments | |
Javed et al. | V2X‐Based Mobile Localization in 3D Wireless Sensor Network | |
CN109348403B (zh) | 一种异构网络环境中面向指纹定位的基站部署优化方法 | |
Redondi | Radio map interpolation using graph signal processing | |
Yingxi et al. | WSN node localization algorithm design based on RSSI technology | |
CN109490826A (zh) | 一种基于无线电波场强rssi的测距与位置定位方法 | |
CN109819394A (zh) | 基于WiFi与超声波混合的室内定位方法及其系统 | |
Fernandes et al. | Scalable vanet simulations with ns-3 | |
CN103442437A (zh) | 一种基于可信邻居距离的无线传感网节点定位校准方法 | |
CN115066012B (zh) | 一种基于uwb的多用户无锚点定位方法 | |
CN107509165A (zh) | 一种基于大数据计算、确定ap位置的方法 | |
Gupta et al. | An improved DV-maxHop localization algorithm for wireless sensor networks | |
Cho et al. | Improving TDoA based positioning accuracy using machine learning in a LoRaWan environment | |
Machaj et al. | Impact of optimization algorithms on hybrid indoor positioning based on GSM and Wi‐Fi signals | |
Kuo et al. | The beacon movement detection problem in wireless sensor networks for localization applications | |
Duttagupta et al. | Distributed boundary estimation using sensor networks | |
CN109884587A (zh) | 一种用于雾计算环境的无线传感器网络定位方法 | |
CN107801168A (zh) | 一种室外自适应的被动式目标的定位方法 | |
CN110297212A (zh) | 基于Voronoi图的室外分组测试定位方法及系统 | |
Diao et al. | Enhancing trilateration localization by adaptive selecting distances |
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 |