CN110233608B - 一种基于权值自适应的粒子滤波方法和雷达系统 - Google Patents

一种基于权值自适应的粒子滤波方法和雷达系统 Download PDF

Info

Publication number
CN110233608B
CN110233608B CN201910589137.8A CN201910589137A CN110233608B CN 110233608 B CN110233608 B CN 110233608B CN 201910589137 A CN201910589137 A CN 201910589137A CN 110233608 B CN110233608 B CN 110233608B
Authority
CN
China
Prior art keywords
weight
particles
particle
weights
value
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
Application number
CN201910589137.8A
Other languages
English (en)
Other versions
CN110233608A (zh
Inventor
谷鹏
陈帅
颜明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Leihua Electronic Technology Research Institute Aviation Industry Corp of China
Original Assignee
Leihua Electronic Technology Research Institute Aviation Industry Corp of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Leihua Electronic Technology Research Institute Aviation Industry Corp of China filed Critical Leihua Electronic Technology Research Institute Aviation Industry Corp of China
Priority to CN201910589137.8A priority Critical patent/CN110233608B/zh
Publication of CN110233608A publication Critical patent/CN110233608A/zh
Application granted granted Critical
Publication of CN110233608B publication Critical patent/CN110233608B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/66—Radar-tracking systems; Analogous systems
    • G01S13/72—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar
    • G01S13/723—Radar-tracking systems; Analogous systems for two-dimensional tracking, e.g. combination of angle and range tracking, track-while-scan radar by using numerical data
    • G01S13/726—Multiple target tracking
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0202—Two or more dimensional filters; Filters for complex signals
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0248—Filters characterised by a particular frequency response or filtering method
    • H03H17/0282—Sinc or gaussian filters
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00—Adaptive networks
    • H03H21/0012—Digital adaptive filters
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00—Adaptive networks
    • H03H21/0012—Digital adaptive filters
    • H03H21/0016—Non linear filters
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00—Adaptive networks
    • H03H21/0012—Digital adaptive filters
    • H03H21/0025—Particular filtering methods
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00—Adaptive networks
    • H03H21/0012—Digital adaptive filters
    • H03H21/0043—Adaptive algorithms
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0202—Two or more dimensional filters; Filters for complex signals
    • H03H2017/0208—Two or more dimensional filters; Filters for complex signals using neural networks
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00—Adaptive networks
    • H03H21/0012—Digital adaptive filters
    • H03H2021/0085—Applications
    • H03H2021/0087—Prediction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Nonlinear Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请涉及一种基于权值自适应的粒子滤波方法，粒子滤波方法包括：获取至少具有一组测量数据的雷达测量回波，并初始化；对当前k时刻的粒子进行粒子权值归一化；对粒子权值进行排序分裂高权值的粒子、舍弃低权值粒子；对m个粒子进行聚类得到每个粒子的权值；对第一类神经元进行求和，以及对第二类神经元求和，根据第二类神经元与第一类神经元相除获得输出权值；根据输出权值求得有效粒子权值，并与有效粒子数阈值比对，若小于1则重采样，若大于1则计算状态估计值。本申请的基于权值自适应的粒子滤波方法及雷达系统通过动态构建状态方程，提高先验概率密度分布估计合理性，优化预测效果，改善粒子滤波的鲁棒性与实时性。

Description

一种基于权值自适应的粒子滤波方法和雷达系统
技术领域
本申请属于雷达技术领域，特别涉及一种基于权值自适应的粒子滤波方法、装置和雷达系统。
背景技术
对于机动目标跟踪是雷达探测领域重点关注的问题。常规的卡尔曼滤波算法要求系统是线性高斯型的,因而不能直接用于解决非线性、非高斯问题。扩展卡尔曼滤波算法(Extended Kalman Filter，EKF)是对非线性系统进行局部线性化,从而间接利用卡尔曼滤波算法进行状态估计,该算法的跟踪精度会随着非线性化程度的严重而显著降低；
粒子滤波作为一种基于蒙特卡洛方法的贝叶斯滤波,是解决非线性和非高斯问题的一种行之有效的滤波算法。粒子滤波主要通过粒子集来表示概率，可以在任何形式的状态空间模型上使用。其核心思想是从后验概率中抽取随机状态粒子来表示其分布情况，是一种序贯重要性采样方法，该方法的最大问题就是粒子退化现象，在经过若干次迭代后，粒子重要性权值的方差会随时间逐渐增大，使得少数粒子的权值很大而大多数粒子的权值很小，以至于可以忽略不计，这样就不能有效地表达后验概率密度函数粒子滤波，有时会出现比较严重的退化现象，只有少数样本具有较大的权重，而使其他样本几乎成为无效样本，降低了粒子滤波的估计性能。
发明内容
本申请的目的是提供了一种基于权值自适应的粒子滤波方法及雷达系统，以解决或减轻现有技术中的至少一个问题。
在一方面，本申请提供了一种基于权值自适应的粒子滤波方法，所述粒子滤波方法包括：
步骤一：获取雷达测量回波，所述雷达测量回波中至少具有一组测量数据，根据测量数据确定测量数据的均值和方差的高斯分布，根据高斯分布产生N个粒子，自N个粒子中随机抽取M个粒子，并赋予权值1/M；
步骤二：以k-1时刻的粒子作为条件，对k时刻的粒子概率密度状态转移分布进行采样，确定当前k时刻的粒子权值，并对当前k时刻的粒子进行粒子权值归一化；
步骤三：对粒子权值进行排序获得高权值和低权值的粒子，分裂高权值的粒子为两个权值减半的粒子，舍弃低权值粒子，再次对粒子权值进行排序，取其中最小的m个粒子，并调整粒子的权值；
步骤四：对m个粒子进行聚类，把回波的测量值与聚类值带入高斯概率密度函数得到每个粒子的权值；
步骤五：利用广义神经网络对第一类神经元进行求和，以及利用广义神经网络对第二类神经元求和，根据第二类神经元与第一类神经元相除获得输出权值；
步骤六：根据输出权值求得有效粒子权值，并与有效粒子数阈值比对，若比值小于1，则重采样，若比值大于1，则计算状态估计值，通过状态估量值评价目标跟踪的稳健性。
在本申请的步骤二中，所述k时刻的粒子概率密度状态转移分布采样方法为
Figure GDA0004147083690000021
式中，
Figure GDA0004147083690000022
为k时刻的样本点，/>
Figure GDA0004147083690000023
为k-1时刻的样本点。
在本申请的步骤二中，当前k时刻粒子非归一化权重为
Figure GDA0004147083690000024
在本申请的步骤二中，当前k时刻粒子i＝1:N归一化粒子权重为
Figure GDA0004147083690000025
在本申请的步骤四中，所述回波的测量值与聚类值带入高斯概率密度函数得到每个粒子的权值有
Figure GDA0004147083690000031
其中，x表示聚类后的值，xi表示本时刻的测量值，σ为平滑参数。
在本申请的在步骤五中，所述第一类神经元求和为
Figure GDA0004147083690000032
在本申请的步骤五中，所述第二类神经元求和为
Figure GDA0004147083690000033
在本申请的步骤六中，所述有效粒子权值为
Figure GDA0004147083690000034
在本申请的步骤六中，所述计算状态估计值为
Figure GDA0004147083690000035
在另一方面，本申请提供了一种雷达系统，所述雷达系统包括：
一个或多个处理装置；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理器实现如上任一所述的方法。
本申请的基于权值自适应的粒子滤波方法及雷达系统通过动态构建状态方程，提高先验概率密度分布估计合理性，优化预测效果，改善粒子滤波的鲁棒性与实时性。
附图说明
为了更清楚地说明本申请提供的技术方案，下面将对附图作简单地介绍。显而易见地，下面描述的附图仅仅是本申请的一些实施例。
图1为本申请的基于权值自适应的粒子滤波方法流程图。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行更加详细的描述。
对于在机动目标跟踪状态下，由于序贯采样导致的粒子退化误差变大现象，因此本申请提出一种基于权值自适应的粒子滤波方法能够大大提高了目标跟踪的稳健性和准确性。
本申请的基于权值自适应的粒子滤波方法通过自适应的调整具有大权值的粒子和小权值粒子的权值系数，使其能够自适应的获得对目标状态的完整性全局估计，利用自适应调整的粒子权值优化更新各粒子状态。本申请主要通过广义神经网络的“指导”，调整各粒子状态，减少粒子更新过程中误差的累积影响，使更新状态将更符合实际情况，提高目标状态的概率分布估计精度，也避免利用固定的状态方程更新目标状态,提高估计过程的适应性。
如图1所示，本申请的基于权值自适应的粒子滤波方法具体包括如下步骤：
第一步，采样初始化，雷达向地面辐射电磁波，获取当前时刻目标的测量回波集合p，集合中包括目标距离、速度、方位角和俯仰角，在p(x0)中随机抽取M个样本点
Figure GDA0004147083690000041
并赋予权值1/M。
例如，本申请一实施例中获得的三个测量p1[80100，200，1.2，0.1]和p2[80000，205，1.21，0.101]，p3[80200，202，1.23，0.11]，单位分别为m、m/s、rad和rad；形成直接测得的p1、p2和p3目标的距离、速度、方位和俯仰角为均值，(50，3，0.01，0.001)为方差的高斯分布，以该均值和方差的高斯分布为基础产生每个目标50个粒子，完成粒子滤波(Particlefilter，PF)初始化，在p(x0)中随机抽取30个样本点
Figure GDA0004147083690000042
(i表示第i个目标)，并赋予权值1/30。
第二步，从概率密度状态转移分布采样：
Figure GDA0004147083690000043
计算当前k时刻粒子非归一化权重/>
Figure GDA0004147083690000044
对当前k时刻粒子i＝1:N归一化粒子权重：/>
Figure GDA0004147083690000051
第三步，粒子权值按降序进行排序，分为高权值和低权值，高权值粒子分裂为2个权值减半的粒子，低权值粒子中的n个粒子进行舍弃操作。
第四步，对第四步的粒子权值再次降序排序，取其中最小的m个粒子，利用广义神经网络调整粒子的权值。
第五步，模式层：把对应样本的第i个值和聚类值带入高斯概率密度函数：
Figure GDA0004147083690000052
其中x表示聚类后的值，xi表示本帧的测量值，σ为平滑参数。
第六步，求和层第一类神经元计算：对高斯概率密度函数进行求和。
Figure GDA0004147083690000053
求和层第二类神经元计算：对高斯概率密度函数加权进行求和。
Figure GDA0004147083690000054
其中yij表示粒子上一时刻的权值，输出权值为：
Figure GDA0004147083690000055
第七步，重采样。计算有效粒子
Figure GDA0004147083690000056
并与设定的有效粒子数阈值Nthres进行比较；如果Neff<Nthres,则进行重采样，将原来的带权样本映射为等权值样本。否则，执行第八步。
第八步，计算状态估计值
Figure GDA0004147083690000057
可以当目标在做机动时，目标运动的过程呈现出非线性和非高斯的状态，此时使用常规的粒子滤波算法容易造成粒子退化现象，跟踪精度下降，本申请的基于权值自适应的粒子滤波方法不仅能够调整不适当的粒子权值而且系统能够自适应的获得对目标状态的完整性全局估计。
最后，本申请提供了一种雷达系统，雷达系统包括：一个或多个处理装置；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理装置执行，使得一个或多个处理器实现如上任一的方法。
其中，处理装置可以由雷达系统中的处理机担任，也可以另外增加处理装置。
本申请的基于权值自适应的粒子滤波方法则通过动态构建状态方程,提高先验概率密度分布估计合理性,优化预测效果,改善粒子滤波的鲁棒性与实时性。
本申请的雷达系统最适用于机载多功能雷达目标机动跟踪的场景。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于权值自适应的粒子滤波方法，其特征在于，所述粒子滤波方法包括
步骤一：获取雷达测量回波，所述雷达测量回波中至少具有一组测量数据，根据测量数据确定测量数据的均值和方差的高斯分布，根据高斯分布产生N个粒子，自N个粒子中随机抽取M个粒子，并赋予权值1/M；
步骤二：以k-1时刻的粒子作为条件，对k时刻的粒子概率密度状态转移分布进行采样，确定当前k时刻的粒子权值，并对当前k时刻的粒子进行粒子权值归一化；
步骤三：对粒子权值进行排序获得高权值和低权值的粒子，分裂高权值的粒子为两个权值减半的粒子，舍弃低权值粒子，再次对粒子权值进行排序，取其中最小的m个粒子，并调整粒子的权值；
步骤四：对m个粒子进行聚类，把回波的测量值与聚类值带入高斯概率密度函数得到每个粒子的权值；
步骤五：利用广义神经网络对第一类神经元进行求和，以及利用广义神经网络对第二类神经元求和，根据第二类神经元与第一类神经元相除获得输出权值；
步骤六：根据输出权值求得有效粒子权值，并与有效粒子数阈值比对，若比值小于1，则重采样，若比值大于1，则计算状态估计值，通过状态估量值评价目标跟踪的稳健性。
2.如权利要求1所述的方法，其特征在于，在步骤二中，所述k时刻的粒子概率密度状态转移分布采样方法为
Figure FDA0004147083670000011
式中，
Figure FDA0004147083670000012
为k时刻的样本点，/>
Figure FDA0004147083670000013
为k-1时刻的样本点。
3.如权利要求2所述的方法，其特征在于，在步骤二中，当前k时刻粒子非归一化权重为
Figure FDA0004147083670000021
4.如权利要求3所述的方法，其特征在于，在步骤二中，当前k时刻粒子i＝1:N归一化粒子权重为
Figure FDA0004147083670000022
5.如权利要求4所述的方法，其特征在于，在步骤四中，所述回波的测量值与聚类值带入高斯概率密度函数得到每个粒子的权值有
Figure FDA0004147083670000023
其中，x表示聚类后的值，xi表示本时刻的测量值，σ为平滑参数。
6.如权利要求5所述的方法，其特征在于，在步骤五中，所述第一类神经元求和为
Figure FDA0004147083670000024
7.如权利要求6所述的方法，其特征在于，在步骤五中，所述第二类神经元求和为
Figure FDA0004147083670000025
8.如权利要求7所述的方法，其特征在于，在步骤六中，所述有效粒子权值为
Figure FDA0004147083670000026
9.如权利要求8所述的方法，其特征在于，在步骤六中，所述计算状态估计值为
Figure FDA0004147083670000027
10.一种雷达系统，其特征在于，所述雷达系统包括：
一个或多个处理装置；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现如权利要求1至9中任一所述的方法。
CN201910589137.8A 2019-07-02 2019-07-02 一种基于权值自适应的粒子滤波方法和雷达系统 Active CN110233608B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910589137.8A CN110233608B (zh) 2019-07-02 2019-07-02 一种基于权值自适应的粒子滤波方法和雷达系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910589137.8A CN110233608B (zh) 2019-07-02 2019-07-02 一种基于权值自适应的粒子滤波方法和雷达系统

Publications (2)

Publication Number Publication Date
CN110233608A CN110233608A (zh) 2019-09-13
CN110233608B true CN110233608B (zh) 2023-06-16

Family

ID=67857757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910589137.8A Active CN110233608B (zh) 2019-07-02 2019-07-02 一种基于权值自适应的粒子滤波方法和雷达系统

Country Status (1)

Country Link
CN (1) CN110233608B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110890875B (zh) * 2019-09-29 2021-08-10 电子科技大学 基于广义相关诱导度量改进的比例仿射投影滤波方法
CN112462353B (zh) * 2020-11-26 2023-08-15 中国第一汽车股份有限公司 超声波雷达的测试方法、装置、系统及设备
CN114157270B (zh) * 2021-11-08 2024-06-11 四川泛华航空仪表电器有限公司 一种基于数据滚动粒子滤波的燃油油量数据处理方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104215960A (zh) * 2014-08-25 2014-12-17 西安电子科技大学 基于改进粒子滤波的目标跟踪方法
CN107329131A (zh) * 2017-08-08 2017-11-07 电子科技大学 一种利用粒子滤波的雷达微弱目标检测跟踪方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9562965B2 (en) * 2011-05-04 2017-02-07 Jacques Georgy Two-stage filtering based method for multiple target tracking

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104215960A (zh) * 2014-08-25 2014-12-17 西安电子科技大学 基于改进粒子滤波的目标跟踪方法
CN107329131A (zh) * 2017-08-08 2017-11-07 电子科技大学 一种利用粒子滤波的雷达微弱目标检测跟踪方法

Also Published As

Publication number Publication date
CN110233608A (zh) 2019-09-13

Similar Documents

Publication Publication Date Title
CN110233608B (zh) 一种基于权值自适应的粒子滤波方法和雷达系统
CN110503071B (zh) 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法
CN108304612B (zh) 基于噪声补偿的迭代平方根ckf的汽车雷达目标跟踪方法
Kalandros et al. Tutorial on multisensor management and fusion algorithms for target tracking
CN110865343B (zh) 基于lmb的粒子滤波检测前跟踪方法及系统
CN109324315B (zh) 基于双层次块稀疏性的空时自适应处理雷达杂波抑制方法
CN109154655A (zh) 目标信号检测方法、设备、无人机及农业无人机
CN110889862B (zh) 一种网络传输攻击环境中多目标跟踪的组合测量方法
CN111488552B (zh) 基于高斯混合概率假设密度的紧邻多目标跟踪方法
CN111711432B (zh) 一种基于ukf和pf混合滤波的目标跟踪算法
CN111259332B (zh) 一种杂波环境下的模糊数据关联方法及多目标跟踪方法
CN112328959A (zh) 一种基于自适应扩展卡尔曼概率假设密度滤波器的多目标跟踪方法
Kreucher et al. A geodesic flow particle filter for nonthresholded radar tracking
CN107329131B (zh) 一种利用粒子滤波的雷达微弱目标检测跟踪方法
CN108152796B (zh) 一种基于灰色卡尔曼滤波的主瓣移动干扰消除方法
CN113759364A (zh) 一种基于激光地图的毫米波雷达连续定位方法及装置
CN115932913B (zh) 一种卫星定位伪距修正方法及装置
CN112415468A (zh) 一种基于多伯努利滤波的doa跟踪方法
CN109188422B (zh) 一种基于lu分解的卡尔曼滤波目标跟踪方法
CN115327503A (zh) 基于高斯粒子滤波的固定单站无源定位方法和相关装置
CN102707278B (zh) 奇异值分解的多目标跟踪方法
CN111948601A (zh) 一种非高斯噪声条件下的单站纯角度目标定位与跟踪方法
Cheng et al. Linear sequential filtering based on the debiased measurement matrix of the converted pseudo measurement for radar target tracking
Singh et al. Cubature and quadrature based continuous-discrete filters for maneuvering target tracking
CN113093139B (zh) 对多目标跟踪的数据关联方法

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