CN110471036B - 一种用于大阵列近场聚焦中的假目标清扫方法 - Google Patents
一种用于大阵列近场聚焦中的假目标清扫方法 Download PDFInfo
- Publication number
- CN110471036B CN110471036B CN201910782201.4A CN201910782201A CN110471036B CN 110471036 B CN110471036 B CN 110471036B CN 201910782201 A CN201910782201 A CN 201910782201A CN 110471036 B CN110471036 B CN 110471036B
- Authority
- CN
- China
- Prior art keywords
- target
- point
- array
- focusing
- distance
- 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
- 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
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/28—Details of pulse systems
- G01S7/285—Receivers
- G01S7/292—Extracting wanted echo-signals
- G01S7/2923—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods
- G01S7/2927—Extracting wanted echo-signals based on data belonging to a number of consecutive radar periods by deriving and controlling a threshold value
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明属于信号与信息处理技术领域,涉及一种用于大阵列近场聚焦中的假目标清扫方法。本发明首先利用深度学习算法估计目标个数,然后将其作为清扫算法的迭代次数。在进行近场距离‑方位维聚焦成像后,迭代开始,每次寻找当前图像中峰值最大的点并重构位于该点处目标的成像结果,然后从图像域中去掉计算出来的结果得到新的图像。迭代结束后最终得到的图像就是清扫后的结果。本发明联合基于深度学习的目标个数估计对假目标清扫算法建立门限判定准则,避免了每次迭代计算门限的繁琐步骤,提高了计算精度,解决了传统优化布阵所无法解决的大阵列近场聚焦成像上由于随机阵高旁瓣造成的假目标问题。
Description
技术领域
本发明属于信号与信息处理技术领域,涉及一种用于大阵列近场聚焦中的假目标清扫方法。
背景技术
在微波成像领域中,大阵列由于具有较高的角度分辨力而得到了广泛的关注。为了防止阵列方向图出现栅瓣,大阵列往往采用随机阵的方式。然而,随机阵平均旁瓣电平和峰值旁瓣电平都比较高,在多目标情况下,考虑基于距离-方向维的近场聚焦,由于方向维上的高旁瓣影响将很可能无法区分目标与旁瓣,从而导致出现许多“假目标”,严重影响成像结果。因此,如何解决假目标问题,即如何抑制旁瓣是一个需要重点研究的问题。
现有的抑制旁瓣方法的主流方法是采用优化布阵的方式,即找出某种阵元的规律,使目标阵旁瓣水平最低,例如利用遗传算法或粒子群算法等方法对随机阵列进行优化。但该方法只能将旁瓣电平降低到一定程度,当目标较多时还是可能会产生假目标,并且在实际应用中必须保证很高的阵元位置精度,因此很难达到理论上的优化效果。
发明内容
本发明的目的是为了解决大阵列近场聚焦成像上由于随机阵的高旁瓣造成的假目标问题,并针对现有的大阵列距离-方位维旁瓣抑制方面存在的缺点与不足,提出了一种应用于大阵列近场聚焦中的假目标清扫技术。假目标清扫是基于迭代的思想来不断消除每个目标的旁瓣影响,从而得到一幅较为“干净”的图像,然后重构图像。本发明结合深度学习算法发展了一种应用于大阵列近场距离-方位维的假目标清扫技术,利用深度学习算法估计目标个数并作为假目标清扫算法的迭代次数。该方法可以作为优化布阵后的进一步优化,对近场聚焦得到的距离-方位维目标图像具有良好的旁瓣抑制效果,
本发明的技术方案是:
一种应用在大阵列近场聚焦中的假目标清扫技术,其特征在于基于迭代的思想消除目标旁瓣影响,并结合深度学习算法进行门限判定。其具体步骤如下:
步骤1:阵列接收目标回波信号。
设阵列接收信号为
X=[x1(t) x2(t) … xN(t)]
步骤2:根据阵列接收信号估计协方差矩阵,对协方差矩阵做特征分解得到N个特征值,并对特征值做归一化。
设快拍数为L,则阵列协方差矩阵R可表示为:
对R进行特征分解得到N个特征值:
λ1,λ2,…,λN
对特征值做归一化,则第i个归一化特征值可以表示为:
步骤3:以归一化后的特征值作为输入,目标个数的one-hot编码作为输出(标签)产生海量样本训练深度神经网络模型,将上一步骤得到的N个特征值输入该模型得到目标个数估计结果M’。
设神经网络的输出为k1,k2,…,km
取ki的最大值作为估计的目标个数M’:
M'=argmax(ki)
步骤4:近场聚焦成像,得到距离-方位维的多目标原始图像结果。
首先对回波信号进行距离向匹配滤波,设距离向参考函数为sref(t),则经匹配滤波后的信号为
然后在成像区域将距离-方位上划分成P×Q个像素点,逐点方位聚焦成像。设(rp,zq)表示成像区域第p行、第q列位置处的像素点,将其对应的相对于第n个阵元的距离向脉压值记为ypq,n,设该像素点到发射雷达与到第n个接收阵元的总时延为τpq,n,则其相对应的相位校正因子为对像素点(rp,zq)进行聚焦后得到的像素值为
整体成像结果为
步骤5:寻找当前图像中峰值最大的点,并估计该点的位置(r,z)和幅度A。
步骤6:重构位于(u,v)处幅度为A的点目标的成像结果。
首先需要根据点目标位置重构各阵元上的距离脉压信号,假设雷达发射线性调频信号,记目标(r,z)相对第n个阵元的时延为τ'n,则可将第n个阵元上的脉压信号重构为
其中fc为信号载频,k是调频斜率,Tp是脉冲宽度,fs为采样率,Tmin、Tmax分别为采样窗起始、终止时间。
接下来对成像区域每个像素点进行逐点聚焦。首先判断每个像素点所在的距离门,然后根据其所在距离门得到距离向脉压值。设像素点(rk,zl)到发射雷达与到第n个接收阵元的总时延为τ'kl,n,则该像素点所在距离门为
i=[(τ'n-Tmin)·fs]
则该像素点相对于第n个阵元的距离向脉压值为
y'kl,n=y'n(i)
对像素点(rk,zl)进行聚焦后得到的像素值为
对成像区域每个像素点聚焦即得到单个点目标的聚焦成像结果
步骤7:从图像域中去掉步骤6中计算出来的结果,得到新的图像。
新的图像值为F=F-g
步骤8:重复步骤5~步骤7,直到迭代次数为M'。
步骤9:重组图像。根据找到的各个目标的位置和幅度等信息放置主瓣。
本发明的有益效果是:
本发明设计一种应用在大阵列近场聚焦领域的假目标清扫算法,解决了传统优化布阵所无法解决的大阵列近场聚焦成像上由于随机阵高旁瓣造成的假目标问题。并联合基于深度学习的目标个数估计对清扫算法建立门限判定准则,将目标个数作为清扫算法的迭代条件,避免每次迭代计算门限,简化了算法步骤,提高了计算精度。
附图说明
图1为本发明方法流程示意图;
图2为6个点目标的原始近场聚焦成像结果;
图3为利用本发明第一次迭代重构的单个点目标聚焦成像结果;
图4为利用本发明第一次迭代中去除重构目标图像的聚焦结果;
图5为利用本发明迭代6次后得到的假目标清扫后的“干净”的图像;
图6为利用本发明得到的6个点目标的近场聚焦成像结果。
具体实施方式
下面结合附图和实例对本发明进行详细的描述。
如图1所示,本发明的流程为:首先根据接收阵列接收到的回波信号计算接收信号协方差矩阵并提取特征值,将特征值输入训练好的神经网络进行目标个数估计,然后对原始聚焦成像结果进行假目标清扫处理,具体为:寻找当前图像数据的最大值点,并记录其所在位置与相应的幅值;然后判断当前迭代次数是否等于估计的目标个数,如果等于的话迭代终止,依据当前记录的各个最大值点信息重组图像;否则重构当前峰值点的单目标聚焦成像结果,即首先重构距离脉压信号,然后逐像素点进行方位聚焦处理,得到单目标聚焦成像结果后,从当前图像数据中减去重构的单目标成像数据,不断进行这样的迭代过程,直到迭代次数等于估计目标个数。
实施例:
设一个发射雷达发射线性调频信号,信号载频fc=10GHz,采样频率fs=6MHz,信号脉冲宽度Tp=50μs,接收阵为40元稀布阵,阵列孔径50m,距离扫描范围(15Km,20Km),距离扫描间隔50m,方位扫描范围(-10°,10°),方位扫描间隔0.007°。设近场有6个目标,其距离-方位坐标分别为(19km,2°)、(19km,8°)、(19km,-4°)、(17km,-2°)、(17km,3°)、(17km,5°),每个目标信号幅度分别为10、5.62、3.16、10、10、3.16。
步骤1:阵列接收目标回波信号。
雷法发射信号线性调频信号
则第i个接收信号可表示为
假设天线的辐射模式是全方向性的,第n个阵元输出的信号为
其中,nn(t)为t时刻加在第n个阵元上的噪声,τni为第i个信号到达第n个阵元的时间延迟。
步骤2:根据阵列接收信号估计协方差矩阵,对协方差矩阵做特征分解得到N个特征值,并对特征值做归一化。
本实施例得到的接收信号协方差矩阵归一化特征值为2.007e-3、2.064e-3、2.104e-3、2.141e-3、2.146e-3、2.166e-3、2.199e-3、2.240e-3、2.255e-3、2.292e-3、2.294e-3、2.352e-3、2.38e-3、、2.391e-3、2.428e-3、2.445e-3、2.484e-3、2.501e-3、2.512e-3、2.541e-3、2.565e-3、2.593e-3、2.620e-3、2.662e-3、2.692e-3、2.705e-3、2.742e-3、2.764e-3、2.793e-3、2.831e-3、2.867e-3、2.881e-3、2.939e-3、2.987e-3、3.045e-3、1.342e-2、2.984e-2、0.207、0.533、1。
步骤3:以归一化后的特征值作为输入,输入已训练的深度神经网络模型,得到目标个数估计结果M'=6。
步骤4:近场聚焦成像,得到距离-方位维的6个目标的原始图像结果,如附图2所示。
步骤5:寻找当前图像中峰值最大的点,估计得到该点的位置为(19000,1),幅度A=123867。
步骤6:重构当前峰值点目标的成像结果。首先根据点目标位置重构各阵元上的距离脉压信号,设目标(19000,1)相对第n个阵元的时延为τ'n,则可将第n个阵元上的脉压信号重构为
然后对成像区域每个像素点进行逐点聚焦,得到单个点目标的聚焦成像结果。重构点目标图像如附图3所示。
步骤7:从图像域中去掉步骤6中计算出来的结果,得到新的图像。新图像如附图4所示。
步骤8:重复步骤5~步骤7,直到迭代次数达到6次。每次迭代过程中找到的峰值点的距离-方位坐标分别为(18000,1)、(17000,3)、(17000,-2)、(19000,8)、(19000,-4)、(17000,5),幅度分别为119247、100438、111403、67431、36982、36213,迭代6次处理得到的旁瓣清扫后的图像如附图5所示。
步骤9:重组图像。根据找到的各个目标的位置和幅度等信息放置主瓣,得到最终的图像结果如附图6所示。
从上述验证结果可以看出:由于稀布阵高旁瓣的影响,原来6个点目标的聚焦成像效果较差,出现了目标与旁瓣混淆从而形成许多“假目标”的现象,已无法分辨6个目标的位置。但本实施方式下聚焦成像结果有了非常大的改善,由附图6可看出可清楚分辨出6个目标所在位置,非常有效地抑制了旁瓣影响。
Claims (1)
1.一种用于大阵列近场聚焦中的假目标清扫方法,其特征在于,基于迭代的思想消除目标旁瓣影响,并结合深度学习算法进行门限判定;具体步骤如下:
步骤1、通过阵列接收目标回波信号,阵列接收信号表达式为:
X=[x1(t) x2(t) … xN(t)]
N为阵元编号;
步骤2、根据阵列接收信号估计协方差矩阵,对协方差矩阵做特征分解得到N个特征值,并对特征值做归一化,具体为:
设快拍数为L,则阵列协方差矩阵R表示为:
对R进行特征分解得到N个特征值:
λ1,λ2,…,λN
对特征值做归一化,则第i个归一化特征值表示为:
步骤3、以归一化后的特征值作为输入,目标个数的one-hot编码作为输出产生海量样本训练深度神经网络模型,将上一步骤得到的N个特征值输入该模型得到目标个数估计结果M',具体为:
设神经网络的输出为k1,k2,…,km
取ki的最大值作为估计的目标个数M':
M'=argmax(ki)
步骤4、近场聚焦成像,得到距离-方位维的多目标原始图像结果:
首先对回波信号进行距离向匹配滤波,设距离向参考函数为sref(t),则经匹配滤波后的信号为
然后在成像区域将距离-方位上划分成P×Q个像素点,逐点方位聚焦成像;设(rp,zq)表示成像区域第p行、第q列位置处的像素点,将其对应的相对于第n个阵元的距离向脉压值记为ypq,n,设该像素点到发射雷达与到第n个接收阵元的总时延为τpq,n,则其相对应的相位校正因子为对像素点(rp,zq)进行聚焦后得到的像素值为
fc为信号载频,整体成像结果为
步骤5、寻找当前图像中峰值最大的点,并估计该点的位置(r,z)和幅度A;
步骤6、重构位于(r,z)处幅度为A的点目标的成像结果:
首先需要根据点目标位置重构各阵元上的距离脉压信号,雷达发射线性调频信号,记目标(r,z)相对第n个阵元的时延为τ'n,则将第n个阵元上的脉压信号重构为
其中k是调频斜率,Tp是脉冲宽度,fs为采样率,Tmin、Tmax分别为采样窗起始、终止时间;
对成像区域每个像素点进行逐点聚焦:首先判断每个像素点所在的距离门,然后根据其所在距离门得到距离向脉压值,设像素点(rk,zl)到发射雷达与到第n个接收阵元的总时延为τ'kl,n,则该像素点所在距离门为
则该像素点相对于第n个阵元的距离向脉压值为
y'kl,n=y'n(d)
对像素点(rk,zl)进行聚焦后得到的像素值为
对成像区域每个像素点聚焦即得到单个点目标的聚焦成像结果
步骤7、从图像域中去掉步骤6中计算出来的结果,得到新的图像,新的图像值为F=F-g
步骤8、重复步骤5~步骤7,直到迭代次数为M';
步骤9、重组图像,根据找到的各个目标的位置和幅度信息放置主瓣。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910782201.4A CN110471036B (zh) | 2019-08-23 | 2019-08-23 | 一种用于大阵列近场聚焦中的假目标清扫方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910782201.4A CN110471036B (zh) | 2019-08-23 | 2019-08-23 | 一种用于大阵列近场聚焦中的假目标清扫方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110471036A CN110471036A (zh) | 2019-11-19 |
CN110471036B true CN110471036B (zh) | 2022-08-02 |
Family
ID=68513578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910782201.4A Active CN110471036B (zh) | 2019-08-23 | 2019-08-23 | 一种用于大阵列近场聚焦中的假目标清扫方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110471036B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110865339B (zh) * | 2019-11-29 | 2022-08-05 | 电子科技大学 | 一种超稀疏广域分布式阵列的栅瓣抑制方法 |
CN113074813B (zh) * | 2021-03-30 | 2022-07-15 | 青岛青源峰达太赫兹科技有限公司 | 一种太赫兹时域光谱系统及其步长自适应调整方法 |
CN115685096B (zh) * | 2022-12-30 | 2023-03-21 | 成都实时技术股份有限公司 | 一种基于逻辑回归的二次雷达副瓣抑制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104459667A (zh) * | 2014-12-01 | 2015-03-25 | 西安电子工程研究所 | 一种基于clean的稀疏阵列波达方向doa估计方法 |
CN105974412A (zh) * | 2016-06-07 | 2016-09-28 | 电子科技大学 | 一种用于合成孔径雷达的目标特征提取方法 |
CN106793077A (zh) * | 2017-01-05 | 2017-05-31 | 重庆邮电大学 | 一种自适应室内动态目标的uwb定位方法及系统 |
CN108256488A (zh) * | 2018-01-19 | 2018-07-06 | 中国人民解放军陆军装甲兵学院 | 一种基于微多普勒特征提取和深度学习的雷达目标识别方法 |
CN108899047A (zh) * | 2018-08-20 | 2018-11-27 | 百度在线网络技术(北京)有限公司 | 音频信号的掩蔽阈值估计方法、装置及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8358233B2 (en) * | 2009-09-14 | 2013-01-22 | The United States Of America As Represented By The Secretary Of The Navy | Radar target detection process |
-
2019
- 2019-08-23 CN CN201910782201.4A patent/CN110471036B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104459667A (zh) * | 2014-12-01 | 2015-03-25 | 西安电子工程研究所 | 一种基于clean的稀疏阵列波达方向doa估计方法 |
CN105974412A (zh) * | 2016-06-07 | 2016-09-28 | 电子科技大学 | 一种用于合成孔径雷达的目标特征提取方法 |
CN106793077A (zh) * | 2017-01-05 | 2017-05-31 | 重庆邮电大学 | 一种自适应室内动态目标的uwb定位方法及系统 |
CN108256488A (zh) * | 2018-01-19 | 2018-07-06 | 中国人民解放军陆军装甲兵学院 | 一种基于微多普勒特征提取和深度学习的雷达目标识别方法 |
CN108899047A (zh) * | 2018-08-20 | 2018-11-27 | 百度在线网络技术(北京)有限公司 | 音频信号的掩蔽阈值估计方法、装置及存储介质 |
Non-Patent Citations (3)
Title |
---|
Mayazzurra Ruggiano.Resolution and unmasking of CLEAN and LMMSE algorithms using coded waveforms.《2008 International Conference on Radar》.2008, * |
Po-Sen Huang.Joint Optimization of Masks and Deep Recurrent Neural Networks for Monaural Source Separation.《IEEE/ACM Transactions on Audio, Speech, and Language Processing 》.2015,第23卷(第12期),2136 - 2147. * |
张桦.随机稀布阵列CLEAN技术的FPGA设计与实现.《中国优秀硕士学位论文全文数据库 信息科技辑》.2015,(第1期),I136-1101. * |
Also Published As
Publication number | Publication date |
---|---|
CN110471036A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110471036B (zh) | 一种用于大阵列近场聚焦中的假目标清扫方法 | |
CN109143179B (zh) | 一种基于变重频技术的捷变频雷达信号处理方法及装置 | |
CN107678028B (zh) | 低信噪比条件下的微波凝视关联成像方法 | |
CN101825707B (zh) | 基于Keystone变换和相参积累的单脉冲测角方法 | |
US8665132B2 (en) | System and method for iterative fourier side lobe reduction | |
CN109212500A (zh) | 一种基于稀疏重构的ka-stap杂噪协方差矩阵高精度估计方法 | |
Mishra et al. | Compressed sensing applied to weather radar | |
CN108318865B (zh) | 多通道sar欺骗干扰鉴别与自适应抑制方法 | |
CN110333489B (zh) | 采用cnn与rsva组合对sar回波数据旁瓣抑制的处理方法 | |
Zhang et al. | A novel moving target imaging algorithm for HRWS SAR based on local maximum-likelihood minimum entropy | |
Du et al. | Adaptive inverse synthetic aperture radar imaging for nonuniformly moving targets | |
CN109061626B (zh) | 一种步进频相参处理检测低信杂比动目标的方法 | |
CN108845318B (zh) | 基于Relax算法的星载高分宽幅成像方法 | |
CN108562901B (zh) | 基于最大信杂噪比准则的isar高分辨成像方法 | |
CN112230220B (zh) | 基于Radon变换的Deramp-STAP动目标检测方法 | |
CN109581366B (zh) | 一种基于目标导向矢量失配的离散旁瓣杂波识别方法 | |
CN111044996A (zh) | 一种基于降维近似消息传递的lfmcw雷达目标检测方法 | |
CN115877380A (zh) | 一种sar多运动目标成像方法、装置和存储介质 | |
CN112882007B (zh) | 基于稀布阵雷达的单脉冲多目标超分辨测角实现方法 | |
CN113391286A (zh) | 基于二维块稀疏恢复的虚拟孔径mimo雷达目标探测方法 | |
Zhang et al. | Image reconstruction for low-oversampled staggered SAR based on sparsity Bayesian learning in the presence of a nonlinear PRI variation strategy | |
Chen et al. | Low-oversampled staggered SAR imaging in present of a random PRI variation strategy | |
Li et al. | Fast compressed sensing SAR imaging using stepped frequency waveform | |
Rahayu et al. | Single Snapshot-Spatial Compressive Beamforming for Azimuth Estimation and Backscatter Reconstruction | |
CN113341418B (zh) | 基于dbf机载气象雷达前视快速扫描下的解模糊方法 |
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 |