CN110543893A - 基于bp神经网络的微波衰减降水粒子类型的识别方法 - Google Patents
基于bp神经网络的微波衰减降水粒子类型的识别方法 Download PDFInfo
- Publication number
- CN110543893A CN110543893A CN201910725317.4A CN201910725317A CN110543893A CN 110543893 A CN110543893 A CN 110543893A CN 201910725317 A CN201910725317 A CN 201910725317A CN 110543893 A CN110543893 A CN 110543893A
- Authority
- CN
- China
- Prior art keywords
- precipitation
- microwave
- neural network
- type
- attenuation
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于BP神经网络的微波衰减降水粒子类型的识别方法,首先,利用双频及以上线路不同偏振方向上的微波衰减信息,将每一个频率线路每一个偏振方向上的微波衰减值作为一个特征量,用多组特征量作为降水输入输出的矩阵;然后,利用BP神经网络完成从m维向n维的非线性映射,提取降水粒子的若干特征值,完成降水粒子类型的自动识别。采用本发明可实时性地自动识别出雨、雪、雹等特殊天气状况,提升对雨、雪、雹等降水粒子的区分及监测效果,推动对降水方面的研究。
Description
技术领域
本发明涉及地面气象探测领域,具体涉及一种基于BP神经网络的微波衰减降水粒子类型的识别方法。
背景技术
我国是一个雨季集中、暴雨频发,自然灾害较为突出的国家,降水是引发洪涝灾害、山体滑坡、泥石流等自然灾害的重要原因。在对降水进行测量研究时,首先要区分降水粒子的类型,包括雨、雪、雹等。不同的降水颗粒类型,其形成机制有所区别,微物理特征存在很大差异,因此区分降水粒子类型具有重要意义。目前,降水类型的识别主要根据天气雷达体扫数据和双偏振多普勒雷达偏振参量的方法。其中用天气雷达体扫的方法较为简单,但分辨率低,也忽视了降水粒子的微物理特性;而双偏振多普勒雷达分辨率比普通天气雷达高,但回波容易受到干扰从而误差较大。
我国微波通信网络覆盖广,信号质量高,基本不存在盲区,因此,微波通信网络降雨监测分析技术在我国有很高的推广应用价值。用微波链路来进行反演各种类型的滴谱和粒子形状分布,精准度高,监测盲区小,费用也相比于雷达少,理论上非常适用于识别雨、雪、雹等特殊天气状况。但是,这种方法往往需要丰富的经验积累,存在非线性积分方程组难以求出解析解的问题。如何利用更简便的方法利用微波链路识别降水粒子类型成为一个值得探究的问题。
发明内容
发明目的:本发明提出一种能实时分辨雨、雪、雹等特殊天气状况的基于BP神经网络的微波衰减降水粒子类型的识别方法。
技术方案:本发明所述的一种基于BP神经网络的微波衰减降水粒子类型的识别方法,包括以下步骤:
(1)获取不同类型降水粒子在不同频率和偏振方向上所造成的微波衰减特征量;
(2)根据(1)得到的特征量与形成它的降水粒子类型相对应,形成样本集并将样本集随机分为训练集和测试集;
(3)建立单隐层的BP神经网络模型,输入层为某类型降水粒子在不同频率和偏振角度的微波链路上的有效衰减率,输出层为降水粒子类型,用训练集训练获得神经网络降水粒子类型识别模型,用测试集对模型的可靠性进行检测;
(4)利用建立好的BP神经网络模型来区分不同类型降水粒子类型。
进一步地,所述步骤(1)包括以下步骤:
(11)选定两个或者两个以上频率的双偏振微波链路,在发射端用选定好的频率发射微波信号,微波信号在传播的过程之中经过降水区域时发生衰减,在接收端接收到衰减后的信号;定义频率为f,偏振角度为θ的微波链路上,发射端功率为Pa,f,θ,接收端功率为Pb,f,θ;
(12)计算出各频率和偏振方向上路径总衰减率为:
公式中,Aall,f,θ表示频率为f、偏振方向为θ的微波链路的路径总衰减率,L为链路的长度,单位为km;
(13)路径总衰减率去除非降水导致衰减因素影响,得到频率为f偏振方向为θ的微波链路上的有效衰减率为Af,θ,并将某种类型降水粒子在各频率、各偏振角度上的有效衰减率作为其一组特征量。
进一步地,步骤(2)所述的训练集和测试集的比为6:4。
进一步地,所述步骤(2)包括以下步骤:
(21)令所选取的微波链路频率数为M,每个频率的微波偏振方向有N个,故统计特征个数有MN种,并取降水粒子类型为T种;
(22)对T种不同类型的降水粒子进行标签二值化处理,其中第一种类型的降水粒子对应的输出为第T种类型的降水粒子对应的输出为
(23)将(1)中提取到的统计特征进行归一化处理,定义其在第P种类型降水粒子的MN维矩阵为其中P∈[0,T],Am,n为频率为第m个,偏振方向为第n个的微波所测得的有效衰减率,该矩阵对应的标签为其中第P个值为1,将神经网络的输入输出进行预处理后,即完成了样本集的制作。
进一步地,所述步骤(3)包括以下步骤:
(31)网络节点确定:输入层的节点数和输入的统计特征的个数相同,为MN,输出层的节点数与降水粒子类别数都为T;隐层的节点数由如下公式确定,具体为:
其中,k为隐含层节点数,α为常数,且01≤a≤10;
(32)初始权值:神经网络在训练过程中采用随机初始化权值进行训练;
(33)激励函数:构建的神经网络使用的激励函数为Sigmoid函数;
(34)确定神经网络的迭代步数,以保证损失函数的变化与测试集准确率的变化曲线都趋于平稳。
进一步地,步骤(4)所述的降水粒子类型主要为雨、雪、雹三种类型。
有益效果:与现有技术相比,本发明的有益效果:1、微波链路精度高避免了用雷达来扫描识别雨、雪、雹等粒子精度不足易受干扰的情况;2、与BP神经网络技术高度融合,一方面避免原先的通过微波反演雨滴谱和粒子形状再分类时的繁杂步骤,另一方面BP神经网络技术可以完成从m维向n维输出的非线性映射,只要提出降水粒子的若干种特征便可让计算机学习自动将其归分为n种类型的降水粒子,本发明充分保留不同种特征量数据,作为多个类型的特征值输入模型,未将其再处理成总合成一个统计量,更加有利于提高分类的准确度。
附图说明
图1为本发明的流程图;
图2为哥森堡地区2017年5月28日的一次冰雹事件中的降水类型分类结果。
具体实施方式
下面结合附图对本发明作进一步详细描述。
如图1所示,本发明提供一种基于BP神经网络的微波衰减降水粒子类型的识别方法,本实施例利用瑞典西南部哥森堡地区的资料进行分类,具体步骤如下:
步骤一:利用多条不同频率(本实施方式频率数为2)的双偏振微波链路获取不同类型降水粒子在不同频率和偏振方向上所造成的微波衰减特征量。
a、选定的链路情况见表1:
表1
b、测量4条链路上的发射端功率以及接收端功率,分别记为Pa,f,θ和Pb,f,θ,f为频率,θ为偏振角度,
c、计算出各频率和偏振方向上路径总衰减率为:
公式中,Aall,f,θ表示频率为f、偏振方向为θ的微波链路的路径总衰减率,L为链路的长度,单位为km;
d、路径总衰减率去除非降水导致衰减因素影响,得到频率为f偏振方向为θ的微波链路上的有效衰减率为Af,θ,并将某种类型降水粒子在各频率、各偏振角度上的有效衰减率作为其一组特征量。
步骤二:根据步骤一得到的哥森堡地区2015年、2017年微波衰减特征量与形成它的降水粒子类型相对应,制作样本集。
a、所选取的微波链路频率数为2,每个频率的微波偏振方向有2个,故统计特征个数有4种,并取降水粒子类型为雨、雪、雹3种;
b、对3种不同类型的降水粒子进行标签二值化处理,其中第一种类型的降水粒子对应的输出为第二种类型的降水粒子对应的输出为第3种类型的降水粒子对应的输出为
c、将步骤一中提取到的统计特征进行归一化处理,定义其在第P种类型降水粒子的MN维矩阵为其中P∈[1,3],Am,n为频率为第m个,偏振方向为第n个的微波所测得的有效衰减率,该矩阵对应的标签为其中第P个值为1,将神经网络的输入输出进行预处理后,即完成了样本集的制作;
d、将哥森堡地区2015年、2017年部分数据样本按照6:4随机分为训练样集和测试集。
步骤三:建立单隐层的BP神经网络模型,输入层为某类型降水粒子在不同频率和偏振角度的微波链路上的有效衰减率,输出层为降水粒子类型,用训练集训练获得神经网络降水粒子类型识别模型,用测试集对模型的可靠性进行检测。
a、网络节点确定:输入层的节点数和输入的统计特征的个数相同,即为MN,为4;输出层的节点数与降水粒子类别数相同,即为T,为3;隐层的节点数由如下公式进行试验确定,具体为:
其中,k为隐含层节点数,α为常数,且01≤α≤10;
b、初始权值:神经网络在训练过程中采用随机初始化权值进行训练;
c、激励函数:构建的神经网络使用的激励函数为Sigmoid函数,该函数的表达式为
d、神经网络的迭代步数由具体情况而定,以保证损失函数的变化与测试集准确率的变化曲线都趋于平稳。
步骤四:利用建立好的BP神经网络模型来区分雨、雪、雹粒子类型,本实施例将模型应用于哥森堡地区2017年5月28日的一次冰雹事件中的降水类型分类中。
如图2所示,在此次冰雹事件降水类型分类中,经过训练以及测试过的模型根据不同频率微波在不同偏振方向上衰减量的区别,在110分钟的时间中,识别出无降水、降雨以及降雹三种天气状况,成功地对降水粒子进行分类,并且与本次冰雹事件的实际情况相吻合。
由技术常识可知,本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此,上述公开的实施方案,就各方面而言,都只是举例说明,并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
Claims (6)
1.一种基于BP神经网络的微波衰减降水粒子类型的识别方法,其特征在于,包括以下步骤:
(1)获取不同类型降水粒子在不同频率和偏振方向上所造成的微波衰减特征量;
(2)根据(1)得到的特征量与形成它的降水粒子类型相对应,形成样本集并将样本集随机分为训练集和测试集;
(3)建立单隐层的BP神经网络模型,输入层为某类型降水粒子在不同频率和偏振角度的微波链路上的有效衰减率,输出层为降水粒子类型,用训练集训练获得神经网络降水粒子类型识别模型,用测试集对模型的可靠性进行检测;
(4)利用建立好的BP神经网络模型来区分不同类型降水粒子类型。
2.根据权利要求1所述的一种基于BP神经网络的微波衰减降水粒子类型的识别方法,其特征在于,所述步骤(1)包括以下步骤:
(11)选定两个或者两个以上频率的双偏振微波链路,在发射端用选定好的频率发射微波信号,微波信号在传播的过程之中经过降水区域时发生衰减,在接收端接收到衰减后的信号;定义频率为f,偏振角度为θ的微波链路上,发射端功率为Pa,f,θ,接收端功率为Pb,f,θ;
(12)计算出各频率和偏振方向上路径总衰减率为:
公式中,Aall,f,θ表示频率为f、偏振方向为θ的微波链路的路径总衰减率,L为链路的长度,单位为km;
(13)路径总衰减率去除非降水导致衰减因素影响,得到频率为f偏振方向为θ的微波链路上的有效衰减率为Af,θ,并将某种类型降水粒子在各频率、各偏振角度上的有效衰减率作为其一组特征量。
3.根据权利要求1所述的利用BP神经网络的微波衰减识别降水粒子类型技术,其特征在于,步骤(2)所述的训练集和测试集的比为6:4。
4.根据权利要求1所述的利用BP神经网络的微波衰减识别降水粒子类型技术,其特征在于,所述步骤(2)包括以下步骤:
(21)令所选取的微波链路频率数为M,每个频率的微波偏振方向有N个,故统计特征个数有MN种,并取降水粒子类型为T种;
(22)对T种不同类型的降水粒子进行标签二值化处理,其中第一种类型的降水粒子对应的输出为第T种类型的降水粒子对应的输出为
(23)将(1)中提取到的统计特征进行归一化处理,定义其在第P种类型降水粒子的MN维矩阵为其中P∈[0,T],Am,n为频率为第m个,偏振方向为第n个的微波所测得的有效衰减率,该矩阵对应的标签为其中第P个值为1,将神经网络的输入输出进行预处理后,即完成了样本集的制作。
5.根据权利要求1所述的利用BP神经网络的微波衰减识别降水粒子类型技术,其特征在于,所述步骤(3)包括以下步骤:
(31)网络节点确定:输入层的节点数和输入的统计特征的个数相同,为MN,输出层的节点数与降水粒子类别数都为T;隐层的节点数由如下公式确定,具体为:
其中,k为隐含层节点数,α为常数,且01≤a≤10;
(32)初始权值:神经网络在训练过程中采用随机初始化权值进行训练;
(33)激励函数:构建的神经网络使用的激励函数为Sigmoid函数;
(34)确定神经网络的迭代步数,以保证损失函数的变化与测试集准确率的变化曲线都趋于平稳。
6.根据权利要求1所述的利用BP神经网络的微波衰减识别降水粒子类型技术,其特征在于,步骤(4)所述的降水粒子类型主要为雨、雪、雹三种类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910725317.4A CN110543893A (zh) | 2019-08-07 | 2019-08-07 | 基于bp神经网络的微波衰减降水粒子类型的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910725317.4A CN110543893A (zh) | 2019-08-07 | 2019-08-07 | 基于bp神经网络的微波衰减降水粒子类型的识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110543893A true CN110543893A (zh) | 2019-12-06 |
Family
ID=68710073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910725317.4A Pending CN110543893A (zh) | 2019-08-07 | 2019-08-07 | 基于bp神经网络的微波衰减降水粒子类型的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110543893A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111337396A (zh) * | 2020-02-17 | 2020-06-26 | 河海大学 | 基于领域自适应的微波衰减的大气pm2.5监测方法 |
CN112131989A (zh) * | 2020-09-15 | 2020-12-25 | 河海大学 | 一种基于空间降雨数据的毫米波测雨模型参数获取方法 |
CN113219465A (zh) * | 2021-05-07 | 2021-08-06 | 中国人民解放军国防科技大学 | 基于极化衰减信息的水成物识别及微波频率自动优选方法 |
CN113240148A (zh) * | 2021-01-27 | 2021-08-10 | 河海大学 | 基于毫米波数据分层智能抽样的降水类型预测方法 |
CN113420489A (zh) * | 2021-05-25 | 2021-09-21 | 南京信息工程大学 | 一种双偏振雷达降水优化反演方法 |
CN115688544A (zh) * | 2022-06-20 | 2023-02-03 | 河海大学 | 一种基于mlp神经网络的微波衰减降雪场层析重构方法 |
CN117129390A (zh) * | 2023-10-26 | 2023-11-28 | 北京中科技达科技有限公司 | 一种基于线阵摄像的降雨粒子实时监测系统及方法 |
GB2621908A (en) * | 2022-05-13 | 2024-02-28 | Ho Hai Univ | Hail weather identification and classification method based on multi-channel deep residual shrinkage network |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003328837A (ja) * | 2002-05-15 | 2003-11-19 | Caterpillar Inc | カスケード式ニューラルネットワークを用いたエンジン制御システム |
CN109581546A (zh) * | 2018-10-30 | 2019-04-05 | 中国人民解放军国防科技大学 | 基于微波链路衰减及偏振信息的降雨类型识别方法 |
CN109948778A (zh) * | 2019-02-28 | 2019-06-28 | 上海理工大学 | 一种制冷设备故障诊断装置及系统 |
-
2019
- 2019-08-07 CN CN201910725317.4A patent/CN110543893A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003328837A (ja) * | 2002-05-15 | 2003-11-19 | Caterpillar Inc | カスケード式ニューラルネットワークを用いたエンジン制御システム |
CN109581546A (zh) * | 2018-10-30 | 2019-04-05 | 中国人民解放军国防科技大学 | 基于微波链路衰减及偏振信息的降雨类型识别方法 |
CN109948778A (zh) * | 2019-02-28 | 2019-06-28 | 上海理工大学 | 一种制冷设备故障诊断装置及系统 |
Non-Patent Citations (1)
Title |
---|
张辉: "基于BP神经网络的遥感影像分类研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111337396A (zh) * | 2020-02-17 | 2020-06-26 | 河海大学 | 基于领域自适应的微波衰减的大气pm2.5监测方法 |
CN112131989A (zh) * | 2020-09-15 | 2020-12-25 | 河海大学 | 一种基于空间降雨数据的毫米波测雨模型参数获取方法 |
CN112131989B (zh) * | 2020-09-15 | 2021-07-23 | 河海大学 | 一种基于空间降雨数据的毫米波测雨模型参数获取方法 |
CN113240148A (zh) * | 2021-01-27 | 2021-08-10 | 河海大学 | 基于毫米波数据分层智能抽样的降水类型预测方法 |
CN113240148B (zh) * | 2021-01-27 | 2022-02-08 | 河海大学 | 基于毫米波数据分层智能抽样的降水类型预测方法 |
CN113219465A (zh) * | 2021-05-07 | 2021-08-06 | 中国人民解放军国防科技大学 | 基于极化衰减信息的水成物识别及微波频率自动优选方法 |
CN113420489A (zh) * | 2021-05-25 | 2021-09-21 | 南京信息工程大学 | 一种双偏振雷达降水优化反演方法 |
CN113420489B (zh) * | 2021-05-25 | 2023-05-09 | 南京信息工程大学 | 一种双偏振雷达降水优化反演方法 |
GB2621908A (en) * | 2022-05-13 | 2024-02-28 | Ho Hai Univ | Hail weather identification and classification method based on multi-channel deep residual shrinkage network |
CN115688544A (zh) * | 2022-06-20 | 2023-02-03 | 河海大学 | 一种基于mlp神经网络的微波衰减降雪场层析重构方法 |
CN117129390A (zh) * | 2023-10-26 | 2023-11-28 | 北京中科技达科技有限公司 | 一种基于线阵摄像的降雨粒子实时监测系统及方法 |
CN117129390B (zh) * | 2023-10-26 | 2024-01-23 | 北京中科技达科技有限公司 | 一种基于线阵摄像的降雨粒子实时监测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543893A (zh) | 基于bp神经网络的微波衰减降水粒子类型的识别方法 | |
CN109581546B (zh) | 基于微波链路衰减及偏振信息的降雨类型识别方法 | |
CN111639747B (zh) | 一种基于bp神经网络的gnss-r海面风速反演方法及系统 | |
CN111913156A (zh) | 基于深度学习模型与特征联合的雷达辐射源个体识别方法 | |
CN111722199B (zh) | 一种基于卷积神经网络的雷达信号检测方法 | |
Jaffrain et al. | Quantification of the small-scale spatial structure of the raindrop size distribution from a network of disdrometers | |
CN103941254A (zh) | 一种基于地质雷达的土壤物性类别识别方法和装置 | |
CN111639746B (zh) | 一种基于cnn神经网络的gnss-r海面风速反演方法及系统 | |
Van de Beek et al. | Climatology of daily rainfall semi-variance in The Netherlands | |
Delahaye et al. | A consistent gauge database for daily rainfall analysis over the Legal Brazilian Amazon | |
AU2008307362A1 (en) | Ground clutter mitigation using a parametric time domain method | |
CN101738607A (zh) | 基于聚类的高阶累量交叉熵的sar图像变化检测方法 | |
CN113189014B (zh) | 一种融合卫星遥感和地面监测数据的臭氧浓度估算方法 | |
Devers et al. | A framework for high‐resolution meteorological surface reanalysis through offline data assimilation in an ensemble of downscaled reconstructions | |
CN110427878A (zh) | 一种快速射电暴信号识别方法与系统 | |
CN111274911B (zh) | 基于无线微波衰减特征迁移学习的浓雾监测方法 | |
CN111679275A (zh) | 基于探地雷达的地下管线识别方法 | |
US11668857B2 (en) | Device, method and computer program product for validating data provided by a rain sensor | |
CN110458071A (zh) | 一种基于dwt-dfpa-gbdt的光纤振动信号特征提取与分类方法 | |
CN113608193A (zh) | 一种基于UNet的雷达多目标距离和速度估计方法 | |
CN113468804A (zh) | 一种基于矩阵束和深度神经网络的地下管道识别方法 | |
CN109905190B (zh) | 一种低频地波传播时延时变特性的建模方法 | |
CN108694382A (zh) | 一种基于超宽带雷达传感器的土壤pH分类方法 | |
CN110443301B (zh) | 一种基于双层特征分类的液态危险品识别方法 | |
Wang et al. | Seafloor classification based on deep-sea multibeam data—Application to the southwest Indian Ridge at 50.47° E |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191206 |
|
RJ01 | Rejection of invention patent application after publication |