CN110598334B - 基于协同衍化相关熵极限学习机的性能退化趋势预测方法 - Google Patents
基于协同衍化相关熵极限学习机的性能退化趋势预测方法 Download PDFInfo
- Publication number
- CN110598334B CN110598334B CN201910875656.0A CN201910875656A CN110598334B CN 110598334 B CN110598334 B CN 110598334B CN 201910875656 A CN201910875656 A CN 201910875656A CN 110598334 B CN110598334 B CN 110598334B
- Authority
- CN
- China
- Prior art keywords
- learning machine
- extreme learning
- derivation
- input sample
- optimal solution
- 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
- 238000009795 derivation Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000015556 catabolic process Effects 0.000 title claims abstract description 19
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 239000002245 particle Substances 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001212 derivatisation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于协同衍化相关熵极限学习机的性能退化趋势预测方法,先基于协同衍化相关熵的极限学习机计算出输入样本的隐藏层输出,及对应的预测误差,然后通过协同衍化算法求取最优相关熵方差和影响权重,并进行更新迭代,直到找到粒子群中全局最优解σgbest,q2及对应的影响权重作为最优相关熵方差和影响权重,最后在满足极限学习机计算收敛的情况下,输出输入样本的预测值,从而得到输入样本的性能退化趋势,具有预测精度高,鲁棒性高等特点。
Description
技术领域
本发明属于电子器件技术领域,更为具体地讲,涉及一种基于协同衍化相关熵极限学习机的性能退化趋势预测方法。
背景技术
伴随电子系统的更新速度日益提升,对其电子器件的可靠性分析要求进一步提高。电子器件退化趋势预测可以更好地提升系统的维护效率,因此相关的研究具有极高的应用价值。近年来,基于极限学习机的退化趋势预测方法因模型训练快速,结构简单,预测精度高等特点,被广泛用于电子器件的故障诊断中。然而,绝大多数的极限学习机预测方法采用最小均方准则作为模型的训练依据。由于该准则假定模型误差服从正态分布条件,非正态分布的噪声以及训练数据中存在的奇异值很容易对预测模型造成不良影响,导致模型无法给出正确的预测结果。在非高斯噪声下,如何获取高鲁棒性的预测模型成为相关研究的难点之一。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于协同衍化相关熵极限学习机的性能退化趋势预测方法,通过多核相关熵函数来实现数据的局部近似度估计,具有预测精度高,模型鲁棒性高的特点。
为实现上述发明目的,本发明一种基于协同衍化相关熵极限学习机的性能退化趋势预测方法,其特征在于,包括以下步骤:
(1)、基于协同衍化相关熵的极限学习机初始化
(1.1)、设置极限学习机的输入样本集X={x1,x2,…,xj,…,xK},对应的当前输出集为Y={y1,y2,…,yj,…,yK},而真实输出集为其中,第j个输入样本xj对应的真实输出为tj,K为输入样本总数;
(1.2)、随机设置极限学习机的隐藏层权重W={w1,w2,…wi,…,wM}和隐藏层偏置B={b1,b2,…bi,…,bM},其中,隐藏层第i个节点的权重为wi={wi,1,wi,2,…,wi,N},对应的偏转为bi,M为隐藏层的节点个数,N为隐藏层的节点维度;
(1.3)、初始化极限学习机的输出层为β={β1,β2,…,βM}的零矩阵;初始化更新次数q1为0;
(2)、计算输入样本的隐藏层输出H=[hij],其中,hij为隐藏层第i个节点在第j个输入样本下的输出:
hij=1/(1+exp(-1+wixj+bi))
(3)、计算极限学习机的预测误差E={e1,e2,…,ej,…,eK},其中,ej为第j个输入样本的预测误差;
ej=tj-yj
(4)、通过协同衍化算法求取最优相关熵方差和影响权重;
(4.2)、计算当前误差的真实概率密度矢量;
F={f(m1),f(m2),...,f(mr),...,f(mR)}
其中,R为真实概率密度矢量的维度,f(mr)为mr在(mr-Δ,mr+Δ)邻域内的概率密度估计值,mr表示为概率密度估计的标记值,Δ为标记值间的最小阈值;
(4.3)、计算各粒子的最优影响权重;
al=FΘT(ΘΘT)-1
其中,Θ为核函数矩阵;
(4.4)、计算代价函数MIE;
MIE=(AΘ-F)(AΘ-F)T
其中,A=(a1,a2,…,al,…,aL);
(4.5)、根据最小代价函数原则更新衍化全局最优解σgbest,q2和个体最优解σpbest,q2;
(4.6)、判断当前迭代次数是否达到最大或|MIEq2-MIEq2-1|小于设定阈值,如果满足,则进入(4.11),否则,进入步骤(4.7);
(4.7)、计算衍化指标Ef;
Ef=(dg-dmin)/(dmax-dmin)
其中,dg为粒子群中全局最优解距离均值的距离,dmax和dmin分别为粒子群中解距离均值的最小距离和最大距离;
(4.8)、根据衍化指标Ef设置衍化参数;
其中,c1、c2分别为局部最优解和全局最优解的影响参数,τ1、τ2分别为局部最优解和全局最优解的延迟参数;
(4.9)、更新粒子群速度与位置;
(4.10)、将当前迭代次数自加1,然后返回至步骤(4.3);
(4.11)、将粒子群中全局最优解σgbest,q2及对应的影响权重作为最优相关熵方差和最优影响权重;
(5)、生成相关熵对角矩阵Λ;
(6)、更新极限学习机的输出层β';
其中,λ为限制系数,I为单位矩阵;
(7)、更新代价函数Jq1和极限学习机的当前输出Y';
Y'=β'H
(8)、判断当前迭代次数q1是否达到最大,或|Jq1-Jq1-1|小于预设阈值,如果满足,则进入步骤(9),否则,将当前迭代次数q1自加1,然后返回步骤(2);
(9)、将极限学习机的当前输出Y'作为输入样本的预测值,从而得到输入样本的性能退化趋势。
本发明的发明目的是这样实现的:
本发明基于协同衍化相关熵极限学习机的性能退化趋势预测方法,先基于协同衍化相关熵的极限学习机计算出输入样本的隐藏层输出,及对应的预测误差,然后通过协同衍化算法求取最优相关熵方差和影响权重,并进行更新迭代,直到找到粒子群中全局最优解σgbest,q2及对应的影响权重作为最优相关熵方差和影响权重,最后在满足极限学习机计算收敛的情况下,输出输入样本的预测值,从而得到输入样本的性能退化趋势,具有预测精度高,鲁棒性高等特点。
附图说明
图1是本发明基于协同衍化相关熵极限学习机的性能退化趋势预测方法流程图;
图2是协同衍化流程图;
图3是光电耦合器结构图;
图4是光电耦合器的预测效果图;
图5是衍化过程效果图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明基于协同衍化相关熵极限学习机的性能退化趋势预测方法流程图。
在本实施例中,如图1所示,本发明一种基于协同衍化相关熵极限学习机的性能退化趋势预测方法,包括以下步骤:
S1、基于协同衍化相关熵的极限学习机初始化
S1.1、设置极限学习机的输入样本集X={x1,x2,…,xj,…,xK},对应的当前输出集为Y={y1,y2,…,yj,…,yK},而真实输出集为T={t1,t2,…tj,…,tK},其中,第j个输入样本xj对应的真实输出为tj,K为输入样本总数;
S1.2、随机设置极限学习机的隐藏层权重W={w1,w2,…wi,…,wM}和隐藏层偏置B={b1,b2,…bi,…,bM},其中,隐藏层第i个节点的权重为wi={wi,1,wi,2,…,wi,N},对应的偏转为bi,M为隐藏层的节点个数,N为隐藏层的节点维度,wi,N表示隐藏层第i个节点在第N个维度下的权重;
S1.3、初始化极限学习机的输出层为β={β1,β2,…,βM}的零矩阵;初始化更新次数q1为0;
S2、计算输入样本的隐藏层输出H=[hij],其中,hij为隐藏层第i个节点在第j个输入样本下的输出:
hij=1/(1+exp(-1+wixj+bi))
S3、计算极限学习机的预测误差E={e1,e2,…,ej,…,eK},其中,ej为第j个输入样本的预测误差;
ej=tj-yj
S4、如图2所示,通过协同衍化算法求取最优相关熵方差和影响权重;
S4.2、计算当前误差的真实概率密度矢量;
F={f(m1),f(m2),...,f(mr),...,f(mR)}
其中,R为真实概率密度矢量的维度,f(mr)为mr在(mr-Δ,mr+Δ)邻域内的概率密度估计值,mr表示为概率密度估计的标记值,Δ为标记值间的最小阈值;
其中,g(·)为基数计算;
S4.3、计算各粒子的最优影响权重;
al=FΘT(ΘΘT)-1
其中,Θ为核函数矩阵:
S4.4、计算代价函数MIE;
MIE=(AΘ-F)(AΘ-F)T
其中,A=(a1,a2,…,al,…,aL);
S4.5、根据最小代价函数原则更新衍化全局最优解σgbest,q2和个体最优解σpbest,q2;
S4.6、计算衍化指标Ef;
Ef=(dg-dmin)/(dmax-dmin)
其中,dg为粒子群中全局最优解距离均值的距离,dmax和dmin分别为粒子群中解距离均值的最小距离和最大距离;
S4.7、根据衍化指标Ef设置衍化参数;
其中,c1、c2分别为局部最优解和全局最优解的影响参数,τ1、τ2分别为局部最优解和全局最优解的延迟参数;
S4.8、更新粒子群速度与位置;
S4.9、判断当前迭代次数是否达到最大或|MIEq2-MIEq2-1|小于设定阈值,如果满足,则进入S4.10,否则,将当前迭代次数自加1,然后返回至步骤S4.3;
S4.10、将粒子群中全局最优解σgbest,q2及对应的影响权重作为最优相关熵方差和影响权重;
S5、生成相关熵对角矩阵Λ;
S6、更新极限学习机的输出层β';
其中,λ为限制系数,I为单位矩阵;
S7、更新代价函数Jq1和极限学习机的当前输出Y';
Y'=β'H
S8、判断当前迭代次数q1是否达到最大,或|Jq1-Jq1-1|小于预设阈值,如果满足,则进入步骤S9,否则,将当前迭代次数q1自加1,然后返回步骤S2;
S9、将极限学习机的当前输出Y作为输入样本的预测值,从而得到输入样本的性能退化趋势。
实例
为说明本发明的技术效果,现采用光电耦合器直流电流传输比实时流预测为例对本发明进行验证。
光电耦合器是一种以光为媒介传输电信号的一种电能与光能转换的电子元件,用于隔离输入和输出的电信号,其结构如图3所示。光电耦合器的直流电流传输比可以有效的反映器件的健康状态。为验证本发明的有效性,通过本发明方法建立预测模型,对光电耦合器退化状态下的实时流数据进行趋势的预测。
同时,将本发明方法与正则极限学习机(R-ELM)、相关熵极限学习机(ECC-ELM)和混合相关熵线极限学习机(MMCC-ELM)进行比较。其离线训练精度和在线预测精度如表一所示。
算法 | R-ELM | RCC-ELM | MMCC-ELM | 本发明 |
离线训练精度 | 7.59E-05 | 4.68E-05 | 2.70E-05 | 2.81E-06 |
在线预测精度 | 1.112E-03 | 6.76E-04 | 4.28E-04 | 1.65E-04 |
表1
由表1中可以看出,本发明相较于现有方法具有更高的在线预测精度,在估计未来时刻光电耦合器CTR时有更高的准确性。图4展示了本发明的预测效果,可以看出,通过本发明的预测模型产生的CTR预测值与实际的CTR之间偏差较小,达到可靠性预测的应用要求。
图5为本发明的衍化过程效果图,通过图5可以看出,衍化指标在第17个衍化周期时达到了稳定状态,说明本发明能够较快的形成预测模型。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (1)
1.一种基于协同衍化相关熵极限学习机的性能退化趋势预测方法,其特征在于,包括以下步骤:
(1)、基于协同衍化相关熵的极限学习机初始化
(1.1)、设置极限学习机的输入样本集X={x1,x2,…,xj,…,xK},对应的当前输出集为Y={y1,y2,…,yj,…,yK},而真实输出集为其中,第j个输入样本xj对应的真实输出为tj,K为输入样本总数;
(1.2)、随机设置极限学习机的隐藏层权重W={w1,w2,…wi,…,wM}和隐藏层偏置B={b1,b2,…bi,…,bM},其中,隐藏层第i个节点的权重为wi={wi,1,wi,2,…,wi,N},对应的偏转为bi,M为隐藏层的节点个数,N为隐藏层的节点维度;
(1.3)、初始化极限学习机的输出层为β={β1,β2,…,βM}的零矩阵;初始化更新次数q1为0;
(2)、计算输入样本的隐藏层输出H=[hij],其中,hij为隐藏层第i个节点在第j个输入样本下的输出:
hij=1/(1+exp(-1+wixj+bi))
(3)、计算极限学习机的预测误差E={e1,e2,…,ej,…,eK},其中,ej为第j个输入样本的预测误差;
ej=tj-yj
(4)、通过协同衍化算法求取最优相关熵方差和影响权重;
(4.2)、计算当前误差的真实概率密度矢量;
F={f(m1),f(m2),...,f(mr),...,f(mR)}
其中,R为真实概率密度矢量的维度,f(mr)为mr在(mr-Δ,mr+Δ)邻域内的概率密度估计值,mr表示为概率密度估计的标记值,Δ为标记值间的最小阈值;
(4.3)、计算各粒子的最优影响权重;
al=FΘT(ΘΘT)-1
其中,Θ为核函数矩阵;
(4.4)、计算代价函数MIE;
MIE=(AΘ-F)(AΘ-F)T
其中,A=(a1,a2,…,al,…,aL);
(4.5)、根据最小代价函数原则更新衍化全局最优解σgbest,q2和个体最优解σpbest,q2;
(4.6)、判断当前迭代次数是否达到最大或|MIEq2-MIEq2-1|小于设定阈值,如果满足,则进入(4.11),否则,进入步骤(4.7);
(4.7)、计算衍化指标Ef;
Ef=(dg-dmin)/(dmax-dmin)
其中,dg为粒子群中全局最优解距离均值的距离,dmax和dmin分别为粒子群中解距离均值的最小距离和最大距离;
(4.8)、根据衍化指标Ef设置衍化参数;
其中,c1、c2分别为局部最优解和全局最优解的影响参数,τ1、τ2分别为局部最优解和全局最优解的延迟参数;
(4.9)、更新粒子群速度与位置;
(4.10)、将当前迭代次数自加1,然后返回至步骤(4.3);
(4.11)、将粒子群中全局最优解σgbest,q2及对应的影响权重作为最优相关熵方差和最优影响权重;
(5)、生成相关熵对角矩阵Λ;
(6)、更新极限学习机的输出层β';
其中,λ为限制系数,I为单位矩阵;
(7)、更新代价函数Jq1和极限学习机的当前输出Y';
Y'=β'H
(8)、判断当前迭代次数q1是否达到最大,或|Jq1-Jq1-1|小于预设阈值,如果满足,则进入步骤(9),否则,将当前迭代次数q1自加1,然后返回步骤(2);
(9)、将极限学习机的当前输出Y'作为输入样本的预测值,从而得到输入样本的性能退化趋势;
其中,所述密度概率估计值f(mr)的计算方法为:
其中,g(·)为基数计算;
其中,所述核函数矩阵Θ满足:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910875656.0A CN110598334B (zh) | 2019-09-17 | 2019-09-17 | 基于协同衍化相关熵极限学习机的性能退化趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910875656.0A CN110598334B (zh) | 2019-09-17 | 2019-09-17 | 基于协同衍化相关熵极限学习机的性能退化趋势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110598334A CN110598334A (zh) | 2019-12-20 |
CN110598334B true CN110598334B (zh) | 2022-04-19 |
Family
ID=68859983
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910875656.0A Active CN110598334B (zh) | 2019-09-17 | 2019-09-17 | 基于协同衍化相关熵极限学习机的性能退化趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598334B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361189B (zh) * | 2021-05-12 | 2022-04-19 | 电子科技大学 | 基于多步鲁棒预测学习机的芯片性能退化趋势预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145516A (zh) * | 2018-10-08 | 2019-01-04 | 电子科技大学 | 一种基于改进型极限学习机的模拟电路故障识别方法 |
CN109447272A (zh) * | 2018-09-29 | 2019-03-08 | 西安交通大学 | 一种基于最大中心互相关熵准则的极限学习机方法 |
CN110210644A (zh) * | 2019-04-17 | 2019-09-06 | 浙江大学 | 基于深度神经网络集成的交通流量预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7007001B2 (en) * | 2002-06-26 | 2006-02-28 | Microsoft Corporation | Maximizing mutual information between observations and hidden states to minimize classification errors |
-
2019
- 2019-09-17 CN CN201910875656.0A patent/CN110598334B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109447272A (zh) * | 2018-09-29 | 2019-03-08 | 西安交通大学 | 一种基于最大中心互相关熵准则的极限学习机方法 |
CN109145516A (zh) * | 2018-10-08 | 2019-01-04 | 电子科技大学 | 一种基于改进型极限学习机的模拟电路故障识别方法 |
CN110210644A (zh) * | 2019-04-17 | 2019-09-06 | 浙江大学 | 基于深度神经网络集成的交通流量预测方法 |
Non-Patent Citations (2)
Title |
---|
A heterogeneous ensemble of extreme learning machines with correntropy and negative correlation;Adnan O. M. Abuassba 等;《 Tsinghua Science and Technology》;20171214;第2卷(第6期);691-701 * |
基于最大相关熵准则的鲁棒度量学习算法;谢林江 等;《计算机系统应用》;20181015;第27卷(第10期);146-153 * |
Also Published As
Publication number | Publication date |
---|---|
CN110598334A (zh) | 2019-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046564B (zh) | 两阶段退化产品的剩余寿命预测方法 | |
CN112561119B (zh) | 一种使用arima-rnn组合模型的云服务器资源性能预测方法 | |
CN111079891A (zh) | 一种基于双隐含层bp神经网络的离心泵性能预测方法 | |
CN110598334B (zh) | 基于协同衍化相关熵极限学习机的性能退化趋势预测方法 | |
CN115688288B (zh) | 飞行器气动参数辨识方法、装置、计算机设备及存储介质 | |
CN112287605A (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
CN111798494A (zh) | 广义相关熵准则下的机动目标鲁棒跟踪方法 | |
CN115099135A (zh) | 一种改进的人工神经网络多类型作业功耗预测方法 | |
CN113919221B (zh) | 一种基于bp神经网络的风机载荷预测及分析方法、装置及存储介质 | |
CN110633516B (zh) | 一种电子器件性能退化趋势的预测方法 | |
CN108761384B (zh) | 一种抗差的传感器网络目标定位方法 | |
CN109614742A (zh) | 一种海面高度持续性预测算法 | |
CN109688024A (zh) | 基于随机通信协议的复杂网络弹性状态估计方法 | |
CN108446506B (zh) | 一种基于区间反馈神经网络的不确定系统建模方法 | |
CN111462479A (zh) | 一种基于傅里叶-递归神经网络的交通流预测方法 | |
CN116189008A (zh) | 基于定点数量化的遥感图像变化检测方法 | |
CN110208808A (zh) | 一种被动声纳非合作目标线谱信息融合方法 | |
CN106934124B (zh) | 一种基于量测变化检测的自适应变划窗方法 | |
CN115102868A (zh) | 一种基于SOM聚类与深度自编码器的web服务QoS预测方法 | |
CN109390946B (zh) | 一种基于多参数规划理论的最优概率潮流快速计算方法 | |
CN110543724A (zh) | 面向总体设计的卫星结构性能预测方法 | |
CN113110321A (zh) | 基于事件触发的网络化工业控制系统的分布式估计方法 | |
CN112098782A (zh) | 一种基于神经网络的moa绝缘状态检测方法及系统 | |
CN115859030B (zh) | 一种复杂耦合下的两步状态估计方法 | |
Tao et al. | Self‐tuning fusion Kalman filter weighted by scalars and its convergence analysis for multi‐channel autoregressive moving average signals |
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 |