CN110971457B - 一种基于elm的时间同步方法 - Google Patents

一种基于elm的时间同步方法 Download PDF

Info

Publication number
CN110971457B
CN110971457B CN201911143597.4A CN201911143597A CN110971457B CN 110971457 B CN110971457 B CN 110971457B CN 201911143597 A CN201911143597 A CN 201911143597A CN 110971457 B CN110971457 B CN 110971457B
Authority
CN
China
Prior art keywords
time synchronization
elm
network model
vector
output
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
CN201911143597.4A
Other languages
English (en)
Other versions
CN110971457A (zh
Inventor
卿朝进
余旺
蔡斌
董磊
杜艳红
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.)
Xihua University
Original Assignee
Xihua University
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 Xihua University filed Critical Xihua University
Priority to CN201911143597.4A priority Critical patent/CN110971457B/zh
Publication of CN110971457A publication Critical patent/CN110971457A/zh
Application granted granted Critical
Publication of CN110971457B publication Critical patent/CN110971457B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L7/00—Arrangements for synchronising receiver with transmitter
    • H04L7/0008—Synchronisation information channels, e.g. clock distribution lines
    • H04L7/0012—Synchronisation information channels, e.g. clock distribution lines by comparing receiver clock with transmitter clock

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Algebra (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Synchronisation In Digital Transmission Systems (AREA)

Abstract

本发明公开了一种基于ELM的时间同步方法，包括：收集接收信号，构建训练数据集合
Figure DDA0002281588100000011
i＝1,2,…,Nt；构建基于ELM时间同步的网络模型；离线训练基于ELM时间同步的网络模型并保存模型及参数；在线运行基于ELM时间同步的网络模型，得到时间同步估计值
Figure DDA0002281588100000012
本发明的时间同步方法借助ELM网络构建时间同步网络模型，与经典的“互相关”同步方法相比，可有效提高系统的时间同步性能；在系统存在非线性失真时，本发明的时间同步方法仍然适用。

Description

一种基于ELM的时间同步方法
技术领域
本发明涉及时间同步技术领域，特别涉及一种基于ELM(extreme learningmachine极限学习机)的时间同步方法。
背景技术
通信系统中的发射机存在大量非线性器件或模块，造成发射信号不可避免的存在非线性失真。作为无线通信系统的重要组成部分之一，时间同步在非线性失真条件下的同步性能严重恶化。
基于“互相关法”的经典时间同步方案因非线性失真的存在，训练序列的正交性遭到破坏，所以同步性能大大降低，继而在非线性失真条件下难以适用；而利用深度神经网络学习进行时间同步虽能提高系统时间同步性能，但其面临复杂的参数调谐、较长的训练时间等一系列问题。
相对于深度学习神经网络，ELM具有不需要反向梯度传播，网络输入权重和偏置根据随机分布产生且固定，学习速度快等优点。本发明在接收端利用ELM网络学习出同步度量特性，从而估计出时间同步的偏移位置。本发明可提高系统的时间同步性能，如可减小时间同步的错误概率；特别地，在系统存在非线性失真时，本发明方法仍可适用，具有重大意义。
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ELM的时间同步方法，提高了系统(特别是非线性失真系统)的时间同步性能。
本发明的目的是通过以下技术方案来实现的：一种基于ELM的时间同步方法，包括以下步骤：
S1.收集接收信号，构建训练数据集合
Figure BDA0002281588080000011
S2.构建基于ELM的时间同步网络模型，
S3.离线训练基于ELM的时间同步网络模型并保存模型及参数；
S4.在线运行基于ELM的时间同步网络模型，得到时间同步估计值
Figure BDA0002281588080000012
步骤S1中所述构建训练数据集合的步骤包括：
S101.收集Nt个长度为M的样本序列
Figure BDA0002281588080000013
形成样本序列集合:
Figure BDA0002281588080000014
S102.对样本序列集合
Figure BDA0002281588080000015
进行预处理，得到标准度量矢量集合:
Figure BDA0002281588080000016
S103.根据同步偏移值τi,i＝1,2,…,Nt形成标签集合
Figure BDA0002281588080000021
所述的标签Ti,i＝1,2,…,Nt根据同步偏移值τi，利用one-hot编码得到，即:
Figure BDA0002281588080000022
所述的τi由接收信号yi确定，根据统计信道模型，或根据实际场景结合现有方法或设备收集得到；
S104.标准度量矢量集合和标签集合组成训练数据集合
Figure BDA0002281588080000023
i＝1,2,…,Nt。
步骤S102中所述的预处理包括：
S1021.在样本序列yi中观察长度为Ns的观察序列
Figure BDA0002281588080000024
与长度为Ns的训练序列
Figure BDA0002281588080000025
作“互相关运算”后，得到“互相关度量”
Figure BDA0002281588080000026
即：
Figure BDA0002281588080000027
所述t表示观察序列的起始索引位置，t的取值从0到N-1，例如t＝0表示从样本序列yi的第一个元素开始观察Ns长的样本序列；
Figure BDA0002281588080000028
表示yi中t到t+Ns1个元素；N＝M-Ns；
S1022.由N个相关度量
Figure BDA0002281588080000029
构成度量矢量
Figure BDA00022815880800000210
对Nt个度量矢量γi进行归一化处理，得到标准度量矢量
Figure BDA00022815880800000211
即：
Figure BDA00022815880800000212
其中，||γi||表示度量矢量γi的Frobenius范数。
步骤S2中所述的网络模型与参数如下：
ELM网络模型包含1个输入层，1个隐藏层，1个输出层，输入层节点数为N，隐藏层节点数为N＝mN，输出层节点数为N，根据随机分布产生权重
Figure BDA00022815880800000213
和偏置
Figure BDA00022815880800000214
隐藏层采用sigmoid作为激活函数，将预处理后的标准度量矢量集合
Figure BDA00022815880800000215
作为输入，其中m根据工程经验预先设置。
步骤S3中所述的离线训练和模型参数保存包括以下子步骤：
S301.依次将标准度量矢量
Figure BDA00022815880800000218
输入ELM网络模型，隐藏层输出
Figure BDA00022815880800000216
表示为：
Figure BDA00022815880800000217
所述σ(·)表示激活函数sigmoid；
S302.由Nt个标准度量矢量
Figure BDA0002281588080000031
得到的Nt个隐藏层输出Hi构成隐藏层输出矩阵:
Figure BDA0002281588080000032
根据隐藏层输出矩阵H和步骤S103中构建的标签集合T，求得输出权重
Figure BDA0002281588080000033
Figure BDA0002281588080000034
所述
Figure BDA0002281588080000035
表示H的Moore–Penrose伪逆；
S303.保存模型参数W，b和β。
步骤S4中所述的在线运行和时间同步估计值求解包括以下子步骤：
S401.接收在线样本序列
Figure BDA0002281588080000036
根据步骤S1021～S1022进行预处理得到在线标准度量矢量：
Figure BDA0002281588080000037
将
Figure BDA0002281588080000038
送入ELM网络模型中学习出输出向量
Figure BDA0002281588080000039
表示为：
Figure BDA00022815880800000310
S402.找到输出向量O中幅度平方的最大值的索引位置，即时间同步估计值
Figure BDA00022815880800000311
Figure BDA00022815880800000312
本发明的有益效果是：本发明借助ELM的时间同步网络模型，与经典的“互相关”时间同步方法相比，有效提高了系统的时间同步性能。同时，在系统存在非线性失真时，本发明的时间同步方法仍然适用。
附图说明
图1为本发明的流程示意图；
图2为ELM网络模型离线训练流程图；
图3为ELM网络模型在线运行过程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，一种基于ELM的时间同步方法，包括以下步骤：
S1.收集接收信号，构建训练数据集合
Figure BDA00022815880800000313
i＝1,2,…,Nt；
具体地，步骤S1中所述构建训练数据集合的步骤包括：
S101.收集Nt个长度为M的样本序列
Figure BDA00022815880800000314
形成样本序列集合:
Figure BDA0002281588080000041
S102.对样本序列集合
Figure BDA0002281588080000042
进行预处理，得到标准度量矢量集合:
Figure BDA0002281588080000043
进一步地，步骤S102中所述的预处理包括：
S1021.在样本序列yi中观察长度为Ns的观察序列
Figure BDA0002281588080000044
与长度为Ns的训练序列
Figure BDA0002281588080000045
作“互相关运算”后，得到“互相关度量”
Figure BDA0002281588080000046
即：
Figure BDA0002281588080000047
所述t表示观察序列的起始索引位置，t的取值从0到N-1，例如t＝0表示从样本序列yi的第一个元素开始观察Ns长的样本序列；
Figure BDA0002281588080000048
表示yi中t到t+Ns1个元素；N＝M-Ns；
S1022.由N个相关度量
Figure BDA0002281588080000049
构成度量矢量
Figure BDA00022815880800000410
对Nt个度量矢量γi进行归一化处理，得到标准度量矢量
Figure BDA00022815880800000411
即：
Figure BDA00022815880800000412
其中，||γi||表示度量矢量γi的Frobenius范数。
S103.根据同步偏移值τi,i＝1,2,…,Nt形成标签集合
Figure BDA00022815880800000413
所述的标签Ti,i＝1,2,…,Nt根据同步偏移值τi，利用one-hot编码得到，即:
Figure BDA00022815880800000414
所述的τi由接收信号yi确定，根据统计信道模型，或根据实际场景结合现有方法或设备收集得到；
在本申请的实施例中，假设N＝64，τi＝3，Nt＝105，
训练标签如下：
Figure BDA00022815880800000415
S104.标准度量矢量集合和标签集合组成训练数据集合
Figure BDA00022815880800000416
i＝1,2,…,Nt。
S2.构建基于ELM的时间同步网络模型：
ELM网络模型包含1个输入层，1个隐藏层，1个输出层，输入层节点数为N，隐藏层节点数为N＝mN，输出层节点数为N，根据随机分布产生权重
Figure BDA00022815880800000417
和偏置
Figure BDA00022815880800000418
隐藏层采用sigmoid作为激活函数，将预处理后的标准度量矢量集合
Figure BDA0002281588080000051
作为输入，其中m根据工程经验预先设置。
S3.离线训练基于ELM的时间同步网络模型并保存模型及参数；
具体地，如图2所示，步骤S3中所述的离线训练和模型参数保存包括以下子步骤：
S301.依次将标准度量矢量
Figure BDA0002281588080000052
输入ELM网络模型，隐藏层输出
Figure BDA0002281588080000053
表示为：
Figure BDA0002281588080000054
所述σ(·)表示激活函数sigmoid；
S302.由Nt个标准度量矢量
Figure BDA0002281588080000055
得到的Nt个隐藏层输出Hi构成隐藏层输出矩阵:
Figure BDA0002281588080000056
根据隐藏层输出矩阵H和步骤S103中构建的标签集合T，求得输出权重
Figure BDA0002281588080000057
Figure BDA0002281588080000058
所述
Figure BDA0002281588080000059
表示H的Moore–Penrose伪逆；
S303.保存模型参数W，b和β。
S4.在线运行基于ELM的时间同步网络模型，得到时间同步估计值
Figure BDA00022815880800000510
具体地，如图3所示，步骤S4中所述的在线运行和时间同步估计值求解包括以下子步骤：
S401.接收在线样本序列
Figure BDA00022815880800000511
根据步骤S1021～S1022进行预处理得到在线标准度量矢量：
Figure BDA00022815880800000512
将
Figure BDA00022815880800000513
送入ELM网络模型中学习出输出向量
Figure BDA00022815880800000514
表示为：
Figure BDA00022815880800000515
S402.找到输出向量O中幅度平方的最大值的索引位置，即时间同步估计值
Figure BDA00022815880800000516
Figure BDA00022815880800000517
需要说明的是，本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (3)

1.一种基于ELM的时间同步方法，其特征在于：包括以下步骤：
S1.收集接收信号，构建训练数据集合
Figure FDA0003595273830000011
步骤S1中所述构建训练数据集合的步骤包括：
S101.收集Nt个长度为M的样本序列
Figure FDA0003595273830000012
形成样本序列集合:
Figure FDA0003595273830000013
S102.对样本序列集合
Figure FDA0003595273830000014
进行预处理，得到标准度量矢量集合:
Figure FDA0003595273830000015
S103.根据同步偏移值τi,i＝1,2,…,Nt形成标签集合
Figure FDA0003595273830000016
所述的标签Ti,i＝1,2,…,Nt根据同步偏移值τi，利用one-hot编码得到，即:
Figure FDA0003595273830000017
所述的τi由接收信号yi确定，根据统计信道模型，或根据实际场景结合现有方法或设备收集得到；
S104.标准度量矢量集合和标签集合组成训练数据集合
Figure FDA0003595273830000018
S2.构建基于ELM的时间同步网络模型；
步骤S2中所述的网络模型与参数如下：
ELM网络模型包含1个输入层，1个隐藏层，1个输出层，输入层节点数为N，隐藏层节点数为N＝mN，输出层节点数为N，根据随机分布产生权重
Figure FDA0003595273830000019
和偏置
Figure FDA00035952738300000110
隐藏层采用sigmoid作为激活函数，将预处理后的标准度量矢量集合
Figure FDA00035952738300000111
作为输入，其中m根据工程经验预先设置；
S3.离线训练基于ELM的时间同步网络模型并保存模型及参数；
步骤S3中所述的离线训练和模型参数保存包括以下子步骤：
S301.依次将标准度量矢量
Figure FDA00035952738300000112
输入ELM网络模型，隐藏层输出
Figure FDA00035952738300000113
表示为：
Figure FDA00035952738300000114
所述σ(·)表示激活函数sigmoid；
S302.由Nt个标准度量矢量
Figure FDA00035952738300000115
得到的Nt个隐藏层输出Hi构成隐藏层输出矩阵:
Figure FDA00035952738300000116
根据隐藏层输出矩阵H和步骤S103中构建的标签集合T，求得输出权重
Figure FDA0003595273830000021
Figure FDA0003595273830000022
所述
Figure FDA0003595273830000023
表示H的Moore–Penrose伪逆；
S303.保存模型参数W，b和β；
S4.在线运行基于ELM的时间同步网络模型，得到时间同步估计值
Figure FDA0003595273830000024
2.根据权利要求1所述的一种基于ELM的时间同步方法，其特征在于：步骤S102中所述的预处理包括：
S1021.在样本序列yi中观察长度为Ns的观察序列
Figure FDA0003595273830000025
与长度为Ns的训练序列
Figure FDA0003595273830000026
作“互相关运算”后，得到“互相关度量”
Figure FDA0003595273830000027
即：
Figure FDA0003595273830000028
所述t表示观察序列的起始索引位置，t的取值从0到N-1，例如t＝0表示从样本序列yi的第一个元素开始观察Ns长的样本序列；
Figure FDA0003595273830000029
表示yi中t到t+Ns-1个元素；N＝M-Ns；
S1022.由N个相关度量
Figure FDA00035952738300000210
构成度量矢量
Figure FDA00035952738300000211
对Nt个度量矢量γi进行归一化处理，得到标准度量矢量
Figure FDA00035952738300000212
即：
Figure FDA00035952738300000213
其中，||γi||表示度量矢量γi的Frobenius范数。
3.根据权利要求1所述的一种基于ELM的时间同步方法，其特征在于：步骤S4中所述的在线运行和时间同步估计值求解包括以下子步骤：
S401.接收在线样本序列
Figure FDA00035952738300000214
根据步骤S1021～S1022进行预处理得到在线标准度量矢量：
Figure FDA00035952738300000215
将
Figure FDA00035952738300000216
送入ELM网络模型中学习出输出向量
Figure FDA00035952738300000217
表示为：
Figure FDA00035952738300000218
S402.找到输出向量O中幅度平方的最大值的索引位置，即时间同步估计值
Figure FDA00035952738300000219
Figure FDA00035952738300000220
CN201911143597.4A 2019-11-20 2019-11-20 一种基于elm的时间同步方法 Active CN110971457B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911143597.4A CN110971457B (zh) 2019-11-20 2019-11-20 一种基于elm的时间同步方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911143597.4A CN110971457B (zh) 2019-11-20 2019-11-20 一种基于elm的时间同步方法

Publications (2)

Publication Number Publication Date
CN110971457A CN110971457A (zh) 2020-04-07
CN110971457B true CN110971457B (zh) 2022-05-24

Family

ID=70031007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911143597.4A Active CN110971457B (zh) 2019-11-20 2019-11-20 一种基于elm的时间同步方法

Country Status (1)

Country Link
CN (1) CN110971457B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113112028B (zh) * 2021-04-06 2022-07-01 西华大学 一种基于标签设计的机器学习时间同步方法
CN113381953B (zh) * 2021-06-11 2022-04-22 西华大学 基于可重构智能表面辅助的极限学习机的信道估计方法
CN113762529B (zh) * 2021-09-13 2023-06-20 西华大学 基于统计先验的机器学习定时同步方法
CN117295149B (zh) * 2023-11-23 2024-01-30 西华大学 一种基于低复杂度elm辅助的帧同步方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE1943547A1 (de) * 1968-08-27 1970-03-05 Plessey Co Ltd Automatisches Fernmeldevermittlungssystem
CN109195110A (zh) * 2018-08-23 2019-01-11 南京邮电大学 基于层次聚类技术和在线极限学习机的室内定位方法
CN109242204A (zh) * 2018-09-30 2019-01-18 淮阴工学院 基于最优vmd与同步优化的超短期风速预测方法
CN109615056A (zh) * 2018-10-09 2019-04-12 天津大学 一种基于粒子群优化极限学习机的可见光定位方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2910211A1 (fr) * 2006-12-19 2008-06-20 Canon Kk Procedes et dispositifs pour re-synchroniser un flux video endommage.

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE1943547A1 (de) * 1968-08-27 1970-03-05 Plessey Co Ltd Automatisches Fernmeldevermittlungssystem
CN109195110A (zh) * 2018-08-23 2019-01-11 南京邮电大学 基于层次聚类技术和在线极限学习机的室内定位方法
CN109242204A (zh) * 2018-09-30 2019-01-18 淮阴工学院 基于最优vmd与同步优化的超短期风速预测方法
CN109615056A (zh) * 2018-10-09 2019-04-12 天津大学 一种基于粒子群优化极限学习机的可见光定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Analysis of simplified frame synchronization scheme for burst-mode multi-carrier system;H.Zhang,Y.Hou;《IEEE Wireless Communications Letters》;20190630;第23卷(第6期);1054-1056 *
Bind frame synchronization for error correcting codes having a sparse parity check matrix;IMAD R,SICOT G;《IEEE transactions on communications》;20091231;1574-1577 *
Complex networks for the analysis of the synchronization of time series relevant for plasmafusion diagnostics;T.Craciunescu,A Murari;《ECCTD》;20171102;全文 *

Also Published As

Publication number Publication date
CN110971457A (zh) 2020-04-07

Similar Documents

Publication Publication Date Title
CN110971457B (zh) 一种基于elm的时间同步方法
CN106847302B (zh) 基于卷积神经网络的单通道混合语音时域分离方法
CN110719239B (zh) 一种数据模型双驱动的联合mimo信道估计和信号检测方法
CN111970078B (zh) 一种非线性失真场景的帧同步方法
CN109150775B (zh) 自适应噪声环境动态变化的鲁棒性在线信道状态估计方法
Cao et al. Lightweight convolutional neural networks for CSI feedback in massive MIMO
WO2021223504A1 (zh) 上下行信道互易的实现方法、通信节点和存储介质
CN103888391B (zh) 基于双Sigmoid混沌神经网络的信号盲检测方法
CN111127435B (zh) 基于双流卷积神经网络的无参考图像质量评估方法
Cosovic et al. Distributed Gauss–Newton method for state estimation using belief propagation
CN112039807A (zh) 下行信道估计方法、装置、通信设备和存储介质
CN112688772B (zh) 一种机器学习叠加训练序列帧同步方法
CN113194548B (zh) 一种智能超表面辅助的大规模无源随机接入方法
CN114580498A (zh) 一种无线通信场景下高通信效率的联邦学习方法
CN113112028B (zh) 一种基于标签设计的机器学习时间同步方法
CN113381953B (zh) 基于可重构智能表面辅助的极限学习机的信道估计方法
CN114745233B (zh) 一种基于导频设计的联合信道估计方法及装置
CN113890795B (zh) 大规模mimo信道估计模型的构建方法、装置及介质
CN115620316A (zh) 基于无线联邦学习的图像识别方法、装置、设备及介质
CN109391315B (zh) 一种数据模型双驱动的mimo接收机
Jin et al. Convergence analysis for iterative learning control of impulsive linear discrete delay systems
CN114726412A (zh) 信道信息获取方法、装置及相关设备
CN106850096B (zh) 空间相关性估算的方法及装置
CN116017528A (zh) 流量预测方法、装置及服务器
CN115424079A (zh) 基于联邦边缘学习的图像分类方法以及相关设备

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200407

Assignee: Chengdu Tiantongrui Computer Technology Co.,Ltd.

Assignor: XIHUA University

Contract record no.: X2023510000028

Denomination of invention: A Time Synchronization Method Based on ELM

Granted publication date: 20220524

License type: Common License

Record date: 20231124