CN111585922A - 一种基于卷积神经网络的调制方式识别方法 - Google Patents
一种基于卷积神经网络的调制方式识别方法 Download PDFInfo
- Publication number
- CN111585922A CN111585922A CN202010208131.4A CN202010208131A CN111585922A CN 111585922 A CN111585922 A CN 111585922A CN 202010208131 A CN202010208131 A CN 202010208131A CN 111585922 A CN111585922 A CN 111585922A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- constructing
- convolutional neural
- convolutional
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000011176 pooling Methods 0.000 claims description 29
- 238000010586 diagram Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000007493 shaping process Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
-
- 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
- G06N3/08—Learning methods
Abstract
本发明提供了一种基于卷积神经网络的调制方式识别方法,包括如下步骤:S1、生成数据集,S2、构建卷积神经网络模型;S3、将步骤S1所得数据集对步骤S2所构建的卷积神经网络模型进行训练;S4、将待识别的五种调制信号输入至步骤S3训练好的卷积神经网络模型中,识别出五种调制信号的调制类型;本发明所提供的基于卷积神经网络的调制方式识别方法不需要提取调制信号的特征参数,且当信噪比大于10dB时,调制类型的分类准确率在90%以上。
Description
技术领域
本发明涉及信号调制方式识别技术领域,具体涉及一种基于卷积神经网络的调制方式识别方法。
背景技术
在通信信号处理领域,通信信号调制方式识别是信号分析的重要部分,也是软件无线电的关键技术,在军用和民用上均有广泛的应用。对于非协作通信而言,信号检测和判定调制方式为后续的信号解调提供必要的信息。因此,通信信号的调制方式盲识别技术具有十分重要的意义和发展前景。传统的调制识别方法主要有两种,一种是决策论方法,另一种是基于特征提取的模式识别方法。以上两种方法依然存在计算量大,识别准确率低等问题。
发明内容
基于此,针对上述问题,有必要提出一种基于卷积神经网络的调制方式识别方法,本方法通过网络的卷积层和输入层以及池化层之间通过卷积核进行局部连接以及同一个卷积核与不同区域卷积时自身参数固定,减少权值参量,降低了网络的模型复杂度,提升了调制类型的分类准确率。
本发明提供了一种基于卷积神经网络的调制方式识别方法,包括如下步骤:
S1、生成数据集;
S2、构建卷积神经网络模型;
S3、将步骤S1所得数据集对步骤S2所构建的卷积神经网络模型进行训练;
S4、将待识别的五种调制信号输入至步骤S3训练好的卷积神经网络模型中,识别出五种调制信号的调制类型。
优选的,在步骤S1中,生成数据集的过程包括生成调制信号,添加相位偏移和频率偏移,成形滤波,以及添加高斯白噪声,然后将添加过噪声的信号添加标签,并按照图片的格式保存数据。
优选的,步骤S2具体包括:
S21、构建输入层,用于对所输入的数据集的信息进行收集;
S22、构建第一卷积层,用于对所输入的数据集的信息滤波和特征提取,得到第一特征图;
S23、构建第一最大池化层,用于对步骤S22所得到的第一特征图进行处理,减少下一层的参数和计算量,防止过拟合;
S24、构建第二卷积层,用于对步骤S23池化处理后的第一特征图再次进行特征提取,得到第二特征图;
S25、构建第二最大池化层,用于对步骤S24所得到的第二特征图进行处理,减少下一层的参数和计算量,防止过拟合;
S26、构建第三卷积层,用于对步骤S25池化处理后的第二特征图再次进行特征提取,得到第三特征图;
S27、构建第三最大池化层,用于对步骤S26所得到的第三特征图进行处理,减少下一层的参数和计算量,防止过拟合;
S28、构建全连接层,用于将步骤S27池化处理后的第三特征图进行向量化,将学习到的分布式特征映射到样本标记空间;
S29、构建输出层,用于将步骤S28所得到的特征用于分类决策。
优选的,所述第一卷积层中的卷积核的数量为64,所述第二卷积层中的卷积核的数量为128,所述第三卷积层中的卷积核的数量为256。
优选的,所述输出层的节点单元的数量为5。
本发明的有益效果是:
(1)本发明所使用的方法不需要提取调制信号的特征参数,且当信噪比大于10dB时,调制类型的分类准确率在90%以上;
(2)本发明所使用的方法不需要对接收到的信号进行任何同步处理和不需要先验信息,就可进行调制类型分类。
附图说明
图1为本发明所述基于卷积神经网络的调制方式识别方法的框架示意图;
图2为本发明所述基于卷积神经网络的调制方式识别方法的框架结构图一;
图3为本发明所述基于卷积神经网络的调制方式识别方法的框架结构图二;
图4为本发明所述卷积神经网络模型的测试结果数据图。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
实施例:
如图1-3所示,本发明提供了一种基于卷积神经网络的调制方式识别方法,包括如下步骤:
S1、生成数据集;
在步骤S1中,生成数据集的过程包括生成调制信号,添加相位偏移和频率偏移,成形滤波,以及添加高斯白噪声,然后将添加过噪声的信号添加标签,并按照图片的格式保存数据。
在本实施例中,共生成5种调制方式(64QAM、16QAM、8PSK、QPSK、BPSK)信号。每种调制方式有10000条数据,每条数据的长度是512,每条数据的信噪比不同,信噪平均为10dB左右。
S2、构建卷积神经网络模型;
步骤S2具体包括:
S21、构建输入层,用于对所输入的数据集的信息进行收集,每个输入样本为2×512的输入矩阵,其中2代表信号的同向分量和正交分量两个特征维度,512代表每个特征维度上的采样点个数;
S22、构建第一卷积层,用于对所输入的数据集的信息滤波和特征提取,得到第一特征图,该第一卷积层与输入层采取局部连接,在该层中使用64个卷积核,每个卷积核都采取权值共享并与输入矩阵进行卷积得到不同的特征映射,即得到64个特征图,其中,卷积核尺寸设置为2×4,步长设置为1;
S23、构建第一最大池化层,用于对步骤S22所得到的第一特征图进行处理,减少下一层的参数和计算量,防止过拟合,按照池化区域的大小和步长(这里,池化区域的大小设置为1×2,步长为2)逐步扫描第一卷积层输出的特征图,将每个池化区域的最大值保存到矩阵中,即为最大池化层的输出;
S24、构建第二卷积层,用于对步骤S23池化处理后的第一特征图再次进行特征提取,得到第二特征图,该第二卷积层主要作用是对得到的第一特征图再次进行深度特征的提取,因此第二卷积层与上层同样采取局部连接的方式,在本层中使用128个卷积核,每个卷积核都采取权值共享并与输入矩阵进行卷积得到不同的特征映射,其中,卷积核尺寸设置为1×4,步长设置为1;
S25、构建第二最大池化层,用于对步骤S24所得到的第二特征图进行处理,减少下一层的参数和计算量,防止过拟合,按照池化区域的大小和步长(这里池化区域的大小设置为1×2,步长为2)逐渐扫描第二卷积层输出的特征图,将每个池化区域的最大值保存到矩阵中,即为最大池化层的输出;
S26、构建第三卷积层,用于对步骤S25池化处理后的第二特征图再次进行特征提取,得到第三特征图,该第三卷积层主要作用是对得到的第二特征图再次进行深度特征的提取,因此第三卷积层与上层同样采取局部连接的方式,在本层中使用256个卷积核,每个卷积核都采取权值共享并与输入矩阵进行卷积得到不同的特征映射,其中,卷积核尺寸设置为1×4,步长设置为1;
S27、构建第三最大池化层,用于对步骤S26所得到的第三特征图进行处理,减少下一层的参数和计算量,防止过拟合;
S28、构建全连接层,用于将步骤S27池化处理后的第三特征图进行向量化,与上层使用全连接方式进行连接;
S29、构建输出层,将步骤S28中所得到的特征向量进行组合并进行分类,计算属于每一种调制方式的概率,本输出层的节点单元的数量为5。
S3、将步骤S1所得数据集对步骤S2所构建的卷积神经网络模型进行训练;
在本实施例中,使用归一化将数据的范围缩小,能够加快网络训练并降低对网络初始化的敏感度。为了减少过拟合,使用Dropout p=0.5。随着迭代次数的增加,分类的准确率逐渐趋于100%,损失函数的结果逐渐趋于零。准确率和损失函数的曲线波不平滑,可以通过增大MiniBatchSize,使曲线更加平滑。
S4、将待识别的五种调制信号输入至步骤S3训练好的卷积神经网络模型中,识别出五种调制信号的调制类型。
测试例一
使用新的数据集(指的是重新生成数据集,和训练网络时使用的数据集不同的地方是使用不同的相位偏移、频率偏移和不同的噪声大小),来验证实施例中构建的卷积神经网络模型,确保模型对新的数据也有很好的学习、分类能力。仿真生成不同信噪比的数据集,对构建的卷积神经网络模型进行测试,测试结果如附图4所示。
由附图4可知,当信噪比为7dB时,网络的分类准确率为85%;大于10dB时,网络的分类准确率大于90%。因此,该网络在信噪比大于10db时,能够很好的区分这5种调制方式的信号。也就是说,使用神经网络对调制方式进行盲识别,是可行的。
测试例二
按照实施例所述的方法将构建好的卷积神经网络模型移植到软件中,进行实际测试。测试所用到的仪器有:信号源Agilent E4438C,硬件接收平台为9032便携式接收机及一台电脑。
使用信号源发送调制信号64QAM,16QAM,8PSK,QPSK和BPSK验证调制方式识别的卷积神经网络的识别效果。以64QAM信号为例(其余几种调制信号的参数配置和64QAM信号的参数配置相同),使用Agilent E4438C生成64QAM信号的参数配置情况如表1所示。
表1 Agilent E4438C生成64QAM信号的参数配置
调制类型 | 载波频率 | 幅度 | 速率 |
64QAM | 2GHz | -70dBm | 5Mbps |
将信号源产生的信号输入到接收机中,当信号产生64QAM信号时,上层软件经过相应的处理,将信号传送给神经网络,识别出调制方式后,再进行解调处理,然后将解调后的数据显示出来。系统准确的识别出了调制类型。
使用该网络分别测试了当信号源的输出幅度为-80dBm,-70dBm及-60dBm时,每种调制信号的识别准确率,如表2所示。其中,表2中的准确率是5次测试的平均值。验证了使用卷积神经网络进行调制类型分类识别的可行性。
表2不同幅度的调制类型识别准确率
本测试例所使用的方法不需要提取调制信号的特征参数,且当信噪比大于10dB时,调制类型的分类准确率在90%以上。
以上所述实施例仅表达了本发明的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (5)
1.一种基于卷积神经网络的调制方式识别方法,其特征在于,包括如下步骤:
S1、生成数据集;
S2、构建卷积神经网络模型;
S3、将步骤S1所得数据集对步骤S2所构建的卷积神经网络模型进行训练;
S4、将待识别的五种调制信号输入至步骤S3训练好的卷积神经网络模型中,识别出五种调制信号的调制类型。
2.根据权利要求1所述的基于卷积神经网络的调制方式识别方法,其特征在于,在步骤S1中,生成数据集的过程包括生成调制信号,添加相位偏移和频率偏移,成形滤波,以及添加高斯白噪声,然后将添加过噪声的信号添加标签,并按照图片的格式保存数据。
3.根据权利要求1所述的基于卷积神经网络的调制方式识别方法,其特征在于,步骤S2具体包括:
S21、构建输入层,用于对所输入的数据集的信息进行收集;
S22、构建第一卷积层,用于对所输入的数据集的信息滤波和特征提取,得到第一特征图;
S23、构建第一最大池化层,用于对步骤S22所得到的第一特征图进行处理,减少下一层的参数和计算量,防止过拟合;
S24、构建第二卷积层,用于对步骤S23池化处理后的第一特征图再次进行特征提取,得到第二特征图;
S25、构建第二最大池化层,用于对步骤S24所得到的第二特征图进行处理,减少下一层的参数和计算量,防止过拟合;
S26、构建第三卷积层,用于对步骤S25池化处理后的第二特征图再次进行特征提取,得到第三特征图;
S27、构建第三最大池化层,用于对步骤S26所得到的第三特征图进行处理,减少下一层的参数和计算量,防止过拟合;
S28、构建全连接层,用于将步骤S27池化处理后的第三特征图进行向量化,将学习到的分布式特征映射到样本标记空间;
S29、构建输出层,用于将步骤S28所得到的特征用于分类决策。
4.根据权利要求3所述的基于卷积神经网络的调制方式识别方法,其特征在于,所述第一卷积层中的卷积核的数量为64,所述第二卷积层中的卷积核的数量为128,所述第三卷积层中的卷积核的数量为256。
5.根据权利要求3所述的基于卷积神经网络的调制方式识别方法,其特征在于,所述输出层的节点单元的数量为5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010208131.4A CN111585922A (zh) | 2020-03-23 | 2020-03-23 | 一种基于卷积神经网络的调制方式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010208131.4A CN111585922A (zh) | 2020-03-23 | 2020-03-23 | 一种基于卷积神经网络的调制方式识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111585922A true CN111585922A (zh) | 2020-08-25 |
Family
ID=72111398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010208131.4A Pending CN111585922A (zh) | 2020-03-23 | 2020-03-23 | 一种基于卷积神经网络的调制方式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111585922A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308133A (zh) * | 2020-10-29 | 2021-02-02 | 成都明杰科技有限公司 | 基于卷积神经网络的调制识别方法 |
CN112699777A (zh) * | 2020-12-29 | 2021-04-23 | 成都信息工程大学 | 一种基于卷积神经网络的盲信号调制类型识别方法 |
CN112910812A (zh) * | 2021-02-25 | 2021-06-04 | 电子科技大学 | 一种基于时空特征提取深度学习的调制模式识别方法 |
CN113783815A (zh) * | 2021-09-10 | 2021-12-10 | 苏州大学 | 针对无线通信的自定义卷积神经网络调制识别方法及系统 |
CN114900407A (zh) * | 2022-07-12 | 2022-08-12 | 南京科伊星信息科技有限公司 | 一种基于数据增强的调制方式自动识别与对抗方法 |
CN115277324A (zh) * | 2022-07-25 | 2022-11-01 | 电信科学技术第五研究所有限公司 | 基于卷积神经网络的fsk信号识别方法 |
CN116388933A (zh) * | 2023-04-27 | 2023-07-04 | 成都美数科技有限公司 | 基于深度学习的通信信号盲识别系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108521387A (zh) * | 2018-03-30 | 2018-09-11 | 中国电子科技集团公司第三十六研究所 | 一种信号调制样式识别方法和装置 |
CN108616470A (zh) * | 2018-03-26 | 2018-10-02 | 天津大学 | 基于卷积神经网络的调制信号识别方法 |
CN109802905A (zh) * | 2018-12-27 | 2019-05-24 | 西安电子科技大学 | 基于cnn卷积神经网络的数字信号自动调制识别方法 |
CN110048978A (zh) * | 2019-04-09 | 2019-07-23 | 西安电子科技大学 | 一种信号调制识别方法 |
CN110417694A (zh) * | 2019-06-07 | 2019-11-05 | 吉林大学 | 一种通信信号调制方式识别方法 |
CN110855591A (zh) * | 2019-12-09 | 2020-02-28 | 山东大学 | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 |
-
2020
- 2020-03-23 CN CN202010208131.4A patent/CN111585922A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108616470A (zh) * | 2018-03-26 | 2018-10-02 | 天津大学 | 基于卷积神经网络的调制信号识别方法 |
CN108521387A (zh) * | 2018-03-30 | 2018-09-11 | 中国电子科技集团公司第三十六研究所 | 一种信号调制样式识别方法和装置 |
CN109802905A (zh) * | 2018-12-27 | 2019-05-24 | 西安电子科技大学 | 基于cnn卷积神经网络的数字信号自动调制识别方法 |
CN110048978A (zh) * | 2019-04-09 | 2019-07-23 | 西安电子科技大学 | 一种信号调制识别方法 |
CN110417694A (zh) * | 2019-06-07 | 2019-11-05 | 吉林大学 | 一种通信信号调制方式识别方法 |
CN110855591A (zh) * | 2019-12-09 | 2020-02-28 | 山东大学 | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112308133A (zh) * | 2020-10-29 | 2021-02-02 | 成都明杰科技有限公司 | 基于卷积神经网络的调制识别方法 |
CN112699777A (zh) * | 2020-12-29 | 2021-04-23 | 成都信息工程大学 | 一种基于卷积神经网络的盲信号调制类型识别方法 |
CN112910812A (zh) * | 2021-02-25 | 2021-06-04 | 电子科技大学 | 一种基于时空特征提取深度学习的调制模式识别方法 |
CN112910812B (zh) * | 2021-02-25 | 2021-10-22 | 电子科技大学 | 一种基于时空特征提取深度学习的调制模式识别方法 |
CN113783815A (zh) * | 2021-09-10 | 2021-12-10 | 苏州大学 | 针对无线通信的自定义卷积神经网络调制识别方法及系统 |
CN114900407A (zh) * | 2022-07-12 | 2022-08-12 | 南京科伊星信息科技有限公司 | 一种基于数据增强的调制方式自动识别与对抗方法 |
CN114900407B (zh) * | 2022-07-12 | 2022-10-14 | 南京科伊星信息科技有限公司 | 一种基于数据增强的调制方式自动识别与对抗方法 |
CN115277324A (zh) * | 2022-07-25 | 2022-11-01 | 电信科学技术第五研究所有限公司 | 基于卷积神经网络的fsk信号识别方法 |
CN115277324B (zh) * | 2022-07-25 | 2023-11-10 | 电信科学技术第五研究所有限公司 | 基于卷积神经网络的fsk信号识别方法 |
CN116388933A (zh) * | 2023-04-27 | 2023-07-04 | 成都美数科技有限公司 | 基于深度学习的通信信号盲识别系统 |
CN116388933B (zh) * | 2023-04-27 | 2023-11-21 | 成都美数科技有限公司 | 基于深度学习的通信信号盲识别系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111585922A (zh) | 一种基于卷积神经网络的调制方式识别方法 | |
CN108234370B (zh) | 基于卷积神经网络的通信信号调制方式识别方法 | |
CN107124381B (zh) | 一种数字通信信号调制方式自动识别方法 | |
CN110163282B (zh) | 基于深度学习的调制方式识别方法 | |
CN109890043B (zh) | 一种基于生成式对抗网络的无线信号降噪方法 | |
CN110113288B (zh) | 一种基于机器学习的ofdm解调器的设计和解调方法 | |
CN107038421A (zh) | 基于稀疏堆栈自编码的调制样式识别方法 | |
CN109450834A (zh) | 基于多特征关联和贝叶斯网络的通信信号分类识别方法 | |
CN112733811B (zh) | 基于改进稠密神经网络的水声信号调制方式类间识别方法 | |
CN113014524B (zh) | 一种基于深度学习的数字信号调制识别方法 | |
CN110071885A (zh) | 一种psk数字信号子类调制识别的深度学习判别方法 | |
Zhendong et al. | Modulation recognition based on constellation diagram for M-QAM signals | |
CN114422311A (zh) | 联合深度神经网络和专家先验特征的信号调制识别方法及系统 | |
Chen et al. | Automatic modulation classification using multi-scale convolutional neural network | |
Almohamad et al. | Dual-determination of modulation types and signal-to-noise ratios using 2D-ASIQH features for next generation of wireless communication systems | |
CN116628566A (zh) | 一种基于聚合残差变换网络的通信信号调制分类方法 | |
CN109274626B (zh) | 一种基于星座图正交扫描特征的调制识别方法 | |
CN114615118A (zh) | 一种基于多端卷积神经网络的调制识别方法 | |
Zhang et al. | Efficient residual shrinkage CNN denoiser design for intelligent signal processing: Modulation recognition, detection, and decoding | |
CN116738278A (zh) | 基于小波变换和多模态特征融合的自动调制分类方法 | |
CN104270328B (zh) | 一种信噪比实时估计方法 | |
Ghasemzadeh et al. | A robust graph convolutional neural network-based classifier for automatic modulation recognition | |
CN113822162B (zh) | 一种基于伪星座图的卷积神经网络调制识别方法 | |
CN110390253A (zh) | 基于多种分形谱特征提取的通信信号调制方式识别方法 | |
CN115664905A (zh) | 基于多域物理层指纹特征的Wi-Fi设备识别系统及方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |