CN111600629A - 一种基于改进的CluStream框架的网台分选方法 - Google Patents

一种基于改进的CluStream框架的网台分选方法 Download PDF

Info

Publication number
CN111600629A
CN111600629A CN202010395448.3A CN202010395448A CN111600629A CN 111600629 A CN111600629 A CN 111600629A CN 202010395448 A CN202010395448 A CN 202010395448A CN 111600629 A CN111600629 A CN 111600629A
Authority
CN
China
Prior art keywords
frequency hopping
arrival time
frequency
signal parameter
hopping signal
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.)
Granted
Application number
CN202010395448.3A
Other languages
English (en)
Other versions
CN111600629B (zh
Inventor
周德强
张君毅
史飞
李仕云
闫红超
吕鹏
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.)
CETC 54 Research Institute
Original Assignee
CETC 54 Research Institute
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 CETC 54 Research Institute filed Critical CETC 54 Research Institute
Priority to CN202010395448.3A priority Critical patent/CN111600629B/zh
Publication of CN111600629A publication Critical patent/CN111600629A/zh
Application granted granted Critical
Publication of CN111600629B publication Critical patent/CN111600629B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/69—Spread spectrum techniques
    • H04B1/713—Spread spectrum techniques using frequency hopping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/69—Spread spectrum techniques
    • H04B1/713—Spread spectrum techniques using frequency hopping
    • H04B1/7136—Arrangements for generation of hop frequencies, e.g. using a bank of frequency sources, using continuous tuning or using a transform
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/69—Spread spectrum techniques
    • H04B1/713—Spread spectrum techniques using frequency hopping
    • H04B1/7136—Arrangements for generation of hop frequencies, e.g. using a bank of frequency sources, using continuous tuning or using a transform
    • H04B2001/71362—Arrangements for generation of hop frequencies, e.g. using a bank of frequency sources, using continuous tuning or using a transform using a bank of frequency sources

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明公开了一种基于改进的CluStream框架的网台分选方法，属于通信对抗技术领域。本发明包括缓存跳频信号参数数据流；按到达时间对缓存的数据进行升序排序；将排序后的数据按持续时间进行划分得到数据集合；分段处理每个数据集合，计算网台参数等步骤。本发明借鉴CluStream框架的数据处理思想，将跳频信号参数数据流按时间进行分段处理，经过微聚类和宏聚类可以跟踪不同网台信号的到达时间的漂移，避免到达时间漂移对时间特征提取的不利影响。本发明方法简洁，提高了网台分选方法的适应性，是对现有技术的一种重要改进。

Description

一种基于改进的CluStream框架的网台分选方法
技术领域
本发明属于通信对抗技术领域，具体是指一种基于改进的CluStream框架的网台分选方法。
背景技术
跳频通信作为一种抗干扰通信手段已经在军事通信领域广泛应用。作为非合作通信的第三方，要想对跳频通信实施侦察和干扰，一个重要的前提是能够正确地进行网台分选，获取跳频电台的频率集、跳速等参数。
现有的网台分选算法包括基于盲源分离的网台分选算法、基于跳频特征聚类的网台分选算法等。其中，基于盲源分离的网台分选算法通过使用盲源分离算法处理时域信号进行分选，其计算复杂，实时性较差，难以适应复杂的电磁环境。基于跳频特征聚类的网台分选算法根据跳频信号的到达时间、来波方向等特征进行分选，如果不同电台的时钟一致性差就会导致其到达时间缓慢漂移，影响跳频电台到达时间特征的提取，使得基于跳频特征聚类的网台分选算法性能下降。
发明内容
本发明的目的是克服上述现有技术中存在的缺陷，提出一种基于改进的CluStream框架的网台分选方法，该方法将跳频信号参数数据流按时间进行分段处理，经过微聚类和宏聚类，从而跟踪不同网台信号的到达时间的漂移，避免到达时间漂移对时间特征提取的不利影响，能够提高网台分选的性能。
为实现上述目的，本发明所采取的技术方案为：
一种基于改进的CluStream框架的网台分选方法，包括以下步骤：
(1)缓存跳频信号参数数据流；所述跳频信号参数数据流来自于对跳频通信系统的侦查，所述跳频通信系统包括多个网台，网台之间通过跳频信号进行通信；所述跳频信号参数数据流包括多个跳频信号参数向量，所述跳频信号参数向量中包括跳频信号的频率、到达时间和持续时间；
(2)对缓存的跳频信号参数向量按到达时间进行升序排序，排序后首尾两个向量的到达时间的差值即为跳频信号存在的总时间；
(3)将排序后的跳频信号参数向量按持续时间进行划分，具有相同持续时间的跳频信号参数向量被划分进同一分组，分组中的跳频信号参数向量仍按到达时间升序排列；每个分组对应的持续时间与该分组中跳频信号参数向量的个数的乘积即为该分组的跳频信号存在时间；
(4)对步骤(3)划分出的分组进行筛选，若某一分组的跳频信号存在时间与总时间的比值超过第一门限并且该分组中跳频信号参数向量的个数超过第二门限，则该分组是一个有效分组，否则，该分组是一个无效分组；所述第一门限大于0.001，所述第二门限大于50；
(5)根据每一有效分组内所有跳频信号参数向量的到达时间，计算该分组的跳频周期估计值，并根据到达时间和跳频周期估计值计算每个跳频信号参数向量的相对到达时间；
(6)将每个有效分组内的跳频信号参数向量按到达时间进行分段，每段首尾两向量的到达时间相差不超过5秒；
(7)对于每一有效分组，按照相对到达时间对各分段内的向量进行直方图统计，并根据统计结果在分段内进行微聚类，得到各分段的微簇，微簇的特征是微簇内向量的相对到达时间的分布范围；
(8)对于每一有效分组，将其中不同分段的微簇按微簇的特征是否交叠进行宏聚类，得到多个聚类集合，如果某个微簇属于多个聚类集合，则将其从各聚类集合中剔除；最终得到的每一个聚类集合即对应于一个网台；
(9)对于每一聚类集合，统计其中各向量的频率的出现次数，将出现次数高的频率选出组成该聚类集合对应网台的频率集，该聚类集合所属有效分组的跳频周期估计值的倒数即为对应网台的跳速；完成网台分选。
进一步的，所述步骤(5)中，跳频周期估计值的计算方式为PRI脉冲重复间隔变换方法。
进一步的，所述步骤(5)中，每个跳频信号参数向量的相对到达时间为该跳频信号参数向量的到达时间与其所属分组的跳频周期估计值相除的余数。
进一步的，所述步骤(9)中，将出现次数高的频率选出组成该聚类集合对应网台的频率集的具体方式为，计算各向量频率出现次数的均值，将出现次数大于均值二分之一的频率选出，组成该聚类集合对应网台的频率集。
本发明与现有技术相比，具有以下优点：
1.本发明借鉴CluStream框架的数据处理思想，将跳频信号参数数据流按时间进行分段处理，经过微聚类和宏聚类可以跟踪不同网台信号的到达时间的漂移，避免到达时间漂移对时间特征提取的不利影响，提高了网台分选方法的适应性。
2.本发明方法简洁，计算量小，易于工程实现。
附图说明
图1是本发明实施例中网台分选方法的流程图。
具体实施方式
以下结合附图对本发明做进一步的详细描述。
一种基于改进的CluStream框架的网台分选方法，该法用于对侦查获得跳频信号参数数据流进行分析，从而进行网台分选。其中，跳频信号参数数据流来自于对跳频通信系统的侦查，该跳频通信系统包括多个网台，网台之间通过跳频信号进行通信。该方法包括以下步骤：
(1)缓存跳频信号参数数据流；所述跳频信号参数数据流包括多个跳频信号参数向量，所述跳频信号参数向量包括信号的频率、到达时间和持续时间的分量；
(2)对缓存的跳频信号参数向量按到达时间进行升序排序；
(3)将排序后的跳频信号参数向量按持续时间进行划分，得到数据分组Hj，j＝0,1,…,N-1，N是数据分组的个数；具体来说：
(3a)排序后的跳频信号参数向量中的首尾两个向量的到达时间的差值即为跳频信号存在的总时间；
(3b)将排序后的跳频信号参数向量按持续时间进行划分，具有相同持续时间的跳频信号参数向量划分进同一分组，统计分组中跳频信号参数向量的个数；
(3c)每个分组的持续时间与跳频信号参数向量的个数的乘积即为跳频信号存在时间；
(3d)如果跳频信号存在时间与总时间的比值超过第一门限并且分组中跳频信号参数向量的个数超过第二门限，则该分组是一个有效的数据分组Hj；否则，该分组是一个无效的数据分组；所述第一门限大于0.001，所述第二门限大于50；
(4)分段处理每个数据分组Hj，计算网台参数；具体来说：
(4a)根据数据分组Hj内所有跳频信号的到达时间使用PRI脉冲重复间隔变换算法计算跳频周期的估计值
Figure BDA0002487375070000051
(4b)计算每个跳频信号的相对到达时间；计算方式为：
Figure BDA0002487375070000052
其中，RTi为第i个跳频信号的相对到达时间，mod表示取余数，Ti为第i个跳频信号的到达时间；
(4c)将数据分组Hj内的参数向量按到达时间进行分段，每段首尾两跳的到达时间差不超过5秒；
(4d)将数据分组Hj内的第k段数据按相对到达时间的直方图统计进行微聚类得到微簇Cj,k，微簇的特征是微簇内数据的相对到达时间的分布范围Fj,k＝[RLj,k,RHj,k]，k＝0,1,…；
(4e)将不同时间段的微簇Cj,k按微簇的特征Fj,k是否交叠进行宏聚类，宏聚类的结果Dj,m中的数据即是一个网台内的跳频数据，m＝0,1,…,M-1，M是网台的数量，如果某个微簇属于多个宏聚类的结果，那么需将其从各宏聚类结果中剔除；
(4f)根据聚类结果Dj,m，统计频率的出现次数，将出现次数高的频率选出组成对应网台的频率集，同时，Dj,m所属数据分组的跳频周期估计值的倒数即为对应网台的跳速。
至此，完成网台分选。
以下为一个更具体的例子：
参照图1，一种基于改进的CluStream框架的网台分选方法，包括以下步骤：
步骤1)缓存跳频信号参数数据流：所述跳频信号参数数据流包括多个跳频信号参数向量，所述跳频信号参数向量包括信号的频率、到达时间和持续时间的分量；在本实施例中，跳频信号的参数由基于短时傅里叶变换的跳频信号检测方法获得，检测方法中的时间分辨率为44.44微秒；
步骤2)对缓存的跳频信号参数向量按到达时间进行升序排序；
步骤3)将排序后的跳频信号参数向量按持续时间进行划分，得到数据分组Hj，j＝0,1,…,N-1，N是数据分组的个数：
步骤3a)排序后的跳频信号参数向量中的首尾两个向量的到达时间的差值即为跳频信号存在的总时间；
步骤3b)将排序后的跳频信号参数向量按持续时间进行划分，具有相同持续时间的跳频信号参数向量划分进同一分组，统计分组中跳频信号参数向量的个数；
步骤3c)每个分组的持续时间与跳频信号参数向量的个数的乘积即为跳频信号存在时间；
步骤3d)如果跳频信号存在时间与总时间的比值超过第一门限并且分组中跳频信号参数向量的个数超过第二门限，则该分组是一个有效的数据分组Hj；否则，该分组是一个无效的数据分组；在本实施实例中，第一门限为0.1，第二门限为200；
步骤4)分段处理每个数据分组Hj，计算网台参数：
步骤4a)根据数据分组Hj内所有跳频信号的到达时间使用PRI变换算法计算跳频周期的估计值
Figure BDA0002487375070000061
步骤4b)计算每个跳频信号的相对到达时间，计算方式为：
Figure BDA0002487375070000062
其中，RTi为第i个跳频信号的相对到达时间，mod表示取余数，Ti为第i个跳频信号的到达时间；
步骤4c)将数据分组Hj内的参数向量按到达时间进行分段，每段首尾两跳的到达时间差不超过Δt，在本实施例中，Δt设置为2秒；
步骤4d)将数据分组Hj内的第k段数据按相对到达时间的直方图统计进行微聚类得到微簇Cj,k，微簇的特征是微簇内数据的相对到达时间的分布范围Fj,k＝[RLj,k,RHj,k]，k＝0,1,…；
步骤4e)将不同时间段的微簇Cj,k按微簇的特征Fj,k是否交叠进行宏聚类，宏聚类的结果Dj,m中的数据即是一个网台内的跳频数据，m＝0,1,…,M-1，M是网台的数量，如果某个微簇属于多个宏聚类的结果，那么将其从各宏聚类结果中剔除；
步骤4f)根据数据聚类结果Dj,m，统计频率出现的次数，计算出现次数的均值，将出现次数大于均值二分之一的频率选出组成频率集，Dj,m所属数据分组的跳频周期估计值的倒数即为网台的跳速。至此，完成网台分选。
本发明借鉴CluStream框架的数据处理思想，将跳频信号参数数据流按时间进行分段处理，经过微聚类和宏聚类可以跟踪不同网台信号的到达时间的漂移，避免到达时间漂移对时间特征提取的不利影响。本发明方法简洁，提高了网台分选方法的适应性，是对现有技术的一种重要改进。
需要理解的是，上述对于本专利具体实施方式的叙述仅仅是为了便于本领域普通技术人员理解本专利方案而列举的示例性描述，并非暗示本专利的保护范围仅仅被限制在这些个例中，本领域普通技术人员完全可以在对本专利技术方案做出充分理解的前提下，以不付出任何创造性劳动的形式，通过对本专利所列举的各个例采取组合技术特征、替换部分技术特征、加入更多技术特征等等方式，得到更多的具体实施方式，所有这些具体实施方式均在本专利权利要求书的涵盖范围之内，因此，这些新的具体实施方式也应在本专利的保护范围之内。

Claims (4)

1.一种基于改进的CluStream框架的网台分选方法，其特征在于，包括以下步骤：
（1）缓存跳频信号参数数据流；所述跳频信号参数数据流来自于对跳频通信系统的侦查，所述跳频通信系统包括多个网台，网台之间通过跳频信号进行通信；所述跳频信号参数数据流包括多个跳频信号参数向量，所述跳频信号参数向量中包括跳频信号的频率、到达时间和持续时间；
（2）对缓存的跳频信号参数向量按到达时间进行升序排序，排序后首尾两个向量的到达时间的差值即为跳频信号存在的总时间；
（3）将排序后的跳频信号参数向量按持续时间进行划分，具有相同持续时间的跳频信号参数向量被划分进同一分组，分组中的跳频信号参数向量仍按到达时间升序排列；每个分组对应的持续时间与该分组中跳频信号参数向量的个数的乘积即为该分组的跳频信号存在时间；
（4）对步骤（3）划分出的分组进行筛选，若某一分组的跳频信号存在时间与总时间的比值超过第一门限并且该分组中跳频信号参数向量的个数超过第二门限，则该分组是一个有效分组，否则，该分组是一个无效分组；所述第一门限大于0.001，所述第二门限大于50；
（5）根据每一有效分组内所有跳频信号参数向量的到达时间，计算该分组的跳频周期估计值，并根据到达时间和跳频周期估计值计算每个跳频信号参数向量的相对到达时间；
（6）将每个有效分组内的跳频信号参数向量按到达时间进行分段，每段首尾两向量的到达时间相差不超过5秒；
（7）对于每一有效分组，按照相对到达时间对各分段内的向量进行直方图统计，并根据统计结果在分段内进行微聚类，得到各分段的微簇，微簇的特征是微簇内向量的相对到达时间的分布范围；
（8）对于每一有效分组，将其中不同分段的微簇按微簇的特征是否交叠进行宏聚类，得到多个聚类集合，如果某个微簇属于多个聚类集合，则将其从各聚类集合中剔除；最终得到的每一个聚类集合即对应于一个网台；
（9）对于每一聚类集合，统计其中各向量的频率的出现次数，将出现次数高的频率选出组成该聚类集合对应网台的频率集，该聚类集合所属有效分组的跳频周期估计值的倒数即为对应网台的跳速；完成网台分选。
2.根据权利要求1所述的一种基于改进的CluStream框架的网台分选方法，其特征在于，所述步骤（5）中，跳频周期估计值的计算方式为PRI脉冲重复间隔变换方法。
3.根据权利要求1所述的一种基于改进的CluStream框架的网台分选方法，其特征在于，所述步骤（5）中，每个跳频信号参数向量的相对到达时间为该跳频信号参数向量的到达时间与其所属分组的跳频周期估计值相除的余数。
4.根据权利要求1所述的一种基于改进的CluStream框架的网台分选方法，其特征在于，所述步骤（9）中，将出现次数高的频率选出组成该聚类集合对应网台的频率集的具体方式为，计算各向量频率出现次数的均值，将出现次数大于均值二分之一的频率选出，组成该聚类集合对应网台的频率集。
CN202010395448.3A 2020-05-12 2020-05-12 一种基于改进的CluStream框架的网台分选方法 Active CN111600629B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010395448.3A CN111600629B (zh) 2020-05-12 2020-05-12 一种基于改进的CluStream框架的网台分选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010395448.3A CN111600629B (zh) 2020-05-12 2020-05-12 一种基于改进的CluStream框架的网台分选方法

Publications (2)

Publication Number Publication Date
CN111600629A true CN111600629A (zh) 2020-08-28
CN111600629B CN111600629B (zh) 2021-07-06

Family

ID=72189690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010395448.3A Active CN111600629B (zh) 2020-05-12 2020-05-12 一种基于改进的CluStream框架的网台分选方法

Country Status (1)

Country Link
CN (1) CN111600629B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116232378A (zh) * 2023-02-01 2023-06-06 南京中新赛克科技有限责任公司 一种基于统计分析的跳频信号分选方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060140208A1 (en) * 2004-12-02 2006-06-29 Ihs Imonitoring Inc. Wireless communication synchronization
CN103856241A (zh) * 2014-02-06 2014-06-11 徐州飞梦电子科技有限公司 一种航模用跳频通讯方法
CN105277923A (zh) * 2015-11-20 2016-01-27 清华大学 一种单通道雷达信号分选方法
CN108462509A (zh) * 2018-03-26 2018-08-28 西安电子科技大学 基于时频图信息的异步跳频网台分选方法
CN110334591A (zh) * 2019-05-24 2019-10-15 西华大学 一种基于聚类分析的无人机跳频信号检测及识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060140208A1 (en) * 2004-12-02 2006-06-29 Ihs Imonitoring Inc. Wireless communication synchronization
CN103856241A (zh) * 2014-02-06 2014-06-11 徐州飞梦电子科技有限公司 一种航模用跳频通讯方法
CN105277923A (zh) * 2015-11-20 2016-01-27 清华大学 一种单通道雷达信号分选方法
CN108462509A (zh) * 2018-03-26 2018-08-28 西安电子科技大学 基于时频图信息的异步跳频网台分选方法
CN110334591A (zh) * 2019-05-24 2019-10-15 西华大学 一种基于聚类分析的无人机跳频信号检测及识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116232378A (zh) * 2023-02-01 2023-06-06 南京中新赛克科技有限责任公司 一种基于统计分析的跳频信号分选方法
CN116232378B (zh) * 2023-02-01 2023-08-29 南京中新赛克科技有限责任公司 一种基于统计分析的跳频信号分选方法

Also Published As

Publication number Publication date
CN111600629B (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
Quan et al. Optimal spectral feature detection for spectrum sensing at very low SNR
CN108540419B (zh) 一种基于深度学习的抗子载波间干扰的ofdm检测方法
CN102263601B (zh) 一种宽带多信号检测方法
CN105072067B (zh) 一种低信噪比下突发信号的检测方法
CN111600629B (zh) 一种基于改进的CluStream框架的网台分选方法
CN109884591A (zh) 一种基于麦克风阵列的多旋翼无人机声信号增强方法
CN108494511B (zh) 一种基于绝对值累积的动态到达频谱感知方法
CN114545342B (zh) 利用多通道侦察接收机的雷达脉冲信号参数测量方法
CN111600631B (zh) 一种到达时间重叠的两网台信号分选方法
CN112929141A (zh) 一种基于图传信号匹配的无人机检测识别方法和系统
CN107395300A (zh) 一种基于cme的改进型干扰检测方法
CN101154983B (zh) 一种基于单倍采样的卫星通信抗干扰技术的实现方法
CN114710215B (zh) 一种跳频信号快速盲检测的方法
CN110658506A (zh) 一种基于角度聚类和多普勒分析的微多普勒杂波滤除方法
CN115940993A (zh) 一种基于RB-Stream算法的网台分选与跟踪方法
CN116155319A (zh) 一种电磁态势监视与分析系统及方法
CN113824518B (zh) 基于频谱的非合作信号检测方法
CN114866385A (zh) 一种5g通信终端智能探测与干扰攻击方法
CN106603177A (zh) 一种信道衰落模型、信道信号的生成方法和模拟装置
Zhang et al. A method of the detection of frequency-hopping signal based on channelized receiver in the complicated electromagnetic environment
CN111212014B (zh) 一种基于跳频规则的nb-iot定时提前量估计方法
CN114268386B (zh) 一种基于贝蒂数特征的微弱信号检测方法
CN112861893B (zh) 基于csi幅度-子载波概率分布的陌生人识别算法
Zhang et al. Efficient Blind Estimation of Parameters for Multiple Frequency Hopping Signals via Single Channel
CN115514690B (zh) 一种非合作水声网络mac协议识别方法

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