CN111757249B - 一种基于信息增益比的多特征模糊映射接入点优化方法 - Google Patents
一种基于信息增益比的多特征模糊映射接入点优化方法 Download PDFInfo
- Publication number
- CN111757249B CN111757249B CN202010436857.3A CN202010436857A CN111757249B CN 111757249 B CN111757249 B CN 111757249B CN 202010436857 A CN202010436857 A CN 202010436857A CN 111757249 B CN111757249 B CN 111757249B
- Authority
- CN
- China
- Prior art keywords
- rss
- fuzzy
- online
- ith
- constructing
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S11/00—Systems for determining distance or velocity not using reflection or reradiation
- G01S11/02—Systems for determining distance or velocity not using reflection or reradiation using radio waves
- G01S11/06—Systems for determining distance or velocity not using reflection or reradiation using radio waves using intensity measurements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Feedback Control In General (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于信息增益比的多特征模糊映射接入点优化方法。首先,利用离线接收信号强度(Received Signal Strength,RSS)特征构造接入点(Access Point,AP)的信息增益比集合和离线RSS特征的模糊关系矩阵;其次,利用关于离线RSS特征的模糊关系方程获取离线RSS特征的模糊权重;再次,通过在待定位点(即测试点)处采集来自不同AP的RSS,构造在线RSS特征的模糊判定矩阵和在线阶段AP的模糊隶属度集合;最后,将具有较大模糊隶属度的AP定义为具有较强位置分辨力的AP,并将其作为优化AP用于定位。实验结果表明,本发明方法在具有较高定位精度的同时还具有较低的计算开销。
Description
技术领域
本发明属于室内定位技术,具体涉及一种基于信息增益比的多特征模糊映射接入点优化方法。
背景技术
随着互联网的蓬勃发展,位置服务(Location-based Services,LBS)在人们的生活着扮演着越来越重要的角色,如商场广告指引、监控管理、灾难救援等场景中对导航与定位服务均有着急切的需求。但是,在复杂的室内环境中,通常存在许多建筑遮挡物和无规律的人员走动,从而导致信号在传播时存在较为严重的波动、反射、衍射和绕射等现象,从而导致室内场景中定位技术的性能仍有待提升。目前,被相关企业和高校广泛研究的室内定位系统主要有基于超宽带(Ultra Wide Band,UWB)、无线局域网(Wireless Local AreaNetwork,WLAN)、红外(Infrared Ray,IR)、无线射频识别(Radio FrequencyIdentification,RFID)和ZigBee等技术的室内定位系统。但是,上述定位系统通常需要较大的设备开销和不可避免的人力消耗,从而导致其发展面临着许多的挑战。相比之下,WLAN具有设备部署开销低廉,通信范围较广且环境适应性较强等优势,因此,基于RSS(ReceivedSignal Strength,RSS)的WLAN定位方法在室内定位技术的发展中扮演着越来越重要的角色。
传统WLAN室内定位方法主要分为两类:传播模型法和位置指纹法。前者首先通过信号传播模型获取接收信号强度与信号传播距离的之间的数学关系,然后根据目标环境中位置已知的WLAN接入点并结合如三边测量法等几何定位算法进行位置估计。后者包含离线阶段和在线阶段,在离线阶段通常预先标定若干位置已知的参考点(Reference Point,RP),然后分别在这些已标定的RPs处采集来自目标环境中每个AP(Access Point,AP)的RSS,并利用这些RSS数据构建离线位置指纹数据库;在在线阶段,将在测试点处新采集到的来自不同APs的RSS与离线位置指纹数据库中的RSS进行匹配,以获得测试点估计位置。
然而随着研究人员在室内定位领域上的深入研究和人们在实际生活中对室内定位服务日益增加的需求,现有的许多室内定位算法由于只考虑了单一信号特征以及定位效率较低等原因已经不能满足室内定位发展的要求。针对此问题,本发明提出了一种基于信息增益比的多特征模糊映射接入点优化方法,通过提取多维RSS特征建立模糊关系方程来构造AP模糊隶属度集合,并将具有较大模糊隶属度的AP定义为具有较强位置分辨力的AP,进而将其作为优化AP用于定位,该方法综合考虑了多维RSS特征并且提高了系统的定位效率。
发明内容
本发明的目的是提供一种基于信息增益比的多特征模糊映射接入点优化方法,它通过提取多维RSS特征建立模糊关系方程来构造在线阶段的AP模糊隶属度(即位置分辨力)集合,并选取具有较强位置分辨力的AP作为优化AP用于定位,该方法提高了定位系统的有效性而且降低了计算开销。
本发明所述的一种基于信息增益比的多特征模糊映射接入点优化方法,包括以下步骤:
步骤一、离线阶段,在目标环境中部署n(n为整数)个位置已知的AP并标定m(m为整数)个RP。
步骤二、在每个RP处采集来自不同AP的RSS,构建离线RSS特征矩阵Zoff;具体包括以下步骤:
步骤二(一)、在离线阶段,对于n个APs发射信号,在RPs处提取接收信号强度序列RSS={rss1,rss2,…,rssm},其中,rssj表示在第j(j=1,2,…,m)个RP处采集的来自目标环境中APs的RSS;其中,rssj={rss1j,rss2j,…,rssnj},rssij表示在第j个RP处接收到的来自第i(i=1,2,…,n)个AP的RSS,因此可获得接收信号强度集合为:
步骤二(二)、基于步骤二(一),分别选取这些RSS数据的RSS均值、RSS方差、RSS最大值、RSS最小值、RSS最值差、RSS中值、最大概率RSS和RSS过均值概率作为标记RPs的信号特征,并将信号特征的数目记为χ。
步骤二(三)、基于步骤二(二)构建离线RSS特征集合其中,表示在线阶段目标环境中APs的第s(s=1,…,χ)个RSS特征,表示第i个AP在所有RPs处的第s个RSS特征的均值,即基于此,构建离线RSS特征矩阵:
步骤三、根据Zoff构造AP的信息增益比集合Φ。具体包括以下步骤:
步骤三(一)、计算关于目标环境中所有RP的不确定度H(P):
步骤三(二)、对于第i个AP(即APi),根据Zoff将所有RP划分为U个子集C1i,…,CUi,其中,每个子集Cui(u=1,…,U)中的RP具有相同的来自APi的离线RSS特征χ表示离线RSS特征类别数目;
步骤三(四)、对于APi,根据Zoff计算目标环境中所有RP的不确定度H(P|APi):
Φ=(ψ1,…,ψχ)
步骤四、根据APs信息增益比集合Φ,构造离线RSS特征的模糊关系矩阵Roff;具体包括以下步骤:
步骤四(三)、基于步骤四(二),构造目标环境中所有APs关于χ个离线RSS特征的模糊关系矩阵:
步骤五、根据Roff并利用模糊关系方程,获取离线RSS特征的模糊权重Aoff。具体包括以下步骤:
步骤六、在线阶段,在待定位点(即测试点)处采集来自不同AP的RSS,构建在线RSS特征矩阵Zonli;具体包括以下步骤:
步骤六(一)、在在线阶段,对于目标环境中的n个APs和w个测试点,rssnω表示在第ω(ω=1,2,…,w)个测试点处接收到的来自第i个AP的RSS数据。分别选取这些RSS数据与离线阶段相同的χ个RSS特征,构建在线RSS特征集合其中,表示在线阶段目标环境中APs的第s个RSS特征,表示第i个AP在所有测试点处的第s个RSS特征的期望,即
步骤六(二)、基于在线RSS特征集合Zonli,构建在线RSS特征矩阵:
步骤七、根据Zonli并通过关于在线RSS特征的模糊映射,构造在线RSS特征的模糊判定矩阵Ronli;具体包括以下步骤:
步骤七(一)、将在线阶段目标环境中APs集合记为Q=(q1,q2,…,qn),其中,qi表示在线阶段目标环境中的第i个AP,基于此,建立RSS特征与APs的模糊映射为:
其中,表示目标APs关于第s个RSS特征的隶属度集合,表示第i个AP在所有测试点处的第s个RSS特征的期望在目标环境中APs的同一RSS特征期望的总和中所占的比例,即为在线阶段第i个AP关于第s个RSS特征的隶属度。
步骤七(二)、基于步骤七(一)所得的RSS特征隶属度,构建APs关于在线阶段RSS特征模糊判定矩阵:
步骤九、将具有较大模糊隶属度的AP定义为具有较强位置分辨力的AP,基于此可构造具有较强位置分辨力的AP集合G,并将集合G中AP作为优化AP用于定位。
有益效果
本发明首先根据离线阶段提取的多维RSS特征构造目标环境中所有AP的信息增益比集合与离线RSS特征的模糊关系矩阵,其次,利用模糊关系方程获取各特征的模糊权重,然后,在在线阶段根据新采集的RSS通过模糊映射来获取在线阶段AP的模糊隶属度集合,最后,将具有较大模糊隶属度的AP定义为具有较强位置分辨力的AP,并将其作为优化AP用于定位。与传统WLAN室内定位技术相比,本发明通过综合考虑多维RSS特征来优化目标环境中AP的选取,在提高定位有效性的同时,降低了系统的计算开销。
附图说明
图1为本发明流程图;
图2为选择不同AP时的本文方法与其他定位系统平均定位误差比较图。
具体实施方案
下面结合附图对本发明作进一步说明:
如图1所示的一种基于信息增益比的多特征模糊映射接入点优化方法,具体包含以下步骤:
步骤一、离线阶段,在目标环境中部署n(n为整数)个位置已知的AP并标定m(m为整数)个RP。
步骤二、在每个RP处采集来自不同AP的RSS,构建离线RSS特征矩阵Zoff;具体包括以下步骤:
步骤二(一)、在离线阶段,对于n个APs发射信号,在RPs处提取接收信号强度序列RSS={rss1,rss2,…,rssm},其中,rssj表示在第j(j=1,2,…,m)个RP处采集的来自目标环境中APs的RSS;其中,rssj={rss1j,rss2j,…,rssnj},rssij表示在第j个RP处接收到的来自第i(i=1,2,…,n)个AP的RSS,因此可获得接收信号强度集合为:
步骤二(二)、基于步骤二(一),分别选取这些RSS数据的RSS均值、RSS方差、RSS最大值、RSS最小值、RSS最值差、RSS中值、最大概率RSS和RSS过均值概率作为标记RPs的信号特征,并将信号特征的数目记为χ。
步骤二(三)、基于步骤二(二)构建离线RSS特征集合其中,表示在线阶段目标环境中APs的第s(s=1,…,χ)个RSS特征,表示第i个AP在所有RPs处的第s个RSS特征的均值,即基于此,构建离线RSS特征矩阵:
步骤三、根据Zoff构造AP的信息增益比集合Φ。具体包括以下步骤:
步骤三(一)、计算关于目标环境中所有RP的不确定度H(P):
步骤三(二)、对于第i个AP(即APi),根据Zoff将所有RP划分为U个子集C1i,…,CUi,其中,每个子集Cui(u=1,…,U)中的RP具有相同的来自APi的离线RSS特征χ表示离线RSS特征类别数目;
步骤三(四)、对于APi,根据Zoff计算目标环境中所有RP的不确定度H(P|APi):
Φ=(ψ1,…,ψχ)
步骤四、根据APs信息增益比集合Φ,构造离线RSS特征的模糊关系矩阵Roff;具体包括以下步骤:
步骤四(三)、基于步骤四(二),构造目标环境中所有APs关于χ个离线RSS特征的模糊关系矩阵:
步骤五、根据Roff并利用模糊关系方程,获取离线RSS特征的模糊权重Aoff。具体包括以下步骤:
步骤六、在线阶段,在待定位点(即测试点)处采集来自不同AP的RSS,构建在线RSS特征矩阵Zonli;具体包括以下步骤:
步骤六(一)、在在线阶段,对于目标环境中的n个APs和w个测试点,rssnω表示在第ω(ω=1,2,…,w)个测试点处接收到的来自第i个AP的RSS数据。分别选取这些RSS数据与离线阶段相同的χ个RSS特征,构建在线RSS特征集合其中,表示在线阶段目标环境中APs的第s个RSS特征,表示第i个AP在所有测试点处的第s个RSS特征的期望,即
步骤六(二)、基于在线RSS特征集合Zonli,构建在线RSS特征矩阵:
步骤七、根据Zonli并通过关于在线RSS特征的模糊映射,构造在线RSS特征的模糊判定矩阵Ronli;具体包括以下步骤:
步骤七(一)、将在线阶段目标环境中APs集合记为Q=(q1,q2,…,qn),其中,qi表示在线阶段目标环境中的第i个AP,基于此,建立RSS特征与APs的模糊映射为:
其中,表示目标APs关于第s个RSS特征的隶属度集合,表示第i个AP在所有测试点处的第s个RSS特征的期望在目标环境中APs的同一RSS特征期望的总和中所占的比例,即为在线阶段第i个AP关于第s个RSS特征的隶属度。
步骤七(二)、基于步骤七(一)所得的RSS特征隶属度,构建APs关于在线阶段RSS特征模糊判定矩阵:
步骤九、将具有较大模糊隶属度的AP定义为具有较强位置分辨力的AP,基于此可构造具有较强位置分辨力的AP集合G,并将集合G中AP作为优化AP用于定位。
Claims (1)
1.一种基于信息增益比的多特征模糊映射接入点优化方法,其特征在于包括以下步骤:
步骤一、离线阶段,在目标环境中部署n个位置已知的AP并标定m个参考点(ReferencePoint,RP),其中,n与m均为整数;
步骤二、在每个RP处采集来自不同AP的RSS,构建离线RSS特征矩阵Zoff;具体包括以下步骤:
步骤二(一)、在离线阶段,对于n个AP发射信号,在RP处提取接收信号强度序列RSS={rss1,rss2,…,rssm},其中,rssj表示在第j个RP处采集的来自目标环境中AP的RSS,j=1,…,m;其中,rssj={rss1j,rss2j,…,rssnj},rssij表示在第j个RP处接收到的来自第i个AP的RSS,i=1,…,n,因此可获得接收信号强度集合为:
步骤二(二)、基于步骤二(一),分别选取这些RSS数据的RSS均值、RSS方差、RSS最大值、RSS最小值、RSS最值差、RSS中值、最大概率RSS和RSS过均值概率作为标记RP的信号特征,并将信号特征的数目记为χ;
步骤二(三)、基于步骤二(二)构建离线RSS特征集合其中,表示在线阶段目标环境中AP的第s个RSS特征,s=1,…,χ,表示第i个AP在所有RP处的第s个RSS特征的均值,即基于此,构建离线RSS特征矩阵:
步骤三、根据Zoff构造AP的信息增益比集合Φ, 具体包括以下步骤:
步骤三(一)、计算关于目标环境中所有RP的不确定度H(P):
步骤三(二)、对于第i个AP,记为APi,根据Zoff将所有RP划分为U个子集C1i,…,CUi,其中,每个子集Cui中的RP具有相同的来自APi的离线RSS特征s=1,…,χ,u=1,…,U,χ表示离线RSS特征类别数目;
步骤三(四)、对于APi,根据Zoff计算目标环境中所有RP的不确定度H(P|APi):
Φ=(ψ1,…,ψχ)
步骤四、根据AP信息增益比集合Φ,构造离线RSS特征的模糊关系矩阵Roff;具体包括以下步骤:
步骤四(三)、基于步骤四(二),构造目标环境中所有AP关于χ个离线RSS特征的模糊关系矩阵:
步骤五、根据Roff并利用模糊关系方程,获取离线RSS特征的模糊权重Aoff;具体包括以下步骤:
步骤六、在线阶段,在测试点处采集来自不同AP的RSS,构建在线RSS特征矩阵Zonli;具体包括以下步骤:
步骤六(一)、在在线阶段,对于目标环境中的n个AP和w个测试点,rssnω表示在第ω个测试点处接收到的来自第i个AP的RSS数据,ω=1,2,…,w;分别选取这些RSS数据与离线阶段相同的χ个RSS特征,构建在线RSS特征集合其中,表示在线阶段目标环境中AP的第s个RSS特征,表示第i个AP在所有测试点处的第s个RSS特征的期望,即
步骤六(二)、基于在线RSS特征集合Zonli,构建在线RSS特征矩阵:
步骤七、根据Zonli并通过关于在线RSS特征的模糊映射,构造在线RSS特征的模糊判定矩阵Ronli;具体包括以下步骤:
步骤七(一)、将在线阶段目标环境中AP集合记为Q=(q1,q2,…,qn),其中,qi表示在线阶段目标环境中的第i个AP,基于此,建立RSS特征与AP的模糊映射为:
其中,为Zonli经模糊映射后所得的模糊集合,具体地,s=1,…,χ,表示目标AP关于第s个RSS特征的隶属度集合,表示第i个AP在所有测试点处的第s个RSS特征的期望在目标环境中AP的同一RSS特征期望的总和中所占的比例,即为在线阶段第i个AP关于第s个RSS特征的隶属度;
步骤七(二)、基于步骤七(一)所得的RSS特征隶属度,构建AP关于在线阶段RSS特征模糊判定矩阵:
步骤九、将具有较大模糊隶属度的AP定义为具有较强位置分辨力的AP,基于此可构造具有较强位置分辨力的AP集合G,并将集合G中AP作为优化AP用于定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010436857.3A CN111757249B (zh) | 2020-05-21 | 2020-05-21 | 一种基于信息增益比的多特征模糊映射接入点优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010436857.3A CN111757249B (zh) | 2020-05-21 | 2020-05-21 | 一种基于信息增益比的多特征模糊映射接入点优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111757249A CN111757249A (zh) | 2020-10-09 |
CN111757249B true CN111757249B (zh) | 2022-05-03 |
Family
ID=72673952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010436857.3A Active CN111757249B (zh) | 2020-05-21 | 2020-05-21 | 一种基于信息增益比的多特征模糊映射接入点优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111757249B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107820314A (zh) * | 2017-11-14 | 2018-03-20 | 江南大学 | 基于AP选择的Dwknn位置指纹定位算法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9237545B2 (en) * | 2013-04-15 | 2016-01-12 | Qualcomm Incorporated | Varying processes to control transmission characteristics for position determination operations |
CN103763769B (zh) * | 2013-12-26 | 2017-07-04 | 北京邮电大学 | 基于接入点重选择和自适应簇分裂的室内指纹定位方法 |
CN104093203A (zh) * | 2014-07-07 | 2014-10-08 | 浙江师范大学 | 一种用于无线室内定位的接入点选择算法 |
CN105872972B (zh) * | 2016-04-29 | 2017-03-15 | 武汉大学 | 基于多目标优化的自适应ap选取方法 |
CN108053420B (zh) * | 2018-01-05 | 2021-11-02 | 昆明理工大学 | 一种基于有限时空分辨率类无关属性动态场景的分割方法 |
CN109886017A (zh) * | 2019-01-24 | 2019-06-14 | 国网浙江省电力有限公司电力科学研究院 | 一种基于c4.5决策树的手机特征检测优化改进算法 |
CN113518308B (zh) * | 2021-05-25 | 2022-03-25 | 江南大学 | 室内定位中最佳ap筛选方法 |
-
2020
- 2020-05-21 CN CN202010436857.3A patent/CN111757249B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107820314A (zh) * | 2017-11-14 | 2018-03-20 | 江南大学 | 基于AP选择的Dwknn位置指纹定位算法 |
Also Published As
Publication number | Publication date |
---|---|
CN111757249A (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110012428B (zh) | 一种基于WiFi的室内定位方法 | |
CN106851573B (zh) | 基于对数路径损耗模型的联合加权k近邻室内定位方法 | |
CN101695152B (zh) | 室内定位的方法及其系统 | |
Dai et al. | Combination of DNN and improved KNN for indoor location fingerprinting | |
Huang et al. | An accurate and efficient device-free localization approach based on sparse coding in subspace | |
CN111726765B (zh) | 一种面向大规模复杂场景的wifi室内定位方法及系统 | |
CN102802260A (zh) | 基于矩阵相关的wlan室内定位方法 | |
CN103874118A (zh) | WiFi室内定位中基于贝叶斯回归的Radio Map校正方法 | |
CN110933628B (zh) | 基于孪生网络的指纹室内定位方法 | |
CN113596989B (zh) | 一种用于智慧车间的室内定位方法及系统 | |
US11943735B2 (en) | Indoor target positioning method based on improved convolutional neural network model | |
CN111757249B (zh) | 一种基于信息增益比的多特征模糊映射接入点优化方法 | |
CN112801268B (zh) | 基于图卷积和多层感知机混合网络的定位方法 | |
CN103679703A (zh) | 一种基于共形几何代数的高光谱遥感影像降维方法 | |
CN110691336A (zh) | 一种基于集成学习和相对定位的双尺度定位算法 | |
CN111935818B (zh) | 一种基于最大信息系数的模糊聚类冗余接入点约简方法 | |
CN112946567B (zh) | 基于域对抗神经网络的运动目标指纹室内定位方法 | |
CN115278530A (zh) | 蓝牙室内定位方法 | |
CN115567871A (zh) | 一种WiFi指纹室内楼层识别与位置估计方法 | |
Ge et al. | For RF signal-based UAV states recognition, is pre-processing still important at the era of deep learning? | |
CN111918211B (zh) | 一种基于kd树和改进加权knn的室内指纹定位方法 | |
CN115002703A (zh) | 一种基于Wi-Fi信道状态信息的被动式室内人数检测方法 | |
CN210899633U (zh) | 一种基于深度神经网络的室内定位系统 | |
CN109443367B (zh) | 一种基于均值聚类随机粒子群算法的rfid定位方法 | |
CN110895701A (zh) | 基于cn和fhog的森林火灾在线识别方法及装置 |
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 |