CN111817767B - 一种基于动态优化策略的mvdr波束成形方法 - Google Patents
一种基于动态优化策略的mvdr波束成形方法 Download PDFInfo
- Publication number
- CN111817767B CN111817767B CN202010624169.XA CN202010624169A CN111817767B CN 111817767 B CN111817767 B CN 111817767B CN 202010624169 A CN202010624169 A CN 202010624169A CN 111817767 B CN111817767 B CN 111817767B
- Authority
- CN
- China
- Prior art keywords
- neural network
- layer
- ant
- input
- path
- 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
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
- H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
- H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
- H04B7/0617—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Radio Transmission System (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明一种基于动态优化策略的MVDR波束成形方法,属于MVDR波束成形技术领域;所要解决的技术问题为:提供一种基于动态优化策略的MVDR波束成形方法的改进;解决该技术问题采用的技术方案为:通过均匀天线阵列获取n组不同方向的入射信号,并将获得的样本数据进行归一化处理之后作为网络模型的输入向量,统一量化标准为[0,1]范围内的所有实数,通过BP神经网络建立权重目标函数和DL因子的模型;基于蚂蚁算法和BP神经网络进行权值和阈值的选取;对BP神经网络中的阈值进行迭代优化,使误差实现最小化,获得优化后的对角加载参数;在输入层和输出层中,通过天线阵列接收的获取n组不同方向的入射信号作为样本输入;本发明应用于MVDR波束成形。
Description
技术领域
本发明一种基于动态优化策略的MVDR波束成形方法,属于MVDR波束成形技术领域。
背景技术
目前全国文化信息资源共享工程应用现代信息技术,将文化信息资源进行数字化加工与整合,依托各地公共图书馆、文化站等公共文化设施,通过互联网、广播电视网、无线通信网等新型传播载体,在各自范围内实现文化资源的共建共享,属于战略性基础建设项目;但是目前该文化信息的建设传播工程在实际应用时扔存在缺陷和不足,主要体现在农村和欠发达地区的信息传输存在障碍,使偏远地区的公共文化服务效能和覆盖辐射能力还处于较低水平。
为改善偏远地区的数字文化缺乏、信息化交流不方便等问题,需要对现有无线数字中心使用的通信设备的信号传输方式进行相应改进;目前无线数字中心使用的自适应天线是一种具有振幅和相位反馈机制的天线阵列,阵列天线接收来自各个方向的信号,形成相互间的信息干扰,通过阵列波束形成器的加权求和,在期望信号的方向上形成增益波束;在自适应波束形成过程中,采用最小方差无失真响应算法能够减少或消除非期望信号的干扰效果,提高输出的信干噪比。
理想情况下,最小方差无失真响应(Minimum Variance DistortionlessResponse,MVDR)的自适应波束形成算法的抗干扰性能达到最好,在期望方向上形成自适应波束,在干扰方向上形成“零陷”;而在实际操作时,由于实际信号与阵列天线接收信号方向通常不一致,存在来波角误差,导致将部分期望信号识别为干扰信号,容易在期望信号的来波方向生成“零陷”,造成自适应波束算法的鲁棒性能降低;目前可以利用对角加载技术对MVDR波束形成算法的目标函数进行约束优化,缓解干扰信号对期望波束的影响,然而DL参数的定量选择一直是一个难以解决的问题,该参数值过小达不到有效抑制干扰的效果,而参数值过大由会导致抑制干扰性能的较低,因此需要对MVDR波束成形方法做进一步的优化。
发明内容
本发明为了克服现有技术中存在的不足,所要解决的技术问题为:提供一种基于动态优化策略的MVDR波束成形方法的改进。
为了解决上述技术问题,本发明采用的技术方案为:一种基于动态优化策略的MVDR波束成形方法,包括如下步骤:
步骤一:通过均匀天线阵列获取n组不同方向的入射信号,并将获得的样本数据进行归一化处理之后作为网络模型的输入向量,统一量化标准为[0,1]范围内的所有实数,通过BP神经网络建立权重目标函数和DL因子的模型;
步骤二:基于蚂蚁算法和BP神经网络进行权值和阈值的选取:通过蚂蚁算法的全局搜索算法来获得BP神经网络模型的优化后的初始权值、阈值,并且根据蚁群的最优选择路径,重新更新权值和阈值;
所述蚂蚁算法的全局搜索算法步骤为:
定义蚂蚁种群由集合Ji(1≤i≤N)组成,对于蚂蚁k(1≤k≤M),按照一定概率选择下一步路径方向,其概率公式为:
经过多次迭代,最大循环次数为Nc,在所有路径中选择最优路径,获得最优信息增量Δτij,则在(t+1)时刻路径上的信息素进行如下更新:
τij(t+1)=(1-p)*τij(t)+Δτij;
式中:1-p为信息衰减程度;
根据更新信息素获得蚂蚁种群最优路径,不断更新并最终获得最优BP神经网络中的权值和阈值;
步骤三:对BP神经网络中的阈值进行迭代优化,使误差实现最小化,获得优化后的对角加载参数;
构建的BP神经网络拓扑结构为基础构建网络模型,依次为输入层、隐藏层、输出层;
在输入层和输出层中,通过天线阵列接收的获取n组不同方向的入射信号作为样本输入,其中一组为期望信号,余下的为非期望信号;
在隐藏层的神经网络中,隐藏层的神经元个数为r,输入层的神经元个数为n,两者之间的关系近似为r=2×n+1,同时输出层的神经元个数为1;
基于上述网络模型将BP神经网络分为两部分进行训练:
第一部分训练为输入量的正向传播,在隐藏层的输出为:
式中:aj(1≤j≤3)为隐藏层阈值,s={s1,s2L sn}为输入层神经元的样本量,Uij为输入层和隐藏层神经元之间的连接权值;
第二部分训练为反向传播,从输出层到隐藏层,到达输入层,若输出层的预测输出与期望输出之间的误差较大,此时需要对神经网路各层的权值进行调节修正,如此重复进行,直到输出误差在允许的误差范围之内,模型训练过程参数调整公式如下:
式中,η>0为步长,wij(t)为更新迭代之前的神经网路模型参数,wij(t+1)为更新迭代之后的神经网路模型参数,E(t)为神经网络的目标函数。
本发明相对于现有技术具备的有益效果为:本发明主要针对边远地区地广人稀,地形复杂等特点,采用自适应阵列信号处理技术,根据环境的变化来改善接收到信号的质量;本发明针对DL参数定量选择的不确定性,通过BP神经网络建立权重目标函数和DL因子的模型,利用蚁群算法的最佳路径搜寻方法,对神经网络中的阈值进行迭代优化,使误差实现最小化,获得优化后的对角加载参数,可以有效提高MVDR波束形成算法的鲁棒性,缩小来波角误差范围,使信号传输更稳定,提高偏远地区的信号服务效能和覆盖辐射能力。
附图说明
下面结合附图对本发明做进一步说明:
图1为本发明波束成形方法的步骤流程图;
图2为本发明的BP神经网络图。
具体实施方式
针对DL参数定量选择的不确定性,本发明所要解决的技术问题在于提出一种稳定性更好、鲁棒性更强的MVDR算法DL参数优化的方法;为实现上述目的,需要先对基于动态优化策略的MVDR波束成形方法进行分析研究:
其中MVDR波束形成自适应算法的加权矢量的权值为:
式中:R-1是均匀天线阵列协方差矩阵R的求逆,为DL算法的加载因子,I为单位矩阵,a(θ0)为均匀天线阵列接收信号导向矢量,a*(θ0)为a(θ0)的共轭转置。
通过上述权值公式可以发现,加载因子参数μ的加载量决定着加权矢量的权值大小,并影响接收信号的信干噪比SINR,进而导致MVDR自适应波束算法的鲁棒性能降低。
本发明基于的动态优化策略主要为BP神经网络和蚁群算法,BP神经网络是一种应用较为广泛的人工神经网络,具有自学习、泛化和容错等优点,在神经网络模型中通过训练寻求最佳权重和阈值组合,以最大限度地缩减实际输出和预期输出之间的误差,但权值和阈值的获取对BP神经网络的仿真效果影响较大,容易造成局部最优解;蚁群算法(antcolony optimization,ACO)是一种全局优化的搜索算法,使用蚁群算法来获取最优化的权值和阈值,由此提高BP神经网络的收敛速度,同时使其容易陷入局部优化的缺点得到缓解。
针对上述MVDR算法中DL参数难以优化的缺陷,本发明基于动态优化策略的MVDR波束成形方法主要步骤如下:
1、通过均匀天线阵列获取n组不同方向的入射信号,并将获得的样本数据进行归一化处理之后作为网络模型的输入向量,统一量化标准为[0,1]范围内的所有实数。
2、基于ACO-BP神经网络进行权值和阈值的选取:通过ACO全局搜索算法来获得BP神经网络模型的优化后的初始权值、阈值,并且根据蚁群的最优选择路径,重新更新权值和阈值;
所述ACO全局搜索算法具体为:
假设蚂蚁种群由集合Ji(1≤i≤N)组成,对于蚂蚁k(1≤k≤M),按照一定概率选择下一步路径方向,其概率公式为:
经过多次迭代(最大循环次数为Nc),在所有路径中选择最优路径,获得最优信息增量Δτij,则在(t+1)时刻路径上的信息素进行如下更新:
τij(t+1)=(1-p)*τij(t)+Δτij;
式中:1-p为信息衰减程度。
根据更新信息素获得蚂蚁种群最优路径,不断更新并最终获得最优BP神经网络中的权值和阈值。
3、BP神经网络的构建:
本发明以三层BP神经网络结构拓扑结构为基础构建网络模型,依次为输入层、隐藏层、输出层;
在输入层和输出层中,通过天线阵列接收的获取n组不同方向的入射信号作为样本输入,其中一组为期望信号,余下的为非期望信号;
隐藏层的神经元个数为r,输入层的神经元个数为n,两者之间的关系近似r=2×n+1,同时输出层的神经元个数为1;
基于上述网络模型将BP神经网络分为两部分进行训练:
第一部分训练为输入量的正向传播,在隐藏层的输出为:
式中:aj(1≤j≤r)为隐藏层阈值,s={s1,s2L sn}为输入层神经元的样本量,Uij为输入层和隐藏层神经元之间的连接权值;
第二部分训练为反向传播,从输出层到隐藏层,到达输入层,若输出层的预测输出与期望输出之间的误差较大,此时对神经网路各层的权值进行调节修正,如此重复进行,直到输出误差在允许的误差范围之内。
式中,η>0为步长,wij(t)为更新迭代之前的神经网路模型参数,wij(t+1)为更新迭代之后的神经网路模型参数,E(t)为神经网络的目标函数。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (1)
1.一种基于动态优化策略的MVDR波束成形方法,其特征在于:包括如下步骤:
步骤一:通过均匀天线阵列获取n组不同方向的入射信号,并将获得的样本数据进行归一化处理之后作为网络模型的输入向量,统一量化标准为[0,1]范围内的所有实数,通过BP神经网络建立权重目标函数和DL因子的模型;
步骤二:基于蚂蚁算法和BP神经网络进行权值和阈值的选取:通过蚂蚁算法的全局搜索算法来获得BP神经网络模型的优化后的初始权值、阈值,并且根据蚁群的最优选择路径,重新更新权值和阈值;
所述蚂蚁算法的全局搜索算法步骤为:
定义蚂蚁种群由集合Ji(1≤i≤N)组成,对于蚂蚁k(1≤k≤M),按照一定概率选择下一步路径方向,其概率公式为:
经过多次迭代,最大循环次数为Nc,在所有路径中选择最优路径,获得最优信息增量Δτij,则在(t+1)时刻路径上的信息素进行如下更新:
τij(t+1)=(1-p)*τij(t)+Δτij;
式中:1-p为信息衰减程度;
根据更新信息素获得蚂蚁种群最优路径,不断更新并最终获得最优BP神经网络中的权值和阈值;
步骤三:对BP神经网络中的阈值进行迭代优化,使误差实现最小化,获得优化后的对角加载参数;
构建的BP神经网络拓扑结构为基础构建网络模型,依次为输入层、隐藏层、输出层;
在输入层和输出层中,通过天线阵列接收的获取n组不同方向的入射信号作为样本输入,其中一组为期望信号,余下的为非期望信号;
在隐藏层的神经网络中,隐藏层的神经元个数为r,输入层的神经元个数为n,两者之间的关系近似为r=2×n+1,同时输出层的神经元个数为1;
基于上述网络模型将BP神经网络分为两部分进行训练:
第一部分训练为输入量的正向传播,在隐藏层的输出为:
式中:aj(1≤j≤3)为隐藏层阈值,s={s1,s2L sn}为输入层神经元的样本量,Uij为输入层和隐藏层神经元之间的连接权值;
第二部分训练为反向传播,从输出层到隐藏层,到达输入层,若输出层的预测输出与期望输出之间的误差较大,此时需要对神经网路各层的权值进行调节修正,如此重复进行,直到输出误差在允许的误差范围之内,模型训练过程参数调整公式如下:
式中,η>0为步长,wij(t)为更新迭代之前的神经网路模型参数,wij(t+1)为更新迭代之后的神经网路模型参数,E(t)为神经网络的目标函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010624169.XA CN111817767B (zh) | 2020-06-30 | 2020-06-30 | 一种基于动态优化策略的mvdr波束成形方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010624169.XA CN111817767B (zh) | 2020-06-30 | 2020-06-30 | 一种基于动态优化策略的mvdr波束成形方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111817767A CN111817767A (zh) | 2020-10-23 |
CN111817767B true CN111817767B (zh) | 2022-07-26 |
Family
ID=72855924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010624169.XA Active CN111817767B (zh) | 2020-06-30 | 2020-06-30 | 一种基于动态优化策略的mvdr波束成形方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111817767B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112911610B (zh) * | 2021-01-25 | 2022-07-12 | 东南大学 | 一种面向无线通信网络优化的信道波束图样拓展方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014062195A1 (en) * | 2012-10-19 | 2014-04-24 | Nokia Siemens Networks Oy | Csi feedback with elevation beamforming |
CN104636801A (zh) * | 2013-11-08 | 2015-05-20 | 国家电网公司 | 一种基于优化bp神经网络的预测输电线路可听噪声方法 |
CN107231180A (zh) * | 2017-06-05 | 2017-10-03 | 电子科技大学 | 一种基于波束成形的动态方向调制方法 |
CN107276658A (zh) * | 2017-07-01 | 2017-10-20 | 蔡绍滨 | 色噪声下基于协方差矩阵重构的波束形成方法 |
CN109510655A (zh) * | 2017-09-15 | 2019-03-22 | 中国科学院光电研究院 | 临近空间平台面向任务编队组网分布式协同飞行控制方法 |
CN110148420A (zh) * | 2019-06-30 | 2019-08-20 | 桂林电子科技大学 | 一种适用于噪声环境下的语音识别方法 |
CN110581732A (zh) * | 2019-09-30 | 2019-12-17 | 山东建筑大学 | 基于神经网络的室内可见光通信多目标优化系统及方法 |
CN110826195A (zh) * | 2019-10-21 | 2020-02-21 | 上海海事大学 | 一种基于蚁群优化bp神经网络的波浪补偿控制算法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180284735A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for industrial internet of things data collection in a network sensitive upstream oil and gas environment |
US11763834B2 (en) * | 2017-07-19 | 2023-09-19 | Nippon Telegraph And Telephone Corporation | Mask calculation device, cluster weight learning device, mask calculation neural network learning device, mask calculation method, cluster weight learning method, and mask calculation neural network learning method |
-
2020
- 2020-06-30 CN CN202010624169.XA patent/CN111817767B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014062195A1 (en) * | 2012-10-19 | 2014-04-24 | Nokia Siemens Networks Oy | Csi feedback with elevation beamforming |
CN104636801A (zh) * | 2013-11-08 | 2015-05-20 | 国家电网公司 | 一种基于优化bp神经网络的预测输电线路可听噪声方法 |
CN107231180A (zh) * | 2017-06-05 | 2017-10-03 | 电子科技大学 | 一种基于波束成形的动态方向调制方法 |
CN107276658A (zh) * | 2017-07-01 | 2017-10-20 | 蔡绍滨 | 色噪声下基于协方差矩阵重构的波束形成方法 |
CN109510655A (zh) * | 2017-09-15 | 2019-03-22 | 中国科学院光电研究院 | 临近空间平台面向任务编队组网分布式协同飞行控制方法 |
CN110148420A (zh) * | 2019-06-30 | 2019-08-20 | 桂林电子科技大学 | 一种适用于噪声环境下的语音识别方法 |
CN110581732A (zh) * | 2019-09-30 | 2019-12-17 | 山东建筑大学 | 基于神经网络的室内可见光通信多目标优化系统及方法 |
CN110826195A (zh) * | 2019-10-21 | 2020-02-21 | 上海海事大学 | 一种基于蚁群优化bp神经网络的波浪补偿控制算法 |
Non-Patent Citations (1)
Title |
---|
基于改进蚁群算法的BP神经网络优化的研究与应用;张艳蕊;《中国优秀硕士学位论文全文数据库》;20140715;第2-4章 * |
Also Published As
Publication number | Publication date |
---|---|
CN111817767A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114362810B (zh) | 一种基于迁移深度强化学习的低轨卫星跳波束优化方法 | |
CN111277312B (zh) | 基于深度复数网络的固定子阵空基毫米波波束成形方法 | |
CN112153616B (zh) | 一种基于深度学习的毫米波通信系统中的功率控制方法 | |
Wu et al. | A survey on improving the wireless communication with adaptive antenna selection by intelligent method | |
CN113300749A (zh) | 基于机器学习赋能的智慧传输波束优化方法 | |
CN113473580B (zh) | 异构网络中基于深度学习的用户关联联合功率分配方法 | |
CN109946673B (zh) | 基于蒙特卡洛树搜索的网络化雷达节点遴选方法 | |
CN111817767B (zh) | 一种基于动态优化策略的mvdr波束成形方法 | |
CN112564754B (zh) | 一种毫米波Massive MIMO系统下基于自适应交叉熵的波束选择方法 | |
CN115942494A (zh) | 基于智能反射面的多目标安全Massive MIMO资源分配方法 | |
CN114528987A (zh) | 一种神经网络边缘-云协同计算分割部署方法 | |
CN114900897A (zh) | 多波束卫星资源分配方法及系统 | |
CN114727318A (zh) | 一种基于maddpg的多ris通信网络速率提升方法 | |
CN114268348A (zh) | 一种基于深度强化学习的无蜂窝大规模mimo功率分配方法 | |
CN115426013B (zh) | 基于无监督学习的ris辅助通信系统预编码与相移方法 | |
Omondi et al. | Variational autoencoder-enhanced deep neural network-based detection for MIMO systems | |
CN113595609B (zh) | 一种基于强化学习的蜂窝移动通信系统协作式信号发送方法 | |
CN113242068B (zh) | 一种基于深度强化学习的智能通信波束碰撞避免方法 | |
CN114364034A (zh) | 基于drl的ris辅助用户中心化去蜂窝系统中资源管理半并行方法 | |
CN114978264A (zh) | 基于太赫兹mimo系统的混合预编码方法 | |
CN115133969A (zh) | 毫米波大规模mimo-noma系统的性能提高方法 | |
CN118487630A (zh) | 一种基于分布式IRSs辅助MIMO通信系统的波束赋形和用户选择方法 | |
Fathy et al. | Optimization of Energy-Efficient Cloud Radio Access Networks for 5G using Neural Networks | |
Xiang et al. | 5G Network Reference Signal Receiving Power Prediction Based on Multilayer Perceptron | |
CN117521505A (zh) | 一种基于蚁群优化算法的非均匀子阵划分方法 |
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 |