CN111832417B - 基于cnn-lstm模型和迁移学习的信号调制样式识别方法 - Google Patents
基于cnn-lstm模型和迁移学习的信号调制样式识别方法 Download PDFInfo
- Publication number
- CN111832417B CN111832417B CN202010548590.7A CN202010548590A CN111832417B CN 111832417 B CN111832417 B CN 111832417B CN 202010548590 A CN202010548590 A CN 202010548590A CN 111832417 B CN111832417 B CN 111832417B
- Authority
- CN
- China
- Prior art keywords
- cnn
- data set
- training
- lstm network
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开一种基于CNN‑LSTM模型和迁移学习的信号调制样式识别方法。本发明首先对采集多种不同调制信号样本集,预处理得到源数据集;再构建CNN‑LSTM网络模型,将网络的权值进行随机初始化,输入源数据集对网络模型进行预训练;将预训练后CNN网络与LSTM网络的权值参数对应迁移至目标CNN‑LSTM网络中,输入训练数据集对目标CNN‑LSTM网络中的随机森林分类器进行训练,得到训练完成的CNN‑LSTM网络;最后利用训练完成的CNN‑LSTM网络对测试数据集进行调制样式识别,得到信号分类识别结果。本发明结合了CNN网络与LSTM网络的特征提取优点,提高了信号识别性能,并解决了深度学习在缺少目标信号样本的条件下识别性能差的问题。
Description
技术领域
本发明属于通信信号调制识别领域,机器学习领域,设计了一种基于CNN-LSTM模型和迁移学习的信号调制样式识别模型。
背景技术
信号调制方式识别是信号检测与解调的重要技术之一,用于判断未知信号的调制方式,估计出信号某些调制参数,为信号解调提供参数依据,从而得到有用信息。目前,通信信号调制识别在军事和民用领域都是十分重要的研究课题。在军事领域,实现对敌方通信进行干扰和破坏以及保护己方通信安全;在民用领域,主要用于对频谱资源进行有效监督和管理。
目前已有的信号调制识别算法主要分为基于决策理论的信号调制识别方法、基于特征提取的模式识别方法。前者基于假设检验理论,以概率论和假设检验理论为基础,对接收信号进行统计特性分析,再利用代价函数最小化准则进行分析推导,得到检验统计量,然后与判决门限进行比较,根据最小化错误分类概率对信号进行判决。该方法具有完备的理论基础,但需要的先验信息多、计算复杂度高,因此适用性差且运算量大;后者通过提取能区分信号调制方式的特征参数,根据不同调制方式对应的特征参数的不同,对信号进行分类判别;该方法复杂度低、理论分析简单、适用范围广,但识别效果依赖对特征参数的选择,难以得到信号深层次特征。针对人工提取特征导致的问题,有许多学者将深度学习应用于信号调制识别,其中CNN网络空间特征提取能力强,LSTM网络时序特征提取能力强。另外,神经网络训练需要大量带有标签的信号数据,这就导致样本数据缺乏的情况下无法达到要求的识别效果,可以通过迁移学习解决该问题。神经网络通常使用softmax分类器,该分类器通过BP算法进行训练,存在局部极小值以及梯度消失、过拟合等问题。随机森林是以自举汇聚法(bagging)为基础,由多个弱分类器(决策树)组成的强分类器。克服了决策树的过拟合问题,同时由于采用了随机采样,训练出的模型的方差小,泛化能力强,对缺失数据和非平衡数据比较稳健。因此针对通信信号调制识别问题,提出一种基于卷积神经网络与随机森林的信号调制识别方法。
发明内容
本发明的目的是提出一种基于CNN-LSTM模型和迁移学习的信号调制样式识别方法。
本发明的具体步骤如下:
步骤一、采集多种不同调制信号样本集,对信号样本集进行预处理得到源数据集;
步骤二、构建CNN-LSTM网络模型,随机初始化CNN-LSTM网络的权值,然后通过源数据集对初始化后的CNN-LSTM网络进行预训练,得到预训练完成后的CNN-LSTM网络模型和网络权值参数;
步骤三、采集目标调制信号样本集,预处理得到目标数据集,组成训练数据集和测试数据集,将预训练后的CNN-LSTM网络权值参数迁移至目标CNN-LSTM网络模型,利用部分目标数据集对目标CNN-LSTM网络训练进行微调,得到训练完成的CNN-LSTM网络;
步骤四、将测试数据集输入到训练完成的CNN-LSTM网络,得到信号调制识别结果。
进一步的步骤一具体如下:
采集得到多种不同调制信号样本集,对各种调制信号进行正交解调,得到同相分类(Q路分类)和正交分量(I路分类),再由I、Q两路信号并行组成源数据集;
进一步的,步骤二具体如下:
CNN-LSTM网络模型由五部分组成:第一部分为输入层,输入信号数据集;第二部分为CNN网络,用于提取信号数据集的空间特征;第三部分为LSTM网络,用于提取信号数据集的时序特征;第四部分为特征融合层,将CNN网络提取的空间特征与LSTM提取的时序特征进行串联,得到新的信号特征;第五部分为随机森林分类器,根据新的信号特征进行信号调制样式识别。
进一步的,步骤三具体如下:
采集需要识别的调制信号样本集,预处理得到目标数据集,将其分为训练数据集和测试数据集。提取步骤二中预训练好的CNN-LSTM网络模型的第二部分中CNN网络权值参数和第三部分中LSTM网络权值参数,再将权值参数对应迁移至目标CNN-LSTM网络模型的CNN网络和LSTM网络中,然后输入训练数据集到目标CNN-LSTM网络模型中,仅对随机森林部分进行训练,训练步骤如下:
1)、训练数据集经过目标CNN-LSTM网络模型的前四部分,得到信号特征数据集;
2)、通过自助法(bootstrap)有放回抽样信号特征数据集构造子训练数据集;
3)、根据基尼系数随机选取特征参数建立CART决策树,其中基尼系数表示模型的混乱度,CART决策树的概率分布基尼系数为,当遍历特征参数A的所有分割点之后,使用特征参数和阈值()的关系(如),将训练集D划分为两部分,即D1(满足的样本集),D2(不满足的样本集)。则在的情况下,训练集D的基尼指数为:
所有特征参数都遍历CART决策树的所有分割点,寻找Gini系数最小的特征分割点;
4)、重复上述步骤1)-步骤3)n次,建立n棵决策树,每个决策树互不相干,构成随机森林,判决时将多个决策树分类器的判决结果进行投票,得到最终结果。
训练完随机森林后,得到训练完成的CNN-LSTM网络。
进一步的,步骤四具体如下:
输入目标信号数据集的测试数据集到训练完成的CNN-LSTM网络的输入层,CNN网络提取信号的空间特征,LSTM网络提取信号的时序特征,特征融合层将两种特征串接,得到信号融合特征,输入融合特征到随机森林分类器进行投票判决,得到信号识别结果。
有益效果如下:
本发明结合了CNN网络与LSTM网络的特征提取优点,提高了信号识别性能,并解决了深度学习在缺少目标信号样本的条件下识别性能差的问题。
附图说明
图1为基于CNN-LSTM模型和迁移学习的信号调制样式识别方法的流程图;
图2为CNN-LSTM网络迁移模型图;
具体实施方式
下面进一步详细说明本发明的实施步骤。
基于CNN-LSTM模型和迁移学习的信号调制样式识别方法,包括如下步骤:
步骤一、采集多种不同调制信号样本集,对信号样本集进行预处理得到源数据集;具体如下:
采集得到多种不同调制信号样本集,对各种调制信号进行正交解调,得到同相分类(Q路分类)和正交分量(I路分类),再由I、Q两路信号并行组成源数据集。
步骤二、构建CNN-LSTM网络模型,随机初始化CNN-LSTM网络的权值,然后通过源数据集对初始化后的CNN-LSTM网络进行预训练,得到预训练完成后的CNN-LSTM网络模型和网络权值参数;具体如下:
CNN-LSTM网络模型由五部分组成:第一部分为输入层,输入信号数据集;第二部分为CNN网络,用于提取信号数据集的空间特征;第三部分为LSTM网络,用于提取信号数据集的时序特征;第四部分为特征融合层,将CNN网络提取的空间特征与LSTM提取的时序特征进行串联,得到新的信号特征;第五部分为随机森林分类器,根据新的信号特征进行信号调制样式识别。
步骤三、采集目标调制信号样本集,预处理得到目标数据集,组成训练数据集和测试数据集,将预训练后的CNN-LSTM网络权值参数迁移至目标CNN-LSTM网络模型,利用部分目标数据集对目标CNN-LSTM网络训练进行微调,得到训练完成的CNN-LSTM网络;具体如下:
采集需要识别的调制信号样本集,预处理得到目标数据集,将其分为训练数据集和测试数据集。提取步骤二中预训练好的CNN-LSTM网络模型的第二部分中CNN网络权值参数和第三部分中LSTM网络权值参数,再将权值参数对应迁移至目标CNN-LSTM网络模型的CNN网络和LSTM网络中,然后输入训练数据集到目标CNN-LSTM网络模型中,仅对随机森林部分进行训练,训练步骤如下:
1)、训练数据集经过目标CNN-LSTM网络模型的前四部分,得到信号特征数据集;
2)、通过自助法(bootstrap)有放回抽样信号特征数据集构造子训练数据集;
3)、根据基尼系数随机选取特征参数建立CART决策树,其中基尼系数表示模型的混乱度,CART决策树的概率分布基尼系数为,当遍历特征参数A的所有分割点之后,使用特征参数和阈值()的关系(如),将训练集D划分为两部分,即D1(满足的样本集),D2(不满足的样本集)。则在的情况下,训练集D的基尼指数为:
所有特征参数都遍历CART决策树的所有分割点,寻找Gini系数最小的特征分割点;
4)、重复上述两步骤n次,建立n棵决策树,每个决策树互不相干,构成随机森林,判决时将多个决策树分类器的判决结果进行投票,得到最终结果。
训练完随机森林后,得到训练完成的CNN-LSTM网络。
步骤四、将测试数据集输入到训练完成的CNN-LSTM网络,得到信号调制识别结果。具体如下:
输入目标信号数据集的测试数据集到训练完成的CNN-LSTM网络的输入层,CNN网络提取信号的空间特征,LSTM网络提取信号的时序特征,特征融合层将两种特征串接,得到信号融合特征,输入融合特征到随机森林分类器进行投票判决,得到信号识别结果。
Claims (1)
1.基于CNN-LSTM模型和迁移学习的信号调制样式识别方法,其特征在于:包括如下步骤:
步骤一、采集多种不同调制信号样本集,对信号样本集进行预处理得到源数据集;
步骤二、构建CNN-LSTM网络模型,随机初始化CNN-LSTM网络的权值,然后通过源数据集对初始化后的CNN-LSTM网络进行预训练,得到预训练完成后的CNN-LSTM网络模型和网络权值参数;
步骤三、采集目标调制信号样本集,预处理得到目标数据集,组成训练数据集和测试数据集,将预训练后的CNN-LSTM网络权值参数迁移至目标CNN-LSTM网络模型,利用部分目标数据集对目标CNN-LSTM网络训练进行微调,得到训练完成的CNN-LSTM网络;
步骤四、将测试数据集输入到训练完成的CNN-LSTM网络,得到信号调制识别结果;
所述的步骤一具体如下:
采集得到多种不同调制信号样本集,对各种调制信号进行正交解调,得到同相分类即Q路分类和正交分量即I路分类,再由I、Q两路信号并行组成源数据集;
所述的步骤二具体如下:
CNN-LSTM网络模型由五部分组成:第一部分为输入层,输入信号数据集;第二部分为CNN网络,用于提取信号数据集的空间特征;第三部分为LSTM网络,用于提取信号数据集的时序特征;第四部分为特征融合层,将CNN网络提取的空间特征与LSTM提取的时序特征进行串联,得到新的信号特征;第五部分为随机森林分类器,根据新的信号特征进行信号调制样式识别;
所述的步骤三具体如下:
采集需要识别的调制信号样本集,预处理得到目标数据集,将其分为训练数据集和测试数据集;提取步骤二中预训练好的CNN-LSTM网络模型的第二部分中CNN网络权值参数和第三部分中LSTM网络权值参数,再将权值参数对应迁移至目标CNN-LSTM网络模型的CNN网络和LSTM网络中,然后输入训练数据集到目标CNN-LSTM网络模型中,仅对随机森林部分进行训练,训练步骤如下:
1)、训练数据集经过目标CNN-LSTM网络模型的前四部分,得到信号特征数据集;
2)、通过自助法有放回抽样信号特征数据集构造子训练数据集;
3)、根据基尼系数随机选取特征参数建立CART决策树,其中基尼系数表示模型的混乱度,CART决策树的概率分布基尼系数为Gini(p)=2p(1-p),当遍历特征参数A的所有分割点之后,使用特征参数和阈值TA的关系,将训练集D划分为两部分,即D1和D2,其中D1是满足A>TA的样本集,D2是不满足A>TA的另一个样本集;则在A>TA的情况下,训练集D的基尼指数为:
所有特征参数都遍历CART决策树的所有分割点,寻找Gini系数最小的特征分割点;
4)、重复上述步骤1)-步骤3)n次,建立n棵决策树,每个决策树互不相干,构成随机森林,判决时将多个决策树分类器的判决结果进行投票,得到最终结果;
训练完随机森林后,得到训练完成的CNN-LSTM网络;
所述的步骤四具体如下:
输入目标信号数据集的测试数据集到训练完成的CNN-LSTM网络的输入层,CNN网络提取信号的空间特征,LSTM网络提取信号的时序特征,特征融合层将两种特征串接,得到信号融合特征,输入融合特征到随机森林分类器进行投票判决,得到信号识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010548590.7A CN111832417B (zh) | 2020-06-16 | 2020-06-16 | 基于cnn-lstm模型和迁移学习的信号调制样式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010548590.7A CN111832417B (zh) | 2020-06-16 | 2020-06-16 | 基于cnn-lstm模型和迁移学习的信号调制样式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111832417A CN111832417A (zh) | 2020-10-27 |
CN111832417B true CN111832417B (zh) | 2023-09-15 |
Family
ID=72897630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010548590.7A Active CN111832417B (zh) | 2020-06-16 | 2020-06-16 | 基于cnn-lstm模型和迁移学习的信号调制样式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832417B (zh) |
Families Citing this family (10)
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 |
CN112307287B (zh) * | 2020-11-11 | 2022-08-02 | 国网山东省电力公司威海供电公司 | 基于云边协同架构的电力物联网数据分类处理方法及装置 |
CN112632319B (zh) * | 2020-12-22 | 2023-04-11 | 天津大学 | 基于迁移学习的提升长尾分布语音总体分类准确度的方法 |
CN112800983B (zh) * | 2021-02-01 | 2024-03-08 | 玉林师范学院 | 一种基于随机森林的非视距信号识别方法 |
CN112702294B (zh) * | 2021-03-24 | 2021-06-22 | 四川大学 | 一种基于深度学习的多层次特征提取的调制识别方法 |
CN113283288B (zh) * | 2021-04-08 | 2023-08-18 | 中广核检测技术有限公司 | 基于lstm-cnn的核电站蒸发器涡流信号类型识别方法 |
CN113486724A (zh) * | 2021-06-10 | 2021-10-08 | 重庆邮电大学 | 基于cnn-lstm多支流结构和多种信号表示的调制识别模型 |
CN113298031B (zh) * | 2021-06-16 | 2023-06-02 | 中国人民解放军国防科技大学 | 一种考虑信号物理和时序特性的信号调制识别方法及系统 |
CN114521900B (zh) * | 2022-02-21 | 2022-11-15 | 贵州省人民医院 | 一种基于迁移学习心律失常分类识别的方法 |
CN115277322B (zh) * | 2022-07-13 | 2023-07-28 | 金陵科技学院 | 基于图及持续性熵特征的cr信号调制识别方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991374A (zh) * | 2017-03-07 | 2017-07-28 | 中国矿业大学 | 基于卷积神经网络和随机森林的手写数字识别方法 |
CN110503140A (zh) * | 2019-08-09 | 2019-11-26 | 哈尔滨工业大学 | 基于深度迁移学习与邻域降噪的分类方法 |
-
2020
- 2020-06-16 CN CN202010548590.7A patent/CN111832417B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991374A (zh) * | 2017-03-07 | 2017-07-28 | 中国矿业大学 | 基于卷积神经网络和随机森林的手写数字识别方法 |
CN110503140A (zh) * | 2019-08-09 | 2019-11-26 | 哈尔滨工业大学 | 基于深度迁移学习与邻域降噪的分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111832417A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111832417B (zh) | 基于cnn-lstm模型和迁移学习的信号调制样式识别方法 | |
WO2018176889A1 (zh) | 一种数字通信信号调制方式自动识别方法 | |
CN111767848B (zh) | 一种基于多域特征融合的辐射源个体识别方法 | |
CN109063594A (zh) | 基于YOLOv2的遥感图像快速目标检测方法 | |
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 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN108875816A (zh) | 融合置信度准则和多样性准则的主动学习样本选择策略 | |
CN108540202A (zh) | 一种卫星通信信号调制方式识别方法、卫星通信系统 | |
Liu | Multi-feature fusion for specific emitter identification via deep ensemble learning | |
CN104765768A (zh) | 海量人脸库的快速准确检索方法 | |
CN101893704A (zh) | 一种基于粗糙集的雷达辐射源信号识别方法 | |
CN102497343A (zh) | 一种基于聚类和支持向量机的联合调制识别方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN108566253B (zh) | 一种基于对信号功率谱拟合特征提取的信号识别方法 | |
CN104038792B (zh) | 用于iptv监管的视频内容分析方法及设备 | |
CN112749633B (zh) | 分离与重构的个体辐射源识别方法 | |
CN110048978A (zh) | 一种信号调制识别方法 | |
CN115114958A (zh) | 一种基于监督对比学习的电磁信号开集识别方法 | |
Xu et al. | A transformer based approach for open set specific emitter identification | |
CN114980122A (zh) | 一种小样本射频指纹智能识别系统与方法 | |
CN104573701B (zh) | 一种玉米雄穗性状的自动检测方法 | |
CN104850862B (zh) | 一种基于单位代价收益敏感决策树的分类方法 | |
CN116566777B (zh) | 一种基于图卷积神经网络的跳频信号调制识别方法 | |
CN115913850B (zh) | 一种基于残差网络的开集调制识别方法 | |
CN117131436A (zh) | 面向开放环境的辐射源个体识别方法 |
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 |