CN112230210B - 一种基于改进的lsgan和cnn的hrrp雷达目标识别方法 - Google Patents
一种基于改进的lsgan和cnn的hrrp雷达目标识别方法 Download PDFInfo
- Publication number
- CN112230210B CN112230210B CN202010940775.2A CN202010940775A CN112230210B CN 112230210 B CN112230210 B CN 112230210B CN 202010940775 A CN202010940775 A CN 202010940775A CN 112230210 B CN112230210 B CN 112230210B
- Authority
- CN
- China
- Prior art keywords
- data
- hrrp
- lsgan
- layer
- improved
- 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
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法,所述方法包括以下步骤,S1、通过数据去噪模块接收带噪声和干净的HRRP数据,利用改进的LSGAN,生成高信噪比的HRRP数据;S2、采用目标识别模块接收HRRP数据,利用CNN进行目标识别,得到识别结果。本发明能够实现在HRRP数据信噪比较低时也能有很好的识别效果,同时通过改进网络,弥补原始GAN和LSGAN的不足。
Description
技术领域
本发明涉及HRRP雷达目标识别技术领域,具体涉及一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法。
背景技术
在HRRP数据无噪声的情况下,利用CNN进行目标识别,可以得到很好的识别效果。但是在实际应用场景中,很难采集完整的HRRP数据,且由于一些外部环境的干扰,获取的HRRP数据中会夹杂着一些噪声,这给目标识别增添了不小的困难。在这种情况下,仅采用CNN识别,识别效果有待提高。
在上述背景下,可以考虑先用生成对抗网络(Generative Adversarial Network,GAN)提高HRRP数据的信噪比,再用CNN进行识别。但是传统GAN的训练存在许多问题,原始GAN在训练时容易出现梯度消失继而导致网络难以训练,而且,使用原始GAN进行数据生成时,生成的数据的输出自由度过大,这使得生成的数据质量很差,使用该数据进行目标识别,识别效果并不可靠。
而采用LSGAN时,由于LSGAN容易发生模型坍塌,导致网络生成的数据多样性比较低,用这种生成的数据进行目标识别,识别效果也不可靠。
发明内容
本发明所要解决的问题是:提供一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法,以解决上述背景技术提到的问题。实现在HRRP数据信噪比较低时也能有很好的识别效果,同时通过改进网络,弥补原始GAN和LSGAN的不足。
本发明为解决上述问题所提供的技术方案为:一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法,所述方法包括以下步骤,
S1、通过数据去噪模块接收带噪声和干净的HRRP数据,利用改进的LSGAN,生成高信噪比的HRRP数据;
S2、采用目标识别模块接收HRRP数据,利用CNN进行目标识别,得到识别结果。
优选的,所述干净的HRRP数据是使用电磁仿真手段对五种飞机仿真得到的,该数据不含噪声;含噪声的HRRP数据是在仿真数据中添加高斯噪声得到的,通过调节参数来控制噪声数据的信噪比。
优选的,所述数据去噪模块由一个改进的LSGAN构成,这个改进的LSGAN由判别网络和生成网络组成,两个网络进行对抗训练,利用低信噪比的HRRP数据生成与干净HRRP数据接近的HRRP数据,提高了HRRP数据的信噪比。
优选的,所述目标识别模块是由一个CNN构成的,HRRP数据输入到这个CNN中训练,得到识别率。
优选的,所述改进的LSGAN判别网络包括:
依次相连,第一层为含有256个神经元的全连接层,第二层为只含有1个神经元的全连接层。
优选的,所述改进的LSGAN生成网络包括:依次相连第一层为含有256个神经元的全连接层,第二层为只含有128个神经元的全连接层。
优选的,所述CNN包括:依次相连,第一层为含有64个输出的卷积层,第二层为最大池化层,第三层为含有128个输出的卷积层,第四层为最大池化层,第五层为含有1024个神经元的全连接层,第六层为含有1024个神经元的全连接层,第七层为含有5个神经元的全连接层,第八层为softmax层。
优选的,所述改进的LSGAN是在LSGAN的损失函数上进行改进的,在判别网络和生成网络的损失函数上各添加一个惩罚项;判别网络上添加的惩罚项有效的避免网络出现模型坍塌,生成网络上添加的惩罚项则使得生成数据和干净数据更加接近;两个惩罚项为:
其中,Pz(x)为含噪声HRRP数据分布函数,Pdata(x)为干净HRRP数据分布函数,D(x),D(G(z)分别表示干净的和含噪声的HRRP数据通过判别网络得到的结果,表示上述两种数据组合通过判别网络得到的结果,λ1和λ2表示调节权重。
优选的,所述CNN有三个全连接层,前两个全连接层后面都加上dropout层,使得这两个全连接层一定比例的神经元随机失活,可以有效的解决网络过拟合的问题。
优选的,所述CNN使用的是一维卷积神经网络,卷积层使用一维卷积核,最大池化层使用一维池化核。
与现有技术相比,本发明的优点是:本发明主要包括数据去噪和目标识别两个模块,其中数据去噪模块是由一个改进的LSGAN构成的,通过对LSGAN的改进,有效的解决了LSGAN容易出现模型坍塌、生成数据多样性低等问题,通过最小化生成的HRRP数据与干净的HRRP数据之间的均方距离,使生成的HRRP数据和干净的HRRP数据更加接近。将含噪声的HRRP数据通过数据去噪模块,可以生成与干净的HRRP数据接近的数据,提高了HRRP数据的信噪比。目标识别模块则是由一个CNN构成的,因为HRRP数据是一维数据,所以采用一维卷积神经网络,该网络中有两个神经元数目很多的全连接层,为避免网络产生过拟合,在这两个全连接层后面都加上dropout正则化,使全连接层一定比例的神经元失活,这样,CNN进行目标识别任务时,就能取得可靠的识别效果。上述两个模块都可以单独使用,数据去噪模块可以只参与数据去噪的工作,目标识别模块可以单独进行目标识别任务。但是当HRRP数据信噪比很低时,只使用目标识别模块,识别效果有待提高,此时将两个模块结合使用,识别效果显著增强。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为改进的LSGAN网络结构示意图,也就是本发明中描述的数据去噪模块的示意图。
图2为CNN示意图,也就是本发明中描述的目标识别模块的示意图。
图3为改进的LSGAN判别网络结构示意图
图4为改进的LSGAN生成网络结构示意图
图5为干净的和带噪声的HRRP数据图像
图6为本发明中改进的LSGAN生成的HRRP数据图像
图7为LSGAN生成的HRRP数据图像
图8为本发明和仅用CNN识别的识别率曲线图。
具体实施方式
以下将配合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
传统的HRRP雷达目标识别方法如CNN识别方法,在HRRP数据信噪比较高时,具有很好的识别效果,但是当HRRP数据的信噪比较低时,识别效果有待提高,可以考虑先用GAN提高HRRP数据的信噪比,然后再用CNN识别。
因此本发明提出了一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法,参见图1所示和图2所示,发明包括:
图1所示的数据去噪模块,接收带噪声和干净的两种HRRP数据,利用改进的LSGAN,生成高信噪比的HRRP数据。
具体的,改进的LSGAN由图3所示的判别网络和图4所示的生成网络组成。判别网络由两层结构组成,依次相连,第一层为含有256个神经元的全连接层,第二层为只含有1个神经元的全连接层;生成网络也由两层结构组成,依次相连,第一层为含有256个神经元的全连接层,第二层为只含有128个神经元的全连接层。
LSGAN由判别网络和生成网络两部分组成,两个网络都有各自的损失函数,通过这两个网络对抗训练最小化两个损失函数的值,最终达到纳什平衡点。LSGAN两个网络的损失函数为:
本发明中的生成对抗网络是在上述LSGAN的基础上进行改进的,在判别网络和生成网络的损失函数上各添加一个惩罚项,两个惩罚项为:
第一个为判别网络上添加的惩罚项,第二个为生成网络上添加的惩罚项,改进后的LSGAN损失函数为:
其中,Pz(x)为含噪声HRRP数据分布函数,Pdata(x)为干净HRRP数据分布函数,D(x),D(G(z)分别表示干净的和含噪声的HRRP数据通过判别网络得到的结果,表示上述两种数据组合通过判别网络得到的结果,λ1和λ2表示调节权重。
将含噪声的HRRP数据和干净的HRRP数据放到上述改进的LSGAN中训练,通过调节各种网络参数和λ1、λ2,使网络达到纳什平衡点,生成网络生成HRRP数据与干净的HRRP数据非常接近。
为了体现本发明中的数据去噪模块确实起到了去噪的作用,将干净的HRRP数据、含噪声的HRRP数据以及本发明改进的LSGAN生成的HRRP数据画出数据图对比。图5中有两张图,左图为干净的HRRP数据图,右图为含噪声的HRRP数据图,可以看出,左图两侧比较平滑,而右图两侧的波动则比较大,这是噪声导致的。图6中有4张图,都是利用本发明改进的LSGAN生成的HRRP数据图像。可以看到,4张图的两侧都比较平滑,与图5中左图非常相似,这表明本发明的数据去噪模块确实起到了去噪的作用。
同时,为了比较本发明改进的LSGAN相对于LSGAN的优势,将含噪声和干净的HRRP数据也输入到LSGAN中训练,得到生成数据,如图7所示,四张图都是该生成数据的图像,可以看到,图的两侧相对于图5的右图来说,是相对平滑的,但是可以发现一个问题,相对于图6,图7中的四张图完全相同,这是LSGAN的模型坍塌导致的,这个问题导致生成的数据多样性低。而本发明通过对LSGAN的改进,有效的解决了这些问题。
如图2所示为本发明的目标识别模块,该模块是由一个简单的神经网络构成的,具体包括:
依次相连,第一层为含有64个输出的卷积层,第二层为最大池化层,第三层为含有128个输出的卷积层,第四层为最大池化层,第五层为含有1024个神经元的全连接层,第六层为含有1024个神经元的全连接层,第七层为含有5个神经元的全连接层,第八层为Softmax层。
另外,该CNN有三个全连接层,而全连接层容易使得网络产生过拟合,因此在前两个全连接层后面都加上Dropout层,使这两个全连接层一定比例的神经元随机失活,可以有效的解决网络过拟合的问题。
因为HRRP数据是一维数据,所以上述的CNN的卷积核和池化核都是一维的。如图2所示,两个卷积层的卷积核的维度都为1×3,而且步长也都为1,第一个卷积核输出特征图个数为64,第二个为128;两个池化核的大小都为1×2,步长都为2。因为有五种不同飞机数据,所以最后的全连接层有5个神经元,将1×128的HRRP数据输入上述的CNN,通过网络的训练和优化,并调节Dropout的值,当该网络在训练集和测试集上都收敛时,得到最终的识别率。
为了体现本发明相对于仅用CNN识别的优势,将不同信噪比的HRRP数据分别用本发明和只用CNN的两种识别方法识别,将两种方法的识别率用曲线画出,如图8所示,横坐标表示信噪比,纵坐标表示识别率。图中有两条曲线,橘黄色的表示只用CNN进行识别的识别率曲线,蓝色虚线则表示使用本发明方法的识别率曲线,从图中可以看出,当信噪比较低时,只用CNN的识别方法识别效果不是很好;而本发明方法的识别率却不受信噪比的影响,识别率一直保持在100%附近。这是因为带噪声的数据经过本发明改进的LSGAN训练,得到的生成数据与无噪声数据非常接近,同理生成的数据识别率与无噪声数据的识别率也非常接近,将无噪声的HRRP数据放到CNN中识别,得到识别率接近100%,所以蓝色曲线基本上是一条直线。实验结果表明,本发明相比于只用CNN识别的方法,识别效果更好,尤其是当HRRP数据信噪比很低时,两种方法的识别效果更是差距很大。
上述实验结果充分体现了本发明的优越性,相对于CNN的识别方法,本发明具有更好的识别效果,而且在LSGAN的改进上,判别网络损失函数上添加的惩罚项,有效的避免了出现模型坍塌,生成网络损失函数上添加的惩罚项,有效的减小了生成数据的自由度,使得生成的HRRP数据与干净的HRRP数据更加接近。
本发明主要有两个模块组成,分别是数据去噪模块和目标识别模块,前者通过用含噪声的HRRP数据生成与干净HRRP数据接近的数据,提高HRRP数据的信噪比,而后者则是接收这些生成的数据进行识别。相对于只用CNN的识别方法,本发明的识别效果更好。
以上仅就本发明的最佳实施例作了说明,但不能理解为是对权利要求的限制。本发明不仅局限于以上实施例,其具体结构允许有变化。凡在本发明独立权利要求的保护范围内所作的各种变化均在本发明保护范围内。
Claims (6)
1.一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法,其特征在于:所述方法包括以下步骤,
S1、通过数据去噪模块接收带噪声和干净的HRRP数据,利用改进的LSGAN,生成高信噪比的HRRP数据;所述数据去噪模块由一个改进的LSGAN构成,这个改进的LSGAN由判别网络和生成网络组成,两个网络进行对抗训练,利用低信噪比的HRRP数据生成与干净HRRP数据接近的HRRP数据,提高了HRRP数据的信噪比;
所述改进的LSGAN的判别网络包括:
依次相连,第一层为含有256个神经元的全连接层,第二层为只含有1个神经元的全连接层;
所述改进的LSGAN的生成网络包括:依次相连第一层为含有256个神经元的全连接层,第二层为只含有128个神经元的全连接层;
所述改进的LSGAN是在LSGAN的损失函数上进行改进的,在判别网络和生成网络的损失函数上各添加一个惩罚项;判别网络上添加的惩罚项有效的避免网络出现模型坍塌,生成网络上添加的惩罚项则使得生成数据和干净数据更加接近;两个惩罚项为:
其中,Pz(x)为含噪声HRRP数据分布函数,Pdata(x)为干净HRRP数据分布函数,D(x),D(G(z)分别表示干净的和含噪声的HRRP数据通过判别网络得到的结果,表示上述两种数据组合通过判别网络得到的结果,λ1和λ2表示调节权重;
S2、采用目标识别模块接收HRRP数据,利用CNN进行目标识别,得到识别结果。
2.根据权利要求1所述的一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法,其特征在于:所述干净的HRRP数据是使用电磁仿真手段对五种飞机仿真得到的,该数据不含噪声;含噪声的HRRP数据是在仿真数据中添加高斯噪声得到的,通过调节参数来控制噪声数据的信噪比。
3.根据权利要求1所述的一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法,其特征在于:所述目标识别模块是由一个CNN构成的,HRRP数据输入到这个CNN中训练,得到识别率。
4.根据权利要求1所述的一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法,其特征在于:所述CNN包括:依次相连,第一层为含有64个输出的卷积层,第二层为最大池化层,第三层为含有128个输出的卷积层,第四层为最大池化层,第五层为含有1024个神经元的全连接层,第六层为含有1024个神经元的全连接层,第七层为含有5个神经元的全连接层,第八层为softmax层。
5.根据权利要求1所述的一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法,其特征在于:所述CNN有三个全连接层,前两个全连接层后面都加上dropout层,使得这两个全连接层一定比例的神经元随机失活,可以有效的解决网络过拟合的问题。
6.根据权利要求1所述的一种基于改进的LSGAN和CNN的HRRP雷达目标识别方法,其特征在于:所述CNN使用的是一维卷积神经网络,卷积层使用一维卷积核,最大池化层使用一维池化核。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010940775.2A CN112230210B (zh) | 2020-09-09 | 2020-09-09 | 一种基于改进的lsgan和cnn的hrrp雷达目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010940775.2A CN112230210B (zh) | 2020-09-09 | 2020-09-09 | 一种基于改进的lsgan和cnn的hrrp雷达目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112230210A CN112230210A (zh) | 2021-01-15 |
CN112230210B true CN112230210B (zh) | 2022-07-29 |
Family
ID=74116120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010940775.2A Active CN112230210B (zh) | 2020-09-09 | 2020-09-09 | 一种基于改进的lsgan和cnn的hrrp雷达目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112230210B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784930B (zh) * | 2021-03-17 | 2022-03-04 | 西安电子科技大学 | 基于cacgan的hrrp识别数据库样本扩充方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492258A (zh) * | 2018-01-17 | 2018-09-04 | 天津大学 | 一种基于生成对抗网络的雷达图像去噪方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765319B (zh) * | 2018-05-09 | 2020-08-14 | 大连理工大学 | 一种基于生成对抗网络的图像去噪方法 |
US10859657B2 (en) * | 2018-05-31 | 2020-12-08 | The Board Of Trustees Of The Leland Stanford Junior University | MRI reconstruction using deep learning, generative adversarial network and acquisition signal model |
CN108829855B (zh) * | 2018-06-21 | 2021-02-19 | 山东大学 | 基于条件生成对抗网络的衣着穿搭推荐方法、系统及介质 |
CN109828251B (zh) * | 2019-03-07 | 2022-07-12 | 中国人民解放军海军航空大学 | 基于特征金字塔轻量卷积神经网络的雷达目标识别方法 |
CN110503616A (zh) * | 2019-08-28 | 2019-11-26 | 上海海事大学 | 一种应用于图片去噪的生成式网络 |
CN110728238A (zh) * | 2019-10-12 | 2020-01-24 | 安徽工程大学 | 一种融合型神经网络的人员再检测方法 |
CN111402179B (zh) * | 2020-03-12 | 2022-08-09 | 南昌航空大学 | 结合对抗自编码器和生成对抗网络的图像合成方法及系统 |
CN111580097A (zh) * | 2020-04-02 | 2020-08-25 | 杭州电子科技大学 | 基于单层双向循环神经网络的雷达目标识别方法 |
-
2020
- 2020-09-09 CN CN202010940775.2A patent/CN112230210B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492258A (zh) * | 2018-01-17 | 2018-09-04 | 天津大学 | 一种基于生成对抗网络的雷达图像去噪方法 |
Non-Patent Citations (2)
Title |
---|
仓明杰等.基于ICNN和IGAN的SAR目标识别方法.《雷达科学与技术》.2020,(第03期), * |
肖永生等."基于灰色系统的雷达目标高分辨距离像识别".《控制与决策》.2011,第26卷(第7期),第1036-1040页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112230210A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110824450B (zh) | 一种噪声环境下的雷达目标hrrp鲁棒识别方法 | |
CN107609587B (zh) | 一种基于深度卷积生成对抗网络的多类别多视图数据生成方法 | |
CN108764317B (zh) | 一种基于多路特征加权的残差卷积神经网络图像分类方法 | |
CN110097609B (zh) | 一种基于样本域的精细化绣花纹理迁移方法 | |
CN113688941B (zh) | 基于生成对抗网络的小样本声呐图像分类识别优化方法 | |
CN111861906B (zh) | 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法 | |
CN110032925A (zh) | 一种基于改进胶囊网络与算法的手势图像分割与识别方法 | |
CN111224905B (zh) | 一种大规模物联网中基于卷积残差网络的多用户检测方法 | |
CN112230210B (zh) | 一种基于改进的lsgan和cnn的hrrp雷达目标识别方法 | |
CN111368935A (zh) | 一种基于生成对抗网络的sar时敏目标样本增广方法 | |
CN112270300A (zh) | 基于生成式对抗网络的人脸素描图像转换为rgb图像方法 | |
CN112287784A (zh) | 一种基于深度卷积神经网络与特征融合的雷达信号分类方法 | |
CN112597993A (zh) | 基于补丁检测的对抗防御模型训练方法 | |
CN114626042B (zh) | 一种人脸验证攻击方法和装置 | |
Pijackova et al. | Radio modulation classification using deep learning architectures | |
CN115272774A (zh) | 基于改进自适应差分进化算法的对抗样本攻击方法及系统 | |
CN111931553B (zh) | 遥感数据增强生成对抗网络方法、系统、存储介质及应用 | |
Ma et al. | Feature distribution representation learning based on knowledge transfer for long-tailed classification | |
CN113554104B (zh) | 一种基于深度学习模型的图像分类方法 | |
CN115294424A (zh) | 一种基于生成对抗网络的样本数据增强方法 | |
CN115238271A (zh) | 基于生成学习的ai安全性检测方法 | |
Mousa et al. | Identification the modulation type in cognitive radio network based on Alexnet architecture | |
CN112036461A (zh) | 手写数字图像识别方法、装置、设备及计算机存储介质 | |
CN112381176B (zh) | 一种基于双目特征融合网络的图像分类方法 | |
CN113987955B (zh) | 一种基于陷阱式集成网络的对抗样本防御方法 |
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 |