CN112378619A - 具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用 - Google Patents
具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用 Download PDFInfo
- Publication number
- CN112378619A CN112378619A CN202011233363.1A CN202011233363A CN112378619A CN 112378619 A CN112378619 A CN 112378619A CN 202011233363 A CN202011233363 A CN 202011233363A CN 112378619 A CN112378619 A CN 112378619A
- Authority
- CN
- China
- Prior art keywords
- total pressure
- fse
- oselm
- remd
- fer
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M9/00—Aerodynamic testing; Arrangements in or on wind tunnels
- G01M9/08—Aerodynamic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Fluid Mechanics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
Description
技术领域
本发明涉及集成学习、递归学习技术,属于计算机应用技术领域,尤其涉及一种具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用。
背景技术
风洞气流复杂,多洞室气体实时交换,这使得根据空气动力学定律难以建立高精度的总压实时预测模型。随着传感技术和计算机技术的迅猛发展,风洞试验累计了大量而丰富的数据,这使得建立基于数据驱动的建模方法发挥着越来越重要的作用。现有的总压模型大都基于数据驱动的方法,而且取得了不错的效果,其中最具代表性的是文献[1]提出的特征子集集成(Feature Subset Ensemble,FSE)fixed-size LS-SVMs方法。
现有的总压模型大都面向每次试验的整个过程,但是总压在一次试验中的变化差异较大,以时间阈值τ(8s≤τ≤15s)可以分为两个阶段。0s~τs试验处于冲压阶段,总压随时间大致呈上升趋势,总压的数值分布不均衡也非正态分布;τs~Ts试验处于稳压阶段,总压随时间呈水平趋势,总压的数值呈正态分布。另外,稳压阶段样本个数是冲压阶段样本个数的2~9倍。因此,现有的总压模型在冲压阶段的均方根误差(Root Mean Square Error,RMSE)明显高于其在稳压阶段的 RMSE。
发明内容
为了提高风洞试验冲压阶段总压的预测精度,同时处理冲压阶段的高噪声问题,本发明提出了具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用,为面向多批次高噪声数据建立高精度的实时计算模型提供一种新的思路和方法。技术方案如下:
具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用,包括如下步骤:
X(t-1)包含25个特征:
x1(t-1),x1(t-2),…,x1(t-5),x2(t-1),x2(t-2),…,x2(t- 5),…,x5(t-1),x5(t-2),…,x5(t-5),
分别表示栅指位移、主调压阀位移、主排气阀位移、气源压力和攻角角度在历史时刻t-1,t-2,…t-5上的值;
Po(t-1)包含5个特征:po(t-1),…,po(t-5),
分别表示总压在历史时刻t-1,t-2,…t-5上的值;
po(t)表示总压在当前时刻t上的值;
总压模型的输入变量为[X(t-1),Po(t-1)],输出变量是po(t);
第三步:以ReMD-OSELM算法为基学习机递归学习每一代子模型,加权融合后获得总压实时预测模型。
进一步的,第三步的ReMD-OSELMs算法,其实现过程是:
其中表示的隐藏层输出向量;表示的隐藏层权重向量且 表示第i个ReMD-OSELM子模型的输入变量;J表示隐藏层神经元个数;G(·)是Sigmoid,RBF或者Sine激活函数;和是激活函数的参数,属于[-1,1]之间的随机数,不在递归学习过程中进行更新;
本发明的有益效果是:
本发明所述的具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用的思想是:令t表示试验的运行时间,针对任意工况,已知时间阈值τ(8s≤τ≤15s),当0≤t≤τ时,试验处于冲压阶段。随着试验的重执行,可构造用于建立冲压阶段总压模型的多批次样本,即 表示第b个批次样本。首先,在上执行基于回归树的特征选择,挑选出最重要的do维特征,这do维特征组成特征集合根据构造第b(b=0,1,2,…)批次低维样本集在上建立FSE-FSE,即基于FSE方法构造的所有特征子集然后,在上建立初代子模型,加权平均后得到初代FER-FSE总压模型;...;获得 后更新第b-1代子模型得到第b代子模型,加权平均后得到第b代FER-FSE总压模型。为了实现FER-FSE的实时学习,本发明还提出了递归学习算法ReMD-OSELM,它是在MD-OSELM 的目标函数中加入正则项,可以提升对抗噪声的鲁棒性。期望具有ReMD-OSELM的FER-FSE技术能够提高风洞试验冲压阶段总压的预测精度。
具体实施方式
下面对具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
本发明以中国空气动力学研究与发展中心的跨音速风洞为研究对象。在风洞试验中,稳定段总压是关键的变量之一。根据亚音速一维等熵流理论,稳定段总压是马赫数的主要影响因素,实时精确预测总压可以更准确地预测出试验段马赫数,进而得到更好的试验效果。
为了提高风洞试验冲压阶段总压实时预测的精度,本发明提出了具有ReMD-OSELM的FER-FSE技术。风洞系统任意工况都会进行多次试验,每次试验产生一个批次样本。首先,根据时间阈值τ(8s≤τ≤15s),构造用于建立冲压阶段总压模型的多批次样本,即 然后,利用回归树算法在上提取最重要的do维特征以及这do维特征的所有组合形式,建立FER-FSE结构。最后,以 ReMD-OSELM为基学习机递归学习每一代子模型,建立总压实时预测模型。本发明利用FER-FSE结构和递归型基学习机ReMD-OSELM 建立冲压阶段总压实时预测模型,在发挥FSE和MD-OSELM联合使用时强非线性学习能力和实时计算的优势的同时,克服了FSE子模型冗余带来的多重共线性问题,增强了MD-OSELM对噪声的鲁棒性。实验结果表明所申请技术能够提高冲压阶段总压的预测精度。
本发明的具体实施方式如下:
第一步:风洞系统任意工况都会进行多次试验,每次试验生产一个批次的样本,根据时间阈值τ(8s≤τ≤15s),获取冲压阶段总压模型的多批次样本。令表示第 b(b=0,1,2,…)个批次的样本,其中N表示样本个数;X(t-1)包含 25个特征x1(t-1),x1(t-2),…,x1(t-5),x2(t-1),x2(t- 2),…,x2(t-5),…,x5(t-1),x5(t-2),…,x5(t-5)分别表示栅指位移、主调压阀位移、主排气阀位移、气源压力和攻角角度在历史时刻t- 1,t-2,…t-5上的值;Po(t-1)包含5个特征po(t-1),…,po(t-5),分别表示总压在历史时刻t-1,t-2,…t-5上的值;po(t)表示总压在当前时刻t上的值。总压模型的输入变量为[X(t-1),Po(t-1)],输出变量是po(t)。
第二步:在上构建全展开型递归特征子集集成 (FullyExpanded Recursive Feature Subset Ensemble,FER-FSE)结构。 FSE方法[1]构造低维的特征子集、具有并行的集成结构,且可根据试验数据大样本集的特点灵活选择基学习机(i.e.,子模型建模方法),这些都是建立总压实时预测模型的有利条件。然而,高维的输入变量会使得FSE生成过多的子模型,易出现多重共线性问题。为了从根本上解决该问题,在FSE构造特征子集之前,利用回归树算法提取最重要的do维特征。根据这do维特征构造的低维样本集和的所有特征子集,即在上构建了FER-FSE结构。
第三步:以ReMD-OSELM算法为基学习机递归学习每一代子模型,加权融合后获得总压实时预测模型。
第二步的在上构建FER-FSE结构,其实现过程是:首先,在上执行基于回归树的特征选择,挑选出最重要的do维特征,这do维特征组成特征集合且 其中表示基于回归树的特征选择操作。根据构造第b(b=0,1,2,…)批次低维样本集然后,基于FSE方法构造的所有特征子集其中上标i表示特征子集(或子模型)序号且的输入特征集合为最后,在上构建初代子模型加权平均后得初代FER-FSE 总压模型;...;获得后更新第b-1代子模型得第b代子模型加权平均后获得第b代FER-FSE总压模型。另外每一代子模型的权重都由 GEM(Generalized Ensemble Method)[2]计算获得。
第三步的ReMD-OSELMs算法,其实现过程是:在MD-OSELM[3]的目标函数中添加正则项(Regular Term)以提升模型对噪声的鲁棒性。第b(b=0,1,2,…)代第个ReMD-OSELM 子模型的数学表达式为:
其中表示的隐藏层输出向量;表示的隐藏层权重向量且 表示第i个ReMD-OSELM子模型的输入变量; J隐藏层神经元个数。G(·)是Sigmoid,RBF或者Sine激活函数。 和是激活函数的参数,属于[-1,1]之间的随机数,初始化获得后一直保持不变,即不在递归学习过程中进行更新。
本节通过仿真实验,验证具有ReMD-OSELM的FER-FSE技术及其在风洞试验冲压阶段总压实时建模中的应用作为一种新的思路和方法,在面向多批次高噪声数据建立高精度实时计算模型中的有效性。
实验数据
实验数据涉及3种工况:WC#1的马赫数为0.6,总压为110KPa; WC#2的马赫数为0.85,总压为130KPa;WC#3的马赫数为0.89,总压为130KPa。3种工况的时间阈值分别为12s、12s、15s;隐含层神经元个数都为3(i.e.,J=3);经回归树选择出的重要特征维度都为3(i.e.,do=3)。每种工况下采集了8次试验的样本。针对任意工况,根据时间阈值,构造用于建立冲压阶段总压模型的多批次样本,即我们以为训练集,建立初代FER-FSE总压模型,并以为测试集对其进行检验;以为训练集,更新初代 FER-FSE总压模型,获得第1代FER-FSE总压模型,并以为测试集对其进行检验;以为训练集,更新第1代FER-FSE总压模型,获得第2代FER-FSE总压模型,并以为测试集对其进行检验;依次类推。
表2冲压阶段总压模型的测试集RMSE
表2给出了冲压阶段总压模型的测试集RMSE。表2中我们的对比了两种方法即具有ReMD-OSELM的FER-FSE技术和TSE-FSEs fixed-size LSSVMs技术。前者为本发明提出的方法,后者为最近发表的文献[4]提出的方法。TSE-FSEs fixed-size LSSVMs总压模型参数设置与文献[4]一致。由于TSE-FSEs fixed-size LSSVMs是一种离线建模方法,每种工况使用前3个批次(i.e.,b=0,1,2)的样本训练模型,后5个批次(i.e.,b=3,4,5,6,7)的样本测试模型。为了保证两种方法对比基准的一致性,表2给出了b=3,4,5,6,7时的测试结果。
实验结果表明,本发明提出的具有ReMD-OSELM的FER-FSE 技术所建立的总压模型的RMSE≤0.0135,而TSE-FSEs fixed-size LSSVMs技术所建立的总压模型的RMSE≥0.0267。因此,具有 ReMD-OSELM的FER-FSE技术能够显著提高风洞试验冲压阶段总压的预测精度。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
本发明涉及到的参考文献:
[1]Xiaojun Wang,Ping Yuan,Zhizhong Mao.Ensemble fixed-size LS-SVMsapplied for the Mach number prediction in transonic wind tunnel,IEEETransactions on Aerospace andElectronicSystems,vol.51,no.4,pp.3167-3181,Oct.2015.
[2]Perrone M.P.,Cooper L.N.,When networks disagree:ensemble methodsfor hybrid neural networks(1993)In R.J.Mammone(Ed.),Artificial neuralnetworks for speech andvision.London:Chapman&Hall.,126-142,2001.
[3]Quan-Yi Zou,Xiao-Jun Wang,Chang-Jun Zhou,Qiang Zhang.The memorydegradation based online sequential extreme learning machine,Neurocomputing,vol.275,pp.2864-2879,Jan.2018.
[4]Xiao-JunWang,Yan Liu,PingYuan,Chang-JunZhou,Lin Zhang.TheRegression Learning ofthe ImbalancedandBig Databythe Online Mixture Modelforthe Machnumber Forecasting,IEEEAccess,7:7368-7380,2019。
Claims (4)
1.具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用,其特征在于,包括如下步骤:
X(t-1)包含25个特征:
x1(t-1),x1(t-2),…,x1(t-5),x2(t-1),x2(t-2),…,x2(t-5),…,x5(t-1),x5(t-2),…,x5(t-5),
分别表示栅指位移、主调压阀位移、主排气阀位移、气源压力和攻角角度在历史时刻t-1,t-2,…t-5上的值;
Po(t-1)包含5个特征:po(t-1),…,po(t-5),
分别表示总压在历史时刻t-1,t-2,…t-5上的值;
po(t)表示总压在当前时刻t上的值;
总压模型的输入变量为[X(t-1),Po(t-1)],输出变量是po(t);
第三步:以ReMD-OSELM算法为基学习机递归学习每一代子模型,加权融合后获得总压实时预测模型。
3.根据权利要求2所述的具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用,其特征在于,第三步的ReMD-OSELMs算法,其实现过程是:
其中表示的隐藏层输出向量;表示的隐藏层权重向量且 表示第i个ReMD-OSELM子模型的输入变量;J表示隐藏层神经元个数;G(·)是Sigmoid,RBF或者Sine激活函数;和是激活函数的参数,属于[-1,1]之间的随机数,不在递归学习过程中进行更新;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011233363.1A CN112378619B (zh) | 2020-11-06 | 2020-11-06 | 具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011233363.1A CN112378619B (zh) | 2020-11-06 | 2020-11-06 | 具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112378619A true CN112378619A (zh) | 2021-02-19 |
CN112378619B CN112378619B (zh) | 2022-08-19 |
Family
ID=74578742
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011233363.1A Active CN112378619B (zh) | 2020-11-06 | 2020-11-06 | 具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112378619B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283614A (zh) * | 2021-04-29 | 2021-08-20 | 东北财经大学 | 基于OcE的PM2.5浓度预测方法 |
CN115097354A (zh) * | 2022-08-25 | 2022-09-23 | 北京智芯半导体科技有限公司 | 配电网故障线路确定方法、系统、电子设备及介质 |
CN116735146A (zh) * | 2023-08-11 | 2023-09-12 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种建立气动力模型的风洞实验方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003075187A1 (en) * | 2002-03-02 | 2003-09-12 | Bl Systems Inc. | Apparatus and method for constructing data mining model using ensemble machines |
CN106909719A (zh) * | 2017-01-23 | 2017-06-30 | 大连大学 | 集成多元线性回归算法 |
CN107103123A (zh) * | 2017-04-06 | 2017-08-29 | 大连大学 | 基于Bagging‑FSE算法的风洞马赫数混合模型建模方法 |
CN109115446A (zh) * | 2018-08-01 | 2019-01-01 | 东北大学 | 基于跨声速风洞风速精度控制方法及系统 |
-
2020
- 2020-11-06 CN CN202011233363.1A patent/CN112378619B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003075187A1 (en) * | 2002-03-02 | 2003-09-12 | Bl Systems Inc. | Apparatus and method for constructing data mining model using ensemble machines |
CN106909719A (zh) * | 2017-01-23 | 2017-06-30 | 大连大学 | 集成多元线性回归算法 |
CN107103123A (zh) * | 2017-04-06 | 2017-08-29 | 大连大学 | 基于Bagging‑FSE算法的风洞马赫数混合模型建模方法 |
CN109115446A (zh) * | 2018-08-01 | 2019-01-01 | 东北大学 | 基于跨声速风洞风速精度控制方法及系统 |
Non-Patent Citations (4)
Title |
---|
WANG XIAOJUN,ET AL.: "The Regression Learning of the Imbalanced and Big Data by the Online Mixture Model for the Mach Number Forecasting", 《IEEEACCESS》 * |
杜宁等: "NARMAX模型在风洞流场建模过程中的应用", 《兵工自动化》 * |
熊俊等: "基于优化FAEMD-OSELM的WSN流量预测算法研究", 《仪器仪表学报》 * |
王晓军: "基于大数据的风洞马赫数集成建模方法的研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283614A (zh) * | 2021-04-29 | 2021-08-20 | 东北财经大学 | 基于OcE的PM2.5浓度预测方法 |
CN113283614B (zh) * | 2021-04-29 | 2023-09-12 | 东北财经大学 | 基于OcE的PM2.5浓度预测方法 |
CN115097354A (zh) * | 2022-08-25 | 2022-09-23 | 北京智芯半导体科技有限公司 | 配电网故障线路确定方法、系统、电子设备及介质 |
CN115097354B (zh) * | 2022-08-25 | 2023-01-20 | 北京智芯半导体科技有限公司 | 配电网故障线路确定方法、系统、电子设备及介质 |
CN116735146A (zh) * | 2023-08-11 | 2023-09-12 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种建立气动力模型的风洞实验方法及系统 |
CN116735146B (zh) * | 2023-08-11 | 2023-10-13 | 中国空气动力研究与发展中心低速空气动力研究所 | 一种建立气动力模型的风洞实验方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112378619B (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112378619B (zh) | 具有ReMD-OSELM的FER-FSE在风洞试验冲压阶段总压实时建模中的应用 | |
Xiaoyun et al. | Short-term prediction of wind power based on deep long short-term memory | |
CN107992648B (zh) | 一种自适应rbf神经网络进行航空发动机推力估计算法 | |
CN108897286B (zh) | 一种基于分散式非线性动态关系模型的故障检测方法 | |
CN109242223B (zh) | 城市公共建筑火灾风险的量子支持向量机评估与预测方法 | |
WO2022247049A1 (zh) | 基于复数值前向神经网络的风速预测方法 | |
CN107122526B (zh) | 基于异态特征子集集成算法的试验段马赫数建模方法 | |
CN111178616B (zh) | 基于负相关学习和正则化极限学习机集成的风速预测方法 | |
Liu et al. | Data-driven transient stability assessment model considering network topology changes via mahalanobis kernel regression and ensemble learning | |
CN113887801A (zh) | 建筑冷负荷预测方法、系统、设备及可读存储介质 | |
CN108445867B (zh) | 一种基于分散式icr模型的非高斯过程监测方法 | |
CN112434848A (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN113777931B (zh) | 结冰翼型气动模型构造方法、装置、设备及介质 | |
CN114006370B (zh) | 一种电力系统暂态稳定分析评估方法及系统 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN109066651B (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
Li et al. | Application of ARIMA and LSTM in relative humidity prediction | |
CN115995810A (zh) | 一种考虑气象波动自适应匹配的风电功率预测方法及系统 | |
CN116106021A (zh) | 一种用于航空发动机性能数字孪生的精度提升方法 | |
CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
CN117332227A (zh) | 一种多时空尺度注意力机制的环境变量预测方法及设备 | |
CN115659844A (zh) | 基于风电场动态模型的仿真方法、装置和计算机设备 | |
CN114234392B (zh) | 一种基于改进pso-lstm的空调负荷精细预测方法 | |
CN115222098A (zh) | 一种基于分布式在线学习的短期电力负荷预测方法 | |
Li et al. | Data augment using deep convolutional generative adversarial networks for transient stability assessment of power systems |
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 |