CN112910520A - 一种基于卷积神经网络的mimo系统波束训练方法 - Google Patents
一种基于卷积神经网络的mimo系统波束训练方法 Download PDFInfo
- Publication number
- CN112910520A CN112910520A CN202110149786.3A CN202110149786A CN112910520A CN 112910520 A CN112910520 A CN 112910520A CN 202110149786 A CN202110149786 A CN 202110149786A CN 112910520 A CN112910520 A CN 112910520A
- Authority
- CN
- China
- Prior art keywords
- layer
- convolutional neural
- neural network
- network
- mimo system
- 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.)
- Pending
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
- H04B7/0413—MIMO 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
-
- 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
-
- 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
- H04B7/0413—MIMO systems
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radio Transmission System (AREA)
Abstract
本发明提供了一种基于卷积神经网络的MIMO系统波束训练方法,具体包括以下步骤:所述MIMO系统获取基站到用户终端之间的信道状态信息所述MIMO系统获得码本D,并利用穷举方式产生数据集对所述卷积神经网络进行训练从而得到具有最优权重参数的网络,将信道状态信息H和码本D作为网络的输入,利用训练好的所述卷积神经网络得到输出,完成模拟预编码F的设计;开始传输数据信息,发送信号首先经过基带处理模块及数模转换模块,然后经过射频链路,接着一个模拟预编码器F,之后NBS根天线同时将信号馈送到无线信道,接收端用户对接收到的信号进行处理并恢复出原始信号,本发明基于卷积神经网络的MIMO系统波束训练方法最终能够实现以较低的复杂度获得较高的频谱效率。
Description
技术领域
本发明涉及一种波束训练方法,尤其涉及一种基于卷积神经网络的MIMO系统波束训练方法。
背景技术
大规模多输入多输出(Massive MIMO)系统通过为基站配置大规模天线阵列,可深度发掘空间自由度,使其能够利用同一时频资源服务于多个用户,被看作是第5代移动通信(5G)最主要的物理层关键技术之一,对于Massive MIMO系统而言,由于能量消耗与系统成本的限制,预编码设计显得尤为重要,在传统MIMO系统中,由于天线数较少,配置与天线相同数量的射频(RF)链路不会带来很高的实现复杂度、能耗和成本,因此通常采用全数字技术在基带对信号进行预处理,以便消除信号间的干扰,但是Massive MIMO系统的天线数目很多,若配备与天线相同数量的RF链路,则会产生高额的费用与功耗,因此全数字技术并不适用。
众所周知,模拟预编码利用模拟移相器来控制信号的相位,不需要系统配备与天线相同数目的RF链路,具有实现成本低、能量消耗小等优势,但其性能劣于数字技术。因此为了在经济、开销以及复杂度之间寻求平衡,很多学者提出了混合预编码技术,即在Massive MIMO系统中综合利用基带的数字预编码与射频的模拟预编码,其中数字技术用于保证传输的性能,而模拟技术用来降低收发机的总能耗和复杂度。
考虑MIMO下行链路传输,基站作为发送端配备天线阵列,假定具有NBS根发射天线和MBS个RF链路(通常情况下RF链路包括数模转换、混频器、功率放大器等),接收端有一个用户,每个用户终端配备NMS根接收天线以及相同数量的RF链路,用户待传输的数据流数为NS。为了保证通信的有效性,要求RF链路数目不少于数据流数,天线数目不少于RF链路数,即在基站端必须满足NS≤MBS≤NBS,在接收端满足NS≤NMS。
根据上述模型,发送信号首先经过基带处理,然后经过射频链路,接着一个模拟预编码器F,其中,模拟预编码器由模拟移相器网络实现,值得注意的是,模拟预编码器F只可以改变信号的相位,不能改变信号的幅度,由于模拟预编码矩阵F受到恒定模值的限制,故把模拟预编码器矩阵F中的元素进行归一化,使其模值满足其中F(i,j)代表矩阵F的第i行第j列个元素,同时,为了满足发射功率约束,必须有
假设信道模型为窄带平坦衰落信道,那么用户的接收信号可表示为:y=HFs+n;其中s代表基站发射符号矢量,且发射符号矢量满足其中P代表总发射功率,代表单位矩阵;H表示从基站到用户终端的NMS×NBS维信道矩阵;n代表NMS×1维的加性高斯噪声,它服从独立同分布的均值为0,方差为σ2的复高斯分布;若将模拟预编码器与实际信道合在一起定义为基带等效信道,有:那么,用户的接收信号y可以重新表示为:频谱效率可以表示为:
为了解决上述现有方法技术的不足,现提供一种基于卷积神经网络的MIMO系统波束训练方法。
发明内容
基于现有技术的不足,本发明提供一种基于卷积神经网络的MIMO系统波束训练方法,其具体包括以下步骤:
步骤二、所述MIMO系统获得码本D,并利用穷举方式产生数据集对所述卷积神经网络进行训练从而得到具有最优权重参数的网络,将信道状态信息H和码本D作为网络的输入,利用训练好的所述卷积神经网络得到输出,即得到最优码字序号,完成模拟预编码F的设计;
步骤三、开始传输数据信息,发送信号首先经过基带处理模块及数模转换模块,然后经过射频链路,接着一个模拟预编码器F,之后NBS根天线同时将信号馈送到无线信道;接收端用户对接收到的信号进行处理并恢复出原始信号。
作为本发明基于卷积神经网络的MIMO系统波束训练方法及方法的改进,本发明基于卷积神经网络的MIMO系统波束训练方法的所述卷积神经网络算法依次包括输入层、隐含层和输出层,所述隐含层包括三层,分别为隐含层第一层网络、隐含层第二层网络和隐含层第三层网络。
作为本发明基于卷积神经网络的MIMO系统波束训练方法及方法的改进,本发明基于卷积神经网络的MIMO系统波束训练方法的所述隐含层第一层网络包括第一卷积层、第一规范化层、第一整流线性单元层和第一最大池化层,所述隐含层第二层网络包括第二卷积层、第二规范化层、第二整流线性单元层和第二最大池化层,所述隐含层第三层网络包括第三卷积层、第三规范化层、第三整流线性单元层和全连接层。
作为本发明基于卷积神经网络的MIMO系统波束训练方法及方法的改进,本发明基于卷积神经网络的MIMO系统波束训练方法的所述步骤二中利用穷举方式产生数据集对所述卷积神经网络进行训练从而得到具有最优权重参数的网络,其具体的训练过程包括:信道矩阵H和码本D作为卷积神经网络训练数据的输入xtrain,理想的穷举训练方式产生的最优码字序号作为标签,也就是训练数据的正确输出ytrain,然后将xtrain和ytrain作为训练数据集,通过不断的迭代,训练卷积神经网络,最终得到具有最优权重参数的网络,完成卷积神经网络的训练。
作为本发明基于卷积神经网络的MIMO系统波束训练方法及方法的改进,本发明基于卷积神经网络的MIMO系统波束训练方法的所述模拟预编码器的设计包括两步,第一步为先得到训练好的卷积神经网络,第二步为再得到最优码字序号设计模拟预编码器,最优码字以获得最大频谱效率为目标。
作为本发明基于卷积神经网络的MIMO系统波束训练方法及方法的改进,本发明基于卷积神经网络的MIMO系统波束训练方法的第一步为先得到训练好的卷积神经网络,是通过穷举波束训练得到训练集,对卷积神经网络进行训练,得到具有最优权重参数的网络,用训练好的卷积神经网络得到最优码字序号令:其中,代表模拟预编码矩阵F第i行第j列元素的相位;且由于所述模拟预编码器是由模拟移相器网络实现,因此矩阵F受到恒定模值的限制,满足
与现有技术相比较,本发明基于卷积神经网络的MIMO系统波束训练方法具有以下有益效果:通过训练好的卷积神经网络得到最优码字,完成模拟预编码器F的设计,实现获得最大的频谱效率,并降低发信机的总能耗和复杂度的目标;理想的穷举训练方案总能耗和复杂度高,经典的分层训练方案频谱效率较低误码率较高,而本发明在系统配备相同数量的天线和射频链路时的性能与理想的穷举训练方案相比几乎没有性能损失;最终能够实现以较低的复杂度获得较高的频谱效率。
附图说明
图1为本发明基于卷积神经网络的MIMO系统波束训练方法优选实施例的流程图。
图2为本发明基于卷积神经网络的MIMO系统波束训练方法优选实施例的所述卷积神经网络的结构示意图。
图3为本发明基于卷积神经网络的MIMO系统波束训练方法优选实施例的波束训练方案与穷举波束训练方案和分层波束训练方案频谱效率性能的对比示意图。
图4为本发明基于卷积神经网络的MIMO系统波束训练方法优选实施例的波束训练方案与穷举波束训练方案和分层波束训练方案误码率性能的对比示意图。
具体实施方式
本发明基于卷积神经网络的MIMO系统波束训练方法主要适用于训练波束。
参考图1、图2、图3和图4,下文将详细描述本发明基于卷积神经网络的MIMO系统波束训练方法。
如图1所示,本实施例中的一种基于卷积神经网络的MIMO系统波束训练方法,具体包括以下步骤:
步骤二、所述MIMO系统获得码本D,并利用穷举方式产生数据集对所述卷积神经网络进行训练从而得到具有最优权重参数的网络,将信道状态信息H和码本D作为网络的输入,利用训练好的所述卷积神经网络得到输出,即得到最优码字序号,完成模拟预编码F的设计;
步骤三、开始传输数据信息,发送信号首先经过基带处理模块及数模转换模块,然后经过射频链路,接着一个模拟预编码器F,之后NBS根天线同时将信号馈送到无线信道;接收端用户对接收到的信号进行处理并恢复出原始信号。
其中所述步骤二中利用穷举方式产生数据集对所述卷积神经网络进行训练从而得到具有最优权重参数的网络,其具体的训练过程包括:信道矩阵和码本作为卷积神经网络训练数据的输入xtrain,理想的穷举训练方式产生的最优码字序号作为标签,也就是训练数据的正确输出ytrain,然后将xtrain和ytrain作为训练数据集,通过不断的迭代,训练卷积神经网络,最终得到具有最优权重参数的网络,完成卷积神经网络的训练。
如图2所示,在本实施例中,本发明基于卷积神经网络的MIMO系统波束训练方法的所述卷积神经网络算法依次包括输入层、隐含层和输出层,所述隐含层包括三层,分别为隐含层第一层网络、隐含层第二层网络和隐含层第三层网络,所述隐含层第一层网络包括第一卷积层、第一规范化层、第一整流线性单元层和第一最大池化层,所述隐含层第二层网络包括第二卷积层、第二规范化层、第二整流线性单元层和第二最大池化层,所述隐含层第三层网络包括第三卷积层、第三规范化层、第三整流线性单元层和全连接层。
在本实施例中,本发明基于卷积神经网络的MIMO系统波束训练方法的方案设计问题建模为:
将模拟预编码器的设计分为两步实现,即先得到训练好的卷积神经网络,再得到最优码字序号设计模拟预编码器,最优码字以获得最大频谱效率为目标。
由于模拟预编码器只能改变信号的相位,因此本发明采用一种基于卷积神经网络的MIMO系统波束训练来设计模拟预编码来获得大的频谱效率。
下面结合仿真对本发明的应用效果作详细的描述。
通过MATLAB仿真来验证所述波束训练方案的有效性,采用DFT结构的码本和几何的Saleh-Valenzuela窄带群簇信道模型,设定信道群簇数为3,每一簇内的子径数为1,到达角和离开角服从[0,2π]上的均匀分布,基站配备32根发送天线和1条RF链路,移动台侧共有1个用户,每个用户终端配备1根接收天线和1条RF链路;如图3和图4所示,在配备相同数量的天线和RF链路的前提下,本发明所述波束训练方案的性能接近于理想的穷举训练方案,优于经典的分层波束训练方案,若综合考虑复杂度因素,所述波束训练方案不仅实现复杂度较低,且频谱效率高。
与现有技术相比较,本发明基于卷积神经网络的MIMO系统波束训练方法及方法具有以下有益效果:通过训练好的卷积神经网络得到最优码字,完成模拟预编码器F的设计,实现获得最大的频谱效率,并降低发信机的总能耗和复杂度的目标;理想的穷举训练方案总能耗和复杂度高,经典的分层训练方案频谱效率较低误码率较高,而本发明在系统配备相同数量的天线和射频链路时的性能与理想的穷举训练方案相比几乎没有性能损失;最终能够实现以较低的复杂度获得较高的频谱效率。
以上所揭露的仅为本发明的较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明申请专利范围所作的等同变化,仍属本发明所涵盖的范围。
Claims (6)
1.一种基于卷积神经网络的MIMO系统波束训练方法,其特征在于,具体包括以下步骤:
步骤二、所述MIMO系统获得码本D,并利用穷举方式产生数据集对所述卷积神经网络进行训练从而得到具有最优权重参数的网络,将信道状态信息H和码本D作为网络的输入,利用训练好的所述卷积神经网络得到输出,即得到最优码字序号,完成模拟预编码F的设计;
2.根据权利要求1所述基于卷积神经网络的MIMO系统波束训练方法,其特征在于,所述卷积神经网络算法依次包括输入层、隐含层和输出层,所述隐含层包括三层,分别为隐含层第一层网络、隐含层第二层网络和隐含层第三层网络。
3.根据权利要求2所述基于卷积神经网络的MIMO系统波束训练方法,其特征在于,所述隐含层第一层网络包括第一卷积层、第一规范化层、第一整流线性单元层和第一最大池化层,所述隐含层第二层网络包括第二卷积层、第二规范化层、第二整流线性单元层和第二最大池化层,所述隐含层第三层网络包括第三卷积层、第三规范化层、第三整流线性单元层和全连接层。
4.根据权利要求1或3所述基于卷积神经网络的MIMO系统波束训练方法,其特征在于,所述步骤二中利用穷举方式产生数据集对所述卷积神经网络进行训练从而得到具有最优权重参数的网络,其具体的训练过程包括:信道矩阵H和码本D作为卷积神经网络训练数据的输入xtrain,理想的穷举训练方式产生的最优码字序号作为标签,也就是训练数据的正确输出ytrain,然后将xtrain和ytrain作为训练数据集,通过不断的迭代,训练卷积神经网络,最终得到具有最优权重参数的网络,完成卷积神经网络的训练。
5.根据权利要求4所述基于卷积神经网络的MIMO系统波束训练方法,其特征在于,所述模拟预编码器的设计包括两步,第一步为先得到训练好的卷积神经网络,第二步为再得到最优码字序号设计模拟预编码器,最优码字以获得最大频谱效率为目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110149786.3A CN112910520A (zh) | 2021-02-03 | 2021-02-03 | 一种基于卷积神经网络的mimo系统波束训练方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110149786.3A CN112910520A (zh) | 2021-02-03 | 2021-02-03 | 一种基于卷积神经网络的mimo系统波束训练方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112910520A true CN112910520A (zh) | 2021-06-04 |
Family
ID=76121864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110149786.3A Pending CN112910520A (zh) | 2021-02-03 | 2021-02-03 | 一种基于卷积神经网络的mimo系统波束训练方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112910520A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114499605A (zh) * | 2022-02-25 | 2022-05-13 | 北京京东方传感技术有限公司 | 信号传输方法、装置、电子设备、存储介质 |
CN115102592A (zh) * | 2022-06-22 | 2022-09-23 | 电子科技大学 | 一种基于联邦学习的多用户mimo波束成形方法 |
WO2022257157A1 (en) * | 2021-06-12 | 2022-12-15 | Huawei Technologies Co.,Ltd. | Artificial intelligence-enabled link adaptation |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107359921A (zh) * | 2017-08-04 | 2017-11-17 | 西安科技大学 | 大规模mimo系统基于标准正交化的混合预编码方法 |
CN110557177A (zh) * | 2019-09-05 | 2019-12-10 | 重庆邮电大学 | 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法 |
CN111092641A (zh) * | 2019-12-18 | 2020-05-01 | 重庆邮电大学 | 基于毫米波mimo系统深度学习的混合预编码设计方法 |
CN111917444A (zh) * | 2020-08-11 | 2020-11-10 | 西安科技大学 | 一种适用于毫米波mimo-noma系统的资源分配方法 |
CN112073106A (zh) * | 2020-08-14 | 2020-12-11 | 清华大学 | 毫米波波束预测方法及装置、电子设备、可读存储介质 |
-
2021
- 2021-02-03 CN CN202110149786.3A patent/CN112910520A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107359921A (zh) * | 2017-08-04 | 2017-11-17 | 西安科技大学 | 大规模mimo系统基于标准正交化的混合预编码方法 |
CN110557177A (zh) * | 2019-09-05 | 2019-12-10 | 重庆邮电大学 | 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法 |
CN111092641A (zh) * | 2019-12-18 | 2020-05-01 | 重庆邮电大学 | 基于毫米波mimo系统深度学习的混合预编码设计方法 |
CN111917444A (zh) * | 2020-08-11 | 2020-11-10 | 西安科技大学 | 一种适用于毫米波mimo-noma系统的资源分配方法 |
CN112073106A (zh) * | 2020-08-14 | 2020-12-11 | 清华大学 | 毫米波波束预测方法及装置、电子设备、可读存储介质 |
Non-Patent Citations (3)
Title |
---|
AHMET M. ELBIR 等: "Hybrid Precoding for Multiuser Millimeter Wave Massive MIMO Systems: A Deep Learning Approach", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
AHMET M. ELBIR 等: "Robust Hybrid Beamforming With Quantized Deep Neural Networks", 《2019 IEEE 29TH INTERNATIONAL WORKSHOP ON MACHINE LEARNING FOR SIGNAL PROCESSING (MLSP)》 * |
AHMET M. ELBIR: "Low-Complexity Limited-Feedback Deep Hybrid Beamforming for Broadband Massive MIMO", 《2020 IEEE 21ST INTERNATIONAL WORKSHOP ON SIGNAL PROCESSING ADVANCES IN WIRELESS COMMUNICATIONS (SPAWC)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022257157A1 (en) * | 2021-06-12 | 2022-12-15 | Huawei Technologies Co.,Ltd. | Artificial intelligence-enabled link adaptation |
CN114499605A (zh) * | 2022-02-25 | 2022-05-13 | 北京京东方传感技术有限公司 | 信号传输方法、装置、电子设备、存储介质 |
CN115102592A (zh) * | 2022-06-22 | 2022-09-23 | 电子科技大学 | 一种基于联邦学习的多用户mimo波束成形方法 |
CN115102592B (zh) * | 2022-06-22 | 2023-10-03 | 电子科技大学 | 一种基于联邦学习的多用户mimo波束成形方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107359921B (zh) | 大规模mimo系统基于标准正交化的混合预编码方法 | |
CN112910520A (zh) | 一种基于卷积神经网络的mimo系统波束训练方法 | |
CN107332598B (zh) | 一种基于深度学习的mimo系统联合预编码和天线选择方法 | |
CN110557177A (zh) | 毫米波大规模MIMO系统中基于DenseNet的混合预编码方法 | |
CN1790943B (zh) | 在通信系统内传送信息的方法和系统 | |
CN105429686B (zh) | 分离型非对称混合波束成型的传输装置及方法 | |
CN110048752B (zh) | 毫米波大规模mimo中的一种混合预编码方法 | |
CN108736943B (zh) | 一种适用于大规模mimo系统的混合预编码方法 | |
CN109617584A (zh) | 一种基于深度学习的mimo系统波束成形矩阵设计方法 | |
CN102130708B (zh) | 多小区信道状态信息的反馈方法和用户设备 | |
CN104617996B (zh) | 大规模mimo系统中最大化最小信噪比的预编码设计方法 | |
CN111371482B (zh) | 基于波束聚合的下行广播链路的毫米波mimo-noma方法 | |
CN110138427B (zh) | 基于部分连接的大规模多输入多输出混合波束赋形算法 | |
CN104601209A (zh) | 一种适用于3d-mimo系统的协作多点传输方法 | |
CN107086886A (zh) | 大规模mimo系统融合迫零与泰勒级数展开的双层预编码设计 | |
CN104601257B (zh) | 一种时分双工通信模式下多天线系统的互易性校准方法 | |
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 | |
CN110943768A (zh) | 一种毫米波大规模mimo系统的混合预编码码本联合设计方法 | |
CN113242071A (zh) | 基于集成深度学习的协作波束成形方法 | |
CN105721029A (zh) | 3d mu-mimo fdd系统中基于双码本有限反馈的多用户调度方法 | |
Samanta et al. | Codebook adaptation for quantized MIMO beamforming systems | |
CN106301496A (zh) | 基于天线选择和预编码的空间调制系统 | |
CN110881010A (zh) | 统计csi辅助的多用户noma下行传输方法 | |
CN107659348B (zh) | 一种基于slnr和thp混合自适应预编码设计方法 | |
CN116405077A (zh) | 一种基于深度学习的大规模mimo混合波束赋形方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210604 |
|
RJ01 | Rejection of invention patent application after publication |