CN112968736B - 基于自监督深度学习的端到端ofdm水下高速无线光通信系统及方法 - Google Patents
基于自监督深度学习的端到端ofdm水下高速无线光通信系统及方法 Download PDFInfo
- Publication number
- CN112968736B CN112968736B CN202110143882.7A CN202110143882A CN112968736B CN 112968736 B CN112968736 B CN 112968736B CN 202110143882 A CN202110143882 A CN 202110143882A CN 112968736 B CN112968736 B CN 112968736B
- Authority
- CN
- China
- Prior art keywords
- neural network
- deep neural
- layer
- ofdm
- receiving
- 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
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/80—Optical aspects relating to the use of optical transmission for specific applications, not provided for in groups H04B10/03 - H04B10/70, e.g. optical power feeding or optical transmission through water
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive 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
-
- 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
- G06N3/048—Activation functions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/50—Transmitters
- H04B10/501—Structural aspects
- H04B10/503—Laser transmitters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
- H04L27/2601—Multicarrier modulation systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (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)
- Electromagnetism (AREA)
- Optics & Photonics (AREA)
- Optical Communication System (AREA)
Abstract
本发明公开了一种基于自监督深度学习的端到端OFDM水下高速无线光通信系统及方法,其包括发送端和接收端,所述的发送端包括需要发送的发送帧、将二进制比特流数据映射成OFDM符号的发送端深度神经网络和实现水下长距离传输的激光光源,接收端包括接收激光的探测器、将接收到的OFDM符号恢复成二进制比特流数据的接收端深度神经网络和接收帧。本发明在无需重新训练网络的同时,利用自监督机制使得网络性能更贴近当前的实际环境,既提高了系统的普适性,也不需要附加多余的训练数据,进一步提高了通信系统在抵抗微小干扰时的鲁棒性。
Description
技术领域
本发明属于水下无线光通信技术领域,具体为一种基于自监督深度学习的端到端OFDM水下高速无线光通信系统及方法。
背景技术
水下无线光通信因其高速率、高带宽、低时延、低成本、易部署和高安全性等特点受到人们的广泛关注,并逐渐成为中短距离水下无线通信领域的研究热点之一。同时,正交频分复用(OFDM)技术常常被用于实现各类高速通信,其优秀的抗码间串扰(ISI)能力可以很好地用于解决通信系统中的信号时域延拓问题。将OFDM技术和水下无线光通信系统结合能实现更高速率的水下数据传输。但目前的OFDM技术所需要的调制/解调等数字信号处理过程繁杂,所蕴含的处理模块颇多,不适用于硬件端的简单部署和快速应用。同时OFDM技术自身还需要循环前缀和导频数据才能实现良好性能,而这些冗余数据的需求会进一步降低系统的传输速率。面对以上存在的问题,急需一种基于自监督深度学习技术的端到端OFDM水下高速无线光通信系统和方法。
发明内容
本发明的技术内容旨在提供一种基于自监督深度学习的端到端OFDM水下高速无线光通信系统及方法,解决现有水下OFDM无线光通信技术中存在的数字信号处理过程繁杂、所蕴含的处理模块颇多、硬件难以实现算法部署、重训练时间过长和鲁棒性差等问题。
为了解决上述技术问题,本发明通过以下技术方案实现:
本发明公开了一种基于自监督深度学习的端到端OFDM水下高速无线光通信系统,其包括发送端和接收端,所述的发送端包括需要发送的发送帧、将二进制比特流数据映射成OFDM符号的发送端深度神经网络和实现水下长距离传输的激光光源,接收端包括接收激光的探测器、将接收到的OFDM符号恢复成二进制比特流数据的接收端深度神经网络和接收帧。
优选地,所述发送端深度神经网络和接收端深度神经网络均分别包括输入层、隐含层和输出层,所述的输入层为单一全连接层,隐含层包括两个堆叠层,堆叠层由全连接层、激活函数、归一化层和丢失层组成,输出层由全连接层和激活函数构成。
优选地,所述的发送端深度神经网络中隐含层和输出层的激活函数为非线性效应的ReLU函数,接收端深度神经网络中隐含层的激活函数为非线性效应的ReLU函数,接收端深度神经网络中输出层的激活函数为Sigmoid函数;发送端深度神经网络和接收端深度神经网络的归一化层为BatchNormalization层,丢失层为Dropout层。
一种基于自监督深度学习的端到端OFDM水下高速无线光通信方法,其包括以下步骤,
步骤一,搭建基于深度学习的端到端OFDM水下无线光通信系统;将传统OFDM通信系统的收发端分别用发送端深度神经网络和接收端深度神经网络代替,发送端输入的原始二进制比特流通过发送端部署的深度神经网络直接输出所需的OFDM数据流;经过水下信道传输后,接收端探测到的OFDM数据流通过接收端部署的深度神经网络直接输出所需恢复的二进制比特流;
步骤二,对搭建好的端到端OFDM水下无线光通信系统进行离线静态训练;
步骤三,对离线静态训练后的端到端OFDM水下无线光通信系统进行在线部署并实施在线自监督实时反馈调节。在实际的使用过程中,本发明提出的通信系统会通过实施在线自监督实时反馈调节过程来实现深度神经网络参数对环境变化的自适应调整。发送端的深度神经网络无需再训练,因为其不受环境影响。接收端的深度神经网络在线部署后将舍弃离线训练时所需的监督学习机制,而采用自监督学习机制,从而实现实时微调网络参数。
优选地,所述的离线静态训练包括发送端的陆上训练和接收端的水下训练;
发送端的陆上训练具体步骤为:通过比较传统方法下生成的已知OFDM训练符号和通过发送端深度神经网络生成的OFDM符号的差异得到相应的损失函数,再利用梯度下降方法对深度神经网络进行参数更新,直至损失函数的值趋于零,则表示该深度神经网络已训练完毕,可以实施部署;
接收端的水下训练具体步骤为:接收端深度神经网络实现的是OFDM符号到二进制比特流的映射,此时的OFDM符号已经被水下信道干扰,所以接收端深度神经网络的训练需要将信道因素也一并考虑在内。将发送端和接收端固定于水面下并实现光学对准后,通过给发送端传输大量已知信号并转化为OFDM符号后,再经过水下信道传输;通过比较发送帧所包含的已知二进制比特流和通过深度神经网络映射后的接收帧中包含的二进制比特流的差异,得到相应的损失函数,再利用梯度下降方法实现深度神经网络参数的更新。
优选地,所述的接收端深度神经网络通过自监督学习机制实时微调网络参数,自监督学习是在深度神经网络输出介于0-1的数值后,通过增加判决模块,经判决得到的可能性最大的输出值被视为真实标签值,传入损失函数中进行深度神经网络的参数微调,其公式为:
本发明的有益效果:
1、本发明兼容目前所有的水下无线光通信系统,仅需将传统的数字信号处理过程替换为单个深度神经网络即可。
2、本发明采用深度学习技术取代传统数字信号处理技术,使得整个通信系统更为简易,计算难度更小,硬件部署更方便。同时传统技术多考虑各个模块独立的最优解问题,而用一个深度神经网络代替所有数字信号处理模块后,本质上考虑的是系统的最优解。
3、本发明无需引入传统方法所需的循环前缀和导频数据等冗余信号,使得通信系统的速率得以进一步提升。
4、本发明水下无线光信道干扰强,非线性影响因素多,深度学习技术比传统数字信号处理技术更为适合处理该种环境,能得到更好的系统性能。
5、本发明采用自监督反馈调节机制,能在系统实时通信的同时根据环境的变化微调深度神经网络的参数,无需重新训练网络的同时使得网络的性能更贴近当前的实际环境,既提高了系统的鲁棒性,也不需要任何多余的训练数据。
附图说明
图1为本发明的结构示意图;
图2为本发明中的深度神经网络的结构图;
图3为本发明中的离线静态训练过程图;
图4为本发明中的在线自监督实时反馈调节过程图。
具体实施方式
为进一步了解本发明的内容,结合实施例对本发明作详细描述,以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例1
如图1所示,本实施例涉及一种基于自监督深度学习的端到端OFDM水下高速无线光通信系统,其包括发送端和接收端,所述的发送端包括需要发送的发送帧、将二进制比特流数据映射成OFDM符号的发送端深度神经网络和实现水下长距离传输的激光光源,接收端包括接收激光的探测器、将接收到的OFDM符号恢复成二进制比特流数据的接收端深度神经网络和接收帧。整个通信系统处于水面以下,外部信息的传递可以通过伸出水面的天线或者电缆来实现。
如图2所示,所述发送端深度神经网络和接收端深度神经网络均分别包括典型的输入层、隐含层和输出层,所述的输入层为单一全连接层,隐含层包括两个堆叠层,堆叠层由全连接层、激活函数、归一化层和丢失层组成,输出层由全连接层和激活函数构成。
所述的发送端深度神经网络中隐含层和输出层的激活函数为非线性效应的ReLU函数,接收端深度神经网络中隐含层的激活函数为非线性效应的ReLU函数,接收端深度神经网络中输出层的激活函数为Sigmoid函数,使得深度神经网络的输出值介于0-1之间,再经过阈值判决得到所需的比特输出;发送端深度神经网络和接收端深度神经网络的归一化层为BatchNormalization层,使得训练深度神经网络的收敛速度提升,丢失层为Dropout层,可以进一步防止深度神经网络过拟合。上述的ReLU函数和Sigmoid函数的表达式如下:
fReLU(x)=max(0,x) (1)
实施例2
一种基于自监督深度学习的端到端OFDM水下高速无线光通信方法,其包括以下步骤,
步骤一,搭建基于深度学习的端到端OFDM水下无线光通信系统;将传统OFDM通信系统的收发端分别用发送端深度神经网络和接收端深度神经网络代替,发送端输入的原始二进制比特流通过发送端部署的深度神经网络直接输出所需的OFDM数据流;经过水下信道传输后,接收端探测到的OFDM数据流通过接收端部署的深度神经网络直接输出所需恢复的二进制比特流;
步骤二,对搭建好的端到端OFDM水下无线光通信系统进行离线静态训练;
步骤三,对离线静态训练后的端到端OFDM水下无线光通信系统进行在线部署并实施在线自监督实时反馈调节。在实际的使用过程中,本发明提出的通信系统会通过实施在线自监督实时反馈调节过程来实现深度神经网络参数对环境变化的自适应调整。发送端的深度神经网络无需再训练,因为其不受环境影响。接收端的深度神经网络在线部署后将舍弃离线训练时所需的监督学习机制,而采用自监督学习机制,从而实现实时微调网络参数。
优选地,所述的离线静态训练包括发送端的陆上训练和接收端的水下训练;
发送端的陆上训练具体步骤为:通过比较传统方法下生成的已知OFDM训练符号和通过发送端深度神经网络生成的OFDM符号的差异得到相应的损失函数,再利用梯度下降方法对深度神经网络进行参数更新,直至损失函数的值趋于零,则表示该深度神经网络已训练完毕,可以实施部署;
接收端的水下训练具体步骤为:接收端深度神经网络实现的是OFDM符号到二进制比特流的映射,此时的OFDM符号已经被水下信道干扰,所以接收端深度神经网络的训练需要将信道因素也一并考虑在内。将发送端和接收端固定于水面下并实现光学对准后,通过给发送端传输大量已知信号并转化为OFDM符号后,再经过水下信道传输;通过比较发送帧所包含的已知二进制比特流和通过深度神经网络映射后的接收帧中包含的二进制比特流的差异,得到相应的损失函数,再利用梯度下降方法实现深度神经网络参数的更新。
所述的梯度下降方法采用Adam,损失函数使用交叉熵函数,其公式为:
所述的接收端深度神经网络通过自监督学习机制实时微调网络参数,自监督学习是在深度神经网络输出介于0-1的数值后,通过增加判决模块,经判决得到的可能性最大的输出值被视为真实标签值,传入损失函数中进行深度神经网络的参数微调,其公式为:
与离线静态训练唯一不同的是,在线自监督训练无已知的真实值作为参考标签,而是使用判决后的值进行损失函数的再计算。这样有利于快速更新深度神经网络的参数而无需占用专门的训练数据进行网络训练。在面对环境改变时的微小干扰(诸如湍流、气泡和温差等),其鲁棒性更强。
上述虽然对本发明的具体实施例作了详细说明,但是本发明并不限于上述实施例,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化,而不具备创造性劳动的修改或变形仍在本发明的保护范围以内。
Claims (5)
1.一种基于自监督深度学习的端到端OFDM水下高速无线光通信方法,其特征在于,其包括以下步骤,
步骤一,搭建基于深度学习的端到端OFDM水下无线光通信系统;
步骤二,对搭建好的端到端OFDM水下无线光通信系统进行离线静态训练;
步骤三,对离线静态训练后的端到端OFDM水下无线光通信系统进行在线部署并实施在线自监督实时反馈调节;
所述的离线静态训练包括发送端的陆上训练和接收端的水下训练;
发送端的陆上训练具体步骤为:通过比较传统方法下生成的已知OFDM训练符号和通过发送端深度神经网络生成的OFDM符号的差异得到相应的损失函数,再利用梯度下降方法对深度神经网络进行参数更新,直至损失函数的值趋于零;
接收端的水下训练具体步骤为:将发送端和接收端固定于水面下并实现光学对准后,通过给发送端传输大量已知信号并转化为OFDM符号后,再经过水下信道传输;通过比较发送帧所包含的已知二进制比特流和通过接收端深度神经网络映射后接收帧中包含的二进制比特流的差异,得到相应的损失函数,再利用梯度下降方法实现深度神经网络参数的更新;
所述的接收端深度神经网络通过自监督学习机制实时微调网络参数,自监督学习是在深度神经网络输出介于0-1的数值后,通过增加判决模块,经判决得到的可能性最大的输出值被视为真实标签值,传入损失函数中进行深度神经网络的参数微调,其公式为:
3.一种基于自监督深度学习的端到端OFDM水下高速无线光通信系统,所述的通信系统应用于权利要求1或2中的通信方法,其特征在于,其包括发送端和接收端,所述的发送端包括需要发送的发送帧、将二进制比特流数据映射成OFDM符号的发送端深度神经网络和实现水下长距离传输的激光光源,接收端包括接收激光的探测器、将接收到的OFDM符号恢复成二进制比特流数据的接收端深度神经网络和接收帧。
4.根据权利要求3所述的基于自监督深度学习的端到端OFDM水下高速无线光通信系统,其特征在于,所述发送端深度神经网络和接收端深度神经网络均分别包括输入层、隐含层和输出层,所述的输入层为单一全连接层,隐含层包括两个堆叠层,堆叠层由全连接层、激活函数、归一化层和丢失层组成,输出层由全连接层和激活函数构成。
5.根据权利要求3所述的基于自监督深度学习的端到端OFDM水下高速无线光通信系统,其特征在于,所述的发送端深度神经网络中隐含层和输出层的激活函数为非线性效应的ReLU函数,接收端深度神经网络中隐含层的激活函数为非线性效应的ReLU函数,接收端深度神经网络中输出层的激活函数为Sigmoid函数;发送端深度神经网络和接收端深度神经网络的归一化层为Batch Normalization层,丢失层为Dropout层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110143882.7A CN112968736B (zh) | 2021-02-02 | 2021-02-02 | 基于自监督深度学习的端到端ofdm水下高速无线光通信系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110143882.7A CN112968736B (zh) | 2021-02-02 | 2021-02-02 | 基于自监督深度学习的端到端ofdm水下高速无线光通信系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112968736A CN112968736A (zh) | 2021-06-15 |
CN112968736B true CN112968736B (zh) | 2022-08-02 |
Family
ID=76271918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110143882.7A Active CN112968736B (zh) | 2021-02-02 | 2021-02-02 | 基于自监督深度学习的端到端ofdm水下高速无线光通信系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112968736B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4359997A1 (en) * | 2021-06-21 | 2024-05-01 | InterDigital Patent Holdings, Inc. | Methods, procedures, appartuses and systems for data-driven wireless transmit/receive unit specific symbol modulation |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111245754A (zh) * | 2020-01-03 | 2020-06-05 | 西安交通大学 | 一种基于深度学习的自适应空域均衡方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN206099996U (zh) * | 2016-07-15 | 2017-04-12 | 深圳光启高等理工研究院 | 无线光通信系统及无线光通信网络系统 |
CN109474352B (zh) * | 2018-12-24 | 2021-07-06 | 三亚哈尔滨工程大学南海创新发展基地 | 一种基于深度学习的水声正交频分复用通信方法 |
CN109921822A (zh) * | 2019-02-19 | 2019-06-21 | 哈尔滨工程大学 | 基于深度学习的非线性数字自干扰消除的方法 |
CN110311876A (zh) * | 2019-06-06 | 2019-10-08 | 天津大学 | 基于深度神经网络的水声正交频分复用接收机的实现方法 |
US11487973B2 (en) * | 2019-07-19 | 2022-11-01 | UiPath, Inc. | Retraining a computer vision model for robotic process automation |
CN110958204A (zh) * | 2019-11-09 | 2020-04-03 | 天津大学 | 非对称复数深度神经网络的非正交多载波水下通信系统 |
CN112291019A (zh) * | 2020-12-31 | 2021-01-29 | 鹏城实验室 | 水下无线光通信方法及系统 |
-
2021
- 2021-02-02 CN CN202110143882.7A patent/CN112968736B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111245754A (zh) * | 2020-01-03 | 2020-06-05 | 西安交通大学 | 一种基于深度学习的自适应空域均衡方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112968736A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109067688B (zh) | 一种数据模型双驱动的ofdm接收方法 | |
Lu et al. | Nonlinear compensation of multi-CAP VLC system employing clustering algorithm based perception decision | |
CN1201537C (zh) | 在数字通信通路上进行自适应信道均衡的训练阶段的方法和装置 | |
CN110212981B (zh) | 一种混合单载波和多载波调制的可见光通信传输方法 | |
CN1123978A (zh) | 用于数据通信设备的混合式均衡装置 | |
CN109818889B (zh) | 用于高阶pam光传输系统中的svm分类器优化的均衡算法 | |
CN112637094A (zh) | 一种基于模型驱动深度学习的多用户mimo接收方法 | |
CN112968736B (zh) | 基于自监督深度学习的端到端ofdm水下高速无线光通信系统及方法 | |
CN109905170A (zh) | 一种基于k-dnn的非线性失真补偿算法及可见光通信装置 | |
Chi et al. | Challenges and prospects of machine learning in visible light communication | |
CN110659684A (zh) | 一种基于卷积神经网络stbc信号识别方法 | |
KR101979394B1 (ko) | Mimo-ofdm 시스템 기반의 머신 러닝 모델을 이용한 적응적 전송 기법 결정 장치 및 그것을 이용한 적응적 전송 방법 | |
CN111313971B (zh) | 一种用于IMDD短距离光通信系统改进的Lightgbm均衡系统及方法 | |
CN112865866A (zh) | 基于gsn的可见光pam系统非线性补偿方法 | |
Li et al. | Enhanced performance of a phosphorescent white LED CAP 64QAM VLC system utilizing deep neural network (DNN) post equalization | |
CN114844749B (zh) | 基于神经网络的光纤信道估计方法 | |
Shi et al. | Enhanced performance of PAM7 MISO underwater VLC system utilizing machine learning algorithm based on DBSCAN | |
CN110958204A (zh) | 非对称复数深度神经网络的非正交多载波水下通信系统 | |
Ye et al. | Bilinear convolutional auto-encoder based pilot-free end-to-end communication systems | |
CN111988249B (zh) | 一种基于自适应神经网络的接收端均衡方法及接收端 | |
Wong et al. | Deep Learning for Channel Estimation and Signal Detection in OFDM-Based Communication Systems | |
Cai et al. | Nonlinear compensation based on bidirectional gate recurrent unit in underwater visible light communication system | |
CN104579574B (zh) | 应用于高速背板芯片间电互连系统的网格编码调制方法 | |
Xi et al. | Simplified SVM equalization algorithm based on single hyperplane training enabled 50Gb/s PAM-4/8 with 10-G optics in NG-PON system | |
Ridzuan et al. | A carrierless amplitude phase (CAP) modulation format: Perspective and prospect in optical transmission system |
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 |