CN113359158B - 一种基于svm的gnss生成式欺骗干扰检测方法 - Google Patents

一种基于svm的gnss生成式欺骗干扰检测方法 Download PDF

Info

Publication number
CN113359158B
CN113359158B CN202110658871.2A CN202110658871A CN113359158B CN 113359158 B CN113359158 B CN 113359158B CN 202110658871 A CN202110658871 A CN 202110658871A CN 113359158 B CN113359158 B CN 113359158B
Authority
CN
China
Prior art keywords
improved
kernel
svm
variance
moving
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
Application number
CN202110658871.2A
Other languages
English (en)
Other versions
CN113359158A (zh
Inventor
祝雪芬
徐杰
杨帆
汤新华
陈熙源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202110658871.2A priority Critical patent/CN113359158B/zh
Publication of CN113359158A publication Critical patent/CN113359158A/zh
Application granted granted Critical
Publication of CN113359158B publication Critical patent/CN113359158B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/21—Interference related issues ; Issues related to cross-correlation, spoofing or other methods of denial of service
    • G01S19/215—Interference related issues ; Issues related to cross-correlation, spoofing or other methods of denial of service issues related to spoofing
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/35—Constructional details or hardware or software details of the signal processing chain
    • G01S19/37—Hardware or software details of the signal processing chain

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明公开了一种基于SVM的GNSS生成式欺骗干扰检测方法。所述SVM的生成式欺骗检测方法是：首先，接收机实现跟踪GNSS信号，再计算跟踪环路中输入信号的复相关函数，根据接收机输出的原始值提取用于检测的特征值，再对数据进行预处理；接着，对数据进行离线学习，将样本分为训练样本集和测试样本集，将训练样本集放入SVM模型中进行学习，得到学习完成的模型；最后将测试样本放入训练完成的SVM模型，对测试样本进行自动分类；当新的特征向量进入分类模型时，模型将自动判断是否存在生成式欺骗干扰信号。所述方法能够快速自动地判断是否存在生成式欺骗干扰信号，准确率和效率高。

Description

一种基于SVM的GNSS生成式欺骗干扰检测方法
技术领域
本发明涉及GNSS卫星信号领域，特别是涉及一种基于SVM的GNSS生成式欺骗干扰检测方法。
背景技术
全球卫星导航系统(GNSS)的民用系统因信号结构公开致使其很容易受到欺骗干扰，十分脆弱。欺骗式干扰对GNSS服务的安全性构成了巨大的威胁。因此，为了使导航系统避免受到欺骗式干扰的安全威胁，欺骗式干扰信号的检测对导航系统正常运行、安全使用具有重大的意义。
传统的检测方法受到模型限制或者需要额外的硬件设备，且检测系统复杂、检测参数单一，不能准确地反映卫星信号中的欺骗成分。
发明内容
为了解决上述问题，本发明提供一种基于SVM的GNSS生成式欺骗干扰检测方法，所述方法结合六种SVM核函数模型，将信号样本随机抽取70％作为训练样本、随机抽取30％作为测试样本，将样本放入构造的不同核函数下的SVM模型进行训练和测试，评价准确率、精确率、召回率、F1 score四个性能指标。
本发明提供一种基于SVM的GNSS生成式欺骗干扰检测方法，具体步骤如下：
(1)对GNSS中频信号进行预处理，得到用于作为神经网络输入量的特征向量，特征向量包括改进Ratio移动均值、改进Ratio移动方差、改进Delta移动均值、改进Delta移动方差、早晚码相位差、载噪比移动方差和接收机钟差变化率；
步骤(1)具体包括：
(1.1)对GNSS中频信号进行预处理，输入原始中频信号；
(1.2)计算得到改进Ratio移动均值、改进Ratio移动方差；
其中，改进Ratio移动均值、改进Ratio移动方差的表达式为：
Figure GDA0003497422880000011
Figure GDA0003497422880000021
式中，RatioMA、RatioMV分别指的是改进Ratio移动均值和改进Ratio移动方差，Rd，improved(i)为数据中第i个数据样本的值，w为MA滑动窗口的长度，k为滑动区间，n为滑动窗口的总数，Rd，improved(i)的表达式为：
Figure GDA0003497422880000022
Figure GDA0003497422880000023
Figure GDA0003497422880000024
Figure GDA0003497422880000025
其中，Ie，d(n)、Il，d(n)和Ip(n)分别式第n个相干积分内相关器同相支路的超前、滞后和即时输出，Qe，d(n)、Ql，d(n)和Qp(n)分别为在第n个相干积分内相关器正交支路的超前、滞后和即时输出；
(1.3)计算得到改进Delta移动均值、改进Delta移动方差；
其中，改进Delta移动均值、改进Delta移动方差的表达式为：
Figure GDA0003497422880000026
Figure GDA0003497422880000027
式中，DeltaMA、DeltaMV分别指的是改进Delta移动均值、改进Delta移动方差，Δd，improved(i)的表达式为：
Figure GDA0003497422880000028
(1.4)计算得到早晚码相位差ELP；
Figure GDA0003497422880000029
其中，Ie(n)、Qe(n)、Il(n)和Ql(n)分别为在第n个相干积分内I/Q支路相关器的超前、滞后输出；
(1.5)计算获得载噪比移动方差C/N0(i)MV；
Figure GDA0003497422880000031
(1.6)计算获得接收机钟差变化率；
Figure GDA0003497422880000032
(1.7)将上述改进Ratio移动均值、改进Ratio移动方差、改进Delta移动均值、改进Delta移动方差、早晚码相位差、载噪比移动方差和接收机钟差变化率作为特征向量x，样本特征向量即为：
Figure GDA0003497422880000033
(1.8)对数据的预处理还包括缺失值处理、偏差计算、取观测到的所有卫星特征值的均值、数据标准化和主成分分析；
(2)构造不同核函数下的SVM模型，将GNSS信号样本随机抽取70％的数据用于训练，30％的数据用于测试；
(3)通过测试后，模型可以用于检测欺骗干扰是否发生。
作为本发明进一步改进，步骤(2)具体包括：
(2.1)构造六个不同核函数下的SVM模型；
核函数定义为对于所有数据点需满足：
K(zi,zj)＝<φ(zi),φ(zj)＞
其中，zi和zj为两个不同的支持向量，K(·)为核函数，φ(·)是从z到Fk的映射，是一个与核K(·)相关的内积特征空间：
φzi∈z→φ(zi)＝K(zi，·)∈FK
具体的核函数有以下六种：
第一种为线性Linear核，可以表示为：
Figure GDA0003497422880000034
第二、三、四种为径向基核RB函数的精高斯RBF核、中高斯RBF核和粗高斯RBF核，并写成：
Figure GDA0003497422880000041
其中，σ定义为核的宽度，同样，核尺度参数对应于RBF定义中的γ参数，只是与σ表示方式不同；
将上式中的RBF核尺度γ调整为不同的值:
Figure GDA0003497422880000042
Figure GDA0003497422880000043
Figure GDA0003497422880000044
其中，γfG、γmG和γcG分别为精高斯RBF核、中高斯RBF核和粗高斯RBF核对应时的γ取值，n为特征值个数；
第五、六种核函数是多项式Polynomial核，表示为：
Figure GDA0003497422880000045
其中，P是多项式核的阶数。分别取值2和3得到2阶多项式核函数和3阶多项式核函数；
(2.2)将信号样本随机抽取70％作为训练样本、随机抽取30％作为测试样本，将样本放入构造的不同核函数下的SVM模型进行训练和测试。
附图说明
图1是本发明的一个实施例的流程示意图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述：
本发明提供一种基于SVM的GNSS生成式欺骗干扰检测方法，所述方法结合六种SVM核函数模型，将信号样本随机抽取70％作为训练样本、随机抽取30％作为测试样本，将样本放入构造的不同核函数下的SVM模型进行训练和测试，评价准确率、精确率、召回率、F1score四个性能指标。
本实施例公开了一种基于SVM多分类算法的卫星导航干扰类型识别方法，如图1所示，包括：
步骤一、对GNSS中频信号进行预处理，得到用于作为神经网络输入量的特征向量，特征向量包括改进Ratio移动均值、改进Ratio移动方差、改进Delta移动均值、改进Delta移动方差、早晚码相位差、载噪比移动方差和接收机钟差变化率。
该步骤具体包括：
(1.1)对GNSS中频信号进行预处理，输入原始中频信号；
(1.2)计算得到改进Ratio移动均值、改进Ratio移动方差；
其中，改进Ratio移动均值、改进Ratio移动方差的表达式为：
Figure GDA0003497422880000051
Figure GDA0003497422880000052
式中，RatioMA、RatioMV分别指的是改进Ratio移动均值和改进Ratio移动方差，Rd，improved(i)的表达式为：
Figure GDA0003497422880000053
Figure GDA0003497422880000054
Figure GDA0003497422880000055
Figure GDA0003497422880000056
其中，Ie，d(n)、Il，d(n)和Ip(n)分别式第n个相干积分内相关器同相支路的超前、滞后和即时输出，Qe，d(n)、Ql，d(n)和Qp(n)分别为在第n个相干积分内相关器正交支路的超前、滞后和即时输出。
(1.3)计算得到改进Delta移动均值、改进Delta移动方差；
其中，改进Delta移动均值、改进Delta移动方差的表达式为：
Figure GDA0003497422880000057
Figure GDA0003497422880000058
式中，DeltaMA、DeltaMV分别指的是改进Delta移动均值、改进Delta移动方差，Δd，improved(i)的表达式为：
Figure GDA0003497422880000059
(1.4)计算得到早晚码相位差ELP；
Figure GDA0003497422880000061
其中，Ie(n)、Qe(n)、Il(n)和Ql(n)分别为在第n个相干积分内I/Q支路相关器的超前、滞后输出。
(1.5)计算获得载噪比移动方差C/N0(i)MV；
Figure GDA0003497422880000062
(1.6)计算获得接收机钟差变化率；
Figure GDA0003497422880000063
(1.7)将上述改进Ratio移动均值、改进Ratio移动方差、改进Delta移动均值、改进Delta移动方差、早晚码相位差、载噪比移动方差和接收机钟差变化率作为特征向量x，样本特征向量即为：
Figure GDA0003497422880000064
(1.8)对数据的预处理还包括缺失值处理、偏差计算、取观测到的所有卫星特征值的均值、数据标准化和主成分分析；
步骤二、构造六种不同核函数下的SVM模型，将GNSS信号样本随机抽取70％的数据用于训练，30％的数据用于测试；
该步骤具体包括：
(2.1)构造六个不同核函数下的SVM模型；
核函数定义为对于所有数据点需满足：
K(zi,zj)＝<φ(zi),φ(zj)>
其中，zi和zj为两个不同的支持向量，K(·)为核函数，φ(·)是从z到Fk的映射，是一个与核K(·)相关的内积特征空间：
φzi∈z→φ(zi)＝K(zi，·)∈FK
具体的核函数有以下六种：
第一种为线性(Linear)核，可以表示为：
Figure GDA0003497422880000065
第二、三、四种为径向基核(RBF)函数的精高斯(fine Gaussian)RBF核、中高斯(medium Gaussian)RBF核和粗高斯(coarse Gaussian)RBF核，它可以写成：
Figure GDA0003497422880000071
其中，σ定义为核的宽度，同样，核尺度参数对应于RBF定义中的γ参数，只是与σ表示方式不同。
将上式中的RBF核尺度γ调整为不同的值:
Figure GDA0003497422880000072
Figure GDA0003497422880000073
Figure GDA0003497422880000074
其中，γfG、γmG和γcG分别为精高斯(fine Gaussian)RBF核、中高斯(mediumGaussian)RBF核和粗高斯(coarse Gaussian)RBF核对应时的γ取值，n为特征值个数；
第五、六种核函数是多项式(Polynomial)核，可以表示为：
Figure GDA0003497422880000075
其中，P是多项式核的阶数。分别取值2和3得到2阶多项式核函数和3阶多项式核函数。
(2.2)将GNSS信号样本随机抽取70％的数据用于训练样本，30％的数据用于测试样本，将样本放入构造的六种核函数下的SVM模型进行训练和测试。
例：TEXBAT数据集是一个生成式欺骗干扰实验数据集，该数据集记录了进行生成式欺骗时的中频信号，该信号的前100s没有欺骗发生，信号的总时长为100s，表1记录了使用不同核函数下SVM分类的混淆矩阵。
Figure GDA0003497422880000076
Figure GDA0003497422880000081
表1
步骤三、通过测试后，模型可以用于检测欺骗干扰是否发生。
以上所述，仅是本发明的较佳实施例之一，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (2)

1.一种基于SVM的GNSS生成式欺骗干扰检测方法，具体步骤如下，其特征在于：
(1)对GNSS中频信号进行预处理，得到用于作为神经网络输入量的特征向量，特征向量包括改进Ratio移动均值、改进Ratio移动方差、改进Delta移动均值、改进Delta移动方差、早晚码相位差、载噪比移动方差和接收机钟差变化率；
步骤(1)具体包括：
(1.1)对GNSS中频信号进行预处理，输入原始中频信号；
(1.2)计算得到改进Ratio移动均值、改进Ratio移动方差；
其中，改进Ratio移动均值、改进Ratio移动方差的表达式为：
Figure FDA0003497422870000011
Figure FDA0003497422870000012
式中，RatioMA、RatioMV分别指的是改进Ratio移动均值和改进Ratio移动方差，Rd，improved(i)为数据中第i个数据样本的值，w为MA滑动窗口的长度，k为滑动区间，n为滑动窗口的总数，Rd，improved(i)的表达式为：
Figure FDA0003497422870000013
Figure FDA0003497422870000014
Figure FDA0003497422870000015
Figure FDA0003497422870000016
其中，Ie，d(n)、Il，d(n)和Ip(n)分别式第n个相干积分内相关器同相支路的超前、滞后和即时输出，Qe，d(n)、Ql，d(n)和Qp(n)分别为在第n个相干积分内相关器正交支路的超前、滞后和即时输出；
(1.3)计算得到改进Delta移动均值、改进Delta移动方差；
其中，改进Delta移动均值、改进Delta移动方差的表达式为：
Figure FDA0003497422870000021
Figure FDA0003497422870000022
式中，DeltaMA、DeltaMV分别指的是改进Delta移动均值、改进Delta移动方差，Δd，improved(i)的表达式为：
Figure FDA0003497422870000023
(1.4)计算得到早晚码相位差ELP；
Figure FDA0003497422870000024
其中，Ie(n)、Qe(n)、Il(n)和Ql(n)分别为在第n个相干积分内I/Q支路相关器的超前、滞后输出；
(1.5)计算获得载噪比移动方差C/N0(i)MV；
Figure FDA0003497422870000025
(1.6)计算获得接收机钟差变化率；
Figure FDA0003497422870000026
(1.7)将上述改进Ratio移动均值、改进Ratio移动方差、改进Delta移动均值、改进Delta移动方差、早晚码相位差、载噪比移动方差和接收机钟差变化率作为特征向量x，样本特征向量即为：
Figure FDA0003497422870000027
(1.8)对数据的预处理还包括缺失值处理、偏差计算、取观测到的所有卫星特征值的均值、数据标准化和主成分分析；
(2)构造不同核函数下的SVM模型，将GNSS信号样本随机抽取70％的数据用于训练，30％的数据用于测试；
(3)通过测试后，模型用于检测欺骗干扰是否发生。
2.根据权利要求1所述的一种基于SVM的GNSS生成式欺骗干扰检测方法，其特征在于：
步骤(2)具体包括：
(2.1)构造六个不同核函数下的SVM模型；
核函数定义为对于所有数据点需满足：
K(zi,zj)＝<φ(zi),φ(zj)>
其中，zi和zj为两个不同的支持向量，K(·)为核函数，φ(·)是从z到Fk的映射，是一个与核K(·)相关的内积特征空间：
φ：zi∈z→φ(zi)＝K(zi，·)∈FK
具体的核函数有以下六种：
第一种为线性Linear核，表示为：
Figure FDA0003497422870000031
第二、三、四种为径向基核RB函数的精高斯RBF核、中高斯RBF核和粗高斯RBF核，并写成：
Figure FDA0003497422870000032
其中，σ定义为核的宽度，同样，核尺度参数对应于RBF定义中的γ参数，只是与σ表示方式不同；
将上式中的RBF核尺度γ调整为不同的值:
Figure FDA0003497422870000033
Figure FDA0003497422870000034
Figure FDA0003497422870000035
其中，γfG、γmG和γcG分别为精高斯RBF核、中高斯RBF核和粗高斯RBF核对应时的γ取值，n为特征值个数；
第五、六种核函数是多项式Polynomial核，表示为：
Figure FDA0003497422870000036
其中，P是多项式核的阶数，分别取值2和3得到2阶多项式核函数和3阶多项式核函数；
(2.2)将信号样本随机抽取70％作为训练样本、随机抽取30％作为测试样本，将样本放入构造的不同核函数下的SVM模型进行训练和测试。
CN202110658871.2A 2021-06-15 2021-06-15 一种基于svm的gnss生成式欺骗干扰检测方法 Active CN113359158B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110658871.2A CN113359158B (zh) 2021-06-15 2021-06-15 一种基于svm的gnss生成式欺骗干扰检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110658871.2A CN113359158B (zh) 2021-06-15 2021-06-15 一种基于svm的gnss生成式欺骗干扰检测方法

Publications (2)

Publication Number Publication Date
CN113359158A CN113359158A (zh) 2021-09-07
CN113359158B true CN113359158B (zh) 2022-05-13

Family

ID=77534163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110658871.2A Active CN113359158B (zh) 2021-06-15 2021-06-15 一种基于svm的gnss生成式欺骗干扰检测方法

Country Status (1)

Country Link
CN (1) CN113359158B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115494526A (zh) * 2022-08-29 2022-12-20 中山大学 一种gnss欺骗干扰检测方法、装置、电子设备及存储介质
CN116577808B (zh) * 2023-07-11 2023-09-29 中国人民解放军战略支援部队航天工程大学 一种基于接收机相关器输出的导航欺骗干扰检测方法
CN117233805B (zh) * 2023-11-13 2024-02-06 中国人民解放军战略支援部队航天工程大学 一种基于多相关器的gnss诱导欺骗检测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105550702B (zh) * 2015-12-09 2019-07-02 哈尔滨工业大学 一种基于svm的gnss欺骗式干扰识别方法
CN109188469B (zh) * 2018-08-01 2022-07-08 南京航空航天大学 一种gnss信号接收机欺骗信号参数估计方法
CN109359523B (zh) * 2018-09-06 2021-08-24 东南大学 一种基于svm多分类算法的卫星导航干扰类型识别方法
CN109188470B (zh) * 2018-09-11 2021-03-02 西安交通大学 一种基于卷积神经网络的gnss欺骗干扰检测方法
CN110361761A (zh) * 2019-08-28 2019-10-22 上海无线电设备研究所 一种生成式gnss欺骗干扰方法
CN110471091B (zh) * 2019-08-29 2021-05-25 北京航空航天大学合肥创新研究院 一种基于相关器正交分量的欺骗干扰检测方法
CN110632621B (zh) * 2019-09-18 2022-07-12 南京航空航天大学 基于扩展sqm的gnss接收机基带欺骗检测方法

Also Published As

Publication number Publication date
CN113359158A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN113359158B (zh) 一种基于svm的gnss生成式欺骗干扰检测方法
Gross et al. Maximum-likelihood power-distortion monitoring for GNSS-signal authentication
Bounoua et al. Fault detection and diagnosis of nonlinear dynamical processes through correlation dimension and fractal analysis based dynamic kernel PCA
Jiang et al. Semisupervised spectral learning with generative adversarial network for hyperspectral anomaly detection
CN113376659B (zh) 一种基于bp神经网络的gnss生成式欺骗干扰检测方法
Savic et al. Kernel methods for accurate UWB-based ranging with reduced complexity
CN116577808B (zh) 一种基于接收机相关器输出的导航欺骗干扰检测方法
CN115494526A (zh) 一种gnss欺骗干扰检测方法、装置、电子设备及存储介质
CN106443598A (zh) 基于卷积神经网络的雷达网协同航迹欺骗干扰鉴别方法
CN111275416B (zh) 数字货币异常交易检测方法、装置、电子设备及介质
CN116087994B (zh) 一种基于机器学习的欺骗干扰检测方法
Aissou et al. Instance-based supervised machine learning models for detecting GPS spoofing attacks on UAS
CN108960145A (zh) 人脸图像检测方法、装置、存储介质和电子设备
Qin et al. PTGAN: A proposal-weighted two-stage GAN with attention for hyperspectral target detection
CN111465093A (zh) 指纹定位方法、装置、电子设备及计算机存储介质
Gu et al. A selective kernel PCA algorithm for anomaly detection in hyperspectral imagery
Sahay et al. Hyperspectral image target detection using deep ensembles for robust uncertainty quantification
CN111950629A (zh) 对抗样本的检测方法、装置及设备
CN103926596A (zh) 一种基于粒子滤波的稳健gnss抗欺骗方法
Lei Robust detection of radiation threat
Ma et al. Machine learning and UAV path following identification algorithm based on navigation spoofing
CN109031193A (zh) 一种基于信号到达方向的室内非法信号源定位系统及方法
Tiwary et al. Novel Differential $ r $-Vectors for Localization in IoT Networks
Farzam et al. Simultaneous denoising and intrinsic order selection in hyperspectral imaging
Khoei et al. A comparative assessment of unsupervised deep learning models for detecting GPS spoofing attacks on unmanned aerial 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