CN113472484B - 基于交叉熵迭代学习的物联网设备用户特征码识别方法 - Google Patents
基于交叉熵迭代学习的物联网设备用户特征码识别方法 Download PDFInfo
- Publication number
- CN113472484B CN113472484B CN202110733036.0A CN202110733036A CN113472484B CN 113472484 B CN113472484 B CN 113472484B CN 202110733036 A CN202110733036 A CN 202110733036A CN 113472484 B CN113472484 B CN 113472484B
- Authority
- CN
- China
- Prior art keywords
- sequence
- cross entropy
- representing
- gamma
- updating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000008569 process Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000000116 mitigating effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L1/00—Arrangements for detecting or preventing errors in the information received
- H04L1/004—Arrangements for detecting or preventing errors in the information received by using forward error control
- H04L1/0056—Systems characterized by the type of code used
- H04L1/0061—Error detection codes
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W74/00—Wireless channel access
- H04W74/08—Non-scheduled access, e.g. ALOHA
- H04W74/0833—Random access procedures, e.g. with 4-step access
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W74/00—Wireless channel access
- H04W74/08—Non-scheduled access, e.g. ALOHA
- H04W74/0833—Random access procedures, e.g. with 4-step access
- H04W74/0841—Random access procedures, e.g. with 4-step access with collision treatment
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
基于交叉熵迭代学习的物联网终端设备用户特征码识别方法,它属于无线通信技术领域。本发明解决了现有缓解RACH拥塞方案的计算复杂度高、可实现性差的问题。本发明通过迭代分析接收信号的收敛性,逐步学习来获取活跃用户检测和数据接收的近似最优估计,本发明通过物理层算法设计来进行认证,分别针对单活跃用户和多活跃用户给出了基于交叉熵的迭代更新规则,保证了算法的计算可行性。在较低的计算复杂度下,可以获得近似的最优性能,具有较好的鲁棒性,增强了无线通信系统的物理层认证能力。本发明可以应用于物联网终端设备用户特征码识别。
Description
技术领域
本发明属于无线通信技术领域,具体涉及一种基于交叉熵迭代学习的物联网终端设备用户特征码识别方法。
背景技术
随着物联网(IoT)的普及,人们越来越关注利用IoT技术进行工业创新。作为信息物理交互的关键促成因素,机器类型通信(MTC)设备在IoT网络中占据着重要的地位。然而多用途MTC设备的大量访问可能导致工业物联网(IIoT)网络拥塞,这阻碍了其应用业务的增长。为解决传统无线网络在支持大规模随机接入方面的不足,缓解随机接入信道(RACH)拥塞问题得到了学术界和工业界的极大关注。
现有的缓解RACH拥塞方法主要可以分为两类。一类方法是协调MAC层协议,通过执行精心设计的握手和信道分配方案来实现高效的随机访问,例如退避机制设计、接入类限制、RACH资源动态分配等。另一类方法是采用前同步码作为用户签名和扩展码用于用户数据传输的无授权传输方法,这类方案无需握手,也可以取得较好的认证效果。
然而,现有缓解RACH拥塞方案仍存在一定的缺陷,协调随机访问协议受到高控制开销的影响且可能需要频繁的重传,这不适用于复杂度高和能源资源有限的IIoT设备。此外,用户检测和解码的复杂性随着前导码的数量呈指数增长,尤其是针对IIoT接入设备数目众多、发起数据传输请求的设备随机的应用场景,导致传统数据库查询匹配用户码确定消息传输请求用户方案实现复杂度高、可实现性差。
综上,由于现有缓解RACH拥塞方案的计算复杂度高、可实现性差,因此,现有物理层用户码识别方案的性能仍需要进一步提升。为了克服RACH拥塞问题,同时降低信令和控制开销,设计一种低复杂度、鲁棒的用户签名获取算法来可靠地完成用户识别和用户数据恢复任务具有重要意义。
发明内容
本发明的目的是为解决现有缓解RACH拥塞方案的计算复杂度高、可实现性差的问题,而提出一种基于交叉熵迭代学习的物联网终端设备用户特征码识别方法。
本发明为解决上述技术问题所采取的技术方案是:
基于本发明的一个方面,一种基于交叉熵迭代学习的物联网终端设备用户特征码识别方法,所述方法具体包括以下步骤:
步骤一、通过天线从信道中接收信号y;
步骤二、参数初始化
步骤五、根据集合Δ中每个序列的交叉熵和Γ来更新p,将更新后的p记为p′={p1,p2,...pM};
基于本发明的另一个方面,一种基于交叉熵迭代学习的物联网终端设备用户特征码识别方法,所述方法具体包括以下步骤:
步骤一、通过天线从信道中接收信号y;
步骤二、参数初始化
步骤四、更新迭代指标s=s+1;
步骤七、判断是否满足判决条件s≤smax或Γ≥ΓL,smax为最大迭代次数,若满足判决条件,则根据集合X中每个序列的交叉熵和Γ更新p,将更新后的p记为p′={p1,p2,...pM};若不满足判决条件,则结束算法;
令p′→p,Λ′→Λ,并返回步骤三;
步骤九、更新迭代指标k=k+1;
本发明的有益效果是:本发明提出了一种基于交叉熵迭代学习的物联网终端设备用户特征码识别方法,本发明通过迭代分析接收信号的收敛性,逐步学习来获取活跃用户检测和数据接收的近似最优估计,由于本发明通过物理层算法设计来进行认证,因此所提方案可以减少信令和控制开销,大幅度降低了认证所需的计算复杂度,具有较好的可实现性,克服了随机接入信道的拥塞问题。
本发明分别针对单活跃用户和多活跃用户给出了基于交叉熵的迭代更新规则,保证了算法的计算可行性。本发明所提方案在较低的计算复杂度下,可以获得近似的最优性能,具有较好的鲁棒性,有效增强了无线通信系统的物理层认证能力。
附图说明
图1是基于交叉熵迭代学习的物联网终端设备用户特征码识别方法在单活跃用户场景下的算法流程图;
图2是基于交叉熵迭代学习的物联网终端设备用户特征码识别方法在多活跃用户场景下的算法流程图;
图3是基于交叉熵迭代学习的物联网终端设备用户特征码识别方法在单活跃用户场景下的误码性能图;
图中,Φ代表皮尔逊线性相关系数;
图4是基于交叉熵迭代学习的物联网终端设备用户特征码识别方法在多活跃用户场景下的误码性能图;
图5是基于交叉熵迭代学习的物联网终端设备用户特征码识别方法在多活跃用户场景下误码性能随平均有源器件的数量变化图;
图中,λ为平均有源器件数量;
图6是基于交叉熵迭代学习的物联网终端设备用户特征码识别方法的活动用户特征码检测错误率(ADER)与平均有源器件的数量、皮尔逊线性相关系数关系图;
图7是基于交叉熵迭代学习的物联网终端设备用户特征码识别方法在不同迭代约束下的ADER性能图。
具体实施方式
具体实施方式一、结合图1说明本实施方式。本实施方式所述的一种基于交叉熵迭代学习的物联网终端设备用户特征码识别方法,所述方法具体包括以下步骤:
步骤一、信号接收模块通过天线从信道中接收信号y;
步骤二、参数初始化
步骤五、根据集合Δ中每个序列的交叉熵和Γ来更新p,将更新后的p记为p′={p1,p2,...pM};
步骤七、判断是否满足(即判断经过本次迭代获得的p′中的元素pi是否满足且Γ≤ΓL,若满足,则更新迭代指标s=s+1,令p′→p,Λ′→Λ,并重复步骤三至步骤六的过程;直至不满足且Γ≤ΓL时停止迭代,执行步骤八;
本实施方式是针对于单活跃用户进行的,临时变量ρ和阈值ΓL可以根据实际情况选取,临时变量ρ和阈值ΓL的取值决定了收敛的速度。
具体实施方式二、本实施方式与具体实施方式一不同的是:所述步骤一中,通过天线从信道中接收信号y,信号y的形式为:
y=Hcd+n
其中,d是活跃设备U的传输信号,c=[c1,c2,...,cM]T表示活跃设备U的特征码,M代表特征码的长度,ci代表特征码的第i个码元,i=1,2,…,M,对角矩阵H=diag(h1,h2,...,hM)表示U到AP(接入点)的信道矩阵,hi代表发送码元ci时,活跃设备U到AP时的信道特性,n表示复高斯白噪声向量。
其它步骤及参数与具体实施方式一相同。
具体实施方式三、本实施方式与具体实施方式一或二之一不同的是:所述步骤三中,分别计算每个序列的交叉熵L(Xt),其具体过程为:
其中,L(Xt)表示Xt的交叉熵,yi表示y中的第i个元素,Xt,i为Xt中的第i个元素,‖·‖2表示向量范数的平方。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四、本实施方式与具体实施方式一至三之一不同的是:所述步骤五的具体过程为:
其中,|Δ|表示集合Δ中的样本总数,t′=1,2,…,|Δ|,Xt′为Δ中的第t′个序列,Xt′,i为Xt′中的第i个元素,I{·}表示指标函数,I{·}满足如下关系:
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五、本实施方式与具体实施方式一至四之一不同的是:所述步骤八的具体过程为:
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六、结合图2说明本实施方式。本实施方式所述的一种基于交叉熵迭代学习的物联网终端设备用户特征码识别方法,所述方法具体包括以下步骤:
步骤一、信号接收模块通过天线从信道中接收信号y;
步骤二、参数初始化
步骤四、更新迭代指标s=s+1;
步骤七、判断是否满足判决条件s≤smax或Γ≥ΓL,smax为最大迭代次数,若满足判决条件,则根据集合X中每个序列的交叉熵和Γ更新p,将更新后的p记为p′={p1,p2,...pM};若不满足判决条件,则结束算法;
令p′→p,Λ′→Λ,并返回步骤三;
步骤九、更新迭代指标k=k+1;
本实施方式是针对于多活跃用户进行的,临时变量ρ和阈值ΓL可以根据实际情况选取,临时变量ρ和阈值ΓL的取值决定了收敛的速度。
具体实施方式七、本实施方式与具体实施方式六不同的是:所述步骤一中,通过天线从信道中接收信号y,信号y的形式为:
其中,dk是活跃设备Uk的传输信号,k=1,2,…,K,K为活跃设备的总个数,ck=[ck,1,ck,2,...,ck,M]T表示活跃设备Uk的特征码,M代表特征码的长度,ck,i代表特征码的第i个码元,i=1,2,…,M,对角矩阵Hk=diag(hk,1,hk,2,...,hk,M)表示Uk到AP的信道矩阵,hk,i代表发送码元ck,i时,活跃设备Uk到AP时的信道特性,n表示复高斯白噪声向量。
其它步骤及参数与具体实施方式六相同。
具体实施方式八、本实施方式与具体实施方式六或七之一不同的是:所述分别计算每个序列的交叉熵L(Xt),其具体过程为:
其中,L(Xt)表示Xt的交叉熵,yi为y中的第i个元素,‖·‖2表示向量范数的平方。
其它步骤及参数与具体实施方式六或七相同。
具体实施方式九、本实施方式与具体实施方式六至八之一不同的是:所述根据测试样本集X中每个序列的交叉熵和Γ更新p,其具体过程为:
其中,j=1,2,…,M,I{·}表示指标函数,|Λ|为被选取的二进制序列集合中的序列总数,Xt′为X中的第t′个序列,Xt′,j为序列Xt′中的第j个元素;
其它步骤及参数与具体实施方式六至八之一相同。
具体实施方式十、本实施方式与具体实施方式六至九之一不同的是:所述步骤十的具体过程为:
其它步骤及参数与具体实施方式六至九之一相同。
图3到图7分析了在不同场景下基于交叉熵迭代学习的物联网终端设备用户特征码识别方法的误码性能和活动用户特征码检测错误率与参数Φ、λ的关系,说明本发明所提方案可以保障认证可靠性并具有较好的可实现性,有效解决了现有认证方法的随机接入拥塞问题。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (4)
1.基于交叉熵迭代学习的物联网设备用户特征码识别方法,其特征在于,所述方法具体包括以下步骤:
步骤一、通过天线从信道中接收信号y;
步骤二、参数初始化
所述步骤三中,分别计算每个序列的交叉熵L(Xt),其具体过程为:
其中,L(Xt)表示Xt的交叉熵,yi表示y中的第i个元素,Xt,i为Xt中的第i个元素,‖·‖2表示向量范数的平方;
步骤五、根据集合Δ中每个序列的交叉熵和Γ来更新p,将更新后的p记为p′={p1,p2,...pM};
所述步骤五的具体过程为:
其中,|Δ|表示集合Δ中的样本总数,t′=1,2,…,|Δ|,Xt′为Δ中的第t′个序列,Xt′,i为Xt′中的第i个元素,I{·}表示指标函数,I{·}满足如下关系:
所述步骤八的具体过程为:
2.根据权利要求1所述的基于交叉熵迭代学习的物联网设备用户特征码识别方法,其特征在于,所述步骤一中,通过天线从信道中接收信号y,信号y的形式为:
y=Hcd+n
其中,d是活跃设备U的传输信号,c=[c1,c2,...,cM]T表示活跃设备U的特征码,M代表特征码的长度,ci代表特征码的第i个码元,i=1,2,…,M,对角矩阵H=diag(h1,h2,...,hM)表示U到AP的信道矩阵,hi代表发送码元ci时,活跃设备U到AP时的信道特性,n表示复高斯白噪声向量。
3.基于交叉熵迭代学习的物联网设备用户特征码识别方法,其特征在于,所述方法具体包括以下步骤:
步骤一、通过天线从信道中接收信号y;
步骤二、参数初始化
步骤四、更新迭代指标s=s+1;
所述分别计算每个序列的交叉熵L(Xt),其具体过程为:
其中,L(Xt)表示Xt的交叉熵,yi为y中的第i个元素,‖·‖2表示向量范数的平方;
步骤七、判断是否满足判决条件s≤smax或Γ≥ΓL,smax为最大迭代次数,若满足判决条件,则根据集合X中每个序列的交叉熵和Γ更新p,将更新后的p记为p′={p1,p2,...pM};若不满足判决条件,则结束算法;
所述根据测试样本集X中每个序列的交叉熵和Γ更新p,其具体过程为:
其中,j=1,2,…,M,I{·}表示指标函数,|Λ|为被选取的二进制序列集合中的序列总数,Xt′为X中的第t′个序列,Xt′,j为序列Xt′中的第j个元素;
令p′→p,Λ′→Λ,并返回步骤三;
步骤九、更新迭代指标k=k+1;
所述步骤十的具体过程为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110733036.0A CN113472484B (zh) | 2021-06-29 | 2021-06-29 | 基于交叉熵迭代学习的物联网设备用户特征码识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110733036.0A CN113472484B (zh) | 2021-06-29 | 2021-06-29 | 基于交叉熵迭代学习的物联网设备用户特征码识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113472484A CN113472484A (zh) | 2021-10-01 |
CN113472484B true CN113472484B (zh) | 2022-08-05 |
Family
ID=77874072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110733036.0A Active CN113472484B (zh) | 2021-06-29 | 2021-06-29 | 基于交叉熵迭代学习的物联网设备用户特征码识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113472484B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182470A (zh) * | 2018-01-17 | 2018-06-19 | 深圳市唯特视科技有限公司 | 一种基于注意模块的递归神经网络的用户识别方法 |
CN109783805A (zh) * | 2018-12-17 | 2019-05-21 | 北京邮电大学 | 一种网络社区用户识别方法及装置 |
CN111160443A (zh) * | 2019-12-25 | 2020-05-15 | 浙江大学 | 一种基于深度多任务学习的活动和用户识别方法 |
CN111447160A (zh) * | 2020-04-15 | 2020-07-24 | 上海交通大学 | 基于神经网络的大规模mimo无源随机接入的信号检测方法 |
CN112367683A (zh) * | 2020-11-17 | 2021-02-12 | 重庆邮电大学 | 基于改进深度q学习的网络选择方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7565372B2 (en) * | 2005-09-13 | 2009-07-21 | Microsoft Corporation | Evaluating and generating summaries using normalized probabilities |
KR20190087351A (ko) * | 2019-07-05 | 2019-07-24 | 엘지전자 주식회사 | 머신 러닝 시스템, 방법 및 장치 |
-
2021
- 2021-06-29 CN CN202110733036.0A patent/CN113472484B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182470A (zh) * | 2018-01-17 | 2018-06-19 | 深圳市唯特视科技有限公司 | 一种基于注意模块的递归神经网络的用户识别方法 |
CN109783805A (zh) * | 2018-12-17 | 2019-05-21 | 北京邮电大学 | 一种网络社区用户识别方法及装置 |
CN111160443A (zh) * | 2019-12-25 | 2020-05-15 | 浙江大学 | 一种基于深度多任务学习的活动和用户识别方法 |
CN111447160A (zh) * | 2020-04-15 | 2020-07-24 | 上海交通大学 | 基于神经网络的大规模mimo无源随机接入的信号检测方法 |
CN112367683A (zh) * | 2020-11-17 | 2021-02-12 | 重庆邮电大学 | 基于改进深度q学习的网络选择方法 |
Non-Patent Citations (2)
Title |
---|
Distributed Policy Learning Based Random Access for Diversified QoS Requirements;Zhiyuan Jiang等;《ICC 2019 - 2019 IEEE International Conference on Communications (ICC)》;20190715;全文 * |
基于深度学习的无线资源管理与安全研究;杨宁;《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》;20210115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113472484A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105721106B (zh) | 基于串行策略的scma上行通信系统多用户检测方法 | |
Choi et al. | Query tree-based reservation for efficient RFID tag anti-collision | |
CN113472707B (zh) | 一种联合信道估计与符号检测方法、装置、设备及介质 | |
CN112364729A (zh) | 基于特征参数与bp神经网络的调制识别方法 | |
CN107864029A (zh) | 一种降低多用户检测复杂度的方法 | |
Xu et al. | Recognition of radar signals based on AF grids and geometric shape constraint | |
CN111245758A (zh) | 一种用于泛在电力物联网的qpsk调制非相干检测方法 | |
CN111031611B (zh) | 一种基于非授权的导频随机接入方法 | |
CN113472484B (zh) | 基于交叉熵迭代学习的物联网设备用户特征码识别方法 | |
CN103368700B (zh) | 基于特征量预估计的时滞相关空时码模式盲识别方法 | |
CN112187382B (zh) | 一种基于粘性隐马尔可夫模型的噪声功率估计方法 | |
CN110944002B (zh) | 一种基于指数平均数据增强的物理层认证方法 | |
CN103490863B (zh) | 基于部分序列参数检测的空时码模式盲识别方法 | |
CN116032317B (zh) | 一种免授权的联合活跃用户与数据检测方法 | |
CN108173791A (zh) | 基于平滑技术的时变衰落信道的物理层盲认证方法及系统 | |
WO2021042639A1 (zh) | 基于边缘计算和离散随机卷积的数据包合法性确认方法 | |
Yu et al. | Cross-layer protocol fingerprint for large-scale fine-grain devices identification | |
CN108199991A (zh) | 基于置信传递的时变衰落信道的物理层盲认证方法和系统 | |
CN111612097B (zh) | 一种基于gru网络的主用户数目估计方法 | |
CN114337883A (zh) | 协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统 | |
Yin et al. | Echo state network based symbol detection in chaotic baseband wireless communication | |
CN110912906A (zh) | 一种边缘计算恶意节点识别方法 | |
CN111769975A (zh) | Mimo系统信号检测方法及系统 | |
CN106911431B (zh) | 应用于稀疏编码多址接入系统解调过程中改进的部分边缘信息传递方法 | |
CN114997299B (zh) | 一种资源受限环境下的射频指纹识别方法 |
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 |