CN113572709B - 一种大规模mimo系统中基站端导频辅助信道估计方法和系统 - Google Patents
一种大规模mimo系统中基站端导频辅助信道估计方法和系统 Download PDFInfo
- Publication number
- CN113572709B CN113572709B CN202110783911.6A CN202110783911A CN113572709B CN 113572709 B CN113572709 B CN 113572709B CN 202110783911 A CN202110783911 A CN 202110783911A CN 113572709 B CN113572709 B CN 113572709B
- Authority
- CN
- China
- Prior art keywords
- pilot
- csi
- frequency
- base station
- channel
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0204—Channel estimation of multiple channels
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/0224—Channel estimation using sounding signals
- H04L25/0228—Channel estimation using sounding signals with direct estimation from sounding signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0254—Channel estimation channel estimation algorithms using neural network algorithms
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明公开了一种大规模MIMO系统中基站端导频辅助信道估计方法和系统,属于大规模MIMO无线通信领域。本发明根据信道数据在频域的强自相关特性,提出了一种大规模MIMO系统中基站端导频辅助信道估计方法,根据一些已知频点的CSI来恢复出所有频点上的CSI。采用的方法是图像处理领域里面的一种利用低分辨率图像重构出高分辨率图像的方法,将CSI看作是图像中的一个像素点,每个时刻上所有频点的CSI为一幅图像,利用其中一些已知频点上的CSI输入卷积残差网络模型来重构出所有频点上的CSI。该方法只需在频域上使用少数的导频信号,通过插值的方法可以恢复出所有频点上的CSI,并且能够保证较高的信道估计精度,有效地提升了系统的频谱利用效率和数据传输速率。
Description
技术领域
本发明属于大规模多入多出(multi-input multi-output,MIMO)无线通信领域,更具体地,涉及一种大规模MIMO系统中基站端导频辅助信道估计方法和系统。
背景技术
大规模MIMO技术作为5G中的一项关键技术,近年来得到了广泛的研究。大规模MIMO技术通过在基站(base station,BS)端放置更多的天线,通常是成百上千根,同时服务多个用户,获得了更大的空间分集增益,进一步的提升了数据传输速率和链路的可靠性。为了充分发挥大规模MIMO系统的优势,准确信道状态信息(channel state information,CSI)的获取是必不可少的,一般是通过导频估计的方法进行CSI的估计。但在大规模MIMO系统中由于天线数量以及同时服务用户的增多,用于信道估计的导频资源的消耗也随之增加,这就使得用于数据传输的导频资源减少了,从而导致大规模MIMO系统性能的降低。因此迫切需要一种估计精度高且导频资源消耗少的信道估计方法。
传统的信道估计方法可以分为盲信道估计,半盲信道估计以及导频辅助的信道估计。盲信道估计是指无须在发端传送已知的导频序列仅依据接收到的信号进行的信道估计。利用调制信号本身固有的、与具体承载信息比特无关的一些特征,或是采用判决反馈的方法来进行信道估计的方法,又称无先验知识估计。由于盲估计算法不需要插入导频符号,因此它具有数据传输速率高和频谱利用率高的特点。盲信道估计必须是在接收到大量数据时才能够提取统计特性并对信道进行估计,并且它还具有计算复杂度高和算法收敛慢的缺点,因此盲信道估计的方法很难应用在实际中。导频辅助的信道估计方法在实际中应用的较多,导频辅助的信道估计方法是指在发送端将导频符号和数据符号同时发送出去,由于导频符号事先已知,可以通过一些方法估计出已知导频符号位置处的CSI,接着利用这些已知的CSI通过一定的方法来推出数据符号位置的CSI。基于导频辅助的信道估计虽然具有频谱利用效率低以及数据传输速率低的缺点,但是通过精心的导频设计可以在提高信道估计精度的同时降低信道估计的计算复杂度,因此在实际系统中应用较多。
为了解决传统的导频辅助的信道估计方法在应用于大规模MIMO系统时导频资源消耗严重且估计精度低的问题,本发明提出一种基于频域相关性的导频辅助信道估计方法,该方法利用频域的强自相关性,能够在保证较高估计精度的同时,大大降低用于信道估计的导频资源的消耗。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种大规模MIMO系统中基站端导频辅助信道估计方法和系统,其目的在于服现有技术存在的导频资源消耗严重、信道估计精度低等技术问题。
为实现上述目的,按照本发明的第一方面,提供了一种大规模MIMO系统中基站端导频辅助信道估计方法,移动端任一天线A向基站端任一天线B发送OFDM(OrthogonalFrequency Division Multiplexing,正交频分复用)信号,所述OFDM信号同时包含OFDM导频和OFDM数据,基站端接收到OFDM信号后,对天线A和B之间的信道采用以下方法进行信道状态估计:
准备阶段:
移动端天线A在t时刻向基站端天线B发送OFDM导频信号st;基站端根据接收到导频信号估计当前信道在t时刻上各频点的信道状态信息Ht;重复n次传递,得到当前信道的信道状态信息矩阵H=[H1,H2,…,Hn];
对于每个Ht,根据导频图案确定导频位置,保留Ht导频位置处的CSI,在Ht导频位置外其余频点处填零,得到作为样本,将Ht作为该样本的标签,t=1,2,…,n,从而得到包含n个用于训练模型的样本的训练集,所述导频图案是由在OFDM导频信号上均匀间隔的频点上选定对应导频数量的子载波构成;
构建卷积残差网络模型;
训练阶段:采用训练集进行卷积残差网络模型训练,使模型通过不断迭代训练学习当前信道的频域相关性特征;
应用阶段:将接收到的OFDM信号输入至训练好的模型,输出当前信道的信道状态信息。
优选地,所述卷积残差网络模型由9层Conv2D层串联构成,第三层的输入与第五层的输出直接相连,第六层的输入和第八层的输出直接相连,除最后一层外其余均加入ReLu激活函数。
有益效果:本发明优选的网络结构能够提取图像局部特征的特性应用于信道中,通过模型训练自动的学习信道的频域相关性特征,并利用学习到的信道频域相关性进行信道估计。优选的网络结构中插入了两处直连结构,这种直连结构的引入是为了解决网络退化的问题,从而提升模型的性能。
优选地,训练阶段的损失函数如下:
优选地,在训练的过程中通过梯度下降结合Adam优化算法对网络模型中的参数进行调整更新,使其达到最优,优化的目标即为使损失函数最小。
优选地,移动端发送的OFDM信号sn+1=[sd(1),sd(2),sp(3),…,sp(m-2),sd(m-1),sd(m)]T,基站端接收到的信号为,其中,下标d表示该位置发送的是数据信号,下标p表示该位置发送的是导频信号,m表示子载波个数,所述应用阶段包括:
根据导频图案确定导频位置;
为实现上述目的,按照本发明的第二方面,提供了一种大规模MIMO系统中基站端导频辅助信道估计系统,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行第一方面所述的大规模MIMO系统中基站端导频辅助信道估计方法。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
本发明根据信道数据在频域的强自相关特性,提出了一种大规模MIMO系统中基站端导频辅助信道估计方法,根据一些已知频点的CSI来恢复出所有频点上的CSI。采用的方法是图像处理领域里面的一种利用低分辨率图像重构出高分辨率图像的方法,将CSI看作是图像中的一个像素点,每个时刻上所有频点的CSI为一幅图像,利用其中一些已知频点上的CSI输入卷积残差网络模型来重构出所有频点上的CSI。该方法只需在频域上使用少数的导频信号,通过均匀排列的插值法可以恢复出所有频点上的CSI,并且能够保证较高的信道估计精度。与现有的基于插值的信道估计方法相比,在达到相同的信道估计精度的前提下,所提出的方法使用的导频数量明显少于现有方法,即有效地提升了系统的频谱利用效率和数据传输速率。
附图说明
图1为本发明提供的一种大规模MIMO系统中基站端导频辅助信道估计方法流程图;
图2为本发明实施例提供的采用的深度卷积残差网络的网络结构;
图3为本发明实施例提供的信道估计流程示意图;
图4为本发明实施例提供的与一些现有基于插值的导频辅助信道估计方法在不同导频数量情况下估计值与真实值之间的归一化均方误差(normalized mean squarederror,NMSE)的对比。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明提供的一种大规模MIMO系统中基站端导频辅助信道估计方法,具体包括以下步骤:
(1)获取信道状态信息矩阵
((1-1)移动端向基站端发送OFDM导频信号st=[st(1),st(2),…,st(m)]T,一个OFDM导频符号上包含m个子载波上的导频信号。
Ht包含N个子载波上的频域信道状态信息。
(1-3)重复上述两个步骤n次,即可得到信道状态信息矩阵
其中,Ht代表时刻t上所有频点的信道状态信息。
(2)设置导频图案
(2-1)设定导频数量,在本发明实施例中为了对比不同导频数量的估计效果设置了四种不同的导频数量,分别是:80、160、240和320;
(2-2)在OFDM符号上按一定的规律(均匀间隔)选定对应导频数量的子载波作为导频使用,得到导频图案。
(3)根据信道状态信息矩阵和导频图案构建训练集和验证集
(3-1)对于每个时刻的Ht进行如下处理:根据步骤(2)中设置的导频图案,在导频位置处填入Ht对应频点上的CSI,并将除导频位置外其余频点处填零得到以此作为样本的输入,即在时刻t除导频位置外,其余频点的CSI均为未知;
(3-2)将Ht=[Ht(1),Ht(2),…,Ht(m)]T作为样本的标签,与步骤(3-1)中构建的样本输入组成n个用于训练模型的样本;
(3-3)将步骤(3-2)得到的训练样本按照5:1的比例分成训练集和验证集,其中训练集用于模型的训练,验证集用于模型训练过程中的交叉验证。
(4)构建卷积残差网络模型,模型的网络结构如图2所示,它是由9层Conv2D层构成,除最后一层外其余均加入ReLu激活函数,网络结构中还插入了两处直连结构,这种直连结构的引入是为了解决网络退化的问题,从而提升模型的性能。卷积残差网络采用二维卷积神经网络,因此需要将Ht转换为一个二维矩阵形式。卷积残差网络模型利用卷积神经网络能够提取图像局部特征的特性,通过模型训练自动的提取信道的频域相关性特征,用于信道估计。
(5)将步骤(3)构建的训练集和验证集用于步骤(4)构建的深度学习模型进行模型训练,模型训练采用的损失函数如下:
其中,H(t,f)表示在时刻t频点f处的实际的CSI,表示在时刻t频点f处的估计的CSI,ω为需要通过训练来优化的网络参数。在训练的过程中通过梯度下降结合Adam优化算法对网络模型中的参数进行调整更新,使其达到最优,优化的目标即为使损失函数最小。
(6)利用训练好的模型进行信道估计,信道估计的流程如图3所示,主要分为两个阶段:插值阶段和估计阶段,具体的步骤为:
(1)插值阶段
(1-1)基站端发送OFDM信号,每个OFDM符号的导频位置处发送的是导频信号,其余发送需要传输的数据符号,导频位置由步骤(2)中导频图案确定,假设发送的OFDM信号
sn+1=[sd(1),sd(2),sp(3)…,sp(m-2),sd(m-1)sd(m)]T
其中,sd代表该位置发送的是数据信号,sp表示该位置发送的是导频信号;
(1-2)接收端接收到信号
(2)估计阶段
图4为本发明实施例与一些现有基于插值的导频辅助信道估计方法在不同导频数量情况下估计值与真实值之间的归一化均方误差的对比,其中对比的方法包括基于线性插值的导频辅助信道估计方法,基于高斯插值的导频辅助信道估计方法以及基于三次插值的导频辅助信道估计方法。由图中可以看出随着导频数量的增加各方法估计的NMSE逐渐减小。导频数量增加,意味着可以利用的用于信道估计的信息就越多,信道估计的NMSE也就自然而然的降低了。最下方的曲线为本发明提出方法的NMSE变化曲线,其估计产生的NMSE明显小于其它三种方法,这可以说明本发明提出的基于卷积残差网络模型的导频辅助信道估计方法的估计精度要明显优于其它方法。同时由图中可以看出,本发明提出的方法在导频数量为80时估计的NMSE低于其它三种方法在导频数量为320时的估计NMSE,换句话说,在达到同样的估计效果的情况下,本发明提出的方法所使用的导频数量要明显少于其它三种方法。因此可以说本发明提出的导频辅助的信道估计方法可以很大程度的节约导频资源,从而提高频谱的利用率。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种大规模MIMO系统中基站端导频辅助信道估计方法,其特征在于,移动端任一天线A向基站端任一天线B发送OFDM信号,所述OFDM信号同时包含OFDM导频和OFDM数据,基站端接收到OFDM信号后,对天线A和B之间的信道采用以下方法进行信道状态估计:
准备阶段:
移动端天线A在t时刻向基站端天线B发送OFDM导频信号st;基站端根据接收到导频信号估计当前信道在t时刻上各频点的信道状态信息Ht;重复n次传递,得到当前信道的信道状态信息矩阵H=[H1,H2,…,Hn];
对于每个Ht,根据导频图案确定导频位置,保留Ht导频位置处的CSI,在Ht导频位置外其余频点处填零,得到作为样本,将Ht作为该样本的标签,t=1,2,…,n,从而得到包含n个用于训练模型的样本的训练集,所述导频图案是由在OFDM导频信号上均匀间隔的频点上选定对应导频数量的子载波构成;
构建卷积残差网络模型;
训练阶段:采用训练集进行卷积残差网络模型训练,使模型通过不断迭代训练学习当前信道的频域相关性特征;
应用阶段:将接收到的OFDM信号输入至训练好的模型,输出当前信道的信道状态信息;
所述卷积残差网络模型由9层Conv2D层串联构成,第三层的输入与第五层的输出直接相连,第六层的输入和第八层的输出直接相连,除最后一层外其余均加入ReLu激活函数。
3.如权利要求2所述的方法,其特征在于,在训练的过程中通过梯度下降结合Adam优化算法对网络模型中的参数进行调整更新,使其达到最优,优化的目标即为使损失函数最小。
5.一种大规模MIMO系统中基站端导频辅助信道估计系统,其特征在于,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行权利要求1至4任一项所述的大规模MIMO系统中基站端导频辅助信道估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783911.6A CN113572709B (zh) | 2021-07-12 | 2021-07-12 | 一种大规模mimo系统中基站端导频辅助信道估计方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783911.6A CN113572709B (zh) | 2021-07-12 | 2021-07-12 | 一种大规模mimo系统中基站端导频辅助信道估计方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113572709A CN113572709A (zh) | 2021-10-29 |
CN113572709B true CN113572709B (zh) | 2022-05-17 |
Family
ID=78164385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110783911.6A Active CN113572709B (zh) | 2021-07-12 | 2021-07-12 | 一种大规模mimo系统中基站端导频辅助信道估计方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113572709B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110301143A (zh) * | 2016-12-30 | 2019-10-01 | 英特尔公司 | 用于无线电通信的方法和设备 |
CN112567700A (zh) * | 2018-08-09 | 2021-03-26 | Lg 电子株式会社 | 用于在无线通信系统中执行信道估计的方法及其设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8594221B2 (en) * | 2011-05-24 | 2013-11-26 | Industrial Technology Research Institute | Model-based channel estimator for correlated fading channels and channel estimation method thereof |
CN105610479B (zh) * | 2016-02-29 | 2018-08-17 | 华中科技大学 | 一种大规模mu-mimo系统信道估计方法 |
CN106683067B (zh) * | 2017-01-20 | 2020-06-23 | 福建帝视信息科技有限公司 | 一种基于残差子图像的深度学习超分辨率重建方法 |
WO2020092391A1 (en) * | 2018-10-29 | 2020-05-07 | Board Of Regents, The University Of Texas System | Low resolution ofdm receivers via deep learning |
CN109981498A (zh) * | 2019-03-12 | 2019-07-05 | 上海大学 | 基于超分辨率图像恢复技术的Wi-Fi标准系统信道估计方法 |
EP4032341A4 (en) * | 2019-09-19 | 2023-05-31 | Nokia Solutions and Networks Oy | CHANNEL ESTIMATION BASED ON MACHINE LEARNING |
CN110943944A (zh) * | 2019-11-07 | 2020-03-31 | 浙江大学 | 一种基于深度学习的ofdm系统的信道估计方法 |
CN113098805B (zh) * | 2021-04-01 | 2022-09-27 | 清华大学 | 基于二值化神经网络的高效mimo信道反馈方法及装置 |
-
2021
- 2021-07-12 CN CN202110783911.6A patent/CN113572709B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110301143A (zh) * | 2016-12-30 | 2019-10-01 | 英特尔公司 | 用于无线电通信的方法和设备 |
CN112567700A (zh) * | 2018-08-09 | 2021-03-26 | Lg 电子株式会社 | 用于在无线通信系统中执行信道估计的方法及其设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113572709A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112737985B (zh) | 基于深度学习的大规模mimo信道联合估计和反馈方法 | |
CN111698182B (zh) | 一种基于压缩感知的时频分块稀疏的信道估计方法 | |
CN109560841B (zh) | 基于改进的分布式压缩感知算法的大规模mimo系统信道估计方法 | |
CN101494627B (zh) | 宽带移动通信中利用压缩感知减少导频数的信道估计方法 | |
CN113395221A (zh) | 一种基于正交时频空联合信道估计与符号检测方法 | |
CN105591717B (zh) | 用于载波索引调制的mimo-ofdm系统的低复杂度检测方法 | |
CN109474388B (zh) | 基于改进梯度投影法的低复杂度mimo-noma系统信号检测方法 | |
CN113472706A (zh) | 一种基于深度神经网络的mimo-ofdm系统信道估计方法 | |
CN109600327B (zh) | 一种基于虚部干扰利用的信道估计方法 | |
CN108964725B (zh) | 时变大规模mimo网络中信道参数的稀疏估计方法 | |
CN108881076A (zh) | 一种基于压缩感知的mimo-fbmc/oqam系统信道估计方法 | |
CN106059639B (zh) | 基于矩阵盖尔圆的发射天线数目盲估计方法 | |
CN108259397B (zh) | 基于自适应正则化子空间追踪压缩感知算法的大规模mimo系统信道估计方法 | |
CN108599820A (zh) | 基于块结构自适应压缩采样匹配追踪算法的大规模mimo系统信道估计方法 | |
CN102387115A (zh) | 一种ofdm导频方案设计及信道估计方法 | |
CN106161328A (zh) | 基于载波索引调制的mimo‑ofdm系统的检测方法 | |
CN113422745B (zh) | 一种基于深度学习的空海无线信道估计方法 | |
WO2023185373A1 (zh) | 天波大规模mimo三重波束基信道建模及信道信息获取 | |
CN106998307A (zh) | 一种用于大规模天线系统的盲信号检测及信道估计方法 | |
CN113595666B (zh) | 大规模mimo系统基于时频联合相关性的信道预测方法和系统 | |
CN105812299A (zh) | 基于联合块稀疏重构的无线传感网信道估计算法及系统 | |
CN113572709B (zh) | 一种大规模mimo系统中基站端导频辅助信道估计方法和系统 | |
CN112769462A (zh) | 一种基于联合参数学习的毫米波mimo宽带信道估计方法 | |
CN114389655B (zh) | 一种相关信道下大规模mimo系统非相干编码的检测方法 | |
CN110059401A (zh) | 一种ofdm系统水声信道冲激响应重构方法 |
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 |