CN113660674B - 一种智能实现网络构建和网络优化的方法 - Google Patents

一种智能实现网络构建和网络优化的方法 Download PDF

Info

Publication number
CN113660674B
CN113660674B CN202110972862.0A CN202110972862A CN113660674B CN 113660674 B CN113660674 B CN 113660674B CN 202110972862 A CN202110972862 A CN 202110972862A CN 113660674 B CN113660674 B CN 113660674B
Authority
CN
China
Prior art keywords
network
factor
factors
matrix
network element
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
CN202110972862.0A
Other languages
English (en)
Other versions
CN113660674A (zh
Inventor
陈劼
安杰
马绪峰
韩冰
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110972862.0A priority Critical patent/CN113660674B/zh
Publication of CN113660674A publication Critical patent/CN113660674A/zh
Application granted granted Critical
Publication of CN113660674B publication Critical patent/CN113660674B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/22—Traffic simulation tools or models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明属于通信技术领域，具体涉及一种智能实现网络构建与网络优化的方法。本发明的方法主要包括首先获取影响未来网络架构的环境、网元和用户因素，对这些因素进行数据化与标准化处理得到网络因子集合，根据网络因子集合提取网络生态因子，利用获得的网络生态因子，确定智能构建网络中组网的网元组件和网元参数配置，对网络运行过程中存在变化的网络因子进行数据化与标准化处理得到网络变化因子集合，同时根据网络变化因子提取网络生态因子，在网络运行过程中，利用获得的网络变化因子，确定组网的网元组件和网元参数配置，进行智能网络优化。本发明的有益效果为：大大减少了网络构建阶段和网络运行阶段需要处理的数据量。

Description

一种智能实现网络构建和网络优化的方法
技术领域
本发明属于通信技术领域，具体涉及一种智能实现网络构建与网络优化的方法。
背景技术
随着技术的发展，移动通信网络的网元可以实现组件化，比如基站可以分解为基带处理单元、射频处理单元等。由于影响网络的基础因素主要包括环境因素、网元因素与用户因素，将这些因素转化为计算机能够识别处理的数据，将其称为网络因子。然而，上述网络因子之间可能会存在一些关联，使得它们对网络的影响并不能相互独立。还需要通过一定的理论建模，从这些可能的网络因子中筛选出相互独立的因子，或者说是真正独立地影响网络的因子，就定义为网络生态因子。此外，在网络运行过程中，部分网络因子是有所变化的，会对网络运行有所影响的，这些因子称之为网络变化因子。
发明内容
本发明所要解决的问题是如何利用网络生态因子智能实现构建网络，同时利用网络变化因子智能优化网络的方法。
本发明的技术方案为：
一种智能实现网络构建和网络优化的方法，包括以下步骤：
S1、获取影响未来网络架构的环境、网元和用户因素，对这些因素进行数据化与标准化处理得到网络因子集合；
S2、根据网络因子集合提取网络生态因子，具体包括：
S21、由网络因子集合计算样本均值、样本协方差阵及样本相关阵：
S22、求网络因子的样本相关矩阵的特征值和标准化特征向量；
S23、求网络因子模型的因子载荷矩阵；
S24、求网络因子的特殊因子方差估计及网络因子的共同度估计；
S25、对网络公共因子和因子载荷矩阵进行因子旋转；
S26、提取网络生态因子；
S3、利用S2中获得的网络生态因子，确定智能构建网络中组网的网元组件和网元参数配置，具体包括：
S31、根据不同环境情况下网络生态因子的特点，采用对应的特征预处理方法对网络生态因子进行处理；
S32、将预处理后的网络生态因子、不同的任务需求输入人工智能网络(如深度学习网络、迁移学习网络等，不限于上述人工智能网络)处理，并根据不同的任务需求(网元构建、网络构建、网络运行)输出不同的决策结果；
S321、如果任务需求为网元构建，则输出所选择的各网元基带处理模块编号、射频处理模块编号及协议栈处理模块编号；
S322、如果任务需求为网络构建，则输出网络构建具体采用的网元参数配置(工作频段、工作时隙、工作码元、天线参数、小区选择参数、小区重选参数、小区切换参数、小区移动配置参数、小区能力、小区类型等)、所选择的各网元编号以及网元之间的连接路径编号；
S323、如果任务需求为网络运行，则输出网络运行阶段具体采用的网元参数配置(工作频段、工作时隙、工作码元、天线参数、小区选择参数、小区重选参数、小区切换参数、小区移动配置参数、小区能力、小区类型等)、所选择的各网元编号以及网元之间的连接路径编号；
S4、对网络运行过程中存在变化的网络因子进行数据化与标准化处理得到网络变化因子集合；
S5、采用与步骤S2同理的方法根据网络变化因子提取网络生态因子；
S6、在网络运行过程中，利用S5中获得的网络变化因子，确定组网的网元组件和网元参数配置，进行智能网络优化，具体包括：
S61、根据不同环境情况下网络变化因子的特点，采用对应的特征预处理方法对网络变化因子进行处理；
S62、将预处理后的网络变化因子、不同的任务需求输入人工智能网络(如深度学习网络、迁移学习网络等，不限于上述人工智能网络)处理，并根据任务需求是网络优化输出网络优化阶段具体采用的网元参数配置(工作频段、工作时隙、工作码元、天线参数、小区选择参数、小区重选参数、小区切换参数、小区移动配置参数、小区能力、小区类型等)、所选择的各网元编号以及网元之间的连接路径编号。
本发明的有益效果为：大大减少了网络构建阶段和网络运行阶段需要处理的数据量。
附图说明
图1为网络因子的获得；
图2为从网络因子提取出网络生态因子的流程；
图3为利用网络生态因子和网络变化因子实现网络构建和网络优化的流程；
图4为智能处理模块示意。
具体实施方式
下面结合附图对本发明进行详细描述。
S1、对影响未来网络架构的环境、网元和用户因素，对这些因素进行数据化与标准化处理得到网络因子集合X：
X＝{X1,X2,...,Xp}′
其中X为可观测的网络因子随机向量，其中Xp为第p个网络因子，指环境因子、网元因子、用户因子等，均值为E(X)＝μ＝(μ1,μ2,...,μp)，协方差矩阵为D(X)＝Σ。
设F＝(F1,F2,...,Fm)′(m<p)是不可观测的随机向量，E(F)＝0，D(F)＝Im，又设ε＝(ε1,ε2,...,εp)′与F互不相关，且
Figure BDA0003226332030000031
假设网络因子X可以表达为：
Figure BDA0003226332030000032
将上式用矩阵可以表示为：
X＝μ+AF+ε (2)
其中F＝(F1,F2,...,Fm)′为网络因子X的公共因子，称为网络因子模型，ε＝(ε1,ε2,...,εp)′为网络因子X的特殊因子，A＝(aij)p×m为待估的系数矩阵，称为网络因子载荷矩阵，aij(i＝1,...,p；j＝1,...,m)称为第i个变量在第j个网络因子上的载荷。
S2、根据网络因子模型提取网络生态因子；
S21、由网络因子模型计算样本均值
Figure BDA0003226332030000041
样本协方差阵S及样本相关阵R：
设样本数据阵为
Figure BDA0003226332030000042
则样本均值为
Figure BDA0003226332030000043
样本协方差矩阵为
Figure BDA0003226332030000044
其中
Figure BDA0003226332030000045
样本相关矩阵为
R＝(rij) (6)
其中
Figure BDA0003226332030000046
S22、求网络因子模型的样本相关矩阵的特征值和标准化特征向量；记λ1≥λ2≥...≥λp≥0为R的特征值，其相应的单位正交特征向量为l1,l2,...,lp。
S23、求网络因子模型的因子载荷矩阵A；
S231、确定公共因子的个数m，比如取m为满足(λ1+λ2+...+λm)/p≥0.8的最小正整数。
S232、令
Figure BDA0003226332030000051
则A＝(a1,a2,...,am)为网络因子载荷矩阵。
S24、求网络因子模型的特殊因子方差估计
Figure BDA0003226332030000052
Xi的共同度
Figure BDA0003226332030000053
的估计为
Figure BDA0003226332030000054
S25、对网络公共因子和因子载荷矩阵进行因子旋转；
首先对网络公共因子做正交因子旋转，有：
F*＝T′F (7)
相应地，因子载荷矩阵变为：
A*＝AT (8)
记A′＝(a1,a2,...,ap),
Figure BDA0003226332030000055
因A*′＝T′A′，即
Figure BDA0003226332030000056
故
Figure BDA0003226332030000057
说明ai是
Figure BDA0003226332030000058
在该坐标系下的一个坐标点，p个坐标点a1,a2,...,ap经(9)式的旋转后转换为新坐标点
Figure BDA0003226332030000059
但p个点的几何结构保持不变。
S26、提取网络生态因子；
在(2)式中，假设
Figure BDA00032263320300000510
服从(m+p)元正态分布，则：
Figure BDA00032263320300000511
也服从(m+p)元正态分布，由此可得其均值和协方差矩阵为：
Figure BDA0003226332030000061
Figure BDA0003226332030000062
在X给定的条件下，F的条件数学期望为
Figure BDA0003226332030000063
(13)式可表示为
Figure BDA0003226332030000064
或
Figure BDA0003226332030000065
用
Figure BDA0003226332030000066
R代替(13)式中的μ,A,Σ来求得因子得分，因此Xj的因子得分为
Figure BDA0003226332030000067
(16)中的
Figure BDA0003226332030000068
即为网络生态因子。
S3、利用S2中获得的网络生态因子，确定智能构建网络中组网的网元组件和网元参数配置。
S31、根据不同环境情况下网络生态因子的特点，采用对应的特征预处理方法对网络生态因子进行处理；
S32、将预处理后的网络生态因子、不同的任务需求输入人工智能网络(如深度学习网络、迁移学习网络等，不限于上述人工智能网络)处理，并根据不同的任务需求(网络构建、网络运行)输出不同的决策结果，并按决策结果进行处理和配置；
S321、如果任务需求为网络构建，则输出所选择的各网元基带处理模块编号、射频处理模块编号及协议栈处理模块编号、具体采用的网元参数配置(工作频段、工作时隙、工作码元、天线参数、小区选择参数、小区重选参数、小区切换参数、小区移动配置参数、小区能力、小区类型等)、所选择的各网元编号以及网元之间的连接路径编号；并自动配置前述这些参数。
S322、如果任务需求为网络运行，则输出网络运行阶段具体采用的网元参数配置(工作频段、工作时隙、工作码元、天线参数、小区选择参数、小区重选参数、小区切换参数、小区移动配置参数、小区能力、小区类型等)、所选择的各网元编号以及网元之间的连接路径编号；并自动调整前述这次参数和配置。
S4、对网络运行过程中存在变化的网络因子进行数据化与标准化处理得到网络变化因子集合；
S5、根据网络变化因子提取网络生态因子：所述步骤与S2类似。
S6、在网络运行过程中，利用S5中获得的网络变化因子，确定组网的网元组件和网元参数配置，进行智能网络优化。
S61、根据不同环境情况下网络变化因子的特点，采用对应的特征预处理方法对网络变化因子进行处理；
S62、将预处理后的网络变化因子、不同的任务需求输入人工智能网络(如深度学习网络、迁移学习网络等，不限于上述人工智能网络)处理，并根据任务需求是网络优化输出网络优化阶段具体采用的网元参数配置(工作频段、工作时隙、工作码元、天线参数、小区选择参数、小区重选参数、小区切换参数、小区移动配置参数、小区能力、小区类型等)、所选择的各网元编号以及网元之间的连接路径编号；并自动配置前述参数。

Claims (5)

1.一种智能实现网络构建和网络优化的方法，其特征在于，包括以下步骤：
S1、获取影响网络架构的环境、网元和用户因素，对这些因素进行数据化与标准化处理得到网络因子集合；
S2、根据网络因子集合提取网络生态因子，具体包括：
S21、由网络因子集合计算样本均值、样本协方差阵及样本相关阵：
S22、求网络因子的样本相关矩阵的特征值和标准化特征向量；
S23、求网络因子模型的因子载荷矩阵；
S24、求网络因子的特殊因子方差估计及网络因子的共同度估计；
S25、对网络公共因子和因子载荷矩阵进行因子旋转；
S26、提取网络生态因子；
S3、利用S2中获得的网络生态因子，确定智能构建网络中组网的网元组件和网元参数配置，具体包括：
S31、根据不同环境情况下网络生态因子的特点，采用对应的特征预处理方法对网络生态因子进行处理；
S32、将预处理后的网络生态因子、不同的任务需求输入人工智能网络处理，并根据不同的任务需求输出不同的决策结果，具体为：
S321、如果任务需求为网元构建，则输出所选择的各网元基带处理模块编号、射频处理模块编号及协议栈处理模块编号；
S322、如果任务需求为网络构建，则输出网络构建具体采用的网元参数配置、所选择的各网元编号以及网元之间的连接路径编号；
S323、如果任务需求为网络运行，则输出网络运行阶段具体采用的网元参数配置、所选择的各网元编号以及网元之间的连接路径编号；
S4、对网络运行过程中存在变化的网络因子进行数据化与标准化处理得到网络变化因子集合；
S5、采用与步骤S2同理的方法根据网络变化因子提取网络生态因子；
S6、在网络运行过程中，利用S5中获得的网络变化因子，确定组网的网元组件和网元参数配置，进行智能网络优化，具体包括：
S61、根据不同环境情况下网络变化因子的特点，采用对应的特征预处理方法对网络变化因子进行处理；
S62、将预处理后的网络变化因子、不同的任务需求输入人工智能网络处理，并根据任务需求是网络优化输出网络优化阶段具体采用的网元参数配置、所选择的各网元编号以及网元之间的连接路径编号。
2.根据权利要求1所述的一种智能实现网络构建和网络优化的方法，其特征在于，所述步骤S1的具体方法为：
令网络因子集合为X：
X＝{X1,X2,...,Xp}′
其中X为可观测的网络因子随机向量，Xp为第p个网络因子，包括环境因子、网元因子、用户因子，均值为E(X)＝μ＝(μ1,μ2,...,μp)，协方差矩阵为D(X)＝Σ；
定义F＝(F1,F2,...,Fm)′是不可观测的随机向量，m<p，E(F)＝0，D(F)＝Im，令ε＝(ε1,ε2,...,εp)′与F互不相关，且E(ε)＝0,
Figure FDA0003226332020000021
将网络因子X表达为：
Figure FDA0003226332020000022
将上式用矩阵表示为：
X＝μ+AF+ε (2)
其中F＝(F1,F2,...,Fm)′为网络因子X的公共因子，称为网络因子模型，ε＝(ε1,ε2,...,εp)′为网络因子X的特殊因子，A＝(aij)p×m为待估的系数矩阵，称为网络因子载荷矩阵，aij(i＝1,...,p；j＝1,...,m)称为第i个变量在第j个网络因子上的载荷。
3.根据权利要求2所述的一种智能实现网络构建和网络优化的方法，其特征在于，所述步骤S2的具体方法为：
S21、由网络因子模型计算样本均值
Figure FDA0003226332020000031
样本协方差阵S及样本相关阵R：
设样本数据阵为
Figure FDA0003226332020000032
则样本均值为
Figure FDA0003226332020000033
样本协方差矩阵为
Figure FDA0003226332020000034
其中
Figure FDA0003226332020000035
样本相关矩阵为
R＝(rij) (6)
其中
Figure FDA0003226332020000036
S22、求网络因子模型的样本相关矩阵的特征值和标准化特征向量；记λ1≥λ2≥...≥λp≥0为R的特征值，其相应的单位正交特征向量为l1,l2,...,lp；
S23、求网络因子模型的因子载荷矩阵A：
S231、确定公共因子的个数m，取m为满足(λ1+λ2+...+λm)/p≥0.8的最小正整数；
S232、令
Figure FDA0003226332020000041
则A＝(a1,a2,...,am)为网络因子载荷矩阵；
S24、求网络因子模型的特殊因子方差估计
Figure FDA0003226332020000042
Xi的共同度
Figure FDA0003226332020000043
的估计为
Figure FDA0003226332020000044
S25、对网络公共因子和因子载荷矩阵进行因子旋转；
首先对网络公共因子做正交因子旋转，有：
F*＝T′F (7)
相应地，因子载荷矩阵变为：
A*＝AT (8)
记A′＝(a1,a2,...,ap),
Figure FDA0003226332020000045
因A*′＝T′A′，即
Figure FDA0003226332020000046
故
Figure FDA0003226332020000047
说明ai是
Figure FDA0003226332020000048
在该坐标系下的一个坐标点，p个坐标点a1,a2,...,ap经(9)式的旋转后转换为新坐标点
Figure FDA0003226332020000049
但p个点的几何结构保持不变；
S26、提取网络生态因子；
在(2)式中，假设
Figure FDA00032263320200000410
服从(m+p)元正态分布，则：
Figure FDA00032263320200000411
也服从(m+p)元正态分布，由此可得其均值和协方差矩阵为：
Figure FDA00032263320200000412
Figure FDA0003226332020000051
在X给定的条件下，F的条件数学期望为
Figure FDA0003226332020000052
(13)式表示为
Figure FDA0003226332020000053
或
Figure FDA0003226332020000054
用
Figure FDA0003226332020000055
R代替(13)式中的μ,A,Σ来求得因子得分，因此Xj的因子得分为
Figure FDA0003226332020000056
(16)中的
Figure FDA0003226332020000057
即为网络生态因子。
4.根据权利要求3所述的一种智能实现网络构建和网络优化的方法，其特征在于，所述人工智能网络为深度学习网络或迁移学习网络。
5.根据权利要求4所述的一种智能实现网络构建和网络优化的方法，其特征在于，所述网元参数配置包括工作频段、工作时隙、工作码元、天线参数、小区选择参数、小区重选参数、小区切换参数、小区移动配置参数、小区能力、小区类型。
CN202110972862.0A 2021-08-24 2021-08-24 一种智能实现网络构建和网络优化的方法 Active CN113660674B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110972862.0A CN113660674B (zh) 2021-08-24 2021-08-24 一种智能实现网络构建和网络优化的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110972862.0A CN113660674B (zh) 2021-08-24 2021-08-24 一种智能实现网络构建和网络优化的方法

Publications (2)

Publication Number Publication Date
CN113660674A CN113660674A (zh) 2021-11-16
CN113660674B true CN113660674B (zh) 2022-04-08

Family

ID=78481760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110972862.0A Active CN113660674B (zh) 2021-08-24 2021-08-24 一种智能实现网络构建和网络优化的方法

Country Status (1)

Country Link
CN (1) CN113660674B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114896825B (zh) * 2022-07-13 2022-09-30 江苏中安建设集团有限公司 一种建筑节能给排水系统智能控制方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102149103A (zh) * 2011-04-11 2011-08-10 北京铭润创展科技有限公司 网络优化系统及方法
CN107995643A (zh) * 2018-02-02 2018-05-04 成都工业学院 基于数据驱动的网元参数预测优化方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020091991A1 (en) * 2000-05-11 2002-07-11 Castro Juan Carlos Unified real-time microprocessor computer
US9258719B2 (en) * 2011-11-08 2016-02-09 Viavi Solutions Inc. Methods and apparatus for partitioning wireless network cells into time-based clusters

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102149103A (zh) * 2011-04-11 2011-08-10 北京铭润创展科技有限公司 网络优化系统及方法
CN107995643A (zh) * 2018-02-02 2018-05-04 成都工业学院 基于数据驱动的网元参数预测优化方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"BGN: Identifying Influential Nodes in Complex Networks via Backward Generating Networks";Zhiwei Lin et al.;《IEEE Access》;20181015;全文 *
"面向智能电网的光传输网资源调度优化方法";赵炜;《中国优秀博硕士学位论文全文数据库(硕士)信息科技I辑》;20190115;全文 *

Also Published As

Publication number Publication date
CN113660674A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
WO2020253691A1 (zh) 一种基于共轭梯度下降法的深度学习信号检测方法
Shao et al. Feature-aided adaptive-tuning deep learning for massive device detection
CN111162888B (zh) 分布式天线系统、远程接入单元、功率分配方法和介质
CN114172547B (zh) 基于智能反射面的无线携能通信混合预编码设计方法
Pellaco et al. Deep unfolding of the weighted MMSE beamforming algorithm
Zhang et al. Deep learning based user association in heterogeneous wireless networks
Zhang et al. Embedding model-based fast meta learning for downlink beamforming adaptation
CN113660674B (zh) 一种智能实现网络构建和网络优化的方法
CN109560849B (zh) 一种基于二阶锥规划的波束赋形的鲁棒性自适应算法
US20240039585A1 (en) System and method for adaptive filtering
Pellaco et al. Matrix-inverse-free deep unfolding of the weighted MMSE beamforming algorithm
CN112836822B (zh) 基于宽度学习的联邦学习策略优化方法和装置
Diao et al. A Scalable Deep Learning Based Active User Detection Approach for SEU-Aided Cell-Free Massive MIMO Systems
CN114204971A (zh) 一种迭代的聚合波束成形设计和用户设备选择方法
Zhang et al. Bayesian and multi-armed contextual meta-optimization for efficient wireless radio resource management
CN106257849B (zh) 基于多目标量子萤火虫搜索机制的频谱感知方法
CN107346985B (zh) 一种结合发射天线选择技术的干扰对齐方法
CN111625923A (zh) 一种基于非平稳高斯过程模型的天线电磁优化方法及系统
CN114337883B (zh) 协方差矩阵Cholesky分解的CNN协作频谱感知方法及系统
CN114764577A (zh) 一种基于深度神经网络的轻量级调制识别模型及其方法
CN114364034A (zh) 基于drl的ris辅助用户中心化去蜂窝系统中资源管理半并行方法
Shao et al. Deep learning-based joint activity detection and channel estimation for massive access: When more antennas meet fewer pilots
Lee et al. Neural architecture search for computation offloading of dnns from mobile devices to the edge server
Wang et al. Joint Beamforming Optimization and Mode Selection for RDARS-aided MIMO Systems
Amorosa et al. Multi-Agent Reinforcement Learning for Power Control in Wireless Networks via Adaptive Graphs

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