CN113709075B - 一种利用水声信道多径效应的水声通信接收机的实现方法 - Google Patents

一种利用水声信道多径效应的水声通信接收机的实现方法 Download PDF

Info

Publication number
CN113709075B
CN113709075B CN202110848209.3A CN202110848209A CN113709075B CN 113709075 B CN113709075 B CN 113709075B CN 202110848209 A CN202110848209 A CN 202110848209A CN 113709075 B CN113709075 B CN 113709075B
Authority
CN
China
Prior art keywords
layer
underwater acoustic
neural network
time reversal
network model
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
CN202110848209.3A
Other languages
English (en)
Other versions
CN113709075A (zh
Inventor
付晓梅
王思宁
胡雅琳
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN202110848209.3A priority Critical patent/CN113709075B/zh
Publication of CN113709075A publication Critical patent/CN113709075A/zh
Application granted granted Critical
Publication of CN113709075B publication Critical patent/CN113709075B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04L27/2647—Arrangements specific to the receiver only
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B11/00—Transmission systems employing sonic, ultrasonic or infrasonic waves
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B13/00—Transmission systems characterised by the medium used for transmission, not provided for in groups H04B3/00 - H04B11/00
    • H04B13/02—Transmission systems in which the medium consists of the earth or a large mass of water thereon, e.g. earth telegraphy

Abstract

本发明公开了一种利用水声信道多径效应的水声通信接收机的实现方法，方法包括：在正交频分复用多载波技术的基础上，利用多路径效应基于时间反转层‑批归一化层‑卷积层组成的神经网络模型进行时间反转信号处理和特征提取，以此作为通信系统的接收端；通过全连接层实现网络的最终输出；在训练阶段，以提取和学习输入特征，通过最小化损失函数推断接收信号和二进制数据之间的关系；在测试阶段，将接收到的信号输入到训练后的网络模型中，恢复出二进制数据。本发明提高了水声通信接收机的性能，能够适应不同的水声信道环境。

Description

一种利用水声信道多径效应的水声通信接收机的实现方法
技术领域
本发明涉及数字多载波传输技术领域，尤其涉及一种利用水声信道多径效应的水声通信接收机的实现方法。
背景技术
正交频分复用技术由于其在抵抗符号间干扰和减少多径衰落效应方面的出色性能，已被广泛用于水声通信中。水声信道是最具挑战性的通信媒体之一，其快速时变，长时延扩展和多普勒频移特性使得水声通信的接收机设计尤为重要。
近年来，由于深度神经网络的强大学习能力，将其引入无线通信中已经实现了比传统方法更好的性能并展现出了巨大的潜力。现有研究方法使用深度神经网络代替接收端的信道估计，信号检测和星座图解映射，以提高传统正交频分复用接收端的性能。
但是，现有基于深度神经网络的接收端模型对于信道环境有很大的局限性，即它不能很好地匹配与训练信道明显不同的信道环境。此外，现有网络模型都是完全连接的神经网络结构，它通常涉及大量的训练参数并且需要很高的计算复杂度。
发明内容
本发明提供了一种利用水声信道多径效应的水声通信接收机的实现方法，本发明在正交频分复用多载波技术的基础上，利用多路径效应，使用卷积神经网络实现时间反转信号的处理设计，并将基于时间反转的卷积神经网络模型用于通信系统的接收端，提高水声通信接收机的性能，详见下文描述：
一种利用水声信道多径效应的水声通信接收机的实现方法，所述方法包括：
在正交频分复用多载波技术的基础上，利用多路径效应基于时间反转层-批归一化层-卷积层组成的神经网络模型进行时间反转信号处理和特征提取，以此作为通信系统的接收端；通过全连接层实现网络的最终输出；
在训练阶段，以提取和学习输入特征，通过最小化损失函数推断接收信号和二进制数据之间的关系；
在测试阶段，将接收到的信号输入到训练后的网络模型中，恢复出二进制数据。
其中，所述时间反转层用于对时间反转信号进行处理，估计的信道冲激响应被用作卷积核，提取水声信道的多路径信息以减轻长时延扩展并提高信噪比；所述批归一化层用于对时间反转卷积层的输出进行归一化。
其中，所述方法还包括：输入预处理，用于获取估计的信道冲激响应，提高网络输入数据的质量；
Figure BDA0003181484860000021
Figure BDA0003181484860000022
其中，上标(·)H表示矩阵转置，XP(k)和YP(k)分别是第k个子载波上携带的导频符号和相应的接收符号；hLS(t)是
Figure BDA0003181484860000023
通过傅里叶逆变换获得的估计信道冲击响应，
Figure BDA0003181484860000024
为估计的信道频域响应。
进一步地，所述神经网络模型卷积层的第l层的输出表示为：
Figure BDA0003181484860000025
其中，
Figure BDA0003181484860000026
是当前层的第j个神经元的输出特征图，
Figure BDA0003181484860000027
是前一层的输出特征图；
Figure BDA0003181484860000028
是滑过卷积核的输入特征映射的遍历；
Figure BDA0003181484860000029
表示从l-1层的第i个神经元到l层的第j个神经元的卷积核；
Figure BDA00031814848600000210
是第l层中第j个神经元的标准偏差；f(·)表示第l层的非线性函数；
所述神经网络模型的最终输出表示为：
Figure BDA00031814848600000211
其中，w和c表示全连接层的训练权重和偏差，x是已展平的卷积层的最终输出特征图，fr表示ReLU非线性函数，fs表示Sigmod非线性函数。
进一步地，所述损失函数表示为：
Figure BDA00031814848600000212
其中，v＝0,1,...,V-1,V是批处理大小，Ly是预测向量
Figure BDA00031814848600000213
的长度，b(v)是输入标签。
本发明提供的技术方案的有益效果是：
1、本发明使基于神经网络的接收端模型能够匹配快速时变，多径效应严重的水声信道，而且无需额外的训练开销；
2、相比于传统接收方法和现有的基于深度神经网络的方法，本发明明显降低了接收端的复杂度和误码率，提高了系统的可靠性，同时由于卷积神经网络的稀疏连接和权值共享优势使得训练开销大大减小，如图3所示，图3比较了基于传统接收方法(最小二乘法，时间反转法)，基于深度神经网络和基于时间反转-批归一化-卷积神经网络的水声正交频分复用系统的误码率；
3、由于本发明设计的接收机不仅能够学习信道特性，而且能够利用水声信道的多径信息提高接收端的信噪比，因此提高了基于神经网络的正交频分复用接收机的鲁棒性和泛化能力，如图4所示，图4比较了基于深度神经网络和基于时间反转-批归一化-卷积神经网络在不同信道环境下的水声正交频分复用系统的误码率。
附图说明
图1为正交频分复用系统的结构框图；
其中，(a)为传统正交频分复用系统的结构框图；(b)为基于时间反转-批归一化-卷积神经网络的正交频分复用系统的结构框图。
图2为时间反转-批归一化-卷积神经网络模型的具体结构框图；
图3为基于时间反转-批归一化-卷积神经网络，基于深度神经网络和基于传统接收方法的正交频分复用系统的误码率曲线示意图；
图4为基于时间反转-批归一化-卷积神经网络和基于深度神经网络在不同信道环境下的正交频分复用系统的误码率曲线示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
卷积神经网络在处理大数据任务中已得到显著发展，它具有稀疏连接和权值共享优势可以改善网络模型。与全连接的深度神经网络相比，卷积神经网络的相邻层之间的连接更少，其训练的权重参数也更少，这能够降低模型复杂性并提高训练的收敛速度。
时间反转信号处理技术具有时空聚焦性，时间反转过程的主要思想是对信号进行反转和卷积，对于水声多径信道，通过时间反转处理可将其转换为类似脉冲的信道以缓解符号间干扰，同时可以提高接收端的信噪比。
本发明实施例提供了一种利用水声信道多径效应的水声通信接收机的实现方法，以水声正交频分复用系统为基础，受时间反转信号处理和卷积神经网络都利用卷积运算的启发，利用卷积神经网络的卷积运算在接收端实现时间反转信号处理，用一个基于时间反转-批归一化-卷积神经网络模型直接代替实施传统通信系统接收机中的所有信号处理模块的功能。系统的发送端和传统正交频分复用技术的发送端相同。
1、卷积神经网络实现时间反转过程
卷积神经网络是一种带有卷积操作的神经网络，在卷积层中使用卷积而不是一般的矩阵乘法。卷积层有多个卷积核，通过经由卷积核K定期扫描输入数据I来提取特征，其中一维卷积的输出Z表示如公式(1)所示：
Figure BDA0003181484860000041
其中，
Figure BDA0003181484860000042
代表卷积运算，卷积层中的卷积运算是互相关的相关函数，它与卷积相同，但不翻转卷积核，m代表输入数据I的长度。
在追求简单节点和低功率消耗的水声通信系统中，单阵元的时间反转技术具有不可替代的优势。假设发送信号发送了一个已知信号s(t)，接收端接收的无噪声信号为：
Figure BDA0003181484860000043
其中h(t)是水声信道，然后将接收信号进行时间反转得到y(-t)再反向发送回去，该信号经过相同的信道h(t)传播。最后在发送信号处再次接收回传的最终信号sr(t)表示如公式(2)所示：
Figure BDA0003181484860000044
其中，p为水声信道的多径数。
对比公式(1)与(2)，可知时间反转过程的主要思想是对信号进行反转和卷积，而卷积神经网络中的卷积恰好无需翻转卷积内核。因此，利用卷积神经网络的卷积运算来实现时间反转信号处理，这不仅降低了计算复杂度而无需事先进行信号反转，而且提高了接收端的信噪比。
2、系统结构
在发送端，首先对随机生成的二进制数据序列b进行映射，然后串并转换获得由信息信号和导频信号共同组成的调制信号X(k)，其中导频信号用于接收端的信道估计。之后并行数据流经过N点傅里叶逆变换以获得时域信号x(t)如公式(3)所示：
Figure BDA0003181484860000051
为了降低符号间干扰和子载波间干扰，在x(t)的前端插入循环前缀，得到长度为N+NCP的信号xCP(t)，其中NCP为循环前缀的长度，k为子载波的索引，N为子载波数。
经水声信道后，接收信号yCP(t)包括接收信息信号yD(t)和导频信号yP(t)由公式(4)所示：
Figure BDA0003181484860000052
其中，h(t)和n(t)分别是时域信道响应和均值为零的加性高斯白噪声。
在接收端，将接收信号yCP(t)直接输入到基于时间反转-批归一化-卷积神经网络模型中，经过网络的训练获得二进制输出比特。
传统正交频分复用系统和上述基于时间反转-批归一化-卷积神经网络的正交频分复用系统的结构框图如图1所示。
3、基于时间反转-批归一化-卷积神经网络模型
基于时间反转-批归一化-卷积神经网络模型的具体结构如图2所示，主要由输入预处理、初始归一化、时间反转卷积层、批归一化层、卷积层和全连接层组成。其中输入预处理是为了获取估计的信道冲激响应，提高网络输入数据的质量，使用简单的最小二乘算法公式表示如下：
Figure BDA0003181484860000053
Figure BDA0003181484860000054
其中，上标(·)H表示矩阵转置，XP(k)和YP(k)分别是第k个子载波上携带的导频符号和相应的接收符号。hLS(t)是
Figure BDA0003181484860000055
通过傅里叶逆变换获得的估计信道冲击响应，
Figure BDA0003181484860000056
为估计的信道频域响应。
设计时间反转卷积层来实现时间反转信号处理，其中估计的信道冲激响应被用作卷积核，它可以提取水声信道的多径信息以减轻长时延扩展并提高信噪比。接下来使用批归一化层对时间反转卷积层的输出进行归一化，这可以降低数据的敏感性并增强网络的泛化能力。
对于卷积层，其包括：一维卷积和激活函数，不同大小和数量的卷积核能够提取到更多的特征信息。假设共有L层，则第l层的输出可以表示如公式(7)所示：
Figure BDA0003181484860000061
其中，
Figure BDA0003181484860000062
是当前层(l层)的第j个神经元的输出特征图，
Figure BDA0003181484860000063
是前一层(l-1层)的输出特征图即当前层l的输入。
Figure BDA0003181484860000064
是滑过卷积核的输入特征映射的遍历。
Figure BDA0003181484860000065
表示从l-1层的第i个神经元到l层的第j个神经元的卷积核；
Figure BDA0003181484860000066
是第l层中第j个神经元的标准偏差；f(·)表示第l层的非线性函数，常用的非线性函数有Sigmod，tanh，softmax，ReLU，LeakyReLU，SeLU等。
最后是全连接层，网络的最终输出可以表示如公式(8)所示：
Figure BDA0003181484860000067
其中，w和c表示全连接层的训练权重和偏差，x是已展平的卷积层的最终输出特征图，fr表示ReLU非线性函数，fs表示Sigmod非线性函数。
为了减少训练开销，模型采用线下训练和线上测试的方式。
在训练阶段，训练网络以提取和学习输入特征，从而通过最小化损失函数自动推断接收信号和二进制数据之间的复杂功能关系，因此损失函数表示如公式(9)所示：
Figure BDA0003181484860000068
其中，v＝0,1,...,V-1,V是批处理大小，Ly是预测向量
Figure BDA0003181484860000069
的长度，b(v)是输入标签。
信道响应的数据集是基于统计特性的水声信道模型通过MATLAB仿真或实测得到，通过改变信道传输距离和收发端的相对运动速度可以得到不同的水声信道环境。在训练阶段，该网络模型不仅可以学习信道特性，而且可以利用多径信息来提高接收端的信噪比。
在测试阶段，利用不同于训练环境的测试信道环境，将接收到的信号yCP(t)输入到已经训练好的网络模型，由于该网络模型的鲁棒性和泛化能力较强，输出二进制比特
Figure BDA00031814848600000610
会最大概率地被恢复出来。
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种利用水声信道多径效应的水声通信接收机的实现方法，其特征在于，所述方法包括：
在正交频分复用多载波技术的基础上，利用多路径效应基于神经网络模型进行时间反转信号处理和特征提取，以此作为通信系统的接收端；通过全连接层实现神经网络模型的最终输出；
在训练阶段，以提取和学习输入特征，通过最小化损失函数推断接收信号和二进制数据之间的关系；
在测试阶段，将接收到的信号输入到训练后的网络模型中，恢复出二进制数据；
其中，所述神经网络模型由输入预处理、初始归一化、时间反转卷积层、批归一化层、卷积层和全连接层组成；
所述输入预处理，用于获取估计的信道冲激响应，提高网络输入数据的质量；
Figure FDA0003617012560000011
Figure FDA0003617012560000012
其中，上标(·)H表示矩阵转置，XP(k)和YP(k)分别是第k个子载波上携带的导频符号和相应的接收符号；hLS(t)是
Figure FDA0003617012560000013
通过傅里叶逆变换获得的估计信道冲击响应，
Figure FDA0003617012560000014
为估计的信道频域响应；
所述时间反转卷积层用于对时间反转信号进行处理，估计的信道冲激响应被用作卷积核，提取水声信道的多路径信息以减轻长时延扩展并提高信噪比；
所述批归一化层用于对时间反转卷积层的输出进行归一化；
所述卷积层包括：一维卷积和激活函数，共有L层，第l层的输出表示为：
Figure FDA0003617012560000015
其中，
Figure FDA0003617012560000016
是当前层的第j个神经元的输出特征图，
Figure FDA0003617012560000017
是前一层的输出特征图；
Figure FDA0003617012560000018
是滑过卷积核的输入特征映射的遍历；
Figure FDA0003617012560000019
表示从l-1层的第i个神经元到l层的第j个神经元的卷积核；
Figure FDA00036170125600000110
是第l层中第j个神经元的标准偏差；f(·)表示第l层的非线性函数；
通过所述全连接层，神经网络模型的最终输出表示为：
Figure FDA00036170125600000111
其中，w和c表示全连接层的训练权重和偏差，x是已展平的卷积层的最终输出特征图，fr表示ReLU非线性函数，fs表示Sigmod非线性函数。
2.根据权利要求1所述的一种利用水声信道多径效应的水声通信接收机的实现方法，其特征在于，所述损失函数表示为：
Figure FDA0003617012560000021
其中，v＝0,1,...,V-1,V是批处理大小，Ly是预测向量
Figure FDA0003617012560000022
的长度，b(v)是输入标签。
CN202110848209.3A 2021-07-27 2021-07-27 一种利用水声信道多径效应的水声通信接收机的实现方法 Active CN113709075B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110848209.3A CN113709075B (zh) 2021-07-27 2021-07-27 一种利用水声信道多径效应的水声通信接收机的实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110848209.3A CN113709075B (zh) 2021-07-27 2021-07-27 一种利用水声信道多径效应的水声通信接收机的实现方法

Publications (2)

Publication Number Publication Date
CN113709075A CN113709075A (zh) 2021-11-26
CN113709075B true CN113709075B (zh) 2022-08-05

Family

ID=78650759

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110848209.3A Active CN113709075B (zh) 2021-07-27 2021-07-27 一种利用水声信道多径效应的水声通信接收机的实现方法

Country Status (1)

Country Link
CN (1) CN113709075B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115118557B (zh) * 2022-06-28 2023-07-25 南华大学 基于深度学习的水声ofdm通信信道反馈方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038471A (zh) * 2017-12-27 2018-05-15 哈尔滨工程大学 一种基于深度学习技术的水声通信调制模式识别方法
CN109299697A (zh) * 2018-09-30 2019-02-01 泰山学院 基于水声通信调制方式识别的深度神经网络系统及方法
CN109474352A (zh) * 2018-12-24 2019-03-15 哈尔滨工程大学 一种基于深度学习的水声正交频分复用通信方法
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
CN111460932A (zh) * 2020-03-17 2020-07-28 哈尔滨工程大学 基于自适应卷积的水声信号分类识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7031250B2 (en) * 2001-09-27 2006-04-18 Rf Micro Devices, Inc. Method and apparatus for channel estimation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038471A (zh) * 2017-12-27 2018-05-15 哈尔滨工程大学 一种基于深度学习技术的水声通信调制模式识别方法
CN109299697A (zh) * 2018-09-30 2019-02-01 泰山学院 基于水声通信调制方式识别的深度神经网络系统及方法
CN109474352A (zh) * 2018-12-24 2019-03-15 哈尔滨工程大学 一种基于深度学习的水声正交频分复用通信方法
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
CN111460932A (zh) * 2020-03-17 2020-07-28 哈尔滨工程大学 基于自适应卷积的水声信号分类识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Deep neural network-based underwater OFDM receiver";Jing Zhang等;《The Institution of Engineering and Technology》;20190531;正文第1-5节 *
"基于卷积神经网络的水声通信调制识别";姚晓辉等;《无人系统技术》;20181105;正文第1-5节 *

Also Published As

Publication number Publication date
CN113709075A (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
CN111404849B (zh) 一种基于深度学习的ofdm信道估计与信号检测方法
CN109474352B (zh) 一种基于深度学习的水声正交频分复用通信方法
CN109246038B (zh) 一种数据模型双驱动的gfdm接收机及方法
CN113395221A (zh) 一种基于正交时频空联合信道估计与符号检测方法
CN111614584B (zh) 基于神经网络的变换域自适应滤波信道估计方法
CN107332797B (zh) 一种电力线ofdm通信系统中的信道估计方法
CN111740934B (zh) 一种基于深度学习的水声fbmc通信信号检测方法
CN113472706A (zh) 一种基于深度神经网络的mimo-ofdm系统信道估计方法
CN111865863B (zh) 一种基于rnn神经网络的ofdm信号检测方法
CN110311876A (zh) 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
CN111683024A (zh) 一种基于深度学习的时变ofdm系统信道估计方法
Zhang et al. Deep learning aided OFDM receiver for underwater acoustic communications
Zhang et al. Deep learning based on orthogonal approximate message passing for CP-free OFDM
CN115250216A (zh) 一种基于深度学习的水声ofdm联合信道估计和信号检测方法
CN113709075B (zh) 一种利用水声信道多径效应的水声通信接收机的实现方法
CN111355677A (zh) 一种基于滤波器组的多载波水下高速通信系统
Zhang et al. Deep learning based underwater acoustic OFDM receiver with joint channel estimation and signal detection
Zhang et al. On the performance of deep neural network aided channel estimation for underwater acoustic OFDM communications
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
Xu et al. Blind modulation recognition of UWA signals with semi-supervised learning
Zhang et al. Deep learning and expert knowledge based underwater acoustic OFDM receiver
CN111291511B (zh) 一种基于历史信息的软卡尔曼滤波迭代时变信道估计方法
CN112636855A (zh) 一种ofdm信号检测方法
Yıldırım et al. Deep receiver design for multi-carrier waveforms using cnns
Liu et al. RecNet: Deep learning-based OFDM receiver with semi-blind channel estimation

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