CN114140987A - 一种基于置信规则库的滑坡预警方法 - Google Patents
一种基于置信规则库的滑坡预警方法 Download PDFInfo
- Publication number
- CN114140987A CN114140987A CN202111304314.7A CN202111304314A CN114140987A CN 114140987 A CN114140987 A CN 114140987A CN 202111304314 A CN202111304314 A CN 202111304314A CN 114140987 A CN114140987 A CN 114140987A
- Authority
- CN
- China
- Prior art keywords
- early warning
- rule base
- input
- landslide
- confidence
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供一种基于置信规则库的滑坡预警方法,涉及滑坡监测预警技术领域,首先,选择输入置信规则库滑坡预警模型中的监测数据;再确定输入监测数据与输出预警等级的语义值及其对应的参考值;其次,明确初始置信规则库的表达形式;接着构建初始置信规则预警模型;之后,通过在线获取输入变量样本,计算输入值与参考值的匹配度,计算所有规则的激活权重,通过证据推理算法融合所有规则,得到融合结果,即得某一时间序列的滑坡预警等级。利用历史数据样本优化初始预警模型,使其更精准地描述输入变量和输出变量之间的复杂非线性关系,从而得到较准确的滑坡预警等级。
Description
技术领域
本发明涉及滑坡监测预警技术领域,具体为一种基于置信规则库的滑坡预警方法。
背景技术
滑坡是世界多地频发的地质灾害,造成严重的社会危害与人员伤亡。经过学者对滑坡的探究认为,专业监测预警是减少滑坡危害的最有效方法之一。由于滑坡监测数据与预警等级之间存在复杂非线性关系,需找到合适的模型来判断其不确定性。在本发明做出之前,置信规则库模型因其在解决模糊、不完整、不精确引起的各种不确定性的特点,被应用于工业故障、医疗与军事等领域,但对滑坡预警等级方面涉及不多。本发明利用置信规则库有效处理非线性问题的优势构建滑坡预警模型,其输入变量为不同监测源在同一时间序列采集的监测数据;输出是该时间序列的滑坡预警等级。利用历史数据样本优化初始预警模型,使其更精准地描述输入变量和输出变量之间的复杂非线性关系,从而得到较准确的滑坡预警等级。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于置信规则库的滑坡预警方法,可有效利用多监测源数据进行滑坡预警,为滑坡预警提供一种新方法。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种基于置信规则库的滑坡预警方法,包括以下步骤:
步骤一:确定置信规则库滑坡预警模型中的输入变量和输出变量;其中,输入变量为fi,i=1,2…N,N表示输入变量的个数;输出变量为y;fi分别表示不同监测源在某一时间序列采集的监测数据,默认其采样周期与采集数据量相同;y表示该时间序列的滑坡预警等级;
步骤二:确定输入变量fi和输出变量y的语义值及对应的参考值,并根据语义值或参考值的数量乘积,确定置信规则库中规则条数L;模型中输入与输出的语义值或参考值的个数相当,为5~9个;
步骤三:根据步骤二所确定的规则条数,确定初始置信规则的表达形式;其中第k条规则记作为Ak,表示形式如下:
THEN{(y1,τ1,k),(y2,τ2,k),…,(yc,τc,k)}
with a rule weightand attribute weightω1,ω2,…,ωN 式(1)中,fi为的第i个输入变量(前项属性);为在Ak中第i个前项属性的参考值;后项共计有c个输出元素(后项属性)y1,y2,…,yc,τj,k∈[0,1](j=1,2,…,c)为分配给yj的置信度,当时,表示此规则是完整的;当时,表示此规则是不完整的,当时,表示完全忽略Ak给定输入的输出;后项属性yj与τj,k组成后项二元数组集合{(y1,τ1,k),(y2,τ2,k),…,(yc,τc,k)}表示模型中的一条证据即置信结构,“∧”为逻辑连接符,表示“与”的关系;为Ak的权重;ωi∈[0,1]为第i个前项属性的权重;
步骤四:建立初始置信规则库滑坡预警模型,设置模型中的可调参数集 参数集Q的确立方法有以下四种:一是根据专家知识建立规则;二是利用历史可信数据分析提取规则;三是参考先前用于相似条件的置信规则库;四是无先验知识的随机选取可调参数建立规则库;在初始规则库设置中,通常将规则权重和属性权重ωi取值均设定为1,分别表示所建立的L条规则具有同样可信度,输入量在决定输出量时具有同等的重要性;
步骤五:利用初始置信规则库计算输入变量fi与输出变量为y的模拟结果,其步骤如下:
5-1)计算输入值fi与前项属性中每个参考值的匹配程度;记是Ak中第i个输入fi与参考值的匹配度,当输入fi是数值量时,则fi与参考值Fi匹配度的求解方法如下:当或时,fi对于或的匹配度取值均为1,对于其他参考值的匹配度均为0;当时,fi对于和(q=1,2,…,N-1)的匹配度取值分别由式(2)和式(3)给出;
此时,对于其他参考值的匹配度均为0;
5-2)根据步骤5-1)得到的采集到的监测数据样本,即输入值对应的匹配程度后,根据式(4)生成Ak的激活权重;
5-3)利用DS证据推理算法将L条规则后项置信结构进行融合,得到输入fi对应的组合规则G如下:
G={(yj,βj);j=1,…,c} 式(6);
式中:βj为后项yj的置信度,显式表达式为
这里,
y=(y1,y2…yc) 式(9);
5-4)输出数据融合估计值y即滑坡预警等级,如式(10)所示:
y=y1β1+y2β2+…+ycβC 式(10);
式中:Z为输入置信规则库的样本数量;
根据优化置信规则库滑坡预警模型得到的y,即认为是基于滑坡两个不同监测源数据评判的滑坡预警等级。
(三)有益效果
本发明提供了一种基于置信规则库的滑坡预警方法。具备以下有益效果:
1、该基于置信规则库的滑坡预警方法,基于置信规则库的滑坡预警模型,利用多监测源的数据,可有效减少因某一监测源受到干扰导致滑坡预警误报的情况发生。
2、该基于置信规则库的滑坡预警方法,利用历史监测数据样本,改善了专家知识的局限性以及初始规则库逼近状态精度不高的缺点,得到较为准确的结果。
3、该基于置信规则库的滑坡预警方法,置信规则库具有参数物理意义明确,参数可视性、可更改的特点,更为灵活和一般化的不确定性知识及信息的表达,简单修改便可推广至具有类似特点的滑坡中,贴近地质灾害预警防治的可复制性目标。
附图说明
图1为本发明的流程框图;
图2为本发明的实际值与初始置信规则库滑坡预警模型的对比图;
图3为本发明的实际值与优化后置信规则库滑坡预警模型的对比图。
具体实施方式
本发明实施例提供一种基于置信规则库的滑坡预警方法,如图1所示,包括以下各步骤:
步骤一:确定置信规则库滑坡预警模型中的输入变量和输出变量。其中,输入变量为fi,i=1,2…N,N表示输入变量的个数。输出变量为y;fi分别表示不同监测源在某一时间序列采集的监测数据,默认其采样周期与采集数据量相同。y表示该时间序列的滑坡预警等级。
步骤二:确定输入变量fi和输出变量y的语义值及对应的参考值,并根据语义值或参考值的数量乘积,确定置信规则库中规则条数L。模型中输入与输出的语义值或参考值的个数相当,为5~9个。
步骤三:根据步骤二所确定的规则条数,确定初始置信规则的表达形式。其中第k条规则记作为Ak,表示形式如下:
THEN{(y1,τ1,k),(y2,τ2,k),…,(yc,τc,k)}
with a rule weightand attribute weightω1,ω2,…,ωN 式(1)中,fi为的第i个输入变量(前项属性)。为在Ak中第i个前项属性的参考值。后项共计有c个输出元素(后项属性)y1,y2,…,yc,τj,k∈[0,1](j=1,2,…,c)为分配给yj的置信度,当时,表示此规则是完整的。当时,表示此规则是不完整的,当时,表示完全忽略Ak给定输入的输出。后项属性yj与τj,k组成后项二元数组集合{(y1,τ1,k),(y2,τ2,k),…,(yc,τc,k)}表示模型中的一条证据即置信结构,“∧”为逻辑连接符,表示“与”的关系。为Ak的权重;ωi∈[0,1]为第i个前项属性的权重。
步骤四:建立初始置信规则库滑坡预警模型,设置模型中的可调参数集 参数集Q的确立方法有以下四种:一是根据专家知识建立规则。二是利用历史可信数据分析提取规则。三是参考先前用于相似条件的置信规则库。四是无先验知识的随机选取可调参数建立规则库。在初始规则库设置中,通常将规则权重和属性权重ωi取值均设定为1,分别表示所建立的L条规则具有同样可信度,输入量在决定输出量时具有同等的重要性。
步骤五:利用初始置信规则库计算输入变量fi与输出变量为y的模拟结果,其步骤如下:
5-1)计算输入值fi与前项属性中每个参考值的匹配程度。记是Ak中第i个输入fi与参考值的匹配度,当输入fi是数值量时,则fi与参考值Fi匹配度的求解方法如下:当或时,fi对于或的匹配度取值均为1,对于其他参考值的匹配度均为0。当时,fi对于和(q=1,2,…,N-1)的匹配度取值分别由式(2)和式(3)给出。
此时,对于其他参考值的匹配度均为0。
5-2)根据步骤5-1)得到的采集到的监测数据样本,即输入值对应的匹配程度后,根据式(4)生成Ak的激活权重。
5-3)利用DS证据推理算法将L条规则后项置信结构进行融合,得到输入fi对应的组合规则G如下:
G={(yj,βj);j=1,…,c} 式(6)。
式中:βj为后项yj的置信度,显式表达式为
这里,
y=(y1,y2…yc) 式(9)。
5-4)输出数据融合估计值y即滑坡预警等级,如式(10)所示:
y=y1β1+y2β2+…+ycβC 式(10)。
式中:Z为输入置信规则库的样本数量。
根据优化置信规则库滑坡预警模型得到的y,即认为是基于滑坡两个不同监测源数据评判的滑坡预警等级。
为加深理解,在此举例说明如何利用步骤五至步骤六中的公式(2)-(11)对被激活的模型中的规则进行推理融合。假设置信规则库滑坡预警模型是滑坡降雨量(mm·h-1)与NPR牛顿力(kN)两个输入和预警等级一个输出的模型,如表1所示,置信规则结构如表2所示:
表1输入与输出的语义值与中心值
表中的语义值分别为零Z(Zero)、小S(Small)、中等M(Medium)、大L(Large)、很大VL(Very Large);安全S(Save)、蓝色预警BA(Blue Alert)、黄色预警YA(Yellow Alert)、橙色预警OA(Orange Alert)、红色预警RA(Red Alert)。
假设在线输入样本数据f1=12,f2=629,激活了规则库(表2)中的4条规则分别是第8条规则S AND M、第9条规则S AND L、第13条规则M AND M和第14条规则M AND L。由式(2)-(3)计算得,f1对S和M的匹配度分别为0.8和0.2;f2对M和L的匹配度分别为0.90和0.10;对其他参考值匹配度均为0。
利用式(4)可求得各个被激活规则权重分别为ρ8=0.72,ρ9=0.08,ρ13=0.18,ρ14=0.02,其他规则的激活权重均为0。根据式(7)-(10)融合每一条规则的置信度得到融合结果β1=0.9260,β2=0.024,β3=0.04956,β4=β5=0。此时的y=0.9260×0+0.0244×1+0.04956×2=0.1235549。
表2置信规则库
以下结合附图对本发明作进一步描述。
本发明方法的流程图如图1所示,核心部分是:确定输入置信规则库滑坡预警模型的监测数据与输出预警等级的语义值及其对应的参考值,构建初始置信规则预警模型后,运用Matlab中的Fmincon工具箱,利用其历史样本数据优化初始模型,得到较为准确的滑坡预警等级。
以下结合玄武岩边坡采集的数据为列,详细介绍本发明方法各个步骤:
1)置信规则库滑坡预警模型输入输出变量的确定。本案例确定置信规则库滑坡预警模型的输入变量为地表位移日变化速率f1(mm·d-1)和降雨量f2(mm·h-1),输出变y量为预警等级。
2)确定输入变量f1、f2和输出变量y的语义值及对应的参考值,并以此确定置信规则库中规则条数L=5×5=25条。
表3输入变量和输出变量的中心值(语义值)
表中的语义值分别为零Z(Zero)、小S(Small)、中等M(Medium)、大L(Large)、很大VL(Very Large);安全S(Save)、蓝色预警BA(Blue Alert)、黄色预警YA(Yellow Alert)、橙色预警OA(Orange Alert)、红色预警RA(Red Alert)。
3)构建初始置信规则库滑坡预警模型。根据步骤二)可知,初始置信规则库的规则数目L为25条,并采用无先验知识的随机选取可调参数建立规则库,如表4所示。
表4初始置信规则库
4)利用初始规则库计算输入变量f1、f2和与输出变量为的模拟结果。在线获取样本,利用DS证据推理算法融合初始规则库(表4)中规则,利用公式(11)计算滑坡预警等级,结果如图2所示,从图中可以看出由初始置信规则库的融合结果与实际情况对比,存在极大差距。
5)优化置信规则库,得到最终输出。为提高计算精度,本发明直接利用MATLAB优化工具箱中的Fmincon来解决该问题,优化后的置信规则库如表5所示,计算结果如图3所示,从图中可以看出由优化后的置信规则库的融合结果与实际情况对比,差距较小,可有表达输入监测数据与输出预警等级之间的非线性关系。
表5优化后置信规则库
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (1)
1.一种基于置信规则库的滑坡预警方法,其特征在于,包括以下步骤:
步骤一:确定置信规则库滑坡预警模型中的输入变量和输出变量;其中,输入变量为fi,i=1,2…N,N表示输入变量的个数;输出变量为y;fi分别表示不同监测源在某一时间序列采集的监测数据,默认其采样周期与采集数据量相同;y表示该时间序列的滑坡预警等级;
步骤二:确定输入变量fi和输出变量y的语义值及对应的参考值,并根据语义值或参考值的数量乘积,确定置信规则库中规则条数L;模型中输入与输出的语义值或参考值的个数相当,为5~9个;
步骤三:根据步骤二所确定的规则条数,确定初始置信规则的表达形式;其中第k条规则记作为Ak,表示形式如下:
THEN{(y1,τ1,k),(y2,τ2,k),…,(yc,τc,k)}
中,fi为的第i个输入变量(前项属性);为在Ak中第i个前项属性的参考值;后项共计有c个输出元素(后项属性)y1,y2,…,yc,τj,k∈[0,1](j=1,2,…,c)为分配给yj的置信度,当时,表示此规则是完整的;当时,表示此规则是不完整的,当时,表示完全忽略Ak给定输入的输出;后项属性yj与τj,k组成后项二元数组集合{(y1,τ1,k),(y2,τ2,k),…,(yc,τc,k)}表示模型中的一条证据即置信结构,“∧”为逻辑连接符,表示“与”的关系;为Ak的权重;ωi∈[0,1]为第i个前项属性的权重;
步骤四:建立初始置信规则库滑坡预警模型,设置模型中的可调参数集 参数集Q的确立方法有以下四种:一是根据专家知识建立规则;二是利用历史可信数据分析提取规则;三是参考先前用于相似条件的置信规则库;四是无先验知识的随机选取可调参数建立规则库;在初始规则库设置中,通常将规则权重和属性权重ωi取值均设定为1,分别表示所建立的L条规则具有同样可信度,输入量在决定输出量时具有同等的重要性;
步骤五:利用初始置信规则库计算输入变量fi与输出变量为y的模拟结果,其步骤如下:
5-1)计算输入值fi与前项属性中每个参考值的匹配程度;记是Ak中第i个输入fi与参考值的匹配度,当输入fi是数值量时,则fi与参考值Fi匹配度的求解方法如下:当或时,fi对于或的匹配度取值均为1,对于其他参考值的匹配度均为0;当时,fi对于和的匹配度取值分别由式(2)和式(3)给出;
此时,对于其他参考值的匹配度均为0;
5-2)根据步骤5-1)得到的采集到的监测数据样本,即输入值对应的匹配程度后,根据式(4)生成Ak的激活权重;
5-3)利用DS证据推理算法将L条规则后项置信结构进行融合,得到输入fi对应的组合规则G如下:
G={(yj,βj);j=1,…,c} 式(6);
式中:βj为后项yj的置信度,显式表达式为
这里,
y=(y1,y2…yc) 式(9);
5-4)输出数据融合估计值y即滑坡预警等级,如式(10)所示:
y=y1β1+y2β2+…+ycβC 式(10);
式中:Z为输入置信规则库的样本数量;
根据优化置信规则库滑坡预警模型得到的y,即认为是基于滑坡两个不同监测源数据评判的滑坡预警等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111304314.7A CN114140987B (zh) | 2021-11-05 | 2021-11-05 | 一种基于置信规则库的滑坡预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111304314.7A CN114140987B (zh) | 2021-11-05 | 2021-11-05 | 一种基于置信规则库的滑坡预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114140987A true CN114140987A (zh) | 2022-03-04 |
CN114140987B CN114140987B (zh) | 2023-04-07 |
Family
ID=80392339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111304314.7A Active CN114140987B (zh) | 2021-11-05 | 2021-11-05 | 一种基于置信规则库的滑坡预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114140987B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012174125A (ja) * | 2011-02-23 | 2012-09-10 | Yamaguchi Univ | 防災計画支援システムとそのプログラム |
CN110084518A (zh) * | 2019-04-29 | 2019-08-02 | 杭州电子科技大学 | 一种基于混合输入置信规则推理模型的边坡稳定性评判方法 |
CN110110425A (zh) * | 2019-04-29 | 2019-08-09 | 杭州电子科技大学 | 一种基于信度规则推理的边坡滑动力预测方法 |
CN113034855A (zh) * | 2021-03-09 | 2021-06-25 | 杭州电子科技大学 | 一种基于npr缆索滑动力监测的边坡滑坡预警方法 |
-
2021
- 2021-11-05 CN CN202111304314.7A patent/CN114140987B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012174125A (ja) * | 2011-02-23 | 2012-09-10 | Yamaguchi Univ | 防災計画支援システムとそのプログラム |
CN110084518A (zh) * | 2019-04-29 | 2019-08-02 | 杭州电子科技大学 | 一种基于混合输入置信规则推理模型的边坡稳定性评判方法 |
CN110110425A (zh) * | 2019-04-29 | 2019-08-09 | 杭州电子科技大学 | 一种基于信度规则推理的边坡滑动力预测方法 |
CN113034855A (zh) * | 2021-03-09 | 2021-06-25 | 杭州电子科技大学 | 一种基于npr缆索滑动力监测的边坡滑坡预警方法 |
Non-Patent Citations (1)
Title |
---|
FENG JING 等: "Slope Sliding Force Prediction via Belief Rule-Based Inferential Methodology", 《INTERNATIONAL JOURNAL OF COMPUTATIONAL INTELLIGENCE SYSTEMS》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114140987B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | An adjustable approach to intuitionistic fuzzy soft sets based decision making | |
CN102393881B (zh) | 一种实时多传感温度数据融合的高精度检测方法 | |
CN104112181A (zh) | 一种基于层次分析法的信息安全贝叶斯网络评估方法 | |
CN107315775A (zh) | 一种指数计算平台和方法 | |
Zaky et al. | New recursive approximations for variable-order fractional operators with applications | |
CN106529185A (zh) | 一种古建筑位移的组合预测方法及系统 | |
Shoaib et al. | Input selection of wavelet-coupled neural network models for rainfall-runoff modelling | |
CN107368928A (zh) | 一种古建筑沉降的组合预测方法及系统 | |
Pitchaimani | Stochastic dynamical probes in a triple delayed SICR model with general incidence rate and immunization strategies | |
CN115063056A (zh) | 基于图拓扑分析改进的建造行为安全风险动态分析方法 | |
CN108877224B (zh) | 一种可进行置信区间估计的短时交通流预测方法 | |
Wang et al. | An Improved Grey Prediction Model Based on Matrix Representations of the Optimized Initial Value. | |
CN114140987B (zh) | 一种基于置信规则库的滑坡预警方法 | |
Kalmár-Nagy | Stability analysis of delay-differential equations by the method of steps and inverse Laplace transform | |
CN108510110A (zh) | 一种基于知识图谱的水位趋势分析方法 | |
CN105787283A (zh) | 一种基于时空相关性的土遗址监测数据修正拟合方法 | |
CN110909948A (zh) | 土壤污染预测方法及系统 | |
CN115935663A (zh) | 一种基于多源牛顿力的滑坡智能预警方法 | |
Kadchenko et al. | Numerical research of the Barenblatt-Zheltov-Kochina stochastic model | |
CN112950350B (zh) | 一种基于机器学习的贷款产品推荐方法及系统 | |
Deutsch | Lies, damn lies, and statistics: A rejoinder to the comment by Hay and McCleary | |
Behmanesh et al. | Rainfall-runoff modeling in the Turkey River using numerical and regression methods | |
Wang et al. | A novel clustering approach based on grey possibility functions for multidimensional systems | |
Khare et al. | On the modelling of over‐ocean hurricane surface winds and their uncertainty | |
de Wiel et al. | Models in fluvial geomorphology |
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 |