CN114330695A - 一种基于多层感知神经网络的相控阵驱动方法 - Google Patents
一种基于多层感知神经网络的相控阵驱动方法 Download PDFInfo
- Publication number
- CN114330695A CN114330695A CN202111678592.9A CN202111678592A CN114330695A CN 114330695 A CN114330695 A CN 114330695A CN 202111678592 A CN202111678592 A CN 202111678592A CN 114330695 A CN114330695 A CN 114330695A
- Authority
- CN
- China
- Prior art keywords
- neural network
- directional diagram
- phased array
- layer
- parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 31
- 238000010586 diagram Methods 0.000 claims abstract description 62
- 230000008447 perception Effects 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 38
- 210000002569 neuron Anatomy 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 13
- 210000002364 input neuron Anatomy 0.000 claims description 9
- 210000004205 output neuron Anatomy 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000003079 width control Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 240000002627 Cordeauxia edulis Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于多层感知神经网络的相控阵驱动方法,包括期望方向图参数输入,多层感知神经网络模型构建,阵元驱动参数输出,计算输出波形方向图,损失代价计算评估方向图是否达标。通过对目标方向图自身的监督学习完成网络参数的生成,最终学习完成的多层感知神经网络模型能够在多种复杂场景下实现目标方向图对应阵元参数的实时生成,从而达到相控阵天线智能驱动的目的。通过构建目标方向图与阵元参数间的映射关系,实现多场景下目标方向图对应阵元参数的实时生成能力,以解决传统波束形成方法单一性高、生成时间代价大的问题。
Description
技术领域
本发明涉及人工智能技术以及雷达天线技术领域,特别是一种基于多层感知神经网络的相控阵驱动方法。
背景技术
雷达天线作为各种先进作战平台和信息采集系统的耳目,在国防建设、科学研究中有着广泛的应用。相控阵天线具有快速形成波束形状以及改变波束指向的特点,在观测运动目标、多目标任务和复杂雷达功能中具有特别的优势,也是当今主流天线雷达的重要组成部分。随着雷达观测目标种类的增多,对雷达电子对抗能力及目标识别能力有了更高的要求。有源相控阵雷达、宽带相控阵雷达、数字相控阵雷达等成为了当今天线雷达的重要发展方向。
在实际工程场合,为了使表征天线特性的参数满足特定需求,人们往往把多个天线组合在一起使用。这种按照一定规则排列和特殊激励,得到目标特性的若干个阵列单元组成的天线称为阵列天线。而相控阵天线是通过改变阵元激励信号的相位达到改变天线阵方向图波束指向目的地的。方向图是表征天线产生电磁场及其能量空间分布的一个性能参量。相控阵系统的方向图是通过各个阵元的方向图叠加而实现的,如果各个阵元的幅度和相位发生变化,该天线所对应的波形方向图也会随之变化。在实际应用中,相控阵天线和探测目标之间的位置同样时刻发生着变化,为了保证信号源与目标之间的无线通信关系,需要实时调整相控阵天线的主瓣能及时的追踪到探测目标。这就要求相控阵的阵元参数能够随着场景以及目标的变化进行实时的调整,使得天线的方向图能满足覆盖探测目标的要求。再配合天线阵列自身的机械转动,不但克服了相控阵天线观测空域有限的缺点,而且大幅提高了雷达准确率,改善了对多目标的追踪性能。
神经网络采用广泛互联的结构与有效的学习机制来模拟人脑信息处理的过程,是人工智能发展中的重要方法,也是当前类脑智能研究中的有效工具。从上世纪四十年代的M-P神经元和Hebb学习规则,到五十年代的Hodykin- Huxley方程、感知器模型与自适应滤波器,再到六十年代的自组织映射网络、神经认知机、自适应共振网络,许多神经计算模型都发展成为信号处理、计算机视觉、自然语言处理与优化计算等领域的经典方法。感知机是历史上首个将神经网络的学习功能用于模式识别的装置,标志着神经网络进入了新的发展阶段。感知机是二分类的线性判别模型,旨在通过最小化误分类损失函数来优化分类超平面,从而对新的实例实现准确预测。
发明内容
本发明基于波束形成方法单一性高、生成时间代价大的问题,结合雷达天线领域技术和人工智能领域技术,提供了一种基于多层感知神经网络的相控阵驱动方法,通过一种多层感知神经网络,构建相控阵天线实际应用中目标方向图与阵元参数之间的映射关系。通过对目标方向图自身的监督学习实现多场景下目标方向图对应阵元参数的实时生成能力,该网络模型能够在多种复杂场景下实现目标方向图对应阵元参数的实时生成,从而达到相控阵天线智能驱动的目的。
本发明是通过下述技术方案来实现的。
本发明提供了一种基于多层感知神经网络的相控阵驱动方法,包括:
(1)通过已知场景条件Ck和约束参数构造期望波形方向图向量X,作为多层感知神经网络输入;
(2)构造多层感知神经网络模型,建立期望波形方向图向量X与阵元参数 Ii和βi之间的映射关系;
(3)初始化网络权重参数Wi,按照全连接的方式连接网络各层,根据输入方向图向量X生成相控阵阵元参数Ii和βi;
(6)输出生成波形方向图对应的阵元参数Ii和βi,实现对相控阵天线的驱动。
其中,约束参数包括相控阵天线的方向θ、副瓣SLL和波束宽度D。
已知场景条件Ck分别对应包括宽角扫描、波宽控制、旁瓣抑制、自适应零陷和余割平方波形实际应用场景。
本发明由于采取以上技术方案,其具有以下有益效果:
不同于现有神经网络驱动算法需要提前准备大量仿真波形方向图,用于设置训练数据集和测试数据集的有监督训练模型,本发明方法通过多种复杂场景下对目标方向图的约束条件作为网络输入,通过网络生成满足约束条件波形方向图对应的阵元参数,再通过阵元参数计算生成波形方向图,通过估计生成波形方向图与目标波形方向图之间的误差,形成对目标波形方向图自监督学习性的多层感知神经网络模型。实现了在多种复杂场景下,目标波形方向图对应阵元参数的实时生成能力,解决了传统波束形成方法单一性高、生成时间代价大的问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的不当限定,在附图中:
图1为多层感知神经网络的相控阵驱动方法流程图;
图2为多层感知神经网络驱动相控阵任务框架图;
图3为16×16二维相控阵在余割平方场景下主瓣指向0°的三维方向图;
图4为16×16二维相控阵在余割平方场景下主瓣指向0°的二维方向图。
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明,在此本发明的示意性实施例以及说明用来解释本发明,但并不作为对本发明的限定。
如图1所示,本发明基于多层感知神经网络的相控阵驱动方法,包括:
步骤1,通过已知场景条件Ck和约束参数(相控阵天线的方向θ、副瓣SLL 和波束宽度D)构造期望波形方向图向量X,作为多层感知神经网络输入。其中,已知场景条件Ck(C1至C5)分别对应包括宽角扫描、波宽控制、旁瓣抑制、自适应零陷和余割平方波形这五种实际应用场景。
通过已知场景条件Ck和约束参数构造期望波形方向图向量X为:
X=Ck·f(θ,SLL,D) (1)
式中,θ为相控阵天线的方向,SLL为副瓣,D为波束宽度,Ck为场景条件参数。
步骤2,构造多层感知神经网络模型,建立期望波形方向图向量X与阵元参数Ii和βi之间的映射关系,网络中每层神经元输出关系为:
式中,Wi为神经元权重参数,g为激励函数,m为每层神经元个数。
步骤3,初始化网络权重参数Wi,按照全连接的方式连接网络各层,根据输入方向图向量X生成相控阵阵元参数Ii和βi。参数数量为2N,N为阵元单位数量。
随机初始化模型参数权重Wi,网络各层如下:
输入层:输入数据采样数量大小为S,输出神经元个数为2n,激活函数为 PReLU;
隐藏层一:输入神经元个数为2n,输出神经元个数为2n-1,激活函数为 PReLU;
隐藏层二:输入神经元个数为2n-1,输出神经元个数为2n-2,激活函数为 PReLU;
输出层:输入神经元个数为2n-2,输出数据阵元单位数量大小为2N,激活函数为Sigmoid。
网络层的层与层之间的神经元连接方式为全连接,网络深度参数n与阵元数量N之间的关系为:
n=2log2N (3)
波形方向图与阵元参数间的关系为:
LFinal=αLReLU+βLMSE+γLMSE (5)
式中,LReLU为ReLU损失函数,LMSE为均方方差损失函数,α,β和γ为权重参数。
LReLU计算关系为:
通过损失函数LFinal计算梯度方向,按照负梯度方向中第i个更新模型权重参数Wi,更新公式为:
对于输出层神经元权值的更新公式为:
式中,δk为输出层第k个神经元的迭代误差,ek为输出层第k个神经元的算术误差,Oj为输出层第j个输出。
对隐藏层神经元权值更新公式为:
当生成方向图与期望方向图的误差趋于稳定时,即认为生成的波形方向图,进入下一步;否则重复上述步骤2至步骤5的过程,直至方向图达标。
上述通过评价函数指引网络生成期望波形方向图的任务过程框架,如图2 所示。
步骤6,输出生成波形方向图对应的阵元参数Ii和βi,实现对相控阵天线的驱动。
下面通过一个具体实施例来进一步说明本发明。
对于由16×16个天线阵元组成二维平面相控阵阵列,采用可分离方案,使得二维平面相控阵的驱动参数生成过程与16×1的一维相控阵过程相同,在同样的多层感知神经网络框架下,分别生成两组满足一维目标方向图的阵元参数,再通过数学关系计算二维阵列的相位与幅度。
已知在要求余割平方波形的场景C5下,对于16×1单元组成的一维阵列,要求期望波束主瓣指向角度为0°,其中副瓣SLL要求为-30dB以下。
首先通过已知场景条件C1和约束参数方向θ和副瓣SLL构造期望方向图向量X,作为网络框架输入。输入向量X大小为181×1,其构造关系如下:
XC5·f(0,-30)
通过多层感知神经网络建立期望方向图X与阵元参数Ii和βi之间的隐射关系,网络每层神经元输出为:
初始化网络模型参数Wi,构建多层感知神经网络模型如下:
输入层:输入数据大小为181,输出神经元个数为256,激活函数为 PReLU;
隐藏层一:输入神经元个数为256,输出神经元个数为128,激活函数为 PReLU;
隐藏层二:输入神经元个数为128,输出神经元个数为64,激活函数为PReLU;
输出层:输入神经元个数为64,输出数据大小为32,激活函数为Sigmoid。
网络最终输出数据为16个相控阵单元对应的阵元参数Ii和βi,层与层之间的神经元连接方式为Linear全连接。
βi=-kxisinθ0
其中θ0为最大辐射方向,即要求的目标波束指向方向。在一维方向上生成的方向图如图4所示,图中横坐标和纵坐标分别表示辐射方向角度和波形方向图能量,凸起的波段即为相控阵目标驱动照射波段。最终两个方向上的一维天线阵列合成的二维阵列方向图如图3所示,图中x、y轴表示辐射方向角度,z 轴表示波形方向图能量,中心的突出部分表示目标照射区域。
得到参数生成的方向图后,根据场景条件Ck选择相应的损失函数进行误差评估,在余割平方场景下损失函数为:
其中δi为输出层第i个神经元的迭代误差,Oj为输出层第j个输出,对隐藏层神经元权值更新公式为:
式中δj为第j个神经元的学习误差。
重复上述过程,直至生成方向图与期望方向图向量X之间的误差达到合理范围内且趋于不变时,即认为网络收敛。此时网络模型输出的阵元参数Ii和βi对应的波形方向图与期望方向图的相似程度达到标准。最终生成的达标方向图如附图3所示。
输出相控阵阵元参数Ii和βi,实现对相控阵天线的驱动目标。
网络训练过程中通过随机生成一批场景条件Ck和约束参数方向θ、副瓣 SLL、波束宽度D作为训练样本,完成对网络参数的训练过程。在网络中最大训练次数为10000,一次训练所选取的样本数量为4,学习率为0.0005,一次训练选取的样本不易选择过小,太小了容易修正方向导致不收敛,或者需要经过很大的训练次数才能收敛。
上述过程仅为本发明的一个具体实例,以上实例的说明是用于帮助理解本发明方法的核心思想,不应理解为对本发明的限制。对于领域内的技术人员,在理解本发明的核心思想之后,可能在本发明的原理和实现框架上对部分参数和细节上进行改变和调整,此行为仍在本发明的权利要求保护范围内。
Claims (10)
1.一种基于多层感知神经网络的相控阵驱动方法,其特征在于,包括:
通过已知场景条件Ck和约束参数构造期望波形方向图向量X作为多层感知神经网络输入;
构造多层感知神经网络模型,建立期望波形方向图向量X与阵元参数Ii和βi之间的映射关系;
初始化网络权重参数Wi,按照全连接的方式连接网络各层,根据输入方向图向量X生成相控阵阵元参数Ii和βi;
输出生成波形方向图对应的阵元参数Ii和βi,实现对相控阵天线的驱动。
2.根据权利要求1所述的基于多层感知神经网络的相控阵驱动方法,其特征在于,所述约束参数包括相控阵天线的方向θ、副瓣SLL和波束宽度D。
3.根据权利要求1所述的基于多层感知神经网络的相控阵驱动方法,其特征在于,所述已知场景条件Ck分别对应包括宽角扫描、波宽控制、旁瓣抑制、自适应零陷和余割平方波形实际应用场景。
4.根据权利要求2所述的基于多层感知神经网络的相控阵驱动方法,其特征在于,通过已知场景条件Ck和约束参数构造期望波形方向图向量X为:
X=Ck·f(θ,SLL,D) (1)。
6.根据权利要求1所述的基于多层感知神经网络的相控阵驱动方法,其特征在于,随机初始化模型参数权重Wi,网络各层如下:
输入层:输入数据采样数量大小为S,输出神经元个数为2n,激活函数为PReLU;
隐藏层一:输入神经元个数为2n,输出神经元个数为2n-1,激活函数为PReLU;
隐藏层二:输入神经元个数为2n-1,输出神经元个数为2n-2,激活函数为PReLU;
输出层:输入神经元个数为2n-2,输出数据阵元单位数量大小为2N,激活函数为Sigmoid。
7.根据权利要求6所述的基于多层感知神经网络的相控阵驱动方法,其特征在于,网络层的层与层之间的神经元连接方式为全连接,网络深度参数n与阵元数量N之间的关系为:
n=2 log2N (3)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111678592.9A CN114330695B (zh) | 2021-12-31 | 2021-12-31 | 一种基于多层感知神经网络的相控阵驱动方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111678592.9A CN114330695B (zh) | 2021-12-31 | 2021-12-31 | 一种基于多层感知神经网络的相控阵驱动方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114330695A true CN114330695A (zh) | 2022-04-12 |
CN114330695B CN114330695B (zh) | 2024-06-25 |
Family
ID=81023181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111678592.9A Active CN114330695B (zh) | 2021-12-31 | 2021-12-31 | 一种基于多层感知神经网络的相控阵驱动方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330695B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114996874A (zh) * | 2022-06-06 | 2022-09-02 | 北京航空航天大学 | 一种基于多层感知器网络的天线阵列辐射方向图高效优化合成方法 |
CN115685096A (zh) * | 2022-12-30 | 2023-02-03 | 成都实时技术股份有限公司 | 一种基于逻辑回归的二次雷达副瓣抑制方法 |
WO2024060132A1 (zh) * | 2022-09-22 | 2024-03-28 | 北京京东方技术开发有限公司 | 可调谐天线控制方法、装置和可调谐天线系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103076596A (zh) * | 2013-01-17 | 2013-05-01 | 西安电子科技大学 | 基于先验信息的mimo雷达发射方向图设计方法 |
CN106355245A (zh) * | 2016-09-12 | 2017-01-25 | 哈尔滨工业大学 | 一种基于神经网络算法的阵列天线方向图综合方法 |
CN106597391A (zh) * | 2016-11-25 | 2017-04-26 | 中国电子科技集团公司第三十八研究所 | 一种相控阵天线阵面变形全天候监测方法 |
CN113777571A (zh) * | 2021-08-04 | 2021-12-10 | 中山大学 | 一种基于深度学习的无人机集群动态方向图综合方法 |
-
2021
- 2021-12-31 CN CN202111678592.9A patent/CN114330695B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103076596A (zh) * | 2013-01-17 | 2013-05-01 | 西安电子科技大学 | 基于先验信息的mimo雷达发射方向图设计方法 |
CN106355245A (zh) * | 2016-09-12 | 2017-01-25 | 哈尔滨工业大学 | 一种基于神经网络算法的阵列天线方向图综合方法 |
CN106597391A (zh) * | 2016-11-25 | 2017-04-26 | 中国电子科技集团公司第三十八研究所 | 一种相控阵天线阵面变形全天候监测方法 |
CN113777571A (zh) * | 2021-08-04 | 2021-12-10 | 中山大学 | 一种基于深度学习的无人机集群动态方向图综合方法 |
Non-Patent Citations (1)
Title |
---|
韩峰;袁安民;赵颖辉;: "微波着陆系统天线模拟器的设计与实现", 火力与指挥控制, no. 12, 15 December 2009 (2009-12-15), pages 180 - 184 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114996874A (zh) * | 2022-06-06 | 2022-09-02 | 北京航空航天大学 | 一种基于多层感知器网络的天线阵列辐射方向图高效优化合成方法 |
CN114996874B (zh) * | 2022-06-06 | 2024-06-04 | 北京航空航天大学 | 一种基于多层感知器网络的天线阵列辐射方向图高效优化合成方法 |
WO2024060132A1 (zh) * | 2022-09-22 | 2024-03-28 | 北京京东方技术开发有限公司 | 可调谐天线控制方法、装置和可调谐天线系统 |
CN115685096A (zh) * | 2022-12-30 | 2023-02-03 | 成都实时技术股份有限公司 | 一种基于逻辑回归的二次雷达副瓣抑制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114330695B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114330695B (zh) | 一种基于多层感知神经网络的相控阵驱动方法 | |
Shan et al. | Coding programmable metasurfaces based on deep learning techniques | |
Hara et al. | Application of neural networks to radar image classification | |
CN106355151B (zh) | 一种基于深度置信网络的三维sar图像目标识别方法 | |
CN107944133B (zh) | 基于多目标量子蜘蛛群演化机制的环形天线阵列稀疏方法 | |
CN109489485B (zh) | 一种自适应的超表面电磁隐身衣系统及其工作方法 | |
Shan et al. | Phase synthesis of beam-scanning reflectarray antenna based on deep learning technique | |
CN114117565A (zh) | 一种基于深度学习的平面阵列天线辐射方向图综合方法 | |
Hamdi et al. | Uniform and concentric circular antenna arrays synthesis for smart antenna systems using artificial neural network algorithm | |
Ibrahim et al. | An optimized ensemble model for prediction the bandwidth of metamaterial antenna | |
Washington | Aperture antenna shape prediction by feedforward neural networks | |
Zhao et al. | Radial basis function neural network optimal modeling for phase-only array pattern nulling | |
Guney et al. | Concurrent neuro-fuzzy systems for resonant frequency computation of rectangular, circular, and triangular microstrip antennas | |
Agatonovic et al. | High resolution two-dimensional DOA estimation using artificial neural networks | |
CN116192206B (zh) | 基于广义回归神经网络的大规模共形阵实时波束综合方法 | |
Zhang et al. | Ship HRRP target recognition based on CNN and ELM | |
CN109547083B (zh) | 一种基于神经网络的平顶波束赋形方法 | |
Xiao et al. | An inverse topological design method (ITDM) based on machine learning for frequency selective surface (FSS) structures | |
CN116205143A (zh) | 一种基于物理信息神经网络实现天线方向图的设计方法 | |
Bilel et al. | Artificial neural network (ANN) approach for synthesis and optimization of (3D) three-dimensional periodic phased array antenna | |
Wang et al. | Space-Time-Coding Digital Metasurface Element Design Based on State Recognition and Mapping Methods with CNN-LSTM-DNN | |
Ayestarán et al. | Near field to far field transformation using neural networks and source reconstruction | |
Guney et al. | Adaptive‐network‐based fuzzy inference system models for input resistance computation of circular microstrip antennas | |
CN111239682A (zh) | 一种电磁发射源定位系统及方法 | |
Karateke | DESIGN OF WIDEBAND REFLECTARRAYS BY USING NEURAL NETWORKS |
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 |