CN114519262A - 基于改进gm(1,1)模型的空中目标威胁预测方法 - Google Patents
基于改进gm(1,1)模型的空中目标威胁预测方法 Download PDFInfo
- Publication number
- CN114519262A CN114519262A CN202210087937.1A CN202210087937A CN114519262A CN 114519262 A CN114519262 A CN 114519262A CN 202210087937 A CN202210087937 A CN 202210087937A CN 114519262 A CN114519262 A CN 114519262A
- Authority
- CN
- China
- Prior art keywords
- sequence
- model
- prediction
- improved
- threat
- 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 50
- 238000009825 accumulation Methods 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims description 37
- 230000009467 reduction Effects 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 10
- 108010074864 Factor XI Proteins 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000036632 reaction speed Effects 0.000 abstract 1
- 230000008859 change Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于改进GM(1,1)模型的空中目标威胁预测方法,对传统GM(1,1)模型进行改进,包含以下步骤:首先,修正了传统GM(1,1)模型中的固有残差;然后根据一阶累加生成序列中各分量的大小确定权重,取各分量的加权求和作为初始条件;其次,根据时间权重序列对残差平方和进行加权,求解最优问题确定时间参数;最后利用傅里叶级数拟合残差序列,将残差序列反馈给优化后的GM(1,1)模型,得到最终的改进GM(1,1)模型;根据改进后的预测模型计算来袭空中目标的威胁值,实现对空中目标威胁值的准确预测,提升了我方阵地对来袭空中目标的反应速度,提高了模型的预测精度和普适性。
Description
技术领域
本发明属于对空态势和威胁估计技术领域,具体涉及基于改进GM(1,1)模型的空中目标威胁预测方法。
背景技术
在对空域运动目标进行威胁评估时,传统的评估方法只能处理静态的威胁属性信息,例如层次分析法,直觉模糊集,D-S证据理论,云模型等,然而战场环境复杂多变,为了快速准确地获取敌方空域目标的威胁值变化,我方阵地需要利用少量的已知信息在短时间内对目标的威胁值进行预测,从而根据战场情况对来袭目标做出合理的应对。现阶段应用较多的预测模型,例如神经网络、动态贝叶斯网络、动态灰色主成分分析等,这些方法往往需要大量的数据训练模型,但在战场环境,我方传感器阵地往往只能获得少量有限的敌方目标信息。因此,需要一种可以在只有少量数据且时间很短的情况下,有着较高精度地预测目标的威胁值。灰色系统理论可以很好地解决该问题。
灰色系统理论以部分信息已知、部分信息未知的“小样本、贫信息”不确定系统为研究对象,通过已知信息寻找系统变化的内在规律,实现对系统运行行为的正确描述,进而实现对其未来变化的定量预测。GM(1,1)模型是灰色系统理论的基本模型,在工业、农业、军事等众多领域都有广泛的应用。
相比其他传统预测算法,GM(1,1)模型原理简单,在只利用少量数据的情况下,就可以完成精度较高的预测。但是实际使用中,传统的GM(1,1)模型中,还存在以下问题:
1,传统GM(1,1)模型预测精度不高,不能很好地对空中目标进行威胁值预测;
2,战场环境复杂多变,传统GM(1,1)模型无法适应多种作战场景,普适性不强。
目前国内有运用改进GM(1,1)模型对空中目标进行威胁值预测。如郭佳在论文《基于多属性决策的空中目标威胁评估方法研究》中,利用带边值修正的GM(1,1)模型对空中目标进行威胁值的预测。该方法修正了传统模型的误差,但并没有进行反馈修正,导致精度不高。
发明内容
本发明的目的是提供一种基于改进GM(1,1)模型的空中目标威胁预测方法,通过修正传统GM(1,1)模型的固有误差并优化初始条件,进而利用拟合残差序列对模型进行反馈,提高了GM(1,1)模型的预测精度和普适性。
本发明解决其技术问题的技术方案为:基于改进GM(1,1)模型的空中目标威胁预测方法,包括以下步骤:
S1:获取来袭空中目标威胁值:
设我方传感器阵地探测到一个敌方空域运动目标在靠近,对该目标进行持续跟踪并探测其威胁值,获得由该目标历史威胁值组成的原始序列x(0)(k)。
S2:修正传统GM(1,1)模型固有误差:
根据步骤S1中目标历史威胁值原始序列x(0)(k),计算得到一阶累加生成序列x(1)(k);引入误差校正因子ξ并结合一阶累加生成序列x(1)(k)计算修正原始模型固有误差后的紧邻均值生成序列z(1)(k);
S3:获得一阶累加生成预测序列:
根据步骤S2中得到的修正原始模型固有误差后的紧邻均值生成序列z(1)(k),结合原始序列x(0)(k),构建灰微分方程解灰微分方程可得一阶累加生成预测序列的表达式根据步骤S2得到的一阶累加生成序列x(1)(k),计算参数和
S4:得到误差修正还原值:
S5:计算优化后的初始条件:
根据步骤S2得到的一阶累加生成序列x(1)(k),计算各个分量的权重wk;结合一阶累加生成序列x(1)(k),计算优化后的初始条件x(1)(β);
S6:构建初始条件优化还原值:
S7:构建基于时间权重序列的优化问题求解时间参数:
S8:计算残差预测序列:
根据傅里叶级数拟合残差预测序列e(0)(k)=r1+r2k+r3 sin(ωk)+r4 cos(ωk);根据步骤S1和步骤S6得到的原始序列x(0)(k)和初始条件优化后的还原值序列计算待定参数列[r1,r2,r3,r4]T;
S9:得到改进GM(1,1)模型:
S10:将我方阵地探测到的来袭空中目标威胁值代入改进GM(1,1)模型,得到威胁值预测序列,利用预测序列预测来袭空中目标未来时刻的威胁值。
所述步骤S2中一阶累加生成序列x(1)(k)采用如下方法计算:
其中,x(0)(k)为原始序列,x(0)(k)≥0,k为原始序列x(0)(k)的分量个数,k=1,2,…,n。
步骤S2中所述修正原始模型固有误差后的紧邻均值生成序列z(1)(k)计算方法为:
其中,z(1)(k)为修正原始模型固有误差后的紧邻均值生成序列,k为原始序列x(1)(k)的分量个数,k=2,3,…,n,ξ为误差校正因子;
其中,e为自然常数,k为原始序列x(0)(k)的分量个数,k=2,3,…,n。
所述步骤S5中所述一阶累加生成序列各个分量的权重优化后的初始条件x(1)(β)采用如下方法计算:
x(1)(β)=w1x(1)(1)+w2x(1)(2)+…+wnx(1)(n)
其中,k为原始序列x(0)(k)的分量个数,k=1,2,…,n,wk为一阶累加生成序列x(1)(k)各个分量的权重。
1.所述步骤S7中时间参数β采用如下方法计算:
式中,
所述步骤S8中待定参数列[r1,r2,r3,r4]T采用如下方法计算:
令:
则:
[r1,r2,r3,r4]T=(RTR)-1RTS
本发明的有益效果为:通过上述技术方案,本发明针对传统GM(1,1)模型精度不高,普适性不强等问题,提出了基于改进GM(1,1)模型的空中目标威胁预测方法。
首先,首先修正了传统GM(1,1)模型中的固有残差;
其次,根据一阶累加生成序列中各分量的大小确定权重,取各分量的加权求和作为初始条件,基于时间权重序列对残差平方和进行加权,求解最优问题确定时间参数;
最后,利用傅里叶级数拟合残差序列,将残差序列反馈给优化后的GM(1,1)模型,得到最终的改进GM(1,1)模型。本发明利用残差序列对模型进行修正,有效的提高了模型精度。
附图说明
图1是本发明的方法流程图。
图2是本发明的残差对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明包括以下步骤:
S1:获取来袭空中目标威胁值:
设我方传感器阵地探测到一个敌方空域运动目标在靠近,对该目标进行持续跟踪并探测其威胁值,获得由该目标历史威胁值组成的原始序列x(0)(k)。
S2:修正传统GM(1,1)模型固有误差:
根据步骤S1中目标历史威胁值原始序列x(0)(k),计算得到一阶累加生成序列x(1)(k);引入误差校正因子ξ并结合一阶累加生成序列x(1)(k)计算修正原始模型固有误差后的紧邻均值生成序列z(1)(k);
S3:获得一阶累加生成预测序列:
根据步骤S2中得到的修正原始模型固有误差后的紧邻均值生成序列z(1)(k),结合原始序列x(0)(k),构建灰微分方程解灰微分方程可得一阶累加生成预测序列的表达式根据步骤S2得到的一阶累加生成序列x(1)(k),计算参数和
S4:得到误差修正还原值:
S5:计算优化后的初始条件:
根据步骤S2得到的一阶累加生成序列x(1)(k),计算各个分量的权重wk;结合一阶累加生成序列x(1)(k),计算优化后的初始条件x(1)(β);
S6:构建初始条件优化还原值:
S7:构建基于时间权重序列的优化问题求解时间参数:
S8:计算残差预测序列:
根据傅里叶级数拟合残差预测序列e(0)(k)=r1+r2k+r3 sin(ωk)+r4 cos(ωk);根据步骤S1和步骤S6得到的原始序列x(0)(k)和初始条件优化后的还原值序列计算待定参数列[r1,r2,r3,r4]T;
S9:得到改进GM(1,1)模型:
S10:将我方阵地探测到的来袭空中目标威胁值代入改进GM(1,1)模型,得到威胁值预测序列,利用预测序列预测来袭空中目标未来时刻的威胁值。
所述步骤S2中一阶累加生成序列x(1)(k)采用如下方法计算:
其中,x(0)(k)为原始序列,x(0)(k)≥0,k为原始序列x(0)(k)的分量个数,k=1,2,…,n。
步骤S2中所述修正原始模型固有误差后的紧邻均值生成序列z(1)(k)计算方法为:
其中,z(1)(k)为修正原始模型固有误差后的紧邻均值生成序列,k为原始序列x(1)(k)的分量个数,k=2,3,…,n,ξ为误差校正因子;
其中,e为自然常数,k为原始序列x(0)(k)的分量个数,k=2,3,…,n。
所述步骤S5中所述一阶累加生成序列各个分量的权重优化后的初始条件x(1)(β)采用如下方法计算:
x(1)(β)=w1x(1)(1)+w2x(1)(2)+…+wnx(1)(n)
其中,k为原始序列x(0)(k)的分量个数,k=1,2,…,n,wk为一阶累加生成序列x(1)(k)各个分量的权重。
2.所述步骤S7中时间参数β采用如下方法计算:
式中,
所述步骤S8中待定参数列[r1,r2,r3,r4]T采用如下方法计算:
令:
则:
[r1,r2,r3,r4]T=(RTR)-1RTS
本发明的有益效果为:通过上述技术方案,本发明针对传统GM(1,1)模型精度不高,普适性不强等问题,提出了基于改进GM(1,1)模型的空中目标威胁预测方法。
首先,首先修正了传统GM(1,1)模型中的固有残差;
其次,根据一阶累加生成序列中各分量的大小确定权重,取各分量的加权求和作为初始条件,基于时间权重序列对残差平方和进行加权,求解最优问题确定时间参数;
最后,利用傅里叶级数拟合残差序列,将残差序列反馈给优化后的GM(1,1)模型,得到最终的改进GM(1,1)模型。
本发明法通过修正传统GM(1,1)模型的固有误差并优化初始条件,进而利用拟合残差序列对模型进行反馈,提高了GM(1,1)模型的预测精度和普适性。
下面通过具体的空中目标威胁预测案例并结合附图进一步说明。本案例中,通过对战场环境的监测,获得了10个历史时刻的目标威胁值,并预测未来10个时刻的威胁值。原始GM(1,1)模型与改进GM(1,1)模型量测值与预测值的残差对比图如图2所示。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.基于改进GM(1,1)模型的空中目标威胁预测方法,其特征在于:包括以下步骤:
S1:获取来袭空中目标威胁值:
设我方传感器阵地探测到一个敌方空域运动目标在靠近,对该目标进行持续跟踪并探测其威胁值,获得由该目标历史威胁值组成的原始序列x(0)(k);
S2:修正传统GM(1,1)模型固有误差:
根据步骤S1中目标历史威胁值原始序列x(0)(k),计算得到一阶累加生成序列x(1)(k);引入误差校正因子ξ并结合一阶累加生成序列x(1)(k)计算修正原始模型固有误差后的紧邻均值生成序列z(1)(k);
S3:获得一阶累加生成预测序列:
根据步骤S2中得到的修正原始模型固有误差后的紧邻均值生成序列z(1)(k),结合原始序列x(0)(k),构建灰微分方程解灰微分方程可得一阶累加生成预测序列的表达式根据步骤S2得到的一阶累加生成序列x(1)(k),计算参数和
S4:得到误差修正还原值:
S5:计算优化后的初始条件:
根据步骤S2得到的一阶累加生成序列x(1)(k),计算各个分量的权重wk;结合一阶累加生成序列x(1)(k),计算优化后的初始条件x(1)(β);
S6:构建初始条件优化还原值:
S7:构建基于时间权重序列的优化问题求解时间参数:
S8:计算残差预测序列:
根据傅里叶级数拟合残差预测序列e(0)(k)=r1+r2k+r3 sin(ωk)+r4 cos(ωk);根据步骤S1和步骤S6得到的原始序列x(0)(k)和初始条件优化后的还原值序列计算待定参数列[r1,r2,r3,r4]T;
S9:得到改进GM(1,1)模型:
S10:将我方阵地探测到的来袭空中目标威胁值代入改进GM(1,1)模型,得到威胁值预测序列,利用预测序列预测来袭空中目标未来时刻的威胁值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210087937.1A CN114519262B (zh) | 2022-01-25 | 2022-01-25 | 基于改进gm(1,1)模型的空中目标威胁预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210087937.1A CN114519262B (zh) | 2022-01-25 | 2022-01-25 | 基于改进gm(1,1)模型的空中目标威胁预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114519262A true CN114519262A (zh) | 2022-05-20 |
CN114519262B CN114519262B (zh) | 2024-02-20 |
Family
ID=81596409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210087937.1A Active CN114519262B (zh) | 2022-01-25 | 2022-01-25 | 基于改进gm(1,1)模型的空中目标威胁预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114519262B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117553938A (zh) * | 2024-01-11 | 2024-02-13 | 南京市计量监督检测院 | 一种高低温环境下温度二次仪表的误差修正方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120126511A (ko) * | 2011-05-12 | 2012-11-21 | 국방과학연구소 | 대공 표적에 대한 위협평가 시스템과 방법 및 이를 수행하는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체 |
CN103258243A (zh) * | 2013-04-27 | 2013-08-21 | 杭州电子科技大学 | 基于灰色神经网络的爆管预测方法 |
CN108447260A (zh) * | 2018-03-30 | 2018-08-24 | 南通大学 | 一种基于Fourier级数改进残差的短时交通流预测方法及系统 |
CN111553407A (zh) * | 2020-04-26 | 2020-08-18 | 广州珠江黄埔大桥建设有限公司 | 一种基于马尔科夫灰色模型的工程项目成本预测方法 |
CN111950117A (zh) * | 2020-06-24 | 2020-11-17 | 河北汉光重工有限责任公司 | 一种目标威胁度计算方法 |
-
2022
- 2022-01-25 CN CN202210087937.1A patent/CN114519262B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120126511A (ko) * | 2011-05-12 | 2012-11-21 | 국방과학연구소 | 대공 표적에 대한 위협평가 시스템과 방법 및 이를 수행하는 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체 |
CN103258243A (zh) * | 2013-04-27 | 2013-08-21 | 杭州电子科技大学 | 基于灰色神经网络的爆管预测方法 |
CN108447260A (zh) * | 2018-03-30 | 2018-08-24 | 南通大学 | 一种基于Fourier级数改进残差的短时交通流预测方法及系统 |
CN111553407A (zh) * | 2020-04-26 | 2020-08-18 | 广州珠江黄埔大桥建设有限公司 | 一种基于马尔科夫灰色模型的工程项目成本预测方法 |
CN111950117A (zh) * | 2020-06-24 | 2020-11-17 | 河北汉光重工有限责任公司 | 一种目标威胁度计算方法 |
Non-Patent Citations (1)
Title |
---|
张晨;毛征;张广申;王朋月;邓锴;职荣豪;: "改进灰色残差模型在航迹预测中的应用", 兵工自动化, no. 05, 15 May 2018 (2018-05-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117553938A (zh) * | 2024-01-11 | 2024-02-13 | 南京市计量监督检测院 | 一种高低温环境下温度二次仪表的误差修正方法 |
CN117553938B (zh) * | 2024-01-11 | 2024-03-19 | 南京市计量监督检测院 | 一种高低温环境下温度二次仪表的误差修正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114519262B (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766058B (zh) | 一种基于优化rpn网络的战场目标检测方法 | |
CN109508818B (zh) | 一种基于LSSVM的在线NOx预测方法 | |
CN111680870B (zh) | 目标运动轨迹质量综合评估方法 | |
CN110287537B (zh) | 用于频标输出跳变检测的抗野值自适应卡尔曼滤波方法 | |
CN110738275B (zh) | 基于ut-phd的多传感器序贯融合跟踪方法 | |
CN111046327A (zh) | 适用于低频振荡与次同步振荡辨识的Prony分析方法 | |
CN114519262A (zh) | 基于改进gm(1,1)模型的空中目标威胁预测方法 | |
CN108181617B (zh) | 一种基于张量积模型变换的非线性调频系统的滤波方法 | |
CN108896456B (zh) | 基于反馈型rbf神经网络的气溶胶消光系数反演方法 | |
CN115342814B (zh) | 一种基于多传感器数据融合的无人船定位方法 | |
CN110597056A (zh) | 用于高炮火控系统的大闭环校射控制方法 | |
CN114264865B (zh) | 一种电流采集装置在线自校准方法 | |
CN114037064A (zh) | 一种船舶大气污染物监测方法及系统 | |
CN114329347B (zh) | 一种电能表计量误差预测方法、装置及存储介质 | |
CN113467236B (zh) | 一种对误差信号进行时滞补偿的方法 | |
CN111461297B (zh) | 基于mpc和elm神经网络的太阳辐照量优化预测算法 | |
CN117055005A (zh) | 一种基于深度主动学习的雷达目标识别方法及雷达系统 | |
CN114485800B (zh) | 适用于气体多参数移动监测仪的远程质控方法 | |
CN115855133A (zh) | 传感器的校准方法、装置、计算机设备和可读存储介质 | |
CN112965966B (zh) | 一种基于实测飞参数据的快速预处理方法、系统及计算机相关产品 | |
CN115856963A (zh) | 基于深度神经网络学习的高精度定位算法 | |
Siegl et al. | Ensemble‐based adaptive soft sensor for fault‐tolerant biomass monitoring | |
CN112965965A (zh) | 一种基于模糊预测系统的野值剔除方法、系统及计算机相关产品 | |
CN113108949A (zh) | 一种基于模型融合的探空仪温度传感器误差预测方法 | |
CN114924237B (zh) | 一种用于动态检测雷达数据异常值的滤波方法 |
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 |