CN114978827B - 一种基于星座图相位异众比率校正频偏的调制识别方法 - Google Patents
一种基于星座图相位异众比率校正频偏的调制识别方法 Download PDFInfo
- Publication number
- CN114978827B CN114978827B CN202210428506.7A CN202210428506A CN114978827B CN 114978827 B CN114978827 B CN 114978827B CN 202210428506 A CN202210428506 A CN 202210428506A CN 114978827 B CN114978827 B CN 114978827B
- Authority
- CN
- China
- Prior art keywords
- frequency offset
- data set
- constellation
- modulation
- constellation diagram
- 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
Links
- 238000010586 diagram Methods 0.000 title claims abstract description 147
- 238000012937 correction Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 104
- 238000012360 testing method Methods 0.000 claims abstract description 102
- 238000013145 classification model Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 description 11
- 238000005070 sampling Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 4
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0012—Modulated-carrier systems arrangements for identifying the type of modulation
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0014—Carrier regulation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/0014—Carrier regulation
- H04L2027/0024—Carrier regulation at the receiver end
- H04L2027/0026—Correction of carrier offset
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Digital Transmission Methods That Use Modulated Carrier Waves (AREA)
Abstract
本发明公开了一种基于星座图相位异众比率校正频偏的调制识别方法,包括根据所述调制数据得到有相同星座图序列特征的训练数据集和测试数据集,并进行数据预处理;将预处理后的测试数据集进行校正载波频率偏移处理,再根据校正频偏的星座图序列特征得到星座数据,并根据所述星座数据分别绘制训练数据集和测试数据集星座图;通过图像识别分类方法对所述训练数据集星座图进行训练得到识别分类模型;通过识别分类模型对所述测试数据集星座图进行调制识别分类。本发明针对调制信号的调制识别,考虑了载波频率的偏移问题,通过最小化星座图的相位异众比率校正星座图的频偏,并用图像识别分类方法对校正星座图进行训练,有效地提升调制识别的准确率。
Description
技术领域
本发明涉及信号调制识别领域,具体涉及一种基于星座图相位异众比率校正频偏的调制识别方法。
背景技术
调制识别是对被噪声和衰落信道破坏的信号的调制格式进行分类的过程,是信号检测和数据解调之间的一个中间步骤,在军事、民用和安全应用的许多领域中具有重要作用。传统调制识别方法可分为基于概率的方法,与基于特征的方法。前者需要信噪比等先验信息,后者需要提取与调制模式相关的时频特征,并优化阈值。机器学习技术也被用于识别调制类型,计算效率更高。
星座图是调制识别的常用特征,在实际的采样过程中,由于本振产生的频率与实际载波不匹配,会发生载波频率偏移,信道噪声的存在会导致星座变形、星座的簇分散,给识别增添了很大难度,这就需要星座图进行校正,才能正确提取星座点,以得到较好的识别准确率。而载波频率偏移的传统估计方法中,有的局限于先验信息是否充足,模型复杂度较高。有的只适用于某种特定的调制模式,不具备应用的广泛性。
因此,现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提出了一种基于星座图相位异众比率校正频偏的调制识别方法,旨在解决现有技术中模型复杂度较高,不具备应用广泛性的问题。
本发明解决技术问题所采用的技术方案如下:
第一方面,本发明实施例提供一种基于星座图相位异众比率校正频偏的调制识别方法,其中,所述方法包括:
获取调制数据,根据所述调制数据得到有相同星座图序列特征的训练数据集和测试数据集,并对所述训练数据集和所述测试数据集进行数据预处理;
将预处理后的训练数据集和预处理后的测试数据集进行校正载波频率偏移处理,得到校正频偏后的训练数据集和校正频偏后的测试数据集;
分别根据所述校正频偏后的训练数据集中的校正频偏的星座图序列特征和校正频偏后的测试数据集中的校正频偏的星座图序列特征得到星座数据,并根据所述星座数据分别绘制训练数据集星座图和测试数据集星座图;
通过图像识别分类方法对所述训练数据集星座图进行训练,得到识别分类模型;
通过所述识别分类模型对所述测试数据集星座图进行调制识别分类。
在一种实现方式中,所述获取调制数据,根据所述调制数据得到有相同星座图序列特征的训练数据集和测试数据集,包括:
根据所述调制数据得到所述星座图序列特征和调制类别标签;
根据所述星座图序列特征和所述调制类别标签得到训练数据集和测试数据集。
在一种实现方式中,所述数据预处理,包括:
对所述训练数据集和所述测试数据集中的所述星座图序列特征的星座点范围进行归一化处理,得到归一化的星座点;
剔除异常离群的星座点得到预处理后的训练数据集和预处理后的测试数据集。
在一种实现方式中,所述将预处理后的训练数据集和预处理后的测试数据集进行校正载波频率偏移处理,包括:
对所述预处理后的训练数据集和所述预处理后的测试数据集中的所述星座图序列特征进行校正,得到校正星座图序列特征;
根据所述校正星座图序列特征得到估计频偏值;
根据所述估计频偏值得到校正频偏后的训练数据集和校正频偏后的测试数据集。
在一种实现方式中,所述对所述预处理后的训练数据集和所述预处理后的测试数据集中的所述星座图序列特征进行校正,得到校正星座图序列特征,包括:
预设第一频偏值、第二频偏值和调整步长,以所述第一频偏值为起始值,每次增加所述调整步长,得到假设频偏值,所述假设频偏值不大于第二频偏值;
根据每个所述假设频偏值对所述星座图序列特征进行校正,得到所述假设频偏值下的校正星座图序列特征。
在一种实现方式中,所述根据校正星座图序列特征得到估计频偏值,包括:
将每个所述假设频偏值下的校正星座图序列特征中的星座点转换为极坐标点;
将所述极坐标点根据网格参数划分为网格,并根据网格总数百分比得到所述假设频偏值下的异众比率;
将所述异众比率按照数值大小排序,将数值最小的所述异众比率对应的所述假设频偏值设为所述估计频偏值。
在一种实现方式中,所述根据所述估计频偏值得到校正频偏后的训练数据集和校正频偏后的测试数据集,包括:
用所述估计频偏值对所述训练数据集和测试数据集的星座图序列特征进行校正,得到校正频偏的星座图序列特征;
根据所述校正频偏的星座图序列特征得到校正频偏后的训练数据集和校正频偏后的测试数据集。
第二方面,本发明实施例还提供一种基于星座图相位异众比率校正频偏的调制识别装置,其中,所述装置包括:
数据预处理模块,用于获取调制数据,根据所述调制数据得到有相同星座图序列特征的训练数据集和测试数据集,并对所述训练数据集和所述测试数据集进行数据预处理;
频偏校正模块,用于将预处理后的训练数据集和预处理后的测试数据集进行校正载波频率偏移处理,得到校正频偏后的训练数据集和校正频偏后的测试数据集;
星座图绘制模块,用于分别根据所述校正频偏后的训练数据集中的校正频偏的星座图序列特征和所述校正频偏后的测试数据集中的校正频偏的星座图序列特征得到星座数据,并根据所述星座数据绘制训练数据集星座图和测试数据集星座图;
识别分类模型获取模块,用于通过图像识别分类方法对所述训练数据集星座图进行训练,得到识别分类模型;
调制识别分类模块,用于通过所述识别分类模型对所述测试数据集星座图进行调制识别分类。
第三方面,本发明实施例还提供一种智能终端,其中,所述智能终端包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的基于星座图相位异众比率校正频偏的调制识别程序,所述处理器执行所述基于星座图相位异众比率校正频偏的调制识别程序时,实现如上述任一项所述的基于星座图相位异众比率校正频偏的调制识别方法的步骤。
第四方面,本发明实施例还提供一种存储介质,其中,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上述任一项所述的基于星座图相位异众比率校正频偏的调制识别方法的步骤。
有益效果:本发明实施例首先根据所述调制数据得到有相同星座图序列特征的训练数据集和测试数据集,并对所述训练数据集和所述测试数据集进行数据预处理和校正载波频率偏移处理,以得到校正频偏的星座图序列特征得到星座数据。再根据所述星座数据分别绘制训练数据集和测试数据集星座图,并通过图像识别分类方法对所述训练数据集星座图进行训练得到识别分类模型,最后通过识别分类模型对所述测试数据集星座图进行调制识别分类。可见,本发明实施例针对调制信号的调制识别,考虑了载波频率的偏移问题,通过最小化星座图的相位异众比率校正了星座图的频偏,再通过图像识别分类方法对校正星座图进行训练,有效地提升调制识别的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于星座图相位异众比率校正频偏的调制识别方法的流程示意图;
图2是本发明实施例的4ask载波频率偏移导致的星座图变形对比图;
图3是本发明实施例的极坐标系下4ask载波频率偏移导致的星座图变形对比图;
图4是本发明实施例的4ask校正频偏后的星座图;
图5是本发明实施例的CNN模型进行调制识别效果图;
图6是本发明实施例的LSTM模型进行调制识别效果图;
图7是本发明实施例的基于星座图相位异众比率校正频偏的调制识别装置的原理框图;
图8是本发明实施例提供的智能终端的内部结构原理框图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
星座图是调制识别的常用特征,在实际的采样过程中,由于本振产生的频率与实际载波不匹配,会发生载波频率偏移,信道噪声的存在会导致星座变形、星座的簇分散,给识别增添了很大难度,这就需要星座图进行校正,才能正确提取星座点,以得到较好的识别准确率。而载波频率偏移的传统估计方法中,有的局限于先验信息是否充足,模型复杂度较高。有的只适用于某种特定的调制模式,不具备应用的广泛性。为了解决上述技术问题,本实施例提供了一种基于星座图相位异众比率校正频偏的调制识别方法,通过将预处理后的测试数据集进行校正载波频率偏移处理绘制训练数据集和测试数据集星座图,再通过图像识别分类方法对所述训练数据集星座图进行训练得到识别分类模型,最后通过识别分类模型对所述测试数据集星座图进行调制识别分类。本发明实施例针对调制信号的调制识别,考虑了载波频率的偏移问题,并用图像识别分类方法对校正星座图进行训练,有效地提升调制识别的准确率。
示例性方法
本实施例提供一种基于星座图相位异众比率校正频偏的调制识别方法,本实施例可应用于调制识别装置。如图1所示,所述方法包括如下步骤:
步骤S100、获取调制数据,根据所述调制数据得到有相同星座图序列特征的训练数据集和测试数据集,并对所述训练数据集和所述测试数据集进行数据预处理。
调制识别分类是对被噪声和衰落信道破坏的信号的调制格式进行分类的过程,是信号检测和数据解调之间的一个中间步骤。星座图是调制识别使用的常用特征,星座点在I-Q平面上形成簇。在I-Q平面上,调制信号可以使用幅度和相位的极坐标来表示。I-Q调制使用了两个载波,一个是同相(In-phase)分量,另一个是正交(Quadrature)分量,两者之间有90°的相移,即调制信号在I-Q平面上被标记为I+jQ,其中I是实部,Q为虚部,j为虚数单位。因在I-Q平面上调制信号由于频谱效率较高,因而在数字通信中得到广泛采用。
但在实际的采样过程中,由于本振产生的频率与实际载波不匹配,载波频率偏移、信道噪声的存在,导致星座变形,星座的簇分散,给识别增添了很大难度,需要对其进行校正,才能正确提取星座点,以提高调制识别的准确率。但因为原始调制数据是发散的,不利于计算校正载波偏移,所以需要先对原始调制数据进行数据预处理,将星座点范围归一化并剔除异常离群的星座点,以得到规范的数据集。
在一种实施方式中,本实施例所述步骤S100具体包括如下步骤:
S101、根据所述调制数据得到所述星座图序列特征和调制类别标签。
本实施例中,模拟数字调制数据的生成过程,加入对高斯噪声、载波频率偏移等的考量,构建仿真数据库。获取仿真训练、测试数据,设置m=18,n1=70,n2=30,N=1024。调制模式包括2ask、4ask、8ask、2fsk、4fsk、8fsk、2psk、4psk、8psk、2pam、4pam、8pam、8qam、16qam、64qam、16apsk、32apsk、64apsk。本实施例在数据集选取上并没有很高的依赖性,对存在载波频率偏移的开源数据,同样有良好的表现。本实施例利用校正频偏后的星座图来对调制信号的调制模式进行分类,也可以选择添加其他的时频特征。
S102、根据所述星座图序列特征和所述调制类别标签得到训练数据集和测试数据集。
具体地,本实施例的训练数据集和测试数据集由星座图序列特征和调制类别标签组成。
首先,获取m种调制模式下的n1个星座图序列特征与调制类别标签作为训练数据Dtrain,
其中,x为含有N个点的星座图序列特征{I1+jQ1,I2+jQ2,…,IN+jQN},y∈{1,2,3,…,m}为调制类别标签。
再获取m种调制模式下的n2个星座图序列与标签作为测试数据Dtest,
其中,x为含有N个点的星座图序列特征{I1+jQ1,I2+jQ2,…,IN+jQN},y∈{1,2,3,…,m}为调制类别标签。
S103、对所述训练数据集和所述测试数据集中的所述星座图序列特征的星座点范围进行归一化处理,得到归一化的星座点;
S104、剔除异常离群的星座点得到预处理后的训练数据集和预处理后的测试数据集。
在一种实现方式中,将Dtrain和Dtest的星座图序列特征x的星座点范围归一化至[-4,4],并剔除异常离群星座点以排除干扰,这样每个星座点I+jQ范围都处于[-4,4]×[-4,4]的矩形范围内。
步骤S200、将预处理后的训练数据集和预处理后的测试数据集进行校正载波频率偏移处理,得到校正频偏后的训练数据集和校正频偏后的测试数据集。
载波频率偏移使得星座序列逐渐叠加相位偏移,星座图变形,特征信息流失,调制识别受到影响。为获取准确的星座特征数据,期望先估计出估计频偏值,再校正星座图序列特征的载波偏移。为获取估计频偏值,可利用异众比率作为相位集中程度的统计指标,因为异众比率越小,相位越集中,所以将数值最小的所述异众比率对应的所述假设频偏值设为所述估计频偏值,对星座图序列特征进行校正,就可以得到校正频偏的星座图序列特征。
AWGN(Additive white Gaussian noise,加性高斯白噪声)在通信领域中指的是一种功率谱函数是常数(即白噪声),且幅度服从高斯分布的噪声信号。因其可线性增加的宽带噪声,具有恒定的频谱密度和高斯分布的幅度、且幅度服从高斯分布并为白噪声,所以AWGN信道用于仿真发射机和接收机之间的信道。
在本实施例中,在AWGN信道下,以4ask为例,实际获取的星座数据其中,Ii是I-Q平面上的星座点的实部,Qi为I-Q平面上的星座点的虚部,j为虚数单位,s(i)是理想信号,ω(i)是加性高斯噪声,i=1,2,…,N,fc是载波频率偏移,它使得每个点存在一个频偏fc倍数的相位偏移,fs为采样率。如图2为4ask在信噪比10dB时,载波频率偏移导致的星座图变形对比图,图2中的A图为4ask在信噪比10dB时的原始加噪的星座图,图2中的B图为4ask在信噪比10dB时的叠加载波频率偏移后的星座图。横轴指I轴,纵轴指Q轴。注意坐标轴原点的位置,图2中的A图基本在第一、四象限,图2中的B图则分布在四个象限。如图3为4ask在信噪比10dB时,极坐标系下载波频率偏移导致的星座图变形对比图,对应图2。图3中的A图为4ask在信噪比10dB时的原始加噪的星座图,图3中的B图为4ask在信噪比10dB时的叠加载波频率偏移后的星座图。横轴指相位,纵轴指幅值,黑色曲线指整体相位概率密度曲线。图3中的A图相位大致在/>内,概率密度曲线单峰,趋于正态分布,图3中的B图相位在[-π,π]内,概率密度曲线几乎呈均匀分布。由图2、3可知,载波频率偏移使得星座图变形,特征信息流失,调制识别受到影响。为获取准确的星座特征数据,期望先估计出fc,校正频偏后复原得:/> 其中s(i)是理想信号,ω'(i)是复原后的加性高斯噪声,fc是载波频率偏移,fs为采样率,i=1,2,…,N。对比得知理想无载波频率偏移情况下,类似图3中的A图,星座图相位集中于某几个区间,利用异众比率作为相位集中程度的统计指标,异众比率越小,相位越集中,期望以此估计载波频率偏移。
在一种实施方式中,本实施例所述步骤S200具体包括如下步骤:
步骤S201、对所述预处理后的训练数据集和所述预处理后的测试数据集中的所述星座图序列特征进行校正,得到校正星座图序列特征;
步骤S202、根据所述校正星座图序列特征得到估计频偏值;
步骤S203、根据所述估计频偏值得到校正频偏后的训练数据集和校正频偏后的测试数据集。
在一种实施方式中,本实施例所述步骤S201具体包括如下步骤:
S2011、预设第一频偏值、第二频偏值和调整步长,以所述第一频偏值为起始值,每次增加所述调整步长,得到假设频偏值,所述假设频偏值不大于第二频偏值。
S2012、根据每个所述假设频偏值对所述星座图序列特征进行校正,得到所述假设频偏值下的校正星座图序列特征。
具体地,在频偏范围[-fmax,fmax]内,设调整步长为f,以当前频率fk=-fmax+kf≤fmax,假设频偏为fk,fs为采样率,以其校正星座图序列特征x={I1+jQ1,I2+jQ2,…,IN+jQN},根据/> 得到校正星座图序列特征 其中,/>是假设频偏fk校正后的I-Q平面上的星座点的实部,/>为假设频偏fk校正的I-Q平面上的星座点的虚部,j为虚数单位,i=1,2,…,N。
在一种实施方式中,本实施例所述步骤S202具体包括如下步骤:
S2021、将每个所述假设频偏值下的校正星座图序列特征中的星座点转换为极坐标点;
将校正星座图序列特征中的N个星座点,转换为范围处于(-π,π]的极坐标点,得到{θ1+jr1,θ2+jr2,…,θN+jrN}:
S2022、将所述极坐标点根据网格参数划分为网格,并根据网格总数百分比得到所述假设频偏值下的异众比率。
将范围为(-π,π]的相位划分为G个网格,区间间隔为第g个网格的区间范围即根据N个星座点{θ1+jr1,θ2+jr2,…,θN+jrN}相位所处的范围,对各网格计数,得到G个网格区间的频数{N1,N2,…,NG},满足:/>
对网格频次{N1,N2,…,NG}降序排列得到{N'1,N'2,…,N'G},设定网格总数的百分比d∈(0,1),即取q=Gd组最大频数网格作为众数组{N'1,N'2,…,N'q},计算众数组的频数fq,于是得到异众比率V:
异众比率指总体中非众数次数与总体全部次数之比,适合测度分类数据的离散程度,反映离散程度的相对指标,衡量众数对一组数据的代表程度。
通过上述过程即得到校正频偏为fk时的异众比率Vk,对于 得到对应异众比率{V0,V1,…,VK}。
S2023、将所述异众比率按照数值大小排序,将数值最小的所述异众比率对应的所述假设频偏值设为所述估计频偏值。
具体地,无偏载波频率偏移时,相位将集中于某几个相位区间,因此异众比率越小,众数代表性越好,相位越加集中,当前频偏估计越准确。因此取{V0,V1,…,VK}中最小值对应的频偏值作为估计频偏值f*。
在一种实施方式中,本实施例所述步骤S203具体包括如下步骤:
S2031、用所述估计频偏值对所述训练数据集和测试数据集的星座图序列特征进行校正,得到校正频偏的星座图序列特征。
具体地,在估计频偏值f*下,对x={I1+jQ1,I2+jQ2,…,IN+jQN},校正:
得到校正频偏的星座图序列特征x'={I'1+jQ'1,I'2+jQ'2,…,I'N+jQ'N},其中,I'i为用估计频偏f*校正后的I-Q平面上的星座点的实部,Q'i为用估计频偏f*校正的I-Q平面上的星座点的虚部,j为虚数单位,i=1,2,…,N。
在一种实施例中,设置网格个数G=30,众数组百分比d=0.25,采样率fs=106,fmax=2000,频偏范围[-2000,2000],步长f=10,K=400,如图4为4ask校正频偏后的星座图。估计的频偏为1300,实际频偏为1370,校正频偏后异众比率由0.6377降至0.1963。星座图还原成簇,特征信息找回。
S2032、根据所述校正频偏的星座图序列特征得到校正频偏后的训练数据集和校正频偏后的测试数据集。
通过校正频偏的星座图序列特征x'={I'1+jQ'1,I'2+jQ'2,…,I'N+jQ'N}得到校正频偏后的训练集D'train与校正频偏后的测试集D'test:
步骤S300、分别根据所述校正频偏后的训练数据集中的校正频偏的星座图序列特征和校正频偏后的测试数据集中的校正频偏的星座图序列特征得到星座数据,并根据所述星座数据分别绘制训练数据集星座图和测试数据集星座图。
具体地,由校正频偏的星座图序列特征x'={I'1+jQ'1,I'2+jQ'2,…,I'N+jQ'N},将所述校正频偏后的训练数据集中和校正频偏后的测试数据集中的星座数据转换为星座图。
步骤S400、通过图像识别分类方法对所述训练数据集星座图进行训练,得到识别分类模型;
步骤S500、通过所述识别分类模型对所述测试数据集星座图进行调制识别分类。
具体地,如图5所示,本实施例由校正载波频率偏移前后的星座图数据来对18种调制模式的数据进行分类识别的效果对比图,图5中的A图为校正载波频率偏移前的分类识别效果图,图5中的B图为校正载波频率偏移后的分类识别效果图。可见,本发明校正频偏后,利用CNN(卷积神经网络)模型进行调制识别效果得到提升。此外,其他实施例由DeepSig开源数据对信噪比10dB时的7种调制模式包括8PSK、BPSK、GFSK、PAM4、QAM4、QAM64、QPSK进行识别,m=7,n1=36,n2=15,N=1024。G=20,d=0.3,fs=106,fmax=2000,频偏范围[-100,100],f=2,K=100。校正频偏后利用LSTM模型进行分类,分类效果对比如图6所示,图5中的A图为LSTM模型的校正载波频率偏移前的分类识别效果图,图5中的B图为LSTM模型的校正载波频率偏移后的分类识别效果图。可见,本发明实施例在开源数据、LSTM模型下仍有效果。
示例性设备
进一步地,本发明还相应提供了一种基于星座图相位异众比率校正频偏的调制识别装置,其原理框图如图7所示,所述装置包括:
数据预处理模块10,用于获取调制数据,根据所述调制数据得到有相同星座图序列特征的训练数据集和测试数据集,并对所述训练数据集和所述测试数据集进行数据预处理;
频偏校正模块20,用于将预处理后的训练数据集和预处理后的测试数据集进行校正载波频率偏移处理,得到校正频偏后的训练数据集和校正频偏后的测试数据集;
星座图绘制模块30,用于分别根据所述校正频偏后的训练数据集中的校正频偏的星座图序列特征和所述校正频偏后的测试数据集中的校正频偏的星座图序列特征得到星座数据,并根据所述星座数据绘制训练数据集星座图和测试数据集星座图;
识别分类模型获取模块40,用于通过图像识别分类方法对所述训练数据集星座图进行训练,得到识别分类模型;
调制识别分类模块50,用于通过所述识别分类模型对所述测试数据集星座图进行调制识别分类。
在一种实现方式中,本实施例中的数据预处理模块10,包括:
数据集获取单元,用于根据所述调制数据得到所述星座图序列特征和调制类别标签,并根据所述星座图序列特征和所述调制类别标签得到训练数据集和测试数据集;
数据预处理单元,用于对所述训练数据集和所述测试数据集进行数据预处理。
在一种实现方式中,本实施例中的数据预处理单元包括:
数据归一化子单元,用于对所述训练数据集和所述测试数据集中的所述星座图序列特征的星座点范围进行归一化处理,得到归一化的星座点;
异常数据剔除子单元,用于剔除异常离群的星座点得到预处理后的训练数据集和预处理后的测试数据集。
在一种实现方式中,本实施例中的频偏校正模块20包括:
星座图序列特征校正单元,用于对所述预处理后的训练数据集和所述预处理后的测试数据集中的所述星座图序列特征进行校正,得到校正星座图序列特征;
估计频偏值获取单元,用于根据所述校正星座图序列特征得到估计频偏值;
频偏校正单元,用于根据所述估计频偏值得到校正频偏后的训练数据集和校正频偏后的测试数据集。
在一种实现方式中,本实施例中的星座图序列特征校正单元包括:
假设频偏值获取子单元,用于预设第一频偏值、第二频偏值和调整步长,以所述第一频偏值为起始值,每次增加所述调整步长,得到假设频偏值,所述假设频偏值不大于第二频偏值;
假设频偏值下的星座图序列特征校正子单元,根据每个所述假设频偏值对所述星座图序列特征进行校正,得到所述假设频偏值下的校正星座图序列特征。
在一种实现方式中,本实施例中的估计频偏值获取单元包括:
极坐标转换子单元,用于将每个所述假设频偏值下的校正星座图序列特征中的星座点转换为极坐标点;
异众比率获取子单元,用于将所述极坐标点根据网格参数划分为网格,并根据网格总数百分比得到所述假设频偏值下的异众比率;
估计频偏值获取子单元,将所述异众比率按照数值大小排序,将数值最小的所述异众比率对应的所述假设频偏值设为所述估计频偏值。
在一种实现方式中,本实施例中的频偏校正单元,包括:
星座图序列特征频偏校正子单元,用所述估计频偏值对所述训练数据集和测试数据集的星座图序列特征进行校正,得到校正频偏的星座图序列特征;
数据集频偏校正子单元,根据所述校正频偏的星座图序列特征得到校正频偏后的训练数据集和校正频偏后的测试数据集。
基于上述实施例,本发明还提供了一种智能终端,其原理框图如图8所示,该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中,该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于星座图相位异众比率校正频偏的调制识别方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏,该智能终端的温度传感器是预先在智能终端内部设置,用于检测内部设备的运行温度。
本领域技术人员可以理解,图8中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的智能终端的限定,具体的智能终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供一种智能终端,其中,所述智能终端包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的基于星座图相位异众比率校正频偏的调制识别程序,所述处理器执行所述基于星座图相位异众比率校正频偏的调制识别程序时,实现如上述任一项所述的基于星座图相位异众比率校正频偏的调制识别方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、运营数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双运营数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述,本发明公开了一种基于星座图相位异众比率校正频偏的调制识别方法,包括根据所述调制数据得到有相同星座图序列特征的训练数据集和测试数据集,并进行数据预处理;将预处理后的测试数据集进行校正载波频率偏移处理,再根据校正频偏的星座图序列特征得到星座数据,并根据所述星座数据分别绘制训练数据集和测试数据集星座图;通过图像识别分类方法对所述训练数据集星座图进行训练得到识别分类模型;通过识别分类模型对所述测试数据集星座图进行调制识别分类。本发明针对调制信号的调制识别,考虑了载波频率的偏移问题,通过最小化星座图的相位异众比率校正星座图的频偏,并用图像识别分类方法对校正星座图进行训练,有效地提升调制识别的准确率。
最后应说明的是:以上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精神和范围。
Claims (10)
1.一种基于星座图相位异众比率校正频偏的调制识别方法,其特征在于,所述方法包括:
获取调制数据,根据所述调制数据得到有相同星座图序列特征的训练数据集和测试数据集,并对所述训练数据集和所述测试数据集进行数据预处理;
将预处理后的训练数据集和预处理后的测试数据集进行校正载波频率偏移处理,得到校正频偏后的训练数据集和校正频偏后的测试数据集;
分别根据所述校正频偏后的训练数据集中的校正频偏的星座图序列特征和校正频偏后的测试数据集中的校正频偏的星座图序列特征得到星座数据,并根据所述星座数据分别绘制训练数据集星座图和测试数据集星座图;
通过图像识别分类方法对所述训练数据集星座图进行训练,得到识别分类模型;
通过所述识别分类模型对所述测试数据集星座图进行调制识别分类。
2.根据权利要求1所述的基于星座图相位异众比率校正频偏的调制识别方法,其特征在于,所述获取调制数据,根据所述调制数据得到有相同星座图序列特征的训练数据集和测试数据集,包括:
根据所述调制数据得到所述星座图序列特征和调制类别标签;
根据所述星座图序列特征和所述调制类别标签得到训练数据集和测试数据集。
3.根据权利要求2所述的基于星座图相位异众比率校正频偏的调制识别方法,其特征在于,所述数据预处理,包括:
对所述训练数据集和所述测试数据集中的所述星座图序列特征的星座点范围进行归一化处理,得到归一化的星座点;
剔除异常离群的星座点得到预处理后的训练数据集和预处理后的测试数据集。
4.根据权利要求3所述的基于星座图相位异众比率校正频偏的调制识别方法,其特征在于,所述将预处理后的训练数据集和预处理后的测试数据集进行校正载波频率偏移处理,包括:
对所述预处理后的训练数据集和所述预处理后的测试数据集中的所述星座图序列特征进行校正,得到校正星座图序列特征;
根据所述校正星座图序列特征得到估计频偏值;
根据所述估计频偏值得到校正频偏后的训练数据集和校正频偏后的测试数据集。
5.根据权利要求4所述的基于星座图相位异众比率校正频偏的调制识别方法,其特征在于,所述对所述预处理后的训练数据集和所述预处理后的测试数据集中的所述星座图序列特征进行校正,得到校正星座图序列特征,包括:
预设第一频偏值、第二频偏值和调整步长,以所述第一频偏值为起始值,每次增加所述调整步长,得到假设频偏值,所述假设频偏值不大于第二频偏值;
根据每个所述假设频偏值对所述星座图序列特征进行校正,得到所述假设频偏值下的校正星座图序列特征。
6.根据权利要求5所述的基于星座图相位异众比率校正频偏的调制识别方法,其特征在于,所述根据校正星座图序列特征得到估计频偏值,包括:
将每个所述假设频偏值下的校正星座图序列特征中的星座点转换为极坐标点;
将所述极坐标点根据网格参数划分为网格,并根据网格总数百分比得到所述假设频偏值下的异众比率;
将所述异众比率按照数值大小排序,将数值最小的所述异众比率对应的所述假设频偏值设为所述估计频偏值。
7.根据权利要求6所述的基于星座图相位异众比率校正频偏的调制识别方法,其特征在于,所述根据所述估计频偏值得到校正频偏后的训练数据集和校正频偏后的测试数据集,包括:
用所述估计频偏值对所述训练数据集和测试数据集的星座图序列特征进行校正,得到校正频偏的星座图序列特征;
根据所述校正频偏的星座图序列特征得到校正频偏后的训练数据集和校正频偏后的测试数据集。
8.一种基于星座图相位异众比率校正频偏的调制识别装置,其特征在于,所述装置包括:
数据预处理模块,用于获取调制数据,根据所述调制数据得到有相同星座图序列特征的训练数据集和测试数据集,并对所述训练数据集和所述测试数据集进行数据预处理;
频偏校正模块,用于将预处理后的训练数据集和预处理后的测试数据集进行校正载波频率偏移处理,得到校正频偏后的训练数据集和校正频偏后的测试数据集;
星座图绘制模块,用于分别根据所述校正频偏后的训练数据集中的校正频偏的星座图序列特征和所述校正频偏后的测试数据集中的校正频偏的星座图序列特征得到星座数据,并根据所述星座数据绘制训练数据集星座图和测试数据集星座图;
识别分类模型获取模块,用于通过图像识别分类方法对所述训练数据集星座图进行训练,得到识别分类模型;
调制识别分类模块,用于通过所述识别分类模型对所述测试数据集星座图进行调制识别分类。
9.一种智能终端,其特征在于,所述智能终端包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的基于星座图相位异众比率校正频偏的调制识别程序,所述处理器执行所述基于星座图相位异众比率校正频偏的调制识别程序时,实现如权利要求1-7任一项所述的基于星座图相位异众比率校正频偏的调制识别方法的步骤。
10.一种存储介质,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上述权利要求1-7任一项所述的基于星座图相位异众比率校正频偏的调制识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210428506.7A CN114978827B (zh) | 2022-04-22 | 2022-04-22 | 一种基于星座图相位异众比率校正频偏的调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210428506.7A CN114978827B (zh) | 2022-04-22 | 2022-04-22 | 一种基于星座图相位异众比率校正频偏的调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114978827A CN114978827A (zh) | 2022-08-30 |
CN114978827B true CN114978827B (zh) | 2024-05-10 |
Family
ID=82979800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210428506.7A Active CN114978827B (zh) | 2022-04-22 | 2022-04-22 | 一种基于星座图相位异众比率校正频偏的调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114978827B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030090389A (ko) * | 2002-05-23 | 2003-11-28 | 주식회사 신영텔레콤 | 직교주파수분할 다중방식을 사용하는 무선랜 시스템의주파수옵셋 동기획득 방법 |
CN107864106A (zh) * | 2017-11-24 | 2018-03-30 | 成都玖锦科技有限公司 | 一种适用于非数据辅助的mpsk载波同步方法 |
CN108427987A (zh) * | 2018-03-08 | 2018-08-21 | 四川大学 | 一种基于卷积神经网络的调制方式识别方法 |
CN111343116A (zh) * | 2020-02-25 | 2020-06-26 | 杭州电子科技大学 | 密集信号环境下基于星座轨迹图的调制识别方法 |
CN112270263A (zh) * | 2020-10-28 | 2021-01-26 | 电子科技大学 | 基于差分密度星座图的调制识别方法 |
CN112511477A (zh) * | 2020-11-16 | 2021-03-16 | 南京融星智联信息技术有限公司 | 一种基于星座图和深度学习的混合卫星通信调制识别方法及系统 |
CN112953871A (zh) * | 2021-02-23 | 2021-06-11 | 北京邮电大学 | 一种基于神经网络的信号调制格式识别新方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8155244B2 (en) * | 2008-07-08 | 2012-04-10 | The Boeing Company | Demodulation using blind constellation identification for communication signals |
-
2022
- 2022-04-22 CN CN202210428506.7A patent/CN114978827B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030090389A (ko) * | 2002-05-23 | 2003-11-28 | 주식회사 신영텔레콤 | 직교주파수분할 다중방식을 사용하는 무선랜 시스템의주파수옵셋 동기획득 방법 |
CN107864106A (zh) * | 2017-11-24 | 2018-03-30 | 成都玖锦科技有限公司 | 一种适用于非数据辅助的mpsk载波同步方法 |
CN108427987A (zh) * | 2018-03-08 | 2018-08-21 | 四川大学 | 一种基于卷积神经网络的调制方式识别方法 |
CN111343116A (zh) * | 2020-02-25 | 2020-06-26 | 杭州电子科技大学 | 密集信号环境下基于星座轨迹图的调制识别方法 |
CN112270263A (zh) * | 2020-10-28 | 2021-01-26 | 电子科技大学 | 基于差分密度星座图的调制识别方法 |
CN112511477A (zh) * | 2020-11-16 | 2021-03-16 | 南京融星智联信息技术有限公司 | 一种基于星座图和深度学习的混合卫星通信调制识别方法及系统 |
CN112953871A (zh) * | 2021-02-23 | 2021-06-11 | 北京邮电大学 | 一种基于神经网络的信号调制格式识别新方法 |
Non-Patent Citations (4)
Title |
---|
Lei Shi et al..Cucker-smale flocking over cooperation competition networks.Automatica.2022,全文. * |
MIMO-OFDM系统中一种改进的盲信道估计算法;李国民;刘鑫;康晓非;廖桂生;;应用科学学报;20160530(03);全文 * |
一种基于星座图恢复的多进制相位调制信号识别算法;吴佩军;侯进;吕志良;桂梅书;张笑语;陈曾;;电讯技术;20190416(05);全文 * |
基于深度卷积神经网络的数字调制方式识别;彭超然;刁伟鹤;杜振宇;;计算机测量与控制;20180825(08);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114978827A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wong et al. | Specific emitter identification using convolutional neural network-based IQ imbalance estimators | |
Abu-Romoh et al. | Automatic modulation classification using moments and likelihood maximization | |
CN108718288B (zh) | 基于卷积神经网络的数字信号调制模式识别方法 | |
CN111884962A (zh) | 一种基于卷积神经网络的信号调制类型分类方法及系统 | |
CN104363194B (zh) | 基于波形变换的psk调制识别方法 | |
Yan et al. | A Novel Automatic Modulation Classifier Using Graph-Based Constellation Analysis for ${M} $-ary QAM | |
Ahmadi | Using fuzzy clustering and TTSAS algorithm for modulation classification based on constellation diagram | |
CN113037663B (zh) | 一种改进的适用于非恒包络信号的码元速率估计方法 | |
Huang et al. | Identifying physical-layer attacks for IoT security: An automatic modulation classification approach using multi-module fusion neural network | |
CN114978827B (zh) | 一种基于星座图相位异众比率校正频偏的调制识别方法 | |
US8155244B2 (en) | Demodulation using blind constellation identification for communication signals | |
Jajoo et al. | Blind signal modulation recognition through density spread of constellation signature | |
Wang et al. | Automatic digital modulation recognition in the presence of alpha-stable noise | |
CN113869227B (zh) | 一种信号调制方式识别方法、装置、设备及可读存储介质 | |
CN114826850A (zh) | 基于时频图和深度学习的调制识别方法、装置及设备 | |
Lin et al. | Features fusion based automatic modulation classification using convolutional neural network | |
CN114006798A (zh) | 一种信号处理方法、装置、电子设备及存储介质 | |
CN113420817A (zh) | 基于网络结构特征归纳的半监督调制类型识别方法、装置及介质 | |
Wang et al. | Strategies for enhanced signal modulation classifications under unknown symbol rates and noise conditions | |
CN109450835B (zh) | 基于hsca提取通信信号特征的调制识别方法 | |
Zhang et al. | A novel automatic modulation classification method based on dictionary learning | |
Woo et al. | Clustering based distribution fitting algorithm for Automatic Modulation Recognition | |
Liu et al. | Digital modulation classifier with rejection ability via greedy convexhull learning and alternative convexhull shrinkage in feature space | |
CN111935044B (zh) | 基于emd分解的psk及qam类信号调制识别方法 | |
CN114465854B (zh) | 一种基于拟牛顿法的盲解调参数优化方法、系统及介质 |
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 |