CN115277325B - 一种基于卷积神经网络的psk信号调制识别方法 - Google Patents
一种基于卷积神经网络的psk信号调制识别方法 Download PDFInfo
- Publication number
- CN115277325B CN115277325B CN202210903057.7A CN202210903057A CN115277325B CN 115277325 B CN115277325 B CN 115277325B CN 202210903057 A CN202210903057 A CN 202210903057A CN 115277325 B CN115277325 B CN 115277325B
- Authority
- CN
- China
- Prior art keywords
- data
- order spectrum
- spectrum data
- signal
- psk
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 24
- 238000001228 spectrum Methods 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 238000007906 compression Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000004088 simulation 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
-
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/18—Phase-modulated carrier systems, i.e. using phase-shift keying
Abstract
本发明涉及一种基于卷积神经网络的PSK信号调制识别方法,包括:S1、获取多种PSK信号和其他信号;S2、对接入的PSK信号的IQ数据进行处理,得到信号的二阶频谱数据、四阶频谱数据和八阶频谱数据;S3、对I路数据、Q路数据、二阶频谱数据、四阶频谱数据和八阶频谱数据五个数据进行计算得到M个PSK信号预测样本,并输入到训练好的五输入卷积神经网络模型中对信号预测样本进行预测得到预测结果;S4、对M个预测结果进行分析,选取预测最多的类型结果作为PSK信号的识别结果。本发明使用了深度学习的方式将信号的不同特征融合并提取出来,具有较高的准确率;具有很强的抗噪和抗干扰能力,在信号较弱时,依然具有较好的效果。
Description
技术领域
本发明涉及信号识别处理技术领域,尤其涉及一种基于卷积神经网络的PSK信号调制识别方法。
背景技术
在通信技术的发展过程中,为了提高通信的质量和效率,更加高效地利用信道容量以满足不同用户的需求,通信信号采用不同的调制体制,其可分为模拟调制和数字调制;模拟调制可以分为幅度调制和频率调制;数字信号的调制方式可分为幅移键控(ASK)、频移键控(FSK)、相移键控(PSK),而每一种调制方式又可进一步划分,比如相移键控就可分为BPSK、QPSK、8PSK、PI/4DQPSK、OQPSK、UQPSK等。
近年来深度学习技术在图像方面发展成熟,也被应用到越来越多的行业中取得了很好的效果;信号的不同调制方式其特性差异很大,且需要将多种信号特征相结合才能完成信号的调制识别,因此,如何将深度学习技术与无线电信号检测结合起来,以实现信号的快速调制识别,是目前需要考虑的问题。
发明内容
本发明的目的在于克服现有技术的缺点,提供了一种基于卷积神经网络的PSK信号调制识别方法,通过对信号的特征进行融合提取,实现PSK类型信号的调制识别。
本发明的目的通过以下技术方案来实现:一种基于卷积神经网络的PSK信号调制识别方法,所述调制识别方法包括:
S1、获取多种PSK信号和其他信号,其中,多种PSK信号生成数量为N,其他信号生成数量为3N,信号长度为L,并记录保存信号类型;
S2、对接入的PSK信号的IQ数据进行处理,得到信号的二阶频谱数据、四阶频谱数据和八阶频谱数据;
S3、对I路数据、Q路数据、二阶频谱数据、四阶频谱数据和八阶频谱数据五个数据进行计算得到M个PSK信号预测样本,并输入到训练好的五输入卷积神经网络模型中对M个PSK信号预测样本进行预测得到M个预测结果;
S4、对M个预测结果进行分析,选取预测最多的类型结果作为PSK信号的识别结果。
所述五输入卷积神经网络模型对输入的五个数据进行预测包括:
对五个输入数据分别通过1×3尺度的卷积核进行特征提取,再对特征矩阵进行叠加,得到1×2048×320的特征矩阵;
对叠加特征依次进行512个1×1、1×3、1×5和1×7的卷积核进行特征提取后进行池化处理,再依次进行256个1×1、1×3、1×5和1×7的卷积核进行特征提取和依次进行128个1×1、1×3、1×5和1×7的卷积核进行特征提取,得到四组1×1024×128的特征矩阵;
将四组特征矩阵与叠加矩阵的池化结果进行叠加,得到尺寸为1×1024×832的融合特征矩阵;
将融合特征矩阵通过512个1×3的卷积核进行特征提取并池化处理,再通过128个1×3的卷积核进行特征提取,并通过平坦层后依次利用长度为1024的全连接层和长度为7的全连接层进行特征压缩,得到预测结果。
所述对接入的PSK信号的IQ数据进行处理,得到信号的二阶频谱数据、四阶频谱数据和八阶频谱数据包括:通过公式F(t)=FFT((I(t)+jQ(t))2)计算二阶频谱数据,通过公式F(t)=FFT((I(t)+jQ(t))4)计算四阶频谱数据,通过公式F(t)=FFT((I(t)+jQ(t))8)计算八阶频谱数据,其中,FFT为傅里叶变换,I(t)为I路数据,Q(t)为Q路数据。
所述调制识别方法还包括五输入卷积神经网络模型训练步骤,具体包括:使用PSK信号的I路数据、Q路数据、二阶频谱数据、四阶频谱数据和八阶频谱数据和数据类型构建数据集;使用PSK信号构建的数据集对五输入卷积神经网络模块进行训练,在损失值收敛后停止训练。
本发明具有以下优点:一种基于卷积神经网络的PSK信号调制识别方法,相较于传统多信号类型识别方法需构建决策树,其方法复杂、条件阈值因信号强弱很难设定,在信噪比较低的情况下,准确率不能保证,而本发明使用了深度学习的方式将信号的不同特征融合并提取出来,具有较高的准确率;传统的调制识别方法需要对噪声和干扰进行特殊处理,其处理流程复杂,当信号较弱时会直接导致无法识别,而本发明具有很强的抗噪和抗干扰能力,在信号较弱时,依然具有较好的效果;传统的调制类型识别中,信号特征提取方法种类繁多,过程复杂,且不同特征进行有效融合方法实现困难,在处理不同情况时计算耗时也不同,本发明使用深度学习方法进行特征融合与提取,处理时间在各种复杂情况下都能控制在1秒以内;传统调制类型识别在遇到突发情况时,会针对遇到的特定噪声或干扰增加策略,但这种方式维护成本高,迭代周期不稳定,计算代码会变得越来越冗杂,可维护性不高;而本发明中只需将所遇到的突发信号加入数据集中进行训练,得到的模型进行替换即可,维护方便。
附图说明
图1为本发明PSK信号调制识别流程示意图;
图2为本发明PSK模型训练流程示意图;
图3为本发明PSK信号调制识别的流程示意图;
图4为本发明五输入卷积神经网络的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下结合附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。下面结合附图对本发明做进一步的描述。
如图1所示,本发明涉及一种基于卷积神经网络的PSK信号调制识别方法,其分为模型训练部分和预测部分,训练部分使用仿真信号进行模型训练,得到权重文件;预测时使用预测信号输入到带有权重的网络模型中,就可以得到预测结果,具体包括以下内容:
步骤一、从传感器中接入六种PSK信号,分别为BPSK、QPSK、8PSK、PI/4DQPSK、OQPSK、UQPSK和其他信号,其中前六种信号生成数量为10000个,其他信号为其他调制方式的信号,生成数量为30000个,信号长度为2048,并记录保存信号类别;
步骤二、对接入的PSK信号IQ数据进行处理,得到信号的二阶频谱数据、四阶频谱数据和八阶频谱数据。
其中,通过公式F(t)=FFT((I(t)+jQ(t))2)计算二阶频谱数据,通过公式F(t)=FFT((I(t)+jQ(t))4)计算四阶频谱数据,通过公式F(t)=FFT((I(t)+jQ(t))8)计算八阶频谱数据,其中,FFT为傅里叶变换,I(t)为I路数据,Q(t)为Q路数据。
步骤三、使用PSK信号的I路数据、Q路数据、二阶频谱数据、四阶频谱数据、八阶频谱数据和数据类型构建数据集;
步骤四、使用针对PSK信号所设计的五输入深度学习卷积神经网络对数据集进行训练,损失值收敛后停止训练,得到模型权重文件;
步骤五、对预测PSK信号的原始IQ数据分别进行长度为2048均匀切分处理,不足2048的进行补零,并对切分好的IQ数据进行二阶频谱、四阶频谱和八阶频谱计算,得到M个信号预测样本;
步骤六、使用所设计的PSK专用深度学习卷积神经网络和训练好的模型权重文件对M个PSK信号预测样本进行预测,得到M个预测结果;
步骤七、对M个预测结果进行分析,选取预测最多的类型结果即为PSK信号的识别结果。
进一步地,如图2所示,对五输入卷积神经网络模型进行训练的过程包括:首先接入六种PSK信号,分别为BPSK、QPSK、8PSK、PI/4DQPSK、OQPSK、UQPSK和其他信号,其中前六种信号生成数量为10000个,其他信号为其他调制方式的信号,生成数量为30000个,信号长度为2048,并记录保存信号类别;对接入的PSK信号IQ数据进行处理,得到信号的二阶频谱数据、四阶频谱数据和八阶频谱数据;使用信号的I路数据、Q路数据、二阶频谱数据、四阶频谱数据、八阶频谱数据和数据类型构建数据集;使用针对PSK信号所设计的五输入深度学习卷积神经网络对数据集进行训练,损失值收敛后停止训练,得到模型权重文件。
进一步地,如图3所示,预测流程包括:首先对预测PSK信号的原始IQ数据分别进行长度为2048均匀切分处理,不足2048的进行补零,并对切分好的IQ数据进行二阶频谱、四阶频谱和八阶频谱计算,得到M个信号预测样本;使用所设计的专用深度学习卷积神经网络和训练好的模型权重文件对M个信号预测样本进行预测,得到M个预测结果;对M个预测结果进行分析,选取预测最多的类型结果即为PSK信号的识别结果。
进一步地,如图4所示,该网络的五个输入为分别为信号的I路数据、Q路数据、二阶频谱、四阶频谱、八阶频谱,输入的尺寸都为1*2048,网络首先对五个输入分别使用1*3尺度的卷积核进行特征提取,再对特征矩阵进行叠加,得到1*2048*320的特征矩阵,对叠加特征进行512个1*1的卷积进行特征提取,再进行池化处理,处理后进行256个、128个1*1的特征提取,得到1*1024*128的特征矩阵,同理,使用同样的特征提取方式,使用1*3、1*5、1*7的卷积核进行特征提取,得到四组1*1024*128的特征矩阵,将这些矩阵与叠加矩阵的池化处理结果进行叠加,得到尺寸为1*1024*832的融合特征矩阵,对该矩阵使用512个1*3的卷积核进行特征提取并池化处理,再使用128个1*3的卷积核进行特征提取,特征通过平坦层并使用1024的全连接进行特征压缩,最优使用长度为7的全连接进行特征压缩。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (2)
1.一种基于卷积神经网络的PSK信号调制识别方法,其特征在于:所述调制识别方法包括:
S1、获取多种PSK信号和其他信号,其中,多种PSK信号生成数量为N,其他信号生成数量为3N,信号长度为L,并记录保存信号类型;
S2、对接入的PSK信号的IQ数据进行处理,得到信号的二阶频谱数据、四阶频谱数据和八阶频谱数据;
S3、对I路数据、Q路数据、二阶频谱数据、四阶频谱数据和八阶频谱数据五个数据进行计算得到M个PSK信号预测样本,并输入到训练好的五输入卷积神经网络模型中对M个PSK信号预测样本进行预测得到M个预测结果;
S4、对M个预测结果进行分析,选取预测最多的类型结果作为PSK信号的识别结果;
所述五输入卷积神经网络模型对输入的五个数据进行预测包括:
对五个输入数据分别通过1×3尺度的卷积核进行特征提取,再对特征矩阵进行叠加,得到1×2048×320的特征矩阵;
对叠加特征依次进行512个1×1、1×3、1×5和1×7的卷积核进行特征提取后进行池化处理,再依次进行256个1×1、1×3、1×5和1×7的卷积核进行特征提取和依次进行128个1×1、1×3、1×5和1×7的卷积核进行特征提取,得到四组1×1024×128的特征矩阵;
将四组特征矩阵与叠加矩阵的池化结果进行叠加,得到尺寸为1×1024×832的融合特征矩阵;
将融合特征矩阵通过512个1×3的卷积核进行特征提取并池化处理,再通过128个1×3的卷积核进行特征提取,并通过平坦层后依次利用长度为1024的全连接层和长度为7的全连接层进行特征压缩,得到预测结果;
所述对接入的PSK信号的IQ数据进行处理,得到信号的二阶频谱数据、四阶频谱数据和八阶频谱数据包括:通过公式F(t)=FFT((I(t)+jQ(t))2)计算二阶频谱数据,通过公式F(t)=FFT((I(t)+jQ(t))4)计算四阶频谱数据,通过公式F(t)=FFT((I(t)+jQ(t))8)计算八阶频谱数据,其中,FFT为傅里叶变换,I(t)为I路数据,Q(t)为Q路数据。
2.根据权利要求1所述的一种基于卷积神经网络的PSK信号调制识别方法,其特征在于:所述调制识别方法还包括五输入卷积神经网络模型训练步骤,具体包括:对接入的PSK信号IQ数据进行处理,得到信号的二阶频谱数据、四阶频谱数据和八阶频谱数据;使用PSK信号的I路数据、Q路数据、二阶频谱数据、四阶频谱数据和八阶频谱数据和数据类型构建数据集;使用PSK信号构建的数据集对五输入卷积神经网络模块进行训练,在损失值收敛后停止训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210903057.7A CN115277325B (zh) | 2022-07-29 | 2022-07-29 | 一种基于卷积神经网络的psk信号调制识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210903057.7A CN115277325B (zh) | 2022-07-29 | 2022-07-29 | 一种基于卷积神经网络的psk信号调制识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115277325A CN115277325A (zh) | 2022-11-01 |
CN115277325B true CN115277325B (zh) | 2024-01-30 |
Family
ID=83770640
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210903057.7A Active CN115277325B (zh) | 2022-07-29 | 2022-07-29 | 一种基于卷积神经网络的psk信号调制识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115277325B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006018571A1 (fr) * | 2004-07-22 | 2006-02-23 | Centre National D'etudes Spatiales | Procede d'estimation de depointage a partir de signaux a spectre etale et dispositif associe |
CN110071885A (zh) * | 2019-04-17 | 2019-07-30 | 成都华日通讯技术有限公司 | 一种psk数字信号子类调制识别的深度学习判别方法 |
CN110224956A (zh) * | 2019-05-06 | 2019-09-10 | 安徽继远软件有限公司 | 基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法 |
CN110300078A (zh) * | 2019-07-01 | 2019-10-01 | 西安电子科技大学 | 基于课程学习的调制信号识别方法 |
CN110855591A (zh) * | 2019-12-09 | 2020-02-28 | 山东大学 | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 |
CN113780106A (zh) * | 2021-08-24 | 2021-12-10 | 电信科学技术第五研究所有限公司 | 一种基于无线电波形数据输入的深度学习信号检测方法 |
CN114189300A (zh) * | 2021-11-26 | 2022-03-15 | 成都大公博创信息技术有限公司 | 一种短波频段信号分选方法 |
-
2022
- 2022-07-29 CN CN202210903057.7A patent/CN115277325B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006018571A1 (fr) * | 2004-07-22 | 2006-02-23 | Centre National D'etudes Spatiales | Procede d'estimation de depointage a partir de signaux a spectre etale et dispositif associe |
CN110071885A (zh) * | 2019-04-17 | 2019-07-30 | 成都华日通讯技术有限公司 | 一种psk数字信号子类调制识别的深度学习判别方法 |
CN110224956A (zh) * | 2019-05-06 | 2019-09-10 | 安徽继远软件有限公司 | 基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法 |
CN110300078A (zh) * | 2019-07-01 | 2019-10-01 | 西安电子科技大学 | 基于课程学习的调制信号识别方法 |
CN110855591A (zh) * | 2019-12-09 | 2020-02-28 | 山东大学 | 一种基于卷积神经网络结构的qam和psk信号类内调制分类方法 |
CN113780106A (zh) * | 2021-08-24 | 2021-12-10 | 电信科学技术第五研究所有限公司 | 一种基于无线电波形数据输入的深度学习信号检测方法 |
CN114189300A (zh) * | 2021-11-26 | 2022-03-15 | 成都大公博创信息技术有限公司 | 一种短波频段信号分选方法 |
Non-Patent Citations (5)
Title |
---|
PSK/QAM modulation recognition by convolutional neural network;Wenyuan Xu et.al;2017 IEEE/CIC International Conference on Communications in China (ICCC);全文 * |
基于一维卷积神经网络的PSK解调算法研究;刘宗延;中国优秀硕士学位论文全文数据库;全文 * |
基于压缩采样的PSK信号自动调制识别方法;邢政利;周劼;叶江峰;严俊;;太赫兹科学与电子信息学报(01);全文 * |
基于自适应卷积滤波的网络近邻入侵检测算法;卢强;游荣义;叶晓红;;计算机科学(07);全文 * |
调制识别算法及性能分析;冯祥等;电波科学学报;摘要、第3页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115277325A (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | Learning of time-frequency attention mechanism for automatic modulation recognition | |
CN110598677B (zh) | 一种用于自动调制识别的时空多通道深度学习系统 | |
CN113435509B (zh) | 基于元学习的小样本场景分类识别方法及系统 | |
CN113221781B (zh) | 一种基于多任务深度卷积神经网络的载波信号检测方法 | |
CN113014524B (zh) | 一种基于深度学习的数字信号调制识别方法 | |
CN112347871A (zh) | 一种用于通信载波监视系统的干扰信号调制识别方法 | |
CN114896887A (zh) | 一种基于深度学习的用频设备射频指纹识别方法 | |
CN114422311A (zh) | 联合深度神经网络和专家先验特征的信号调制识别方法及系统 | |
CN116628566A (zh) | 一种基于聚合残差变换网络的通信信号调制分类方法 | |
Lin et al. | Modulation recognition using signal enhancement and multistage attention mechanism | |
CN114943245A (zh) | 一种基于数据增强和特征嵌入的自动调制识别方法和装置 | |
CN111222640A (zh) | 一种信号识别卷积神经网络卷积核分区剪枝方法 | |
CN115277325B (zh) | 一种基于卷积神经网络的psk信号调制识别方法 | |
Henarejos et al. | Decoding 5G-NR communications VIA deep learning | |
CN116896492A (zh) | 基于多通道注意力网络的调制编码联合识别方法及系统 | |
CN113364535B (zh) | 数学形式多输入多输出检测方法、系统、设备及存储介质 | |
CN115314348B (zh) | 一种基于卷积神经网络的qam信号调制识别方法 | |
CN115913849A (zh) | 基于一维复值残差网络的电磁信号辨识方法 | |
Yıldırım et al. | Deep receiver design for multi-carrier waveforms using cnns | |
CN112054979B (zh) | 基于模糊密集卷积网络的无线电自动调制识别方法 | |
CN112580598B (zh) | 一种基于多通道Diffpool的无线电信号分类方法 | |
CN115277324B (zh) | 基于卷积神经网络的fsk信号识别方法 | |
Kim et al. | Automatic modulation classification using relation network with denoising autoencoder | |
Ivanov et al. | Hybrid noise-resilient deep learning architecture for modulation classification in cognitive radio networks | |
CN111917674A (zh) | 一种基于深度学习的调制识别方法 |
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 |