CN116307775A - 一种评价方法及系统 - Google Patents
一种评价方法及系统 Download PDFInfo
- Publication number
- CN116307775A CN116307775A CN202310413865.XA CN202310413865A CN116307775A CN 116307775 A CN116307775 A CN 116307775A CN 202310413865 A CN202310413865 A CN 202310413865A CN 116307775 A CN116307775 A CN 116307775A
- Authority
- CN
- China
- Prior art keywords
- water
- railway tunnel
- neural network
- inrush
- example data
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种涌水危险性评价方法及系统。该方法包括:获取铁路隧道涌水实例数据;将铁路隧道涌水实例数据分为铁路隧道涌水实例数据训练集和铁路隧道涌水实例数据测试集;建立径向基函数神经网络模型;采用粒子群算法对径向基函数神经网络模型进行优化,得到优化后的径向基函数神经网络模型;根据优化后的径向基函数神经网络模型对铁路隧道涌水实例数据训练集进行训练,得到训练后的涌水危险性评价预测模型;根据铁路隧道涌水实例数据测试集对训练后的涌水危险性评价预测模型进行优化,得到优化后的涌水危险性评价预测模型;根据优化后的涌水危险性评价预测模型对铁路隧道涌水进行危险性评价。上述方法能够提高涌水危险性评价方法的准确度。
Description
技术领域
本发明涉及涌水危险性评价领域,特别是涉及一种涌水危险性评价方法及系统。
背景技术
随着铁路建设的大力发展,铁路隧道涌水危险性评价发挥的作用也会日益加深,因此,提前进行铁路隧道涌水的危险性预测,采取相应措施,保障施工安全,降低和避免铁路隧道涌水事故发生,对我国铁路事业发展具有重要意义。现有技术中多采用主观赋权法对评价指标进行权重分配,评价结果的全面性和准确性受专家个人偏好、知识结构、认识能力和经验水平的制约,很难排除人为因素对评价结果带来的影响,一定程度上增加了隧道施工过程中的风险。虽然现有技术中也采用BP神经网络对涌水危险性进行评价,但是其网络结构大,收敛速度慢,极易限于局部最小化问题,不善于解决铁路隧道涌水这种多因素复杂非线性问题。
发明内容
本发明的目的是提供一种涌水危险性评价方法及系统,能够排除人为因素避免多因素复杂非线性问题,从而提高涌水危险性评价方法的准确度。
为实现上述目的,本发明提供了如下方案:
一种涌水危险性评价方法包括:
获取铁路隧道涌水实例数据;
将所述铁路隧道涌水实例数据分为铁路隧道涌水实例数据训练集和铁路隧道涌水实例数据测试集;
建立径向基函数神经网络模型;
采用粒子群算法对所述径向基函数神经网络模型进行优化,得到优化后的径向基函数神经网络模型;
根据所述优化后的径向基函数神经网络模型对所述铁路隧道涌水实例数据训练集进行训练,得到训练后的涌水危险性评价预测模型;
根据所述铁路隧道涌水实例数据测试集对所述训练后的涌水危险性评价预测模型进行优化,得到优化后的涌水危险性评价预测模型;
根据所述优化后的涌水危险性评价预测模型对铁路隧道涌水进行危险性评价。
可选地,根据权利要求1所述的涌水危险性评价方法,其特征在于,在将所述铁路隧道涌水实例数据分为铁路隧道涌水实例数据训练集和铁路隧道涌水实例数据测试集之前还包括:
对所述铁路隧道涌水实例数据进行预处理,得到预处理后的铁路隧道涌水实例数据。
可选地,所述采用粒子群算法对所述径向基函数神经网络模型进行优化,得到优化后的径向基函数神经网络模型,具体包括:
S1:随机初始化粒子群;
S2:对所述粒子群中的每个粒子的适应度进行设置;
S3:选取粒子的当前位置作为初始个体极值pi,从种群中找出适应度最小的粒子作为初始全局极值pg;
S4:对比当前适应度与所述初始个体极值pi的适应度,若所述初始个体极值pi适应度更优,则保持;若当前适应度更优,则更新所述初始个体极值pi;
S5:比较每个粒子的初始个体极值pi的适应度与所述初始全局极值pg的适应度,若所述初始全局极值pg的适应度更优,则保持所述初始全局极值pg,若所述初始个体极值pi的适应度更好,则更新所述初始全局极值pg;
S6:对各所述粒子的速度和位置进行更新;
S7:重复步骤S4~S6,直到找出可接受的满意解或达到最大迭代次数为止;
S8:将所述初始全局极值pg对应的粒子作为径向基函数神经网络参数,建立优化后的径向基函数神经网络模型,即粒子群算法-径向基函数神经网络模型。
可选地,所述对所述粒子群中的每个粒子的适应度进行设置,具体包括:
其中,MSE为适应度,n为训练样本数;Yi为参考输出;yi为实际输出。
可选地,所述对各所述粒子的速度和位置进行更新,具体包括:
其中,i=1,2,…,m,m为粒子总数;为第i个粒子在k次迭代时的当前速度;ωk为惯性权重;c1,c2为学习因子,前者为个体学习因子,后者为社会学习因子;k为迭代次数;r1,r2为[0,1]区间的随机数;/>为第i个粒子在k次迭代时的当前位置。
一种涌水危险性评价系统包括:
数据获取模块,用于获取铁路隧道涌水实例数据;
数据划分模块,用于将所述铁路隧道涌水实例数据分为铁路隧道涌水实例数据训练集和铁路隧道涌水实例数据测试集;
径向基函数神经网络模型建立模块,用于建立径向基函数神经网络模型;
径向基函数神经网络模型优化模块,用于采用粒子群算法对所述径向基函数神经网络模型进行优化,得到优化后的径向基函数神经网络模型;
涌水危险性评价预测模型训练模块,用于根据所述优化后的径向基函数神经网络模型对所述铁路隧道涌水实例数据训练集进行训练,得到训练后的涌水危险性评价预测模型;
涌水危险性评价预测模型优化模块,用于根据所述铁路隧道涌水实例数据测试集对所述训练后的涌水危险性评价预测模型进行优化,得到优化后的涌水危险性评价预测模型;
危险性评价模块,用于根据所述优化后的涌水危险性评价预测模型对铁路隧道涌水进行危险性评价。
可选地,还包括:
数据预处理模块,用于对所述铁路隧道涌水实例数据进行预处理,得到预处理后的铁路隧道涌水实例数据。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供一种涌水危险性评价方法,该方法包括:获取铁路隧道涌水实例数据;将铁路隧道涌水实例数据分为铁路隧道涌水实例数据训练集和铁路隧道涌水实例数据测试集;建立径向基函数神经网络模型;采用粒子群算法对径向基函数神经网络模型进行优化,得到优化后的径向基函数神经网络模型;根据优化后的径向基函数神经网络模型对铁路隧道涌水实例数据训练集进行训练,得到训练后的涌水危险性评价预测模型;根据铁路隧道涌水实例数据测试集对训练后的涌水危险性评价预测模型进行优化,得到优化后的涌水危险性评价预测模型;根据优化后的涌水危险性评价预测模型对铁路隧道涌水进行危险性评价。上述方法能够排除人为因素避免多因素复杂非线性问题,从而提高涌水危险性评价方法的准确度。
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为本发明涌水危险性评价方法流程图;
图2为本发明涌水危险性评价系统结构图。
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,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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。
本发明的目的是提供一种涌水危险性评价方法及系统,能够排除人为因素避免多因素复杂非线性问题,从而提高涌水危险性评价方法的准确度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明涌水危险性评价方法流程图。如图1所示,一种涌水危险性评价方法包括:
步骤101:获取铁路隧道涌水实例数据。
从国内外隧道涌水危险性研究成果中搜集所需样本数据。经过对已搜集数据的筛选,剔除无效数据和重复样本,最终保留选取50组涌水典型实例数据作为涌水危险性预测的研究样本。
步骤102:将所述铁路隧道涌水实例数据分为铁路隧道涌水实例数据训练集和铁路隧道涌水实例数据测试集。
将收集到的50组涌水数据样本按49:1的比例循环划分,即将每个样本都单独作为一次验证集,其余49个样本作为训练集。训练集的作用是参数更新及模型拟合,验证集的作用是选出效果最佳模型所对应的参数,用来调整模型参数。将每次模型训练后得到的适应度函数最小值、全局最优权重ω和方差σ、验证集样本准确分类率及样本均方误差都做记录。经过50次训练后,对全部验证集的样本均方误差平均值和样本准确分类率进行计算,选取与该平均值最接近的样本均方误差和样本准确分类率的模型作为隧道涌水危险性评价模型。最终样本训练集平均均方误差(适应度函数平均最小值)为0.031,验证集平均均方误差为0.075,准确率为97.23%,根据平均值选取最佳模型的ω和σ。用此方法进行模型训练,可有效避免过拟合现象,得到最佳预测模型。
步骤103:建立径向基函数神经网络模型。
步骤104:采用粒子群算法对所述径向基函数神经网络模型进行优化,得到优化后的径向基函数神经网络模型,具体包括:
所述采用粒子群算法对所述径向基函数神经网络模型进行优化,得到优化后的径向基函数神经网络模型,具体包括:
S1:随机初始化粒子群;
S2:对所述粒子群中的每个粒子的适应度进行设置;
S3:选取粒子的当前位置作为初始个体极值pi,从种群中找出适应度最小的粒子作为初始全局极值pg;
S4:对比当前适应度与所述初始个体极值pi的适应度,若所述初始个体极值pi适应度更优,则保持;若当前适应度更优,则更新所述初始个体极值pi;
S5:比较每个粒子的初始个体极值pi的适应度与所述初始全局极值pg的适应度,若所述初始全局极值pg的适应度更优,则保持所述初始全局极值pg,若所述初始个体极值pi的适应度更好,则更新所述初始全局极值pg;
S6:对各所述粒子的速度和位置进行更新;
S7:重复步骤S4~S6,直到找出可接受的满意解或达到最大迭代次数为止;
S8:将所述初始全局极值pg对应的粒子作为径向基函数神经网络参数,建立优化后的径向基函数神经网络模型,即粒子群算法-径向基函数神经网络模型(PSO-RBF神经网络模型)。
S2具体包括:
其中,MSE为适应度,n为训练样本数;Yi为参考输出;yi为实际输出。
S6具体包括:
其中,i=1,2,…,m,m为粒子总数;为第i个粒子在k次迭代时的当前速度;ωk为惯性权重;c1,c2为学习因子,前者为个体学习因子,后者为社会学习因子;k为迭代次数;r1,r2为[0,1]区间的随机数;/>为第i个粒子在k次迭代时的当前位置。所述惯性权重的计算公式为:/>其中,kmax为最大迭代次数;通过试算法寻找最优初始惯性权重和最终惯性权重,最终确定ω1=0.9和ω2=0.4分别为初始惯性权重和最终惯性权重。
径向基函数(Radial Basis Function,RBF)神经网络是一种具有极强分类能力和极佳逼近能力(克服局部极小值问题)的前馈型神经网络[20]。学习规则简单,收敛速度快,拥有很强的稳定性、记忆性、泛化能力和自学能力。RBF神经网络由输入层、隐含层和输出层组成。相邻两层单元都是单向链接,从输入层到隐含层是非线性变换,而从隐含层到输出层是线性变换。信号通过输入层节点传递到隐含层,隐含层神经元通过径向基函数产生局部响应给输出层,最后在输出层形成输出。
RBF神经网络的性能主要取决于参数训练方法的有效性。粒子群算法(particleswarm optimization,PSO)是计算智能领域中的一种生物启发式方法,属于群体智能优化算法,通过模拟鸟集群飞行觅食的行为而提出的一种基于群体智能的全局随机搜索算法。PSO算法中,搜索空间中每一只鸟都被当作是一个优化问题的解,被称之为“粒子”。粒子飞行方向和距离是根据粒子速度和适应度(fitness value)来决定,适应度由被优化的目标函数提供。PSO算法在每一次迭代过程中,粒子通过跟踪2个极值(个体极值pi和全局极值pg)来更新自己的速度和位置。
适应度函数的选取直接影响粒子群算法的收敛速度以及能否找到最优解,将神经网络均方误差(MSE)计算公式定义为粒子群算法寻优的适应度计算函数。
步骤105:根据所述优化后的径向基函数神经网络模型对所述铁路隧道涌水实例数据训练集进行训练,得到训练后的涌水危险性评价预测模型。
步骤106:根据所述铁路隧道涌水实例数据测试集对所述训练后的涌水危险性评价预测模型进行优化,得到优化后的涌水危险性评价预测模型。
经过50次训练后,对全部验证集的样本均方误差平均值和样本准确分类率进行计算,选取与该平均值最接近的样本均方误差和样本准确分类率的模型作为隧道涌水危险性评价模型。最终样本训练集平均均方误差(适应度函数平均最小值)为0.031,验证集平均均方误差为0.075,准确率为97.23%,根据平均值选取最佳模型的ω和σ。用此方法进行模型训练,可有效避免过拟合现象,得到最佳预测模型。
步骤107:根据所述优化后的涌水危险性评价预测模型对铁路隧道涌水进行危险性评价。
为加快收敛速度,且使得数据无量纲化,把样本数据进行区间为[0,1]范围的归一化处理。模型训练样本输出后,对其进行取整(范围为1~4),取整的数字就是所对应的涌水危险性等级。取整后的“1”,“2”,“3”,“4”对应涌水危险性的4个等级(低度风险I级、中度风险II级、高度风险III级和极高度风险IV级),并且输出数值与取整后数值之间的差值绝对值越小,说明其与对应等级越接近,评价越准确。
在步骤102还包括:
对所述铁路隧道涌水实例数据进行预处理,得到预处理后的铁路隧道涌水实例数据。
将PSO-RBF神经网络模型与传统梯度下降法训练的RBF神经网络模型进行比较。PSO法训练的RBF神经网络收敛速度更快,均方误差更小,迭代次数在达到25次左右后均方误差基本稳定,而梯度下降法训练的RBF神经网络模型在迭代40次左右后均方误差才能达到稳定。且相对于梯度下降训练法,PSO训练法所能达到的均方误差更小,证明其精确度更高。
图2为本发明涌水危险性评价系统结构图。如图2所示,一种涌水危险性评价系统包括:
数据获取模块201,用于获取铁路隧道涌水实例数据;
数据划分模块202,用于将所述铁路隧道涌水实例数据分为铁路隧道涌水实例数据训练集和铁路隧道涌水实例数据测试集;
径向基函数神经网络模型建立模块203,用于建立径向基函数神经网络模型;
径向基函数神经网络模型优化模块204,用于采用粒子群算法对所述径向基函数神经网络模型进行优化,得到优化后的径向基函数神经网络模型;
涌水危险性评价预测模型训练模块205,用于根据所述优化后的径向基函数神经网络模型对所述铁路隧道涌水实例数据训练集进行训练,得到训练后的涌水危险性评价预测模型;
涌水危险性评价预测模型优化模块206,用于根据所述铁路隧道涌水实例数据测试集对所述训练后的涌水危险性评价预测模型进行优化,得到优化后的涌水危险性评价预测模型;
危险性评价模块207,用于根据所述优化后的涌水危险性评价预测模型对铁路隧道涌水进行危险性评价。
一种涌水危险性评价系统还包括:
数据预处理模块,用于对所述铁路隧道涌水实例数据进行预处理,得到预处理后的铁路隧道涌水实例数据。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种涌水危险性评价方法,其特征在于,包括:
获取铁路隧道涌水实例数据;
将所述铁路隧道涌水实例数据分为铁路隧道涌水实例数据训练集和铁路隧道涌水实例数据测试集;
建立径向基函数神经网络模型;
采用粒子群算法对所述径向基函数神经网络模型进行优化,得到优化后的径向基函数神经网络模型;
根据所述优化后的径向基函数神经网络模型对所述铁路隧道涌水实例数据训练集进行训练,得到训练后的涌水危险性评价预测模型;
根据所述铁路隧道涌水实例数据测试集对所述训练后的涌水危险性评价预测模型进行优化,得到优化后的涌水危险性评价预测模型;
根据所述优化后的涌水危险性评价预测模型对铁路隧道涌水进行危险性评价。
2.根据权利要求1所述的涌水危险性评价方法,其特征在于,在将所述铁路隧道涌水实例数据分为铁路隧道涌水实例数据训练集和铁路隧道涌水实例数据测试集之前还包括:
对所述铁路隧道涌水实例数据进行预处理,得到预处理后的铁路隧道涌水实例数据。
3.根据权利要求1所述的涌水危险性评价方法,其特征在于,所述采用粒子群算法对所述径向基函数神经网络模型进行优化,得到优化后的径向基函数神经网络模型,具体包括:
S1:随机初始化粒子群;
S2:对所述粒子群中的每个粒子的适应度进行设置;
S3:选取粒子的当前位置作为初始个体极值pi,从种群中找出适应度最小的粒子作为初始全局极值pg;
S4:对比当前适应度与所述初始个体极值pi的适应度,若所述初始个体极值pi适应度更优,则保持;若当前适应度更优,则更新所述初始个体极值pi;
S5:比较每个粒子的初始个体极值pi的适应度与所述初始全局极值pg的适应度,若所述初始全局极值pg的适应度更优,则保持所述初始全局极值pg,若所述初始个体极值pi的适应度更好,则更新所述初始全局极值pg;
S6:对各所述粒子的速度和位置进行更新;
S7:重复步骤S4~S6,直到找出可接受的满意解或达到最大迭代次数为止;
S8:将所述初始全局极值pg对应的粒子作为径向基函数神经网络参数,建立优化后的径向基函数神经网络模型,即粒子群算法-径向基函数神经网络模型。
7.一种涌水危险性评价系统,其特征在于,包括:
数据获取模块,用于获取铁路隧道涌水实例数据;
数据划分模块,用于将所述铁路隧道涌水实例数据分为铁路隧道涌水实例数据训练集和铁路隧道涌水实例数据测试集;
径向基函数神经网络模型建立模块,用于建立径向基函数神经网络模型;
径向基函数神经网络模型优化模块,用于采用粒子群算法对所述径向基函数神经网络模型进行优化,得到优化后的径向基函数神经网络模型;
涌水危险性评价预测模型训练模块,用于根据所述优化后的径向基函数神经网络模型对所述铁路隧道涌水实例数据训练集进行训练,得到训练后的涌水危险性评价预测模型;
涌水危险性评价预测模型优化模块,用于根据所述铁路隧道涌水实例数据测试集对所述训练后的涌水危险性评价预测模型进行优化,得到优化后的涌水危险性评价预测模型;
危险性评价模块,用于根据所述优化后的涌水危险性评价预测模型对铁路隧道涌水进行危险性评价。
8.根据权利要求1所述的涌水危险性评价系统,其特征在于,还包括:
数据预处理模块,用于对所述铁路隧道涌水实例数据进行预处理,得到预处理后的铁路隧道涌水实例数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310413865.XA CN116307775A (zh) | 2023-04-18 | 2023-04-18 | 一种评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310413865.XA CN116307775A (zh) | 2023-04-18 | 2023-04-18 | 一种评价方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307775A true CN116307775A (zh) | 2023-06-23 |
Family
ID=86781553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310413865.XA Pending CN116307775A (zh) | 2023-04-18 | 2023-04-18 | 一种评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307775A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629712A (zh) * | 2023-07-21 | 2023-08-22 | 武汉理工大学三亚科教创新园 | 基于pso-bp神经网络的海底盾构隧道施工质量风险评估方法 |
-
2023
- 2023-04-18 CN CN202310413865.XA patent/CN116307775A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629712A (zh) * | 2023-07-21 | 2023-08-22 | 武汉理工大学三亚科教创新园 | 基于pso-bp神经网络的海底盾构隧道施工质量风险评估方法 |
CN116629712B (zh) * | 2023-07-21 | 2024-02-13 | 武汉理工大学三亚科教创新园 | 基于pso-bp神经网络的海底盾构隧道施工质量风险评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214575B (zh) | 一种基于小波长短期记忆网络的超短期风电功率预测方法 | |
CN106779151B (zh) | 一种高速铁路沿线风速多点多层耦合预测方法 | |
Lu et al. | Generalized radial basis function neural network based on an improved dynamic particle swarm optimization and AdaBoost algorithm | |
CN108764520B (zh) | 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法 | |
CN110473592B (zh) | 一种多视角人类协同致死基因预测方法 | |
CN111160520A (zh) | 一种基于遗传算法优化的bp神经网络风速预测方法 | |
CN109472397B (zh) | 基于粘度变化的聚合工艺参数调节方法 | |
CN108764568B (zh) | 一种基于lstm网络的数据预测模型调优方法及装置 | |
CN106920007A (zh) | 基于二阶自组织模糊神经网络的pm2.5智能预测方法 | |
CN111445010B (zh) | 一种基于证据理论融合量子网络的配网电压趋势预警方法 | |
CN107168292B (zh) | 基于elm算法的水下航行器电路故障诊断方法 | |
CN116307775A (zh) | 一种评价方法及系统 | |
CN111860787A (zh) | 一种含有缺失数据的耦合有向图结构流量数据的短期预测方法及装置 | |
CN103714382A (zh) | 一种城轨列车安全检测传感网可靠性多指标综合评估方法 | |
CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
CN116229380A (zh) | 一种变电站涉鸟故障相关鸟种识别方法 | |
CN111967308A (zh) | 一种在线路面不平度辨识方法及系统 | |
CN112215279A (zh) | 一种基于免疫rbf神经网络的电网故障诊断方法 | |
CN109800517B (zh) | 一种改进的磁流变阻尼器逆向建模方法 | |
CN107688862B (zh) | 基于ba-grnn的绝缘子等值盐密积累速率预测方法 | |
CN114166509A (zh) | 一种电机轴承故障预测方法 | |
CN112819087B (zh) | 一种基于模块化神经网络的出水bod传感器异常检测方法 | |
CN113095477A (zh) | 基于de-bp神经网络的风电功率预测方法 | |
CN108446506B (zh) | 一种基于区间反馈神经网络的不确定系统建模方法 | |
CN113627074B (zh) | 一种基于迁移学习的地波传播时延预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |