CN116738334A - 一种基于dbn和topsis法的空中多目标威胁评估方法 - Google Patents

一种基于dbn和topsis法的空中多目标威胁评估方法 Download PDF

Info

Publication number
CN116738334A
CN116738334A CN202310689715.1A CN202310689715A CN116738334A CN 116738334 A CN116738334 A CN 116738334A CN 202310689715 A CN202310689715 A CN 202310689715A CN 116738334 A CN116738334 A CN 116738334A
Authority
CN
China
Prior art keywords
threat
target
topsis
dbn
probability
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
Application number
CN202310689715.1A
Other languages
English (en)
Inventor
吴军超
王建龙
李红伟
史紫腾
耿川
汪新宇
李博
李晓涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 54 Research Institute
Original Assignee
CETC 54 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CETC 54 Research Institute filed Critical CETC 54 Research Institute
Priority to CN202310689715.1A priority Critical patent/CN116738334A/zh
Publication of CN116738334A publication Critical patent/CN116738334A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于战场态势分析领域，针对目前已有空中目标威胁评估方法主观性强、稳定性弱、评估过程不连续的问题，综合考虑目标运动特性、目标固有属性，提出了一种基于DBN和TOPSIS法的空中多目标威胁评估方法。通过分析空中目标特征指标间的节点关系，建立空中多目标威胁评估动态贝叶斯网络。采用模糊理论，通过不同的隶属度函数处理对连续型特征指标数据进行离散化，统一特征指标形态，利用联合树(JunctionTree，J‑tree)算法进行动态威胁等级概率推理。最后，构造DBN推理结果与TOPSIS评估矩阵之间的映射关系，采用TOPSIS法将威胁评估概率结果转换为综合评估得分，进行空中多目标威胁度准确排序。本发明通过TOPSIS法对目标进行综合分析，评估结果更全面。

Description

一种基于DBN和TOPSIS法的空中多目标威胁评估方法
技术领域
本发明涉及一种基于DBN和TOPSIS法的空中多目标威胁评估方法，属于战场态势分析领域。
背景技术
敌目标威胁评估是指在某一战场环境中，根据对当前的敌我态势和战场要素的感知推断敌方目标对我方威胁程度的大小。实际战场环境中，指挥员需要及时的依据空中多目标的指标信息对目标威胁程度进行评估，为我方后续的战术决策提供重要依据。然而，面对瞬息万变的战场环境，仅仅依靠人工，难以快速、准确的完成多目标威胁评估。因此，快速、准确的空中多目标威胁评估算法的研究对战场态势发展具有重要意义。
多目标威胁评估涉及众多不确定性，属于不确定性极强的战术评估问题。传统空中多目标威胁评估的方法有：多属性决策理论、神经网络和静态贝叶斯网络等。多属性决策理论属性权重受主观影响、弱解释性、无法处理不确定性信息。神经网络威胁评估方法能够实现威胁度的智能计算，但需要大量数据进行参数训练，不适合军事小样本数据，而且威胁评估结果具有波动性。静态贝叶斯威胁评估方法采用条件概率表达目标指标与威胁度间的关系强度，能够从不完全、不确定的战场知识或信息中获取目标威胁度，是静态目标威胁度评估的主要方法。然而却缺少战场动态环境的表达能力，难以满足现在战场动态的目标威胁评估需求。
动态贝叶斯网络将静态贝叶斯网络在时间上进行扩展，其具有的动态性、自适应学习能力、不确定性处理能力，使其在多个领域被广泛应用。近几年，军事研究学者也尝试将动态贝叶斯网络应用于不同类型目标动态威胁评估领域，通过动态贝叶斯网络实现了多种类型目标的威胁评估。
静态贝叶斯网络表达为：BN＝(G,θ)，其中：G是贝叶斯网络结构，表示一个有向无循环图。θ是网络中节点之间依赖关系的条件参数。贝叶斯网络的基本原理是贝叶斯公式，设B1,B2,…Bn是一完备事件组，又有P(Bi)>0，A是完备事件组中的任一随机事件，则称公式(1)为贝叶斯公式。
动态贝叶斯网络是向静态贝叶斯网络中引入状态转移参数，是静态贝叶斯网络在时间轴上的扩展。贝叶斯网络推理过程，实质是求网络节点的联合概率，获得节点多状态下的综合概率值，动态贝叶斯网络的可以用如下形式描述，即
其中：P(xi|xi-1)为状态转移概率分布函数，P(yi|xi)为观测信息概率分布函数，T为时间片个数。
尽管动态贝叶斯网络提升了目标威胁评估的整体性和动态性，但将其应用于战场目标威胁度评估问题中仍存在两大挑战：一是数据类型处理挑战，贝叶斯网络的输入数据为概率，只能处理离散型数据，对连续型数据不能有效处理；二是推理结果是目标威胁等级概率向量形式，不能直接对多个目标进行排序。
发明内容
本发明目的就是针对目前已有空中目标威胁评估方法主观性强、稳定性弱、评估过程不连续的问题，提出了一种基于动态贝叶斯网络(Dynamic Bayesian Network，DBN)和逼近理想解法(TOPSIS)的空中多目标威胁评估方法。结合战场实际情况，基于目标运动特性构造动态贝叶斯网络，采用模糊方法对连续型指标数据进行数据离散化。网络结构构造完成后，基于J-tree算法对空中多目标进行威胁评估推理，得出各个目标在当前时刻属于不同威胁程度的后验概率。最后，采用TOPSIS方法对动态贝叶斯推理出的威胁度概率向量进行综合分析，获得目标威胁程度数值，对多个目标的威胁度进行排序。
本发明的内容可以通过以下技术手段实现：
一种基于DBN和TOPSIS法的空中多目标威胁评估方法，包括以下步骤：
步骤1、选取威胁评估指标，包括目标航路捷径、速度、高度和角度；其中，航路捷径为防御目标和空中目标的连线在地面上的投影距离，角度为防御目标和空中目标的连线和空中目标飞行方向的夹角在地面上的投影角度；
步骤2、选用模糊理论中的梯形隶属度函数对威胁评估指标进行离散化处理；
步骤3、根据步骤1选取的指标构建贝叶斯网络，利用联合树算法将贝叶斯网络转化为联合树的图形，并基于离散化的指标计算联合概率分布，得到多目标各自属于威胁程度高、中和低的后验概率；
步骤4、利用TOPSIS法综合分析步骤3中计算得到的多目标各自属于威胁程度高、中和低的后验概率，得到当前时刻各目标威胁度，并对多目标的威胁程度进行排序。
进一步的，所述步骤4具体包括以下步骤：
步骤401、汇总多目标各自属于威胁程度高、中和低的后验概率，构造TOPSIS评估矩阵；
步骤402、计算各目标后验概率向量值到最优理想解(1，0，0)和最劣理想解(0，0，1)的欧式距离，分别记为di +和di —，则第i个目标的综合评分为：
其中，Ci越接近1，第i个目标排名越靠前，威胁度越大；
步骤403、将Ci进行归一化处理，得到当前时刻各目标威胁度；
步骤404、基于当前时刻各目标后验概率和状态转移概率矩阵，计算各目标下一时刻先验概率；其中，目标后验概率为目标各自属于威胁程度高、中和低的后验概率。
本发明相比现有技术的有益效果为：
本发明通过梯形隶属度函数处理连续型数据，对连续型数据进行离散化；并通过TOPSIS法对目标进行综合分析，而不仅仅依靠目标属于威胁度高的后验概率，评估结果更全面。
附图说明
图1是本发明威胁评估流程图。
图2是本发明指标示意图。
图3是本发明梯形隶属度函数-small。
图4是本发明梯形隶属度函数-middle。
图5是本发明梯形隶属度函数-large。
图6是本发明航路捷径隶属度函数。
图7是本发明速度隶属度函数。
图8是本发明高度隶属度函数。
图9是本发明角度隶属度函数。
图10是本发明t＝120s时，DBN推理结果。
图11是本发明t＝240s时，DBN推理结果。
图12是本发明t＝360s时，DBN推理结果。
图13是本发明t＝480s时，DBN推理结果。
图14是本发明t＝600s时，DBN推理结果。
图15是本发明t＝720s时，DBN推理结果。
图16是本发明t＝840s时，DBN推理结果。
图17是本发明t＝120s时，DBN+TOPSIS分析结果。
图18是本发明t＝240s时，DBN+TOPSIS分析结果。
图19是本发明t＝360s时，DBN+TOPSIS分析结果。
图20是本发明t＝480s时，DBN+TOPSIS分析结果。
图21是本发明t＝600s时，DBN+TOPSIS分析结果。
图22是本发明t＝720s时，DBN+TOPSIS分析结果。
图23是本发明t＝840s时，DBN+TOPSIS分析结果。
具体实施方式
下面结合附图对本发明做进一步解释说明。
一种基于DBN和TOPSIS法的空中多目标威胁评估方法，如图1所示，具体包括以下步骤：
步骤1、威胁评估指标选取：空中目标威胁评估指标主要为目标的运动特性指标，指标选取过少会导致评估结果不精确，过多会出现数据难以获取，推理速度慢的情况。分析已有威胁评估模型指标，本文选取4个指标建立威胁评估模型，分别为目标航路捷径、速度、高度和角度。对应根据指标构建的贝叶斯网络见图2。其中，航路捷径为防御目标和空中目标的连线在地面上的投影距离，角度为防御目标和空中目标的连线和空中目标飞行方向的夹角在地面上的投影角度。
步骤2、威胁指标离散化：贝叶斯网络为概率图模型，其输入和输出都为概率。当输入数据为离散型变量时，可直接根据贝叶斯公式进行相应概率的计算。当输入数据为连续型变量时，如目标距离、目标速度等，则需要对原始的连续型变量进行数据离散化，将其离散成离散型变量。选用模糊理论中的梯形隶属度函数进行数据离散化。
步骤3、DBN网络推理：根据步骤1选取的指标构建贝叶斯网络，利用联合树算法将贝叶斯网络转化为联合树的图形，并基于离散化的指标计算联合概率分布，得到多目标各自属于威胁程度高、中和低的后验概率；联合树算法是通过贝叶斯网络转化为联合树的图形表达方式来表达联合概率分布，完成对贝叶斯网络的推理运算，其基本思路为将原始贝叶斯网络转为一种二次结构，再通过对二次结构的推理得到对贝叶斯网络的精确结果。
步骤4、TOPSIS法综合分析：动态贝叶斯网络的推理结果为多个目标各自属于威胁程度高、中、低的后验概率，无法直接观测出各目标威胁程度大小，常用方法有按“高”排序法，或对3个后验概率进行加权求和，前者忽略了“中”、“低”威胁度结果，后者难以确定准确权重。采用构造理想解的TOPSIS方法综合分析步骤3中计算得到的多目标各自属于威胁程度高、中和低的后验概率，得到当前时刻各目标威胁度，并对多目标的威胁程度进行排序，可以全面地考虑动态贝叶斯网络的推理结果。
步骤4具体包括以下步骤：
步骤401、汇总多目标各自属于威胁程度高、中和低的后验概率，构造TOPSIS评估矩阵；
步骤402、计算各目标后验概率向量值到最优理想解(1，0，0)和最劣理想解(0，0，1)的欧式距离，分别记为di +和di —，则第i个目标的综合评分为：
其中，Ci越接近1，第i个目标排名越靠前，威胁度越大；
步骤403、将Ci进行归一化处理，得到当前时刻各目标威胁度；
步骤404、基于当前时刻各目标后验概率与状态转移概率矩阵，计算各目标下一时刻先验概率；其中，目标后验概率为目标各自属于威胁程度高、中和低的后验概率。
其中上述步骤2，具体包括以下信息：
选用模糊理论中的梯形隶属度函数进行数据离散化，梯形隶属度函数是模糊理论中常用的隶属度函数，其形状类似一个梯形，定义域是一个实数区间，其取值为[0，1]。梯形隶属度函数的形状可通过四个参数来控制，分别是左边界、左斜率、右斜率和右边界，这四个参数可以通过实际问题的需求进行确定。可见图3、图4、图5，以及对应的公式(1)、(2)、(3)。
其中，a,d为梯形隶属度函数的左边界和右边界(分别表示梯形坐标和右边的水平位置)，b为梯形隶属度函数的顶部左端点，c为梯形隶属度函数的顶部右端点，1/(b-a)为左斜率，1/(d-c)为右斜率，分别表示梯形左边和右边的斜率。
上述步骤3采用的是联合树算法进行推理，联合树算法是通过贝叶斯网络转化为联合树的图形表达方式来表达联合概率分布，完成对贝叶斯网络的推理运算，其基本思路为将原始贝叶斯网络转为一种二次结构，再通过对二次结构的推理得到对贝叶斯网络的精确结果。具体包括以下步骤：
步骤1、将有向图转为无向图；
步骤2、将无向图三角化；
步骤3、将三角化的图转化为树；
步骤4、寻找这张图的根，并寻找最大生成树，从而得到最终的结果。
下面结合仿真实验的数据和结果对本发进行详细说明。
实施例：基于DBN和TOPSIS法的空中多目标威胁评估方法的仿真用例：
选取7个来袭目标、8个时间点，每个时间点的间隔为120s。状态转移矩阵见Table1。部分时间点的观测数据见Table 2、Table 3。
Table 1状态转移矩阵
Table 2120s时刻数据信息
Table 3240s时刻数据信息
隶属度函数确定：假设航路捷径的论域范围为0-100km，对应隶属度函数如图6所示；速度的论域范围为：0-7M，对应的隶属度函数如图7所示；高度的论域范围为：0-15km，隶属度函数如图8所示；角度的论域范围为：0-180°，隶属度函数如图9所示。
仿真计算结果：
图10-图16为各个时间节点，DBN推理结果。
图17-图23为各个时间节点，DBN+TOPSIS分析结果。
各个时刻目标威胁程度排名见Table 4。
Table 4结果对比
对比两种方法的结果差异性，两种计算结果有16.7％的差异。对比结果差异性：t＝240s时，Target2和Target5属于威胁度高的概率相差不大，而Target5属于威胁度中的概率远远大于Target2，故合理排序应为Target5的威胁程度大于Target2；t＝600s时，Target1和Target5属于威胁度高的概率相差不大，而Target1属于威胁度中的概率远远大于Target5，故合理排序应为Target1的威胁程度大于Target5；t＝720s时，Target2和Target5属于威胁度高的概率相差不大，而Target5属于威胁度中的概率远远大于Target2，故合理排序应为Target5的威胁程度大于Target2；t＝840s时，Target5和Target7属于威胁度高的概率相差不大，而Target5属于威胁度中的概率远远大于Target7，故合理排序应为Target5的威胁程度大于Target7。综合分析结果差异性，可以看出，DBN+TOPSIS评估法的结果比“高”动态贝叶斯评估法的结果更加合理。
推理时间对比：DBN+TOPSIS评估法采用的是J-tree推理算法，对比其它推理算法的计算时间，结果可见Table 5，可以看出，jtree_inf_engine所需要的推理时间明显小于var_elim_inf_engine所需要的推理时间，故采用jtree_inf_engine是合理正确的。
Table 5不同引擎推理时间对比

Claims (2)

1.一种基于DBN和TOPSIS法的空中多目标威胁评估方法，其特征在于，包括以下步骤：
步骤1、选取威胁评估指标，包括目标航路捷径、速度、高度和角度；其中，航路捷径为防御目标和空中目标的连线在地面上的投影距离，角度为防御目标和空中目标的连线和空中目标飞行方向的夹角在地面上的投影角度；
步骤2、选用模糊理论中的梯形隶属度函数对威胁评估指标进行离散化处理；
步骤3、根据步骤1选取的指标构建贝叶斯网络，利用联合树算法将贝叶斯网络转化为联合树的图形，并基于离散化的指标计算联合概率分布，得到多目标各自属于威胁程度高、中和低的后验概率；
步骤4、利用TOPSIS法综合分析步骤3中计算得到的多目标各自属于威胁程度高、中和低的后验概率，得到当前时刻各目标威胁度，并对多目标的威胁程度进行排序。
2.根据权利要求1所述的基于DBN和TOPSIS法的空中多目标威胁评估方法，其特征在于，所述步骤4具体包括以下步骤：
步骤401、汇总多目标各自属于威胁程度高、中和低的后验概率，构造TOPSIS评估矩阵；
步骤402、计算各目标后验概率向量值到最优理想解(1，0，0)和最劣理想解(0，0，1)的欧式距离，分别记为di +和di —，则第i个目标的综合评分为：
其中，Ci越接近1，第i个目标排名越靠前，威胁度越大；
步骤403、将Ci进行归一化处理，得到当前时刻各目标威胁度；
步骤404、基于当前时刻各目标后验概率和状态转移概率矩阵，计算各目标下一时刻先验概率；其中，目标后验概率为目标各自属于威胁程度高、中和低的后验概率。
CN202310689715.1A 2023-06-12 2023-06-12 一种基于dbn和topsis法的空中多目标威胁评估方法 Pending CN116738334A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310689715.1A CN116738334A (zh) 2023-06-12 2023-06-12 一种基于dbn和topsis法的空中多目标威胁评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310689715.1A CN116738334A (zh) 2023-06-12 2023-06-12 一种基于dbn和topsis法的空中多目标威胁评估方法

Publications (1)

Publication Number Publication Date
CN116738334A true CN116738334A (zh) 2023-09-12

Family

ID=87914490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310689715.1A Pending CN116738334A (zh) 2023-06-12 2023-06-12 一种基于dbn和topsis法的空中多目标威胁评估方法

Country Status (1)

Country Link
CN (1) CN116738334A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117114102A (zh) * 2023-10-13 2023-11-24 江苏前景瑞信科技发展有限公司 一种基于贝叶斯网络和故障树的变压器故障诊断方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117114102A (zh) * 2023-10-13 2023-11-24 江苏前景瑞信科技发展有限公司 一种基于贝叶斯网络和故障树的变压器故障诊断方法

Similar Documents

Publication Publication Date Title
CN108549233B (zh) 一种带有直觉模糊信息的无人机空战机动博弈方法
CN111399541B (zh) 无监督学习型神经网络的无人机全区域侦察路径规划方法
CN111797478B (zh) 一种基于变结构多模型的强机动目标跟踪方法
Ardil Fighter Aircraft Evaluation and Selection Process Based on Triangular Fuzzy Numbers in Multiple Criteria Decision Making Analysis Using the Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS)
CN113505686B (zh) 一种无人机目标威胁评估方法及装置
CN116738334A (zh) 一种基于dbn和topsis法的空中多目标威胁评估方法
CN113126643A (zh) 一种高超声速飞行器智能鲁棒再入制导方法及系统
Putra et al. Estimation of parameters in the SIR epidemic model using particle swarm optimization
CN116560406A (zh) 一种无人机集群协同规划与自主调度方法
Jinfu et al. Dynamic assessment method of air target threat based on improved GIFSS
CN102222240A (zh) 一种基于DSmT的图像目标多特征融合识别方法
CN115169233B (zh) 基于深度高斯过程的高超声速飞行器不确定轨迹预测方法
CN115759754A (zh) 基于动态博弈变权的超视距空战模拟目标威胁评估方法
CN116151102A (zh) 一种空间目标超短弧初始轨道智能确定方法
CN110110475B (zh) 基于在线学习渐消因子的扩展卡尔曼滤波方法
CN112269401B (zh) 基于跟踪精度与风险控制的自适应主动传感器跟踪方法
CN107194155A (zh) 一种基于小数据集和贝叶斯网络的威胁评估建模方法
Gong et al. Dynamic threat assessment of air multi-target based on DBN-TOPSIS method
CN115909027B (zh) 一种态势估计方法及装置
Lei et al. Technique for target recognition based on intuitionistic fuzzy reasoning
CN116050515A (zh) 一种基于XGBoost的平行推演多分支态势预测方法
CN113379063B (zh) 基于在线增强学习模型的全流程任务时序智能决策方法
CN115685128A (zh) 一种机动目标场景下的雷达目标跟踪算法及电子设备
CN112698666B (zh) 一种基于气象栅格的飞行器航路优化方法
Chen et al. Effectiveness evaluation for UAV air-to-ground attack based on PSO-BP neural network

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
CB03 Change of inventor or designer information

Inventor after: Wu Junchao

Inventor after: Jia Yongjun

Inventor after: Wang Jianlong

Inventor after: Li Hongwei

Inventor after: Shi Ziteng

Inventor after: Geng Chuan

Inventor after: Wang Xinyu

Inventor after: Li Bo

Inventor after: Li Xiaotao

Inventor before: Wu Junchao

Inventor before: Wang Jianlong

Inventor before: Li Hongwei

Inventor before: Shi Ziteng

Inventor before: Geng Chuan

Inventor before: Wang Xinyu

Inventor before: Li Bo

Inventor before: Li Xiaotao

CB03 Change of inventor or designer information