CN117151198B - 基于自组织竞争型神经网络的水声被动定位方法及装置 - Google Patents
基于自组织竞争型神经网络的水声被动定位方法及装置 Download PDFInfo
- Publication number
- CN117151198B CN117151198B CN202311143712.4A CN202311143712A CN117151198B CN 117151198 B CN117151198 B CN 117151198B CN 202311143712 A CN202311143712 A CN 202311143712A CN 117151198 B CN117151198 B CN 117151198B
- Authority
- CN
- China
- Prior art keywords
- neuron
- parameters
- sound
- incomplete
- hydrophone
- 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 62
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 31
- 230000002860 competitive effect Effects 0.000 title claims abstract description 22
- 210000002569 neuron Anatomy 0.000 claims abstract description 250
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000002950 deficient Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 239000007788 liquid Substances 0.000 claims description 9
- 230000001537 neural effect Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 150000003839 salts Chemical class 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 3
- 230000007123 defense Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007429 general method Methods 0.000 description 4
- 239000010410 layer Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000013049 sediment Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000007786 learning performance Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
- G01S5/22—Position of source determined by co-ordinating a plurality of position lines defined by path-difference measurements
-
- 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
- G06N3/0499—Feedforward 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及基于自组织竞争型神经网络的水声被动定位方法，包括以下：获取定位区域的相关参数；确定所述相关参数的输入方式，之后采用线性归一化的方法处理所述相关参数以构造神经元；基于构造的神经元矢量生成初始的神经元扰动群组；将初始的神经元扰动群组作为训练数据集，通过SOM算法进行训练生成神经元拓扑结构；构造残缺神经元，所述残缺神经元不包括声源位置参数；将残缺神经元与神经元拓扑结构上的每一个神经元进行依次比较，并找寻出神经元拓扑结构上与所述残缺神经元最匹配的神经元；以最匹配的所述神经元所对应的声源位置参数作为定位结果。本发明能够在设备布防相对简单和计算量较低的情况下，提供较高精度和可靠性的目标定位结果。
Description
技术领域
本发明涉及水下目标定位技术领域，尤其涉及基于自组织竞争型神经网络的水声被动定位方法及装置。
背景技术
由于电磁波在水中衰减迅速，不到百米能量就衰减殆尽，而声能量是唯一能在水中远距离传播的能量形式，因此水下的目标定位主要采用声学方法，通过对接收端的声信号进行处理，提取出目标的位置。水声定位是水声学的经典应用问题，相关技术的开发和研究一直是水声学技术发展优先解决的问题。由于探测潜艇等重大需求的牵引，远程被动定位方法在水下目标定位中方法开发中占据了重要的地位。
远程被动定位方法最初始的方法是波束形成。通过对垂直阵列等多种类型的水听器阵列进行信号处理的办法，使声信号形成带有指向性特征的波束，通过类似光波束照射的方法在水下确定目标的距离和角度，从而确定其位置。这种方法由于没有考虑海洋环境对于声传播的影响，因此常常会因为海洋环境的空间和时间变化而性能急剧退化，结果的可靠性较低。
进入90年代，匹配场处理技术成为了水下远程被动定位方法的主流。通过将实测声场和仿真声场进行匹配，最终获得声源最可能的位置，匹配场定位由于考虑了海洋环境的影响，使定位的性能得到了极大的提升。但是匹配场技术也存在环境失配、结果不唯一、参数耦合等问题，这些都会导致定位结果产生极大的误差。
近年来，随着机器学习方法的发展，一些基于机器学习，尤其是深度学习的水下被动定位方法出现。各类方法的出现体现了机器学习方法，尤其是深度学习方法在这个领域的应用潜力，不同的方法具备不同的特征，由于输入参数、数据预处理办法、机器学习算法的不同，各类方法的性能和应用场景也不同，可以满足不同场景的应用需要。
现有的利用机器学习的方法进行水声被动定位有利用多层的深度卷积神经网络、集合卷积网络、多层残差卷积神经网络等多种机器学习算法进行水下定位的案例，这些方法由于水听器阵列设置、环境信息需求、计算量的区别，形成了多种特点不同的方法，但是总体上所存在的缺点在于：
(1)方法需要较为严格的数据预处理，即对输入参量的特点和组成有较严格的规定；
(2)基本都采用了复杂的多层神经网络结构，虽然这样有利于发掘声场特征量与目标位置的复杂关系，但是也增加了计算量和方法的复杂性。
发明内容
本发明的目的是为了至少解决现有技术的不足之一，提供基于自组织竞争型神经网络的水声被动定位方法及装置。
为了实现上述目的，本发明采用以下的技术方案：
具体的，提出基于自组织竞争型神经网络的水声被动定位方法，包括以下：
获取定位区域的相关参数，所述相关参数包括海深、水听器深度、声速剖面、海底声学参数、水听器阵列声特征量、声源位置参数，
当定位区域不存在声速剖面数据时，采用WOA18温盐数据集，提取水听器处的年平均温度和盐度剖面，再利用Del Grosso声速经验公式转化为声速剖面值以作为声速剖面数据，
当目标定位区域不存在海底声学参数时，采用典型的液态半无限海底参数值作为海底声学参数；
确定所述相关参数的输入方式，之后采用线性归一化的方法处理所述相关参数以构造神经元；
基于构造的神经元矢量生成初始的神经元扰动群组；
将初始的神经元扰动群组作为训练数据集，通过SOM算法进行训练，将初始的神经元扰动群组推广化，在神经元拓扑结构上生成包含未知声源位置参数的神经元；
获取目标定位应用时实测的海深、水听器深度以及水听器阵列声特征量，并以此作为必选参数，基于所述必选参数以与构造神经元相同的参数的输入方式构造残缺神经元，所述残缺神经元不包括声源位置参数；
将残缺神经元与神经元拓扑结构上的每一个神经元进行依次比较，并找寻出神经元拓扑结构上与所述残缺神经元最匹配的神经元；
以最匹配的所述神经元所对应的声源位置参数作为定位结果。
进一步，所述方法还包括，
在构造残缺神经元矢量时，
若目标定位应用时不存在声速剖面数据，则声速剖面数据不参与构造残缺神经元矢量，若目标定位应用时存在声速剖面数据，则声速剖面数据参与构造残缺神经元矢量；
若目标定位应用时不存在海底声学参数，则海底声学参数不参与构造残缺神经元矢量，若目标定位应用时存在海底声学参数，则海底声学参数参与构造残缺神经元矢量。
进一步，具体的，基于构造的神经元矢量生成初始的神经元扰动群组，包括，
固定构造所述神经元的相关参数中除水听器阵列声特征量、声源位置以外的所有参数的值；
将所述定位区域进行网格划分，获得不同的声源位置节点；
将不同的声源位置节点叠加上完全相同的海深、水听器深度、声速剖面、海底声学参数，并输入声场特征量对应的声场计算模型，输出不同的声源位置节点对应的声场特征量；
不同的声源位置节点及其对应的声场特征量、进行叠加的海深、水听器深度、声速剖面、海底声学参数共同组成初始的神经元扰动群组。
进一步，具体的，典型的液态半无限海底参数值指的是声速为1650m/s、密度为1.7g/cm3、声衰减系数为0.15dB/λ。
进一步，具体的，在通过SOM算法进行训练时，选用网格拓扑结构，网格拓扑结构的节点设置为初始的神经元扰动群组中神经元数量的10倍。
进一步，具体的，找寻出神经元拓扑结构上与所述残缺神经元最匹配的神经元，包括，
通过以下公式计算神经元拓扑结构上每一个神经元与所述残缺神经元的欧式距离，
其中，D(X,Y)表示X与Y之间的欧式距离，X为残缺神经元，Y为进行匹配的神经元拓扑结构上的神经元，其中a为残缺神经元上有的数据参数，b为残缺神经元上缺失的数据参数，Ci,j为残缺神经元上有的数据参数i与缺失的数据参数j间的相关矩阵；
找寻出其中与所述残缺神经元的欧式距离最小的神经元即为最匹配的神经元。
本发明还提出基于自组织竞争型神经网络的水声被动定位装置，包括：
数据获取模块，用于获取定位区域的相关参数，所述相关参数包括海深、水听器深度、声速剖面、海底声学参数、水听器阵列声特征量、声源位置参数，
当定位区域不存在声速剖面数据时，采用WOA18温盐数据集，提取水听器处的年平均温度和盐度剖面，再利用Del Grosso声速经验公式转化为声速剖面值以作为声速剖面数据，
当目标定位区域不存在海底声学参数时，采用典型的液态半无限海底参数值作为海底声学参数；
神经元构造模块，用于确定所述相关参数的输入方式，之后采用线性归一化的方法处理所述相关参数以构造神经元；
神经元扰动群组生成模块，用于基于构造的神经元矢量生成初始的神经元扰动群组；
神经元拓扑结构形成模块，用于将初始的神经元扰动群组作为训练数据集，通过SOM算法进行训练，将初始的神经元扰动群组推广化，在神经元拓扑结构上生成包含未知声源位置参数的神经元；
残缺神经元构造模块，用于获取目标定位应用时实测的海深、水听器深度以及水听器阵列声特征量，并以此作为必选参数，基于所述必选参数以与构造神经元相同的参数的输入方式构造残缺神经元，所述残缺神经元不包括声源位置参数；
最匹配神经元找寻模块，用于将残缺神经元与神经元拓扑结构上的每一个神经元进行依次比较，并找寻出神经元拓扑结构上与所述残缺神经元最匹配的神经元；
定位结果确定模块，用于以最匹配的所述神经元所对应的声源位置参数作为定位结果。
本发明还提出一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，所述计算机程序被处理器执行时实现如所述基于自组织竞争型神经网络的水声被动定位方法的步骤。
本发明的有益效果为：
本发明提出基于自组织竞争型神经网络的水声被动定位方法，采用自组织竞争型神经网络(Self-organized map，SOM)基于水听器阵列观测声学数据进行目标定位，较之现有技术，方法的优点体现在：
(1)本发明所提出的方法对于输入求解信息的具体形式要求较为灵活，可以面向各种求解场景：除了必备的海深信息，其他信息并无严格要求，声速剖面，海底沉积信息有的话有助于求解，没有也可以求解；对于声场信息也没有具体要求，可以是声压、传播损失、时域波形、声场干涉条纹等均可用于求解。
(2)SOM算法是一种较为特殊的神经网络，在保证深度学习性能的同时，它仅有单层网络，结构较为简单，本发明所提出的方法应用SOM算法减少了算法的计算的复杂度并降低了探索输入输出关系的难度。
(3)本发明所提出的方法不存在结果的不确定性问题，避免了寻优过程中陷入局部最优，每一次求解都对应明确的一个神经元，获得明确的目标深度和距离值。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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，在附图中：
图1所示为本发明基于自组织竞争型神经网络的水声被动定位方法的流程图；
图2所示为本发明基于自组织竞争型神经网络的水声被动定位方法的逻辑原理图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。
首先对本发明中的相关术语进行解释如下，
水声被动定位：即通过接收到的声信号对水下的目标进行定位，确定它与接收端的距离和深度。本发明采用的是被动定位的方法，即目标作为声源，水听器接收目标发出的远程声传播信号对目标(声源)进行定位。
自组织竞争型神经网络(Self-organized map)：自组织竞争型神经网络是一种无监督学习的神经网络算法，其模仿的是外界信息输入时生物神经系统中的抑制现象，即一个神经细胞兴奋后会对周围其他神经细胞产生抑制作用。这种神经网络算法的特点是仅仅有两层结构，且并非基于损失函数不断更新参数的神经网络，而是对神经元个体进行操作，具有较好的模式分析和聚类能力。
另外，根据水下声学定位方法的研究进展，可以按照相关信息的必要程度将信息分为以下几类：
一、必要信息：
水听器深度和水听器阵列声特征量，这是目标方法定位的基础。
海深，极其重要且容易测量(通过船载测试仪或查阅地形资料获得)，因此绝大多数方法海深是已知信息。
二、备选信息：
声速剖面、海底声学参数，这两个信息可以有效帮助进行求解，且越是精确详尽对于目标的定位就越精准便利。但是,根据水下定位的声聚焦原理(Acousticfocalization),在声速剖面和海底声学参数不是非常精确的情况下仍然可以得到精确的定位结果。因为，本发明将这两个信息作为备选信息，在实际使用中，如果有这两部分的信息是非常有益于结果的，但是如果缺失，本发明也提供了缺失情况下的解决办法，仍然可以获得精确的定位结果。这也是本方法的优点之一，可以满足多种海上的应用场景。
三、目标信息：
声源位置，即声源的深度和距离接收水听器阵列的距离和声源所在的深度。在目标定位中即是求解的目标。
参照图1以及图2，实施例1，基于上述思路本发明提出基于自组织竞争型神经网络的水声被动定位方法，包括以下：
步骤110、获取定位区域的相关参数，所述相关参数包括海深、水听器深度、声速剖面、海底声学参数、水听器阵列声特征量、声源位置参数，
当定位区域不存在声速剖面数据时，采用WOA18温盐数据集，提取水听器处的年平均温度和盐度剖面，再利用Del Grosso声速经验公式转化为声速剖面值以作为声速剖面数据，
当目标定位区域不存在海底声学参数信息时，采用典型的液态半无限海底参数值作为海底声学参数；
步骤120、确定所述相关参数的输入方式，之后采用线性归一化的方法处理所述相关参数以构造神经元；
构造神经元的本质就是将所有与定位相关的量，组成一个归一化的数据集[参量1、参量2、…参量n]。神经元的每一个部分对应一个信息，具体处理办法根据参量的性质安排如下：海深：作为数字直接输入。
水听器深度：作为一个数组直接输入。
声速剖面：作为一个数组直接输入。当目标定位的应用场景中有声速剖面信息时，直接作为数组输入；当目标定位的应用场景中没有声速剖面信息时，采用WOA18(WorldOcean Atlas)温盐数据集，提取水听器处的年平均温度和盐度剖面，再利用Del Grosso声速经验公式转化为声速剖面值，然后作为数组驶入。
海底声学参数：作为一个数组直接输入。当目标定位的应用场景中有海底声学参数信息时，直接作为数组输入；当目标定位的应用场景中没有海底声学参数信息时，采用典型的液态半无限海底参数值，即声速1650m/s，密度1.7g/cm3，声衰减系数0.15dB/λ，然后作为数组输入。
水听器阵列声特征量：根据应用场景的实际情况确定声特征量，水听器阵列的声特征量作为一个直接输入。在实际的定位应用中，常见的声场特征量包括声压幅值、声传播损失、脉冲时延、声场干涉条纹等，水听器阵列的声特征量的数值按照水听器排列的顺序形成数组，当有多个声特征量时间，这些特征量也可以按照固定的顺序一次输入形成一个数组。
声源位置，即目标位置，是一个数组，即距离接收水听器阵列的距离和声源所在的深度，这两个数字作为一个数组直接输入。
当所有的参数数列输入确定后，采用线性归一化的办法处理所有数值，自此第一步完成，即确定了定位方法中神经元结构的构造方式。
步骤130、基于构造的神经元矢量生成初始的神经元扰动群组；
步骤140、将初始的神经元扰动群组作为训练数据集，通过SOM算法进行训练，将初始的神经元扰动群组推广化，在神经元拓扑结构上生成包含未知声源位置参数的神经元；
步骤150、获取目标定位应用时实测的海深、水听器深度以及水听器阵列声特征量，并以此作为必选参数，基于所述必选参数以与构造神经元相同的参数的输入方式构造残缺神经元，所述残缺神经元不包括声源位置参数；
步骤160、将残缺神经元与神经元拓扑结构上的每一个神经元进行依次比较，并找寻出神经元拓扑结构上与所述残缺神经元最匹配的神经元；
步骤170、以最匹配的所述神经元所对应的声源位置参数作为定位结果，获得最匹配神经元后，这个神经元中对应的声源位置参量即为定位结果，它对应了被动目标的距离和深度。
在本实施例1中，拟采用自组织竞争型神经网络(Self-organized map，SOM)基于水听器阵列观测声学数据进行目标定位。较之现有技术，方法的优点体现在：
(1)项目的输入信息灵活，适应多种应用场景。一般的方法对于求解输入信息的要求非常严格，绝大多数都对已知信息有严格要求，如若缺失部分信息或者已知信息的形式与要求输入的形式不同则无法实施。方法对于输入求解信息的具体形式要求较为灵活，可以面向各种求解场景：除了必备的海深信息，其他信息并无严格要求，声速剖面，海底沉积信息有的话有助于求解，没有也可以求解；对于声场信息也没有具体要求，可以是声压、传播损失、时域波形、声场干涉条纹等均可用于求解。
(2)SOM算法是一种较为特殊的神经网络，在保证深度学习性能额定同时，它仅有单层网络，结构较为简单，这样减少了算法的计算的复杂度并降低了探索输入输出关系的难度。
(3)不存在结果的不确定性问题，避免了寻优过程中陷入局部最优。每一次求解都对应明确的一个神经元，获得明确的目标深度和距离值。
作为本发明的优选实施方式，所述方法还包括，
在构造残缺神经元矢量时，
若目标定位应用时不存在声速剖面数据，则声速剖面数据不参与构造残缺神经元矢量，若目标定位应用时存在声速剖面数据，则声速剖面数据参与构造残缺神经元矢量；
若目标定位应用时不存在海底声学参数，则海底声学参数不参与构造残缺神经元矢量，若目标定位应用时存在海底声学参数，则海底声学参数参与构造残缺神经元矢量。
在本优选实施方式中，根据第一步构造神经元矢量的办法，将实际目标定位应用中实测的海深、水听器阵列声场特征量和设置的水听器深度输入。其中声速剖面和海底声学参数作为备选项目，如果应用场景有相关信息则输入，如果实测场景缺失相关信息，则不输入。最终，构成了一个残缺神经元矢量：其中海深、水听器阵列声场特征量、水听器深度一定是有的，声速剖面和海底声学参数可能存在也可能不存在，声源位置则一定是残缺的，因此是一个残缺神经元矢量，作为输入神经网络的求解信息。
基于此使项目的输入信息灵活，适应多种应用场景。一般的方法对于求解输入信息的要求非常严格，绝大多数都对已知信息有严格要求，如若缺失部分信息或者已知信息的形式与要求输入的形式不同则无法实施。方法对于输入求解信息的具体形式要求较为灵活，可以面向各种求解场景：除了必备的海深信息，其他信息并无严格要求，声速剖面，海底沉积信息有的话有助于求解，没有也可以求解；对于声场信息也没有具体要求，可以是声压、传播损失、时域波形、声场干涉条纹等均可用于求解。
作为本发明的优选实施方式，具体的，基于构造的神经元矢量生成初始的神经元扰动群组，包括，
固定构造所述神经元的相关参数中除水听器阵列声特征量、声源位置以外的所有参数的值；
将所述定位区域进行网格划分，获得不同的声源位置节点；
将不同的声源位置节点叠加上完全相同的海深、水听器深度、声速剖面、海底声学参数，并输入声场特征量对应的声场计算模型，输出不同的声源位置节点对应的声场特征量；
不同的声源位置节点及其对应的声场特征量、进行叠加的海深、水听器深度、声速剖面、海底声学参数共同组成初始的神经元扰动群组。
在本优选实施方式中，经过实际应用的测试，建议在实际应用中将水平距离划分100个节点，竖直上如果海深不超过200米，即1米一个节点；如果海深超过200米，可以等间划分出200个节点即可。例如，假设在0-100km，海深3000米的范围内进行目标点位，那么每距离1km和深度15米一个节点，一共20000个节点。20000个节点的位置、声特征量各不相同，结合相同的海深、水听器深度、声速剖面、海底声学参数数值即可获得20000个神经元作为初始的扰动群组。
作为本发明的优选实施方式，具体的，在通过SOM算法进行训练时，选用网格拓扑结构，网格拓扑结构的节点设置为初始的神经元扰动群组中神经元数量的10倍。
在本优选实施方式中，将初始的扰动群组设置为训练数据集，利用SOM算法进行训练。SOM算法是较为成熟的自聚类神经网络算法，实际测试中matlab的nctool工具箱或者SOM Toolbox都有非常好的效果。选用网格拓扑结构，拓扑结构的节点设置为神经元扰动群组中神经元数量的10倍。通过SOM算法实现神经元拓扑结构的目的实际是通过神经网络学习的办法，将初始的神经元扰动群组推广化，在神经元拓扑结构上生成包含未知目标位置信息的神经元。
作为本发明的优选实施方式，具体的，找寻出神经元拓扑结构上与所述残缺神经元最匹配的神经元，包括，
通过以下公式计算神经元拓扑结构上每一个神经元与所述残缺神经元的欧式距离，
其中，D(X,Y)表示X与Y之间的欧式距离，X为残缺神经元，Y为进行匹配的神经元拓扑结构上的神经元，其中a为残缺神经元上有的数据参数，b为残缺神经元上缺失的数据参数，Ci,j为残缺神经元上有的数据参数i与缺失的数据参数j间的相关矩阵；
找寻出其中与所述残缺神经元的欧式距离最小的神经元即为最匹配的神经元。
在本优选实施方式中，通过欧式距离将残缺神经元和神经元拓扑结构上的每一个神经元依次进行比较，讨论他们间的匹配程度，能够准确地得出残缺神经元和神经元拓扑结构上的每一个神经元之间的匹配程度，其中欧式距离最小的神经元即为最匹配神经元，它从数理角度上意味着与残缺神经元矢量对应的现场实测参数最近似的一种可能情况的对应参数分布。
本发明还提出基于自组织竞争型神经网络的水声被动定位装置，包括：
数据获取模块，用于获取定位区域的相关参数，所述相关参数包括海深、水听器深度、声速剖面、海底声学参数、水听器阵列声特征量、声源位置参数，
当定位区域不存在声速剖面数据时，采用WOA18温盐数据集，提取水听器处的年平均温度和盐度剖面，再利用Del Grosso声速经验公式转化为声速剖面值以作为声速剖面数据，
当目标定位区域不存在海底声学参数时，采用典型的液态半无限海底参数值作为海底声学参数；
神经元构造模块，用于确定所述相关参数的输入方式，之后采用线性归一化的方法处理所述相关参数以构造神经元；
神经元扰动群组生成模块，用于基于构造的神经元矢量生成初始的神经元扰动群组；
神经元拓扑结构形成模块，用于将初始的神经元扰动群组作为训练数据集，通过SOM算法进行训练，将初始的神经元扰动群组推广化，在神经元拓扑结构上生成包含未知声源位置参数的神经元；
残缺神经元构造模块，用于获取目标定位应用时实测的海深、水听器深度以及水听器阵列声特征量，并以此作为必选参数，基于所述必选参数以与构造神经元相同的参数的输入方式构造残缺神经元，所述残缺神经元不包括声源位置参数；
最匹配神经元找寻模块，用于将残缺神经元与神经元拓扑结构上的每一个神经元进行依次比较，并找寻出神经元拓扑结构上与所述残缺神经元最匹配的神经元；
定位结果确定模块，用于以最匹配的所述神经元所对应的声源位置参数作为定位结果。
水下目标定位，是海洋声学的经典应用问题。受到海洋环境波动、信号衰减、多途效应等多方面因素的制约，水下目标的定位是一个异常复杂的非线性问题，各类定位方法都面临定位精度、可靠性、计算量、设备布防复杂度等问题的考验。本发明提供一种基于自组织竞争型神经网络的水声远程被动定位装置，在设备布防相对简单和计算量较低的情况下，能够提供较高精度和可靠性的目标定位结果。
本发明还提出一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，所述计算机程序被处理器执行时实现如所述基于自组织竞争型神经网络的水声被动定位方法的步骤。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例中的方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储的介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (6)
1.基于自组织竞争型神经网络的水声被动定位方法，其特征在于，包括以下：
获取定位区域的相关参数，所述相关参数包括海深、水听器深度、声速剖面、海底声学参数、水听器阵列声特征量、声源位置参数，
当定位区域不存在声速剖面数据时，采用WOA18温盐数据集，提取水听器处的年平均温度和盐度剖面，再利用Del Grosso声速经验公式转化为声速剖面值以作为声速剖面数据，
当目标定位区域不存在海底声学参数时，采用典型的液态半无限海底参数值作为海底声学参数；
确定所述相关参数的输入方式，之后采用线性归一化的方法处理所述相关参数以构造神经元；
基于构造的神经元矢量生成初始的神经元扰动群组；
将初始的神经元扰动群组作为训练数据集，通过SOM算法进行训练，将初始的神经元扰动群组推广化，在神经元拓扑结构上生成包含未知声源位置参数的神经元；
获取目标定位应用时实测的海深、水听器深度以及水听器阵列声特征量，并以此作为必选参数，基于所述必选参数以与构造神经元相同的参数的输入方式构造残缺神经元，所述残缺神经元不包括声源位置参数；
将残缺神经元与神经元拓扑结构上的每一个神经元进行依次比较，并找寻出神经元拓扑结构上与所述残缺神经元最匹配的神经元；
以最匹配的所述神经元所对应的声源位置参数作为定位结果；
具体的，基于构造的神经元矢量生成初始的神经元扰动群组，包括，
固定构造所述神经元的相关参数中除水听器阵列声特征量、声源位置以外的所有参数的值；
将所述定位区域进行网格划分，获得不同的声源位置节点；
将不同的声源位置节点叠加上完全相同的海深、水听器深度、声速剖面、海底声学参数，并输入声场特征量对应的声场计算模型，输出不同的声源位置节点对应的声场特征量；
不同的声源位置节点及其对应的声场特征量、进行叠加的海深、水听器深度、声速剖面、海底声学参数共同组成初始的神经元扰动群组；
具体的，找寻出神经元拓扑结构上与所述残缺神经元最匹配的神经元，包括，
通过以下公式计算神经元拓扑结构上每一个神经元与所述残缺神经元的欧式距离，
其中，D(X,Y)表示X与Y之间的欧式距离，X为残缺神经元，Y为进行匹配的神经元拓扑结构上的神经元，其中a为残缺神经元上有的数据参数，b为残缺神经元上缺失的数据参数，Ci,j为残缺神经元上有的数据参数i与缺失的数据参数j间的相关矩阵；
找寻出其中与所述残缺神经元的欧式距离最小的神经元即为最匹配的神经元。
2.根据权利要求1所述的基于自组织竞争型神经网络的水声被动定位方法，其特征在于，所述方法还包括，
在构造残缺神经元矢量时，
若目标定位应用时不存在声速剖面数据，则声速剖面数据不参与构造残缺神经元矢量，若目标定位应用时存在声速剖面数据，则声速剖面数据参与构造残缺神经元矢量；
若目标定位应用时不存在海底声学参数，则海底声学参数不参与构造残缺神经元矢量，若目标定位应用时存在海底声学参数，则海底声学参数参与构造残缺神经元矢量。
3.根据权利要求1所述的基于自组织竞争型神经网络的水声被动定位方法，其特征在于，具体的，典型的液态半无限海底参数值指的是声速为1650m/s、密度为1.7g/cm3、声衰减系数为0.15dB/λ。
4.根据权利要求1所述的基于自组织竞争型神经网络的水声被动定位方法，其特征在于，具体的，在通过SOM算法进行训练时，选用网格拓扑结构，网格拓扑结构的节点设置为初始的神经元扰动群组中神经元数量的10倍。
5.基于自组织竞争型神经网络的水声被动定位装置，其特征在于，包括：
数据获取模块，用于获取定位区域的相关参数，所述相关参数包括海深、水听器深度、声速剖面、海底声学参数、水听器阵列声特征量、声源位置参数，
当定位区域不存在声速剖面数据时，采用WOA18温盐数据集，提取水听器处的年平均温度和盐度剖面，再利用Del Grosso声速经验公式转化为声速剖面值以作为声速剖面数据，
当目标定位区域不存在海底声学参数时，采用典型的液态半无限海底参数值作为海底声学参数；
神经元构造模块，用于确定所述相关参数的输入方式，之后采用线性归一化的方法处理所述相关参数以构造神经元；
神经元扰动群组生成模块，用于基于构造的神经元矢量生成初始的神经元扰动群组；
神经元拓扑结构形成模块，用于将初始的神经元扰动群组作为训练数据集，通过SOM算法进行训练，将初始的神经元扰动群组推广化，在神经元拓扑结构上生成包含未知声源位置参数的神经元；
残缺神经元构造模块，用于获取目标定位应用时实测的海深、水听器深度以及水听器阵列声特征量，并以此作为必选参数，基于所述必选参数以与构造神经元相同的参数的输入方式构造残缺神经元，所述残缺神经元不包括声源位置参数；
最匹配神经元找寻模块，用于将残缺神经元与神经元拓扑结构上的每一个神经元进行依次比较，并找寻出神经元拓扑结构上与所述残缺神经元最匹配的神经元；
定位结果确定模块，用于以最匹配的所述神经元所对应的声源位置参数作为定位结果；
具体的，基于构造的神经元矢量生成初始的神经元扰动群组，包括，
固定构造所述神经元的相关参数中除水听器阵列声特征量、声源位置以外的所有参数的值；
将所述定位区域进行网格划分，获得不同的声源位置节点；
将不同的声源位置节点叠加上完全相同的海深、水听器深度、声速剖面、海底声学参数，并输入声场特征量对应的声场计算模型，输出不同的声源位置节点对应的声场特征量；
不同的声源位置节点及其对应的声场特征量、进行叠加的海深、水听器深度、声速剖面、海底声学参数共同组成初始的神经元扰动群组；
具体的，找寻出神经元拓扑结构上与所述残缺神经元最匹配的神经元，包括，
通过以下公式计算神经元拓扑结构上每一个神经元与所述残缺神经元的欧式距离，
其中，D(X,Y)表示X与Y之间的欧式距离，X为残缺神经元，Y为进行匹配的神经元拓扑结构上的神经元，其中a为残缺神经元上有的数据参数，b为残缺神经元上缺失的数据参数，Ci,j为残缺神经元上有的数据参数i与缺失的数据参数j间的相关矩阵；
找寻出其中与所述残缺神经元的欧式距离最小的神经元即为最匹配的神经元。
6.一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311143712.4A CN117151198B (zh) | 2023-09-06 | 2023-09-06 | 基于自组织竞争型神经网络的水声被动定位方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311143712.4A CN117151198B (zh) | 2023-09-06 | 2023-09-06 | 基于自组织竞争型神经网络的水声被动定位方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117151198A CN117151198A (zh) | 2023-12-01 |
| CN117151198B true CN117151198B (zh) | 2024-04-09 |
Family
ID=88902216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311143712.4A Active CN117151198B (zh) | 2023-09-06 | 2023-09-06 | 基于自组织竞争型神经网络的水声被动定位方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117151198B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007256854A (ja) * | 2006-03-24 | 2007-10-04 | Toshiba Corp | ナノパターン製造方法およびナノパターン基板、半導体メモリセル |
| CN109858523A (zh) * | 2019-01-03 | 2019-06-07 | 武汉大学 | 一种神经网络和射线理论的浅海声速剖面反演方法 |
| CN109993280A (zh) * | 2019-03-27 | 2019-07-09 | 东南大学 | 一种基于深度学习的水下声源定位方法 |
| CN111048114A (zh) * | 2019-12-30 | 2020-04-21 | 深圳江行联加智能科技有限公司 | 一种设备异常声音检测的设备及方法 |
| US10783433B1 (en) * | 2019-04-22 | 2020-09-22 | Bell Integrator Inc. | Method for training and self-organization of a neural network |
| CN112598113A (zh) * | 2020-12-15 | 2021-04-02 | 广东海洋大学 | 一种基于自组织竞争型神经网络的海洋声速剖面获取方法 |
| CN112733447A (zh) * | 2021-01-07 | 2021-04-30 | 浙江大学 | 一种基于域自适应网络的水下声源定位方法及系统 |
| CN112782704A (zh) * | 2020-12-30 | 2021-05-11 | 中国人民解放军91550部队 | 一种海面声源被动定位声波覆盖特性及定位精度分析方法 |
| CN113221651A (zh) * | 2021-04-09 | 2021-08-06 | 广东海洋大学 | 利用声传播数据和无监督机器学习的海底沉积分类方法 |
| CN113378870A (zh) * | 2020-03-10 | 2021-09-10 | 南京邮电大学 | 一种基于神经网络预测印刷电路板辐射源分布的方法和装置 |
| CN113486574A (zh) * | 2021-06-21 | 2021-10-08 | 广东海洋大学 | 基于历史数据以及机器学习的声速剖面补全方法及装置 |
| CN113887729A (zh) * | 2021-09-29 | 2022-01-04 | 广东电网有限责任公司电力调度控制中心 | 一种低压电力线载波通信系统故障诊断方法 |
| CN114782745A (zh) * | 2022-04-19 | 2022-07-22 | 广东海洋大学 | 一种基于机器学习的海洋声速剖面分类方法及装置 |
| CN115144702A (zh) * | 2022-07-26 | 2022-10-04 | 山东科汇电力自动化股份有限公司 | 一种基于自组织竞争型神经网络的接地故障类型识别方法 |
| CN115841076A (zh) * | 2022-11-29 | 2023-03-24 | 浙江海洋大学 | 基于bp神经网络模型的浅海分层海底地声参数反演方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103591942B (zh) * | 2013-11-07 | 2014-07-23 | 国家海洋局第二海洋研究所 | 基于声速最大偏移的声速剖面快速精简与自动优选方法 |
| US11263516B2 (en) * | 2016-08-02 | 2022-03-01 | International Business Machines Corporation | Neural network based acoustic models for speech recognition by grouping context-dependent targets |
| CN110146895B (zh) * | 2019-05-16 | 2021-04-20 | 浙江大学 | 基于倒置式多波束回声仪的声速剖面反演方法 |
-
2023
- 2023-09-06 CN CN202311143712.4A patent/CN117151198B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007256854A (ja) * | 2006-03-24 | 2007-10-04 | Toshiba Corp | ナノパターン製造方法およびナノパターン基板、半導体メモリセル |
| CN109858523A (zh) * | 2019-01-03 | 2019-06-07 | 武汉大学 | 一种神经网络和射线理论的浅海声速剖面反演方法 |
| CN109993280A (zh) * | 2019-03-27 | 2019-07-09 | 东南大学 | 一种基于深度学习的水下声源定位方法 |
| US10783433B1 (en) * | 2019-04-22 | 2020-09-22 | Bell Integrator Inc. | Method for training and self-organization of a neural network |
| CN111048114A (zh) * | 2019-12-30 | 2020-04-21 | 深圳江行联加智能科技有限公司 | 一种设备异常声音检测的设备及方法 |
| CN113378870A (zh) * | 2020-03-10 | 2021-09-10 | 南京邮电大学 | 一种基于神经网络预测印刷电路板辐射源分布的方法和装置 |
| CN112598113A (zh) * | 2020-12-15 | 2021-04-02 | 广东海洋大学 | 一种基于自组织竞争型神经网络的海洋声速剖面获取方法 |
| CN112782704A (zh) * | 2020-12-30 | 2021-05-11 | 中国人民解放军91550部队 | 一种海面声源被动定位声波覆盖特性及定位精度分析方法 |
| CN112733447A (zh) * | 2021-01-07 | 2021-04-30 | 浙江大学 | 一种基于域自适应网络的水下声源定位方法及系统 |
| CN113221651A (zh) * | 2021-04-09 | 2021-08-06 | 广东海洋大学 | 利用声传播数据和无监督机器学习的海底沉积分类方法 |
| CN113486574A (zh) * | 2021-06-21 | 2021-10-08 | 广东海洋大学 | 基于历史数据以及机器学习的声速剖面补全方法及装置 |
| CN113887729A (zh) * | 2021-09-29 | 2022-01-04 | 广东电网有限责任公司电力调度控制中心 | 一种低压电力线载波通信系统故障诊断方法 |
| CN114782745A (zh) * | 2022-04-19 | 2022-07-22 | 广东海洋大学 | 一种基于机器学习的海洋声速剖面分类方法及装置 |
| CN115144702A (zh) * | 2022-07-26 | 2022-10-04 | 山东科汇电力自动化股份有限公司 | 一种基于自组织竞争型神经网络的接地故障类型识别方法 |
| CN115841076A (zh) * | 2022-11-29 | 2023-03-24 | 浙江海洋大学 | 基于bp神经网络模型的浅海分层海底地声参数反演方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于自组织神经网络的声速剖面分类方法研究;赵建虎等;武汉大学学报(信息科学版);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117151198A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109443516B (zh) | 一种基于噪声场垂直振速信号的海底声速被动获取方法 | |
| Cheng et al. | Modeling and analysis of motion data from dynamically positioned vessels for sea state estimation | |
| CN112733447B (zh) | 一种基于域自适应网络的水下声源定位方法及系统 | |
| CN104656073A (zh) | 三维成像声纳波束形成方法及在多核处理器上的实现方法 | |
| CN113866718B (zh) | 一种基于互质阵的匹配场被动定位方法 | |
| CN117151198B (zh) | 基于自组织竞争型神经网络的水声被动定位方法及装置 | |
| CN117010132B (zh) | 一种水下多基地声纳系统的空间阵位优化方法及系统 | |
| CN108983178A (zh) | 一种敏捷自适应的智能雷达海上目标检测系统 | |
| CN113221651B (zh) | 利用声传播数据和无监督机器学习的海底沉积分类方法 | |
| Houégnigan et al. | A novel approach to real-time range estimation of underwater acoustic sources using supervised machine learning | |
| TANG et al. | Application of LVQ neural network combined with the genetic algorithm in acoustic seafloor classification | |
| CN105703841B (zh) | 一种多路径传播宽带主动声信号的分离方法 | |
| CN109029387B (zh) | 一种波束内拟合多波束测深算法 | |
| CN111505582B (zh) | 基于差分进化算法的水听器阵列定位方法 | |
| CN113009417A (zh) | 利用声场干涉特性的海底声学阵列阵形估计方法 | |
| CN111965601A (zh) | 一种基于核极限学习机的水下声源被动定位方法 | |
| Guo et al. | Classification of inbound and outbound ships using convolutional neural networks | |
| Yegireddi | A combined approach of genetic algorithm and neural networks with an application to geoacoustic inversion studies | |
| Jesus | Can maximum likelihood estimators improve genetic algorithm search in geoacoustic inversion? | |
| CN114429154B (zh) | 一种多径辅助深度学习的水声阵列定向方法 | |
| Razmochaeva et al. | Data Mining in Hydroacoustic Systems: Statement of the Problem | |
| Hachicha Belghith et al. | Acoustic Diversity Classification Using Machine Learning Techniques: Towards Automated Marine Big Data Analysis | |
| CN113138366B (zh) | 一种基于深度迁移学习的单矢量水听器方位估计方法 | |
| Xu et al. | Deep Neural Network Based Matched-Field Geoacoustic Inversion | |
| Ma et al. | Near-field Geoacoustic Inversion Using Bottom Reflection Signals via Self-attention Mechanism |
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 |