CN106443629A - 一种基于傅里叶基函数的雷达目标识别方法 - Google Patents
一种基于傅里叶基函数的雷达目标识别方法 Download PDFInfo
- Publication number
- CN106443629A CN106443629A CN201610872618.6A CN201610872618A CN106443629A CN 106443629 A CN106443629 A CN 106443629A CN 201610872618 A CN201610872618 A CN 201610872618A CN 106443629 A CN106443629 A CN 106443629A
- Authority
- CN
- China
- Prior art keywords
- time domain
- waveform
- target
- scattering
- radar
- 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
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- 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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/411—Identification of targets based on measurements of radar reflectivity
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
一种基于傅里叶基函数的雷达目标识别方法,首先对检测目标进行米波频段电磁仿真得到目标的时域散射波形,对时域散射回波进行积分处理得到目标散射场的后时响应模型,进而得到后时响应开始的时间及对应的幅度衰减系数,然后将得到的时域散射波形发射至当前检测到的目标,检测目标反射的时域回波,进行快速极点提取,得到时域散射波形对应的主极点、复留数、衰减因子、衰减频率,进而得到修正的时域散射波形及采样时域散射波形,最后构建傅里叶余弦基函数得到所有目标对应的E脉冲波形并存储,当进行目标识别时,将存储的E脉冲波形对应的时域散射波形依次发射至待识别目标,并检测目标的时域回波,完成目标检测。
Description
技术领域
本发明涉及微波遥感领域,特别是一种基于傅里叶基函数的雷达目标识别方法。
背景技术
目前雷达目标识别方法一般包含以下几种:1、基于目标回波起伏的目标识别方法,该方法将雷达目标可看作多个散射体构成的复杂目标,各个散射体的雷达回波相互干涉,根据雷达目标回波的幅度与相位随着目标相对于雷达姿态不同,判断目标的形状与运动情况。该方法的缺点在于当近距离探测雷达目标时,由于目标的姿态的变化,会导致雷达目标散射截面积剧烈变化,造成距离测量的不稳定。2、基于高分辨雷达成像的目标识别方法,采用合成孔径雷达(SAR)或逆合成孔径雷达(ISAR)技术,可获取目标的形状信息。该方法的缺点在于当目标与雷达距离不能满足远大于目标尺寸时,需补偿和校正雷达距离和多普勒参数,带来了算法的复杂性和不确定性。3、基于状态空间法和矩形基函数的波形综合识别技术,采用状态空间法提取极点和矩形基函数构造E脉冲波形实现目标的特性识别,该方法在一定程度上揭示了E脉冲识别目标的可行性。该方法的缺点在于波形构造复杂,易受噪声影响,运算量大等问题。
王党卫、马兴义等在2006年12月第28卷第12期电子与信息学报上发表的论文“一种基于傅里叶级数的E脉冲识别波形综合方法”中提出一种用于傅里叶级数的E脉冲目标识别方法,但该方法只是基于相关参数的确定原则和波形合成框图,并未涉及极点快速提取和利用傅里叶基函数构造发射波形的方法,同时该论文仅采用简单的细体导线作为验证样本,并未涉及空中动目标检测等相关内容。
发明内容
本发明解决的技术问题是:克服现有技术的不足,提供了一种基于傅里叶基函数的雷达目标识别方法。解决了空中动目标识别速度慢和识别概率低问题,通过目标时域电磁回波构造基于傅里叶基函数的E脉冲波形,完成雷达目标检测与识别。
本发明的技术解决方案是:一种基于傅里叶基函数的雷达目标识别方法,包括如下步骤:
(1)对雷达检测到的目标进行米波频段电磁仿真得到目标的N路时域散射波形,通过时域积分方程对目标的N路时域散射回波进行积分处理得到目标散射场的后时响应模型,其中,目标散射场后时响应模型包括雷达目标极点、雷达目标幅度、雷达目标相位,目标散射场后时响应开始的时间r(t)为
式中,an为目标的第n路时域散射波形的留数,σn为第n个目标时域散射波形的衰减因子,ωn为第n路目标时域散射波形的衰减频率,为第n个目标时域散射波形的相位,n=1,2,3,…,N;
进而得到目标散射场后时响应开始的时间r(t)的幅度衰减系数exp;
(2将步骤(1)得到的目标的N路时域散射波形发射至当前雷达检测到的目标,然后检测目标反射的N路时域回波,利用矩阵束法对得到的时域回波进行快速极点提取,得到第n路时域散射波形对应的时域回波的主极点sn、复留数Rn、衰减因子σn、衰减频率ωn,进而计算得到修正后的时域散射波形y(t)为
对修正后的时域散射波形y(t)进行采样,得到时域散射波形y(iTs)为
式中,i为采样次数,Ts为采样间隔;
(3)构建傅里叶余弦基函数fm(t)为
其中,m=1,2,3,…,M,M为时域散射波形y(iTs)极点个数,M=2N,Te为时域散射波形y(iTs)的脉冲长度;
进而得到E脉冲波形e(t)为
然后对E脉冲波形e(t)进行矩阵化分解得到
M2i,j为第i个时域散射波形y(iTs)中第j个极点系数,M2i-1,j为第i个时域散射波形y(iTs)中第j个极点系数,i=1,2,3,…,N,j=1,2,3,…,2N;
根据E脉冲波形e(t)矩阵化分解得到的矩阵对应的行列式为零,计算得到αm;
(4)重复步骤(1)-步骤(3)直至得到所有目标的E脉冲波形e(t)并存储;
(5)当进行目标识别时,将存储的一个目标的E脉冲波形e(t)对应的时域散射波形发射至待识别目标,然后将待检测目标的时域回波与当前目标的E脉冲波形e(t)进行卷积,如果卷积结果为0,则待检测目标类型与当前目标的类型一致,否则遍历存储的所有目标的E脉冲波形e(t)直至得到当前待检测目标的类型。
所述的采样间隔Ts=0.5ns。
所述的步骤(3)中根据E脉冲波形e(t)矩阵化分解得到的矩阵对应的行列式为零,计算得到αm的方法为线性最优法和最优边界约束条件法。
本发明与现有技术相比的优点在于:
(1)本发明方法与现有技术相比,通过米波频段电磁仿真,解决了对隐身飞行目标探测和识别问题,实现了利用宽频谱波形激励探测目标谐振,从而识别目标的效果;
(2)本发明与现有技术相比,通过矩阵束法对得到的时域回波进行快速极点提取,解决了克服了状态空间法缺陷,具有极点提取效率高和运算量小的优点;
(3)本发明与现有技术相比,通过傅里叶基函数构造方法,解决了矩形基函数构造法缺陷,具有抗噪声能力强、波形简单和识别效率高的优点。
附图说明
图1为本发明方法的流程图;
图2为本发明实施例中未采用本发明方法的E脉冲波形与其时域回波卷积结果示意图;
图3为本发明实施例中采用本发明方法E脉冲波形与其时域回波卷积结果示意图。
具体实施方式
如图1所示,为本发明方法的流程框图,主要步骤如下:
(1)对特定雷达目标进行米波频段电磁仿真,通过时域积分方程对目标时域散射回波进行积分处理得到目标散射场的后时响应模型,其中包括目标极点、目标幅度和相位,目标后时响应开始的时间;
式中,exp为r(t)幅度衰减系数,an为第n个时域散射波形的留数,sn=σn+jωn为第n个时域散射波形的极点,σn为第n个时域散射波形的衰减因子,ωn为第n个时域散射波形的衰减频率,为第n个时域散射波形的相位,Tl为目标后时响应的起始时刻,n=1,2,3,…,2N;所述的雷达目标极点包括N对共轭的雷达目标极点;
(2)根据步骤(1)的结果,将时域散射波形反射至雷达检测到的目标,当检测到目标反射的时域回波,利用矩阵束法对得到的时域回波进行快速极点提取,即得到第i个目标反射时域波形主极点si,用于估计波形与原雷达回波进行对比;
式中,y(t)为目标反射时域波形,Ri第i个目标反射时域波形极点的复留数,si=σi+jωi为第i个目标反射时域波形的目标极点,σi和ωi分别为目标反射时域波形的衰减因子和衰减频率,实际所得到数据是瞬态相应的离散情况,假设经过采样后的瞬态响应的后时部分可表示为:
式中,i=1,2,3,…,M,M为时域回波共轭极点的个数,Ts为采样间隔,采样采样间隔Ts=0.5ns。
现在定义两个矩阵:
式中,L为矩阵束参数,L=1,2,3,…M,它的取值会影响到结果的精度,通过施密特分解可以将上面两个矩阵分解为:
[Y1]=[Z1][R][Z2]
[Y2]=[Z1][R][Z0][Z2]
其中:
[Z0]=diag[Z1,Z2,...,ZM]
[R]=diag[R1,R2,...,RM]
diag[·]表示大小为M×M的对角线矩阵。
现在考虑下面的矩阵:
[Y2]-λ[Y1]=[Z1][R]([Z0]-λ[I])Z2
式中,[I]是大小为M×M的单位矩阵。
显然,如果λ=Zi,i=1,2,3,…,M,([Z0]-λ[I])的第i行为零,因此Zi是矩阵{[Y2];[Y1]}的广义本征值。所以求解Zi即求解形如下式的特征值问题:
{[Y1 +][Y2]-λ[I]}
式中,[Y1 +]是[Y1]的伪逆,可以表示如下:
[Y1 +]=([Y1]H[Y1])-1[Y1]H
得到Zi后,目标反射时域波形极点的复留数Ri可通过最小二乘法求解下式的问题:
(3)根据步骤(2)的结果,采用傅里叶余弦基函数方法对目标反射时域波形主极点所对应的留数Ri进行展开,构造E脉冲函数构造并设计发射波形,得到E脉冲波形各项参数。
傅里叶余弦基函数形式如下式
其中,fm(t)定义为E脉冲的傅里叶余弦基函数,m=1,2,3,…,M,M为时域散射波形极点个数,Te为时域散射波形的脉冲长度。
通过上式得出E脉冲的函数表达式:
其中,M为时域散射波形极点个数,αm为未知系数,Te为时域散射波形的脉冲长度。
由上式得到E脉冲函数的傅里叶变换式为:
令可得
经过化简推导后,上式可以简化为:
将上式代入E脉冲的条件函数得到E脉冲相应的矩阵方程,求解即可得到起未知系数。以E脉冲为例详细讨论未知系数的求解过程。取M=2N,并根据1≤n≤N可得:
其中:
通过施密特变换,上式Mn,m矩阵的形式可表示为:
其中,M2i,j为第i个时域散射波形y(iTs)中第j个极点系数,M2i-1,j为第i个时域散射波形y(iTs)中第j个极点系数,i=1,2,3,…,N,j=1,2,3,…,2N;
当存在非零解得条件是其行列式为零,即非满秩行列式,根据行列式为零可以得到脉冲长度Te的精确取值,利用线性最优法和最优边界约束条件法,通过求解上式方程组即可得到E脉冲波形的未知系数αm。
(4)根据步骤(1)的目标时域散射波形中的极点及其对应留数,构造相应的E脉冲时域波形,并将在计算中存储各个目标对应的E脉冲波形,把待识别目标的时域回波接收后也存储到计算机。
(5)根据步骤(4)通过采用傅里叶余弦基函数、矩形基函数构造的E脉冲波形函数与特定目标自身电磁散射时域回波卷积结果进行对比,如果卷积结果表现为零,则E脉冲波形与目标回波的卷积结果消除了目标的所有频率分量,即成功识别,如果卷积结果表现不为零,则表明卷积结果中包含其它频率分量,即未成功识别。
实施例
为了更清楚的表明本方法的优点,在此进行数学仿真,仿真条件:F15SE缩比模型,缩放尺寸是4.30m×2.89m×1.25m,入射方位角为30度,俯仰角为0度。
图2为未采用傅里叶余弦基函数构造E脉冲波形与时域回波卷积仿真结果,图3为采用本发明方法的卷积仿真结果图。从图中可以看出,未采用傅里叶余弦基函数的卷积为0的时刻为145ns,相对幅度为0.05,采用傅里叶余弦基函数的卷积0的时刻为130ns,相对幅度为0.3,因此采用本发明方法对特定目标时域回波构造E脉冲发射波形,可以缩短10~15ns识别时间,检测幅度提高6~7dB,验证本发明方法的有效性。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (3)
1.一种基于傅里叶基函数的雷达目标识别方法,其特征在于包括如下步骤:
(1)对雷达检测到的目标进行米波频段电磁仿真得到目标的N路时域散射波形,通过时域积分方程对目标的N路时域散射回波进行积分处理得到目标散射场的后时响应模型,其中,目标散射场后时响应模型包括雷达目标极点、雷达目标幅度、雷达目标相位,目标散射场后时响应开始的时间r(t)为
式中,an为目标的第n路时域散射波形的留数,σn为第n个目标时域散射波形的衰减因子,ωn为第n路目标时域散射波形的衰减频率,为第n个目标时域散射波形的相位,n=1,2,3,…,N;
进而得到目标散射场后时响应开始的时间r(t)的幅度衰减系数exp;
(2将步骤(1)得到的目标的N路时域散射波形发射至当前雷达检测到的目标,然后检测目标反射的N路时域回波,利用矩阵束法对得到的时域回波进行快速极点提取,得到第n路时域散射波形对应的时域回波的主极点sn、复留数Rn、衰减因子σn、衰减频率ωn,进而计算得到修正后的时域散射波形y(t)为
对修正后的时域散射波形y(t)进行采样,得到时域散射波形y(iTs)为
式中,i为采样次数,Ts为采样间隔;
(3)构建傅里叶余弦基函数fm(t)为
其中,m=1,2,3,…,M,M为时域散射波形y(iTs)极点个数,M=2N,Te为时域散射波形y(iTs)的脉冲长度;
进而得到E脉冲波形e(t)为
然后对E脉冲波形e(t)进行矩阵化分解得到
M2i,j为第i个时域散射波形y(iTs)中第j个极点系数,M2i-1,j为第i个时域散射波形y(iTs)中第j个极点系数,i=1,2,3,…,N,j=1,2,3,…,2N;
根据E脉冲波形e(t)矩阵化分解得到的矩阵对应的行列式为零,计算得到αm;
(4)重复步骤(1)-步骤(3)直至得到所有目标的E脉冲波形e(t)并存储;
(5)当进行目标识别时,将存储的一个目标的E脉冲波形e(t)对应的时域散射波形发射至待识别目标,然后将待检测目标的时域回波与当前目标的E脉冲波形e(t)进行卷积,如果卷积结果为0,则待检测目标类型与当前目标的类型一致,否则遍历存储的所有目标的E脉冲波形e(t)直至得到当前待检测目标的类型。
2.根据权利要求1所述的一种基于傅里叶基函数的雷达目标识别方法,其特征在于:所述的采样间隔Ts=0.5ns。
3.根据权利要求1或2所述的一种基于傅里叶基函数的雷达目标识别方法,其特征在于:所述的步骤(3)中根据E脉冲波形e(t)矩阵化分解得到的矩阵对应的行列式为零,计算得到αm的方法为线性最优法和最优边界约束条件法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610872618.6A CN106443629A (zh) | 2016-09-30 | 2016-09-30 | 一种基于傅里叶基函数的雷达目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610872618.6A CN106443629A (zh) | 2016-09-30 | 2016-09-30 | 一种基于傅里叶基函数的雷达目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106443629A true CN106443629A (zh) | 2017-02-22 |
Family
ID=58172666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610872618.6A Pending CN106443629A (zh) | 2016-09-30 | 2016-09-30 | 一种基于傅里叶基函数的雷达目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106443629A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108415017A (zh) * | 2018-05-10 | 2018-08-17 | 北京航空航天大学 | 复杂目标雷达散射特性稀疏表征的一维增广状态空间方法 |
CN110596670A (zh) * | 2019-10-16 | 2019-12-20 | 北京环境特性研究所 | 基于盲信号分离的群目标极点提取方法和装置 |
CN115001917A (zh) * | 2022-08-01 | 2022-09-02 | 烟台初心航空科技有限公司 | 用于雷达通信一体化的调制信号产生方法 |
CN115166667A (zh) * | 2022-06-22 | 2022-10-11 | 哈尔滨工业大学(威海) | 基于谐振区的运动目标识别方法、***、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4896116A (en) * | 1986-10-30 | 1990-01-23 | Nippon Telegraph And Telephone Corporation | Pulse radar method and apparatus for detecting an object |
CN1595195A (zh) * | 2004-06-17 | 2005-03-16 | 上海交通大学 | 基于信息融合的超宽带探地雷达自动目标识别方法 |
CN101776748A (zh) * | 2009-01-12 | 2010-07-14 | 哈尔滨工业大学 | 复杂目标极点特征提取方法和装置 |
CN103076600A (zh) * | 2012-12-26 | 2013-05-01 | 南京理工大学 | 基于多方位e脉冲技术的雷达目标识别方法 |
-
2016
- 2016-09-30 CN CN201610872618.6A patent/CN106443629A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4896116A (en) * | 1986-10-30 | 1990-01-23 | Nippon Telegraph And Telephone Corporation | Pulse radar method and apparatus for detecting an object |
CN1595195A (zh) * | 2004-06-17 | 2005-03-16 | 上海交通大学 | 基于信息融合的超宽带探地雷达自动目标识别方法 |
CN101776748A (zh) * | 2009-01-12 | 2010-07-14 | 哈尔滨工业大学 | 复杂目标极点特征提取方法和装置 |
CN103076600A (zh) * | 2012-12-26 | 2013-05-01 | 南京理工大学 | 基于多方位e脉冲技术的雷达目标识别方法 |
Non-Patent Citations (2)
Title |
---|
胡大海: ""基于波形综合技术的雷达目标识别"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
苏泽峰: ""从IEEE1985国际雷达会议剖析雷达技术今后的动向"", 《现代雷达》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108415017A (zh) * | 2018-05-10 | 2018-08-17 | 北京航空航天大学 | 复杂目标雷达散射特性稀疏表征的一维增广状态空间方法 |
CN108415017B (zh) * | 2018-05-10 | 2021-07-30 | 北京航空航天大学 | 复杂目标雷达散射特性稀疏表征的一维增广状态空间方法 |
CN110596670A (zh) * | 2019-10-16 | 2019-12-20 | 北京环境特性研究所 | 基于盲信号分离的群目标极点提取方法和装置 |
CN110596670B (zh) * | 2019-10-16 | 2021-09-28 | 北京环境特性研究所 | 基于盲信号分离的群目标极点提取方法和装置 |
CN115166667A (zh) * | 2022-06-22 | 2022-10-11 | 哈尔滨工业大学(威海) | 基于谐振区的运动目标识别方法、***、设备及存储介质 |
CN115001917A (zh) * | 2022-08-01 | 2022-09-02 | 烟台初心航空科技有限公司 | 用于雷达通信一体化的调制信号产生方法 |
CN115001917B (zh) * | 2022-08-01 | 2022-10-21 | 烟台初心航空科技有限公司 | 用于雷达通信一体化的调制信号产生方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | False-alarm-controllable radar detection for marine target based on multi features fusion via CNNs | |
CN107728142B (zh) | 基于二维卷积网络的雷达高分辨距离像目标识别方法 | |
CN104122540B (zh) | 基于匹配字典和压缩感知的雷达一维距离像目标识别方法 | |
Liu et al. | Deep learning and recognition of radar jamming based on CNN | |
CN108008385B (zh) | 基于稀疏贝叶斯学习的干扰环境isar高分辨成像方法 | |
CN103698763B (zh) | 基于硬阈值正交匹配追踪的线阵sar稀疏成像方法 | |
CN106443629A (zh) | 一种基于傅里叶基函数的雷达目标识别方法 | |
CN111880157B (zh) | 一种雷达图像中目标的检测方法及*** | |
CN103513244B (zh) | 一种基于动态规划的多帧相参积累目标检测前跟踪方法 | |
CN106772365A (zh) | 一种基于贝叶斯压缩感知的多径利用穿墙雷达成像方法 | |
CN110208760B (zh) | 一种基于时域上采样的雷达回波仿真方法 | |
US20190227164A1 (en) | Automotive Testing Method, System and Computer Program Product | |
CN110244303A (zh) | 基于sbl-admm的稀疏孔径isar成像方法 | |
CN112990334A (zh) | 基于改进原型网络的小样本sar图像目标识别方法 | |
Wang et al. | SAR target recognition based on probabilistic meta-learning | |
CN101776748B (zh) | 复杂目标极点特征提取方法和装置 | |
CN108957418A (zh) | 一种基于循环神经网络模型的雷达目标识别方法 | |
CN104182753B (zh) | 结合图像分割与子空间匹配追踪的目标散射中心提取方法 | |
CN104076360A (zh) | 基于压缩感知的二维sar稀疏目标成像方法 | |
Lv et al. | Deep neural network-based interrupted sampling deceptive jamming countermeasure method | |
CN105259537A (zh) | 基于频移迭代的多普勒谱中心频率估计方法 | |
CN106680791A (zh) | 基于宽带扫频数据的雷达回波仿真方法 | |
CN113655459A (zh) | 一种基于泊松盘采样的雷达无模糊多普勒扩展方法及装置 | |
CN111044987A (zh) | 基于汽车雷达的环境目标速度解模糊方法、***及介质 | |
Chen et al. | A multi-domain fusion human motion recognition method based on lightweight network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170222 |