CN107896362A - 一种基于深度学习的wifi位置指纹定位方法及*** - Google Patents
一种基于深度学习的wifi位置指纹定位方法及*** Download PDFInfo
- Publication number
- CN107896362A CN107896362A CN201711015262.5A CN201711015262A CN107896362A CN 107896362 A CN107896362 A CN 107896362A CN 201711015262 A CN201711015262 A CN 201711015262A CN 107896362 A CN107896362 A CN 107896362A
- Authority
- CN
- China
- Prior art keywords
- classification
- rssi information
- wifi
- deep learning
- training
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
-
- 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
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的WIFI位置指纹定位方法及***,涉及基于深度学习的WIFI定位方法领域;其包括如下步骤:1)利用WIFI适配器扫描WIFI信号获得RSSI信息并将其输入参数训练及分类定位单元中进行无监督学习得到重构RSSI信息;2)判断重构RSSI信息与RSSI信息是否一致,若是一致,则结束参数训练,跳至步骤3;3)将重构RSSI信息输入参数训练及分类定位单元中进行监督学习,完成分类定位得到各RSSI信息源所属楼栋及楼层完成定位;本发明解决了现有基于简单深度学习实现WIFI位置指纹定位高精度需要后期繁杂耗时的优化以及会出现过拟合的问题,达到了提高基于深度学习的WIFI位置指纹定位的精度的效果。
Description
技术领域
本发明涉及基于深度学习的WIFI定位方法领域,尤其是一种基于深度学习的WIFI位置指纹定位方法及***。
背景技术
位置指纹指把实际环境中的位置和某种“指纹”联系起来,一个位置对应一个独特的指纹;指纹可以是单维或多维的,比如待定位设备在接收或者发送信息,那么指纹可以是这个信息或信号的一个特征或多个特征,最常见的是信号强度;WIFI几乎无处不在的可用性使其成为一个很有吸引力的定位方法,无需额外的硬件花费,基于时间和角度的定位方法不适用于WIFI信号,使得位置指纹法成为定位主要的选择。
对于深度学习来说,其思想就是堆叠多个层即这一层的输出作为下一层的输入;通过这种方式,就可以实现对输入信息进行分级表达;多隐层的人工神经网络具有优异的特征学习能力,学习得到的特征对数据有更本质的刻画,从而有利于可视化或分类;深度神经网络在训练上的难度,可以通过“逐层初始化”来有效克服,逐层初始化可以通过无监督学习实现;目前基于深度学习的WIFI定位方法通常采用深度学习网络,后期进行优化达到精确定位,其中深度学习网络采用现有的卷积层+池化层+分类层,优化的解决方案采用过滤、手动数据分析和耗时的参数调整,实现起来繁杂、耗时且效率低;另一方面由于RSSI的采样数据是以时间为维度的离散数值,若使用深度学习算法极容易出现过拟合情况导致定位的精度差甚至定位失败。
发明内容
本发明的目的在于:本发明提供了一种基于深度学习的WIFI位置指纹定位方法及***,解决了现有基于简单深度学习实现WIFI位置指纹定位高精度需要后期繁杂耗时的优化以及会出现过拟合的问题,达到了提高基于深度学习的WIFI位置指纹定位的精度的效果。
本发明采用的技术方案如下:
一种基于深度学习的WIFI位置指纹定位方法,包括如下步骤:
步骤1:利用WIFI适配器扫描WIFI信号获得RSSI信息并将其输入参数训练及分类定位单元中进行无监督学习得到重构RSSI信息;
步骤2:判断重构RSSI信息与RSSI信息是否一致,若是一致,则结束参数训练,跳至步骤3;若不一致,则跳至步骤1;
步骤3:将重构RSSI信息输入参数训练及分类定位单元中进行监督学习,完成分类定位得到各RSSI信息源所属楼栋及楼层完成定位。
优选地,所述步骤1中无监督学习包括参数训练和原始数据简化表示的学习。
优选地,所述步骤3包括如下步骤:
步骤3.1:在参数训练及分类定位单元的两个隐层之间进行Dropout操作后,将重构RSSI信息随机分为训练集、有效集和测试集;
步骤3.2:将有效集和训练集输入到参数训练及分类定位单元中进行监督学习得到分类结果后调整隐层包含神经元个数至最优;
步骤3.3:将测试集输入到分类定位单元中进行监督学习得到分类结果后调整隐层包含神经元个数至最优;
步骤3.4:根据步骤3.2和步骤3.3选择分类结果最优的神经元个数后,完成归一化操作得出各RSSI信息源所属楼栋及楼层完成定位。
一种基于深度学习的WIFI位置指纹定位***,包括WIFI适配器和参数训练及分类定位单元;
WIFI适配器,用于扫描WIFI信号得到各信号的信号强度即RSSI信息;
参数训练及分类定位单元,用于输入RSSI信息进行无监督学习输出重构RSSI信息后,并输入重构RSSI信息进行分类定位得出定位结果。
优选地,所述参数训练及分类定位单元络包括编码器、译码器和分类器;编码器与译码器连接用于参数训练,编码器与分类器连接用于分类定位。
优选地,所述编码器包括一个输入层和三个隐层;所述译码器包括两个隐层和一个输出层;所述输入层将信息依次输入三个隐层和两个隐层后将信息输出到输出层。
优选地,所述分类器包括两个最终隐层、一个Dropout层和一个最终输出层;两个最终隐层之间通过一个Dropout层传输,最终隐层输出与最终输出层连接。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.本发明利用深度神经网络***结构对楼栋和楼层进行分类定位,增设预处理网络即重构RSSI信息,防止过拟合情况,实现提高定位精度的同时简化了基于深度学习的WIFI位置指纹定位的流程,解决了现有基于简单深度学习实现WIFI位置指纹定位高精度需要后期繁杂耗时的优化以及会出现过拟合的问题;
2.本发明使用堆叠式自动编码器,结构简单,操作便捷,大大的减少了人工调试的工作量,有效地减少功能空间,可以自动实现强大而精确的分类;
3.本发明的深层神经网络包括编码器(卷积+池化)和译码器(上采样+卷积)、编码器(卷积+池化)和分类器两部分,对信号处理后得到的重构的RSSI信号不会产生过拟合,消除一些副作用,提高了定位精度。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是本发明对于参数训练部分的深度神经网络结构图;
图2为本发明对于分类部分的深度神经网络结构图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
下面结合图1-2对本发明作详细说明。
实施例1
一种基于深度学习的WIFI位置指纹定位方法,包括如下步骤:
步骤1:利用WIFI适配器扫描WIFI信号获得RSSI信息并将其输入参数训练及分类定位单元中进行无监督学习得到重构RSSI信息;
所述步骤1中无监督学习包括参数训练和原始数据简化表示的学习;
步骤2:判断重构RSSI信息与RSSI信息是否一致,若是一致,则结束参数训练,跳至步骤3;若不一致,则跳至步骤1;
步骤3:将重构RSSI信息输入参数训练及分类定位单元中进行监督学习,完成分类定位得到各RSSI信息源所属楼栋及楼层完成定位。
所述步骤3包括如下步骤:
步骤3.1:在参数训练及分类定位单元的两个隐层之间进行Dropout操作后,将重构RSSI信息随机分为训练集、有效集和测试集;
步骤3.2:将有效集和训练集输入到参数训练及分类定位单元中进行监督学习得到分类结果后调整隐层包含神经元个数至最优;
步骤3.3:将测试集输入到分类定位单元中进行监督学习得到分类结果后调整隐层包含神经元个数至最优;
步骤3.4:根据步骤3.2和步骤3.3选择分类结果最优的神经元个数后,完成归一化操作得出各RSSI信息源所属楼栋及楼层完成定位。
一种基于深度学习的WIFI位置指纹定位***,包括WIFI适配器、参数训练网络和分类定位网络;
WIFI适配器,用于扫描WIFI信号得到各信号的信号强度即RSSI信息;
参数训练及分类定位单元,用于输入RSSI信息进行无监督学习输出重构RSSI信息后,并输入重构RSSI信息进行分类定位得出定位结果。
参数训练及分类定位单元络包括编码器、译码器和分类器;编码器与译码器连接用于参数训练,编码器与分类器连接用于分类定位。
编码器包括一个输入层和三个隐层;译码器包括两个隐层和一个输出层;输入层将信息依次输入三个隐层和两个隐层后将信息输出到输出层。
分类器包括两个最终隐层、一个Dropout层和一个最终输出层;两个最终隐层之间通过一个Dropout层传输,最终隐层输出与最终输出层连接。
实施例2
步骤1:从25个不同的安卓设备或者WIFI适配器上获取WIFI扫描数据,数据库中的每个扫描包含529个属性;其中共有520个不同的AP,前520个属性表示这些网络的接收信号强度即RSSI信息,信号强度变化从104dBm到0dBm的接收不良的情况;当AP不可用时,默认值为100;剩下的9个属性包含经度和纬度测量、楼层数量、建筑ID、空间ID、相对位置,用户ID信息、手机ID和时间戳;
步骤2:将扫描到的520条信号强度即RSSI信息输入到深度神经网络即DNN结构图中,训练编码器部分的参数,当输出的重构RSSI信息与输入的信息一致时结束;另一方面,在训练参数的同时,学习原始数据的简化表示,根据不同的场合需要,可将输入特征空间维度从520降低至256、128和64;
步骤3:在参数训练及分类定位单元的两个隐层之间进行Dropout操作后,将重构RSSI信息随机分为训练集、有效集和测试集;首先将有效集和训练集输入到如图2所示的深度神经网络即DNN结构中进行监督学习,根据最后的分类结果,分别将编码器和分类器两部分特征维度在256、128和64之间进行组合调整至最优,即调整隐层包含神经元个数至最优;
步骤4:将测试集输入到如图2所示的深度神经网络即DNN结构中进行监督学习,根据最后的分类结果,分别将编码器和分类器两部分特征维度在256、128和64之间进行组合调整至最优,即调整隐层包含神经元个数至最优。
步骤5:根据步骤3和步骤4在数据集上不同的结果进行权衡,最终选择分类结果最优的神经元个数,得到最优的泛化性最好的DNN结构即完成归一化操作输出结果,完成定位。本发明利用深度神经网络***结构对楼栋和楼层进行分类定位,增设预处理网络即重构RSSI信息,防止过拟合情况,实现提高定位精度的同时简化了基于深度学习的WIFI位置指纹定位的流程,解决了现有基于简单深度学习实现WIFI位置指纹定位高精度需要后期繁杂耗时的优化以及会出现过拟合的问题。
Claims (7)
1.一种基于深度学习的WIFI位置指纹定位方法,其特征在于:包括如下步骤:
步骤1:利用WIFI适配器扫描WIFI信号获得RSSI信息并将其输入参数训练及分类定位单元中进行无监督学习得到重构RSSI信息;
步骤2:判断重构RSSI信息与RSSI信息是否一致,若是一致,则结束参数训练,跳至步骤3;若不一致,则跳至步骤1;
步骤3:将重构RSSI信息输入参数训练及分类定位单元中进行监督学习,完成分类定位得到各RSSI信息源所属楼栋及楼层完成定位。
2.根据权利要求1所述的一种基于深度学习的WIFI位置指纹的定位方法,其特征在于:所述步骤1中无监督学习包括参数训练和原始数据简化表示的学习。
3.根据权利要求1所述的一种基于深度学习的WIFI位置指纹定位方法,其特征在于:所述步骤3包括如下步骤:
步骤3.1:在参数训练及分类定位单元的两个隐层之间进行Dropout操作后,将重构RSSI信息随机分为训练集、有效集和测试集;
步骤3.2:将有效集和训练集输入到参数训练及分类定位单元中进行监督学习得到分类结果后调整隐层包含神经元个数至最优;
步骤3.3:将测试集输入到分类定位单元中进行监督学习得到分类结果后调整隐层包含神经元个数至最优;
步骤3.4:根据步骤3.2和步骤3.3选择分类结果最优的神经元个数后,完成归一化操作得出各RSSI信息源所属楼栋及楼层完成定位。
4.一种基于深度学习的WIFI位置指纹定位***,其特征在于:包括WIFI适配器和参数训练及分类定位单元;
WIFI适配器,用于扫描WIFI信号得到各信号的信号强度即RSSI信息;
参数训练及分类定位单元,用于输入RSSI信息进行无监督学习输出重构RSSI信息后,并输入重构RSSI信息进行分类定位得出定位结果。
5.根据权利要求4所述的一种基于深度学习的WIFI位置指纹定位***,其特征在于:所述参数训练及分类定位单元包括编码器、译码器和分类器;编码器与译码器连接用于参数训练,编码器与分类器连接用于分类定位。
6.根据权利要求5所述的一种基于深度学习的WIFI位置指纹定位***,其特征在于:所述编码器包括一个输入层和三个隐层;所述译码器包括两个隐层和一个输出层;所述输入层将信息依次输入三个隐层和两个隐层后将信息输出到输出层。
7.根据权利要求6所述的一种基于深度学习的WIFI位置指纹的定位***,其特征在于:所述分类器包括两个最终隐层、一个Dropout层和一个最终输出层;两个最终隐层之间通过一个Dropout层传输,最终隐层输出与最终输出层连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711015262.5A CN107896362A (zh) | 2017-10-25 | 2017-10-25 | 一种基于深度学习的wifi位置指纹定位方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711015262.5A CN107896362A (zh) | 2017-10-25 | 2017-10-25 | 一种基于深度学习的wifi位置指纹定位方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107896362A true CN107896362A (zh) | 2018-04-10 |
Family
ID=61802891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711015262.5A Pending CN107896362A (zh) | 2017-10-25 | 2017-10-25 | 一种基于深度学习的wifi位置指纹定位方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107896362A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108966131A (zh) * | 2018-07-23 | 2018-12-07 | 广州都市圈网络科技有限公司 | 基于室内定位的融合楼层推断方法 |
CN109040957A (zh) * | 2018-08-14 | 2018-12-18 | 广东小天才科技有限公司 | 一种基于wifi的室内定位方法及装置 |
CN109242097A (zh) * | 2018-07-12 | 2019-01-18 | 上海交通大学 | 无监督学习的视觉表示学习***及方法 |
CN109246608A (zh) * | 2018-11-16 | 2019-01-18 | 重庆小富农康农业科技服务有限公司 | 一种基于wifi位置指纹大数据分析的室内点对点定位方法 |
CN109359725A (zh) * | 2018-10-24 | 2019-02-19 | 北京周同科技有限公司 | 卷积神经网络模型的训练方法、装置、设备及计算机可读存储介质 |
CN109474887A (zh) * | 2018-12-05 | 2019-03-15 | 哈尔滨工业大学 | 基于lte信号的高低楼层区分方法 |
CN110231593A (zh) * | 2019-04-11 | 2019-09-13 | 深圳市城市交通规划设计研究中心有限公司 | 室内定位方法、装置、计算机可读存储介质及终端设备 |
CN111031477A (zh) * | 2019-12-25 | 2020-04-17 | 中山大学 | 一种基于深度学习的毫米波室内定位方法 |
CN114514759A (zh) * | 2019-10-04 | 2022-05-17 | 三星电子株式会社 | 经由无监督域自适应的基于WiFi的室内定位的***和方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160084646A1 (en) * | 2014-09-24 | 2016-03-24 | Wistron Corp. | Methods for indoor positioning and apparatuses using the same |
CN106658422A (zh) * | 2017-01-09 | 2017-05-10 | 深圳市智开科技有限公司 | 针对高度稀疏WiFi数据的网络侧定位方法与*** |
CN107064913A (zh) * | 2017-03-10 | 2017-08-18 | 上海斐讯数据通信技术有限公司 | 一种基于深度学习的无线定位方法及*** |
-
2017
- 2017-10-25 CN CN201711015262.5A patent/CN107896362A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160084646A1 (en) * | 2014-09-24 | 2016-03-24 | Wistron Corp. | Methods for indoor positioning and apparatuses using the same |
CN106658422A (zh) * | 2017-01-09 | 2017-05-10 | 深圳市智开科技有限公司 | 针对高度稀疏WiFi数据的网络侧定位方法与*** |
CN107064913A (zh) * | 2017-03-10 | 2017-08-18 | 上海斐讯数据通信技术有限公司 | 一种基于深度学习的无线定位方法及*** |
Non-Patent Citations (2)
Title |
---|
刘震宇,李嘉俊,王昆: "一种基于深度自编码器的指纹匹配定位方法", 《广东工业大学学报》 * |
覃玉清: "基于深度学习的WIFI定位算法", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242097A (zh) * | 2018-07-12 | 2019-01-18 | 上海交通大学 | 无监督学习的视觉表示学习***及方法 |
CN109242097B (zh) * | 2018-07-12 | 2020-09-25 | 上海交通大学 | 无监督学习的视觉表示学习***及方法 |
CN108966131A (zh) * | 2018-07-23 | 2018-12-07 | 广州都市圈网络科技有限公司 | 基于室内定位的融合楼层推断方法 |
CN109040957A (zh) * | 2018-08-14 | 2018-12-18 | 广东小天才科技有限公司 | 一种基于wifi的室内定位方法及装置 |
CN109359725A (zh) * | 2018-10-24 | 2019-02-19 | 北京周同科技有限公司 | 卷积神经网络模型的训练方法、装置、设备及计算机可读存储介质 |
CN109359725B (zh) * | 2018-10-24 | 2021-03-02 | 北京周同科技有限公司 | 卷积神经网络模型的训练方法、装置、设备及计算机可读存储介质 |
CN109246608A (zh) * | 2018-11-16 | 2019-01-18 | 重庆小富农康农业科技服务有限公司 | 一种基于wifi位置指纹大数据分析的室内点对点定位方法 |
CN109474887A (zh) * | 2018-12-05 | 2019-03-15 | 哈尔滨工业大学 | 基于lte信号的高低楼层区分方法 |
CN109474887B (zh) * | 2018-12-05 | 2020-09-01 | 哈尔滨工业大学 | 基于lte信号的高低楼层区分方法 |
CN110231593A (zh) * | 2019-04-11 | 2019-09-13 | 深圳市城市交通规划设计研究中心有限公司 | 室内定位方法、装置、计算机可读存储介质及终端设备 |
CN114514759A (zh) * | 2019-10-04 | 2022-05-17 | 三星电子株式会社 | 经由无监督域自适应的基于WiFi的室内定位的***和方法 |
CN111031477A (zh) * | 2019-12-25 | 2020-04-17 | 中山大学 | 一种基于深度学习的毫米波室内定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107896362A (zh) | 一种基于深度学习的wifi位置指纹定位方法及*** | |
CN108282263B (zh) | 基于一维深度残差轻量网络的编码调制联合识别方法 | |
CN103295198B (zh) | 基于冗余字典和结构稀疏的非凸压缩感知图像重构方法 | |
CN108510067A (zh) | 基于工程化实现的卷积神经网络量化方法 | |
CN107743103A (zh) | 基于深度学习的mmtc***的多节点接入检测和信道估计方法 | |
CN109272107A (zh) | 一种改进深层卷积神经网络的参数个数的方法 | |
KR102190103B1 (ko) | 인공 신경망의 상용화 서비스 제공 방법 | |
CN114943345B (zh) | 基于主动学习和模型压缩的联邦学习全局模型训练方法 | |
CN109361404A (zh) | 一种基于半监督深度学习网络的ldpc译码***及译码方法 | |
Yin et al. | Deep CSI compression for massive MIMO: A self-information model-driven neural network | |
CN105846925B (zh) | 一种三维mimo ota信道建模的方法及装置 | |
CN108022589A (zh) | 目标域分类器训练方法、样本识别方法、终端及存储介质 | |
CN111861924B (zh) | 一种基于进化gan的心脏磁共振图像数据增强方法 | |
CN107705359A (zh) | 获取无线信道模型的方法和装置 | |
Klus et al. | Transfer learning for convolutional indoor positioning systems | |
CN109728824A (zh) | 一种基于深度学习的ldpc码迭代译码方法 | |
CN112468203A (zh) | 深度迭代神经网络用低秩csi反馈方法、存储介质及设备 | |
CN110222816B (zh) | 深度学习模型的建立方法、图像处理方法及装置 | |
Chaves-Villota et al. | DeepREM: Deep-Learning-Based Radio Environment Map Estimation from Sparse Measurements | |
CN109800815A (zh) | 基于随机森林模型的训练方法、小麦识别方法和训练*** | |
CN110060314A (zh) | 一种基于人工智能的ct迭代重建加速方法及*** | |
CN112101438A (zh) | 一种左右眼分类方法、装置、服务器和存储介质 | |
CN105528623B (zh) | 一种基于地物类别分类冗余字典的成像光谱图像稀疏表示方法 | |
CN115620831A (zh) | 一种循环迭代优化生成序列突变适应度的方法及相关装置 | |
WO2022128755A1 (en) | Channel estimation using machine learning |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180410 |
|
RJ01 | Rejection of invention patent application after publication |