CN113411109A - 一种基于电力巡检通信***的混合预编码方法 - Google Patents
一种基于电力巡检通信***的混合预编码方法 Download PDFInfo
- Publication number
- CN113411109A CN113411109A CN202110517782.6A CN202110517782A CN113411109A CN 113411109 A CN113411109 A CN 113411109A CN 202110517782 A CN202110517782 A CN 202110517782A CN 113411109 A CN113411109 A CN 113411109A
- Authority
- CN
- China
- Prior art keywords
- layer
- precoding method
- analog
- hybrid precoding
- convolutional neural
- 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
- 238000004891 communication Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000007689 inspection Methods 0.000 title claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000013139 quantization Methods 0.000 claims abstract description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/06—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station
- H04B7/0613—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission
- H04B7/0615—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal
- H04B7/0617—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the transmitting station using simultaneous transmission of weighted versions of same signal for beam forming
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/08—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station
- H04B7/0837—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas at the receiving station using pre-detection combining
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radio Transmission System (AREA)
Abstract
本发明涉及一种基于电力巡检通信***的混合预编码方法,电力巡检通信***采用窄带毫米波大规模多输入多输出***,电力巡检通信***包括位于无人机的发射端和无线网络的接收端,发射端设有混合预编码器,接收端设有波束合并器,模拟预编码器均设有射频链和均匀平面天线阵列,射频链与均匀平面天线阵列的天线部分连接,且连接处的移相器采用一位移相器,对应的移相器的量化精度为1比特。与现有技术相比,本发明具有降低功耗、提高无人机通信的能效、降低优化迭代算法的复杂度等优点。
Description
技术领域
本发明涉及电力巡检技术领域,尤其是涉及一种基于电力巡检通信***的混合预编码方法。
背景技术
目前无人机通信场景下已经提出了一些针对能效优化的混合预编码方法,以降低功率消耗。有的研究UAV协助的大规模MIMO混合预编码方案,在满足用户速率需求的同时提出轨迹优化和功率分配方法,虽然实现较高能量效率但计算过于复杂;现有技术中提出针对UAV下行通信链路的基于透镜天线阵列的混合预编码架构,利用交叉熵优化求解最优预编码矩阵,获得了较高的能量效率,但需要在模拟域部署自适应选择网络,实现复杂度较高;也有现有技术将无人机发送端和接收端联合预编码设计的多元联合优化问题分解为对子问题的优化求解,可实现较高的能量效率和频谱效率,但由于计算复杂度太高,难以实现;同时有研究提出基于最大化SLNR准则的预编码技术虽然能够在性能和复杂度之间取得较好地折衷,但对信道要求较高,需要准确掌握信道状态信息才能完成。
现有无人机通信场景下混合预编码方案大多采用贪婪算法作为优化解决方案,缺点是计算复杂度高,同时基于高精度移相器的全连接架构,如此的硬件体系架构必然存在高耗能问题,难以直接应用到电力线巡检无人机通信场景中。
发明内容
本发明的目的就是为了克服上述现有技术存在能量消耗高、复杂度高的缺陷而提供一种基于电力巡检通信***的混合预编码方法。
本发明的目的可以通过以下技术方案来实现:
一种基于电力巡检通信***的混合预编码方法,所述电力巡检通信***采用窄带毫米波大规模多输入多输出***,所述电力巡检通信***包括位于无人机的发射端和无线网络的接收端,所述发射端设有混合预编码器,所述接收端设有波束合并器,所述模拟预编码器均设有射频链和均匀平面天线阵列,所述射频链与均匀平面天线阵列的天线部分连接,且连接处的移相器采用一位移相器,对应的移相器的量化精度为1比特,功耗为5mW。
所述无人机具体为5G巡检无人机。
所述发射端的移相器和均匀平面天线阵列组成模拟预编码器,所述接收端的移相器和均匀平面天线阵列组成模拟合并器。
进一步地,所述发射端的射频链一端与模拟预编码器部分连接,另一端连接到基带预编码器。
进一步地,所述接收端的射频链一端与模拟合并器部分连接,另一端连接到基带合并器。
所述模拟预编码器和模拟合并器通过信道矩阵进行数据传输,所述混合预编码方法采用卷积神经网络框架对模拟预编码器和模拟合并器进行优化,提供从信道矩阵到波束合并器之间的非线性映射。
进一步地,所述卷积神经网络框架的输入为所述信道矩阵,输出为模拟预编码器和模拟合并器的权重。
进一步地,所述卷积神经网络框架的输入包括三个通道,所述三个通道分别对应信道矩阵逐元素模值、信道矩阵元素的实部和虚部。
所述卷积神经网络框架包括两个卷积神经网络,每个所述卷积神经网络的层数均为10层。
进一步地,所述卷积神经网络的第一层为输入层,第二层和第四层为卷积层,第三层和第五层为归一化层,归一化层在卷积层之后,对卷积层输出的数据进行归一化并提供更好的收敛性,第六层和第八层是完全连接层,第七层和第九层是丢失层,第十层为输出层。
所述卷积神经网络通过随机梯度下降算法进行训练,损失函数为交叉熵函数,训练中生成的数据分为训练数据集和测试数据集,验证数据在蒙特卡洛试验的仿真中测试网络的性能,且所述测试数据集中设置有合成噪声,防止训练数据集和测试数据集存在相似性。
与现有技术相比,本发明具有以下有益效果:
1.本发明采用的一位移相器消耗的能量非常低(5mW),因此基于一位移相器的混合预编码能耗明显低于基于高精度移相器(40mW)的混合预编码的能耗;同时采用部分连接的混合预编码架构,每个天线仅连接到部分天线阵列,大大减少了射频链的数量,进一步节省了能量消耗;此外,与基于开关和逆变器的混合预编码相比,基于一位移相器的混合预编码可以利用所有天线来实现所需的阵列增益。
2.本发明结合深度学习技术采用卷积神经网络来对混合波束赋形器进行实时选择,在神经网络训练完成之后,只需要提供信道数据便可以很快地给出对应的混合预编码器,无需再通过复杂的迭代计算,相对于传统基于优化或者贪婪算法对混合预编码器的计算与选择,大大减少了计算复杂度和计算时间。
3.本发明提供了在5G巡检无人机通信场景下的毫米波大规模多输入多输出***的混合预编码设计,可进一步推广到其他应用场景,适用范围广,实用性强。
附图说明
图1为本发明的结构示意图;
图2为本发明卷积神经网络的结构示意图。
附图标记:
1-基带预编码器;2-基带合并器;3-射频链;4-模拟预编码器;5-模拟合并器;6-移相器;7-天线。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
随着智能电网的发展,传统人工巡检方式已经无法实现高压、特高压输电线路的巡检工作。将体积小且可搭配各种检测设备的无人机应用在电力巡检中,可以提高线路巡检工作的效率和质量。同时无人机巡检对带宽的需求很高,通信技术是实现无人机输电线路巡检的关键。虽然4G网络能够满足现有的部分低速率、对时延不敏感的无人机应用,但是对于高速率、超低时延无人机应用存在挑战。5G技术提供的大带宽、高可靠、低时延通信能够很好地满足无人机巡检的应用需求。
然而受无人机电池容量和现有无线通信能力的限制,其巡检作业时间和通信时间受到明显限制。为有效解决以上问题,提高无人机巡检的应用效果,在巡检无人机利用5G进行实时传输的同时,需要提高其通信子***的能效,即通过降低通信功耗来提高无人机巡检的作业时间。
如图1所示,一种基于电力巡检通信***的混合预编码方法,电力巡检通信***采用窄带毫米波大规模多输入多输出***,电力巡检通信***包括位于无人机的发射端和无线网络的接收端,发射端设有混合预编码器,接收端设有波束合并器,模拟预编码器均设有射频链3和均匀平面天线阵列,射频链3与均匀平面天线阵列的天线7部分连接,且连接处的移相器6采用一位移相器,对应的移相器6的量化精度为1比特,功耗为5mW,降低功耗,提高无人机通信的能效。
无人机具体为5G巡检无人机,配备N根天线的均匀平面天线阵列,无线网络的接入节点配备M根天线的均匀平面天线阵列,每个射频链3仅被连接到N/M个天线阵列。
发射端的移相器6和均匀平面天线阵列组成模拟预编码器4,接收端的移相器6和均匀平面天线阵列组成模拟合并器5。
发射端的射频链3一端与模拟预编码器4部分连接,另一端连接到基带预编码器1。
接收端的射频链3一端与模拟合并器5部分连接,另一端连接到基带合并器2。
本实施例中,数据流经过基带预编码器1和模拟预编码器4处理后发送到无线网络的接入节点,再经模拟合并器5和基带合并器2处理后输出。
模拟预编码器4和模拟合并器5通过信道矩阵进行数据传输,混合预编码方法采用卷积神经网络框架对模拟预编码器4和模拟合并器5进行优化,提供从信道矩阵到波束合并器之间的非线性映射。
卷积神经网络框架的输入为信道矩阵,输出为模拟预编码器4和模拟合并器5的权重。
卷积神经网络框架的输入包括三个通道,三个通道分别对应信道矩阵逐元素模值、信道矩阵元素的实部和虚部。
卷积神经网络框架包括两个卷积神经网络,每个卷积神经网络的层数均为10层。
如图2所示,卷积神经网络的第一层为输入层,接受大小为N*M*3的信道矩阵数据,包括3个通道,每个通道大小为N*M,第二层和第四层为卷积层,具有64个大小为2*2的滤波器,第三层和第五层为归一化层,归一化层在卷积层之后,对卷积层输出的数据进行归一化并提供更好的收敛性,第六层和第八层是具有1024个单元的完全连接层,第七层和第九层是丢失层,本实施例中,丢失率为50%,第十层为输出层,模拟预编码器4对应的卷积神经网络的输出层的数据中包括模拟预编码器的相位信息。
卷积神经网络通过随机梯度下降算法进行训练,本实施例中,随机梯度下降算法的动量为0.9,损失函数为交叉熵函数,并以100个时间段的学习0.005和500个样本的最小批量大小更新网络参数,训练中生成的数据根据70%和30%分为训练数据集和测试数据集,验证数据在蒙特卡洛试验的仿真中测试网络的性能,且测试数据集中设置有合成噪声,防止训练数据集和测试数据集存在相似性。
传统无人机通信场景下混合预编码方案大多采用贪婪算法作为优化解决方案,缺点是计算复杂度高,同时基于高精度移相器的全连接架构,如此的硬件体系架构必然存在高耗能问题,难以直接应用到电力线巡检无人机通信场景中;本发明采用更适合无人机通信场景的节能混合预编码方案,具有更高能效增加无人机飞行时间的同时,算法与深度学习技术相结合,采用神经网络技术,具有更低的计算复杂度和更少的计算时间。
此外,需要说明的是,本说明书中所描述的具体实施例,所取名称可以不同,本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化,均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (10)
1.一种基于电力巡检通信***的混合预编码方法,其特征在于,所述电力巡检通信***包括位于无人机的发射端和无线网络的接收端,所述发射端设有混合预编码器,所述接收端设有波束合并器,所述模拟预编码器均设有射频链(3)和均匀平面天线阵列,所述射频链(3)与均匀平面天线阵列的天线(7)部分连接,且连接处的移相器(6)采用一位移相器,对应的移相器(6)的量化精度为1比特。
2.根据权利要求1所述的一种基于电力巡检通信***的混合预编码方法,其特征在于,所述发射端的移相器(6)和均匀平面天线阵列组成模拟预编码器(4),所述接收端的移相器(6)和均匀平面天线阵列组成模拟合并器(5)。
3.根据权利要求2所述的一种基于电力巡检通信***的混合预编码方法,其特征在于,所述发射端的射频链(3)一端与模拟预编码器(4)部分连接,另一端连接到基带预编码器(1)。
4.根据权利要求2所述的一种基于电力巡检通信***的混合预编码方法,其特征在于,所述接收端的射频链(3)一端与模拟合并器(5)部分连接,另一端连接到基带合并器(2)。
5.根据权利要求2所述的一种基于电力巡检通信***的混合预编码方法,其特征在于,所述模拟预编码器(4)和模拟合并器(5)通过信道矩阵进行数据传输,所述混合预编码方法采用卷积神经网络框架对模拟预编码器(4)和模拟合并器(5)进行优化。
6.根据权利要求5所述的一种基于电力巡检通信***的混合预编码方法,其特征在于,所述卷积神经网络框架的输入为所述信道矩阵,输出为模拟预编码器(4)和模拟合并器(5)的权重。
7.根据权利要求6所述的一种基于电力巡检通信***的混合预编码方法,其特征在于,所述卷积神经网络框架的输入包括三个通道,所述三个通道分别对应信道矩阵逐元素模值、信道矩阵元素的实部和虚部。
8.根据权利要求5所述的一种基于电力巡检通信***的混合预编码方法,其特征在于,所述卷积神经网络框架包括两个卷积神经网络,每个所述卷积神经网络的层数均为10层。
9.根据权利要求8所述的一种基于电力巡检通信***的混合预编码方法,其特征在于,所述卷积神经网络的第一层为输入层,第二层和第四层为卷积层,第三层和第五层为归一化层,第六层和第八层是完全连接层,第七层和第九层是丢失层,第十层为输出层。
10.根据权利要求5所述的一种基于电力巡检通信***的混合预编码方法,其特征在于,所述卷积神经网络通过随机梯度下降算法进行训练,损失函数为交叉熵函数,训练中生成的数据分为训练数据集和测试数据集,且所述测试数据集中设置有合成噪声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110517782.6A CN113411109A (zh) | 2021-05-12 | 2021-05-12 | 一种基于电力巡检通信***的混合预编码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110517782.6A CN113411109A (zh) | 2021-05-12 | 2021-05-12 | 一种基于电力巡检通信***的混合预编码方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113411109A true CN113411109A (zh) | 2021-09-17 |
Family
ID=77678425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110517782.6A Pending CN113411109A (zh) | 2021-05-12 | 2021-05-12 | 一种基于电力巡检通信***的混合预编码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113411109A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114095065A (zh) * | 2021-09-23 | 2022-02-25 | 上海电机学院 | 一种基于深度学习的无人机智能巡检混合波束赋形方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015149312A1 (zh) * | 2014-04-02 | 2015-10-08 | 华为技术有限公司 | 一种基于波束成形的通信方法及装置 |
CN106253956A (zh) * | 2016-08-24 | 2016-12-21 | 东南大学 | 基于码本的模数混合预编码方法 |
CN110661555A (zh) * | 2019-10-14 | 2020-01-07 | 复旦大学 | 用于大规模mimo的部分连接的移相器网络的混合预编码算法 |
CN112448742A (zh) * | 2020-09-28 | 2021-03-05 | 上海电机学院 | 一种非均匀量化下基于卷积神经网络的混合预编码方法 |
-
2021
- 2021-05-12 CN CN202110517782.6A patent/CN113411109A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015149312A1 (zh) * | 2014-04-02 | 2015-10-08 | 华为技术有限公司 | 一种基于波束成形的通信方法及装置 |
CN106253956A (zh) * | 2016-08-24 | 2016-12-21 | 东南大学 | 基于码本的模数混合预编码方法 |
CN110661555A (zh) * | 2019-10-14 | 2020-01-07 | 复旦大学 | 用于大规模mimo的部分连接的移相器网络的混合预编码算法 |
CN112448742A (zh) * | 2020-09-28 | 2021-03-05 | 上海电机学院 | 一种非均匀量化下基于卷积神经网络的混合预编码方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114095065A (zh) * | 2021-09-23 | 2022-02-25 | 上海电机学院 | 一种基于深度学习的无人机智能巡检混合波束赋形方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Hybrid precoding and combining design for millimeter-wave multi-user MIMO based on SVD | |
CN112290995B (zh) | 星地集成网络中基于安全能效的波束设计方法 | |
CN107171764B (zh) | 一种无线携能异构网络的安全传输方法及*** | |
CN110299937B (zh) | 一种上行mimo-noma无线通信***波束成形方法 | |
CN110011712B (zh) | 一种面向毫米波大规模多输入多输出的混合预编码方法 | |
Patil et al. | Hybrid compression and message-sharing strategy for the downlink cloud radio-access network | |
CN106604300B (zh) | 一种基于全双工和大规模天线技术的小小区基站自供能自回传方法 | |
CN114040478A (zh) | 低功耗的智能超表面硬件结构、预编码方法及装置 | |
Zhang et al. | Near-optimal design for hybrid beamforming in mmWave massive multi-user MIMO systems | |
CN110138427A (zh) | 基于部分连接的大规模多输入多输出混合波束赋形算法 | |
CN111726151A (zh) | 一种基于无线携能通信的资源分配方法与装置 | |
Hou et al. | Joint user scheduling and hybrid precoding design for MIMO C-RAN | |
CN113411109A (zh) | 一种基于电力巡检通信***的混合预编码方法 | |
CN109361434B (zh) | 基站协作传输的毫米波mimo混合预编码方法 | |
CN105072632B (zh) | 一种mimo分布式基站***中能量效率最优化的方法 | |
CN107659348B (zh) | 一种基于slnr和thp混合自适应预编码设计方法 | |
Xu et al. | Energy efficiency optimization for MIMO distributed antenna systems with pilot contamination | |
CN104821840B (zh) | 一种大规模多输入多输出下行***的抗干扰方法 | |
CN108683441B (zh) | 混合预编码中的多用户波束赋形方法 | |
Guo et al. | How to improve learning efficiency of GNN for precoding? | |
CN107733488B (zh) | 一种大规模mimo***中注水功率分配改进方法及*** | |
CN107104715B (zh) | 一种基于天线选择的干扰对齐方法 | |
CN114665925A (zh) | 一种智能反射面反向散射赋能的协同多点传输方法及*** | |
CN115065392A (zh) | 脏纸编码条件下实现miso下行总和速率最大化的波束形成设计方法 | |
Jiang et al. | Deep learning assisted hybrid precoding with dynamic subarrays in mmWave MU-MIMO system |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210917 |