CN113766669B - 一种基于深度学习网络的大规模随机接入方法 - Google Patents
一种基于深度学习网络的大规模随机接入方法 Download PDFInfo
- Publication number
- CN113766669B CN113766669B CN202111323583.8A CN202111323583A CN113766669B CN 113766669 B CN113766669 B CN 113766669B CN 202111323583 A CN202111323583 A CN 202111323583A CN 113766669 B CN113766669 B CN 113766669B
- Authority
- CN
- China
- Prior art keywords
- neural network
- user
- matrix
- random access
- algorithm
- 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 22
- 238000013135 deep learning Methods 0.000 title claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 84
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 32
- 230000005540 biological transmission Effects 0.000 claims description 26
- 239000000126 substance Substances 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 101150012763 endA gene Proteins 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W74/00—Wireless channel access
- H04W74/08—Non-scheduled access, e.g. ALOHA
- H04W74/0833—Random access procedures, e.g. with 4-step access
-
- 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
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
Description
技术领域
本发明涉及深度学习网络,特别是涉及一种基于深度学习网络的大规模随机接入方法。
背景技术
随着通信技术的高速发展,基站在社会生活中的应用越来越广泛,基站常常需要接入大量用户,并支持大量用户的上行传输;此时用户的接入方法非常重要。
传统的接入策略和数据传输策略是独立的,分为两步:首先对活跃用户进行检测,然后对已检测的活跃用户进行信道估计及数据检测。这种分立式策略需要用户在数据发送前,通过导频完成活跃度检测和信道估计,会产生巨大的时间延迟和性能开销。因此,这种传统通信模式很难再满足大规模场景下高能量效率和低通信延迟的通信需求。另外,传统的接入算法往往需要知道信道的统计特性以及用户活跃特征,这在实际情况中是很难实现的。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于深度学习网络的大规模随机接入方法,提出了低复杂度的解码方案,有效提升通信性能。
本发明的目的是通过以下技术方案来实现的:一种基于深度学习网络的大规模随机接入方法,包括以下步骤:
S1.构建基于大规模随机接入的***模型;
S3.进行神经网络训练和参数更新;
S4. 根据训练更新后的神经网络对用户发射信号进行检测,从而判断用户是否成功接入。
进一步地,所述步骤S1包括以下子步骤:
S101.对于包含个单天线用户和一个接收端的通信***,每个用户随机接入接收端,即在每个发射时隙都会以一定概率向接收端发射信息,其中,接收端配有根天线;用随机变量来形容用户的活跃特性,在每一个时隙,满足:
S102.各个用户采用基于自由接入的随机接入方案;在传输之前每一个用户预先分配了一个专用的导频序列,其中为导频长度,符号代表长度为的复数序列集合;每个导频的元素由独立同分布的高斯分布得到,即 ,其中符号代表均值为0,方差为的复高斯分布,代表维度为的单位矩阵;所有用户的导频序列都储存在接收端中;
进一步地,所述步骤S2包括以下子步骤:
S204. 得到后验概率之后,通过最大化后验概率的方法,对用户发射信息进行检测,即,
进一步地,所述步骤S3包括以下子步骤:
所述步骤S3包括以下子步骤:
首先,为训练神经网络设计损失函数,损失函数包括三个方面:
本发明的有益效果是:本发明提供的大规模随机接入方案中,提出了低复杂度的解码算法,有效提升通信性能。具体而言,基于神经网络的检测算法与传统的算法相比,无需信道的先验统计特性,能够大大降低***的损耗,更加适用于实际的通信***。另外,所提出算法将比传统算法更加具有鲁棒性,即当***先验知识不完备时,该算法将提供更好的性能,如更低的误码率。
附图说明
图1为大规模随机接入信道的示意图;
图2为本发明的方法流程图;
图3为基于多层结构神经网络算法示意图;
图4为去噪器的设计原理示意图;
图5为实施例中用户数量分别为(4,8,28), 稀疏度分别为(0.2,0.1,0.2)时的算法比较示意图;
图6为实施例中用户数量为(8,20,12),稀疏度为(0.1,0.2,0.3)的算法比较示意图;
图7为实施例中用户数量分别为(4,8,28), 稀疏度分别为(0.1,0.2,0.3)的算法比较示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,针对5G通信中大规模随机接入问题,本发明设计了一种基于深度学习网络的随机接入算法。考虑一个大规模随机接入信道如图1所示,基站需要同时支持大量用户的上行传输。在一个传输时刻,只有少量的用户处于活跃状态,向基站传输信息,而其他用户处于休眠状态。基站需要同时对用户的活跃状态和活跃用户的发射数据进行检测,如图2所示,具体的方法包括以下步骤:
S1.构建基于大规模随机接入的***模型:
S101.对于个单天线用户和一个接收端的通信***,每个用户随机接入接收端,即在每个发射时隙都会以一定概率向接收端发射信息,其中,接收端配有根天线;用随机变量来形容用户n的活跃特性,在每一个时隙,满足:
S102. 各个用户采用基于自由接入的随机接入方案;在传输之前每一个用户预先分配了一个专用的导频序列,其中为导频长度,符号代表长度为的复数序列集合;每个导频的元素由独立同分布的高斯分布得到,即 ,其中符号代表均值为0,方差为的复高斯分布,代表维度为的单位矩阵;所有用户的导频序列都储存在接收端中;
其中为高斯噪声,每个元素满足独立同分布均值为零,方差为的高斯分布;代表用户n到接收端的信道参数,为表示长度为M的复数序列集合,并且在接收端是未知的,设为用户n的发射信号;其中发射信号是由以下码本产生:
所述步骤S2包括:
S204. 得到后验概率之后,我们通过最大化后验概率的方法,对用户发射信息进行检测,即,
步骤S2介绍了神经网络算法的具体步骤,然而神经网络的参数需要经过训练之后才能使用。为此,我们在S3中详细介绍了如何训练神经网络和更新参数。
所述步骤S3包括以下子步骤:
首先,为训练神经网络设计损失函数,损失函数包括三个方面:
S4. 根据训练更新后的神经网络对用户发射信号进行检测,从而判断用户是否成功接入;判断是否成功接入时,按照步骤S201~S205中的步骤进行即可。
在本申请的实施例中,给出一些仿真结果,来验证提出的随机接入方式的可行性。实验参数选择为:用户数量N=40,序列长度K=30。考虑了三种不同的传输速率:组1中的用户的码本为,组2中的用户的码本为,组3 中的用户的码本为。信道满足莱斯分布,即。每个用户的信道参数都是由K-factor莱斯分布随机产生的。我们将所提出的算法与传统的基于消息传递算法进行比较,并且设置参数来衡量对于信道分布的估计误差,即。神经网络的参数设计为:,。训练样本数为。
在图5的实验中,我们设置用户组1,2,3的用户数量分别为(4,8,28), 稀疏度分别为(0.2,0.1,0.2)。如图5所示,我们提出的算法相比传统的消息传递算法具有更强的鲁棒性。当对与信道分布估计有误差时,我们提出的神经网络算法具有更好的性能。在图6中,我们改变了用户组的用户数量为(8,20,12),稀疏度变为了(0.1,0.2,0.3)。如图6所示,我们所提出的算法的性能依旧比消息传递算法在鲁棒性上拥有更好的性能。
在图7中,我们研究了天线数量对于性能的影响。我们设置用户组1,2,3的用户数量分别为(12,20,8), 稀疏度分别为(0.1,0.2,0.1)。如图7所示,随着天线数量的增加,我们提出的算法的误码率随之下降,并且相比传统的消息传递算法具有更好的鲁棒性。
以上所述是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应该看作是对其他实施例的排除,而可用于其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (2)
1.一种基于深度学习网络的大规模随机接入方法,其特征在于:包括以下步骤:
S1.构建基于大规模随机接入的***模型;
S3.进行神经网络训练和参数更新;
S4. 根据训练更新后的神经网络对用户发射信号进行检测,从而判断用户是否成功接入;
所述步骤S1包括以下子步骤:
S101.对于包含个单天线用户和一个接收端的通信***,每个用户随机接入接收端,即在每个发射时隙都会以一定概率向接收端发射信息,其中,接收端配有根天线;用随机变量来形容用户的活跃特性,在每一个时隙,满足:;
S102.各个用户采用基于自由接入的随机接入方案;在传输之前每一个用户预先分配了一个专用的导频序列,其中为导频长度,符号代表长度为的复数序列集合;每个导频的元素由独立同分布的高斯分布得到,即,其中符号代表均值为0,方差为的复高斯分布,代表维度为的单位矩阵;所有用户的导频序列都储存在接收端中;
其中为高斯噪声,每个元素满足独立同分布均值为零, 方差为的高斯分布;代表用户n到接收端的信道参数,为表示长度为的复数序列集合,并且在接收端是未知的,设为用户n的发射信号;其中发射信号是由以下码本产生:
所述步骤S2包括以下子步骤:
S204. 得到后验概率之后,通过最大化后验概率的方法,对用户发射信息进行检测,即,
2.根据权利要求1所述的一种基于深度学习网络的大规模随机接入方法,其特征在于:所述步骤S3包括以下子步骤:
首先,为训练神经网络设计损失函数,损失函数包括三个方面:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111323583.8A CN113766669B (zh) | 2021-11-10 | 2021-11-10 | 一种基于深度学习网络的大规模随机接入方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111323583.8A CN113766669B (zh) | 2021-11-10 | 2021-11-10 | 一种基于深度学习网络的大规模随机接入方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113766669A CN113766669A (zh) | 2021-12-07 |
CN113766669B true CN113766669B (zh) | 2021-12-31 |
Family
ID=78784916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111323583.8A Active CN113766669B (zh) | 2021-11-10 | 2021-11-10 | 一种基于深度学习网络的大规模随机接入方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113766669B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107743103A (zh) * | 2017-10-26 | 2018-02-27 | 北京交通大学 | 基于深度学习的mmtc***的多节点接入检测和信道估计方法 |
CN107820321A (zh) * | 2017-10-31 | 2018-03-20 | 北京邮电大学 | 一种基于蜂窝网络的窄带物联网中大规模用户智能接入算法 |
CN108882301A (zh) * | 2018-07-25 | 2018-11-23 | 西安交通大学 | 大规模m2m网络中基于最优功率退避的非正交随机接入方法 |
CN109862567A (zh) * | 2019-03-28 | 2019-06-07 | 电子科技大学 | 一种蜂窝移动通信***接入非授权频谱的方法 |
CN111182649A (zh) * | 2020-01-03 | 2020-05-19 | 浙江工业大学 | 一种基于大规模mimo的随机接入方法 |
CN111224905A (zh) * | 2019-12-25 | 2020-06-02 | 西安交通大学 | 一种大规模物联网中基于卷积残差网络的多用户检测方法 |
CN111343730A (zh) * | 2020-04-15 | 2020-06-26 | 上海交通大学 | 一种空间相关信道下的大规模mimo无源随机接入方法 |
CN111641570A (zh) * | 2020-04-17 | 2020-09-08 | 浙江大学 | 一种基于深度学习的联合设备检测和信道估计方法 |
CN111683023A (zh) * | 2020-04-17 | 2020-09-18 | 浙江大学 | 一种模型驱动的基于深度学习的大规模设备检测方法 |
CN112188539A (zh) * | 2020-10-10 | 2021-01-05 | 南京理工大学 | 一种基于深度强化学习的干扰抵消调度码设计方法 |
CN112492686A (zh) * | 2020-11-13 | 2021-03-12 | 辽宁工程技术大学 | 一种基于深度双q网络的蜂窝网络功率分配方法 |
CN112910806A (zh) * | 2021-01-19 | 2021-06-04 | 北京理工大学 | 基于深度神经网络的联合信道估计及用户激活检测方法 |
CN113303022A (zh) * | 2019-01-10 | 2021-08-24 | 苹果公司 | 2步rach的回退过程 |
CN113344212A (zh) * | 2021-05-14 | 2021-09-03 | 香港中文大学(深圳) | 模型训练方法、装置、计算机设备及可读存储介质 |
CN113438746A (zh) * | 2021-08-27 | 2021-09-24 | 香港中文大学(深圳) | 一种基于能量调制的大规模随机接入方法 |
CN113573284A (zh) * | 2021-06-21 | 2021-10-29 | 吉林大学 | 大规模机器类通信基于机器学习的随机接入退避方法 |
US11164348B1 (en) * | 2020-06-29 | 2021-11-02 | Tsinghua University | Systems and methods for general-purpose temporal graph computing |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11188035B2 (en) * | 2018-07-19 | 2021-11-30 | International Business Machines Corporation | Continuous control of attention for a deep learning network |
US11874897B2 (en) * | 2020-04-09 | 2024-01-16 | Micron Technology, Inc. | Integrated circuit device with deep learning accelerator and random access memory |
-
2021
- 2021-11-10 CN CN202111323583.8A patent/CN113766669B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107743103A (zh) * | 2017-10-26 | 2018-02-27 | 北京交通大学 | 基于深度学习的mmtc***的多节点接入检测和信道估计方法 |
CN107820321A (zh) * | 2017-10-31 | 2018-03-20 | 北京邮电大学 | 一种基于蜂窝网络的窄带物联网中大规模用户智能接入算法 |
CN108882301A (zh) * | 2018-07-25 | 2018-11-23 | 西安交通大学 | 大规模m2m网络中基于最优功率退避的非正交随机接入方法 |
CN113303022A (zh) * | 2019-01-10 | 2021-08-24 | 苹果公司 | 2步rach的回退过程 |
CN109862567A (zh) * | 2019-03-28 | 2019-06-07 | 电子科技大学 | 一种蜂窝移动通信***接入非授权频谱的方法 |
CN111224905A (zh) * | 2019-12-25 | 2020-06-02 | 西安交通大学 | 一种大规模物联网中基于卷积残差网络的多用户检测方法 |
CN111182649A (zh) * | 2020-01-03 | 2020-05-19 | 浙江工业大学 | 一种基于大规模mimo的随机接入方法 |
CN111343730A (zh) * | 2020-04-15 | 2020-06-26 | 上海交通大学 | 一种空间相关信道下的大规模mimo无源随机接入方法 |
CN111641570A (zh) * | 2020-04-17 | 2020-09-08 | 浙江大学 | 一种基于深度学习的联合设备检测和信道估计方法 |
CN111683023A (zh) * | 2020-04-17 | 2020-09-18 | 浙江大学 | 一种模型驱动的基于深度学习的大规模设备检测方法 |
US11164348B1 (en) * | 2020-06-29 | 2021-11-02 | Tsinghua University | Systems and methods for general-purpose temporal graph computing |
CN112188539A (zh) * | 2020-10-10 | 2021-01-05 | 南京理工大学 | 一种基于深度强化学习的干扰抵消调度码设计方法 |
CN112492686A (zh) * | 2020-11-13 | 2021-03-12 | 辽宁工程技术大学 | 一种基于深度双q网络的蜂窝网络功率分配方法 |
CN112910806A (zh) * | 2021-01-19 | 2021-06-04 | 北京理工大学 | 基于深度神经网络的联合信道估计及用户激活检测方法 |
CN113344212A (zh) * | 2021-05-14 | 2021-09-03 | 香港中文大学(深圳) | 模型训练方法、装置、计算机设备及可读存储介质 |
CN113573284A (zh) * | 2021-06-21 | 2021-10-29 | 吉林大学 | 大规模机器类通信基于机器学习的随机接入退避方法 |
CN113438746A (zh) * | 2021-08-27 | 2021-09-24 | 香港中文大学(深圳) | 一种基于能量调制的大规模随机接入方法 |
Non-Patent Citations (5)
Title |
---|
R3-206092 "Initial Analyse on the Interface Impact with AI-based RAN Architecture";ZTE Corporation等;《3GPP tsg_ran\wg3_iu》;20201023;全文 * |
R3-206403 "Use cases, AI/ML algorithms, and general concepts";Intel Corporation;《3GPP tsg_ran\wg3_iu》;20201022;全文 * |
去蜂窝大规模MIMO***研究进展与发展趋势;章嘉懿;《重庆邮电大学学报(自然科学版)》;20190615(第03期);全文 * |
智简6G无线接入网:架构、技术和展望;彭木根等;《北京邮电大学学报》;20201120(第03期);全文 * |
面向5G/B5G通信的智能无线资源管理技术;史清江等;《中国科学基金》;20200425(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113766669A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ye et al. | Power of deep learning for channel estimation and signal detection in OFDM systems | |
CN111224906B (zh) | 基于深度神经网络的近似消息传递大规模mimo信号检测算法 | |
CN109246038B (zh) | 一种数据模型双驱动的gfdm接收机及方法 | |
CN111698182A (zh) | 一种基于压缩感知的时频分块稀疏的信道估计方法 | |
CN102104574B (zh) | 一种ofdm-tdcs信号收发方法、装置及*** | |
CN111740934A (zh) | 一种基于深度学习的水声fbmc通信信号检测方法 | |
CN110430013B (zh) | 一种基于深度学习的rcm方法 | |
CN113438746B (zh) | 一种基于能量调制的大规模随机接入方法 | |
CN110233628B (zh) | 极化码的自适应置信传播列表译码方法 | |
CN110572340A (zh) | 一种用于短波通信的Turbo时域均衡方法 | |
Essai Ali | Deep learning‐based pilot‐assisted channel state estimator for OFDM systems | |
CN112215335A (zh) | 一种基于深度学习的***检测方法 | |
CN114500322B (zh) | 免授权大规模接入场景下设备活跃检测和信道估计方法 | |
CN113766669B (zh) | 一种基于深度学习网络的大规模随机接入方法 | |
CN102882654A (zh) | 一种基于编码约束及概率计算的编解码同步方法 | |
Yuan et al. | Channel estimation and pilot design for uplink sparse code multiple access system based on complex-valued sparse autoencoder | |
CN115412416A (zh) | 一种面向高速移动场景的低复杂度otfs信号检测方法 | |
Wang et al. | A Signal processing method of OFDM communication receiver based on CNN | |
Sakoda et al. | Residue Effect of Parallel Interference Canceller in Belief Propagation Decoding in Massive MIMO Systems | |
Setzler et al. | Deep Learning for Spectral Filling in Radio Frequency Applications | |
CN110912651A (zh) | 一种ftn索引调制信号检测方法 | |
Lin et al. | Low‐complexity multiple‐signal joint decoding for overlapped x domain multiplexing signalling | |
Li et al. | Notice of Violation of IEEE Publication Principles: Channel Decoding Based on Complex-valued Convolutional Neural Networks | |
Duan et al. | A model‐driven robust deep learning wireless transceiver | |
Li et al. | Intelligent equalization based on RBF LSSVM and adaptive channel decoding in faster-than-nyquist receiver |
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 |