CN113852433B - 一种基于计算机视觉的无线信道阴影衰落模型预测方法 - Google Patents
一种基于计算机视觉的无线信道阴影衰落模型预测方法 Download PDFInfo
- Publication number
- CN113852433B CN113852433B CN202110992945.6A CN202110992945A CN113852433B CN 113852433 B CN113852433 B CN 113852433B CN 202110992945 A CN202110992945 A CN 202110992945A CN 113852433 B CN113852433 B CN 113852433B
- Authority
- CN
- China
- Prior art keywords
- shadow fading
- training
- network
- standard deviation
- value
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3911—Fading models or fading generators
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Geometry (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
- Image Processing (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明公开一种基于计算机视觉的无线信道阴影衰落模型预测方法,通过CV中的卷积神经网络方法,对地图进行处理预测收发信机之间位置距离不变时地形和障碍物引入的阴影衰落变化。本发明并不将衰落信道的时频特性构建为图像进行处理。本发明也与即时定位与建图技术不同,不是去识别三维空间的结构,再去基于射线跟踪等方法生成快衰信道模型,而是基于CV中的卷积神经网络,选用计算机视觉组网络,处理灰度地形图,以ITU‑R P.1546信道模型或实测数据作为参照,训练后得出某类地形的图中一点处阴影衰落参数神经网络,直接预测该点的阴影衰落标准差,相当于在距离给定的情况下的实际路径损耗偏离均值的程度。
Description
技术领域
本发明涉及一种无线信道阴影衰落模型预测方法,特别是一种基于计算机视觉的无线信道阴影衰落模型预测方法。
背景技术
传统的方法是基于地形简单分类进行预测,得到的模型比较简化、精度有限。而更精细的电磁场建模,例如基于射线跟踪或射线发射的方法,在射线数量非常庞大的情况下,复杂度较高。相关研究有:M.M.Taygur,et al,"A Ray-Tracing Algorithm Based on theComputation of(Exact)Ray Paths With Bidirectional Ray-Tracing,"in IEEETransactions on Antennas and Propagation,vol.68,no.8,pp.6277-6286,Aug.2020;K.H.Ng,et al,"A New Heuristic Geometrical Approach for Finding Non-CoplanarMultiple Edge Diffraction Ray Paths,"in IEEE Transactions on Antennas andPropagation,vol.54,no.9,pp.2669-2672,Sept.2006。
传统人工神经网络即ANN用于预测规律,输入的是随时间或位置变化的一组数据,比如距离和信号强度的路径损耗,输出是一个路损或快衰的变化趋势,并没有直接考虑影响路径损耗的地形、障碍物等因素。这类研究有:Run-Fa Liao,et al,"The RayleighFading Channel Prediction via Deep Learning,"in Hindawi WirelessCommunications and Mobile Computing,2018;T.Ding,et al,"Fading ChannelPrediction Based on Combination of Complex-Valued Neural Networks and ChirpZ-Transform,"in IEEE Transactions on Neural Networks and Learning Systems,vol.25,no.9,pp.1686-1695,Sept.2014;W.Jiang,et al,"Neural Network-Based FadingChannel Prediction:A Comprehensive Overview,"in IEEE Access,vol.7,pp.118112-118124,2019。
已有的CV在通信有关的应用中,有时频谱的信号特征提取,用生成对抗网络将快衰信道的时频特性构建为图像生成统计特征相近的快衰信道,例如:Shirin Seyedsalehi,et al;Propagation Channel Modeling by Deep learning Techniques;arXiv:1908.06767v1[eess.SP]19Aug 2019。以及SLAM基于环境、物体识别和三维空间重构生成较精细的快衰模型,这些也都未用于研究复杂地形的阴影衰落模型预测,与我们技术目标和实施步骤不同。相关研究有:张建华,马占宇,贺文锐,张宇翔。利用三维视觉重建技术的信道建模方法和装置[P]。北京市:CN107705359B,2020-07-07。
发明内容
本发明目的在于提供一种基于计算机视觉的无线信道阴影衰落模型预测方法,解决当收发信机之间距离不变时不能利用CV估计地形和障碍物引入解决复杂地形的阴影衰落的问题。
一种基于计算机视觉的无线信道阴影衰落模型预测方法的具体步骤为:
第一步 确定待计算阴影衰落的地理位置和其他必要参数
将收发信机的一方固定,例如固定发射机,在距离发射机水平距离R的圆周上选择接收机的候选位置,即确定输入参数:包括:频率或波长、发射机的圆心位置和距离发射机距离R的圆周区域。
第二步 根据计算阴影衰落区域的起伏情况和频率确定候选收发信机位置采样点的间隔分布
确定候选的接收机位置间隔s,收发信机两点之间圆弧上的位置间隔s至少在1个波长以上,该间隔的选取原则是,所在的圆周区域的地形起伏越剧烈,间隔s的上限s_max越小即上限最小为1个波长。即,当沿着距离发射机为R的圆周采集所在位置的海拔高度值,得到一个海拔高度h随圆周上弧长x变化的函数h(x),将h(x)视为一个信号波形进行傅里叶变换得到其基带主要频率分量对应的带宽范围B,当1/(2B)大于一个波长时,设s_max为1/(2B),否则设s_max为1个波长。即,s值在1个波长和s_max之间选取,当希望减小计算量时,则间隔s尽量取得大一些,但这样会增大误差。例如h(x)是一个正弦函数,周期是100米,则带宽B是1/100,则1/(2B)=50米,当1个波长小于50米时,则设置间隔s的上限s_max为50米。
第三步 将用于训练集的各地形图及其对应的理论模型结果或实测数据,获得训练各训练地形图的阴影衰落参数,训练VGG网络
选择训练集地形图,基于电磁场理论模型或实测数据,得到从发射机到给定距离的圆周上各个候选接收机位置的路损,求得这些路损序列的均值和标准差,即阴影衰落标准差估值,以该均值和标准差作为标签,用大量训练集地形图对VGG网络进行训练,相当于识别的特征是圆周或圆弧周围地形的起伏情况,输出是阴影衰落标准差。即,设数据集高度地形图矩阵为Hk,k为数据集序号,lk,i为第k个地形图中第i个采样点的损耗值,I为一个样本中的采样点数量,则第k个地形图的损耗均值和标准差分别用公式(4)和公式(5)表示为:
设w为所有网络权值,F1w(H)为神经网络的损耗均值输出,F2w(H)为神经网络的损耗标准差输出,网络训练目标用公式(6)表示为:
公式(6)中,K为数据集总样本数,β为调节两变量误差性能差距的参数,两变量同样重要时,β=1,w*为收敛后网络权值。
与点对点路径地形到路径损耗的映射关系不同,本发明旨在用神经网络学习不同的映射关系即区域地形起伏特征到阴影衰落的小范围分布特性,同时优化目标也不同,目标为使得不同物理含义的变量预测标准差最小。
第四步 确定VGG网络的结构和参数(X、Y、Z)
首先初始化设置一套VGG网络结构和参数,然后按训练VGG网络训练,记录下误差,然后调整VGG网络结构和参数再按训练VGG网络训练,记录下误差,比较不同VGG网络结构和参数对误差的影响,调整直至误差和VGG网络结构复杂度取得较好的平衡。即,只优化X的值时,初始选择较大的X值,每次减小X的值,记录每次的误差性能,当误差大于某一门限时停止减小,并选择误差小于该门限的最小X值,对应满足误差性能的最简网络结构。同理取得Y和Z值。
第五步 通过设置预定频率间隔,利用已有VGG模型获得一系列特定频点的阴影衰落,进而推算出其他频点的阴影衰落
对于不同频点对阴影衰落的影响,先对给定的具有预定间隔的频率进行训练,得到相应的阴影衰落模型,然后通过在频域的基于多项式的内插或外推得到其他邻近频点对应的阴影衰落值。
至此,完成基于计算机视觉的无线信道阴影衰落模型预测。
本发明利用计算机视觉神经网络识别提取图形特征和构造复杂映射的两方面优势,经过训练后的神经网络可以在微型处理器支持的***上快速识别地形图,将不同地形图中地形地物起伏和分布的特点与阴影衰落标准差、相关距离等参数进行关联,当训练集足够充分的情况下,可以得出较为精确的参数预测结果,在精度和复杂度以及适应不同场景的变化上,取得了更好的平衡。而且随着在实际使用中获得更多的实际数据,该神经网络可以日益完善,性能随着使用更加优化。
具体实施方式
一种基于计算机视觉的无线信道阴影衰落模型预测方法的具体步骤为:
第一步 确定待计算阴影衰落的地理位置和其他必要参数
将收发信机的一方固定,例如固定发射机,在距离发射机水平距离R的圆周上选择接收机的候选位置,即确定输入参数:包括:频率或波长、发射机的圆心位置和距离发射机距离R的圆周区域。
第二步 根据计算阴影衰落区域的起伏情况和频率确定候选收发信机位置采样点的间隔分布
确定候选的接收机位置间隔s,收发信机两点之间圆弧上的位置间隔s至少在1个波长以上,该间隔的选取原则是,所在的圆周区域的地形起伏越剧烈,间隔s的上限s_max越小即上限最小为1个波长。即,当沿着距离发射机为R的圆周采集所在位置的海拔高度值,得到一个海拔高度h随圆周上弧长x变化的函数h(x),将h(x)视为一个信号波形进行傅里叶变换得到其基带主要频率分量对应的带宽范围B,当1/(2B)大于一个波长时,设s_max为1/(2B),否则设s_max为1个波长。即,s值在1个波长和s_max之间选取,当希望减小计算量时,则间隔s尽量取得大一些,但这样会增大误差。例如h(x)是一个正弦函数,周期是100米,则带宽B是1/100,则1/(2B)=50米,当1个波长小于50米时,则设置间隔s的上限s_max为50米。
第三步 将用于训练集的各地形图及其对应的理论模型结果或实测数据,获得训练各训练地形图的阴影衰落参数,训练VGG网络
选择训练集地形图,基于电磁场理论模型或实测数据,得到从发射机到给定距离的圆周上各个候选接收机位置的路损,求得这些路损序列的均值和标准差,即阴影衰落标准差估值,以该均值和标准差作为标签,用大量训练集地形图对VGG网络进行训练,相当于识别的特征是圆周或圆弧周围地形的起伏情况,输出是阴影衰落标准差。即,设数据集高度地形图矩阵为Hk,k为数据集序号,lk,i为第k个地形图中第i个采样点的损耗值,I为一个样本中的采样点数量,则第k个地形图的损耗均值和标准差分别用公式(4)和公式(5)表示为:
设w为所有网络权值,F1w(H)为神经网络的损耗均值输出,F2w(H)为神经网络的损耗标准差输出,网络训练目标用公式(6)表示为:
公式(6)中,K为数据集总样本数,β为调节两变量误差性能差距的参数,两变量同样重要时,β=1,w*为收敛后网络权值。
与点对点路径地形到路径损耗的映射关系不同,本发明旨在用神经网络学习不同的映射关系即区域地形起伏特征到阴影衰落的小范围分布特性,同时优化目标也不同,目标为使得不同物理含义的变量预测标准差最小。
第四步 确定VGG网络的结构和参数(X、Y、Z)
首先初始化设置一套VGG网络结构和参数,然后按训练VGG网络训练,记录下误差,然后调整VGG网络结构和参数再按训练VGG网络训练,记录下误差,比较不同VGG网络结构和参数对误差的影响,调整直至误差和VGG网络结构复杂度取得较好的平衡。即,只优化X的值时,初始选择较大的X值,每次减小X的值,记录每次的误差性能,当误差大于某一门限时停止减小,并选择误差小于该门限的最小X值,对应满足误差性能的最简网络结构。同理取得Y和Z值。
第五步 通过设置预定频率间隔,利用已有VGG模型获得一系列特定频点的阴影衰落,进而推算出其他频点的阴影衰落
对于不同频点对阴影衰落的影响,先对给定的具有预定间隔的频率进行训练,得到相应的阴影衰落模型,然后通过在频域的基于多项式的内插或外推得到其他邻近频点对应的阴影衰落值。
至此,完成基于计算机视觉的无线信道阴影衰落模型预测。
Claims (1)
1.一种基于计算机视觉的无线信道阴影衰落模型预测方法,其特征在于具体步骤为:
第一步 确定待计算阴影衰落的地理位置和输入参数
将收发信机的发射机固定,在距离发射机水平距离R的圆周上选择接收机的候选位置,并确定输入参数:包括:频率或波长、发射机的圆心位置和距离发射机距离R的圆周区域;
第二步 根据计算阴影衰落区域的起伏情况和频率确定候选收发信机位置采样点的间隔分布
确定候选的接收机位置间隔s,收发信机两点之间圆弧上的位置间隔s至少在1个波长以上,该间隔的选取原则是,所在的圆周区域的地形起伏越剧烈,间隔s的上限s_max越小即上限最小为1个波长;即,当沿着距离发射机为R的圆周采集所在位置的海拔高度值,得到一个海波高度h随圆周上弧长x变化的函数h(x),将h(x)视为一个信号波形进行傅里叶变换得到其基带主要频率分量对应的带宽范围B,当1/(2B)大于一个波长时,设s_max为1/(2B),否则设s_max为1个波长;即,s值在1个波长和s_max之间选取,当希望减小计算量时,则间隔s尽量取得大一些,但这样会增大误差;
第三步 将用于训练集的各地形图及其对应的理论模型结果或实测数据,获得训练各训练地形图的阴影衰落参数,训练VGG网络
选择训练集地形图,基于电磁场理论模型或实测数据,得到从发射机到给定距离的圆周上各个候选接收机位置的路损,求得这些路损序列的均值和标准差,即阴影衰落标准差估值,以该均值和标准差作为标签,用大量训练集地形图对VGG网络进行训练,相当于识别的特征是圆周或圆弧周围地形的起伏情况,输出是阴影衰落标准差;即,设数据集高度地形图矩阵为hk,k为数据集序号,lk,i为第k个地形图中第i个采样点的损耗值;I为一个样本中的采样点数量,则第k个地形图的损耗均值和标准差分别用公式(4)和公式(5)表示为:
设w为所有网络权值,F1w(H)为神经网络的损耗均值输出,F2w(H)为神经网络的损耗标准差输出,网络训练目标用公式(6)表示为:
公式(6)中,K为数据集总样本数,β为调节两变量误差性能差距的参数,两变量同样重要时,β=1,w*为收敛后网络权值;
使用神经网络学习不同的映射关系即区域地形起伏特征到阴影衰落的小范围分布特性,使得不同物理含义的变量预测标准差最小;
第四步 确定VGG网络的结构和参数(X、Y、Z)
首先初始化设置一套VGG网络结构和参数,然后按训练VGG网络训练,记录下误差,然后调整VGG网络结构和参数再按训练VGG网络训练,记录下误差,比较不同VGG网络结构和参数对误差的影响,调整直至误差和VGG网络结构复杂度取得较好的平衡;即,只优化X的值时,初始选择较大的X值,每次减小X的值,记录每次的误差性能,当误差大于某一门限时停止减小,并选择误差小于该门限的最小X值,对应满足误差性能的最简网络结构;同理取得Y和Z值;
第五步 通过设置预定频率间隔,利用已有VGG模型获得一系列特定频点的阴影衰落,进而推算出其他频点的阴影衰落
对于不同频点对阴影衰落的影响,先对给定的具有预定间隔的频率进行训练,得到相应的阴影衰落模型,然后通过在频域的基于多项式的内插或外推得到其他邻近频点对应的阴影衰落值;
至此,完成基于计算机视觉的无线信道阴影衰落模型预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110992945.6A CN113852433B (zh) | 2021-08-27 | 2021-08-27 | 一种基于计算机视觉的无线信道阴影衰落模型预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110992945.6A CN113852433B (zh) | 2021-08-27 | 2021-08-27 | 一种基于计算机视觉的无线信道阴影衰落模型预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113852433A CN113852433A (zh) | 2021-12-28 |
CN113852433B true CN113852433B (zh) | 2023-07-28 |
Family
ID=78976223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110992945.6A Active CN113852433B (zh) | 2021-08-27 | 2021-08-27 | 一种基于计算机视觉的无线信道阴影衰落模型预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113852433B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115310372B (zh) * | 2022-10-10 | 2023-02-07 | 香港中文大学(深圳) | 一种基于高精度电磁传播模型的路径损耗预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102724146A (zh) * | 2012-06-26 | 2012-10-10 | 上海师范大学 | 多天线移动信道特征参数的联合估计方法 |
CN109671238A (zh) * | 2018-12-07 | 2019-04-23 | 浙江大学 | 一种基于无线信道状态信息的室内入侵检测方法 |
CN110213003A (zh) * | 2019-05-21 | 2019-09-06 | 北京科技大学 | 一种无线信道大尺度衰落建模方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11624821B2 (en) * | 2018-05-24 | 2023-04-11 | New York University | System, method and computer-accessible medium for real time imaging using a portable device |
US11751057B2 (en) * | 2019-09-19 | 2023-09-05 | Colorado State University Research Foundation | Security-enhanced deep learning fingerprint-based indoor localization |
-
2021
- 2021-08-27 CN CN202110992945.6A patent/CN113852433B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102724146A (zh) * | 2012-06-26 | 2012-10-10 | 上海师范大学 | 多天线移动信道特征参数的联合估计方法 |
CN109671238A (zh) * | 2018-12-07 | 2019-04-23 | 浙江大学 | 一种基于无线信道状态信息的室内入侵检测方法 |
CN110213003A (zh) * | 2019-05-21 | 2019-09-06 | 北京科技大学 | 一种无线信道大尺度衰落建模方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113852433A (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1514130B1 (en) | Probabilistic model for a positioning technique | |
CN106912105A (zh) | 基于pso_bp神经网络的三维定位方法 | |
CN112748397B (zh) | 非视距条件下基于自适应bp神经网络的uwb定位方法 | |
CN106851573A (zh) | 基于对数路径损耗模型的联合加权k近邻室内定位方法 | |
CN109814066B (zh) | 基于神经网络学***台 | |
CN110213003B (zh) | 一种无线信道大尺度衰落建模方法及装置 | |
CN107113764A (zh) | 提高人工神经网络定位性能的方法和装置 | |
CN105636201A (zh) | 基于稀疏信号指纹数据库的室内定位方法 | |
CN112182961B (zh) | 一种换流站无线网络信道大尺度衰落建模预测方法 | |
Redondi | Radio map interpolation using graph signal processing | |
CN113438731B (zh) | 一种基于信号质量控制与特征指纹增强的定位方法及*** | |
CN113852433B (zh) | 一种基于计算机视觉的无线信道阴影衰落模型预测方法 | |
CN112560342A (zh) | 一种基于dnn的大气波导参数估计方法 | |
CN116578660A (zh) | 一种基于稀疏数据的电磁目标态势地图构建方法 | |
Farnham | Radio environment map techniques and performance in the presence of errors | |
CN114584230A (zh) | 一种基于对抗网络与长短期记忆网络的预测信道建模方法 | |
CN107621632A (zh) | 用于nshv跟踪滤波的自适应滤波方法及*** | |
CN107104747B (zh) | 无线时变信道中的多径分量的分簇方法 | |
Zhen et al. | Radio environment map construction based on Gaussian process with positional uncertainty | |
CN113761797B (zh) | 一种基于计算机视觉的无线信道路径损耗模型预测方法 | |
CN115226027A (zh) | 一种WiFi室内指纹定位方法及装置 | |
CN115942231A (zh) | 一种基于rss的5g室外定位方法 | |
CN111222223B (zh) | 用于确定无线电波传播环境电磁参数的方法 | |
Deng et al. | A dynamic adaptive positioning method based on differential signal feature map | |
CN115297435B (zh) | 一种rssi自适应测距模型匹配方法 |
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 |