CN114818513A - 5g应用领域中一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法 - Google Patents
5g应用领域中一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法 Download PDFInfo
- Publication number
- CN114818513A CN114818513A CN202210627989.3A CN202210627989A CN114818513A CN 114818513 A CN114818513 A CN 114818513A CN 202210627989 A CN202210627989 A CN 202210627989A CN 114818513 A CN114818513 A CN 114818513A
- Authority
- CN
- China
- Prior art keywords
- target
- radiation pattern
- network
- radiation
- layer
- 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.)
- Granted
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 83
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000001308 synthesis method Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 23
- 238000010586 diagram Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000013461 design Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000007429 general method Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000015572 biosynthetic process Effects 0.000 description 6
- 238000003786 synthesis reaction Methods 0.000 description 6
- 230000002194 synthesizing effect Effects 0.000 description 4
- 230000005284 excitation Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 244000186140 Asperula odorata Species 0.000 description 1
- 235000008526 Galium odoratum Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明提供了5G应用领域中一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法。该方法包括:步骤1、根据目标方向图的要求,设计一种目标数据矩阵来描述不同合成目标辐射方向图的重要特征。步骤2、根据不同网络层结构的特点确定深度网络的结构与参数,并在训练中将目标数据矩阵与神经网络预测出的辐射方向图的差值作为损失函数以此来指导梯度下降的方向。步骤3:将所有所需合成的目标辐射方向图描述为目标数据矩阵并合并成一个张量输入神经网络进行小批量并行计算,一次性全部输出满足对应目标设计要求的天线阵列单元的幅度与相位信息。
Description
技术领域
本发明涉及深度学习与天线阵列辐射方向图合成技术领域,尤其涉及5G应用中一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法
背景技术
5G技术的广泛应用,推动了信息技术的发展,并不断影响其他技术领域。与4G技术相比,5G可以提供更大的通信容量、更高的通信速度和更低的通信延迟,这使得它在工业互联网、车联网、医疗等中领域中广受欢迎。毫米波通信技术是5G通信技术的主要手段之一。但是由于毫米波的穿透性差、波长短,通信质量容易受到环境因素的干扰。针对上述问题,将多个天线单元排列成阵列以获得更高的增益,并采用多波束技术以减少传播路径的损失,扩大信号的覆盖范围。
通过求解各天线单元的激励,可以得到性能优异的天线阵列的辐射方向图。最初,研究人员试图在天线单元排布均匀且规则的阵列中解决这个问题。在这种条件下发展出了Woodward抽样法、Ddolphi-chebyshev设计法、Taylor展开法等方法。然而,随着天线单元的排列越来越不规则,期望的辐射远场方向图也越来越复杂,上述方法将不再适用。为此,一些研究人员将这一问题转化为组合优化过程,将期望的辐射图作为目标函数,将每个天线单元的激励作为待求解的参数。智能进化算法和凸优化算法在解决组合优化问题中表现出了极大的优势,因此,利用它们来解决辐射方向图的合成问题受到了许多研究者的关注。虽然这些算法在处理辐射方向图的合成问题上是有效的,但随着同时计算不同辐射方向图总数的增加,时间开销有时是不可接受的。如果采用串行计算,优化模型的参数会大大增加,也会导致计算效率下降。因此,为了在不损失计算效率的情况下同时计算不同的辐射方向图,有必要研究并行合成方法。上述优化算法不适合并行综合,因为不同的辐射方向图会导致组合优化过程中最优方向的混乱。
如今,随着计算机技术的进步,深度学习技术也得到了迅速的发展,许多神经网络框架被研究人员用来解决天线领域的问题。并行的批计算是神经网络训练中常见的一种操作,可以将大量输入数据分散到不同批次进行分布式计算,以此提高计算效率。然而,由于网络结构设计的复杂性和不同层次结构的特点,会影响到综合结果和计算效率,因此,利用神经网络进行并行批处理运算的天线阵辐射图综合研究较少。
发明内容
针对在5G应用领域中天线阵列辐射方向图的合成上存在随着同时计算不同辐射方向图总数的增加而时间开销也随之加大、合成效果不理想等问题,本文提出了一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法。
本发明提出了在5G应用领域中一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法,包括以下几个步骤:
步骤1:根据目标方向图的要求,设计一种目标数据矩阵来描述不同合成目标辐射方向图的重要特征。
步骤2:根据不同网络层结构的特点确定深度网络的结构与参数,并在训练中将目标数据矩阵与神经网络预测出的辐射方向图的差值作为损失函数以此来指导梯度下降的方向。
步骤3:将所有所需合成的目标辐射方向图描述为目标数据矩阵并合并成一个张量输入神经网络进行小批量并行计算,一次性全部输出满足对应目标设计要求的天线阵列单元的幅度与相位信息。
进一步地,步骤1具体为:
本专利中由于辐射图形要求的多样性,设计一个通用方法来描述目标辐射方向图的各种特征要求。
本专利设计了两个边界来重新描述所需的辐射方向图的显著特征,分别命名为下边界上边界。上边界函数代表期望辐射方向图的上特征,下边界代表期望辐射方向图的下限特征。以上边界均由不同的参数控制,在上边界中包括指向主波束方向控制副瓣电平SLL,以及期望辐射方向图的主波束宽度θw。在下边界中包括则包括主波束的-3dB宽度,期望辐射方向图电平的最小值L。将目标辐射方向图的所有扫描方向进行离散化,将上述两个边界分别表示为以θ和为坐标轴的单通道目标矩阵。为了便于数据的小批量并行处理和提高计算效率,最后将两个单通道目标矩阵按通道合并为一个双通道目标数据矩阵。
losss=ν1s·Ulosss+ν2s·Vlosss
进一步地,步骤2具体为:
本专利中根据目标辐射远场方向图的具体需求来确定深度学习网络的层结构和参数,在本发明中,放置了5个卷积层和2个全连接层。每个卷积层的输入被零填充保持恒定的输出形状且其后都连接一个标准化层(Batch Nomalization)为了获得更好的训练效果。卷积层的参数与经典的AlexNet网络参数一致,卷积层后使用Flatten层,目的是将多维输入一维化,它是卷积层和全连接层的过渡。Flatten层后连接2个全连接层,分别有4096,4096个神经元。为了提高收敛速度,防止梯度消失,设置各层的激活函数为“relu”,在输出层的激活函数设置为“tanh”。反向传播过程中使用Adam优化算法来更新网络权重。
进一步地,步骤3具体为:
将所有所需合成的目标辐射方向图描述为目标数据矩阵后并合并成一个张量输入神经网络进行小批量并行计算,一次性全部输出满足对应目标设计要求的天线阵列单元的幅度与相位信息。
本发明的有益效果:本发明提出了5G应用领域的一种基于深度学***行合成方法具有经典进化算法无法比拟的优点,可推广到雷达、通信、成像、近场分布设计等多参数控制的电磁场相干叠加问题。
附图说明
图1是本发明中5G应用领域的一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法
图2是本发明中特征边界与目标数据矩阵的示意图
图3是本发明中深度学习网络的结构
图4是本发明中仿真实验中所使用的天线阵列排布示意图。
图5时本发明中并行合成一组单播与组播辐射方向图结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施提供了5G应用领域的一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法,该方法包括以下步骤:
S101、根据目标方向图的要求,设计一种目标数据矩阵来描述不同合成目标辐射方向图的重要特征;
具体地,本专利中由于辐射图形要求的多样性,设计一个通用方法来描述目标辐射方向图的各种特征要求。
本专利设计了两个边界来重新描述所需的辐射方向图的显著特征,分别命名为下边界上边界如图2中(a)所示。上边界函数代表期望辐射方向图的上特征,下边界代表期望辐射方向图的下限特征。以上边界均由不同的参数控制,在上边界中包括指向主波束方向控制副瓣电平SLL,以及期望辐射方向图的主波束宽度θw。在下边界中包括则包括主波束的-3dB宽度,期望辐射方向图电平的最小值L。将目标辐射方向图的所有扫描方向进行离散化,将上述两个边界分别表示为以θ和为坐标轴的单通道目标矩阵。为了便于数据的小批量并行处理和提高计算效率,最后将两个单通道目标矩阵按通道合并为一个双通道目标数据矩阵,如图2中(b)所示。
losss=ν1s·Ulosss+ν2s·Vlosss
S102、根据不同网络层结构的特点确定深度网络的结构与参数,并在训练中将目标数据矩阵与神经网络预测出的辐射方向图的差值作为损失函数以此来指导梯度下降的方向;
具体地,如图3所示,本专利中根据目标辐射远场方向图的具体需求来确定深度学习网络的层结构和参数。在本发明中,放置了5个卷积层和2个全连接层,每个卷积层的输入被零填充保持恒定的输出形状且其后都连接一个标准化层(Batch Nomalization)为了获得更好的训练效果。卷积层的参数与经典的AlexNet网络参数一致,卷积层后使用Flatten层,目的是将多维输入一维化,它是卷积层和全连接层的过渡。Flatten层后连接2个全连接层,分别有4096,4096个神经元。为了提高收敛速度,防止梯度消失,设置各层的激活函数为“relu”,在输出层的激活函数设置为“tanh”。反向传播过使用Adam优化算法来更新网络权重。
S103、将所有所需合成的目标辐射方向图描述为目标数据矩阵并合并成一个张量输入神经网络进行小批量并行计算,一次性全部输出满足对应目标设计要求的天线阵列单元的幅度与相位信息,合成远场方向图的结果如图5所示。
具体地,将所有所需合成的目标辐射方向图描述为目标数据矩阵后并合并成一个张量输入神经网络进行小批量并行计算,一次性全部输出满足对应目标设计要求的天线阵列单元的幅度与相位信息。
仿真实验的设计为一种平面阵列,阵列排布如图4所示,在XOY平面上,每个单元间距为半个波长的100个贴片天线单元均匀分布,合成的目标是在天线阵的上半空间内分别小批量并行计算合成四种不同通讯终端个数且副瓣电平低于-20dB辐射远场方向图。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.5G应用领域中一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法:
步骤1:根据目标方向图的要求,设计一种目标数据矩阵来描述不同合成目标辐射方向图的重要特征。
步骤2:根据不同网络层结构的特点确定深度网络的结构与参数,并在训练中将目标数据矩阵与神经网络预测出的辐射方向图的差值作为损失函数以此来指导梯度下降的方向。
步骤3:将所有所需合成的目标辐射方向图描述为目标数据矩阵并合并成一个张量输入神经网络进行小批量并行计算,一次性全部输出满足对应目标设计要求的天线阵列单元的幅度与相位信息。
2.根据权利要求1所述的方法,其特征在于,步骤1具体为:
本专利中由于辐射图形要求的多样性,设计一个通用方法来描述目标辐射方向图的各种特征要求。
本专利设计了两个边界来重新描述所需的辐射方向图的显著特征,分别命名为下边界上边界。上边界函数代表期望辐射方向图的上特征,下边界代表期望辐射方向图的下限特征。以上边界均由不同的参数控制,在上边界中包括指向主波束方向控制副瓣电平SLL,以及期望辐射方向图的主波束宽度θw。在下边界中包括则包括主波束的-3dB宽度,期望辐射方向图电平的最小值L。将目标辐射方向图的所有扫描方向进行离散化,将上述两个边界分别表示为以θ和为坐标轴的单通道目标矩阵。为了便于数据的小批量并行处理和提高计算效率,最后将两个单通道目标矩阵按通道合并为一个双通道目标数据矩阵。
losss=ν1s·Ulosss+ν2s·Vlosss
3.根据权利要求1所述的方法,其特征在于,步骤2具体为:
本专利中根据目标辐射远场方向图的具体需求来确定深度学习网络的层结构和参数,在本发明中,放置了5个卷积层和2个全连接层。每个卷积层的输入被零填充保持恒定的输出形状且其后都连接一个标准化层(Batch Nomalization)为了获得更好的训练效果。卷积层的参数与经典的AlexNet网络参数一致,卷积层后使用Flatten层,目的是将多维输入一维化,它是卷积层和全连接层的过渡。Flatten层后连接2个全连接层,分别有4096,4096个神经元。为了提高收敛速度,防止梯度消失,设置各层的激活函数为“relu”,在输出层的激活函数设置为“tanh”。反向传播过程中使用Adam优化算法来更新网络权重。
4.根据权利要求1所述的方法,其特征在于,步骤3具体为:
将所有所需合成的目标辐射方向图描述为目标数据矩阵后并合并成一个张量输入神经网络进行小批量并行计算,一次性全部输出满足对应目标设计要求的天线阵列单元的幅度与相位信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210627989.3A CN114818513B (zh) | 2022-06-06 | 2022-06-06 | 5g应用领域中一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210627989.3A CN114818513B (zh) | 2022-06-06 | 2022-06-06 | 5g应用领域中一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114818513A true CN114818513A (zh) | 2022-07-29 |
CN114818513B CN114818513B (zh) | 2024-06-18 |
Family
ID=82521061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210627989.3A Active CN114818513B (zh) | 2022-06-06 | 2022-06-06 | 5g应用领域中一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114818513B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992001A (zh) * | 2015-06-19 | 2015-10-21 | 中国人民解放军信息工程大学 | 大规模mimo阵列天线远场辐射场的精确快速计算方法 |
CN112632742A (zh) * | 2020-11-09 | 2021-04-09 | 南京理工大学 | 一种多尺度天线平台辐射特性的快速分析方法 |
CN113239490A (zh) * | 2021-05-13 | 2021-08-10 | 武汉博思北和通信技术有限公司 | 一种微波共形天线的建模方法 |
US20210390723A1 (en) * | 2020-06-15 | 2021-12-16 | Dalian University Of Technology | Monocular unsupervised depth estimation method based on contextual attention mechanism |
CN114117565A (zh) * | 2021-11-22 | 2022-03-01 | 北京航空航天大学 | 一种基于深度学***面阵列天线辐射方向图综合方法 |
-
2022
- 2022-06-06 CN CN202210627989.3A patent/CN114818513B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992001A (zh) * | 2015-06-19 | 2015-10-21 | 中国人民解放军信息工程大学 | 大规模mimo阵列天线远场辐射场的精确快速计算方法 |
US20210390723A1 (en) * | 2020-06-15 | 2021-12-16 | Dalian University Of Technology | Monocular unsupervised depth estimation method based on contextual attention mechanism |
CN112632742A (zh) * | 2020-11-09 | 2021-04-09 | 南京理工大学 | 一种多尺度天线平台辐射特性的快速分析方法 |
CN113239490A (zh) * | 2021-05-13 | 2021-08-10 | 武汉博思北和通信技术有限公司 | 一种微波共形天线的建模方法 |
CN114117565A (zh) * | 2021-11-22 | 2022-03-01 | 北京航空航天大学 | 一种基于深度学***面阵列天线辐射方向图综合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114818513B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104901734B (zh) | 一种阵列天线波束赋形方法 | |
Xu et al. | Pattern synthesis of conformal antenna array by the hybrid genetic algorithm | |
CN106850016B (zh) | 基于mift与cp混合算法的仅相位加权阵列天线波束赋形优化方法 | |
CN108808266A (zh) | 一种用于不规则子阵排列的四维天线阵联合优化方法 | |
CN112115597B (zh) | 基于时间调制稀疏阵列的最小阵元数目优化方法 | |
CN114117565A (zh) | 一种基于深度学***面阵列天线辐射方向图综合方法 | |
CN104020448A (zh) | 等阵元约束的雷达子阵级和波束/差波束形成优化方法 | |
CN114330695B (zh) | 一种基于多层感知神经网络的相控阵驱动方法 | |
CN114386270A (zh) | 基于改进型遗传算法的多目标优化阵列方向图综合方法 | |
Akdagli et al. | Pattern nulling of linear antenna arrays by controlling only the element positions with the use of improved touring ant colony optimization algorithm | |
CN114996874B (zh) | 一种基于多层感知器网络的天线阵列辐射方向图高效优化合成方法 | |
CN116192206B (zh) | 基于广义回归神经网络的大规模共形阵实时波束综合方法 | |
CN110427669B (zh) | 一种相控阵扫描辐射波束的神经网络模型计算方法 | |
CN114818513B (zh) | 5g应用领域中一种基于深度学习网络的天线阵列辐射方向图高效小批量合成方法 | |
Omar et al. | Null steering beamformer using hybrid algorithm based on Honey Bees Mating Optimisation and Tabu Search in adaptive antenna array | |
CN109547083B (zh) | 一种基于神经网络的平顶波束赋形方法 | |
CN116882149A (zh) | 一种基于混合差分果蝇优化算法的天线阵列综合方法 | |
CN115146544A (zh) | 一种采用知识和数据混合驱动的阵列天线设计方法 | |
CN116205143A (zh) | 一种基于物理信息神经网络实现天线方向图的设计方法 | |
CN113114322B (zh) | 无线携能通信***中基于moead的波束赋形方法 | |
CN112307588B (zh) | 一种非均匀抛物线阵列天线设计方法 | |
CN114861446A (zh) | 天线阵列稀疏稀布优化方法、装置、设备及可读存储介质 | |
CN112165348A (zh) | 一种基于遗传算法的波束赋形仿真设计方法 | |
Zheng | Application of Swarm Intelligence Optimization Algorithm in Antenna Design | |
Zhang et al. | A generalizing radiation pattern synthesis method for conformal antenna array based on convolutional neural network |
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 |