CN109766791B - 一种基于自编码器的通信信号调制识别方法 - Google Patents
一种基于自编码器的通信信号调制识别方法 Download PDFInfo
- Publication number
- CN109766791B CN109766791B CN201811589298.9A CN201811589298A CN109766791B CN 109766791 B CN109766791 B CN 109766791B CN 201811589298 A CN201811589298 A CN 201811589298A CN 109766791 B CN109766791 B CN 109766791B
- Authority
- CN
- China
- Prior art keywords
- time
- signal
- training
- frequency
- function
- 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 37
- 238000004891 communication Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 45
- 238000009826 distribution Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000005311 autocorrelation function Methods 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 1
- 238000000513 principal component analysis Methods 0.000 abstract description 7
- 238000000605 extraction Methods 0.000 abstract description 5
- 230000002776 aggregation Effects 0.000 abstract description 3
- 238000004220 aggregation Methods 0.000 abstract description 3
- 238000000926 separation method Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
Abstract
一种基于自编码器的通信信号调制识别方法，属于通信技术领域。本发明包括模拟产生各个信噪比下的待分类信号；将待分类的信号进行预处理；使用自编码器对经过预处理的信号进行特征提取；使用核主成分分析KPCA方法对提取的特征进行降维处理；产生数据集，根据降维处理所得特征，随机产生每类调制信号的训练样本和测试样本，得到训练样本集合、测试样本集合以及相应的类标签集合，并对数据集进行归一化处理；用训练样本集合对支持向量机SVM分类器进行训练，将测试样本集合输入训练好的分类器，并计算平均识别率。本发明比时域特征或频域特征具有更好的抗噪声性能；所提取的特征具有更好的类内聚集度和类间分离度；大大减少了计算复杂度；抗噪声性能好。
Description
技术领域
本发明属于通信技术领域，具体涉及一种基于自编码器的通信信号调制识别方法。
背景技术
随着通信技术、数字信号处理等技术的快速发展，扩频通信、跳频通信、卫星通信等新技术的广泛应用，无线通信环境日益复杂，在较宽的频带上通常散布着不同频率和采用不同调制方式的通信信号。因此，人们逐步开始探索通过以计算机为核心的通信电子设备，来自动地识别通信信号的调制类别。通信信号的调制识别技术在军事以及民用方面均具有广泛的应用，并且已成为通信领域一个备受关注的研究方向。因而，对通信信号调制方式的自动识别研究具有很高的实用价值。
从信号检测和模式识别的意义上来说，调制识别的方法大致可以分为两类：基于似然比判决理论的识别方法和基于统计模式的识别方法。基于似然比判决理论识别方法可以将识别的错误率降到最低，其在贝叶斯意义上是最优的。但该方法也存在不足之处，例如该类方法运算量大、所需先验知识多且似然函数在大多数条件下无法算出封闭的表达式等，因而实际应用中通常只能得到次优解。虽然在考虑贝叶斯意义的基础上基于统计模式的识别方法不是最优的，但是它具有计算量小和实时性高的优点，且通过合理设置参数门限值可达到接近最优的分类性能。因此，本发明采用基于统计模式的识别方法。
基于统计模式的调制识别系统由两个子系统组成：特征提取子系统和模式分类子系统。本发明中，特征提取子系统采用基于时频分析和自编码器的特征提取方法，模式分类子系统采用支持向量机分类器，支持向量机分类器Support Vector Machine即SVM分类器。自编码器是一种BP神经网络，它尝试逼近一个恒等函数，使得输出接近于输入。当我们设置输入层节点数量大于隐含层节点数量时，就会迫使自编码器学习得到输入数据的压缩表示方法。
发明内容
根据通信信号调制识别的研究现状，针对在信噪比较低情况下，目前的调制识别方法普遍存在识别率低的问题，本发明的目的在于提供一种基于自编码器的、可以提高较低信噪比下识别率的调制识别方法。
本发明的目的是这样实现的：
一种基于自编码器的通信信号调制识别方法，包括以下步骤：
(1)模拟产生各个信噪比下的待分类信号；
(2)将待分类的信号进行预处理；
(3)使用自编码器对经过预处理的信号进行特征提取；
(4)使用核主成分分析Kernel Principal Component Analysis即KPCA计算方法对步骤(3)中提取的特征进行降维处理；
(5)产生数据集，根据步骤(4)所得特征，随机产生每类调制信号的训练样本和测试样本，得到训练样本集合、测试样本集合以及相应的类标签集合，并对数据集进行归一化处理；
(6)用训练样本集合对支持向量机SVM分类器进行训练，将测试样本集合输入训练好的分类器，并计算平均识别率。
在步骤(1)中所述的模拟产生各个信噪比下的待分类信号，具体是指非平稳通信信号，且信噪比在-10dB以上。
在步骤(2)中所述预处理包括对待分类信号进行时频变换得到时频分布图，然后对时频分布图进行裁剪、阈值分割和压缩。
在步骤(3)中，所述的使用自编码器对经过预处理的信号进行特征提取具体包括以下过程：
(3a)生成训练集：将待识别的每类信号通过预处理获得K个时频图样本，再将每一个样本划分成M个图像块，并将每一个图像块重排为N维向量，组成N*(M*K)维的特征矩阵；
(3b)计算代价函数：计算自编码器的代价函数和代价函数相对于不同参数的导数，使用sigmoid函数作为激活函数；
(3c)梯度检查：使用测试代码检查数值评估梯度与真实梯度的误差，若误差小于设定值，则认为步骤(3b)中的代价函数以及偏导函数正确，进行下一步骤(3d)；
(3d)训练自编码器：使用步骤(3a)中的训练集，根据代价函数最小化原则调整其参数，从而训练自编码器，得到训练好的权值矩阵；
(3e)用自编码器提取特征：对于一个待识别信号，通过预处理获得1个时频图样本，将其与训练好的权值矩阵相乘来获取一个特征；对于所有待识别信号，则获得一个特征集。
在步骤(4)中，所述使用核主成分分析Kernel Principal Component Analysis即KPCA计算方法对步骤(3)中获得的各类信号特征集进行降维处理，具体是指通过某种隐式方式将输入空间映射到某个高维空间，高维空间常称为特征空间，并且在特征空间中完成主成分分析Principal Component Analysis即PCA。
本发明的有益效果在于：
1)所提取的特征为时-频域联合特征，比时域特征或频域特征具有更好的抗噪声性能，尤其是对于非平稳信号，具有更好的识别效果；
2)所提取的特征为通过机器学习得到的特征，而非人工选取的特征，具有更好的类内聚集度和类间分离度；
3)加入了降维方法，避免了“维数灾难”，既保证了良好的识别效果，又大大减少了计算复杂度；
4)抗噪声性能好，即使在信噪比较低的情况下，也具有良好的识别率。
附图说明
图1为本发明的方法流程图；
图2为0dB时2ASK信号经时频变换、裁剪、阈值分割和压缩后的仿真图像；
图3为自编码器的网络结构。
具体实施方式
下面结合附图对本发明进一步详细说明。
本发明对待识别的调制信号进行时频变换得到时频分布图，并对时频分布图进行裁剪、阈值分割等预处理，然后将预处理后的时频图输入自编码器，使其自动学习并获得各类信号时频图的特征，为避免“维数灾难”，使用KPCA方法对特征进行降维，之后将经过降维的特征代入SVM进行训练、测试，最终获得平均识别率。
以下结合附图和具体实施案例，对本发明进行详细说明。
参照图1，本发明的一种基于自编码器的通信信号调制识别方法具体实现步骤如下：
步骤1：以2ASK、2FSK、2PSK和2DPSK信号为例，使用Matlab仿真出其信噪比在[-10,-5,0,5,10]dB下的各类信号，仿真使用的噪声为高斯白噪声。
步骤2：将待分类的信号进行预处理，包括对待分类信号进行时频变换得到时频分布图，然后对时频分布图进行裁剪、阈值分割和压缩。
Wigner-Ville分布描述了信号的瞬时自相关函数经过傅里叶变换到时频域上的能量分布。Cohen用一个统一形式来表示一个信号z(t)的时频分布，即
其中，χz(θ,τ)是信号模糊函数，φ(θ,τ)是Cohen类时频分布的核函数，其中t是时间，ω是频率，τ为时移，θ为频移，μ为积分变量。为消除交叉项干扰而引用改进的方法——Choi-Williams分布，选择
为Cohen类时频分布的核函数，σ为任意参数，得到的分布就是Choi-Williams分布，即
图2是在信噪比为0dB时，以2ASK信号为例进行CW即Choi-Williams时频变换、裁剪、阈值分割和压缩后的仿真图像。
步骤3：自编码器的结构如图3所示，使用自编码器对经过预处理的信号时频图进行特征提取，具体包括：
(3a)生成训练集：将待识别的每类信号通过步骤2获得K个时频图样本，再将每一个样本划分成M个图像块，并将每一个图像块重排为N维向量，组成N×(M×K)维的特征矩阵，并将所有数据的值转化到[0,1]范围内；
(3b)计算代价函数：在BP即Back Propagation方法中，代价函数定义为：
其中W为权值矩阵，b为偏置向量，m为训练集样本个数，x(i)为第i个输入，y(i)为第i个标签，nl表示网络中的层数，sl表示第l层中的节点数，节点数不包含偏置单元，hW,b(x(i))表示输入值为x，神经网络中权值和偏置项分别为W,b的情况下的输出值，权重衰减参数λ控制式中两项的相对重要性。
代价函数J(W,b)关于W和b的偏导数分别为：
对于稀疏自编码器，其代价函数为：
其中J(W,b)即BP方法的代价函数，β控制稀疏惩罚项的权重，s2是隐含层神经元的个数，ρ是稀疏性参数，通常是一个接近0的值，如ρ＝0.05，
表示第2层第j个隐藏神经元在训练集上对整个训练集取平均的平均活跃度,
表示在给定输入值为x的情况下，第2层第j个神经元的激活度。
使用sigmoid函数，即f(z)＝1/(1+exp(-z))，作为激活函数。在反向传导时，隐藏层第i个结点残差为：
其中
为隐藏层第i个结点残差，
为输出层第j个结点残差，
表示第i个神经元在训练集上的平均活跃度，f(·)表示神经元激活函数，即sigmoid函数，
表示第l层第i单元输入加权和，包括偏置单元。
(3c)梯度检查：使用测试代码检查数值评估梯度是否非常接近真实梯度，若误差小于设定值，则认为(3b)中的代价函数以及偏导函数正确，此时可进行(3d)；
(3d)训练自编码器：使用(3a)中的训练集，通过调整其参数从而使代价函数Jsparse(W,b)最小，即训练自编码器，以此来得到训练好的权值矩阵；
这里直接使用L-BFGS优化方法，训练一个具有256个输入层节点，25个隐含层节点，256个输出层节点的自编码器。将偏差
初始化为0，权重
初始化为取自均匀区间
的随机数，其中nin表示扇入，nout表示扇出。
(3e)用自编码器提取特征：对于一个待识别信号，通过步骤2获得1个时频图样本，将其与训练好的权值矩阵相乘来获取一个特征；对于所有待识别信号，则可以获得一个特征集。
步骤4：使用KPCA方法对步骤3中获得的特征集进行降维处理。
KPCA方法的基本思想是通过某种隐式方式将输入空间映射到某个高维空间，并且在高维空间中实现PCA，本发明中采用的核函数是多项式核函数。
步骤5：产生数据集，根据步骤4所得的经过降维的特征，随机产生每类调制信号的训练样本和测试样本，得到训练样本集合、测试样本集合以及相应的类标签集合，并对数据集进行归一化处理。
步骤6：用训练样本集合对SVM分类器进行训练，将测试样本集合输入训练好的分类器，并计算平均识别率。
因为所提取的特征为时频域联合特征，并且是通过机器学习得到的特征，而非人工选取的特征，所以具有更好的抗干扰性能以及更好的类内聚集度和类间分离度，达到了在较低信噪比下具有较好识别率的效果。
本发明的基于自编码器的通信信号调制识别方法，可用于非平稳通信信号传输过程中的调制方式识别。
需要说明的是，上述实施案例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。
Claims (1)
1.一种基于自编码器的通信信号调制识别方法，其特征在于，包括以下步骤：
步骤1：将待分类的信号进行预处理，包括对待分类信号进行时频变换得到时频分布图，然后对时频分布图进行裁剪、阈值分割和压缩；
Wigner-Ville分布描述了信号的瞬时自相关函数经过傅里叶变换到时频域上的能量分布；Cohen用一个统一形式来表示一个信号z(t)的时频分布，即：
其中，χz(θ,τ)是信号模糊函数；φ(θ,τ)是Cohen类时频分布的核函数；t是时间；ω是频率；τ为时移；θ为频移；μ为积分变量；
为消除交叉项干扰而引用改进的方法——Choi-Williams分布，选择
为Cohen类时频分布的核函数，σ为任意参数，得到的分布就是Choi-Williams分布，即
步骤2：使用自编码器对经过预处理的信号时频图进行特征提取，具体包括：
步骤2a：生成训练集：将待识别的每类信号通过步骤1获得K个时频图样本，再将每一个样本划分成M个图像块，并将每一个图像块重排为N维向量，组成N×(M×K)维的特征矩阵，并将所有数据的值转化到[0,1]范围内；
步骤2b：计算代价函数；
其中，W为权值矩阵；b为偏置向量；m为训练集样本个数；x(i)为第i个输入；y(i)为第i个标签；nl表示网络中的层数；sl表示第l层中的节点数，节点数不包含偏置单元；hW,b(x(i))表示输入值为x，神经网络中权值和偏置项分别为W、b的情况下的输出值；权重衰减参数λ控制式中两项的相对重要性；
代价函数J(W,b)关于W和b的偏导数分别为：
对于稀疏自编码器，其代价函数为：
其中，J(W,b)即BP方法的代价函数；β控制稀疏惩罚项的权重；s2是隐含层神经元的个数；ρ是稀疏性参数，是一个接近0的值；
表示第2层第j个隐藏神经元在训练集上对整个训练集取平均的平均活跃度；
表示在给定输入值为x的情况下，第2层第j个神经元的激活度；
是具有平均值ρ的伯努利随机变量与具有平均值
的伯努利随机变量之间的Kullback-Leibler即KL散度，用于测量两种不同分布有多大差距的标准函数；
使用sigmoid函数，即f(z)＝1/(1+exp(-z))作为激活函数；在反向传导时，隐藏层第i个结点残差为：
其中，
为隐藏层第i个结点残差；
为输出层第j个结点残差；
表示第i个神经元在训练集上的平均活跃度；f(·)表示神经元激活函数，即sigmoid函数；
表示第l层第i单元输入加权和，包括偏置单元；
步骤2c：使用测试代码检查数值评估梯度是否非常接近真实梯度，若误差小于设定值，则认为步骤2b中的代价函数以及偏导函数正确，此时可进行步骤2d；
步骤2d：使用步骤2a中的训练集，通过调整其参数从而使代价函数Jsparse(W,b)最小，即训练自编码器，以此来得到训练好的权值矩阵；
使用L-BFGS优化方法，训练一个具有256个输入层节点，25个隐含层节点，256个输出层节点的自编码器；将偏差
初始化为0，权重
初始化为取自均匀区间
的随机数；其中，nin表示扇入，nout表示扇出；
步骤2e：对于一个待识别信号，通过步骤1获得1个时频图样本，将其与训练好的权值矩阵相乘来获取一个特征；对于所有待识别信号，则获得一个特征集；
步骤3：使用KPCA方法对步骤2中获得的特征集进行降维处理；
KPCA方法是将输入空间映射到某个高维空间，并且在高维空间中实现PCA，采用的核函数是多项式核函数；
步骤4：根据步骤3所得的经过降维的特征，随机产生每类调制信号的训练样本和测试样本，得到训练样本集合、测试样本集合以及相应的类标签集合，并对数据集进行归一化处理；
步骤5：用训练样本集合对SVM分类器进行训练，将测试样本集合输入训练好的分类器，得到识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811589298.9A CN109766791B (zh) | 2018-12-25 | 2018-12-25 | 一种基于自编码器的通信信号调制识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811589298.9A CN109766791B (zh) | 2018-12-25 | 2018-12-25 | 一种基于自编码器的通信信号调制识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109766791A CN109766791A (zh) | 2019-05-17 |
| CN109766791B true CN109766791B (zh) | 2023-01-06 |
Family
ID=66451582
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811589298.9A Active CN109766791B (zh) | 2018-12-25 | 2018-12-25 | 一种基于自编码器的通信信号调制识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109766791B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110166389B (zh) * | 2019-06-12 | 2021-06-25 | 西安电子科技大学 | 基于最小二乘支持向量机的调制识别方法 |
| CN110532932B (zh) * | 2019-08-26 | 2022-12-13 | 哈尔滨工程大学 | 一种多分量雷达信号脉内调制方式识别方法 |
| CN111931803A (zh) * | 2020-06-17 | 2020-11-13 | 中国船舶重工集团公司第七一五研究所 | 一种关于水下声信号精细特征的评价准则方法 |
| CN112491677B (zh) * | 2020-11-06 | 2022-10-14 | 厦门大学 | 基于物理层特征指纹的can总线识别方法及装置 |
| CN112910811B (zh) * | 2021-02-18 | 2022-05-20 | 北京交通大学 | 基于联合学习的噪声水平未知条件下的盲调制识别方法和装置 |
| CN113869238A (zh) * | 2021-09-30 | 2021-12-31 | 青岛科技大学 | 一种认知车联网智能频谱感知方法及系统 |
| CN119402324B (zh) * | 2025-01-03 | 2025-03-25 | 北京智信天一科技有限公司 | 一种无线通信信号的分析方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4478255A3 (en) * | 2017-04-24 | 2025-02-26 | Virginia Tech Intellectual Properties, Inc. | Radio signal identification, identification system learning, and identifier deployment |
| CN108596204B (zh) * | 2018-03-15 | 2021-11-09 | 西安电子科技大学 | 一种基于改进型scdae的半监督调制方式分类模型的方法 |
| CN108764331A (zh) * | 2018-05-25 | 2018-11-06 | 哈尔滨工程大学 | 基于分数阶傅里叶变换的联合分类器多信号调制识别方法 |
-
2018
- 2018-12-25 CN CN201811589298.9A patent/CN109766791B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| An Improved Communication Signal Recognition Algorithm Based on Extreme Learning Machine;Fang Ye;《2018 USNC-URSI Radio Science Meeting》;20180731;第53-54页 * |
| Patient-Specific Deep Architectural Model for ECG Classification;Kan Luo et al.;《Healthcare Engineering》;20170507;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109766791A (zh) | 2019-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109766791B (zh) | 一种基于自编码器的通信信号调制识别方法 | |
| CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
| CN112418014B (zh) | 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法 | |
| Huang et al. | Power quality disturbances classification based on S-transform and probabilistic neural network | |
| Lim et al. | A time window neural network based framework for remaining useful life estimation | |
| Eom | Analysis of acoustic signatures from moving vehicles using time-varying autoregressive models | |
| CN111582320B (zh) | 一种基于半监督学习的动态个体识别方法 | |
| CN108169708B (zh) | 模块化神经网络的直接定位方法 | |
| CN114896887A (zh) | 一种基于深度学习的用频设备射频指纹识别方法 | |
| CN110175560A (zh) | 一种雷达信号脉内调制识别方法 | |
| CN115017939A (zh) | 一种飞机燃油泵故障智能诊断方法、装置和存储介质 | |
| CN106446895A (zh) | 一种基于深度卷积神经网络的车牌识别方法 | |
| CN112861066B (zh) | 基于机器学习和fft的盲源分离信源数目并行估计方法 | |
| CN113673312A (zh) | 基于深度学习的雷达信号脉内调制识别方法 | |
| CN118740343B (zh) | 基于人工智能的环境反向散射系统通信误码率评估方法 | |
| CN107315996A (zh) | 一种基于imf能量熵与pca的水下船舰噪声特征提取方法 | |
| CN115964670B (zh) | 一种频谱异常检测方法 | |
| Harkat et al. | Classifier design by a multi-objective genetic algorithm approach for GPR automatic target detection | |
| CN111680737A (zh) | 差异性信噪比条件下的雷达辐射源个体识别方法 | |
| Fukuda et al. | Analysis of dynamics in chaotic neural network reservoirs: Time-series prediction tasks | |
| CN112347910A (zh) | 一种基于多模态深度学习的信号指纹识别方法 | |
| CN112213697A (zh) | 一种基于贝叶斯决策理论用于雷达欺骗干扰识别的特征融合方法 | |
| CN101414378B (zh) | 特征维数可选的图像信息隐藏盲检测方法 | |
| CN115951315B (zh) | 基于改进小波包能量谱的雷达欺骗干扰识别方法及系统 | |
| CN110071884A (zh) | 一种基于改进熵云特征的通信信号调制识别方法 |
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 |