Nothing Special   »   [go: up one dir, main page]

CN112507621B - 一种基于标签传播的雷达干扰半监督识别方法 - Google Patents

一种基于标签传播的雷达干扰半监督识别方法 Download PDF

Info

Publication number
CN112507621B
CN112507621B CN202011479825.8A CN202011479825A CN112507621B CN 112507621 B CN112507621 B CN 112507621B CN 202011479825 A CN202011479825 A CN 202011479825A CN 112507621 B CN112507621 B CN 112507621B
Authority
CN
China
Prior art keywords
interference
label
data set
signal
nodes
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
Application number
CN202011479825.8A
Other languages
English (en)
Other versions
CN112507621A (zh
Inventor
张伟
康慧
方学立
张雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202011479825.8A priority Critical patent/CN112507621B/zh
Publication of CN112507621A publication Critical patent/CN112507621A/zh
Application granted granted Critical
Publication of CN112507621B publication Critical patent/CN112507621B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于标签传播的雷达干扰半监督识别方法，首先，模拟有源相干和非相干干扰，通过恒虚警检测和测量算法提取干扰参数；其次，利用自适应图像处理算法得到格式统一的数据集；最后将数据集输入到PL‑LPA模型中进行干扰信号分类识别。本方案在传统LPA算法基础上引入伪标签框架，将置信度高于判决门限的节点纳入源域标记数据集中，多次迭代改进传播策略，实现干扰信号实际采集模拟，干扰检测和自适应图像处理，设计并建立干扰样本数据集，最终完成干扰信号的分类识别。与监督算法CNN和半监督LPA算法在相同数据集上对比分析表明，PL‑LPA算法泛化能力和分类识别效果更好。

Description

一种基于标签传播的雷达干扰半监督识别方法
技术领域
本发明涉及电子技术领域，具体涉及一种基于标签传播的雷达干扰半监督识别方法。
背景技术
新型电子干扰尤其是数字射频技术(DRFM)的出现对雷达检测、跟踪性能构成严重威胁，准确高效识别电子干扰成为电子对抗研究的重点。传统的雷达电子干扰识别以人工提取特征为主，结合支持向量机、决策树、BP神经网络等分类器进行分类，通过提取小波变换域特征、信号频率和幅度参数、信号时域和频域特征[3]等方式，阈值确定难且泛化能力差，具有较大局限性。随时技术的发展，有学者提出基于时频分析方法利用卷积神经网络CNN分类干扰信号，有效避免提取特征的繁琐过程，但CNN方法需大量有标记干扰样本，实际应用中，标记样本成本高。为解决大量标记样本难以获取问题，Zhu等提出一种操作简单、分类性能好且不依赖特征提取和大量标记样本的半监督标签传播算法(LPA)，广泛应用于图像分类领域，但在标签传播过程中存在多标签竞争情况，导致区域判决错误率高、收敛慢。基于上述问题，引入伪标签框架，给定判决门限，分类器主动赋予置信度高于门限的节点为伪标签，并纳入有标记的源域数据集，增加标记样本数，提高收敛速度，经过多次迭代不断加入新标记样本，改进传播策略，能在干扰标记样本较小的情况下，实现较高的分类准确率。
发明内容
为解决上述问题，本发明提出一种基于标签传播的雷达干扰半监督识别方法，通过下述技术方案实现：
一种基于标签传播的雷达干扰半监督识别方法，包括如下步骤：
S1、对干扰信号进行建模，得到混合信号；
S2、检测混合信号中是否存在电子干扰，对其中电子干扰提取干扰参数；
S3、利用自适应图像处理算法对得到的干扰参数进行数据处理，得到干扰图像样本集；
S4、根据伪标签的标签传播算法对干扰图像样本集进行半监督识别。
上述方案的有益效果是，针对传统雷达电子干扰识别手动提取特征困难和有标记样本获取成本大的问题，提出基于PL-LPA的雷达干扰样式半监督识别算法，实现干扰信号实际采集模拟，干扰检测和自适应图像处理，设计并建立干扰样本数据集，最终完成干扰信号的分类识别。与监督算法CNN和半监督LPA算法在相同数据集上对比分析表明，PL-LPA算法泛化能力和分类识别效果更好。
进一步的，所述S1中干扰信号建模的方法为：建立电子干扰时域、频域波形；其中，电子干扰包括有源非相干干扰和有源相干干扰，有源非相干干扰包括噪声调幅干扰AM、噪声调频干扰FM、梳状谱干扰COMB；有源相干干扰包括切片转发干扰C&I、频谱弥散干扰SMSP、间歇采样转发干扰IS、噪声乘积干扰MN、噪声卷积干扰CN。
上述进一步方案的有益效果是，通过对有源电子干扰重新分类和建立数学模型，为干扰样本数据集的设计和干扰识别奠定基础。
进一步的，步骤S2中检测是否存在电子干扰的具体步骤为：
S211、利用下变频方法将混合信号下变频为数字视频信号；
S212、将数字视频信号经过短时傅里叶变换后变换到时频域；
S213、利用单元平均恒虚警进行混合信号时频域检测，若当前检测单元小于门限值则判定没有干扰，否则有干扰，其中，门限值为参考单元的平均值和门限系数的乘积。
上述进一步方案的有益效果是，由于干扰存在一段信号中，且具体参数未知，需进一步处理混合干扰信号以获取更多信息，为后续时频图像处理提供依据。
进一步的，所述步骤S2中提取干扰参数的具体步骤为：
S221、将利用单元平均恒虚警进行混合信号时频域检测得到的恒虚警矩阵向时域和频域维投影；
S222、对时域维或频域维的起始和结束端点进行精度变换，得到干扰参数；
其中干扰参数包括干扰信号的开始时间、结束时间、中心频率和带宽。
上述进一步方案的有益效果是，通过恒虚警检测矩阵提取干扰参数，为干扰图像样本处理过程提供依据。
进一步的，所述步骤S3的具体步骤为：
S31、利用高斯滤波进行图像平滑去噪，并通过min-max标准化将像素取整；
S32、剪除无效干扰信号频段，将干扰图像聚焦到干扰存在的有效频段内；
S33、通过最邻近插值算法将时频图像重采样，获得干扰样本。
S34、在干扰样本每组参数下设置多个信噪比点；
S35、对每种干扰信号在每个信噪比点下设置多组不同的干扰参数；
S36、对每组干扰参数下生成多张干扰信号图片，得到干扰图像样本集。
上述进一步方案的有益效果是，通过干扰图像样本集的获取方法，为后续基于伪标签的标签传播算法提供样本。
进一步的，所述步骤S4中根据伪标签的标签传播算法对干扰图像样本集进行半监督识别的具体步骤为：
S41、定义数据集，将干扰图像样本集中的数据分为有标记的数据集和无标记的数据集；
S42、建立全连接图，并计算图中各节点间的相似度；
S43、根据各节点间的相似度构建节点间的概率转移矩阵，并根据概率转移矩阵构建节点间的标签矩阵；
S44、执行传播过程，直至标签矩阵收敛，输出无标记的数据集的标签。
上述进一步方案的有益效果是，对干扰图像样本集进行分集、构建相似度、构建概率转移矩阵并执行传播过程，为后续基于伪标签的标签传播算法奠定基础。
进一步的，所述S41中定义数据集的方法为：
S411、定义电子干扰数据集中有标记的数据集Xl，
Xl＝(x1,y1)…(xl,yl)；
其中，l为有标记的数据集的数量；YL＝{y1…yl}∈{1,…,C}，C是类标签的数目即电子干扰的种类，且已标记的数据样本中存在所有的干扰类别；
S412、定义电子干扰数据集中无标记的数据集Xu，
Xu＝(xl+1,yl+1)…(xl+u,yl+u)；
其中YU＝{yl+1 … yl+u}是待预测的数据集，u为无标记的数据集的数量，且l＜＜u；
进一步的，所述S42中各节点间的相似度计算方式为：
Figure BDA0002837990660000031
其中dij表示节点间的欧氏距离，δ为常数，wij为节点间的相似度。
上述进一步方案的有益效果是，利用上式计算得到相似度，为概率转移矩阵、标签矩阵的获取提供依据。
进一步的，所述S43概率转移矩阵P表示为：
Figure BDA0002837990660000032
其中n＝l+u，
Figure BDA0002837990660000033
表示从节点i传到节点j的概率；
标签矩阵F表示为：
Figure BDA0002837990660000034
其中fij表示标签j对节点i的影响概率，C为干扰的标签。
上述进一步方案的有益效果是，根据相似度获得概率转移矩阵P和标签矩阵F，是执行传播过程的必要条件。
进一步的，所述S44中执行传播过程的方法为：
S441、利用传统标签传播算法模块对Xu中的无标记节点进行预测，得到带预测标签的样本XL0；
S442、判断XL0中节点的分类概率置信度是否大于设定值，若超过则将该节点从Xu中移除，赋予预测标签为伪标签并将其加入到Xl中，若小于则放回原无标记的数据集Xu中；
S443、记录加入到Xl，并将次数加1；
S444、输出无标记数据集的标签，结束传播过程。
上述进一步方案的有益效果是，引入伪标签框架，将置信度高于判决门限的节点纳入源域标记数据集中，改进标签传播算法的迭代策略，提高雷达干扰的识别效果。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明基于标签传播的雷达干扰半监督识别方法流程示意图。
图2为本发明干扰检测示意图。
图3为本发明自适应图像处理流程示意图。
图4为本发明实施例数字下变频(DDC)技术示意图。
图5为本发明实施例单元平均恒虚警(CA-CFAR)技术示意图。
图6为本发明实施例噪声调幅干扰频域滤波前后对比，其中，图6a为带宽为40MHz时噪声调幅干扰频域滤波前后对比图，图6b为带宽为60MHz时噪声调幅干扰频域滤波前后对比图。
图7为本发明实施例各个干扰的gabor时频图。
图8为本发明实施例噪声调频信号高斯滤波前后对比示意图。
图9为本发明实施例噪声调频干扰裁剪前后对比结果示意图。
图10为本发明实施例各类干扰6dB数据集图像示意图。
具体实施方式
在下文中，可在本发明的各种实施例中使用的术语“包括”或“可包括”指示所发明的功能、操作或元件的存在，并且不限制一个或更多个功能、操作或元件的增加。此外，如在本发明的各种实施例中所使用，术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
在本发明的各种实施例中，表述“或”或“A或/和B中的至少一个”包括同时列出的文字的任何组合或所有组合。例如，表述“A或B”或“A或/和B中的至少一个”可包括A、可包括B或可包括A和B二者。
在本发明的各种实施例中使用的表述(诸如“第一”、“第二”等)可修饰在各种实施例中的各种组成元件，不过可不限制相应组成元件。例如，以上表述并不限制所述元件的顺序和/或重要性。以上表述仅用于将一个元件与其它元件区别开的目的。例如，第一用户装置和第二用户装置指示不同用户装置，尽管二者都是用户装置。例如，在不脱离本发明的各种实施例的范围的情况下，第一元件可被称为第二元件，同样地，第二元件也可被称为第一元件。
应注意到：如果描述将一个组成元件“连接”到另一组成元件，则可将第一组成元件直接连接到第二组成元件，并且可在第一组成元件和第二组成元件之间“连接”第三组成元件。相反地，当将一个组成元件“直接连接”到另一组成元件时，可理解为在第一组成元件和第二组成元件之间不存在第三组成元件。
在本发明的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本发明的各种实施例。如在此所使用，单数形式意在也包括复数形式，除非上下文清楚地另有指示。除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
一种基于标签传播的雷达干扰半监督识别方法，如图1所示，包括如下步骤：
S1、对干扰信号进行建模，得到混合信号；
雷达干扰从能量和效果等角度有多种分类方法，根据是否发射电磁信号分为有源干扰和无源干扰。目前对于无源干扰的研究较为成熟，而有源干扰因其逼真度高且形式复杂多样，是雷达干扰研究的难点和重点。根据干扰信号与雷达发射信号是否具有相干性，将有源干扰分为有源相干干扰和有源非相干干扰。随着DRFM等相干干扰技术的快速发展和应用，涌现出诸多新型相干电子干扰，它们与雷达发射信号高度相关，给雷达的正常运行造成严重威胁。本文对噪声调幅干扰AM、噪声调频干扰FM、梳状谱干扰COMB等3种有源非相干干扰和切片转发干扰C&I、频谱弥散干扰SMSP、间歇采样转发干扰IS、噪声乘积干扰MN、噪声卷积干扰CN等5种有源相干干扰进行仿真，通过对有源电子干扰重新分类和建立数学模型，为干扰样本数据集的设计和干扰识别奠定基础。
实际应用中，接收机接收到的是背景噪声和某种类型干扰叠加的混合信号，且干扰只存在于信号的某段时间内。为真实模拟接收机接收的混合信号以提供测试输入，本实施例采用干扰和背景高斯白噪声叠加仿真建模，以反映实际应用。
S2、检测混合信号中是否存在电子干扰，对其中电子干扰提取干扰参数；
由于干扰存在一段信号中，且具体参数未知，需进一步处理混合干扰信号以获取更多信息，为后续时频图像处理提供依据。首先对混合信号进行下变频处理，然后利用恒虚警方法检测混合信号中是否存在干扰，并对恒虚警检测矩阵进行时域和频域维测量，得到干扰参数，如图2中所示。
判断是否存在干扰的方法具体分为：
S211、利用下变频方法将混合信号下变频为数字视频信号；
S212、将数字视频信号经过短时傅里叶变换后变换到时频域；
S213、利用单元平均恒虚警进行混合信号时频域检测，若当前检测单元小于门限值则判定没有干扰，否则有干扰，其中，门限值为参考单元的平均值和门限系数的乘积。
通过上述方式判断的干扰信号，将利用单元平均恒虚警进行混合信号时频域检测得到的恒虚警检测矩阵向时域和频域维投影，并对时域维或频域维的起始和结束端点进行精度变换，得到干扰信号的开始时间、结束时间、中心频率和带宽等参数，为后续干扰图像处理提供参数。
提取干扰参数的具体步骤为：
S221、将利用单元平均恒虚警进行混合信号时频域检测得到的恒虚警矩阵向时域和频域维投影；
S222、对时域维或频域维的起始和结束端点进行精度变换，得到干扰参数；
其中干扰参数包括干扰信号的开始时间、结束时间、中心频率和带宽
S3、利用自适应图像处理算法对得到的干扰参数进行数据处理，得到干扰图像样本集；
具体包括如下步骤：
S31、利用高斯滤波进行图像平滑去噪，并通过min-max标准化将像素取整；
S32、剪除无效干扰信号频段，将干扰图像聚焦到干扰存在的有效频段内；
S33、通过最邻近插值算法将时频图像重采样，获得干扰样本。
S34、在干扰样本每组参数下设置多个信噪比点；
S35、对每种干扰信号在每个信噪比点下设置多组不同的干扰参数；
S36、对每组干扰参数下生成多张干扰信号图片，得到干扰图像样本集
具体而言，在本实施例里，自适应图像处理算法依次分别进行频域滤波、Gabor变换、时频图像标准化、时频图像截取和最近邻差值计算，如图3所示，
仿真得到干扰信号，在有干扰信号的有效频段外也存在着噪声，这些噪声的存在对后续干扰信号的处理有一定的影响，因此需对信号进行频域滤波，设计带通滤波器，滤除背景白噪声。
带通滤波器参数：f0为信号的中心频率，B为信号的带宽。
通带左边界：w1＝(f0-B)
通带右边界：w2＝(f0+B)
衰减截止左边界：w11＝(f0-2B)
衰减截止右边界：w22＝(f0+2B)
以噪声调幅干扰为例，带宽分别为B＝40MHz和B＝70MHz，仿真参数设置为：中心频率f0＝300MHz，采样率Fs＝1200MHz，干噪比8dB，如图6所示；
信号s(t)的Gabor变换定义为：
Figure BDA0002837990660000071
其中
Figure BDA0002837990660000072
表示窗函数，为高斯函数。式中a＞0,b＞0。ga(t-b)是一个时间局部化的“窗函数”，参数b用于平行移动窗口，以便于覆盖整个时域。Gabor取ga(t)为一个高斯函数有两个原因：一是高斯函数的Fourier变换仍为高斯函数，这使得Fourier逆变换也是用窗函数局部化，同时体现了频域的局部化；二是Gabor变换是最优的窗口Fourier变换。其意义在于Gabor变换出现之后，才有了真正意义上的时间－频率分析。即Gabor变换可以达到时频局部化的目的：它能够在整体上提供信号的全部信息而又能提供在任一局部时间内信号变化剧烈程度的信息。简言之，可以同时提供时域和频域局部化的信息。整个过程可以看作是用一个高斯窗逐渐滑动之后的傅里叶变换。
在本实施例里，各个干扰仿真参数设置如下，设定信号总长度4000us：
噪声调幅干扰：中心频率f0＝480MHz，时宽T＝210us，带宽B＝60MHz，采样率Fs＝2400MHz，开始时间400us，干噪比5dB；
噪声调频干扰：中心频率f0＝500MHz，时宽T＝250us，带宽B＝80MHz，采样率Fs＝2400MHz，开始时间1100us，调频率5.5MHz/us，干噪比5dB；
梳状谱干扰：信号的中心频率f0＝450MHz，时宽T＝220us，带宽B＝110MHz，采样率Fs＝2400MHz，开始时间700us，调频率为1.2*10^6，M＝10，干噪比5dB；
切片转发干扰：信号的中心频率f0＝550MHz，带宽B＝65MHz，脉冲重复周期115us，采样率Fs＝2400MHz，开始时间900us，信号占空比0.09，脉冲串个数M＝6，时隙数N＝4，干噪比5dB；
频谱弥散干扰：信号的中心频率f0＝650MHz，带宽B＝90MHz，脉冲重复周期130us，采样率Fs＝2400MHz，开始时间500us，采样倍数N＝6，信号占空比0.14，干噪比5dB；
间歇采样转发干扰：信号的中心频率f0＝510MHz，带宽B＝70MHz，脉冲重复周期210us，采样率Fs＝2400MHz，开始时间600us，间歇采样次数5，间歇采样占空比0.4，干噪比5dB；
噪声乘积干扰：信号的中心频率f0＝520MHz，时宽T＝220us，带宽B＝50MHz，采样率Fs＝2400MHz，开始时间600us，干噪比5dB。
噪声卷积干扰：信号的中心频率f0＝600MHz，时宽T＝180us，带宽B＝55MHz，采样率Fs＝2400MHz，开始时间600us，干噪比5dB。
各类干扰在上述参数下的时频图如图7所示。
由于对干扰信号进行了加噪，时频图像周边有着噪声，需要通过平滑滤波对其进行去噪处理。图像滤波，即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接影响到后续图像处理和分析的有效性和可靠性。选择高斯滤波算法对8种干扰进行平滑处理，高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。由于信号的干扰主要来自于高斯白噪声，因此可以用高斯滤波器来消除噪声对信号的影响。
用模板扫描图像中的每一个像素，用模板确定的领域内像素的加权平均灰度值去替代模板中心像素点的值。二维高斯函数为：
Figure BDA0002837990660000081
(x,y)为在高斯模板里中的位置坐标，x轴水平向右，y轴竖直向下。δ为标准差，通过上述公式获得高斯滤波器模板。
在本实施例里，高斯模板矩阵为4*4，标准差为7，以噪声调频信号为例，高斯滤波前后对比如图8所示。
原始图像中像素值浮动范围相对较大，假设图像的某些特征的取值范围较大，那么这些特征值会影响最后的分类准确率，所以在分类之前对图像进行调整，将特征值限定在一定的范围内，利用min-max标准化(Min-maxnormalization)并取整将像素值归到[0,255]范围内。
Figure BDA0002837990660000091
其中，f(x,y)是时频图像中(x,y)处的像素值，f′(x,y)是归一化后的像素值，minF(x,y)是时频图像中最小的像素值，max F(x,y)是时频图像中最大的像素值。
由于干扰信号只在时频图像的有效频段范围内，需对冗余频段进行剪除，并且可以减少由于干扰频带位置的不同带来的差异性。从时频图的频率维两端向中心搜索，在两端都会找到第一个大于等于a*max F(x,y)的像素值所在的列c1和c2，然后截取c1和c2之间的图像，设置a＝0.02。以噪声调幅信号为例，裁剪前后对比如图9所示.
若原图是一个像素大小为W*H的图片，缩放后的图片是一个像素大小为w*h的图片，这时候缩放后的图片像素点(x,y)的像素值就对应着原图像素点(W/w*x，H/h*y)的像素值，并将像素值取整。设置缩放后的图片的像素大小为128*128。
综上所述，利用高斯滤波进行图像平滑去噪，并通过min-max标准化将像素取整归到[0，255]范围内；然后，剪除无效干扰信号频段，减少干扰频带位置不同带来的差异性，将图像聚焦到干扰存在的有效频段内；最后通过最邻近插值算法将时频图像重采样，统一规格为128*128，获得干扰信号在干噪比为6dB时的干扰样本，如图10所示
S4、根据伪标签的标签传播算法对干扰图像样本集进行半监督识别。
在本实施例里，模型需要对噪声调幅干扰、噪声调频干扰、梳状谱干扰、切片转发干扰、频谱弥散干扰、间歇采样转发干扰、噪声卷积干扰和噪声乘积干扰进行仿真，并通过频率滤波、Gabor变换、时频图像标准化、时频图像截取、最邻近插值生成数据集，为半监督模型提供输入。本实施例假设信号总长度4000us，信号每组参数下设置5个信噪比点：0dB、2dB、4dB、6dB、8dB，每种干扰在每个干噪比点下设置3组不同的干扰参数。训练集的干扰信号的具体仿真参数如表1所示，同一信噪比下训练集有三组参数设置，每组参数100张图片，共12000张。
表1干扰信号参数设置表
Figure BDA0002837990660000101
本实施例提出的标签传播算法(LPA)是一种基于图的半监督学习算法，根据样本间的相似度建立完全图，图中的节点是少量有标签的数据和大量无标记的数据构成，节点间边的权重通过计算相似度获取。标签传播算法建立在一个假设之上：完全图上距离越近的节点那它们会获得相近的标签，便可实现从有标签节点到无标记节点的传播。基于图的构造和节点间边相似度计算进行标签的传播过程是相对简单并且有效的，且只需借助少量有标签数据可实现数据集中大量无标记样本的标签预测，对人工标记依赖小。
根据伪标签的标签传播算法对干扰图像样本集进行半监督识别的方法分为如下步骤：
S41、定义数据集，将干扰图像样本集中的数据分为有标记的数据集和无标记的数据集；
具体而言，首先定义数据集，定义数据集的方法为：
定义电子干扰数据集中有标记的数据集Xl，
Xl＝(x1,y1)…(xl,yl)；
其中，l为有标记的数据集的数量；YL＝{y1 … yl}∈{1,…,C}，C是类标签的数目即电子干扰的种类，且已标记的数据样本中存在所有的干扰类别；
定义电子干扰数据集中无标记的数据集Xu，
Xu＝(xl+1,yl+1)…(xl+u,yl+u)；
其中YU＝{yl+1 … yl+u}是待预测的数据集，u为无标记的数据集的数量，且l＜＜u
S42、建立全连接图，并计算图中各节点间的相似度；
具体而言，基于图的半监督学习算法依赖于图的构建，选择全连接图作为LPA算法的构图基础，图中所有节点都通过边连接，并且给边赋予一个权重，表示两个节点间的相似度，这里采用RBF核函数法计算。节点间的距离越小，那么他们的相似度越高，边的权重就越大，相似度计算公式：
Figure BDA0002837990660000111
其中dij表示节点间的欧氏距离，δ为常数，wij为节点间的相似度。
S43、根据各节点间的相似度构建节点间的概率转移矩阵，并根据概率转移矩阵构建节点间的标签矩阵，具体而言，
根据各节点间的相似度构建(l+u)×(l+u)的概率转移矩阵P，表示为：
Figure BDA0002837990660000112
其中n＝l+u，
Figure BDA0002837990660000113
表示从节点i传到节点j的概率；
同时，根据概率转移矩阵构建(l+u)×C的标签矩阵F，表示为：
Figure BDA0002837990660000114
其中fij表示标签j对节点i的影响概率，C为干扰的标签。
S44、执行传播过程，直至标签矩阵收敛，输出无标记的数据集的标签，具体而言，其传播过程为：
S441、利用传统标签传播算法模块对Xu中的无标记节点进行预测，得到带预测标签的样本XL0；
S442、判断XL0中节点的分类概率置信度是否大于设定值，若超过则将该节点从Xu中移除，赋予预测标签为伪标签并将其加入到Xl中，若小于则放回原无标记的数据集Xu中；
S443、记录加入到Xl，并将次数加1；
S444、输出无标记数据集的标签，结束传播过程。
标签矩阵收敛性验证：
对标签矩阵F进行分块：
Figure BDA0002837990660000115
其中fL是有标签的l×C矩阵，fU是待预测无标记的u×C矩阵，C是类标签的数目即电子干扰的种类，且已标记的数据样本中存在所有的干扰类别。根据标签传播算法过程可知，当有标签和无标记数据集确定时，概率转移矩阵P，标签矩阵中fL也已确定，我们关注的是预测出的fU的值进而确定无标记数据集的标签，因此将概率转移矩阵P分为4个子矩阵：
Figure BDA0002837990660000121
PLL为l*l的概率转移矩阵，表示从有标签节点转移到有标签节点的概率
PLU为l*u的概率转移矩阵，表示从有标签节点转移到无标记节点的概率
PUL为u*l的概率转移矩阵，表示从无标记节点转移到有标签节点的概率
PUU为u*u的概率转移矩阵，表示从无标记节点转移到无标记节点的概率
那么传播过程由F＝P·F-1变为：
Figure BDA0002837990660000122
即：
fU＝PULfL+PUUfU -1
fU是待预测无标记的u×C矩阵，fL是有标签的l×C矩阵，上式为一个迭代式。
上式为迭代过程：
fU＝(((((PULfL+PUUfU)PUU+PULfL)PUU+PULfL)…)PUU+PULfL)
那么有：
Figure BDA0002837990660000123
即：
Figure BDA0002837990660000124
fU 0表示带预测无标记矩阵的初始值，n表示迭代次数。
求和得到：
Figure BDA0002837990660000125
我们知道，一旦数据集确定，那么概率传播矩阵的值通过相似度计算便可以确定，即P中子矩阵PLL、PLU、PUL、PUU都已确定，而PUU中的值是归一化的结果
Figure BDA0002837990660000126
所以该矩阵中的元素都是小于1的，因此
Figure BDA0002837990660000127
那么
Figure BDA0002837990660000128
而fU 0给无标记数据赋予的初始值，发现初始值并不会影响标签传播算法的收敛性。那么上式变为：
fU＝PULfL(1-PUU)
fU是待预测无标记的u×C矩阵。
显然，这是一个恒定的值，那么对于任意给定样本集合，经过标签传播算法之后仍然具有收敛性的。
通过F←P·F的传播过程，所有的节点将自己的标签传播到其他的节点，但为防止源域已标记数据在传播中发生标签消退现象，保持源域数据的标签不变，决策边界便会从密集区域移动到稀疏区域。
从有标记节点到无标记节点的扩散传播过程，会使距离已标记节点较近的点更快得到标签，且更趋于收敛。距离较远的节点由于他们与标记节点的边相似度较低，往往形成多个标签竞争的情况，使这些区域标签判决收敛速度慢，时间复杂度高。针对以上问题，本文提出基于伪标签框架的标签传播算法(PL-LPA)，引入伪标签思想，给置信度高于阈值的无标记节点打上伪标签并加入已标记数据集中，增加源域数据集中有标记节点数，在数据量较大、数据分散时能加快收敛速度。
根据源域数据集中有标记节点XL和无标记节点XU构造全连接图，利用LPA算法预测无标记节点的标签；然后判断预测标签的置信度是否大于0.8，若大于则将该节点从XU中移除，将预测标签作为伪标签并加入到XL作为已标记节点，重复上述过程直到无标记节点为空集或加入XL的次数为10次时结束。模型主动选择置信度高于0.8的节点加入XL中，但一些节点在模型收敛时其置信度都无法达到此要求，导致XU难以达到空集，因此增加附加条件使模型收敛时结束进程。
实验结果分析
本实施例实验服务器采用Windows10，运行内存16GB，8核处理器，搭载NVIDAGeForceRTX2070sGPU，使用TensorFlow框架建立模型，并采用NVDIACuda对GPU加速。
实验中，我们把表1中得到的数据集在PL-LPA模型中进行测试，并与CNN监督算法和传统LPA算法进行对比，如表2所示。结果显示：在标签数为60时，PL-LPA算法识别率较CNN、LPA分别提高13.6％、5.5％；在标签数为80时，PL-LPA算法识别率较CNN、LPA分别提高5.1％、7.3％；在标签数为100时，PL-LPA算法识别率较CNN、LPA分别提高5.0％、6.7％；在标签数为120时，PL-LPA算法识别率较CNN、LPA分别提高5.0％、5.9％；在标签数为240时，PL-LPA算法识别率较CNN、LPA分别提高5.8％、5.3％；在标签数为360时，PL-LPA算法识别率较CNN、LPA分别提高2.4％、3.8％；随着标签数目的增加，三种算法的识别率都增加，但相同标签数量下，PL-LPA算法均高于LPA和CNN算法。此外，PL-LPA算法识别率更为稳定，在标签数为80、100、120、240、360时，传统的LPA算法识别率较CNN低，而PL-LPA算法识别率均高于CNN和LPA。综上，本文提出的PL-LPA模型泛化能力更强、识别能力更好，在少量标签数据下分类识别效果更佳。
表2PL-LPA、LPA、CNN算法不同标签数目下识别率对比
标签数据数目 标签数据占比 CNN LPA PL-LPA
60 1/200 72.2％ 80.3％ 85.8％
80 1/150 85.7％ 83.5％ 90.8％
100 1/120 87.5％ 85.8％ 92.5％
120 1/100 89.1％ 88.2％ 94.1％
240 2/100 90.0％ 90.5％ 95.8％
360 3/100 95.9％ 94.5％ 98.3％
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于标签传播的雷达干扰半监督识别方法，其特征在于，包括如下步骤：
S1、对干扰信号进行建模，得到混合信号；
S2、检测混合信号中是否存在电子干扰，对其中电子干扰提取干扰参数；
S3、利用自适应图像处理算法对得到的干扰参数进行数据处理，得到干扰图像样本集；
S4、根据伪标签的标签传播算法对干扰图像样本集进行半监督识别，具体方式为：
S41、定义数据集，将干扰图像样本集中的数据分为有标记的数据集和无标记的数据集，定义数据集的方法为：
S411、定义电子干扰数据集中有标记的数据集Xl，
Xl＝(x1,y1)…(xl,yl)；
其中，l为有标记的数据集的数量；YL＝{y1…yl}∈{1,…,C}，C是类标签的数目即电子干扰的种类，且已标记的数据样本中存在所有的干扰类别；
S412、定义电子干扰数据集中无标记的数据集Xu，
Xu＝(xl+1,yl+1)…(xl+u,yl+u)；
其中YU＝{yl+1…yl+u}是待预测的数据集，u为无标记的数据集的数量，且l＜＜u；
S42、建立全连接图，并计算图中各节点间的相似度；
S43、根据各节点间的相似度构建节点间的概率转移矩阵，并根据概率转移矩阵构建节点间的标签矩阵；
S44、执行传播过程，直至标签矩阵收敛，输出无标记的数据集的标签，其中执行传播过程的方法为：
S441、利用传统标签传播算法模块对Xu中的无标记节点进行预测，得到带预测标签的样本XL0；
S442、判断XL0中节点的分类概率置信度是否大于设定值，若超过则将该节点从Xu中移除，赋予预测标签为伪标签并将其加入到Xl中，若小于则放回原无标记的数据集Xu中；
S443、记录加入到Xl，并将次数加1；
S444、输出无标记数据集的标签，结束传播过程。
2.根据权利要求1所述的一种基于标签传播的雷达干扰半监督识别方法，其特征在于，所述S1中干扰信号建模的方法为：建立电子干扰时域、频域波形；其中，电子干扰包括有源非相干干扰和有源相干干扰，有源非相干干扰包括噪声调幅干扰AM、噪声调频干扰FM、梳状谱干扰COMB；有源相干干扰包括切片转发干扰C&I、频谱弥散干扰SMSP、间歇采样转发干扰IS、噪声乘积干扰MN、噪声卷积干扰CN。
3.根据权利要求2所述的一种基于标签传播的雷达干扰半监督识别方法，其特征在于，所述步骤S2中检测是否存在电子干扰的具体步骤为：
S211、利用下变频方法将混合信号下变频为数字视频信号；
S212、将数字视频信号经过短时傅里叶变换后变换到时频域；
S213、利用单元平均恒虚警进行混合信号时频域检测，若当前检测单元小于门限值则判定没有干扰，否则有干扰，其中，门限值为参考单元的平均值和门限系数的乘积。
4.根据权利要求3所述的一种基于标签传播的雷达干扰半监督识别方法，其特征在于，所述步骤S2中提取干扰参数的具体步骤为：
S221、将利用单元平均恒虚警进行混合信号时频域检测得到的恒虚警矩阵向时域和频域维投影；
S222、对时域维或频域维的起始和结束端点进行精度变换，得到干扰参数；
其中干扰参数包括干扰信号的开始时间、结束时间、中心频率和带宽。
5.根据权利要求4所述的一种基于标签传播的雷达干扰半监督识别方法，其特征在于：所述步骤S3的具体步骤为：
S31、利用高斯滤波进行图像平滑去噪，并通过min-max标准化将像素取整；
S32、剪除无效干扰信号频段，将干扰图像聚焦到干扰存在的有效频段内；
S33、通过最邻近插值算法将时频图像重采样，获得干扰样本；
S34、在干扰样本每组参数下设置多个信噪比点；
S35、对每种干扰信号在每个信噪比点下设置多组不同的干扰参数；
S36、对每组干扰参数下生成多张干扰信号图片，得到干扰图像样本集。
6.根据权利要求1所述的一种基于标签传播的雷达干扰半监督识别方法，其特征在于，所述S42中各节点间的相似度计算方式为：
Figure FDA0004040470500000021
其中dij表示节点间的欧氏距离，δ为常数，wij为节点间的相似度。
7.根据权利要求6所述的一种基于标签传播的雷达干扰半监督识别方法，其特征在于，所述S43中概率转移矩阵P表示为：
Figure FDA0004040470500000022
其中n＝l+u，
Figure FDA0004040470500000023
表示从节点i传到节点j的概率；标签矩阵F表示为：
Figure FDA0004040470500000031
其中Fij表示标签j对节点i的影响概率，C为干扰的标签。
CN202011479825.8A 2020-12-16 2020-12-16 一种基于标签传播的雷达干扰半监督识别方法 Active CN112507621B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011479825.8A CN112507621B (zh) 2020-12-16 2020-12-16 一种基于标签传播的雷达干扰半监督识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011479825.8A CN112507621B (zh) 2020-12-16 2020-12-16 一种基于标签传播的雷达干扰半监督识别方法

Publications (2)

Publication Number Publication Date
CN112507621A CN112507621A (zh) 2021-03-16
CN112507621B true CN112507621B (zh) 2023-04-07

Family

ID=74972098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011479825.8A Active CN112507621B (zh) 2020-12-16 2020-12-16 一种基于标签传播的雷达干扰半监督识别方法

Country Status (1)

Country Link
CN (1) CN112507621B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113420817B (zh) * 2021-06-25 2023-04-04 西安电子科技大学 基于网络结构特征归纳的半监督调制类型识别方法、装置及介质
CN113721209B (zh) * 2021-09-01 2024-07-30 陕西世纪华耀科技有限公司 一种基于神经网络算法的多功能雷达工作模式识别方法
CN115082679B (zh) * 2022-06-23 2024-04-16 电子科技大学 基于语义分割的雷达复合干扰识别方法
CN116662877B (zh) * 2023-05-09 2024-09-06 哈尔滨工程大学 一种应用于分布式光纤传感技术模式识别的样本评估方法
CN116260547B (zh) * 2023-05-11 2023-09-22 武汉能钠智能装备技术股份有限公司四川省成都市分公司 一种抑制同频干扰的系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107491734A (zh) * 2017-07-19 2017-12-19 苏州闻捷传感技术有限公司 基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法
CN111444859A (zh) * 2020-03-30 2020-07-24 哈尔滨工程大学 一种无监督跨域人脸表情识别方法
CN111709315A (zh) * 2020-05-27 2020-09-25 西安交通大学 一种基于领域适配的水声目标辐射噪声识别方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200153535A1 (en) * 2018-11-09 2020-05-14 Bluecom Systems and Consulting LLC Reinforcement learning based cognitive anti-jamming communications system and method
CN109633588A (zh) * 2018-12-29 2019-04-16 杭州电子科技大学 基于深度卷积神经网络的雷达辐射源识别方法
US11349743B2 (en) * 2019-02-04 2022-05-31 General Dynamics Mission Systems, Inc. Machine learning training system for identification or classification of wireless signals
CN110717390A (zh) * 2019-09-05 2020-01-21 杭州电子科技大学 基于图半监督宽度学习的脑电信号分类方法
CN110927706B (zh) * 2019-12-10 2022-05-24 电子科技大学 基于卷积神经网络的雷达干扰检测识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107491734A (zh) * 2017-07-19 2017-12-19 苏州闻捷传感技术有限公司 基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法
CN111444859A (zh) * 2020-03-30 2020-07-24 哈尔滨工程大学 一种无监督跨域人脸表情识别方法
CN111709315A (zh) * 2020-05-27 2020-09-25 西安交通大学 一种基于领域适配的水声目标辐射噪声识别方法

Also Published As

Publication number Publication date
CN112507621A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN112507621B (zh) 一种基于标签传播的雷达干扰半监督识别方法
CN110927706B (zh) 基于卷积神经网络的雷达干扰检测识别方法
Roy et al. Impulse noise removal using SVM classification based fuzzy filter from gray scale images
Roth et al. Fields of experts: A framework for learning image priors
Chou et al. Turbulent-PSO-based fuzzy image filter with no-reference measures for high-density impulse noise
Roy et al. Multiclass SVM based adaptive filter for removal of high density impulse noise from color images
CN110956632B (zh) 钼靶图像中胸大肌区域自动检测方法及装置
CN104732509A (zh) 自适应图像分割方法和设备
Zhang et al. Few-shot learning for fine-grained signal modulation recognition based on foreground segmentation
CN114429151A (zh) 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统
CN104021536A (zh) 一种自适应的sar图像和多光谱图像融合方法
CN108627241A (zh) 一种基于高斯混合模型的宽吻海豚click信号检测方法
CN113466852A (zh) 应用于随机干扰场景下的毫米波雷达动态手势识别方法
Mishra et al. A saccade based framework for real-time motion segmentation using event based vision sensors
CN116047427A (zh) 一种小样本雷达有源干扰识别方法
CN109034070B (zh) 一种置换混叠图像盲分离方法及装置
CN112329538B (zh) 一种基于微波视觉的目标分类方法
KR102313870B1 (ko) 최적화 기법 및 얕은 cnn을 이용한 적응적 가우시안 잡음 제거 모델
Javed et al. Multi-denoising based impulse noise removal from images using robust statistical features and genetic programming
Xing et al. An efficient method to remove mixed Gaussian and random-valued impulse noise
Cao et al. Single image motion deblurring with reduced ringing effects using variational Bayesian estimation
Tang et al. Learning from natural noise to denoise micro-doppler spectrogram
Li et al. Automatic modulation recognition based on a new deep K-SVD denoising algorithm
Lyu et al. Pyramidal convolution attention generative adversarial network with data augmentation for image denoising
CN113379666B (zh) 基于区间二型模糊集和chmm模型的图像融合方法

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