• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于多主分量神經(jīng)網(wǎng)絡(luò)的同步DS-CDMA偽碼盲估計

    2016-11-11 08:24:58張?zhí)祢U趙軍桃江曉磊
    關(guān)鍵詞:組數(shù)偽碼復(fù)雜度

    張?zhí)祢U,趙軍桃,江曉磊

    (重慶郵電大學(xué)信號與信息處理重慶市重點實驗室,重慶 400065)

    ?

    基于多主分量神經(jīng)網(wǎng)絡(luò)的同步DS-CDMA偽碼盲估計

    張?zhí)祢U,趙軍桃,江曉磊

    (重慶郵電大學(xué)信號與信息處理重慶市重點實驗室,重慶 400065)

    針對批處理方法在實現(xiàn)非等功率同步直接序列碼分多址(direct sequence code-division multiple access,DS-CDMA)信號偽碼序列盲估計時存在的復(fù)雜度高、收斂速度慢的問題,引入了3種多主分量神經(jīng)網(wǎng)絡(luò)(Sanger NN、LEAP NN和APEX NN)。首先將已分段的一周期DS-CDMA信號作為神經(jīng)網(wǎng)絡(luò)的輸入信號,用神經(jīng)網(wǎng)絡(luò)各權(quán)值向量的符號函數(shù)代表DS-CDMA信號各用戶的偽碼序列,然后通過不斷輸入信號來反復(fù)訓(xùn)練權(quán)值向量直至收斂,最終DS-CDMA信號各用戶的偽碼序列就可以通過各權(quán)值向量的符號函數(shù)重建出來。此外,本文提出了一種在遞歸最小二乘(recursive least square,RLS)意義下的最優(yōu)變步長收斂模型,極大地提高了網(wǎng)絡(luò)的收斂速度。理論分析與仿真實驗表明:將3種神經(jīng)網(wǎng)絡(luò)用于同步非等功率DS-CDMA信號偽碼盲估計時的復(fù)雜度均明顯降低,且LEAP NN與Sanger NN均可有效地實現(xiàn)-20 dB信噪比、10個用戶下的同步非等功率DS-CDMA偽碼盲估計,APEX NN則相對較差,此外,LEAP NN消耗內(nèi)存較大、收斂速度快,APEX NN相反,Sanger NN則介于兩者之間。

    盲估計; 碼分多址; 偽碼; 多主分量; 神經(jīng)網(wǎng)絡(luò)

    0 引 言

    直接序列碼分多址(direct sequence code-division multiple access,DS-CDMA)信號是通過將多個攜帶有用信息的窄帶信息碼序列分別與多個高速偽碼序列相乘再求和而獲得的寬帶擴(kuò)頻信號,因而其具有優(yōu)良的抗干擾能力和低截獲特性。然而,DS-CDMA系統(tǒng)中不可避免地存在的遠(yuǎn)近問題和多址干擾嚴(yán)重影響著這一技術(shù)的推廣應(yīng)用。第三代移動通信系統(tǒng)利用多用戶檢測技術(shù)來有效的解決這一問題,提高了這一信號應(yīng)用的廣泛性。目前,該信號已被廣泛的應(yīng)用于通信、雷達(dá)、遙感和遙控等領(lǐng)域。因此,研究該信號偽碼序列的盲估計具有重要意義。

    目前,針對DS-CDMA信號的偽碼序列的盲估計已提出多種方法,如基于批處理(SVD或EVD)的方法[1],基于盲源分離的方法[2]以及基于子空間[3]的方法,但是批處理方法不可避免的會涉及到相關(guān)矩陣的R預(yù)先計算,具有計算復(fù)雜度高、收斂速度慢及計算存儲量大等缺點,且當(dāng)序列長度較長或工作于非平穩(wěn)環(huán)境中時,該方法變得不再可行。而主分量神經(jīng)網(wǎng)絡(luò)可以自適應(yīng)地進(jìn)行模式識別與特征提取[4-5],且不需要進(jìn)行R的預(yù)先計算,不涉及批處理運(yùn)算,具有開銷小、效率高、復(fù)雜度低等優(yōu)點,因此得到了廣泛的應(yīng)用。文獻(xiàn)[6]分別將主分量神經(jīng)網(wǎng)絡(luò)及奇異值分解(singular value decomposition,SVD)方法用于音頻信號消噪,并對其性能進(jìn)行了對比分析,但由于該文用到的神經(jīng)網(wǎng)絡(luò)為單主分量神經(jīng)網(wǎng)絡(luò),因此并不適用于接收信號為DS-CDMA信號時的情況。然而,經(jīng)典的Sanger神經(jīng)網(wǎng)絡(luò)[7-8]、通過主分量實現(xiàn)自適應(yīng)特征提取的在線無監(jiān)督學(xué)習(xí)(on line unsupervised learing neural network for adaptive feature extraction via principle component,LEAP)神經(jīng)網(wǎng)絡(luò)[9-11]以及自適應(yīng)主分量提取(adaptive principle components extraction,APEX)神經(jīng)網(wǎng)絡(luò)[12-13]均為多主分量神經(jīng)網(wǎng)絡(luò),且屬于無監(jiān)督檢測,因此是一類很有潛力的非等功率同步DS-CDMA偽碼盲提取工具。

    本文利用多主分量神經(jīng)網(wǎng)絡(luò)復(fù)雜度低、效率高且可用于盲提取偽碼序列的優(yōu)良特性,將其用于非等功率同步DS-CDMA偽碼序列的盲估計。另外,本文提出了一種在遞歸最小二乘[14-15](recursive least squares,RLS)意義下的最優(yōu)收斂模型,極大地提高了網(wǎng)絡(luò)的收斂速度。此外,本文網(wǎng)絡(luò)僅需要已知偽碼周期就可實現(xiàn)盲估計,由于已有大量文獻(xiàn)可以求出同步DS-CDMA信號的偽碼周期,如文獻(xiàn)[16-17],所以本文假定偽碼周期已知。本文首先引入Sanger NN、LEAP NN以及APEX NN,其次對各神經(jīng)網(wǎng)絡(luò)模型的收斂性及復(fù)雜度進(jìn)行了詳細(xì)分析,最后根據(jù)各神經(jīng)網(wǎng)絡(luò)能夠收斂的最多用戶數(shù)、最低信噪比以及相應(yīng)的收斂速度進(jìn)行了詳細(xì)的仿真實驗。理論分析與仿真實驗表明,3種方法均可有效地實現(xiàn)較低信噪比與較多用戶數(shù)條件下的非等功率同步DS-CDMA偽碼序列盲估計,并且具有較好的收斂性能。

    1 DS-CDMA模型

    DS-CDMA信號可以簡單的看作將K個性質(zhì)類似的單用戶DS-SS信號線性疊加而成的,一個有K個用戶的基帶數(shù)字DS-CDMA系統(tǒng)的接收信號可以表示為

    (1)

    (2)

    當(dāng)τ1=τ2=…=τK=Tx時,式(2)代表了K個用戶的同步DS-CDMA信號;而當(dāng)τ1≠τ2≠…≠τK時,式(2)代表了K個用戶的異步DS-CDMA信號。

    本文只考慮非等功率的同步基帶DS-CDMA信號。而且,不失一般性,取M=0,Tx=0,即每個用戶每幀只有一個數(shù)據(jù)符號位。所以,本文所用到的接收信號模型可表示為

    (3)

    2 多主分量 NN方法

    2.1Sanger NN、LEAP NN與APEX NN

    根據(jù)Hebbian與Oja學(xué)習(xí)規(guī)則,Sanger提出了一種多主分量分析神經(jīng)網(wǎng)絡(luò)模型,如圖1所示。

    圖1 Sanger 神經(jīng)網(wǎng)絡(luò)Fig.1 Sanger neural network

    (4)

    則由圖1可得,輸出為

    (5)

    式中,x(k)=[x1(k),x2(k),…,xN(k)]T;y(k)=[y1(k),y2(k),…,yU(k)]T,且權(quán)值更新公式為

    (6)

    (7)

    Chen H和Liu R W在Sanger NN的基礎(chǔ)上提出了LEAP NN。其更新公式為下式給定的非線性、非自治動態(tài)差分方程:

    (8)

    式中

    (9)

    式中,I表示一個N×N的單位矩陣。在每次迭代時,Ai和Bi是所有連接權(quán)值中用于實現(xiàn)施密特正交化的去相關(guān)條件。當(dāng)k→∞時,LEAP NN也可以提取任意大小的一組主分量。

    根據(jù)反Hebbian規(guī)則(anti Hebbian rule)與Oja規(guī)則,Kung S Y提出了APEX NN。其特點是若給出前i-1個主分量,可用遞推方式計算第i個主分量。APEX NN如圖2所示,與Sanger NN的不同之處在于其在前向連接的基礎(chǔ)上增加了用于使輸出信號正交化去相關(guān)的側(cè)向連接。

    圖2 APEX 神經(jīng)網(wǎng)絡(luò)Fig.2 APEX neural network

    圖2中各神經(jīng)元均為線性神經(jīng)元,其含有兩種連接:前向連接、側(cè)向連接。前向連接與Sanger NN中的wij(k)等效,它是按照一個Hebbian學(xué)習(xí)規(guī)則來工作的;側(cè)向鏈接是指從輸出神經(jīng)元1,2,…,i-1,i=1,2,…,U到輸出神經(jīng)元i的連接,它將反饋應(yīng)用到網(wǎng)絡(luò)。這些連接被表示為反向權(quán)向量,即

    (10)

    側(cè)向連接是按照一個反Hebbian學(xué)習(xí)規(guī)則來工作。由圖2可知APEX NN的輸入輸出關(guān)系為

    (11)

    (12)

    假設(shè)輸入向量x(k)是來自于一個平穩(wěn)過程,其自相關(guān)矩陣R具有互相區(qū)別的按降序排列的特征值,即

    (13)

    進(jìn)一步假設(shè)圖2中輸出神經(jīng)元1,2,…,i-1已經(jīng)收斂到它們各自的穩(wěn)定點,表示為

    (14)

    (15)

    式中,ej是相關(guān)矩陣R的第j個特征值對應(yīng)的特征向量,并且時刻k=0表示了網(wǎng)絡(luò)的神經(jīng)元i計算的起點,故此時式可以寫為

    (16)

    式中,Q是一個(i-1)×N的矩陣,由相關(guān)矩陣R的前i-1最大特征值λ1,λ2,…,λi-1對應(yīng)的特征向量e1,e2,…,ei-1構(gòu)成,即

    (17)

    神經(jīng)元i的前向權(quán)向量wi(k)和反向權(quán)向量ai(k)的更新等式分別定義為

    (18)

    (19)

    2.2Sanger NN、LEAP NN與APEX NN在RLS下的最優(yōu)變步長學(xué)習(xí)速率

    由于Sanger NN、LEAP NN與APEX NN的權(quán)值更新公式中均含有x(k)-yi(k)wi(k)項(特別地,對于APEX NN中的側(cè)向連接,令ai(k)與wi(k)取相反的符號,則可得側(cè)向權(quán)值增量中含有yi-1(k)-yi(k)ai(k)項,這將與x(k)-yi(k)wi(k)具有相同的形式),因此可令x(k)或yi-1(k)作為RLS算法中輸入信號的期望信號,yi(k)作為RLS算法中的輸出信號,wi(k)與ai(k)作為RLS算法的連接權(quán)值,以此來構(gòu)建的RLS算法代價函數(shù)為

    (20)

    (21)

    式中,0<γ≤1為遺忘因子,其作用是確保在過去某一段時間內(nèi)的值被遺忘,從而使系統(tǒng)工作于平穩(wěn)狀態(tài)。

    由代價函數(shù)推導(dǎo)得相應(yīng)RLS算法的更新公式為

    (22)

    (23)

    式中

    (24)

    由此,可得出3種多主分量神經(jīng)網(wǎng)絡(luò)在RLS意義下的最優(yōu)變步長學(xué)習(xí)速率為

    (25)

    (26)

    進(jìn)一步可等效為

    (27)

    由文獻(xiàn)[14]可知,d(0)是一個很小的正數(shù),且由式(27)可知,初始值d(0)與γ值越小,變步長β(k)將越大,收斂速度越快。但是當(dāng)d(0)與γ取值過小(尤其是γ過小)時,會導(dǎo)致收斂性不穩(wěn)定,從而導(dǎo)致收斂速度變慢甚至不能收斂。

    2.3Sanger NN、LEAP NN與APEX NN用于同步DS-CDMA信號偽碼序列盲估計

    當(dāng)接收信號為式(3)給定的非等功率同步DS-CDMA信號時,假設(shè)Tx=0(已有文獻(xiàn)可以求出Tx),將接收信號在不重疊的周期窗內(nèi)采樣,不失一般性,這里假設(shè)采樣周期等于一個碼片寬度,即采樣周期為Ts=T0/N=Tc。則系統(tǒng)進(jìn)行N次采樣得到的一周期接收信號為

    (28)

    式中,{xi(t)=x[t-(i-1)Tc],i=1,2,…,N}是以采樣周期Ts=Tc進(jìn)行采樣,即每切普一個采樣點。在x′(t)輸入神經(jīng)網(wǎng)絡(luò)之前,將其歸一化為

    (29)

    式中

    (30)

    這樣,主特征向量就會以一個較為魯棒的形式估計出來。輸出神經(jīng)元的數(shù)量U等于所需主分量的個數(shù)(在本文中等于DS-CDMA信號用戶的個數(shù)),通常取U≤N。在許多“降維”的實際應(yīng)用中U?N。通過網(wǎng)絡(luò)權(quán)值的反復(fù)更新,最終權(quán)值將收斂于DS-CDMA信號的偽碼序列。另外,為了使該神經(jīng)網(wǎng)絡(luò)取得更好的收斂性能,本文采用式(27)所給定的變步長。

    3 收斂性分析

    3.1數(shù)學(xué)等價模型

    現(xiàn)以APEX NN為例(其他兩種網(wǎng)絡(luò)的數(shù)學(xué)等價模型推導(dǎo)與其相似)。為了獲得一個實際中易于處理的數(shù)學(xué)模型,利用Ljung L提出的隨機(jī)估計算法收斂性分析工具,本文可以應(yīng)用兩種近似:存在足夠大的正整數(shù)M,充分小的正常量β,使得:

    (31)

    (32)

    (33)

    (34)

    (35)

    進(jìn)一步,可以用{k,k+1,k+2,…}來代替{k,k+M,k+2M,…},式(34)與式(35)就可以簡化為下式:

    (36)

    (37)

    式中,γ=Mβ,此時的wi(k)、ai(k)是M個時刻的瞬時權(quán)值的平均值。這是非常關(guān)鍵的一步,因為通過上述等價,前面的非線性、非自治動態(tài)差分方程就可以近似為非線性、自治確定性差分方程。一般來說,兩個系統(tǒng)的漸進(jìn)軌跡是等價的,即其中一個系統(tǒng)收斂就意味著另一個系統(tǒng)也收斂。

    同理,可推導(dǎo)得Sanger NN非自治動態(tài)系統(tǒng)的自治確定性系統(tǒng)數(shù)學(xué)等價模型為

    (38)

    LEAP NN非自治動態(tài)系統(tǒng)的自治確定性系統(tǒng)數(shù)學(xué)等價模型為

    (39)

    3.2i=1時的收斂性分析

    對于Sanger NN,當(dāng)i=1時,有

    (40)

    這里,將連接權(quán)值向量w1(k)按照相關(guān)矩陣的正交歸一化特征向量集展開如下:

    (41)

    式中,ej是矩陣R的特征值λj對應(yīng)的特征向量;θ1j(k)是展開時的時變系數(shù),則有

    (42)

    (43)

    利用定理1可得

    (44)

    定理1(證明見文獻(xiàn)[9])已知

    (45)

    則有

    (46)

    3.3i≠1時的收斂性分析

    當(dāng)i≠1時,利用歸納法,首先假設(shè)輸出神經(jīng)元1,2,…,I-1,I>1已經(jīng)收斂到它們的穩(wěn)定狀態(tài),然后證明在假設(shè)條件下第I個神經(jīng)元也能收斂。接下來分別證明3種多主分量神經(jīng)網(wǎng)絡(luò)在i≠1時的收斂特性。

    3.3.1Sanger NN的收斂性分析

    3.3.2LEAP NN的收斂性分析

    現(xiàn)取i=I,則有

    (47)

    令εl(k)=wl(k)-el∈RN,l=1,2,…,I-1,則由假設(shè)可得存在常量c>0,0

    (48)

    則有

    (49)

    其中

    (50)

    (51)

    顯然所有ΦI(k)∈RN×N的絕對值有一致的上界3(I-1)cdk,其值當(dāng)k→∞時,以指數(shù)形式收斂于0?,F(xiàn)設(shè)ΨIi(k)是ΦI(k)ei到向量ei上的映射,則當(dāng)k→∞時,其值也以指數(shù)形式收斂于0。因此,式可以簡化為

    (1)當(dāng)1≤j≤I-1時

    (52)

    (2)當(dāng)I≤j≤N時

    (53)

    利用定理2可得:

    (54)

    定理2(證明見文獻(xiàn)[9])已知:

    (55)

    則有

    (56)

    3.3.3APEX NN的收斂性分析

    現(xiàn)取i=I,且令其前向連接權(quán)值向量按式展開,接著用基本關(guān)系式:

    Rej=λjej

    (57)

    來表達(dá)矩陣積RwI(k)如下:

    (58)

    類似地,用式(17),可以將矩陣積RQTaI(k)表達(dá)為

    (59)

    式中,A=[aI1(k),aI2(k),…,aII-1(k)]。因此,將式(59)代入式(36),并簡化,得

    (60)

    同理,反向權(quán)向量aI(k)的更新等式(37)可以被轉(zhuǎn)化為

    (61)

    式中,1j是除了第j個元素等于1,其他所有I-2個元素都為零的向量;下標(biāo)j被限制在1≤j≤I-1。

    有兩種情況需要被考慮(依賴于下標(biāo)j以及I-1的分配值)。下文情形1表示的1≤j≤I-1,其涉及該神經(jīng)網(wǎng)絡(luò)“老”主模式的分析;情形2表示的I≤j≤N,其涉及該神經(jīng)網(wǎng)絡(luò)“新”主模式的分析。

    情形 1當(dāng)1≤j≤I-1時,在這種模式下,由式(60)和式(61)可得:

    (62)

    (63)

    用矩陣形式,可以將式(62)和式(63)變換為

    (64)

    式中

    則式(64)描述的系統(tǒng)矩陣的特征值如下:

    (65)

    從式(65)中,能夠得出兩個重要的結(jié)論:

    (1)在式(65)中矩陣系統(tǒng)的特征值ρIj是獨立于相關(guān)矩陣R的所有特征值λj。

    給定ρIj<1時,式(48)的展開式系數(shù)θIj(k)和反向權(quán)向量aIj(k)將對所有的k以相同的速度漸進(jìn)的趨于零,因為網(wǎng)絡(luò)所有的主模式都具有相同的特征值。這個結(jié)果是相關(guān)矩陣特征向量的正交歸一化性質(zhì)的一種延續(xù)。換句話說,wI(k)按照相關(guān)矩陣R的整個歸一化特征向量集的展開式是式所描述結(jié)果的基礎(chǔ),特征值λj的選擇是不變的。

    情形 2當(dāng)I≤j≤N時,在這種情況中,反向權(quán)向量aIj(k)對網(wǎng)絡(luò)節(jié)點沒有影響,表示如下:

    (66)

    因此,對每一個主模式I≤j≤N,有一個簡單的等式如下:

    (67)

    其直接從式(60)和式(66)推導(dǎo)得到。根據(jù)情形1,對1≤j≤I-1,θIj(k)和aIj(k)將最終收斂到零。且神經(jīng)元輸出的平均輸出功率為

    (68)

    這里設(shè)θII(k)≠0,且定義

    (69)

    可以接著將式(69)寫為

    (70)

    由自相關(guān)矩陣的特征值λI>λj,I

    (71)

    因此

    (72)

    (73)

    此時,式(68)可以簡化為

    (74)

    并且由式(67)可得

    (75)

    推導(dǎo)得

    (76)

    這個極限條件就暗示了以下雙重含義

    (1)從式(48),有

    (77)

    (2)從式(74),有

    (78)

    換言之,當(dāng)k迭代次數(shù)趨于無窮大時,圖2所示的神經(jīng)網(wǎng)絡(luò)將提取出輸入向量x(k)相關(guān)矩陣R的第I個特征值及對應(yīng)的特征向量。這當(dāng)然是首先假設(shè)了神經(jīng)網(wǎng)絡(luò)的神經(jīng)元1,2,…,I-1已經(jīng)收斂到了相關(guān)矩陣R的特征值及其對應(yīng)的特征向量,這就證明了APEX NN在i≠1時收斂性。至此,Sanger NN、LEAP NN與APEX NN的收斂性就證明完畢。

    此外,這里對3種多主分量神經(jīng)網(wǎng)絡(luò)分析時按照“串行模式”處理,即,第i個神經(jīng)元是在前i-1個神經(jīng)元已經(jīng)收斂后才開始工作。這樣做的目的僅是為了以一種簡單的方式來解釋網(wǎng)絡(luò)的工作原理。然而,實際上,各網(wǎng)絡(luò)結(jié)構(gòu)均是按照“并行模式”工作的,即各網(wǎng)絡(luò)中的神經(jīng)元均是趨向于同時收斂。

    4 復(fù)雜度分析

    算法的時間復(fù)雜度一般是指算法實現(xiàn)過程中用到的乘法次數(shù)與加法次數(shù)。本文取用戶數(shù)為U,偽碼序列長度為N(本文中等于輸入神經(jīng)元個數(shù)),各算法達(dá)到收斂時所需的信息碼元數(shù)(本文中等于算法收斂所需要的數(shù)據(jù)組數(shù))分別為M1,M2,M3,M4,且一般來說M1,M2,M3,M4各不相等,則各算法的單次蒙特卡羅實現(xiàn)所需的復(fù)雜度如表1所示。

    表1 復(fù)雜度分析

    由表1可知,若不考慮M1,M2,M3,M4對各算法復(fù)雜度的影響,當(dāng)U=1時,Sanger NN、LEAP NN與APEX NN的計算復(fù)雜度相同,這是因為此時3種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相同;當(dāng)U≠1時,LEAP NN復(fù)雜度最大(因為其結(jié)構(gòu)中包含矩陣運(yùn)算),Sanger NN次之,APEX NN最小。對于批處理方法來說,其復(fù)雜度與用戶數(shù)無關(guān),且一般有U?N,因此其復(fù)雜度遠(yuǎn)大于多主分量神經(jīng)網(wǎng)絡(luò)的方法。

    5 仿真實驗

    實驗說明:以下實驗主要針對非等功率同步DS-CDMA信號。

    (1)非等功率同步DS-CDMA信號各用戶的PN序列是長度為100 (或200)位的截斷m序列,序列的幅度為±1。

    (2)每個用戶每次均勻隨機(jī)地產(chǎn)生幅度為±1的一位信息碼,然后用它們分別去調(diào)制對應(yīng)用戶的PN碼。

    (4)實驗中用到的信噪比為

    (79)

    (80)

    (81)

    式中,Var{·} 表示求方差操作;SNRk表示第k個用戶的信噪比;SNRavr 、SNRsum分別為所有用戶的平均信噪比和總的信噪比。

    (5)本文各實驗均取蒙特卡羅次數(shù)為Mncr=200,上采樣次數(shù)為Sa=1,算法達(dá)到收斂時允許存在1%的誤碼率。

    (6)本文實驗2到實驗5是在式(27)所示的變步長環(huán)境下進(jìn)行,其中d(0)的初始值取10.0,參數(shù)γ取恒定值0.995。

    實驗 1確定各算法變步長的最優(yōu)初值以及初步比較3種算法達(dá)到收斂時所需的平均數(shù)據(jù)組數(shù)與平均實際時間。

    這里取PN碼長為100,用戶數(shù)為7,噪聲標(biāo)準(zhǔn)差σV=5。圖 3和圖4是取γ=0.99,d(0)=[eps,1,2,5,8,10,12]時所得實驗結(jié)果圖。而圖5和圖6是取d(0)=1.0,γ=[0.98 0.9850.990.9950.998]時得到的實驗結(jié)果圖。

    圖3 初值對收斂數(shù)據(jù)組數(shù)的影響Fig.3 Influence of the initial value on the number of convergence data sets

    圖4 初值對收斂時間的影響Fig.4 Influence of the initial value on convergence time

    由圖3和圖4可知,當(dāng)取d(0)=0時,LEAP NN達(dá)到收斂時所需數(shù)據(jù)組數(shù)幾乎為零,事實上,這是由于此時收斂已不穩(wěn)定,誤碼率收斂到NaN所致,且對于APEX NN,此時的收斂性能也較差。當(dāng)d(0)≠0時,隨著初值的增大,收斂性略微變差,但效果不明顯,可見當(dāng)初值d(0)在一定范圍內(nèi)時,收斂速度對d(0)并不敏感。此外,就神經(jīng)網(wǎng)絡(luò)達(dá)到收斂時所需的平均數(shù)據(jù)組數(shù)而言,LEAP NN性能最好,Sanger NN性能次之,APEX NN性能最差;就神經(jīng)網(wǎng)絡(luò)達(dá)到收斂時所需的實際平均時間而言,Sanger NN性能最好,APEX NN性能次之,LEAP NN性能最差(這是由于LEAP NN引入了矩陣結(jié)構(gòu)使得運(yùn)算量增大)。

    圖5 遺忘因子對收斂數(shù)據(jù)組數(shù)的影響Fig.5 Influence of the forgetting factor on the number of convergence data sets

    圖6 遺忘因子對收斂時間的影響Fig.6 Influence of the forgetting factor on convergence time

    由圖5和圖6可知,當(dāng)取γ<0.98時,3種神經(jīng)網(wǎng)絡(luò)已經(jīng)不能收斂(或收斂性能很差),故文中不予考慮。當(dāng)取γ≥0.98,神經(jīng)網(wǎng)絡(luò)達(dá)到收斂時所需的平均數(shù)據(jù)組數(shù)與平均實際時間隨γ的變化曲線大致呈“凹”形,這與前面的理論描述相一致。

    為了方便對比分析,本文以下各實驗統(tǒng)一取d(0)=10.0,γ=0.995。

    實驗 2比較APEX NN、LEAP NN以及Sanger NN在低信噪比條件下的收斂性能(這里僅考慮平均數(shù)據(jù)組數(shù),下同)。

    本實驗中取PN碼長度為100位,用戶數(shù)為7。則3種神經(jīng)網(wǎng)絡(luò)在不同信噪比下收斂性能如表2所示。其中表2中σV代表噪聲的標(biāo)準(zhǔn)差,a=SNRavr,b=SNR7分別代表相應(yīng)噪聲條件下的平均信噪比與第7個用戶(該用戶的功率最小)的信噪比。

    由表2可知,當(dāng)σV≥9時,由于信噪比太低而導(dǎo)致算法收斂所需數(shù)據(jù)組數(shù)太大或不能收斂。且隨著信噪比的降低,各算法達(dá)到收斂所需的平均數(shù)據(jù)組數(shù)都在逐漸增加。此外,在相同的信噪比條件下,LEAP NN的收斂性能最好,Sanger NN次之,APEX NN最差。

    表2 在不同信噪比下的平均數(shù)據(jù)組數(shù)

    實驗 3比較APEX NN、LEAP NN以及Sanger NN在多用戶情況下的性能。

    這里取PN碼長度為100位,σV=0.5,其中用戶數(shù)分別取U=7,8,9,10,11,且其相應(yīng)的幅度值分別為

    則3種神經(jīng)網(wǎng)絡(luò)在用戶數(shù)分別取7,8,…,11時的收斂性能如表3所示,表3中U代表用戶數(shù),a=SNRavr,bk=SNRk,k=7,8,…,11分別代表相應(yīng)用戶數(shù)條件下的平均信噪比與第k個用戶的信噪比。

    表3 在不同用戶數(shù)下的平均數(shù)據(jù)組數(shù)

    由表3可知:當(dāng)U≥11時,由于信噪比太低而導(dǎo)致算法收斂所需數(shù)據(jù)組數(shù)太大或不能收斂。且隨著用戶數(shù)的增加,各算法達(dá)到收斂所需的平均數(shù)據(jù)組數(shù)在逐漸增加。此外,在相同的用戶數(shù)條件下,LEAP NN的收斂性能最好,Sanger NN次之,APEX NN最差。此外,如果σV值減小,相應(yīng)的信噪比會增大,用戶達(dá)到收斂所需要的平均數(shù)據(jù)組數(shù)會進(jìn)一步減小,可以收斂的用戶數(shù)也會增多。

    實驗 4分析APEX NN、LEAP NN以及Sanger NN在不同偽碼長度時的性能。

    本實驗中取用戶數(shù)為7,則3種神經(jīng)網(wǎng)絡(luò)在偽碼長度取100、200位時的均值收斂性能如圖7所示。

    由圖7可知,當(dāng)PN序列長度為200時,各算法達(dá)到收斂所需平均數(shù)據(jù)組數(shù)明顯小于PN序列長度為100時,即PN序列越長,收斂性能越好。此外,隨著信噪比的降低,各算法達(dá)到收斂所需的平均數(shù)據(jù)組數(shù)都在逐漸增加。而且,在相同信噪比條件下,LEAP NN的收斂性能最好,Sanger NN收斂性能次之,APEX NN的收斂性能最差。

    圖7 不同偽碼長度下的均值性能曲線Fig.7 Average performance curve under different PN length

    實驗 5分析APEX NN、LEAP NN以及Sanger NN各個用戶的平均比特誤碼率與平均數(shù)據(jù)組數(shù)。

    這里取用戶數(shù)為7,PN碼長度為C=100,則3種神經(jīng)網(wǎng)絡(luò)提取信號前3個用戶時的學(xué)習(xí)收斂曲線如圖8所示,均值性能曲線如圖9所示。

    圖8 學(xué)習(xí)收斂曲線Fig.8 Learning convergence curve

    圖9 均值性能曲線Fig.9 Mean performance curve

    由圖8可知,各算法的平均誤碼率都隨著輸入信號數(shù)據(jù)組數(shù)的增加而減小,且在相同的條件下,第一個用戶的偽碼序列在剛開始估計時收斂速度明顯快于其他用戶,這是由于第一個用戶的信號強(qiáng)度最大的緣故。

    由圖9可知,在相同條件下第一個用戶的偽碼序列估計所需數(shù)據(jù)組數(shù)明顯小于其他用戶,這同樣是由于第一個用戶的幅度值最大的緣故。

    其中曲線不夠平滑是因為蒙特卡羅次數(shù)較少的緣故,且相互交叉的曲線并不存在直接比較。

    6 結(jié) 論

    本文通過3種多主分量神經(jīng)網(wǎng)絡(luò)權(quán)值向量的符號函數(shù)來重建非等功率同步DS-CDMA信號各用戶的偽碼序列,從而實現(xiàn)該信號偽碼序列的盲估計。本文提供了一種在RLS意義下的最優(yōu)變步長收斂模型,極大地提高了算法的收斂速度。通過理論分析與仿真實驗得出,相比于批處理方法,3種多主分量神經(jīng)網(wǎng)絡(luò)在實現(xiàn)非等功率同步DS-CDMA信號偽碼盲估計時的復(fù)雜度均明顯降低,且APEX NN的復(fù)雜度最低,Sanger NN次之,LEAP NN最高。在允許1%的誤碼率條件下,當(dāng)用戶數(shù)為7時,3種多主分量神經(jīng)網(wǎng)絡(luò)都可以有效地實現(xiàn)在最小用戶信噪比為-27.9 dB下的非等功率同步DS-CDMA偽碼序列的盲估計;當(dāng)噪聲標(biāo)準(zhǔn)差為σv=0.5時,Sanger NN與LEAP NN可以有效地實現(xiàn)10個用戶的非等功率同步DS-CDMA偽碼序列的盲估計,APEX NN則性能較差;此外,就算法達(dá)到收斂時所需的平均數(shù)據(jù)組數(shù)而言,LEAP NN性能最好,Sanger NN性能次之,APEX NN性能最差;就算法達(dá)到收斂時所需的實際平均時間而言,Sanger NN性能最好,APEX NN性能次之,LEAP NN性能最差。另外,由于本文神經(jīng)網(wǎng)絡(luò)能夠自適應(yīng)地處理輸入數(shù)據(jù)且不需要存儲權(quán)值更新的中間變量,因此可以工作于輸入數(shù)據(jù)無限長以及非平穩(wěn)的環(huán)境中。

    [1] Luo Z,Zhu L.A charrelation matrix-based blind adaptive detector for DS-CDMA systems[J].Sensors,2015,15(8):20152-20168.

    [2] Wu W J,Zhang T Q,Shi S,et al.Parallel blind estimate of spreading sequences in multi-rate DS/CDMA signals[J].Information and Control,2015,44(2):171-178.(吳旺軍,張?zhí)祢U,石穗,等.多速率DS/CDMA信號擴(kuò)頻序列并行盲估計方法[J].信息與控制,2015,44(2):171-178.)

    [3] Zhou L,Leung H,Xu P,et al.The Kalman filtering blind adaptive multi-user detector based on tracking algorithm of signal subspace[J].Information,2015,6(1):3-13.

    [4] Bouzid A,Ellouze N.Speech enhancement based on wavelet packet of an improved principal component analysis[J].Computer Speech and Language,2016,35:58-72.

    [5] Bai D,Liming W,Chan W,et al.Sparse principal component analysis for feature selection of multiple physiological signals from flight task[C]//Proc.of the IEEE International Conference on Control Automation and Systems,2015:627-631.

    [6] Nie Z G,Zhao X Z.Similarity of signal processing effect between PCA and SVD and its mechanism analysis[J].Journal of Vibration and Shock,2016,35(2):12-17.(聶振國,趙學(xué)智.PCA與SVD信號處理效果相似性與機(jī)理分析[J].振動與沖擊,2016,35(2):12-17.)

    [7] Sanger T D.Optimal unsupervised learning in a single-layer linear feedforward neural network[J].Neural Networks,1989,2(6):459-473.

    [8] Zhang T Q.Blind processing for signal of direct sequence spread spectrum[M].Beijing:National Defence Industy Press,2012:195-196.(張?zhí)祢U.直擴(kuò)信號的盲處理[M].北京:國防工業(yè)出版社,2012:195-196.)

    [9] Chen H,Lin R W.An on-line unsupervised learning machine for adaptive feature extraction[J].IEEE Trans.on Circuits and Systems-II:Analog and Digital Signal Processing,1994,41(2):87-98.

    [10] Zhang T Q,Chen Q B,Zhou Z Z,et al.Adaptive feature extraction of lower SNR DS-CDMA signals[C]//Proc.of the IEEE International Conference on Signal Processing,2006.

    [11] Zhang T Q,Dai S S,Li X S,et al.A neural network method to adaptive feature extraction of weak DS-CDMA signals[C]//Proc.of the IEEE Congress on Image and Signal Processing,2008:385-389.

    [12] Kung S Y,Diamantaras K I,Taur J S.Adaptive principal component extraction (APEX)and applications[J].IEEE Trans.on Signal Processing,1994,42(5):1202-1217.

    [13] Zhang T Q,Tian Z S,Chen Q B,et al.Use APEX neural networks to extract the PN sequence in lower SNR DS-SS signals[J].Lecture Notes in Computer Science,2006,4114:1252-1257.

    [14] Hong X,Gong Y.A constrained recursive least squares algorithm for adaptive combination of multiple models[C]//Proc.of the IEEE International Joint Conference on Neural Networks,2015:1-6.

    [15] Hunki K,Shaheen E M,Soliman M,et al.Blind adaptive LMS multiuser detector with variable step size[C]//Proc.of the IEEE International Conference on Engineering and Technology,2014:1-5.

    [16] Zhang T Q,Zhou Z Z,Kuang Y J,et al.New method for periodic estimation of the PN sequence in the lower SNR long code DS-SS signals[J].Systems Engineering and Electronics,2007,29(1):12-16.(張?zhí)祢U,周正中,鄺育軍,等.低信噪比長偽碼直擴(kuò)信號偽碼周期的估計方法[J].系統(tǒng)工程與電子技術(shù),2007,29(1):12-16.)

    [17] Wu W J,Zhang T Q,Yang R,et al.Blind periodic estimate of PN sequence based on reprocessing of power in multirate DS/CDMA transmissions[J].Telecommunication Engineering,2014,54 (7):937-944.(吳旺軍,張?zhí)祢U,陽銳,等.利用二次譜盲估計多速率DS/CDMA偽碼周期[J].電訊技術(shù),2014,54(7):937-944.)

    PN code sequence blind estimate of synchronous DS-CDMA based on multi-principal component neural network

    ZHANG Tian-qi,ZHAO Jun-tao,JIANG Xiao-lei

    (Chongqing Key Laboratory of Signal and Information Processing,Chongqing University of Posts and Telecommunications,Chongqing 400065,China)

    Aiming at the problem of the batch processing method with high complexity and slow convergence speed for the pseudo-noise (PN)code sequence blind estimate of synchronous direct sequence code-division multiple access (DS-CDMA)signals under different power level,three multi-principal component neural networks (NNs)are introduced—Sanger NN,LEAP NN and APEX NN.Firstly,the period segmented DS-CDMA signals are chosen as the neural network input and the symbol function of each weight vector is used to represent the PN code sequence of each user.Then through the continuous input signal,the weight vectors of the NN are trained repeatedly until convergence.Finally,the PN code sequence of each user can be rebuilt by the symbolic function of each weight vector.Furthermore,an optimal variable step convergence model is put forward via the recursive least square (RLS),which improves the convergence speed of the network greatly.Theory analysis and simulation results show that the complexity of three kinds of NNs when used to the PN code sequence blind estimate of synchronous DS-CDMA signals under different power level is reduced significantly,and when the signal to noise ratio (SNR)is -20 dB and the number of users is 10,the PN code sequence of synchronous DS-CDMA signals under different power level can still be estimated by LEAP NN and Sanger NN efficiently.Compared with LEAP NN and Sanger NN,APEX NN is poor relatively.In addition,LEAP NN consumes lager memory but it has fast convergence speed.APEX NN is contrary to LEAP NN; Sanger NN is between the LEAP NN and the APEX NN.

    blind estimate; code division multiple access (CDMA); pseudo-noise (PN)code; multi-principal component; neural networks (NNs)

    2016-01-25;

    2016-07-05;網(wǎng)絡(luò)優(yōu)先出版日期:2016-08-16。

    國家自然科學(xué)基金(61671095,61371164,61275099);信號與信息處理重慶市市級重點實驗室建設(shè)項目(CSTC2009CA2003);重慶市教育委員會科研項目(KJ130524,KJ1600427,KJ1600429)資助課題

    TN 911.7

    ADOI:10.3969/j.issn.1001-506X.2016.11.27

    張?zhí)祢U(1971-),男,教授,博士研究生導(dǎo)師,博士,主要研究方向為擴(kuò)頻信號的盲處理、神經(jīng)網(wǎng)絡(luò)實現(xiàn)以及信號的同步處理。

    E-mail:zhangtq@cqupt.edu.cn

    趙軍桃(1991-),男,碩士研究生,主要研究方向為基于神經(jīng)網(wǎng)絡(luò)的直擴(kuò)信號盲處理。

    E-mail:1012928803@qq.com

    江曉磊(1992-),女,碩士研究生,主要研究方向為導(dǎo)航信號的捕獲與跟蹤。

    E-mail:173993170@qq.com

    網(wǎng)絡(luò)優(yōu)先出版地址:http://www.cnki.net/kcms/detail/11.2422.TN.20160816.1504.002.html

    猜你喜歡
    組數(shù)偽碼復(fù)雜度
    非協(xié)作多用戶短碼直擴(kuò)信號偽碼估計
    組數(shù)
    一種低復(fù)雜度的慣性/GNSS矢量深組合方法
    一類求不定方程正整數(shù)解的組數(shù)問題的解法及推廣
    求圖上廣探樹的時間復(fù)雜度
    某雷達(dá)導(dǎo)51 頭中心控制軟件圈復(fù)雜度分析與改進(jìn)
    偽碼體制脈沖串引信信號參數(shù)提取方法
    出口技術(shù)復(fù)雜度研究回顧與評述
    非等量采樣偽碼跟蹤環(huán)建模分析
    猝發(fā)式直擴(kuò)系統(tǒng)偽碼同步技術(shù)的FPGA實現(xiàn)
    亚洲国产精品国产精品| 91精品国产九色| 水蜜桃什么品种好| 国产精品一二三区在线看| 久久久久久人妻| 久热久热在线精品观看| 国产成人精品一,二区| 免费看不卡的av| 免费av不卡在线播放| .国产精品久久| freevideosex欧美| 久久国产乱子免费精品| 国产熟女午夜一区二区三区 | 亚洲一区二区三区欧美精品| 天堂中文最新版在线下载| 亚洲电影在线观看av| 精品人妻偷拍中文字幕| 国产精品一区二区性色av| 亚洲经典国产精华液单| 日韩亚洲欧美综合| 王馨瑶露胸无遮挡在线观看| 久久ye,这里只有精品| 成人18禁高潮啪啪吃奶动态图 | 久久久久久久久久成人| 在线天堂最新版资源| 边亲边吃奶的免费视频| 国产免费又黄又爽又色| 久久ye,这里只有精品| 九色成人免费人妻av| 亚洲欧洲日产国产| 黑人猛操日本美女一级片| 亚洲一级一片aⅴ在线观看| 男的添女的下面高潮视频| 看十八女毛片水多多多| 欧美高清成人免费视频www| 精品久久久久久久久av| 一本大道久久a久久精品| 观看美女的网站| 免费av中文字幕在线| 亚洲自偷自拍三级| 日本wwww免费看| 哪个播放器可以免费观看大片| 自拍偷自拍亚洲精品老妇| 91午夜精品亚洲一区二区三区| 国产精品一区二区性色av| 女人久久www免费人成看片| 久久婷婷青草| 成人美女网站在线观看视频| 内地一区二区视频在线| 国产精品久久久久久精品古装| 国产成人aa在线观看| 午夜老司机福利剧场| 91精品国产国语对白视频| 午夜福利视频精品| 人妻人人澡人人爽人人| 高清不卡的av网站| 久久青草综合色| 免费av中文字幕在线| 亚洲精品色激情综合| 99久久精品热视频| 日本午夜av视频| freevideosex欧美| 亚洲第一区二区三区不卡| 性高湖久久久久久久久免费观看| 人人妻人人看人人澡| 自线自在国产av| 啦啦啦啦在线视频资源| a级毛色黄片| 黄色视频在线播放观看不卡| 精品卡一卡二卡四卡免费| 欧美性感艳星| 啦啦啦在线观看免费高清www| 中文欧美无线码| 日韩一本色道免费dvd| 免费观看av网站的网址| 亚洲国产日韩一区二区| 80岁老熟妇乱子伦牲交| 黄色欧美视频在线观看| 亚洲国产精品国产精品| 亚洲精品国产av蜜桃| 麻豆乱淫一区二区| 老司机亚洲免费影院| 王馨瑶露胸无遮挡在线观看| 日韩强制内射视频| 亚洲精品色激情综合| 色哟哟·www| 成人国产av品久久久| 亚洲国产毛片av蜜桃av| 亚洲精品456在线播放app| 国产精品一区www在线观看| 丰满少妇做爰视频| 校园人妻丝袜中文字幕| 91在线精品国自产拍蜜月| 国产精品一区二区在线不卡| 女人精品久久久久毛片| 亚洲真实伦在线观看| 熟女电影av网| 精品少妇黑人巨大在线播放| 午夜福利,免费看| 国产探花极品一区二区| 久久久欧美国产精品| 亚洲无线观看免费| 国产伦理片在线播放av一区| 99re6热这里在线精品视频| 97超碰精品成人国产| 日韩欧美一区视频在线观看 | 男人舔奶头视频| av在线观看视频网站免费| 国产极品天堂在线| 人妻夜夜爽99麻豆av| 熟女电影av网| 一级毛片黄色毛片免费观看视频| 久久久国产精品麻豆| 国产在线视频一区二区| 岛国毛片在线播放| 国产白丝娇喘喷水9色精品| 伦理电影大哥的女人| 久久人人爽人人爽人人片va| 亚洲欧美成人综合另类久久久| 3wmmmm亚洲av在线观看| 国产精品无大码| 亚洲精品,欧美精品| 亚洲精品日韩av片在线观看| 国产真实伦视频高清在线观看| 婷婷色麻豆天堂久久| 精品人妻偷拍中文字幕| 国产黄色免费在线视频| 久久久久久久久久久久大奶| 亚洲av欧美aⅴ国产| 亚洲av欧美aⅴ国产| 成人毛片60女人毛片免费| 最近中文字幕2019免费版| av.在线天堂| 永久网站在线| 你懂的网址亚洲精品在线观看| 日本-黄色视频高清免费观看| 插逼视频在线观看| av天堂中文字幕网| 亚洲成色77777| 波野结衣二区三区在线| 在线看a的网站| 最近中文字幕2019免费版| 国产白丝娇喘喷水9色精品| 人体艺术视频欧美日本| 久久久久久久久久人人人人人人| 成年美女黄网站色视频大全免费 | 久久这里有精品视频免费| 人人妻人人看人人澡| 亚洲国产精品999| 亚洲久久久国产精品| 人妻制服诱惑在线中文字幕| 亚洲av二区三区四区| 欧美日韩综合久久久久久| 插逼视频在线观看| 成人毛片a级毛片在线播放| 国产一区二区三区av在线| 亚洲精品日韩av片在线观看| 91aial.com中文字幕在线观看| 欧美日韩视频精品一区| 成人国产麻豆网| 99久久中文字幕三级久久日本| 日韩大片免费观看网站| 2018国产大陆天天弄谢| 久久99热这里只频精品6学生| 久久精品夜色国产| 日韩欧美一区视频在线观看 | 美女cb高潮喷水在线观看| 亚洲国产成人一精品久久久| 人妻 亚洲 视频| 国产高清不卡午夜福利| 制服丝袜香蕉在线| 日韩中字成人| 国产亚洲91精品色在线| 日韩成人av中文字幕在线观看| 午夜老司机福利剧场| 久热久热在线精品观看| 亚洲国产毛片av蜜桃av| 人妻制服诱惑在线中文字幕| 天堂中文最新版在线下载| 国产精品福利在线免费观看| 国产一区二区在线观看av| 亚洲精品乱久久久久久| 亚洲精品国产色婷婷电影| 一本久久精品| 国产91av在线免费观看| 99热这里只有是精品50| 人妻一区二区av| 夫妻性生交免费视频一级片| 日日啪夜夜撸| 亚洲精品自拍成人| 久久99蜜桃精品久久| 国产亚洲欧美精品永久| 91精品伊人久久大香线蕉| 国产精品熟女久久久久浪| 男人狂女人下面高潮的视频| 国产亚洲av片在线观看秒播厂| 国产淫语在线视频| 精品国产露脸久久av麻豆| 日本-黄色视频高清免费观看| 日本与韩国留学比较| 又粗又硬又长又爽又黄的视频| 18禁在线播放成人免费| av不卡在线播放| 国产一级毛片在线| 亚洲av成人精品一区久久| 97超碰精品成人国产| 亚洲久久久国产精品| 99精国产麻豆久久婷婷| 精华霜和精华液先用哪个| 大码成人一级视频| 99九九在线精品视频 | 看免费成人av毛片| 久久久久久久久久久久大奶| 亚洲av成人精品一二三区| 国产精品欧美亚洲77777| 黄色毛片三级朝国网站 | 国产精品人妻久久久久久| 国产淫语在线视频| 国产伦在线观看视频一区| h日本视频在线播放| 亚洲av欧美aⅴ国产| 少妇人妻 视频| 亚洲av不卡在线观看| 久久久精品免费免费高清| 久久久久久久久久成人| 美女大奶头黄色视频| 国产成人免费观看mmmm| 亚洲精品久久午夜乱码| 夜夜骑夜夜射夜夜干| 亚洲国产成人一精品久久久| 国产伦理片在线播放av一区| 99精国产麻豆久久婷婷| 亚洲欧美精品专区久久| 九九久久精品国产亚洲av麻豆| √禁漫天堂资源中文www| 一级毛片久久久久久久久女| 欧美日韩国产mv在线观看视频| 国产成人aa在线观看| 欧美一级a爱片免费观看看| 午夜视频国产福利| 国产成人精品久久久久久| 婷婷色综合大香蕉| 97超视频在线观看视频| 我要看日韩黄色一级片| 人妻人人澡人人爽人人| 色婷婷久久久亚洲欧美| 久久久久久久大尺度免费视频| 一级爰片在线观看| 一个人看视频在线观看www免费| av有码第一页| 欧美精品一区二区大全| 亚洲av男天堂| 日韩强制内射视频| 免费观看性生交大片5| 97精品久久久久久久久久精品| 老熟女久久久| 在线播放无遮挡| a级毛片在线看网站| 精品久久久久久电影网| 亚洲精品国产成人久久av| 美女福利国产在线| 日韩 亚洲 欧美在线| 中文在线观看免费www的网站| 亚洲,欧美,日韩| 国内少妇人妻偷人精品xxx网站| 在线观看三级黄色| 午夜福利影视在线免费观看| 黄色欧美视频在线观看| 看十八女毛片水多多多| 在线观看av片永久免费下载| 国产成人免费观看mmmm| 少妇猛男粗大的猛烈进出视频| 在线免费观看不下载黄p国产| 日本91视频免费播放| 国产欧美亚洲国产| 少妇人妻一区二区三区视频| 啦啦啦在线观看免费高清www| 久久午夜福利片| 丰满饥渴人妻一区二区三| 国产日韩欧美在线精品| 三级经典国产精品| 久久精品国产自在天天线| 有码 亚洲区| videossex国产| 十八禁高潮呻吟视频 | 亚洲欧洲国产日韩| 成人漫画全彩无遮挡| 国语对白做爰xxxⅹ性视频网站| 中文字幕亚洲精品专区| 国产探花极品一区二区| 免费高清在线观看视频在线观看| 午夜激情久久久久久久| 99久久综合免费| 免费黄网站久久成人精品| 亚洲性久久影院| 日韩欧美 国产精品| 国产成人91sexporn| 精品卡一卡二卡四卡免费| 蜜桃久久精品国产亚洲av| 伦精品一区二区三区| 国产一区二区三区av在线| 久久久精品94久久精品| 亚洲欧美中文字幕日韩二区| a级一级毛片免费在线观看| 国产成人精品久久久久久| 亚洲一级一片aⅴ在线观看| 国产在视频线精品| av在线老鸭窝| 久久久国产欧美日韩av| 蜜桃久久精品国产亚洲av| 国产欧美亚洲国产| 日韩制服骚丝袜av| 王馨瑶露胸无遮挡在线观看| 日本欧美视频一区| 中文欧美无线码| 日韩成人av中文字幕在线观看| 午夜影院在线不卡| 亚洲真实伦在线观看| 中文字幕av电影在线播放| 99热全是精品| 日韩一区二区视频免费看| 国产免费福利视频在线观看| 一级毛片 在线播放| 大片免费播放器 马上看| 免费看日本二区| 日本-黄色视频高清免费观看| 亚洲内射少妇av| 在线观看www视频免费| 在线观看一区二区三区激情| 国产av精品麻豆| 亚洲国产av新网站| 午夜91福利影院| 久久精品国产a三级三级三级| 看十八女毛片水多多多| 久久精品久久久久久噜噜老黄| 少妇裸体淫交视频免费看高清| 国产中年淑女户外野战色| 日韩一区二区视频免费看| 日韩av在线免费看完整版不卡| 毛片一级片免费看久久久久| 人妻人人澡人人爽人人| 国产伦理片在线播放av一区| 久久久久久久久大av| 亚洲婷婷狠狠爱综合网| 男人狂女人下面高潮的视频| 高清视频免费观看一区二区| 亚洲欧洲国产日韩| 丰满饥渴人妻一区二区三| 久久久久久久久久人人人人人人| 激情五月婷婷亚洲| 欧美成人午夜免费资源| 亚洲精品,欧美精品| 老司机影院成人| 日韩,欧美,国产一区二区三区| 国产成人91sexporn| 亚洲综合精品二区| 亚洲国产精品999| 婷婷色综合大香蕉| 黄色毛片三级朝国网站 | 中文天堂在线官网| 国产av国产精品国产| 久久久a久久爽久久v久久| 69精品国产乱码久久久| 嫩草影院入口| 精品一品国产午夜福利视频| 亚洲伊人久久精品综合| 韩国高清视频一区二区三区| 欧美日韩一区二区视频在线观看视频在线| 3wmmmm亚洲av在线观看| 丰满乱子伦码专区| 18禁在线播放成人免费| 成人美女网站在线观看视频| 国产 一区精品| 春色校园在线视频观看| 中文资源天堂在线| 少妇人妻久久综合中文| 国产美女午夜福利| 久久久久国产网址| 亚洲精品乱久久久久久| 秋霞在线观看毛片| 亚洲av二区三区四区| 国产视频首页在线观看| 纯流量卡能插随身wifi吗| 国产白丝娇喘喷水9色精品| 亚洲av福利一区| 免费在线观看成人毛片| 人妻制服诱惑在线中文字幕| 丰满人妻一区二区三区视频av| av不卡在线播放| 两个人免费观看高清视频 | 在线观看美女被高潮喷水网站| 特大巨黑吊av在线直播| 三级经典国产精品| 天天躁夜夜躁狠狠久久av| 免费久久久久久久精品成人欧美视频 | 亚洲性久久影院| 久久99一区二区三区| 亚洲国产av新网站| 一本大道久久a久久精品| 日本欧美视频一区| 成人毛片a级毛片在线播放| 国产亚洲最大av| 在线亚洲精品国产二区图片欧美 | 亚洲久久久国产精品| av福利片在线| 婷婷色综合www| 国产淫语在线视频| 国产精品福利在线免费观看| 91精品国产国语对白视频| 日本91视频免费播放| 欧美精品人与动牲交sv欧美| 18禁在线播放成人免费| 亚洲精品国产av蜜桃| 亚洲成人av在线免费| 免费不卡的大黄色大毛片视频在线观看| 能在线免费看毛片的网站| 日韩视频在线欧美| 亚洲精品日韩在线中文字幕| 嫩草影院新地址| 日日啪夜夜爽| 亚洲av欧美aⅴ国产| 在线观看国产h片| 极品教师在线视频| 久久久久久久久久人人人人人人| 黑人高潮一二区| 99热6这里只有精品| 欧美日本中文国产一区发布| 七月丁香在线播放| 日韩 亚洲 欧美在线| 免费大片黄手机在线观看| 国产欧美另类精品又又久久亚洲欧美| 特大巨黑吊av在线直播| 纵有疾风起免费观看全集完整版| 中文字幕av电影在线播放| 国产成人午夜福利电影在线观看| 久久久久久久久大av| 如何舔出高潮| av在线观看视频网站免费| 一本一本综合久久| 免费av不卡在线播放| 久久ye,这里只有精品| 国产成人精品一,二区| 黄片无遮挡物在线观看| a 毛片基地| 国产精品久久久久久久电影| av国产精品久久久久影院| 99久久精品一区二区三区| 少妇人妻 视频| 国产亚洲一区二区精品| 久久久久久久久久久免费av| 亚洲精品国产色婷婷电影| 免费黄频网站在线观看国产| 日本av免费视频播放| 久久6这里有精品| 日韩一区二区视频免费看| 搡女人真爽免费视频火全软件| 少妇丰满av| 欧美性感艳星| 久久久久久人妻| 交换朋友夫妻互换小说| 久久精品久久精品一区二区三区| 久久精品熟女亚洲av麻豆精品| 成人国产麻豆网| 少妇 在线观看| 免费av不卡在线播放| 狂野欧美激情性xxxx在线观看| 内地一区二区视频在线| 一级,二级,三级黄色视频| 大片免费播放器 马上看| 国产成人午夜福利电影在线观看| 亚洲综合色惰| 中国三级夫妇交换| 99热全是精品| 国产免费福利视频在线观看| 卡戴珊不雅视频在线播放| 伦理电影免费视频| 天美传媒精品一区二区| 精品亚洲成a人片在线观看| 久久国产乱子免费精品| 午夜激情福利司机影院| 国产熟女欧美一区二区| 噜噜噜噜噜久久久久久91| 极品教师在线视频| 91久久精品电影网| 一本一本综合久久| 国产熟女欧美一区二区| 国产精品女同一区二区软件| 亚洲怡红院男人天堂| 少妇被粗大的猛进出69影院 | 国产成人免费观看mmmm| 亚洲精品成人av观看孕妇| 日本黄色日本黄色录像| 国产精品三级大全| 亚洲av在线观看美女高潮| 亚洲精品亚洲一区二区| videossex国产| 中国美白少妇内射xxxbb| 国产精品人妻久久久影院| 丝袜喷水一区| 99热网站在线观看| 欧美成人午夜免费资源| 成人国产麻豆网| 久久久久久人妻| 3wmmmm亚洲av在线观看| 亚洲国产欧美日韩在线播放 | 人妻夜夜爽99麻豆av| 国产综合精华液| 久久久欧美国产精品| 九色成人免费人妻av| 一级爰片在线观看| 亚洲伊人久久精品综合| 精品亚洲成a人片在线观看| 丰满人妻一区二区三区视频av| 精品亚洲成a人片在线观看| 亚洲国产av新网站| 免费黄网站久久成人精品| 精品国产乱码久久久久久小说| 妹子高潮喷水视频| 免费观看a级毛片全部| 国产精品伦人一区二区| 亚洲激情五月婷婷啪啪| 久久精品久久久久久久性| 国产 一区精品| 亚洲精品第二区| 在线观看免费日韩欧美大片 | 欧美3d第一页| av播播在线观看一区| 国产无遮挡羞羞视频在线观看| 国产黄频视频在线观看| 极品教师在线视频| 国产精品秋霞免费鲁丝片| 欧美成人午夜免费资源| 国产成人免费观看mmmm| 精品久久久噜噜| 国产亚洲91精品色在线| 在线观看免费视频网站a站| 国产亚洲欧美精品永久| 又黄又爽又刺激的免费视频.| 亚洲怡红院男人天堂| 老女人水多毛片| 精品午夜福利在线看| 午夜影院在线不卡| 久久人人爽人人爽人人片va| 黄色欧美视频在线观看| √禁漫天堂资源中文www| kizo精华| 综合色丁香网| 欧美激情极品国产一区二区三区 | 中文字幕久久专区| 丰满人妻一区二区三区视频av| 亚洲成人一二三区av| 亚洲av国产av综合av卡| 久久久久精品性色| 亚洲电影在线观看av| 亚洲婷婷狠狠爱综合网| 黄色一级大片看看| 亚洲,一卡二卡三卡| 亚洲在久久综合| 亚洲精品国产成人久久av| 成人午夜精彩视频在线观看| 精品一区二区免费观看| 狂野欧美白嫩少妇大欣赏| 交换朋友夫妻互换小说| 简卡轻食公司| 天天躁夜夜躁狠狠久久av| 日韩 亚洲 欧美在线| 国产黄色免费在线视频| 日韩一区二区三区影片| 久久99精品国语久久久| 国产视频内射| 国产精品无大码| 亚洲精品456在线播放app| 久久久午夜欧美精品| 少妇熟女欧美另类| 亚洲av国产av综合av卡| 99热全是精品| 国产精品国产三级专区第一集| 国产精品99久久99久久久不卡 | 肉色欧美久久久久久久蜜桃| 夜夜骑夜夜射夜夜干| 欧美xxⅹ黑人| 曰老女人黄片| 男女啪啪激烈高潮av片| 一级黄片播放器| 少妇人妻一区二区三区视频| 男人狂女人下面高潮的视频| 69精品国产乱码久久久| 国产欧美日韩一区二区三区在线 | 欧美精品一区二区免费开放| 国产亚洲一区二区精品| 欧美日韩视频精品一区| 国产精品久久久久久久久免| 一区在线观看完整版| 午夜精品国产一区二区电影| 日韩精品有码人妻一区| 老熟女久久久| 丰满人妻一区二区三区视频av| 一级爰片在线观看| 一级片'在线观看视频| 久热这里只有精品99| 亚洲情色 制服丝袜| 久久鲁丝午夜福利片| 亚洲高清免费不卡视频| 在线看a的网站| 国产黄色视频一区二区在线观看| 亚洲精品久久久久久婷婷小说| 天堂俺去俺来也www色官网| 国内揄拍国产精品人妻在线| 久久精品国产亚洲av天美| 免费不卡的大黄色大毛片视频在线观看| 国产色婷婷99| 国产精品一区二区在线不卡| 免费大片黄手机在线观看| videossex国产| 国产免费一级a男人的天堂|