• <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 ?

    數(shù)據(jù)挖掘分類算法在信號分類中的應(yīng)用

    2017-02-06 23:49:12邢開顏李梅
    軟件 2016年6期
    關(guān)鍵詞:支持向量機(jī)數(shù)據(jù)挖掘神經(jīng)網(wǎng)絡(luò)

    邢開顏+李梅

    摘要:信號是消息的載體,現(xiàn)代社會的信號種類繁多,分類復(fù)雜,對信號分類結(jié)果的要求也越來越高,用傳統(tǒng)的方法對信號進(jìn)行分類已經(jīng)不再適用。數(shù)據(jù)挖掘(Data rnining)是從大量數(shù)據(jù)中挖掘有趣模式和知識的過程,適合對大量的信號進(jìn)行分類,為人們的工作提供便利。本文簡述了數(shù)據(jù)挖掘分類算法在雷達(dá)信號、心電信號、音頻信號和通信信號四種信號分類識別中的應(yīng)用,介紹了信號分類的過程及其優(yōu)缺點(diǎn),找出信號分類識別的發(fā)展方向,為未來信號的分類識別研究莫定基礎(chǔ)。

    關(guān)鍵詞:人工智能;信號分類;數(shù)據(jù)挖掘;神經(jīng)網(wǎng)絡(luò);支持向量機(jī)

    引言

    信號是表示消息的物理量,是運(yùn)載消息的工具,是消息的載體。信號在我們的生活中無處不在,類型多種多樣,包含大量的信息,易受到各種噪聲的干擾,現(xiàn)代社會對信號分類的性能要求很高,這些都給信號的分類識別帶來了難度,用傳統(tǒng)的方法對信號進(jìn)行分類識別已不能滿足人們的需求,尋找新的信號分類方法是很有必要的。

    數(shù)據(jù)挖掘(Data mining)是從大量的、不完全的、模糊的、有噪聲的以及具有隨性的數(shù)據(jù)中,對隱含的、具有潛在作用和有意義知識進(jìn)行提取的過程,可以幫助人們在“大數(shù)據(jù)”中獲得需要的信息,數(shù)據(jù)挖掘有眾多的分類算法,這些分類算法各有千秋,為信號的分類識別提供了新的思路,與哪些傳統(tǒng)方法相比,分類算法的分類正確性更高,計(jì)算速度更快,更適合處理大量的數(shù)據(jù),也更具有智能性,如心電信號、腦電信號的自動識別方便醫(yī)生的診斷,雷達(dá)信號的智能識別提高了作戰(zhàn)效率等,這些識別方法中都有分類算法的應(yīng)用。

    本文主要介紹了數(shù)據(jù)挖掘分類算法在雷達(dá)信號、心電信號、音頻信號、通信信號的分類識別中的應(yīng)用,比較了各種分類算法的性能,在此基礎(chǔ)上分析了信號分類的發(fā)展方向。

    1基本分類算法簡介

    數(shù)據(jù)挖掘的分類方法有很多,如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、決策樹、回歸分析、貝葉斯等,但在信號的分類中主要使用的分類方法為神經(jīng)網(wǎng)絡(luò)與支持向量機(jī),故主要對這兩種算法做簡單介紹。

    1.1人工神經(jīng)網(wǎng)絡(luò)(ANN)

    人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork,ANN)是20世紀(jì)80年代以來人工智能領(lǐng)域興起的研究熱點(diǎn),由大量節(jié)點(diǎn)相互聯(lián)接而成,每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)激勵(lì)函數(shù)(Ctivation Function),每兩個(gè)節(jié)點(diǎn)間的連接表示對通過該連接信號的加權(quán),這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶,網(wǎng)絡(luò)的輸出則依據(jù)網(wǎng)絡(luò)的連接方式、權(quán)重值和激勵(lì)函數(shù)的不同而不同。

    神經(jīng)網(wǎng)絡(luò)具有信息分布式存貯、大規(guī)模自適應(yīng)并行處理、高度的容錯(cuò)性等特點(diǎn),適合在缺乏屬性與類之間聯(lián)系的知識時(shí)使用。但ANN的訓(xùn)練時(shí)間長,可解釋性差,需要的參數(shù)多,很多參數(shù)通常要靠經(jīng)驗(yàn)確定,這些特點(diǎn)影響了其應(yīng)用,在此基礎(chǔ)上對ANN進(jìn)行了改進(jìn),隨后又提出了BP網(wǎng)絡(luò)、徑向基函數(shù)(Radial basis function,RBF)神經(jīng)網(wǎng)絡(luò)、概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Networks,PNN)、小波神經(jīng)網(wǎng)絡(luò)(Wavelet Neural Network,WNN)、模糊神經(jīng)網(wǎng)絡(luò)(Fuzzy Neural Network,F(xiàn)NN)等等。

    近十幾年來,ANN的研究工作不斷深入,在模式識別、智能機(jī)器人、自動控制、預(yù)測估計(jì)、生物、醫(yī)學(xué)、經(jīng)濟(jì)等領(lǐng)域已成功地解決了許多現(xiàn)代計(jì)算機(jī)難以解決的實(shí)際問題,表現(xiàn)出了良好的智能特性。

    1.2支持向量機(jī)(SVM)

    支持向量機(jī)(Support Vector Machine,SVM)是Corinna Cortes和Vapnik等人于1995年提出的,是在統(tǒng)計(jì)學(xué)理論的基礎(chǔ)上發(fā)展出的一種新的模式識別方法,它以結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則為理論基礎(chǔ),通過適當(dāng)?shù)剡x擇函數(shù)子集及該子集中的判別函數(shù),使學(xué)習(xí)機(jī)器的實(shí)際風(fēng)險(xiǎn)達(dá)到最小,保證了通過有限訓(xùn)練樣本得到的小誤差分類器,對獨(dú)立測試集的測試誤差仍然較小。SVM具有較好的泛化能力和魯棒性,算法復(fù)雜度與特征空間的維度無關(guān),且局部最優(yōu)解一定是全局最優(yōu)解,這使得SVM在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢,并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問題中。但SVM的核函數(shù)必須滿足Mercer條件,隨著訓(xùn)練樣本的增多其訓(xùn)練時(shí)間也成倍數(shù)增加,支持向量的數(shù)目隨訓(xùn)練樣本集的大小線性增加。

    核函數(shù)的定義并不困難,根據(jù)泛函的有關(guān)理論,只要一種函數(shù)K滿足Mercer條件,它就對應(yīng)某一變換空間的內(nèi)積,表1中為SVM常用的核函數(shù)類型:

    在選取SVM算法的核函數(shù)時(shí),通常采用的方法有三種。一是利用專家的先驗(yàn)知識預(yù)先選定核函數(shù)。二是采用Cross-Validation方法,即在進(jìn)行核函數(shù)選取時(shí),分別試用不同的核函數(shù),歸納誤差最小的核函數(shù)就是最好的核函數(shù)。三是采用由Smits等人提出的混合核函數(shù)方法,將不同的核函數(shù)結(jié)合起來后會有更好的特性,這是混合核函數(shù)方法的基本思想,也是目前選取核函數(shù)的主流方法。

    2應(yīng)用

    2.1雷達(dá)信號

    雷達(dá)信號的分類識別是現(xiàn)代電子情報(bào)偵察系統(tǒng)的重要組成部分,也是衡量電子對抗設(shè)備先進(jìn)程度的重要標(biāo)志。隨著現(xiàn)代武器系統(tǒng)的發(fā)展,戰(zhàn)場電磁環(huán)境十分復(fù)雜,雷達(dá)體制多、波形復(fù)雜,獲取雷達(dá)的完整參數(shù)比較困難,這也對雷達(dá)信號識別系統(tǒng)提出了很高的要求。其中,特征提取和分類器設(shè)計(jì)是雷達(dá)信號識別的關(guān)鍵,利用傳統(tǒng)的特征參數(shù)進(jìn)行雷達(dá)信號的識別已經(jīng)不能滿足現(xiàn)代雷達(dá)對抗的要求,因此,需要更精確有效的識別方法。

    ANN可以處理一些環(huán)境信息十分復(fù)雜、背景知識不清楚、樣本有較大缺損或畸變的模式識別問題,很適合對雷達(dá)信號進(jìn)行分類,但是由于其訓(xùn)練時(shí)間長、實(shí)時(shí)性差,并不適合應(yīng)用到瞬息萬變的現(xiàn)代戰(zhàn)場中,故對神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)是很有必要的。唐斌、胡光銳將免疫RBF網(wǎng)絡(luò)為子網(wǎng)絡(luò)來改進(jìn)神經(jīng)網(wǎng)絡(luò)的性能,該方法提取RBF網(wǎng)絡(luò)核函數(shù)寬度的先驗(yàn)知識作為疫苗構(gòu)成免疫算子,縮小了算法搜索空間的范圍,進(jìn)而改善傳統(tǒng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間長,擴(kuò)充、修改、維護(hù)難等缺陷,提高了算法的收斂速度和性能,用免疫RBF網(wǎng)絡(luò)陣列對各種雷達(dá)的體制和用途識別都有較高的正確識別率,明顯優(yōu)于BP網(wǎng)絡(luò)。但隨著雷達(dá)信號的不斷增加,傳統(tǒng)的識別參數(shù)難以滿足實(shí)際需要,可將關(guān)聯(lián)特征和神經(jīng)網(wǎng)絡(luò)相結(jié)合,利用關(guān)聯(lián)維數(shù)可以衡量信號的關(guān)聯(lián)復(fù)雜度的特征這一特點(diǎn),將關(guān)聯(lián)曲線上不同的點(diǎn)作為雷達(dá)信號的特征向量,作為神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)而進(jìn)行識別分類,該方法在信噪比大于-5dB時(shí)就可以達(dá)到很高的識別率,適合于各種體制雷達(dá)信號的特征提取與識別。在現(xiàn)今這種雷達(dá)體制多變的環(huán)境下,這種特征提取方法有很廣泛的應(yīng)用價(jià)值。另外,傳統(tǒng)的加權(quán)M距離法與ANN結(jié)合,可以克服該識別法中各參數(shù)平等對待的缺點(diǎn)和專家設(shè)置權(quán)值法中人為因素的影響,綜合考慮了各參數(shù)的影響,較大地提高了識別的準(zhǔn)確性和可靠性。

    與神經(jīng)網(wǎng)絡(luò)相比,SVM適合處理高維數(shù)據(jù),有很強(qiáng)的泛化能力,為雷達(dá)信號的分類識別提供了新的思路。胡奎、朱成文在MATLAB環(huán)境下模擬了不同核函數(shù)的支持向量機(jī)對雷達(dá)信號的分類效果,實(shí)驗(yàn)表明同時(shí)使用波達(dá)方向(DOA)、載頻(RF)和脈沖寬度(PW)三個(gè)參數(shù)作為分類參數(shù)時(shí)效果最好,因?yàn)檫@三個(gè)參數(shù)包含了雷達(dá)數(shù)據(jù)的絕大部分信息,有利于得到較好的分類結(jié)果。余志斌提出了一種增量模糊學(xué)習(xí)支持向量機(jī)算法(IFSVM),根據(jù)不同的雷達(dá)信號訓(xùn)練樣本距離類中心差異和樣本間的親疏程度,賦予每個(gè)分類樣本不同的類隸屬度,有較好的識別精度和魯棒性,在訓(xùn)練數(shù)據(jù)量大時(shí),IFSVM的時(shí)間代價(jià)比SVM的要小,但當(dāng)特征參數(shù)在空間成較大范圍的帶狀分布時(shí),時(shí)間復(fù)雜度會增大,處理效果會降低。

    2.2心電信號

    心血管疾病是威脅人類生命的主要疾病之一,心電圖(ECG)是診斷心血管疾病的重要依據(jù),是臨床診斷中不可缺少的常規(guī)檢查技術(shù),但不同的心臟疾病反映在ECG上的波形迥異,相同的病理也會呈現(xiàn)出不同的心電波形,所以通過計(jì)算機(jī)自動分析心電圖的診斷精度仍然不能達(dá)到臨床醫(yī)生的診斷要求,其最終結(jié)論尚需要專家的具體分析和決策。因此設(shè)計(jì)并實(shí)現(xiàn)更加精確有效的心電信號自動分類算法仍然具有非常重要的研究意義。

    基于小波變換理論,小波神經(jīng)網(wǎng)絡(luò)已經(jīng)被廣泛的應(yīng)用于信號的表達(dá)和分類,將其應(yīng)用到ECG信號的分類中可以獲得不錯(cuò)的分類結(jié)果,其訓(xùn)練周期及對ECG信號的正確識別率都比BP網(wǎng)絡(luò)表現(xiàn)的更好,且具有很強(qiáng)的泛化能力,對未學(xué)習(xí)過的ECG信號仍有很高的識別率,這是BP神經(jīng)網(wǎng)絡(luò)所無法比擬的。在此基礎(chǔ)上,劉春玲、王旭將具有一層感知機(jī)的小波神經(jīng)網(wǎng)絡(luò)應(yīng)用于ECG信號的分類,同時(shí)在Roberto KH和Takashi Yoneyama提出的小波節(jié)點(diǎn)的初始化的基礎(chǔ)上進(jìn)行了改進(jìn),通過對MIT-BIH心電失常數(shù)據(jù)庫中的樣本數(shù)據(jù)進(jìn)行實(shí)驗(yàn),與常規(guī)的小波網(wǎng)絡(luò)相比分類性能得到了顯著提高。

    根據(jù)ECG信號的時(shí)頻分布特征性和心率失常信號特點(diǎn),可以提取心電信號的時(shí)域特征、小波域特征和高階統(tǒng)計(jì)量特征,作為ECG信號自動分析系統(tǒng)的特征信息集,再通過SVM分類器對ECG信號進(jìn)行分類測試,實(shí)驗(yàn)表明該方法分類結(jié)果精確度高、分類速度快,在很大程度上克服了傳統(tǒng)機(jī)器學(xué)習(xí)中的維數(shù)災(zāi)難及局部最小等問題。其中維數(shù)災(zāi)難(Curse of Dimensionality)是指在涉及到向量的計(jì)算的問題中,隨著維數(shù)的增加,計(jì)算量呈指數(shù)倍增長的一種現(xiàn)象。為了解決這一問題,可以先利用非負(fù)矩陣分解(NMF)對數(shù)據(jù)進(jìn)行降維,然后運(yùn)用SVM進(jìn)行ECG信號的分類。在由高維數(shù)據(jù)向低維數(shù)據(jù)轉(zhuǎn)換的過程中,NMF能更好地保留原始數(shù)據(jù)的信息,提供更好的特征向量,進(jìn)而提高分類的準(zhǔn)確度。選取MIT-BIH數(shù)據(jù)庫中的四類ECG信號進(jìn)行訓(xùn)練和測試,最終的分類準(zhǔn)確度均達(dá)到了98%以上,但是NMF計(jì)算的時(shí)間相對要長一些,仍需要改進(jìn)算法,以達(dá)到更好的實(shí)時(shí)性。

    為了減少SVM算法的收斂時(shí)間,李哲設(shè)計(jì)了一種基于稀疏表示的最小二乘支持向量機(jī)(LS-SVM)的ECG信號分類算法,其中,LS-SVM算法的關(guān)鍵就是用等式約束代替支持向量機(jī)的不等式約束,將支持向量機(jī)中的二次規(guī)劃問題轉(zhuǎn)化為求線性方程組的解,這樣就達(dá)到了減少算法收斂時(shí)間的目的。選取MIT-BIH數(shù)據(jù)庫上的五種ECG信號,先對特征向量進(jìn)行稀疏表示,然后通過LS-SVM進(jìn)行分,正確率可以達(dá)到98.93%,該方法既保證充分挖掘數(shù)據(jù)的特點(diǎn)又能提高泛化能力,適合進(jìn)行推廣。

    2.3音頻信號

    近年來,音頻信號處理已經(jīng)變成了計(jì)算機(jī)應(yīng)用的一個(gè)重要分支。音頻信號分類有兩個(gè)步驟:先將一個(gè)音頻信號通過特征提取技術(shù)簡化成一個(gè)參數(shù)集,再用不同的算法對參數(shù)集進(jìn)行加工完成分類。能否正確提取信號特征并將這些特征信號放到相應(yīng)的類別中決定了分類算法的效果。

    小波神經(jīng)網(wǎng)絡(luò)在音頻信號分類識別中也有應(yīng)用,但分類時(shí)音頻信號的模板和樣本信號周期不同會使得網(wǎng)絡(luò)參數(shù)差異較大,為此何強(qiáng)等人提出了自適應(yīng)周期小波神經(jīng)網(wǎng)絡(luò)(APWNN),該方法能夠在網(wǎng)絡(luò)參數(shù)的計(jì)算中自動去除信號周期因素的影響。同等條件下對特定人的元音進(jìn)行分類識別,APWNN網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)的正確識別率分別為87.50%和13.54%,可見,APWNN能夠有效克服被識別信號的周期變化對分類的影響,有利于信號分類。但APWNN算法采用連續(xù)時(shí)頻域特征提取,小波基函數(shù)的尺度和平移系數(shù)都是連續(xù)可變的,計(jì)算APWNN參數(shù)時(shí)耗時(shí)的迭代運(yùn)算,需要想辦法提高運(yùn)算速度。

    在小波變換的基礎(chǔ)上,結(jié)合SVM和模糊積分進(jìn)行信號的特征提取,可有效地對音頻信號進(jìn)行分類,用該方法對各種聲音集進(jìn)行分類,準(zhǔn)確率較高,算法速度快,較好地體現(xiàn)了模糊學(xué)的精髓,彌補(bǔ)了一般算法只判別一次的不足,有較好的應(yīng)用前景。而李劍等人提出基于選擇性集成SVM的語音、話帶數(shù)據(jù)信號分類方法,根據(jù)集成算法的差異性定義,采用兩層級聯(lián)結(jié)構(gòu)的動態(tài)疊加算法完成決策輸出,在訓(xùn)練階段能準(zhǔn)確地選擇具有較高識別精度和差異性的成員分類器,在測試階段對各成員分類器進(jìn)行動態(tài)集成,提高運(yùn)算速度和抗噪聲性能,保證最終的分類結(jié)果最優(yōu),適合推廣。

    2.4通信信號

    通信信號的分類,又稱信號的調(diào)制識別,基本任務(wù)是在多信號有噪聲等復(fù)雜環(huán)境下確定信號的調(diào)制方式和載波頻率、碼元速率等信號參數(shù),為信號的進(jìn)一步分析和處理提供依據(jù)。隨著現(xiàn)代通信的發(fā)展,通信系統(tǒng)呈現(xiàn)出多樣化的趨勢,通信信號調(diào)制類型自動識別日益受到重視,在信號確認(rèn)、干擾辨識、無線電偵聽、電子對抗、信號檢測和威脅分析等領(lǐng)域應(yīng)用廣泛。信號調(diào)制類型自動識別是后續(xù)工作的前提和基礎(chǔ),但通信信號在傳播過程中會受到信道噪聲的污染,增加了信號識別的難度。

    2.4.1基于ANN的通信信號分類

    由于ANN能快速解決復(fù)雜分類問題,具有容錯(cuò)能力,對噪聲和不完整數(shù)據(jù)輸入不敏感等優(yōu)點(diǎn),使得ANN在通信信號自動分類識別問題上能夠取得令人滿意的結(jié)果。但也存在一些問題,如BP網(wǎng)絡(luò)收斂速度慢且易陷入局部最小,可用共軛梯度法對BP網(wǎng)絡(luò)進(jìn)行改進(jìn),通過選擇權(quán)向量的更新方向?yàn)檎`差函數(shù)的共軛梯度方向,可以顯著提高收斂速度和正確識別率,改善BP網(wǎng)絡(luò)的局部極小問題,在信號的信噪比不小于2dB時(shí),都能對信號進(jìn)行正確識別。

    鄒月嫻等人將級聯(lián)神經(jīng)網(wǎng)絡(luò)分類識別器應(yīng)用于通信信號的分選和識別,選擇二值自適應(yīng)共振(ARTl)神經(jīng)網(wǎng)絡(luò)完成對輸入信號的分類,確定輸入信號類型是否已被網(wǎng)絡(luò)存儲,當(dāng)發(fā)現(xiàn)新出現(xiàn)的信號時(shí)進(jìn)行標(biāo)記,再用BP網(wǎng)絡(luò)識別該信號類型,這樣可以充分利用信號的所有特征,該方法在信號噪聲比為3dB的情況下提取的復(fù)合特征能被ARTl網(wǎng)絡(luò)和BP網(wǎng)絡(luò)以一定的概率正確存儲和識別,且該方法對信號噪聲比的要求與傳統(tǒng)方法相比降低了近10dB,在低信噪比條件下,其正確識別率遠(yuǎn)優(yōu)于傳統(tǒng)信號分類識別器的識別結(jié)果。隨后,苗建蘇、傅豐林用RBF神經(jīng)網(wǎng)絡(luò)對通信信號進(jìn)行分類,其中RBF可以將信號的矢量特征降維,有利于信號的分類識別。模擬實(shí)驗(yàn)表明,該方法分類精度高、訓(xùn)練速度快、占用存儲空間少、容錯(cuò)性強(qiáng),由于是分布式存儲,該網(wǎng)絡(luò)易于硬件實(shí)現(xiàn)。在用RBF網(wǎng)絡(luò)進(jìn)行通信信號分類之前,可以對信號數(shù)據(jù)進(jìn)行處理,可用離散傅里葉變換(DFT)和小波變換方法提取信號的頻譜、瞬時(shí)幅度、瞬時(shí)頻率和瞬時(shí)相位,構(gòu)成信號的特征向量,將特征向量通過RBF神經(jīng)網(wǎng)絡(luò)獲得最終的分類結(jié)果,該方法在信噪比為6dB時(shí)對信號的識別依然可以保持較高的識別率,具有一定的抗干擾能力,基本上可以滿足應(yīng)用的要求。將小波變換與RBF網(wǎng)絡(luò)相結(jié)合進(jìn)行通信信號的分類可以獲得不錯(cuò)的效果,在MATLAB上進(jìn)行仿真實(shí)驗(yàn),結(jié)果表明分類識別率隨著信噪比的增加而增加,在SNR-5dB時(shí)信號的平均識別率為98.58%,在SNR-0dB時(shí)信號的平均識別率為99.83%,可見該方法的分類性能很高,并且對噪聲不敏感,有很好的抗噪聲能力。

    2.4.2基于SVM的通信信號分類

    在信號的實(shí)際傳輸中,得到的訓(xùn)練樣本數(shù)是十分有限的,這時(shí)很多方法都難以取得理想的分類效果,即使在有限訓(xùn)練樣本情況下,采用復(fù)雜的學(xué)習(xí)機(jī)使學(xué)習(xí)誤差更小,但推廣性卻往往變差。韓鋼等人提出一種基于高階累積量和SVM的數(shù)字信號自動調(diào)制識別方法,即將接收信號的四階、六階累積量作為分類特征向量,利用SVM將分類特征向量映射到一個(gè)高維空間,并在高維空間中構(gòu)造最優(yōu)分類超平面以實(shí)現(xiàn)信號分類。這種方法對高斯噪聲和星座圖由于信號初始相位而引人的旋轉(zhuǎn)具有良好的穩(wěn)健性,并避免了神經(jīng)網(wǎng)絡(luò)中的過學(xué)習(xí)和局部極小等缺陷,有良好的分類性能和穩(wěn)健性,但對于SVM的二次規(guī)劃,需要的時(shí)間比較長,特別是在訓(xùn)練樣本數(shù)較大的情況下。馮祥等人通過提取觀測樣本累積量的識別特征矢量來區(qū)分不同的信號類型,再將特征向量映射到高維空間中用SVM加以分類。仿真實(shí)驗(yàn)表明,該方法在較大的信噪比范圍內(nèi)對全球移動通信系統(tǒng)(GSM)、碼分多址(CDMA)、正交頻分復(fù)用技術(shù)(OFDM)三種信號均有較高的識別率,當(dāng)信噪比大于5dB時(shí),對三種信號的正確識別率接近0.99,因而該分類算法有較好的推廣能力,克服了對模型過分依賴的問題,不同參數(shù)的徑向基核函數(shù)或多項(xiàng)式核函數(shù)對算法的性能沒有明顯的影響。王玉婧將高階累積量、小波變換與SVM相結(jié)合,用來對調(diào)制信號進(jìn)行分類。仿真實(shí)驗(yàn)證明,這種方法是可行的,既解決了小波特征對調(diào)相信號之間識別性能偏低的問題,又實(shí)現(xiàn)了對OFDM信號和其他多種單載波通信信號的分類,并且由于SVM對小樣本信號具有良好的性能,所有該方法在數(shù)據(jù)長度有限的情況下仍能達(dá)到良好的識別性能。

    由于不同的核函數(shù)對SVM的分類性能影響很大,可采用并行組合的SVM分類器進(jìn)行通信信號的識別,通過對比不同核函數(shù)下SVM的分類結(jié)果,選擇識別率高的作為最后的判決類型。對實(shí)際采集的六種調(diào)制信號,分別通過線性核函數(shù)的SVM分類器、高斯核函數(shù)的SVM分類器和并行組合的SVM分類器,最終結(jié)果表明,并行組合的SVM分類器對信號具有很好的分類性能,優(yōu)于單個(gè)SVM分類器。

    遺傳算法(GA)是模擬生物進(jìn)化過程中的自然選擇和遺傳變異的一種隨機(jī)優(yōu)化方法,具有很強(qiáng)的全局搜索能力,并且這種搜索能力不依賴于特定的求解模型。利用GA算法的全局尋優(yōu)能力優(yōu)化SVM中的核函數(shù)的兩個(gè)參數(shù),再用優(yōu)化后的SVM進(jìn)行分類。通過對數(shù)字通信信號的分類仿真,表明了其良好的優(yōu)越性,提高了訓(xùn)練速度,說明在通信領(lǐng)域遺傳優(yōu)化SVM具有很好的應(yīng)用前景。

    3總結(jié)與展望

    數(shù)據(jù)挖掘的分類算法為信號的分類識別帶來新的活力,不論是直接應(yīng)用分類算法,還是將分類算法與傳統(tǒng)的方法相結(jié)合,都具有各自的特點(diǎn)和潛力。但是分類算法在信號的分類識別中的應(yīng)用還不成熟,未挖掘出其真正的潛力,還有很多問題亟待解決,主要體現(xiàn)在:

    1)很多信號中混有干擾和噪聲,這些會影響分類的最終結(jié)果,在分類前需要進(jìn)行數(shù)據(jù)的預(yù)處理,可以采用小波變換、傅里葉變換等時(shí)頻分析方法濾除噪聲和干擾,提取出有用信號特征再進(jìn)行分類,可以提高分類的準(zhǔn)確性。

    2)數(shù)據(jù)挖掘的分類算法有很多,如決策樹、回歸分析、貝葉斯、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等等,目前在信號分類中應(yīng)用最廣的是神經(jīng)網(wǎng)絡(luò)和支持向量機(jī),可以嘗試用其他的分類模型進(jìn)行信號的分類,擴(kuò)大分類算法在信號識別中的應(yīng)用范圍。

    3)可將數(shù)據(jù)挖掘的分類算法與其他方法相結(jié)合進(jìn)行算法的優(yōu)化,提高算法的分類性能、學(xué)習(xí)能力和收斂速度等,例如與遺傳算法、模糊控制、粗糙集理論等相融合,必將成為今后信號分類識別的研究熱點(diǎn)。

    對上述問題的深入研究必將促進(jìn)數(shù)據(jù)挖掘分類算法在信號分類識別領(lǐng)域中的應(yīng)用和發(fā)展,在信號的智能識別領(lǐng)域中展現(xiàn)出更加光明的前景。

    猜你喜歡
    支持向量機(jī)數(shù)據(jù)挖掘神經(jīng)網(wǎng)絡(luò)
    探討人工智能與數(shù)據(jù)挖掘發(fā)展趨勢
    神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    基于并行計(jì)算的大數(shù)據(jù)挖掘在電網(wǎng)中的應(yīng)用
    電力與能源(2017年6期)2017-05-14 06:19:37
    動態(tài)場景中的視覺目標(biāo)識別方法分析
    論提高裝備故障預(yù)測準(zhǔn)確度的方法途徑
    基于熵技術(shù)的公共事業(yè)費(fèi)最優(yōu)組合預(yù)測
    基于支持向量機(jī)的金融數(shù)據(jù)分析研究
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
    一種基于Hadoop的大數(shù)據(jù)挖掘云服務(wù)及應(yīng)用
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    av卡一久久| 男的添女的下面高潮视频| 成人国产麻豆网| 亚洲精品一二三| 亚洲国产精品一区三区| 亚洲av欧美aⅴ国产| 亚洲国产看品久久| 最近手机中文字幕大全| 国产亚洲最大av| 观看av在线不卡| 亚洲熟女精品中文字幕| 亚洲av国产av综合av卡| 精品国产一区二区久久| 精品一区二区三区四区五区乱码 | 国产精品久久久av美女十八| 天天躁日日躁夜夜躁夜夜| 日韩大片免费观看网站| av福利片在线| 观看av在线不卡| 久久人妻熟女aⅴ| 成年动漫av网址| 在现免费观看毛片| 色视频在线一区二区三区| 国产一区亚洲一区在线观看| 在线看a的网站| 亚洲中文av在线| 亚洲图色成人| 国产精品熟女久久久久浪| √禁漫天堂资源中文www| 亚洲欧美成人综合另类久久久| 一区在线观看完整版| 国产一区二区三区av在线| 亚洲伊人久久精品综合| 亚洲国产最新在线播放| av在线老鸭窝| 亚洲一码二码三码区别大吗| tube8黄色片| 久久女婷五月综合色啪小说| 如何舔出高潮| 亚洲自偷自拍图片 自拍| 成人影院久久| 操美女的视频在线观看| 国产精品 国内视频| 成人亚洲精品一区在线观看| 80岁老熟妇乱子伦牲交| 欧美成人午夜精品| 老司机亚洲免费影院| 2018国产大陆天天弄谢| 一二三四在线观看免费中文在| 亚洲欧洲日产国产| 亚洲精品自拍成人| 黑丝袜美女国产一区| 美女高潮到喷水免费观看| 日韩电影二区| 在线免费观看不下载黄p国产| 精品卡一卡二卡四卡免费| 男女国产视频网站| 中文字幕最新亚洲高清| 欧美日韩一级在线毛片| 天天躁夜夜躁狠狠久久av| 99精国产麻豆久久婷婷| 午夜福利乱码中文字幕| 成年av动漫网址| 一边摸一边做爽爽视频免费| netflix在线观看网站| 9色porny在线观看| 久久ye,这里只有精品| 久久这里只有精品19| 青草久久国产| 久久精品人人爽人人爽视色| 免费在线观看完整版高清| 男人舔女人的私密视频| 视频区图区小说| 一级爰片在线观看| 中文字幕高清在线视频| 成人18禁高潮啪啪吃奶动态图| 国产男人的电影天堂91| 亚洲精品日韩在线中文字幕| 最近中文字幕2019免费版| 深夜精品福利| 日韩 欧美 亚洲 中文字幕| 久久精品国产a三级三级三级| 国产精品99久久99久久久不卡 | xxxhd国产人妻xxx| av免费观看日本| 日韩一卡2卡3卡4卡2021年| 狂野欧美激情性xxxx| 欧美少妇被猛烈插入视频| 久久韩国三级中文字幕| 国产无遮挡羞羞视频在线观看| 一级爰片在线观看| 欧美最新免费一区二区三区| 精品国产乱码久久久久久小说| √禁漫天堂资源中文www| 一二三四中文在线观看免费高清| 国产乱来视频区| 欧美精品高潮呻吟av久久| 久久免费观看电影| 在线观看免费视频网站a站| 18禁动态无遮挡网站| 国产亚洲av高清不卡| 日日摸夜夜添夜夜爱| 最近最新中文字幕免费大全7| 久久天躁狠狠躁夜夜2o2o | 午夜福利乱码中文字幕| 国产欧美亚洲国产| 欧美日韩综合久久久久久| 免费观看av网站的网址| 青春草视频在线免费观看| 国产爽快片一区二区三区| 国产黄色视频一区二区在线观看| 精品久久久精品久久久| 天天躁日日躁夜夜躁夜夜| 国产精品久久久久久精品古装| 精品国产一区二区三区四区第35| 国产黄频视频在线观看| 日日爽夜夜爽网站| 一级黄片播放器| 国产一级毛片在线| 久久av网站| 成人免费观看视频高清| 亚洲美女黄色视频免费看| 午夜激情久久久久久久| 国产精品一区二区在线不卡| 国产精品秋霞免费鲁丝片| 曰老女人黄片| 制服人妻中文乱码| 人人澡人人妻人| 亚洲精品av麻豆狂野| 少妇被粗大猛烈的视频| 国产精品国产三级专区第一集| 精品少妇黑人巨大在线播放| 久久精品aⅴ一区二区三区四区| 黑人欧美特级aaaaaa片| 国产极品天堂在线| 交换朋友夫妻互换小说| 国产男女超爽视频在线观看| 两个人免费观看高清视频| 欧美亚洲日本最大视频资源| 精品久久久精品久久久| 色婷婷av一区二区三区视频| 国产成人系列免费观看| 精品久久蜜臀av无| 亚洲av电影在线进入| 蜜桃国产av成人99| 又黄又粗又硬又大视频| 国产一区二区 视频在线| 亚洲欧美成人综合另类久久久| 国产黄色免费在线视频| 黄片无遮挡物在线观看| 1024视频免费在线观看| 日韩av不卡免费在线播放| 人人妻人人澡人人爽人人夜夜| 熟女av电影| 在线观看一区二区三区激情| 熟妇人妻不卡中文字幕| 国产精品一区二区精品视频观看| 亚洲av在线观看美女高潮| 亚洲在久久综合| 欧美在线一区亚洲| 色综合欧美亚洲国产小说| 熟女少妇亚洲综合色aaa.| 精品少妇内射三级| 男女午夜视频在线观看| 欧美变态另类bdsm刘玥| 黄色一级大片看看| 青草久久国产| 我的亚洲天堂| 亚洲欧美精品综合一区二区三区| 91成人精品电影| 成年人免费黄色播放视频| 80岁老熟妇乱子伦牲交| 亚洲情色 制服丝袜| 我的亚洲天堂| 午夜免费鲁丝| 青春草亚洲视频在线观看| 久久久精品国产亚洲av高清涩受| 亚洲一级一片aⅴ在线观看| 国产日韩一区二区三区精品不卡| 综合色丁香网| 亚洲色图综合在线观看| 99九九在线精品视频| 中文乱码字字幕精品一区二区三区| 亚洲中文av在线| 天堂中文最新版在线下载| 99香蕉大伊视频| 久久影院123| 国产精品免费视频内射| 国产色婷婷99| 午夜福利在线免费观看网站| 日本色播在线视频| 色吧在线观看| 色视频在线一区二区三区| 侵犯人妻中文字幕一二三四区| 亚洲在久久综合| 日韩一卡2卡3卡4卡2021年| 成年人午夜在线观看视频| 赤兔流量卡办理| 国产精品一国产av| 老司机深夜福利视频在线观看 | 午夜91福利影院| 欧美在线黄色| 两性夫妻黄色片| netflix在线观看网站| 日韩精品免费视频一区二区三区| 婷婷色综合大香蕉| 夜夜骑夜夜射夜夜干| 秋霞伦理黄片| 亚洲美女视频黄频| 在线免费观看不下载黄p国产| 久久鲁丝午夜福利片| 国产精品人妻久久久影院| 日韩一区二区三区影片| 最近最新中文字幕大全免费视频 | 久久久久久免费高清国产稀缺| 亚洲中文av在线| 免费久久久久久久精品成人欧美视频| 久久久久久人妻| 在线天堂中文资源库| 亚洲欧美精品自产自拍| 亚洲精品第二区| 午夜福利视频在线观看免费| 久久久久精品人妻al黑| 制服丝袜香蕉在线| 午夜老司机福利片| 亚洲一级一片aⅴ在线观看| 久久97久久精品| 97精品久久久久久久久久精品| 亚洲av在线观看美女高潮| 一本一本久久a久久精品综合妖精| 欧美在线一区亚洲| 国产成人免费观看mmmm| 日本猛色少妇xxxxx猛交久久| 免费在线观看视频国产中文字幕亚洲 | 亚洲婷婷狠狠爱综合网| 亚洲男人天堂网一区| 精品一区二区免费观看| 亚洲精品国产区一区二| 免费观看av网站的网址| 在线观看免费高清a一片| 精品视频人人做人人爽| 一区二区av电影网| 韩国av在线不卡| 久久精品人人爽人人爽视色| 中国国产av一级| www.自偷自拍.com| 国产成人精品久久二区二区91 | 精品视频人人做人人爽| 国产精品一国产av| 日韩免费高清中文字幕av| 一区福利在线观看| 美女主播在线视频| 亚洲欧美日韩另类电影网站| 国产成人精品在线电影| 天美传媒精品一区二区| 国产精品国产av在线观看| bbb黄色大片| av女优亚洲男人天堂| 精品人妻熟女毛片av久久网站| 精品午夜福利在线看| 狠狠精品人妻久久久久久综合| 最近最新中文字幕大全免费视频 | 国产日韩欧美视频二区| 精品免费久久久久久久清纯 | 久久久久久久国产电影| 亚洲熟女精品中文字幕| 天堂俺去俺来也www色官网| 高清黄色对白视频在线免费看| 精品少妇久久久久久888优播| 日韩一区二区视频免费看| 少妇人妻久久综合中文| 午夜精品国产一区二区电影| 两性夫妻黄色片| 日韩 亚洲 欧美在线| 99精国产麻豆久久婷婷| 大片免费播放器 马上看| 中文字幕人妻丝袜一区二区 | 欧美激情极品国产一区二区三区| av一本久久久久| 丝袜喷水一区| 国产一区二区在线观看av| 亚洲成人一二三区av| 国产精品久久久久久人妻精品电影 | 欧美黑人欧美精品刺激| 亚洲av福利一区| 嫩草影视91久久| 久久99精品国语久久久| 亚洲国产精品成人久久小说| 免费女性裸体啪啪无遮挡网站| 91精品国产国语对白视频| 人妻一区二区av| av网站在线播放免费| 韩国精品一区二区三区| 最黄视频免费看| 亚洲精品在线美女| 免费高清在线观看视频在线观看| 老司机亚洲免费影院| 岛国毛片在线播放| 日本av手机在线免费观看| 日韩一区二区视频免费看| 可以免费在线观看a视频的电影网站 | 五月开心婷婷网| 亚洲av福利一区| 亚洲国产欧美日韩在线播放| 国产一区二区三区综合在线观看| 欧美中文综合在线视频| 欧美精品高潮呻吟av久久| 亚洲精品自拍成人| 97人妻天天添夜夜摸| 99re6热这里在线精品视频| 久久久国产一区二区| 国产亚洲av高清不卡| av网站免费在线观看视频| svipshipincom国产片| 涩涩av久久男人的天堂| 欧美亚洲 丝袜 人妻 在线| 黄色视频在线播放观看不卡| 51午夜福利影视在线观看| 91老司机精品| 丝瓜视频免费看黄片| 亚洲av日韩精品久久久久久密 | 亚洲色图 男人天堂 中文字幕| 波多野结衣一区麻豆| 在线观看三级黄色| 日韩免费高清中文字幕av| 黄色 视频免费看| 国产av一区二区精品久久| 视频在线观看一区二区三区| 中文字幕精品免费在线观看视频| 国产精品久久久人人做人人爽| av又黄又爽大尺度在线免费看| 麻豆精品久久久久久蜜桃| 看免费成人av毛片| 青春草亚洲视频在线观看| 免费黄频网站在线观看国产| 国产黄频视频在线观看| 中文字幕av电影在线播放| 蜜桃国产av成人99| 久久久久久久久久久久大奶| 亚洲精品日本国产第一区| 国产探花极品一区二区| 麻豆av在线久日| 国产老妇伦熟女老妇高清| 老汉色av国产亚洲站长工具| √禁漫天堂资源中文www| 天天影视国产精品| 国产一区二区三区av在线| 中国国产av一级| 亚洲视频免费观看视频| 国产97色在线日韩免费| 亚洲欧美精品综合一区二区三区| 久久久久久久久久久免费av| 少妇被粗大猛烈的视频| 国产男女内射视频| 久久 成人 亚洲| 国产成人精品在线电影| 少妇被粗大的猛进出69影院| 91aial.com中文字幕在线观看| 男女国产视频网站| 中文字幕亚洲精品专区| 天天添夜夜摸| 日日撸夜夜添| 777久久人妻少妇嫩草av网站| 午夜福利,免费看| 成人黄色视频免费在线看| 制服人妻中文乱码| 国产欧美日韩一区二区三区在线| 黄频高清免费视频| 中文精品一卡2卡3卡4更新| 高清欧美精品videossex| 天天影视国产精品| 最近最新中文字幕大全免费视频 | 久久精品人人爽人人爽视色| 大香蕉久久成人网| 热re99久久国产66热| 老熟女久久久| 黑丝袜美女国产一区| 国产人伦9x9x在线观看| 一边摸一边做爽爽视频免费| 蜜桃在线观看..| 亚洲国产av新网站| 日本欧美国产在线视频| 九九爱精品视频在线观看| 亚洲成人av在线免费| 亚洲精品国产一区二区精华液| 国产欧美日韩一区二区三区在线| 青草久久国产| 美女视频免费永久观看网站| 18在线观看网站| 欧美日韩精品网址| 天堂中文最新版在线下载| 日韩成人av中文字幕在线观看| 一本一本久久a久久精品综合妖精| 亚洲伊人久久精品综合| 男人爽女人下面视频在线观看| 欧美精品高潮呻吟av久久| 国产高清不卡午夜福利| 超色免费av| 久久精品久久精品一区二区三区| 国产精品99久久99久久久不卡 | av.在线天堂| 欧美日韩一级在线毛片| 99香蕉大伊视频| 亚洲国产精品一区二区三区在线| 精品人妻一区二区三区麻豆| 一二三四在线观看免费中文在| 午夜福利视频精品| 国产精品久久久久久久久免| 亚洲视频免费观看视频| 国产av码专区亚洲av| 色综合欧美亚洲国产小说| 九色亚洲精品在线播放| 无遮挡黄片免费观看| 两个人免费观看高清视频| 久久狼人影院| 女人久久www免费人成看片| 亚洲精品视频女| 国产黄色免费在线视频| 亚洲精品日韩在线中文字幕| 丰满乱子伦码专区| 精品国产一区二区久久| 久久久久网色| 国产av国产精品国产| 一本久久精品| 午夜福利视频在线观看免费| 女人久久www免费人成看片| 久久久久精品国产欧美久久久 | 黄片播放在线免费| 国产日韩一区二区三区精品不卡| 999久久久国产精品视频| 欧美日韩亚洲综合一区二区三区_| 少妇人妻 视频| 操美女的视频在线观看| 国产男女内射视频| netflix在线观看网站| 精品亚洲乱码少妇综合久久| 黄频高清免费视频| 观看美女的网站| 成年av动漫网址| 成人亚洲精品一区在线观看| 精品午夜福利在线看| 少妇人妻精品综合一区二区| 黄色一级大片看看| av视频免费观看在线观看| 日韩制服骚丝袜av| 亚洲欧美一区二区三区久久| 日韩 欧美 亚洲 中文字幕| 欧美黑人欧美精品刺激| 久久久久精品久久久久真实原创| 亚洲欧美一区二区三区久久| 欧美变态另类bdsm刘玥| 久久精品国产亚洲av涩爱| 最近最新中文字幕免费大全7| 日韩 亚洲 欧美在线| 少妇精品久久久久久久| 日韩伦理黄色片| 亚洲国产最新在线播放| 国产精品香港三级国产av潘金莲 | 日本欧美视频一区| 91aial.com中文字幕在线观看| 久久人人97超碰香蕉20202| 亚洲色图 男人天堂 中文字幕| 国产欧美日韩一区二区三区在线| 99精品久久久久人妻精品| 男人舔女人的私密视频| 成人国产av品久久久| 精品亚洲成a人片在线观看| 国产97色在线日韩免费| 久久久久久人妻| 大码成人一级视频| av在线app专区| 亚洲av福利一区| 97在线人人人人妻| 国产成人啪精品午夜网站| 亚洲国产欧美日韩在线播放| 成人毛片60女人毛片免费| xxx大片免费视频| 国产精品女同一区二区软件| 免费看av在线观看网站| 男女之事视频高清在线观看 | 国产在视频线精品| 男女午夜视频在线观看| 精品人妻熟女毛片av久久网站| 黄色一级大片看看| 精品一区二区三卡| 亚洲专区中文字幕在线 | 美女大奶头黄色视频| 青青草视频在线视频观看| 麻豆精品久久久久久蜜桃| 免费高清在线观看日韩| 欧美少妇被猛烈插入视频| 欧美 日韩 精品 国产| 久久99一区二区三区| 国语对白做爰xxxⅹ性视频网站| 少妇被粗大的猛进出69影院| xxx大片免费视频| 日韩一区二区三区影片| 欧美日韩一区二区视频在线观看视频在线| 嫩草影院入口| 少妇被粗大的猛进出69影院| 99香蕉大伊视频| 一级a爱视频在线免费观看| 亚洲成人av在线免费| 日韩中文字幕视频在线看片| 国产乱来视频区| 99国产综合亚洲精品| 国产一区二区 视频在线| 精品人妻一区二区三区麻豆| 操出白浆在线播放| 高清欧美精品videossex| 一区二区日韩欧美中文字幕| 精品国产一区二区三区久久久樱花| 黑人猛操日本美女一级片| 亚洲精品国产av蜜桃| 人成视频在线观看免费观看| 中文字幕av电影在线播放| 免费黄频网站在线观看国产| 国产国语露脸激情在线看| 欧美国产精品va在线观看不卡| 一本一本久久a久久精品综合妖精| 可以免费在线观看a视频的电影网站 | 中文字幕精品免费在线观看视频| 欧美激情 高清一区二区三区| 少妇的丰满在线观看| 激情视频va一区二区三区| 在线观看免费日韩欧美大片| 一级毛片我不卡| 久久久久精品人妻al黑| 欧美少妇被猛烈插入视频| 久久人人爽人人片av| 久久天躁狠狠躁夜夜2o2o | 久久精品国产亚洲av涩爱| 最黄视频免费看| 97精品久久久久久久久久精品| 黑丝袜美女国产一区| 国产成人av激情在线播放| 一个人免费看片子| 如日韩欧美国产精品一区二区三区| 国产精品久久久久成人av| 精品国产一区二区三区久久久樱花| 制服人妻中文乱码| 色网站视频免费| 久久韩国三级中文字幕| 无遮挡黄片免费观看| 日韩一本色道免费dvd| 久久韩国三级中文字幕| 免费黄频网站在线观看国产| 人成视频在线观看免费观看| 亚洲精品av麻豆狂野| 亚洲人成网站在线观看播放| 中文字幕色久视频| 侵犯人妻中文字幕一二三四区| 精品福利永久在线观看| 嫩草影院入口| 伦理电影大哥的女人| 卡戴珊不雅视频在线播放| 纵有疾风起免费观看全集完整版| 久久久久国产精品人妻一区二区| 国产精品秋霞免费鲁丝片| av线在线观看网站| 大码成人一级视频| 国产在线免费精品| 日韩欧美精品免费久久| 亚洲人成电影观看| 婷婷色av中文字幕| 午夜激情久久久久久久| 欧美变态另类bdsm刘玥| 一区二区三区乱码不卡18| 欧美激情高清一区二区三区 | av有码第一页| 大片免费播放器 马上看| av在线观看视频网站免费| 亚洲熟女毛片儿| av又黄又爽大尺度在线免费看| 欧美黑人精品巨大| 日韩欧美精品免费久久| 久久99一区二区三区| 熟妇人妻不卡中文字幕| 亚洲成国产人片在线观看| 亚洲国产日韩一区二区| 一本久久精品| 制服诱惑二区| 久久久久久人妻| 亚洲一卡2卡3卡4卡5卡精品中文| 日本91视频免费播放| 自拍欧美九色日韩亚洲蝌蚪91| 在线天堂中文资源库| 国产日韩一区二区三区精品不卡| 80岁老熟妇乱子伦牲交| www.熟女人妻精品国产| 午夜福利视频在线观看免费| 波多野结衣一区麻豆| 侵犯人妻中文字幕一二三四区| 天天操日日干夜夜撸| 欧美日韩国产mv在线观看视频| 欧美变态另类bdsm刘玥| 国产精品成人在线| 精品国产国语对白av| 国产精品麻豆人妻色哟哟久久| 国产精品一区二区在线观看99| 精品一区二区三区av网在线观看 | av女优亚洲男人天堂| 熟女av电影| 欧美另类一区| 美女中出高潮动态图| 亚洲成国产人片在线观看| 91精品三级在线观看| 性少妇av在线| 黄色 视频免费看| 美女大奶头黄色视频| 精品第一国产精品| 少妇被粗大的猛进出69影院| 亚洲欧洲日产国产| 日韩一区二区视频免费看| 国产成人欧美在线观看 |