• <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 ?

    融合卷積特征與判別字典學(xué)習(xí)的低截獲概率雷達(dá)信號識別

    2019-10-24 05:20:08咼鵬程吳禮洋
    兵工學(xué)報(bào) 2019年9期
    關(guān)鍵詞:訓(xùn)練樣本識別率字典

    咼鵬程, 吳禮洋

    (1.95183部隊(duì), 湖南 邵東 422000;2.空軍通信士官學(xué)校 地空導(dǎo)航系, 遼寧 大連 116600)

    0 引言

    隨著雷達(dá)技術(shù)的發(fā)展,信號調(diào)制樣式也逐漸變得復(fù)雜,尤其是具有大時(shí)寬帶寬積、強(qiáng)抗干擾性能、高分辨率和低截獲性特點(diǎn)[1-2]的低截獲概率(LPI)雷達(dá)信號出現(xiàn),給我方非合作截獲接收機(jī)的檢測制造帶來巨大困難。因此,在我方電子情報(bào)分析中,如何利用截獲到的少量敵方雷達(dá)信號數(shù)據(jù)進(jìn)行有效處理,是LPI雷達(dá)信號識別研究的關(guān)鍵之一。

    在利用雷達(dá)信號脈間參數(shù)識別方法逐漸失效的現(xiàn)實(shí)情況下,國內(nèi)外學(xué)者轉(zhuǎn)而對信號脈內(nèi)細(xì)微特征進(jìn)行研究,并提出了許多識別方法,取得了較好的效果。文獻(xiàn)[1-2]將雙譜對角切片與廣義維數(shù)結(jié)合,提取到信號的脈內(nèi)特征,在信噪比大于0 dB情況下,平均識別率為97.5%;文獻(xiàn)[3]利用崔- 威廉斯分布(CWD)時(shí)頻圖像,從圖像中提取相關(guān)特征,在信噪比為-2 dB情況下識別率能達(dá)到94.7%;文獻(xiàn)[4]通過Gabor時(shí)頻變換將時(shí)頻圖像進(jìn)行剪裁并向量化,利用字典學(xué)習(xí)稀疏表示分類的方法,在信噪比大于1 dB情況下實(shí)現(xiàn)了90%以上的識別率。然而以上方法都是利用人工設(shè)計(jì)的特征進(jìn)行分類,屬于淺層特征,在更低的信噪比情況下識別率大大降低。

    自從2006年Hinton等[5]提出深度學(xué)習(xí)方法以來,利用深度網(wǎng)絡(luò)進(jìn)行特征提取越來越普遍。而在圖像識別中,卷積神經(jīng)網(wǎng)絡(luò)(CNN)對圖像深層特征提取具有較強(qiáng)的優(yōu)勢,能夠?qū)⒃紙D像通過多層抽象機(jī)制提取到豐富的高層抽象特征,因此也有學(xué)者將CNN用于雷達(dá)信號識別中。文獻(xiàn)[6]使用CWD時(shí)頻圖像,通過兩次預(yù)處理過程將信號數(shù)據(jù)輸入到CNN中,通過對比不同CNN網(wǎng)絡(luò)結(jié)構(gòu),選擇出最優(yōu)的結(jié)構(gòu)參數(shù),在信噪比為-6 dB情況下實(shí)現(xiàn)了93.5%的識別率。然而已有文獻(xiàn)在網(wǎng)絡(luò)學(xué)習(xí)中每種信號都使用了大量的訓(xùn)練樣本,實(shí)際上對于情報(bào)偵察而言,能夠截獲到有用數(shù)據(jù)的量是非常少的,尤其是對LPI信號的截獲,因此很難實(shí)現(xiàn)對網(wǎng)絡(luò)使用大量樣本進(jìn)行訓(xùn)練。綜上所述,如何在低信噪比、少樣本數(shù)量條件下實(shí)現(xiàn)對LPI雷達(dá)信號的有效識別,是一個(gè)值得研究的問題。

    本文提出一種融合信號時(shí)頻圖像卷積特征與字典學(xué)習(xí)(CDL)的雷達(dá)信號識別方法。在特征提取方面,利用CNN對圖像的深層理解能力,使用LeNet-5網(wǎng)絡(luò)最后1個(gè)卷積層得到的數(shù)據(jù)作為信號特征,即卷積特征;為解決在少量樣本下網(wǎng)絡(luò)訓(xùn)練較差的問題,通過使用國家標(biāo)準(zhǔn)與技術(shù)研究所數(shù)據(jù)庫(MNIST)手寫數(shù)據(jù)集對網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練,然后將2~6層網(wǎng)絡(luò)參數(shù)遷移到新的LeNet-5網(wǎng)絡(luò)中提取特征;在最后識別階段,鑒于稀疏表示方法在識別中對噪聲有較強(qiáng)的抗干擾性,對樣本數(shù)量也具有較強(qiáng)的魯棒性[7-8],且稀疏表示分類的方法在目標(biāo)跟蹤[9]、說話人識別[10]中得到成功應(yīng)用,也為雷達(dá)信號識別提供了新的思路,本文應(yīng)用文獻(xiàn)[11]提出的基于Fisher準(zhǔn)則的判別字典學(xué)習(xí)(FDDL),通過在冗余字典上對每類信號的卷積特征構(gòu)建子字典并稀疏表示,加入Fisher準(zhǔn)則使子字典更具有判別性,在判別函數(shù)中引入重構(gòu)誤差與稀疏編碼系數(shù)相似度來增強(qiáng)類別判別能力、進(jìn)一步降低訓(xùn)練樣本的代價(jià),并在低信噪比下進(jìn)一步提高識別率。

    1 CNN

    1.1 LeNet-5網(wǎng)絡(luò)

    LeNet-5是最早的卷積網(wǎng)絡(luò)之一,是一種典型的深度學(xué)習(xí)模型[12]。該模型于1998年正式確定,在文檔識別中取得了很好的效果[13],并很快成功地在美國大多數(shù)銀行中實(shí)現(xiàn)了識別手寫數(shù)字的商業(yè)應(yīng)用。盡管該模型年代比較久遠(yuǎn),但近年來依然有許多學(xué)者對其加以應(yīng)用與改進(jìn)[14-16],由此可展示出該模型識別性能的優(yōu)勢。

    LeNet-5卷積網(wǎng)絡(luò)包括輸入層共有8層,即1個(gè)輸入層、3個(gè)卷積層、2個(gè)下采樣層、1個(gè)全連接層和1個(gè)輸出層,如圖1所示。圖1中輸入的圖片為32×32像素,而MNIST手寫數(shù)據(jù)集中的圖片大小為28×28像素,實(shí)際應(yīng)用中將像素?cái)U(kuò)大到32×32,是因?yàn)橄M麧撛诘拿黠@特征能夠出現(xiàn)在最高層特征監(jiān)測子感受野的中心。

    圖1 LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Network of LeNet-5

    1.2 預(yù)訓(xùn)練說明

    CNN中的參數(shù)需要大規(guī)模的標(biāo)簽數(shù)據(jù)進(jìn)行大量訓(xùn)練迭代以達(dá)到最優(yōu)效果,尤其是卷積核學(xué)習(xí)的好壞直接決定了提取圖像判別性特征的效果[17-18];目前的通用方法為隨機(jī)初始化網(wǎng)絡(luò)參數(shù),這種方法對數(shù)據(jù)集數(shù)量較少的情況,訓(xùn)練得到的網(wǎng)絡(luò)參數(shù)非常不理想,識別率將大大降低,尤其對于電子偵察方面,其得到敵方有用的數(shù)據(jù)非常稀缺,不可能通過大量數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。因此,只能通過其他數(shù)據(jù)集預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)來有效解決該問題。

    文獻(xiàn)[19-21]表明,利用ImageNet數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練得到的CNN具有較強(qiáng)的泛化能力,能夠有效地遷移到識別其他數(shù)據(jù)集上。由于本文使用的信號為時(shí)頻二維圖像數(shù)據(jù)和LeNet-5模型,在處理時(shí)應(yīng)首先使用MNIST數(shù)據(jù)對LeNet-5進(jìn)行預(yù)訓(xùn)練,在處理過程中首先使用MNIST數(shù)據(jù)對LeNet-5進(jìn)行訓(xùn)練識別,當(dāng)設(shè)置參數(shù)使識別率達(dá)到最好時(shí),取出網(wǎng)絡(luò)的第2~6層,重新構(gòu)造新的LeNet-5網(wǎng)絡(luò)。

    2 判別字典學(xué)習(xí)

    2.1 基于Fisher判別字典學(xué)習(xí)

    稀疏表示分類算法在目標(biāo)函數(shù)中僅從重構(gòu)能力方面考慮,而為了使學(xué)習(xí)到的字典既具有較好的重構(gòu)能力又具有較強(qiáng)的判別能力,引入Fisher準(zhǔn)則加入字典學(xué)習(xí)中,即FDDL算法,其目標(biāo)函數(shù)定義為

    (1)

    式中:r(A,D,X)為判別保真項(xiàng);‖X‖1為稀疏編碼系數(shù)的稀疏約束項(xiàng);f(X)為Fisher判別約束項(xiàng);λ1和λ2為調(diào)節(jié)參數(shù),用于控制目標(biāo)函數(shù)J信息的比例。

    1)判別保真項(xiàng)

    (2)

    式中:F表示F范數(shù)。

    2)Fisher判別約束項(xiàng)

    (3)

    Fisher判別準(zhǔn)則是實(shí)現(xiàn)類內(nèi)總離散度矩陣Sw的最小化、類間離散度矩陣Sb的最大化。在FDDL算法中,將Fisher準(zhǔn)則的內(nèi)類總離散度矩陣稱為稀疏編碼系數(shù)X的類內(nèi)誤差Sw(X),類間離散度矩陣稱為稀疏編碼系數(shù)X的類間誤差Sb(X)。

    定義類內(nèi)誤差Sw(X)為

    (4)

    式中:k表示樣本序號;xk表示稀疏編碼系數(shù)Xi的第k個(gè)元素;mi和m分別為稀疏編碼系數(shù)Xi和X的均值向量。

    定義類間誤差Sb(X)為

    (5)

    式中:ni為子樣本矩陣Ai的樣本數(shù)。

    因此,通過加入判別保真項(xiàng)和Fisher判別約束項(xiàng),F(xiàn)DDL算法的目標(biāo)函數(shù)可以表達(dá)為

    (6)

    關(guān)于目標(biāo)函數(shù)J(D,X)是非聯(lián)合凸函數(shù)的問題,根據(jù)現(xiàn)有的解決方法,可以先固定D、優(yōu)化X,然后固定X、優(yōu)化D. 對該最優(yōu)化的求解步驟可參考文獻(xiàn)[11]。

    2.2 類別判定準(zhǔn)則

    得到最優(yōu)化的判決字典D后,需要建立類別判定準(zhǔn)則,對測試樣本的類別判定進(jìn)行分類。在此需要利用測試樣本在字典上表達(dá)的稀疏編碼系數(shù)信息以及對應(yīng)的重構(gòu)誤差信息。文獻(xiàn)[9]給出了一種編碼系數(shù)目標(biāo)函數(shù),如(7)式所示:

    (7)

    為簡化(7)式,將式中后兩部分組合,構(gòu)造成相似度項(xiàng),使目標(biāo)函數(shù)由重構(gòu)誤差項(xiàng)與相似度項(xiàng)組成,如(8)式所示:

    (8)

    文獻(xiàn)[22]已經(jīng)證明基于l2范數(shù)約束的稀疏系數(shù)求解與l1范數(shù)相比,計(jì)算復(fù)雜度將大幅度降低。因此,本文使用正則化最小化l2范數(shù)求解測試樣本稀疏編碼系數(shù)。

    當(dāng)子字典Di能夠很好地表示測試樣本時(shí),其重構(gòu)誤差與相似度值都會(huì)很小,因此可以構(gòu)建類別判定準(zhǔn)則函數(shù)如(9)式所示:

    (9)

    式中:ei為第i類的分類評分;γ為常數(shù)。

    3 卷積特征提取及識別框架

    對于卷積特征提取,本文使用訓(xùn)練樣本對新的LeNet-5網(wǎng)絡(luò)再次進(jìn)行迭代訓(xùn)練,當(dāng)識別率達(dá)到最高時(shí),表明網(wǎng)絡(luò)第2~6層中的參數(shù)已最優(yōu),然后在C5層中取出數(shù)據(jù),作為訓(xùn)練樣本信號的卷積特征。測試樣本則通過已優(yōu)化的LeNet-5網(wǎng)絡(luò)直接經(jīng)過卷積、池化,在C5層取出數(shù)據(jù)作為測試樣本信號的卷積特征。圖2所示為線性調(diào)頻(LFM)信號時(shí)頻圖像在網(wǎng)絡(luò)每層中的可視化過程,第2~5層只顯示了1個(gè)卷積核對圖像的處理,第6層顯示了120個(gè)卷積核組成的圖像,即該LFM信號的卷積特征。

    圖2 卷積特征可視化Fig.2 Visualization of convolutional feature

    圖3所示為本文的識別框架。由圖3可以看出識別過程的基本步驟:低截獲雷達(dá)信號進(jìn)行時(shí)頻變換、得到時(shí)頻圖像,隨后將圖像重置為28×28像素大小。結(jié)合上述內(nèi)容,將得到的訓(xùn)練和測試樣本卷積特征作為字典學(xué)習(xí)的訓(xùn)練和測試樣本,最后依據(jù)類別判定準(zhǔn)則進(jìn)行識別。

    圖3 本文識別框架Fig.3 Recognition framework

    4 仿真實(shí)驗(yàn)及分析

    4.1 參數(shù)設(shè)置

    實(shí)驗(yàn)平臺配置為: Inter(R) Core(TM) i5-3210M,內(nèi)存4 GB,CPU主頻2.50 GHz,仿真平臺為MATLAB R2014a. LPI雷達(dá)信號使用文獻(xiàn)[4]的信號類型:LFM二相編碼(BPSK)、四相編碼(QPSK)、偶二次方調(diào)頻(EQFM)、COSTAS碼。信號參數(shù)設(shè)置參考文獻(xiàn)[4],所有信號的頻率都不超過50 MHz,采樣頻率為100 MHz,脈寬設(shè)置為8~16 μs,其他參數(shù)具體如表1所示。

    表1 信號主要參數(shù)及范圍

    本文對LPI雷達(dá)信號采用平滑偽Wigner-Ville分布[23](SPWVD),用來反映信號內(nèi)部調(diào)制的聚集性和時(shí)頻關(guān)系。

    采用高斯白噪聲模擬噪聲環(huán)境,信噪比設(shè)置從-10 dB~5 dB,步長為5 dB. 每種信號在不同信噪比下分別產(chǎn)生600組訓(xùn)練樣本和200組測試樣本,因此在每一信噪比下共有3 000組訓(xùn)練樣本和1 000組測試樣本。

    4.2 預(yù)訓(xùn)練效果對比

    為展示預(yù)訓(xùn)練對特征提取和網(wǎng)絡(luò)優(yōu)化的效果,對比實(shí)驗(yàn)選擇完整的LeNet-5模型,將中間第2~6層網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練后替換(有預(yù)訓(xùn)練的LeNet-5網(wǎng)絡(luò)稱為LeNet-1,無預(yù)訓(xùn)練的LeNet-5網(wǎng)絡(luò)稱為LeNet-0),最后通過識別率反映有無預(yù)訓(xùn)練的效果。

    圖4表示在-5 dB的信噪比下,不同迭代次數(shù)、不同數(shù)量訓(xùn)練樣本對識別率的影響。其中,待識別的5種信號一共產(chǎn)生500~2 500個(gè)信號樣本,步長為500. 作為訓(xùn)練樣本,每類信號均等分訓(xùn)練樣本,測試樣本數(shù)量則為訓(xùn)練樣本數(shù)量的20%. 測試時(shí)在3 000組訓(xùn)練樣本和1 000組訓(xùn)練樣本中隨機(jī)抽取相應(yīng)數(shù)量的訓(xùn)練樣本和測試樣本,在每種迭代次數(shù)下進(jìn)行100次訓(xùn)練,將結(jié)果取平均值。

    隨著迭代次數(shù)的增加,LeNet-1和LeNet-0網(wǎng)絡(luò)的識別率都逐漸增加,在迭代次數(shù)達(dá)到70以上時(shí)識別率趨于穩(wěn)定;隨著訓(xùn)練樣本數(shù)量的減少,識別率也隨之降低,這是因?yàn)樵跇颖旧俚那闆r下,卷積網(wǎng)絡(luò)對樣本的學(xué)習(xí)程度不夠,參數(shù)沒有達(dá)到最優(yōu)。由圖4還可以發(fā)現(xiàn),LeNet-1在不同數(shù)量訓(xùn)練樣本下的識別率都大于LeNet-0,尤其在樣本數(shù)量僅為500時(shí)識別率相差26.1%.

    由此可以看出,經(jīng)過預(yù)訓(xùn)練后網(wǎng)絡(luò)的泛化性能得到提高,將其網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)遷移到雷達(dá)數(shù)據(jù)集,能夠較好地解決數(shù)據(jù)樣本數(shù)量少的問題。

    圖4 有無預(yù)訓(xùn)練的識別對比Fig.4 Comparison of recognition effects with and without pre-training

    圖5 分類評分圖Fig.5 Classification score for each class

    4.3 字典學(xué)習(xí)識別效果

    為展示字典學(xué)習(xí)的有效性,圖5給出了每類測試樣本信號分別在各子字典上計(jì)算判別準(zhǔn)則函數(shù)得到的分類評分。由圖5可以看出,每一類信號只有在屬于同類子字典上得到的評分是最小的,而在其他子字典上的評分值都較大,因此可以通過最后的分類判決進(jìn)行信號識別。圖6給出了在信噪比為-5 dB下,由每個(gè)樣本得到的分類評分組成的判別矩陣。從整個(gè)測試樣本可以看出,信號類別對應(yīng)的樣本取得的值會(huì)比其他類別的樣本更小,更有利于進(jìn)行識別。

    圖6 類別判定矩陣(SNR=-5 dB)Fig.6 Discriminative matrix (SNR=-5 dB)

    4.4 算法性能對比

    為對比不同樣本數(shù)量的影響,選擇本文方法、最小二乘支持向量機(jī)(LSSVM)方法、LeNet-1方法、LeNet-0方法進(jìn)行對比,其中LSSVM來自海軍工程大學(xué)陸振波編寫的支持向量機(jī)工具箱,通過十折交叉驗(yàn)證得到最優(yōu)化參數(shù)。仿真結(jié)果如圖7所示。

    圖7 不同樣本數(shù)量的識別率對比Fig.7 Recognition rates with number of different training samples

    從圖7中可以看出,在低信噪比情況下,CDL算法依舊保持較高的識別率,雖然卷積特征是通過LeNet-1網(wǎng)絡(luò)提取出來的,但通過稀疏表示能夠進(jìn)一步將由噪聲導(dǎo)致的不同信號間不可區(qū)分部分稀疏掉,最大限度地留下具有判別性的信息,與LeNet-1方法中使用的全連接網(wǎng)絡(luò)分類相比,識別率進(jìn)一步提高。另外,本文算法對樣本數(shù)量比較魯棒,在不同數(shù)量下的識別率基本平穩(wěn),特別在樣本數(shù)量僅為100時(shí),依舊保持98%、95%和68%的識別率,能夠較好地解決因信號識別中樣本數(shù)量不足而導(dǎo)致使用神經(jīng)網(wǎng)絡(luò)算法學(xué)習(xí)不優(yōu)的問題。LSSVM的識別結(jié)果表明,對于淺層機(jī)器學(xué)習(xí)算法,在提取到較好的信號特征后,依然能夠在樣本少的情況下取得較好的識別效果。

    為進(jìn)一步驗(yàn)證本文算法的優(yōu)勢,設(shè)置樣本數(shù)量為100,信噪比從-10 dB,以步長5 dB增加到5 dB,并與文獻(xiàn)[4]、文獻(xiàn)[24]、文獻(xiàn)[25]、文獻(xiàn)[26]進(jìn)行識別率對比,結(jié)果如圖8所示。由圖8可以看出:本文算法在-5 dB時(shí)依舊保持90%以上的識別正確率,而在-5 dB后識別率下降較快。這是因?yàn)闀r(shí)頻圖像沒有進(jìn)行去噪預(yù)處理,導(dǎo)致算法在噪聲進(jìn)一步增大的情況下特征提取、稀疏表示的能力逐漸下降,但相對于其他4種方法,本文方法在抗噪性方面依然具有優(yōu)勢;文獻(xiàn)[24]使用深度置信網(wǎng)絡(luò),在沒有足夠樣本訓(xùn)練的條件下,致使從0 dB開始就處于較低的識別率;文獻(xiàn)[4]雖然在訓(xùn)練樣本數(shù)量上也僅使用了100組數(shù)據(jù),但在低信噪比下達(dá)到的識別效果與本文方法相差較大,且文獻(xiàn)[4]和文獻(xiàn)[25]僅使用時(shí)頻圖像的表面信息,盡管都是使用稀疏表示類的方法,但是在特征提取上效果差于卷積特征,因此在低信噪比下識別率低于本文方法;文獻(xiàn)[26]采用頻率譜特征,在低信噪比下信號的頻率譜將被噪聲掩蓋,在很大程度上減少了類間的區(qū)分性。

    圖8 不同方法的識別率對比Fig.8 Recognition rates of different methods

    5 結(jié)論

    本文針對情報(bào)分析中面臨的LPI雷達(dá)信號樣本數(shù)量少、信噪比低的問題,將卷積特征與字典學(xué)習(xí)相結(jié)合,構(gòu)建了CDL的雷達(dá)信號識別方法。通過仿真分析得出以下結(jié)論:

    1)識別效果的好壞與特征提取有效性和特定條件下分類器的選擇有密切關(guān)系,在只考慮少量樣本情況下,神經(jīng)網(wǎng)絡(luò)的分類并不占優(yōu)勢。

    2)利用CNN對圖像的深層特征描述,避免了人工特征選擇的復(fù)雜性,相比于其他淺層特征,提取到的卷積特征能夠在很大程度上表示不同信號的特點(diǎn),表明深度學(xué)習(xí)相關(guān)算法在特征提取中具有很大的優(yōu)勢。

    3)在分類中選擇字典學(xué)習(xí)的方法,對噪聲有較強(qiáng)的抗干擾性以及對樣本數(shù)量有較好的魯棒性,相比于原卷積網(wǎng)絡(luò)中的全連接層分類有較好的效果。因此,本文方法在低信噪比和少量樣本情況下,更適用于電子情報(bào)分析的應(yīng)用中。

    猜你喜歡
    訓(xùn)練樣本識別率字典
    開心字典
    家教世界(2023年28期)2023-11-14 10:13:50
    開心字典
    家教世界(2023年25期)2023-10-09 02:11:56
    基于類圖像處理與向量化的大數(shù)據(jù)腳本攻擊智能檢測
    人工智能
    基于真耳分析的助聽器配戴者言語可懂度指數(shù)與言語識別率的關(guān)系
    提升高速公路MTC二次抓拍車牌識別率方案研究
    寬帶光譜成像系統(tǒng)最優(yōu)訓(xùn)練樣本選擇方法研究
    融合原始樣本和虛擬樣本的人臉識別算法
    我是小字典
    基于稀疏重構(gòu)的機(jī)載雷達(dá)訓(xùn)練樣本挑選方法
    欧美成人午夜精品| 婷婷丁香在线五月| 不卡av一区二区三区| 纯流量卡能插随身wifi吗| 亚洲第一青青草原| 日韩人妻精品一区2区三区| 两人在一起打扑克的视频| 水蜜桃什么品种好| 999久久久国产精品视频| 男女床上黄色一级片免费看| 青草久久国产| 亚洲精品国产色婷婷电影| 欧美激情久久久久久爽电影 | 久久国产精品男人的天堂亚洲| 琪琪午夜伦伦电影理论片6080| 中文欧美无线码| 伦理电影免费视频| 黄网站色视频无遮挡免费观看| 婷婷六月久久综合丁香| 日韩大码丰满熟妇| 精品第一国产精品| 国产成人欧美| 久久久久久久午夜电影 | 涩涩av久久男人的天堂| 黄频高清免费视频| 美女扒开内裤让男人捅视频| 亚洲五月色婷婷综合| 国产主播在线观看一区二区| 丝袜人妻中文字幕| 久久伊人香网站| 热99国产精品久久久久久7| 男女午夜视频在线观看| 国产精品九九99| 淫秽高清视频在线观看| 午夜免费观看网址| 久久精品aⅴ一区二区三区四区| 日本精品一区二区三区蜜桃| 亚洲欧美一区二区三区黑人| 欧美日韩视频精品一区| 中文字幕色久视频| 国产精品九九99| 日本a在线网址| 久久九九热精品免费| 在线观看免费午夜福利视频| 性欧美人与动物交配| 老司机福利观看| 亚洲av片天天在线观看| 亚洲午夜理论影院| 在线国产一区二区在线| 最近最新中文字幕大全电影3 | 乱人伦中国视频| 久久中文看片网| 日本精品一区二区三区蜜桃| 一进一出好大好爽视频| 午夜亚洲福利在线播放| 免费看十八禁软件| 国产成人影院久久av| 视频区图区小说| 亚洲一区高清亚洲精品| 最新在线观看一区二区三区| 黄色怎么调成土黄色| 亚洲欧美日韩另类电影网站| 国产精品香港三级国产av潘金莲| 免费女性裸体啪啪无遮挡网站| 一进一出抽搐动态| 脱女人内裤的视频| 动漫黄色视频在线观看| 国产一卡二卡三卡精品| 一级片免费观看大全| 欧美成人免费av一区二区三区| 一本综合久久免费| 婷婷精品国产亚洲av在线| 久久精品人人爽人人爽视色| 国产熟女午夜一区二区三区| 欧美成人免费av一区二区三区| 熟女少妇亚洲综合色aaa.| 日韩大尺度精品在线看网址 | 成人黄色视频免费在线看| 99久久综合精品五月天人人| 亚洲精品久久午夜乱码| 国产日韩一区二区三区精品不卡| 91大片在线观看| 91精品国产国语对白视频| 欧美激情久久久久久爽电影 | 热re99久久精品国产66热6| 亚洲专区中文字幕在线| 久热这里只有精品99| 欧美日韩中文字幕国产精品一区二区三区 | 最近最新中文字幕大全电影3 | 日本黄色日本黄色录像| 丝袜美腿诱惑在线| 中文字幕人妻熟女乱码| 在线av久久热| 校园春色视频在线观看| 日韩大尺度精品在线看网址 | 少妇粗大呻吟视频| 免费少妇av软件| 国产亚洲欧美在线一区二区| 国产伦人伦偷精品视频| 欧美人与性动交α欧美精品济南到| 狂野欧美激情性xxxx| 最新美女视频免费是黄的| 变态另类成人亚洲欧美熟女 | 一级a爱片免费观看的视频| 欧美黑人精品巨大| 午夜福利免费观看在线| 日韩av在线大香蕉| 99在线视频只有这里精品首页| 欧美中文日本在线观看视频| 色综合婷婷激情| 精品国产超薄肉色丝袜足j| 久热这里只有精品99| 淫秽高清视频在线观看| 国内毛片毛片毛片毛片毛片| 色精品久久人妻99蜜桃| 在线观看免费午夜福利视频| 中文字幕色久视频| 久久青草综合色| 免费在线观看视频国产中文字幕亚洲| 国产精品免费视频内射| 一进一出抽搐gif免费好疼 | 国产熟女午夜一区二区三区| 色尼玛亚洲综合影院| 美女福利国产在线| 亚洲专区字幕在线| 亚洲欧美激情在线| 97碰自拍视频| avwww免费| 国产欧美日韩精品亚洲av| 国产精品久久视频播放| 国产97色在线日韩免费| 精品一区二区三区av网在线观看| 亚洲国产精品合色在线| 日本欧美视频一区| 一二三四社区在线视频社区8| 在线看a的网站| 成人黄色视频免费在线看| 黄色丝袜av网址大全| 日日夜夜操网爽| 亚洲精品一卡2卡三卡4卡5卡| 国产成人欧美| 日韩欧美国产一区二区入口| 少妇粗大呻吟视频| 91麻豆精品激情在线观看国产 | 国产aⅴ精品一区二区三区波| 激情在线观看视频在线高清| 亚洲成人国产一区在线观看| 俄罗斯特黄特色一大片| www国产在线视频色| 久久久久国产精品人妻aⅴ院| 国产精品1区2区在线观看.| 啦啦啦免费观看视频1| 五月开心婷婷网| www.www免费av| 欧洲精品卡2卡3卡4卡5卡区| 亚洲国产欧美网| 一二三四在线观看免费中文在| 亚洲国产精品sss在线观看 | 中文字幕人妻熟女乱码| 色尼玛亚洲综合影院| 欧美国产精品va在线观看不卡| 老汉色∧v一级毛片| 巨乳人妻的诱惑在线观看| 国产三级黄色录像| 超色免费av| 国产激情久久老熟女| 国产亚洲精品一区二区www| 亚洲专区中文字幕在线| 91麻豆精品激情在线观看国产 | 亚洲国产精品合色在线| 亚洲第一av免费看| 成年人免费黄色播放视频| 男女下面插进去视频免费观看| 97超级碰碰碰精品色视频在线观看| 91麻豆av在线| 国产精品野战在线观看 | 亚洲国产精品一区二区三区在线| 日本一区二区免费在线视频| 50天的宝宝边吃奶边哭怎么回事| 国产精品亚洲一级av第二区| 国产一区在线观看成人免费| 91成年电影在线观看| 麻豆国产av国片精品| 91老司机精品| 悠悠久久av| 岛国视频午夜一区免费看| 国产精品 国内视频| 成人三级做爰电影| 欧美国产精品va在线观看不卡| 日韩欧美国产一区二区入口| www.999成人在线观看| 一夜夜www| 国产亚洲欧美98| 亚洲 欧美一区二区三区| 精品少妇一区二区三区视频日本电影| 国产成人系列免费观看| 免费高清在线观看日韩| 国产欧美日韩一区二区精品| 久久久久精品国产欧美久久久| 欧美性长视频在线观看| 亚洲美女黄片视频| 99精国产麻豆久久婷婷| 别揉我奶头~嗯~啊~动态视频| www.精华液| 午夜91福利影院| 天天躁夜夜躁狠狠躁躁| 日本精品一区二区三区蜜桃| 国产精品成人在线| 91老司机精品| 精品国产超薄肉色丝袜足j| 国产精品二区激情视频| 成人手机av| 看免费av毛片| 悠悠久久av| 久久人妻福利社区极品人妻图片| 亚洲欧美精品综合久久99| 亚洲va日本ⅴa欧美va伊人久久| 免费在线观看完整版高清| 精品一区二区三区四区五区乱码| 动漫黄色视频在线观看| 色精品久久人妻99蜜桃| 国产精品乱码一区二三区的特点 | 中国美女看黄片| 人妻丰满熟妇av一区二区三区| 成人三级黄色视频| 国产精品美女特级片免费视频播放器 | 99国产精品一区二区三区| 在线免费观看的www视频| 日本撒尿小便嘘嘘汇集6| 一级a爱视频在线免费观看| 99在线人妻在线中文字幕| 色综合欧美亚洲国产小说| 又紧又爽又黄一区二区| 嫩草影院精品99| 欧美中文综合在线视频| 午夜视频精品福利| 亚洲人成电影观看| 99国产精品一区二区三区| 长腿黑丝高跟| 久久午夜综合久久蜜桃| 亚洲片人在线观看| 在线av久久热| 国产欧美日韩一区二区三区在线| 久久天躁狠狠躁夜夜2o2o| 丝袜美足系列| 天堂动漫精品| 国产精品 欧美亚洲| 亚洲av成人不卡在线观看播放网| 一区二区三区精品91| 韩国av一区二区三区四区| 亚洲成av片中文字幕在线观看| 99久久综合精品五月天人人| 亚洲少妇的诱惑av| 18禁黄网站禁片午夜丰满| 一边摸一边做爽爽视频免费| 交换朋友夫妻互换小说| 亚洲av成人一区二区三| 99精品欧美一区二区三区四区| 亚洲欧美精品综合久久99| 91字幕亚洲| 桃红色精品国产亚洲av| 欧美精品亚洲一区二区| 18禁美女被吸乳视频| 亚洲精品av麻豆狂野| 在线永久观看黄色视频| 欧美一级毛片孕妇| 国产视频一区二区在线看| 欧美日韩乱码在线| 亚洲av成人一区二区三| 亚洲中文av在线| 多毛熟女@视频| 日本五十路高清| 黄片大片在线免费观看| 精品福利观看| 在线永久观看黄色视频| 久久精品国产99精品国产亚洲性色 | 欧美性长视频在线观看| 淫秽高清视频在线观看| √禁漫天堂资源中文www| 午夜精品国产一区二区电影| 最近最新中文字幕大全免费视频| 香蕉久久夜色| 女性生殖器流出的白浆| 最新美女视频免费是黄的| 精品人妻1区二区| 黄片大片在线免费观看| 又黄又爽又免费观看的视频| 国产精品一区二区三区四区久久 | 一个人观看的视频www高清免费观看 | av天堂久久9| 在线观看一区二区三区激情| 国产极品粉嫩免费观看在线| 免费在线观看影片大全网站| 大香蕉久久成人网| 9热在线视频观看99| 午夜福利免费观看在线| 黄色毛片三级朝国网站| 中文字幕人妻丝袜一区二区| 久久影院123| 美女大奶头视频| 99在线视频只有这里精品首页| 国产乱人伦免费视频| 成人亚洲精品一区在线观看| 看免费av毛片| 亚洲激情在线av| 两人在一起打扑克的视频| 99久久久亚洲精品蜜臀av| 午夜福利在线观看吧| 欧美 亚洲 国产 日韩一| 国产一区二区激情短视频| 国产精品永久免费网站| 国产高清激情床上av| 首页视频小说图片口味搜索| 村上凉子中文字幕在线| 成人国语在线视频| 午夜影院日韩av| 日韩有码中文字幕| 国产成人欧美| 真人一进一出gif抽搐免费| 侵犯人妻中文字幕一二三四区| 丝袜美腿诱惑在线| 亚洲国产欧美网| 99在线人妻在线中文字幕| 制服人妻中文乱码| 亚洲精品久久成人aⅴ小说| 亚洲成a人片在线一区二区| 日韩免费av在线播放| 超色免费av| 午夜激情av网站| 18禁美女被吸乳视频| 美国免费a级毛片| 久久久国产精品麻豆| 日日爽夜夜爽网站| 视频区欧美日本亚洲| 日日夜夜操网爽| 亚洲av成人av| 国产精品野战在线观看 | 久久精品亚洲精品国产色婷小说| 成在线人永久免费视频| 精品卡一卡二卡四卡免费| 久久久水蜜桃国产精品网| 国内久久婷婷六月综合欲色啪| 天天躁狠狠躁夜夜躁狠狠躁| 成人国语在线视频| 亚洲国产精品999在线| 一进一出抽搐动态| 伊人久久大香线蕉亚洲五| 麻豆国产av国片精品| 日本黄色视频三级网站网址| 久久精品亚洲av国产电影网| 一级a爱视频在线免费观看| 男女下面插进去视频免费观看| 欧美乱色亚洲激情| 免费女性裸体啪啪无遮挡网站| 亚洲欧美一区二区三区久久| 露出奶头的视频| xxxhd国产人妻xxx| 国产午夜精品久久久久久| 怎么达到女性高潮| 91麻豆精品激情在线观看国产 | 在线观看免费视频网站a站| av片东京热男人的天堂| 国产高清视频在线播放一区| 男人的好看免费观看在线视频 | 别揉我奶头~嗯~啊~动态视频| 在线观看www视频免费| 中国美女看黄片| 亚洲欧美精品综合一区二区三区| 最近最新免费中文字幕在线| 亚洲欧美日韩另类电影网站| 国产精品成人在线| 午夜视频精品福利| 免费在线观看亚洲国产| 精品人妻1区二区| 大香蕉久久成人网| 超碰97精品在线观看| 国产av又大| 在线观看www视频免费| a在线观看视频网站| 一区二区三区激情视频| 十八禁人妻一区二区| 亚洲人成网站在线播放欧美日韩| 十八禁人妻一区二区| 丰满饥渴人妻一区二区三| 超色免费av| 热re99久久精品国产66热6| 久久午夜亚洲精品久久| 精品电影一区二区在线| 日本撒尿小便嘘嘘汇集6| 久久人人精品亚洲av| 成年女人毛片免费观看观看9| 在线观看一区二区三区激情| 夫妻午夜视频| 18禁国产床啪视频网站| 久久青草综合色| 美女高潮到喷水免费观看| 热re99久久国产66热| 午夜福利在线免费观看网站| 欧美性长视频在线观看| 一级,二级,三级黄色视频| 在线观看66精品国产| 十八禁人妻一区二区| 999久久久精品免费观看国产| 成年人黄色毛片网站| 每晚都被弄得嗷嗷叫到高潮| 精品无人区乱码1区二区| 国产亚洲精品第一综合不卡| 成熟少妇高潮喷水视频| 国产一卡二卡三卡精品| 99精品在免费线老司机午夜| 免费高清在线观看日韩| www日本在线高清视频| 免费人成视频x8x8入口观看| 一边摸一边做爽爽视频免费| 99香蕉大伊视频| 亚洲全国av大片| 日韩一卡2卡3卡4卡2021年| 亚洲欧美日韩无卡精品| 夫妻午夜视频| 免费高清视频大片| 9191精品国产免费久久| 亚洲av熟女| 国产精品1区2区在线观看.| 一区二区三区精品91| 每晚都被弄得嗷嗷叫到高潮| 两人在一起打扑克的视频| 一级a爱片免费观看的视频| √禁漫天堂资源中文www| 欧美激情 高清一区二区三区| 亚洲精品久久午夜乱码| 99国产综合亚洲精品| 亚洲国产精品合色在线| 亚洲五月婷婷丁香| 韩国精品一区二区三区| 精品久久蜜臀av无| 国产精品国产av在线观看| 国产精品一区二区免费欧美| 久久久国产精品麻豆| 欧美乱色亚洲激情| 视频在线观看一区二区三区| 老司机靠b影院| 一进一出抽搐动态| 日韩成人在线观看一区二区三区| 成人三级做爰电影| 午夜免费观看网址| 99国产精品99久久久久| 欧美日韩视频精品一区| 亚洲全国av大片| 亚洲成国产人片在线观看| 男男h啪啪无遮挡| 极品教师在线免费播放| 亚洲午夜精品一区,二区,三区| 99riav亚洲国产免费| 天堂俺去俺来也www色官网| 69精品国产乱码久久久| 最好的美女福利视频网| 国产精品永久免费网站| 亚洲精品粉嫩美女一区| 日韩国内少妇激情av| 亚洲一区二区三区欧美精品| 欧美日韩精品网址| 超色免费av| 身体一侧抽搐| 两人在一起打扑克的视频| 在线观看免费视频网站a站| 久久久久精品国产欧美久久久| 久久狼人影院| 高清av免费在线| 少妇被粗大的猛进出69影院| 国产99久久九九免费精品| 91麻豆精品激情在线观看国产 | 日韩欧美三级三区| 国产亚洲精品综合一区在线观看 | 亚洲精品国产区一区二| 人人妻人人澡人人看| 涩涩av久久男人的天堂| 在线播放国产精品三级| 女性生殖器流出的白浆| 亚洲一区中文字幕在线| 亚洲色图 男人天堂 中文字幕| 亚洲伊人色综图| 午夜久久久在线观看| 美女高潮喷水抽搐中文字幕| 咕卡用的链子| 久久精品成人免费网站| 97碰自拍视频| 午夜成年电影在线免费观看| 亚洲精品国产精品久久久不卡| 亚洲一区二区三区不卡视频| 18美女黄网站色大片免费观看| 麻豆久久精品国产亚洲av | 国产av一区二区精品久久| 黄色怎么调成土黄色| 丝袜美腿诱惑在线| 亚洲欧美激情在线| 免费不卡黄色视频| 免费av毛片视频| 中文字幕高清在线视频| 免费搜索国产男女视频| 12—13女人毛片做爰片一| 国产精品亚洲av一区麻豆| 国产精品久久久人人做人人爽| 黄色毛片三级朝国网站| 欧美在线一区亚洲| 99久久久亚洲精品蜜臀av| 久久久国产成人精品二区 | 91在线观看av| 视频在线观看一区二区三区| 日韩精品青青久久久久久| 法律面前人人平等表现在哪些方面| 日本黄色日本黄色录像| 岛国在线观看网站| 69精品国产乱码久久久| 国产又色又爽无遮挡免费看| 国产精品电影一区二区三区| 99国产精品一区二区蜜桃av| 悠悠久久av| 91麻豆av在线| 成年人免费黄色播放视频| 在线十欧美十亚洲十日本专区| 久久九九热精品免费| 91成人精品电影| 成人18禁高潮啪啪吃奶动态图| 亚洲av电影在线进入| 国产精品一区二区精品视频观看| 国产成人av教育| 男女做爰动态图高潮gif福利片 | 老司机在亚洲福利影院| bbb黄色大片| 一区二区日韩欧美中文字幕| 真人做人爱边吃奶动态| 亚洲精华国产精华精| 成人国产一区最新在线观看| 男女高潮啪啪啪动态图| 视频区欧美日本亚洲| 水蜜桃什么品种好| 精品无人区乱码1区二区| 日韩欧美一区二区三区在线观看| 99久久99久久久精品蜜桃| 一边摸一边抽搐一进一小说| 日韩精品青青久久久久久| 丰满人妻熟妇乱又伦精品不卡| 淫秽高清视频在线观看| 国产精品亚洲一级av第二区| 国产区一区二久久| 黄片小视频在线播放| 日韩免费高清中文字幕av| 成人手机av| 丁香欧美五月| 国产激情欧美一区二区| av网站免费在线观看视频| 日本免费一区二区三区高清不卡 | 亚洲欧美日韩另类电影网站| 亚洲成a人片在线一区二区| 亚洲,欧美精品.| av电影中文网址| 久久午夜亚洲精品久久| 亚洲国产看品久久| 一级毛片精品| 18美女黄网站色大片免费观看| 午夜免费成人在线视频| 久久人人爽av亚洲精品天堂| 满18在线观看网站| 好男人电影高清在线观看| 伦理电影免费视频| 香蕉丝袜av| 国产成人欧美| 欧洲精品卡2卡3卡4卡5卡区| 国产一区二区三区在线臀色熟女 | 日韩一卡2卡3卡4卡2021年| 黄片小视频在线播放| 99国产精品一区二区三区| 中文字幕人妻熟女乱码| 黄色女人牲交| 搡老熟女国产l中国老女人| 欧美精品一区二区免费开放| 男人舔女人下体高潮全视频| 美女福利国产在线| 嫁个100分男人电影在线观看| 亚洲欧美日韩无卡精品| 啦啦啦在线免费观看视频4| av超薄肉色丝袜交足视频| 婷婷精品国产亚洲av在线| 久久久久久久久免费视频了| 亚洲aⅴ乱码一区二区在线播放 | www.熟女人妻精品国产| 日韩欧美免费精品| 每晚都被弄得嗷嗷叫到高潮| 色尼玛亚洲综合影院| 日韩欧美免费精品| ponron亚洲| av天堂久久9| 亚洲欧美一区二区三区黑人| 亚洲 国产 在线| 最近最新中文字幕大全电影3 | 欧美黑人精品巨大| 搡老熟女国产l中国老女人| 亚洲色图 男人天堂 中文字幕| 日本 av在线| 香蕉久久夜色| 在线观看日韩欧美| 午夜免费观看网址| 色婷婷久久久亚洲欧美| 精品一区二区三区四区五区乱码| 深夜精品福利| 97人妻天天添夜夜摸| 十分钟在线观看高清视频www| 啦啦啦 在线观看视频| 又紧又爽又黄一区二区| 亚洲第一欧美日韩一区二区三区| 美女高潮到喷水免费观看| 中文亚洲av片在线观看爽| 校园春色视频在线观看| 叶爱在线成人免费视频播放| 亚洲成人久久性|