• <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
    亚洲精品日韩av片在线观看| 啦啦啦韩国在线观看视频| 日本五十路高清| 国产精品美女特级片免费视频播放器| 三级男女做爰猛烈吃奶摸视频| 日日干狠狠操夜夜爽| 人妻制服诱惑在线中文字幕| 亚洲精品粉嫩美女一区| 天天躁夜夜躁狠狠久久av| 成人av一区二区三区在线看| 色在线成人网| 国产一区二区在线观看日韩| 久久精品夜夜夜夜夜久久蜜豆| 天堂动漫精品| 精品久久国产蜜桃| 亚州av有码| 人妻丰满熟妇av一区二区三区| 精品久久国产蜜桃| 三级男女做爰猛烈吃奶摸视频| 亚洲天堂国产精品一区在线| 一边摸一边抽搐一进一小说| 久久国产乱子免费精品| 欧美激情久久久久久爽电影| 啦啦啦啦在线视频资源| 国产欧美日韩一区二区精品| 免费搜索国产男女视频| 国产精品综合久久久久久久免费| 99热这里只有是精品50| 欧美性猛交黑人性爽| 此物有八面人人有两片| 可以在线观看毛片的网站| 精品久久久久久久久av| 你懂的网址亚洲精品在线观看 | 成年免费大片在线观看| 久久久久久久午夜电影| 国产av在哪里看| 97超碰精品成人国产| 午夜免费激情av| 久久这里只有精品中国| 少妇的逼水好多| 亚洲va在线va天堂va国产| 国产精品人妻久久久影院| 国产女主播在线喷水免费视频网站 | 色av中文字幕| 乱人视频在线观看| 日本黄大片高清| 女的被弄到高潮叫床怎么办| 最近视频中文字幕2019在线8| 成人三级黄色视频| 伦精品一区二区三区| 欧美高清性xxxxhd video| 中国美女看黄片| 日本 av在线| 你懂的网址亚洲精品在线观看 | 亚洲中文字幕一区二区三区有码在线看| 午夜激情欧美在线| 国产精品国产三级国产av玫瑰| 亚洲欧美精品自产自拍| 免费观看精品视频网站| 国产美女午夜福利| 欧美成人a在线观看| 成人精品一区二区免费| 麻豆av噜噜一区二区三区| 日日干狠狠操夜夜爽| 婷婷六月久久综合丁香| 99视频精品全部免费 在线| 精品国内亚洲2022精品成人| 久久人人爽人人片av| 精品久久久久久久末码| 一级毛片电影观看 | 亚洲欧美日韩无卡精品| 我的老师免费观看完整版| 色哟哟哟哟哟哟| 欧美激情国产日韩精品一区| 国产综合懂色| 国产黄色视频一区二区在线观看 | 国内精品久久久久精免费| 国产真实乱freesex| 久久久久久久午夜电影| 一区福利在线观看| 日本与韩国留学比较| 日韩精品中文字幕看吧| 老女人水多毛片| 最新在线观看一区二区三区| 18禁裸乳无遮挡免费网站照片| 校园人妻丝袜中文字幕| 99久久中文字幕三级久久日本| 亚洲国产精品sss在线观看| 亚洲色图av天堂| 国内精品久久久久精免费| 99久国产av精品| 免费观看的影片在线观看| 免费人成视频x8x8入口观看| 亚洲性夜色夜夜综合| 波多野结衣高清作品| 婷婷六月久久综合丁香| 欧美又色又爽又黄视频| 欧美日韩综合久久久久久| 在线天堂最新版资源| 91狼人影院| 乱码一卡2卡4卡精品| 日本在线视频免费播放| 级片在线观看| 最近2019中文字幕mv第一页| а√天堂www在线а√下载| 久久人人爽人人爽人人片va| 亚洲自拍偷在线| 国产精品综合久久久久久久免费| 国产欧美日韩精品一区二区| 久久久久精品国产欧美久久久| 精品无人区乱码1区二区| av卡一久久| 久久久久久大精品| 一区福利在线观看| 少妇人妻一区二区三区视频| 成人av一区二区三区在线看| 国产在线男女| 久久久久久久久久久丰满| 最近手机中文字幕大全| 欧美性感艳星| 亚洲精品色激情综合| 亚洲精品成人久久久久久| 熟女电影av网| 精品福利观看| 日韩,欧美,国产一区二区三区 | 男人舔奶头视频| 色综合色国产| 国产探花在线观看一区二区| 性色avwww在线观看| 亚洲熟妇中文字幕五十中出| 一区福利在线观看| 99久久久亚洲精品蜜臀av| 两性午夜刺激爽爽歪歪视频在线观看| 国产单亲对白刺激| 丝袜美腿在线中文| 狂野欧美激情性xxxx在线观看| 中文字幕av成人在线电影| 精品少妇黑人巨大在线播放 | 国产午夜精品论理片| 色av中文字幕| 成人无遮挡网站| 免费看美女性在线毛片视频| 日本精品一区二区三区蜜桃| 波多野结衣高清无吗| 大香蕉久久网| 国内精品久久久久精免费| 成年免费大片在线观看| 露出奶头的视频| 亚洲av.av天堂| 99久久精品热视频| 日韩精品青青久久久久久| 欧美日韩国产亚洲二区| 亚洲国产精品久久男人天堂| 日本黄色片子视频| av女优亚洲男人天堂| 美女内射精品一级片tv| 女生性感内裤真人,穿戴方法视频| 精华霜和精华液先用哪个| 国产亚洲精品久久久久久毛片| 国产毛片a区久久久久| 欧美一区二区精品小视频在线| 欧美最黄视频在线播放免费| 男女边吃奶边做爰视频| 成年女人看的毛片在线观看| 大香蕉久久网| 人妻丰满熟妇av一区二区三区| 久久久国产成人精品二区| 校园人妻丝袜中文字幕| 国产亚洲91精品色在线| 日韩中字成人| 久久欧美精品欧美久久欧美| 人人妻,人人澡人人爽秒播| 国产精品久久久久久久电影| 亚洲欧美成人综合另类久久久 | 日本一本二区三区精品| 久久久国产成人精品二区| 熟女人妻精品中文字幕| 欧美成人一区二区免费高清观看| 中国国产av一级| 波多野结衣高清作品| 乱人视频在线观看| 99在线人妻在线中文字幕| 国产精品,欧美在线| 综合色av麻豆| 国产淫片久久久久久久久| av在线老鸭窝| 免费看光身美女| 国产精品不卡视频一区二区| 午夜日韩欧美国产| 国产精品野战在线观看| 一级毛片aaaaaa免费看小| 亚洲三级黄色毛片| 国产精品野战在线观看| 午夜视频国产福利| 亚洲无线观看免费| 女同久久另类99精品国产91| 国产熟女欧美一区二区| 久久久久久九九精品二区国产| 国产精品福利在线免费观看| 亚洲欧美日韩无卡精品| 99在线人妻在线中文字幕| 日韩欧美精品免费久久| 乱系列少妇在线播放| 午夜激情欧美在线| a级毛色黄片| 成年免费大片在线观看| 国产精品一二三区在线看| 欧美成人精品欧美一级黄| 亚洲不卡免费看| 淫妇啪啪啪对白视频| 日韩欧美国产在线观看| 可以在线观看毛片的网站| 欧美高清成人免费视频www| 国产伦一二天堂av在线观看| 欧美日韩综合久久久久久| 一区二区三区高清视频在线| 亚洲欧美日韩无卡精品| 久久中文看片网| 国产精品爽爽va在线观看网站| 免费人成视频x8x8入口观看| 精品一区二区三区视频在线| 亚洲成a人片在线一区二区| 91精品国产九色| 精品久久久久久久久久免费视频| 尾随美女入室| 欧美不卡视频在线免费观看| 成年女人看的毛片在线观看| 神马国产精品三级电影在线观看| eeuss影院久久| 国产精品国产三级国产av玫瑰| 日日摸夜夜添夜夜爱| 乱系列少妇在线播放| a级毛色黄片| 乱系列少妇在线播放| 成熟少妇高潮喷水视频| 真实男女啪啪啪动态图| 国产69精品久久久久777片| 97超视频在线观看视频| av在线观看视频网站免费| 精华霜和精华液先用哪个| 国产一区二区在线观看日韩| 亚洲精品色激情综合| 99九九线精品视频在线观看视频| 亚洲av熟女| 国产成人aa在线观看| 免费看av在线观看网站| 男女那种视频在线观看| 日韩成人伦理影院| 又黄又爽又免费观看的视频| 在线a可以看的网站| 女同久久另类99精品国产91| 午夜福利在线在线| 国产伦精品一区二区三区视频9| 久久精品综合一区二区三区| 免费搜索国产男女视频| 好男人在线观看高清免费视频| 久久人人爽人人片av| 亚洲第一电影网av| 欧美最新免费一区二区三区| www日本黄色视频网| 97在线视频观看| 天天躁日日操中文字幕| 国产黄色视频一区二区在线观看 | 国产三级在线视频| 亚洲熟妇熟女久久| 性色avwww在线观看| 极品教师在线视频| 国产精品人妻久久久久久| 欧美日韩一区二区视频在线观看视频在线 | 亚洲精品一卡2卡三卡4卡5卡| 人人妻,人人澡人人爽秒播| 丰满人妻一区二区三区视频av| 日本免费a在线| 久99久视频精品免费| 最近最新中文字幕大全电影3| 两性午夜刺激爽爽歪歪视频在线观看| 午夜福利高清视频| 精品乱码久久久久久99久播| 精品免费久久久久久久清纯| 国产黄色视频一区二区在线观看 | 九九久久精品国产亚洲av麻豆| 欧美性感艳星| 欧美xxxx性猛交bbbb| 亚洲欧美成人精品一区二区| 成人av一区二区三区在线看| 丰满的人妻完整版| 午夜亚洲福利在线播放| 最近在线观看免费完整版| 国产乱人偷精品视频| 日本熟妇午夜| 亚洲av中文av极速乱| 五月玫瑰六月丁香| 日韩高清综合在线| 亚洲人成网站在线播| 91在线观看av| 波多野结衣高清无吗| 亚洲熟妇熟女久久| 亚洲国产色片| 99热精品在线国产| 亚洲经典国产精华液单| 搡女人真爽免费视频火全软件 | 丝袜喷水一区| 国产一级毛片七仙女欲春2| eeuss影院久久| 色哟哟·www| 亚洲av熟女| 国产精品美女特级片免费视频播放器| 中文在线观看免费www的网站| 精品少妇黑人巨大在线播放 | 亚洲av免费高清在线观看| 欧美成人精品欧美一级黄| 成人精品一区二区免费| 欧美最新免费一区二区三区| 午夜福利18| 九色成人免费人妻av| 免费观看的影片在线观看| 亚洲精品乱码久久久v下载方式| 天堂网av新在线| 99视频精品全部免费 在线| 精品久久久久久久久亚洲| 中文字幕熟女人妻在线| 精品一区二区三区视频在线| 九九爱精品视频在线观看| 亚洲成av人片在线播放无| 亚洲电影在线观看av| 在线观看一区二区三区| 噜噜噜噜噜久久久久久91| 在线免费十八禁| 男女那种视频在线观看| 亚洲专区国产一区二区| 亚洲成人精品中文字幕电影| АⅤ资源中文在线天堂| 男人的好看免费观看在线视频| 亚洲精品乱码久久久v下载方式| 国产精品99久久久久久久久| 国产乱人视频| 免费不卡的大黄色大毛片视频在线观看 | 色综合色国产| av中文乱码字幕在线| 国产一区二区在线av高清观看| 日韩亚洲欧美综合| 真实男女啪啪啪动态图| av福利片在线观看| 99热精品在线国产| 亚洲专区国产一区二区| 在线观看一区二区三区| 岛国在线免费视频观看| 国产精品久久久久久久久免| 欧美+日韩+精品| 成人三级黄色视频| 国产精品女同一区二区软件| 狂野欧美白嫩少妇大欣赏| 99热精品在线国产| 精品熟女少妇av免费看| 日韩欧美三级三区| 一级毛片我不卡| 在线播放国产精品三级| 看十八女毛片水多多多| 一区福利在线观看| 亚洲aⅴ乱码一区二区在线播放| 蜜桃亚洲精品一区二区三区| 中文资源天堂在线| 亚洲精品一区av在线观看| 久久精品综合一区二区三区| 精品人妻熟女av久视频| 联通29元200g的流量卡| 成人av一区二区三区在线看| АⅤ资源中文在线天堂| 人妻少妇偷人精品九色| 天堂网av新在线| 1000部很黄的大片| 97在线视频观看| 国产美女午夜福利| 中文字幕av在线有码专区| 此物有八面人人有两片| 一级毛片电影观看 | 91在线观看av| 国产精品无大码| 亚洲国产精品成人综合色| 99热这里只有精品一区| 老熟妇乱子伦视频在线观看| 久久99热这里只有精品18| 久久九九热精品免费| 啦啦啦观看免费观看视频高清| 12—13女人毛片做爰片一| 狂野欧美激情性xxxx在线观看| 女人被狂操c到高潮| 大香蕉久久网| av免费在线看不卡| 国产淫片久久久久久久久| 免费av观看视频| 搡老岳熟女国产| av卡一久久| 久久久a久久爽久久v久久| 麻豆久久精品国产亚洲av| 床上黄色一级片| 成年免费大片在线观看| 久久久久国产精品人妻aⅴ院| 菩萨蛮人人尽说江南好唐韦庄 | 国产大屁股一区二区在线视频| 中文亚洲av片在线观看爽| 色综合站精品国产| 免费看av在线观看网站| 一级黄色大片毛片| 久久99热这里只有精品18| 午夜免费激情av| 日本黄色片子视频| 国产伦一二天堂av在线观看| 欧美日韩精品成人综合77777| 精品久久久久久久末码| 国产在线精品亚洲第一网站| 国内少妇人妻偷人精品xxx网站| 欧美一区二区亚洲| 十八禁国产超污无遮挡网站| 亚洲激情五月婷婷啪啪| 日韩强制内射视频| 国产单亲对白刺激| 全区人妻精品视频| 国产精品日韩av在线免费观看| 少妇人妻精品综合一区二区 | 亚洲欧美中文字幕日韩二区| 亚洲欧美成人精品一区二区| 精华霜和精华液先用哪个| 久久午夜福利片| 啦啦啦观看免费观看视频高清| 久久精品人妻少妇| 91在线精品国自产拍蜜月| 久久久久精品国产欧美久久久| 色哟哟哟哟哟哟| 嫩草影院精品99| 国产精品久久电影中文字幕| 高清午夜精品一区二区三区 | 久久99热这里只有精品18| 亚洲va在线va天堂va国产| 可以在线观看毛片的网站| 久久国产乱子免费精品| 一区二区三区免费毛片| 成人欧美大片| 少妇被粗大猛烈的视频| 美女cb高潮喷水在线观看| 国产aⅴ精品一区二区三区波| 99久久久亚洲精品蜜臀av| 中文字幕熟女人妻在线| 亚洲美女搞黄在线观看 | 国产精品久久久久久av不卡| 亚洲天堂国产精品一区在线| 欧美一区二区精品小视频在线| 免费观看人在逋| 色尼玛亚洲综合影院| 我的老师免费观看完整版| 午夜亚洲福利在线播放| 国产成人a区在线观看| 老熟妇仑乱视频hdxx| 色视频www国产| 成人欧美大片| 男女下面进入的视频免费午夜| 亚洲欧美日韩高清专用| 日韩,欧美,国产一区二区三区 | 97人妻精品一区二区三区麻豆| 精品久久久久久久末码| 国产欧美日韩精品一区二区| 3wmmmm亚洲av在线观看| 男人的好看免费观看在线视频| 国产在线男女| 在线观看一区二区三区| 成人av在线播放网站| 亚洲国产精品合色在线| 哪里可以看免费的av片| 晚上一个人看的免费电影| 精品一区二区三区人妻视频| 亚洲av第一区精品v没综合| 淫妇啪啪啪对白视频| 成人三级黄色视频| 亚洲av免费高清在线观看| 内射极品少妇av片p| 国产男人的电影天堂91| 女人被狂操c到高潮| av.在线天堂| 嫩草影院新地址| 青春草视频在线免费观看| 国产精品无大码| 久久久色成人| 白带黄色成豆腐渣| 97在线视频观看| 级片在线观看| 欧美日韩在线观看h| 亚洲欧美日韩高清专用| 黄色一级大片看看| 一级毛片电影观看 | 亚洲电影在线观看av| 男女之事视频高清在线观看| 成人综合一区亚洲| 97人妻精品一区二区三区麻豆| 毛片女人毛片| 久久久久国产网址| 久久久精品94久久精品| 亚洲图色成人| 蜜臀久久99精品久久宅男| 高清毛片免费观看视频网站| 日韩国内少妇激情av| 亚洲av成人av| 日本三级黄在线观看| 欧美日本亚洲视频在线播放| 久久国内精品自在自线图片| 成人高潮视频无遮挡免费网站| 波多野结衣高清作品| 成年av动漫网址| 日韩欧美精品v在线| 久久九九热精品免费| 成年版毛片免费区| 美女xxoo啪啪120秒动态图| 淫妇啪啪啪对白视频| 国产高清激情床上av| 99热这里只有是精品在线观看| 寂寞人妻少妇视频99o| 亚洲七黄色美女视频| 国产精品人妻久久久久久| 亚洲av成人av| 午夜久久久久精精品| 美女大奶头视频| 乱系列少妇在线播放| 亚洲电影在线观看av| 夜夜爽天天搞| 欧美人与善性xxx| 久久久精品94久久精品| 观看免费一级毛片| 亚洲欧美成人综合另类久久久 | 国产乱人视频| 给我免费播放毛片高清在线观看| 国产高清不卡午夜福利| 国产av一区在线观看免费| 亚洲自拍偷在线| 少妇人妻精品综合一区二区 | 老师上课跳d突然被开到最大视频| 精品久久久久久久久亚洲| 少妇熟女欧美另类| 成人av一区二区三区在线看| 最近手机中文字幕大全| 国产毛片a区久久久久| av在线天堂中文字幕| 成人综合一区亚洲| 99热只有精品国产| 中出人妻视频一区二区| 国产av在哪里看| 麻豆国产av国片精品| 国产熟女欧美一区二区| 毛片一级片免费看久久久久| 熟妇人妻久久中文字幕3abv| 久久久久久久午夜电影| 青春草视频在线免费观看| 国产精品,欧美在线| 亚洲久久久久久中文字幕| 91av网一区二区| 午夜激情福利司机影院| 久久久久久九九精品二区国产| 99久国产av精品国产电影| 九九在线视频观看精品| 99国产精品一区二区蜜桃av| 精品少妇黑人巨大在线播放 | 成人一区二区视频在线观看| 天堂动漫精品| 一本精品99久久精品77| 最新中文字幕久久久久| 女的被弄到高潮叫床怎么办| 亚洲激情五月婷婷啪啪| 别揉我奶头~嗯~啊~动态视频| 日本-黄色视频高清免费观看| 美女内射精品一级片tv| 久久久久国产网址| 精品免费久久久久久久清纯| 亚洲性久久影院| 综合色av麻豆| 国产精品人妻久久久久久| 欧美性猛交黑人性爽| 99久久精品一区二区三区| 天堂动漫精品| 久久久精品大字幕| 天堂动漫精品| 亚洲欧美日韩高清在线视频| 精品午夜福利在线看| 又黄又爽又刺激的免费视频.| 美女黄网站色视频| 真实男女啪啪啪动态图| 在线免费观看的www视频| 级片在线观看| 我的女老师完整版在线观看| 久久久久精品国产欧美久久久| 亚洲av.av天堂| 十八禁国产超污无遮挡网站| 色综合亚洲欧美另类图片| 精品久久久久久久久久久久久| 深夜a级毛片| 晚上一个人看的免费电影| www日本黄色视频网| 成年女人毛片免费观看观看9| 美女大奶头视频| 特大巨黑吊av在线直播| 欧美bdsm另类| 亚洲不卡免费看| 一进一出好大好爽视频| 精品人妻一区二区三区麻豆 | 综合色丁香网| 不卡视频在线观看欧美| 日本免费a在线| 成人高潮视频无遮挡免费网站| 精品免费久久久久久久清纯| 看免费成人av毛片| 亚洲av熟女| 成年版毛片免费区| 两个人视频免费观看高清| 亚洲av五月六月丁香网| 一边摸一边抽搐一进一小说| av天堂中文字幕网| 一区二区三区四区激情视频 | 麻豆av噜噜一区二区三区|