• <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 ?

    基于壓縮感知的回聲狀態(tài)神經網(wǎng)絡在時間序列預測中的應用

    2020-06-19 08:45:58李莉於志勇黃日方菀
    軟件導刊 2020年4期
    關鍵詞:壓縮感知

    李莉 於志勇 黃日方菀

    摘要:數(shù)據(jù)預測作為城市計算的一部分,在幫助理解各種城市現(xiàn)象本質及預測城市未來中有著舉足輕重的作用?;芈暊顟B(tài)神經網(wǎng)絡作為一種新型的循環(huán)神經網(wǎng)絡模型,廣泛應用于數(shù)據(jù)預測領域。傳統(tǒng)的回聲狀態(tài)神經網(wǎng)絡由輸入層、儲備池和輸出層3個部分組成,其儲備池中具有大量稀疏連接的神經元,對輸入數(shù)據(jù)進行非線性變換可輸出高維的內部狀態(tài)。針對高維變換在求解輸出權值矩陣時的耗時問題,提出一種基于壓縮感知方法的回聲狀態(tài)神經網(wǎng)絡,利用測量矩陣,將高維的內部狀態(tài)壓縮成低維后再求解輸出權值矩陣。混沌時間序列預測實驗結果表明,相對于傳統(tǒng)模型,該方法能在誤差損失允許范圍內,將計算時間最大程度降低到40%左右。

    關鍵詞:數(shù)據(jù)預測;回聲狀態(tài)神經網(wǎng)絡;儲備池計算;壓縮感知;時間序列預測

    DOI: 10.11907/rjdk.192786

    開放科學(資源服務)標識碼(OSID):

    中圖分類號:TP306

    文獻標識碼:A

    文章編號:1672-7800(2020)004-0009-05

    Echo State Networks Based on Compressed Sensing Applied to

    Time Series Prediction

    1.2

    LI Li'.2 , YU 2hi-yong"2 , HUANG Fang-wan(1.College of Math.enzatic.s and Computer Science . Fuzhou Urziver.sity; 2. Fujian Provirzcial Kev Laboratory of lVetworking Conzputing

    and Intelligent Information Proce.s.sing , Fuzhou Univer.sity . Fuzhou 350116 . China )Abstract : As a part of' urban compu ting, data prediction play s an important role in understanding the natu re of various urban phenome-na and predicting the future of cities. As a new ty pe of' circular neural network model. echo state network ( ESN) has heen widely usedin the field of data prediction in recent years. The traditional ESN consists of three parts : input layer, reservoir and output layer. Thereservoir has a large nuruber of sparsely connected neurons and outputs high-dimensional internal states through nonlinear transforina-tion of input data. It is time-consuming to solve the output weight matrix by high-dimensional transformation. To solve this problem,this paper proposes an ESN based on corupressed sensing method, ,,-hich corupresses the high-diruensional internal state into thelow-dirnensional by using a discrete cosine transf'orru matrix . and then solves the output weight matrix. The experimental results of cha-otic time series prediction show that corupared with the traditional model. this method can reduce the computation time to about 35% inthe allowable range of error loss.Key Words: data prediction; echo state networks; reservoir computing; compressed sensing; time series prediction

    O 引言

    時間序列預測指基于先前獲取的一段時間內的某個系統(tǒng)相關變量的值,借助一定的方法對該變量的未來值進行預測…。其在交通流、空氣質量、電力負荷等領域,對幫助理解各種城市現(xiàn)象的本質,更好地服務城市居民生活起著舉足輕重的作用。

    收稿日期:2019-12-22

    基金項目:國家自然科學基金項目(61772136)

    作者簡介:李莉(1995-),女,福州大學數(shù)學與計算機科學學院碩士研究生,研究方向為數(shù)據(jù)預測;於志勇(1982-),男,博士,福州大學

    數(shù)學與計算機科學學院副教授,博士生導師,研究方向為普適計算;黃防菀(1980-),女,碩士,福州大學數(shù)學與計算機科學

    學院講師,研究方向為智能計算、數(shù)據(jù)挖掘。本文通訊作者:黃防菀。

    在眾多時間序列預測方法中,循環(huán)神經網(wǎng)絡(Recur-rent Neural Network.RNN)利用隱藏層的白連接,能夠有效保留輸入信息,以發(fā)現(xiàn)數(shù)據(jù)中可能相距很遠的事件之間的時間相關性,逐漸成為時間序列預測研究熱點[2]。從理論上來說,RNN能夠適用于任意步長的時間序列預測,但是由于傳統(tǒng)RNN采用隨時間的反向梯度傳播算法(BackPropagation Through Time,BPTT)進行參數(shù)訓練,隨著RNN在時間維度上層數(shù)的加深,會帶來梯度消失或梯度爆炸等問題,從而造成網(wǎng)絡性能下降[3]。

    針對這些問題,Jaeger[4]提出了回聲狀態(tài)神經網(wǎng)絡(]Echo State Neural Network.ESN),為解決RNN的梯度問題開辟了新途徑。作為一種新型的RNN,ESN引入了儲備池計算概念。當外部數(shù)據(jù)輸入時,會在儲備池內部形成復雜、非線性映射關系。ESN用一個巨大的、隨機生成且保持不變的儲備池替代傳統(tǒng)RNN的中間隱層。由于ESN的輸入權值和儲備池白連接權值都是隨機生成的,因此在學習訓練過程中,ESN只需要學習輸出連接權值,這大大降低了訓練階段的計算復雜度,同時也避免了BPTT算法帶來的梯度問題。

    ESN儲備池在具備上述優(yōu)點的同時也帶來了一個新問題:為了得到輸入信息的高維表示,儲備池通常設計的非常龐大,其產生的高維內部狀態(tài)在求解儲備池到輸出層的連接權值時要耗費許多時間。因此,本文提出一種基于壓縮感知( Compressed Sensing,CS)的回聲狀態(tài)神經網(wǎng)絡CS-ESN,在高維的內部狀態(tài)投入到計算輸出連接權值之前,先用一個測量矩陣對其進行壓縮,在誤差損失允許范圍內甚至減少誤差的情況下,明顯降低計算輸出連接權值的運行時間,提高模型計算效率。

    1 相關工作

    ESN憑借儲備池計算這一特點,廣泛應用于強化學習”1、非線性系統(tǒng)識別[6]、認知建模[7]等領域,其最成熟的應用集中在時間序列預測上[8-9]。

    ESN儲備池計算的基本思想是生成一個足夠大的復雜動態(tài)空間,當這個動態(tài)空間達到一定的復雜度時,就可利用內部狀態(tài)線性地組合出所需要的對應輸出[10]。儲備池規(guī)模在前人的經驗結論中為節(jié)點越多,能表現(xiàn)的系統(tǒng)就越復雜,所以ESN需要遠大于一般神經網(wǎng)絡的節(jié)點規(guī)模,這就導致儲備池計算往往建立在高維變換基礎上。計算復雜度的提高與計算效率的降低成為不得不考慮的問題。因此,如何生成一個合適的儲備池一直是ESN的研究重點。

    ESN的另一研究重點是如何得到儲備池與輸出層之間的輸出連接權值矩陣。常見的求解方法包括偽逆法、嶺回歸法、奇異值分解法等,但在求解輸出連接權值矩陣時,因為儲備池規(guī)模較大,通常容易出現(xiàn)求解復雜的問題。為解決儲備池對輸入數(shù)據(jù)進行高維變換后帶來的這一問題,Vladimir等[11]提出了4種稀疏線性回歸算法,如Lasso、Elastic Net等,在訓練ESN的輸出連接權值時減少矩陣中至少80%的權重個數(shù),從而達到降維效果;Sigu-d LCikse等[12]在其論文中,將主成分分析法(Principal ComponentAnalvsis,PCA)與ESN相結合,即儲備池輸出高維的內部狀態(tài)后,先通過PCA方法映射到一個低維子空間,得到低維的內部狀態(tài),再投入到計算輸出連接權值中。在時間序列預測的實驗中,兩種方法都能夠很好地對高維數(shù)據(jù)進行降維處理,從而減少ESN的計算復雜度,且對模型精度有所提升。近年來利用壓縮感知技術進行數(shù)據(jù)壓縮逐漸成為代替PCA的主流方法。壓縮感知利用高維數(shù)據(jù)潛在的稀疏特性,相較于奈奎斯特采樣理論,可從較少的測量值中還原出原始數(shù)據(jù)。

    2 CS-ESN

    2.1 ESN模型簡介

    ESN是利用儲備池計算進行訓練的循環(huán)神經網(wǎng)絡模型,由輸入層、儲備池和輸出層3部分組成。儲備池中包含大量神經元(數(shù)量為幾百個甚至上千個),神經元之間采用隨機稀疏連接。ESN結構如圖l所示。

    圖1中,ESN除必不可少的輸入層一儲備池、儲備池一儲備池和儲備池一輸出層之間的連接(實線箭頭)外,還加入了輸入層一輸出層(虛線箭頭)的直接連接。K、N和L分別表示輸入層、儲備池和輸出層的神經元個數(shù)。和分別表示輸入層一儲備池、儲備池一儲備池、儲備池一輸出和輸入層一輸出層的連接權值矩陣。和以下統(tǒng)稱為輸出連接權值矩陣,需要通過訓練得到,其它矩陣在網(wǎng)絡中為隨機初始化生成。

    在t時刻,ESN的輸入向量為X(t)∈RK,儲備池內部狀態(tài)向量為u(t)∈RN,輸出向量為y(t)∈RL。儲備池內部狀態(tài)更新和輸出公式定義如下:

    其中,通常為非線性激活函數(shù)tanh,通常為線性函數(shù), 為一個很小的噪聲項。

    李莉,於志勇,黃昉菀:基于壓縮感知的回聲狀態(tài)神經網(wǎng)絡在時間序列預測中的應用

    為了更好地訓練 ,本文采用長度為s的訓練序列S(輸入一輸出對):

    在網(wǎng)絡初始階段,先隨機初始化生成 和 ,投入序列S的輸人 運行網(wǎng)絡進行訓練,根據(jù)公式(1)得到內部狀態(tài)序列 ,… 。初始階段的內部狀態(tài)一般需要丟棄,可從某個時刻h開始記錄內部狀態(tài),將相應的輸入向量和內部狀態(tài)向量一起構成矩陣M,將對應的目標輸出向量構成矩陣Z:

    本文采用偽逆法,即采用線性回歸的矩陣偽逆計算,通過將M的偽逆與Z相乘計算輸出連接權值:

    2.2 結合測量矩陣的CS-ESN模型

    壓縮感知理論指出,只要信號是可壓縮的或在某個變換域是稀疏的,那么就可用一個測量矩陣將變換所得高維信號投影到一個低維空間上,然后通過求解一個優(yōu)化問題,就可從這些少量的投影中以高概率重構出原信號[13]。。在壓縮感知問題中,測量矩陣經常為隨機矩陣,比如均值為0,有一定的高斯分布矩陣等,其行數(shù)遠小于列數(shù)。目前比較常見的測量矩陣包括高斯隨機矩陣、隨機伯努利矩陣、特普利茨矩陣和結構隨機矩陣等。利用測量矩陣進行壓縮處理的結構如圖2所示。

    如圖2所示,g為n維的向量,D為mxn大小的測量矩陣。向量g與測量矩陣D相乘后,從n維降到m維,得到向量 ,從而達到壓縮效果。

    本文的CS-ESN根據(jù)實際需求生成一個測量矩陣,在利用高維的內部狀態(tài)計算輸出連接權值 .之前,增加一個壓縮處理步驟,即儲備池輸出高維的內部狀態(tài)后,通過測量矩陣映射到一個低維的子空間,得到低維的內部狀態(tài)再用于輸出連接權值 的計算。結合測量矩陣的CS-ESN結構如圖3所示。

    從圖3可以看出,在ESN訓練階段,訓練序列的輸人x(t)投入到儲備池中得到高維的內部狀態(tài)u(t),觀測矩陣與其相乘進行壓縮得到低維的內部狀態(tài) (t)后,將其投入到輸出層求解輸出連接權值 。假設ESN的儲備池大小為1000維,輸人x(t)為10維,輸出 為1維。當輸入被投入到儲備池中時,便會由儲備池進行一個非線性的1000維變換,得到的內部狀態(tài)u(t)為1000維。此時直接將內部狀態(tài)u(t)投入輸出層進行連接權值矩陣 的計算,要耗費的時間即為1000維的內部狀態(tài)與10維的輸入l維堆疊后得到的矩陣,以及輸出y(t)訓練得到連接權值矩陣 。如果在內部狀態(tài)u(t)投入到輸出層之前,先將其壓縮到400維,即利用一個400×l000大小的測量矩陣,將測量矩陣與內部狀態(tài)相乘得到400維的內部狀態(tài) (f),再根據(jù)上述步驟去訓練連接權值矩陣 ,所要耗費的時間便可隨著內部狀態(tài)u(t)的壓縮而降低,ESN的計算效率隨之提高。

    測量矩陣包含隨機測量矩陣和確定性測量矩陣。隨機矩陣中的高斯矩陣和伯努利矩陣都能以很大概率滿足RIP,即約束等距條件[4]。(RIP條件從理論上看是實現(xiàn)壓縮感知的測量矩陣的最佳約束條件)。隨機測量矩陣優(yōu)點是所需測量數(shù)較少,但其具有不確定性、存儲量大等缺點。確定性測量矩陣包括循環(huán)測量矩陣、Chirp測量矩陣等,是另一種常用的壓縮感知測量矩陣,計算復雜度低,相對于隨機測量矩陣有優(yōu)勢,實際應用能力較強。

    本文選擇的測量矩陣為高斯隨機矩陣GRM( GaussianRandom Matrix)與確定性測量矩陣中的離散余弦變換DCT(Discrete Cosine Transfonn)矩陣。

    GRM構造形式為:對于一個rnxn的矩陣 ,其矩陣中的元素 ,是獨立的隨機變量且服從如下分布:

    即服從期望為0,方差為1/m的高斯分布[15]。該測量矩陣具有很強的隨機性,具有較大概率滿足RIP條件,在壓縮感知過程中廣泛使用。

    DCT矩陣是與傅里葉變換相關的一種變換,它類似于離散傅里葉變換,但是字典的元素均為實數(shù)[16]。在對確定的變換矩陣的正交變換中,DCT被認為是一種最佳變換。對于一個長度為n的一維離散時間序列信號,其離散余弦變換序列為。DCT矩陣用數(shù)學表示如下:

    3 實驗

    3.1數(shù)據(jù)集簡介

    本文選用時間序列預測中常用的兩個基準任務,即Mackev-Glass時間序列預測和NARMA信號。

    Mackev-Glass(MG)時間序列中的輸入信號由MG時滯微分系統(tǒng)生成,公式如下:

    其中, 通常設為0.1,參數(shù)r=17,初始值x(01=1.2。時間序列一共生成4994個觀測點,前70%作為訓練集,用來學習輸出連接權值 ,后30%作為測試集,用來評估回聲狀態(tài)神經網(wǎng)絡模型的學習效果。

    Non-Linear Auto-Regres sive

    Moving( NARMA)數(shù)據(jù)集最初由Jaeger[17]提出,包含對下列r階系統(tǒng)輸出建模:

    系統(tǒng)的輸入x(n)為[O,1]間隨機分布的噪聲。NAR-MA任務需要至少r個過去時間步的記憶,因為系統(tǒng)的輸出 由輸入和第r個時間步的輸出決定,通常設定r=10。數(shù)據(jù)集一共包含10000個點,訓練集與測試集的劃分與作用同MG數(shù)據(jù)集一樣。圖4分別展示兩個數(shù)據(jù)集前200個輸入的復雜情況。

    3.2評價指標

    為了對比ESN與CS-ESN兩種模型效果,本文選用標準化均方根誤差NRMSE(Normalized Root Mean Squared Er-ror)與運行時間RT(Running Time)作為評價指標。NRMSE公式定義如下:

    其中 表示求平均,y為ESN網(wǎng)絡輸出 ,為目標輸出。

    RT為計算內部狀態(tài)和輸出連接矩陣的總時間,以秒為單位。

    3.3實驗設置

    儲備池是ESN的核心結構,ESN的最終性能由儲備池的各個參數(shù)決定。儲備池參數(shù)有儲備池大小N、儲備池譜半徑,)和儲備池稀疏度 。從圖4可以明顯看出,同樣數(shù)量的輸人數(shù)據(jù),NARMA相對于MG而言更無規(guī)律性,復雜度更高。因此,ESN模型參數(shù)對于兩個數(shù)據(jù)集的設置情況也有所不同,主要體現(xiàn)在儲備池規(guī)模上。

    根據(jù)前期工作,本文將ESN模型參數(shù)設置如表l所示。

    表1中 ,為噪聲項,即為ESN加入一個偏置。ESN在求解輸出連接權值時使用偽逆法,容易導致病態(tài)解問題,文獻[18]建議在內部狀態(tài)上加入噪聲項以改變矩陣性質,從而改善解的性能。根據(jù)ESN定義,要使儲備池保持“回聲狀態(tài)屬性”譜半徑應滿足p

    3.4實驗結果與分析

    考慮到實驗中運行時間RT略有浮動,實驗結果取10次運行的平均。GRM中CS-ESN的NRMSE值受隨機生成影響,取其最好結果,DCT中CS-ESN的NRMSE值不變且唯一。實驗結果對比如表3和表4所示,其中維數(shù)指參與計算輸出連接權重的內部狀態(tài)維數(shù)。

    李莉,於志勇,黃昉菀:基于壓縮感知的回聲狀態(tài)神經網(wǎng)絡在時間序列預測中的應用

    從表3和表4可得出以下結論:①CS-ESN通過將儲備池的內部狀態(tài)進行壓縮降維操作,可有效降低網(wǎng)絡訓練的運行時間。對于MG數(shù)據(jù)集而言,當結合GRM的CS-ESN將儲備池從原來的800維壓縮到400維時,NRMSE僅比原始模型略大一點,RT已能夠降低到原始模型的52%左右;壓縮到200維時,RT最高降到原始模型的40%左右。對于NAMRA數(shù)據(jù)集而言,也有類似結論;②不可否認的是,在對內部狀態(tài)進行壓縮降維的同時,會丟失部分信息,從而造成預測精度下降。對于MG數(shù)據(jù)集而言,由于數(shù)據(jù)集的復雜度不高,CS-ESN可以把內部狀態(tài)從800維壓縮到200維,且精度仍保持在較好范圍內。但是對于復雜度較高的NARMA數(shù)據(jù)集而言,當內部狀態(tài)壓縮超過原有維度的50%(500維)后,其預測精度將出現(xiàn)明顯下降,這意味著在今后T作中必須考慮在不同數(shù)據(jù)集上,CS-ESN針對預測精度和網(wǎng)絡訓練時間的平衡問題;③從測量矩陣的選擇來看,結合GRM的CS-ESN相對于結合DCT的CS-ESN在NRMSE和RT上普遍要好,其原因是本文對GRM進行了10次隨機,并選取了最好的結果。有可能存在一個測量矩陣使CS-ESN壓縮后的精度與原始模型相同,甚至比原始更高,這是本文后續(xù)研究工作的重點;④儲備池的參數(shù)配置也是一個有待研究的問題。本文實驗中CS-ESN與ESN所處條件相同,即參數(shù)配置都一樣,適合ESN模型的參數(shù)可使其達到很好的精度,卻不一定適用于CS-ESN模型。在未來研究中可考慮對壓縮后的ESN模型進行參數(shù)調整,以進一步提高CS-ESN的預測精度。

    綜上所述可得出如下結論:如果精度損失在允許范圍內,基于壓縮感知的ESN模型能夠明顯降低原始ESN的運行時間,在一定程度上提高ESN的計算效率。

    4 結語

    本文結合壓縮感知理論提出一種改進的回聲狀態(tài)神經網(wǎng)絡CS-ESN。在時間序列預測的基準數(shù)據(jù)集上進行實驗,證明在與ESN處于相同的配置條件下,CS-ESN使用測量矩陣將高維的內部狀態(tài)壓縮到一定維度時,能夠明顯降低計算時間,且損失精度仍在擬合效果較好范圍內。在壓縮感知理論中,測量矩陣設計很關鍵,后續(xù)工作可以采用字典學習或參數(shù)設計方法得到一個性能較好的測量矩陣,并通過真實數(shù)據(jù)集驗證其有效性。這樣不僅能提升ESN的計算效率,還能增強ESN的預測能力,并且對動態(tài)儲備池分析也有價值。

    參考文獻:

    [1]史志偉,韓敏.ESN嶺回歸學習算法及混沌時間序列預測[J].控制與決策,2007,22(3):258-261.

    [2]BIANCHI F M. MAIORINO E. KAMPFFMEYER M C,et al. An orer-view and comparative analvsis of recurrent neural networks for shortterm

    load forecasting [EB/OL].http://www.doc88.corn/p-3773567817998.html 2017.

    [3]JUN WAMIKAWA. JUN TANI. Building rec:urrent neural networks toimplement multiple attractor dYnamics using the gradient descentmethodFJl. Advances in Artificial Neural Svstems. 2009(8):1-1 1

    [4]JAECER H. The "echo state" approach to analysing and training re-current neural networks[M].uhervachtes lernen, 2001

    [5]BLSH K, ANDERSON C.Modeliiig reward functinns for incompletestate representations via echo state networks[C]. IEEE InternationalJoint Conference on Neural Networks, 2005: 2995-3000.

    [6]PALL G PLO'CER. ARCHIR A, TOBIAS CU"NTHER, et al. Echostate networks for mobile rohot modeling and contrr)l[C].Robot Soc-cer World Cup,2003: 157-168.

    [7]RAO Y N, KIM S P.SANCHEZ J C. et al. Learnig mappings in brainmachine interfaces with echo state networks[Cl. IEEE InternatirinalConference on Acoustics, Speech, and Signal Processing, 2005:233-236.

    [8]JAEGER H,HASS H. Harnessing nonlinearity: predicting chaotic sys-tems and saving energy in wireless communication[J]Scienc.e, 2004,304( 5667):78-86.

    [9]韓敏,史志偉,郭偉.儲備池狀態(tài)空間重構與混沌時間序列預測[J]物理學報,2007.56(1):43-49

    [10]]羅熊,黎江,孫增圻.回聲狀態(tài)網(wǎng)絡的研究進展[j].工程科學學 報,2012, 34(2): 217-222.

    [11]CEPERIC V. BARIC A. Reducing complexity of echo state netwnrkswith sparse linear regression algorithms[C]. 2014 UKSim-AMSS16th International Conference on Computer Modelling and Simula-tion, Camhridge, 2014: 26-31.

    [12]LKSE S,BIAhrCHI F M, JEhrSSEN R. Training echo state net-works with regularization thrr)ugh dimensionality reduction[J] Cr,g-nitive Cnmputation, 2017,9(3):364-378.

    [13]李峰,郭毅壓縮感知淺析[M]北京:科學出版社,2015.

    [14]陳善雄.壓縮感知理論在異常檢測中的應用研究[M].北京:科學出版社.2017.

    [15]黨駿,馬林華,田雨,等.m序列壓縮感知測量矩陣構[J]西安電子科技大學學報,2015(2):186-192

    [16]JAECER H. Adapti,'e nonlinear svstem identification .vith echo statenetworksF M]. Nips, 2002: 609-616.

    [17]魯業(yè)頻,李鳳亭,陳兆龍,等.離散余弦變換編碼的現(xiàn)狀與發(fā)展研究[J]通信學報,2004. 25(2):106-118

    [18]黃標兵回聲狀態(tài)網(wǎng)絡時間序列預測方法及應用研究[D].長春:吉林大學,2017.

    [19] JAEGER H. Long shorL-term memorv in echo statenetworks: Details of a simulation stu dv[R]Technical repnrt, Technical. Jacohs Univer- sitv Bremen.

    [20]IAN GOODFELLOW, YOSHLiA BENCIO. AARON COLRVILLE.Deep LearningEM]Beij ing: Posts and Telecorn Press, 2017

    (責任編輯:杜能鋼)

    猜你喜歡
    壓縮感知
    基于匹配追蹤算法的乳腺X影像的壓縮感知重構
    淺析壓縮感知理論在圖像處理中的應用及展望
    基于壓縮感知的一維粗糙面電磁散射快速算法研究
    基于壓縮感知的重構算法研究
    基于ADM的加權正則化的塊稀疏優(yōu)化算法
    基于貝葉斯決策的多方法融合跟蹤算法
    壓縮感知在無線傳感器網(wǎng)絡中的應用
    科技視界(2016年10期)2016-04-26 08:29:08
    淺談《數(shù)字信號處理》實踐教學
    一種基于壓縮感知的農業(yè)WSN數(shù)據(jù)傳輸方法
    基于壓縮感知的模擬信息轉換器仿真
    国产精品乱码一区二三区的特点| 久久久久九九精品影院| 久久久久久久久久黄片| 精品国产美女av久久久久小说| 一级a爱片免费观看的视频| 成人三级黄色视频| 岛国视频午夜一区免费看| 欧美性猛交黑人性爽| cao死你这个sao货| 男女之事视频高清在线观看| 亚洲aⅴ乱码一区二区在线播放| 久久午夜亚洲精品久久| 最近在线观看免费完整版| 久久亚洲真实| 国产精品久久视频播放| 免费搜索国产男女视频| 老鸭窝网址在线观看| 偷拍熟女少妇极品色| 亚洲无线在线观看| 国产精品爽爽va在线观看网站| 五月玫瑰六月丁香| 嫩草影院精品99| 亚洲国产精品成人综合色| 久久久久国内视频| 成人三级做爰电影| 国语自产精品视频在线第100页| 亚洲国产精品sss在线观看| 一个人免费在线观看的高清视频| 在线看三级毛片| 美女扒开内裤让男人捅视频| 免费无遮挡裸体视频| 一级a爱片免费观看的视频| or卡值多少钱| 在线免费观看不下载黄p国产 | 婷婷精品国产亚洲av在线| 中文字幕人妻丝袜一区二区| 久99久视频精品免费| 怎么达到女性高潮| 午夜福利高清视频| 成在线人永久免费视频| 免费在线观看亚洲国产| 日韩国内少妇激情av| 日韩成人在线观看一区二区三区| 99久久无色码亚洲精品果冻| 国产aⅴ精品一区二区三区波| 久久国产精品影院| 男女床上黄色一级片免费看| 国产精品美女特级片免费视频播放器 | av黄色大香蕉| 一二三四在线观看免费中文在| 一区福利在线观看| 禁无遮挡网站| 天堂网av新在线| 全区人妻精品视频| 88av欧美| 黄色片一级片一级黄色片| 免费一级毛片在线播放高清视频| 国产精品影院久久| 亚洲七黄色美女视频| 狂野欧美激情性xxxx| 精品久久久久久久人妻蜜臀av| 国产精品综合久久久久久久免费| 免费看美女性在线毛片视频| 女人被狂操c到高潮| 好看av亚洲va欧美ⅴa在| 女人高潮潮喷娇喘18禁视频| 啪啪无遮挡十八禁网站| xxx96com| 99国产极品粉嫩在线观看| 国产一区二区三区在线臀色熟女| 91麻豆av在线| 三级男女做爰猛烈吃奶摸视频| 国产91精品成人一区二区三区| 日本 欧美在线| svipshipincom国产片| 国语自产精品视频在线第100页| 久久99热这里只有精品18| 一个人观看的视频www高清免费观看 | av天堂中文字幕网| 亚洲av成人av| xxxwww97欧美| 欧美绝顶高潮抽搐喷水| 色综合亚洲欧美另类图片| 麻豆av在线久日| www.熟女人妻精品国产| 国产亚洲av高清不卡| 宅男免费午夜| 亚洲人与动物交配视频| 99国产精品一区二区三区| 一a级毛片在线观看| 一个人观看的视频www高清免费观看 | 黑人巨大精品欧美一区二区mp4| 免费av毛片视频| 日韩高清综合在线| 国产激情欧美一区二区| 亚洲自拍偷在线| 日本a在线网址| 一卡2卡三卡四卡精品乱码亚洲| 老熟妇乱子伦视频在线观看| 99热只有精品国产| 免费在线观看亚洲国产| 国产精品一区二区精品视频观看| www.999成人在线观看| 麻豆成人午夜福利视频| 欧美高清成人免费视频www| 国产男靠女视频免费网站| 免费观看人在逋| 校园春色视频在线观看| av在线蜜桃| 琪琪午夜伦伦电影理论片6080| xxxwww97欧美| 变态另类成人亚洲欧美熟女| 国产精品免费一区二区三区在线| 狂野欧美白嫩少妇大欣赏| 在线观看舔阴道视频| 亚洲国产精品sss在线观看| 国产精品久久久久久人妻精品电影| 欧美中文综合在线视频| 成人特级黄色片久久久久久久| 一二三四社区在线视频社区8| 欧美日韩一级在线毛片| 又黄又爽又免费观看的视频| 1024香蕉在线观看| а√天堂www在线а√下载| 国产精品 国内视频| 美女cb高潮喷水在线观看 | 欧美一区二区精品小视频在线| 久久99热这里只有精品18| 亚洲性夜色夜夜综合| 青草久久国产| 狂野欧美激情性xxxx| 中文资源天堂在线| 午夜两性在线视频| 一a级毛片在线观看| 国模一区二区三区四区视频 | 国产一区二区激情短视频| 久久久久性生活片| 九九在线视频观看精品| 露出奶头的视频| 99久国产av精品| 黄色成人免费大全| 九九热线精品视视频播放| 亚洲第一欧美日韩一区二区三区| 国产一级毛片七仙女欲春2| 亚洲精品粉嫩美女一区| 老司机福利观看| 日韩中文字幕欧美一区二区| 国产精品自产拍在线观看55亚洲| 午夜久久久久精精品| 一进一出抽搐gif免费好疼| 天天添夜夜摸| 午夜久久久久精精品| 久久久久久九九精品二区国产| 国产精品爽爽va在线观看网站| 成熟少妇高潮喷水视频| 12—13女人毛片做爰片一| 国产精品女同一区二区软件 | 在线免费观看的www视频| 久99久视频精品免费| 欧美绝顶高潮抽搐喷水| 波多野结衣巨乳人妻| www日本黄色视频网| 一本久久中文字幕| 亚洲一区二区三区不卡视频| 在线免费观看的www视频| 中文字幕精品亚洲无线码一区| 亚洲va日本ⅴa欧美va伊人久久| 国产精品一及| 欧美黄色淫秽网站| 国产极品精品免费视频能看的| 琪琪午夜伦伦电影理论片6080| 特大巨黑吊av在线直播| 国产高清视频在线播放一区| 国产成人精品无人区| 真实男女啪啪啪动态图| 国产三级在线视频| 久久午夜亚洲精品久久| 亚洲自偷自拍图片 自拍| 午夜免费观看网址| 免费在线观看成人毛片| 国产精品乱码一区二三区的特点| 亚洲国产欧美人成| 成熟少妇高潮喷水视频| 午夜视频精品福利| 天天躁日日操中文字幕| 欧美最黄视频在线播放免费| 一a级毛片在线观看| 亚洲欧美日韩高清专用| 手机成人av网站| 国产91精品成人一区二区三区| 热99re8久久精品国产| 国产毛片a区久久久久| 深夜精品福利| 精品久久蜜臀av无| 又黄又爽又免费观看的视频| 日韩欧美 国产精品| 真实男女啪啪啪动态图| 亚洲 欧美一区二区三区| 老司机在亚洲福利影院| 免费电影在线观看免费观看| 免费人成视频x8x8入口观看| 色综合欧美亚洲国产小说| 又黄又爽又免费观看的视频| 一级a爱片免费观看的视频| 搡老妇女老女人老熟妇| 精品一区二区三区四区五区乱码| 看片在线看免费视频| 日本与韩国留学比较| 一个人免费在线观看电影 | 老熟妇乱子伦视频在线观看| 久久亚洲精品不卡| 欧美在线一区亚洲| 色av中文字幕| 国产精品98久久久久久宅男小说| 国产主播在线观看一区二区| 夜夜爽天天搞| 欧美中文综合在线视频| 999精品在线视频| 久久久精品欧美日韩精品| 91麻豆av在线| 夜夜看夜夜爽夜夜摸| 久久久水蜜桃国产精品网| 亚洲欧美激情综合另类| 免费看光身美女| 身体一侧抽搐| 99热只有精品国产| 欧美黑人巨大hd| 欧美3d第一页| 欧美日韩瑟瑟在线播放| 男人舔女人下体高潮全视频| 午夜免费激情av| 99热精品在线国产| 村上凉子中文字幕在线| 亚洲狠狠婷婷综合久久图片| 欧美中文日本在线观看视频| 亚洲色图av天堂| 啦啦啦免费观看视频1| a级毛片在线看网站| 高潮久久久久久久久久久不卡| 波多野结衣高清无吗| 欧美zozozo另类| 亚洲av成人精品一区久久| 大型黄色视频在线免费观看| 国产精品自产拍在线观看55亚洲| 狂野欧美激情性xxxx| 变态另类成人亚洲欧美熟女| 国产成年人精品一区二区| 成人性生交大片免费视频hd| 久久精品国产综合久久久| 成人三级黄色视频| 啪啪无遮挡十八禁网站| 啦啦啦韩国在线观看视频| 色在线成人网| 中亚洲国语对白在线视频| 免费在线观看日本一区| 亚洲自拍偷在线| 亚洲欧美一区二区三区黑人| 99久久成人亚洲精品观看| 999精品在线视频| 国产精品av久久久久免费| 欧美极品一区二区三区四区| 久久精品91蜜桃| 欧美性猛交黑人性爽| 午夜福利视频1000在线观看| 级片在线观看| 亚洲一区二区三区色噜噜| 国产一区二区在线av高清观看| 欧美中文日本在线观看视频| 免费av不卡在线播放| 亚洲熟妇中文字幕五十中出| aaaaa片日本免费| www日本在线高清视频| 精华霜和精华液先用哪个| 日韩av在线大香蕉| 国产精品永久免费网站| 午夜视频精品福利| 观看美女的网站| 久久国产精品人妻蜜桃| 97碰自拍视频| 九九热线精品视视频播放| 国产淫片久久久久久久久 | 国产免费男女视频| 啦啦啦免费观看视频1| 麻豆av在线久日| 夜夜躁狠狠躁天天躁| 精品电影一区二区在线| 噜噜噜噜噜久久久久久91| 免费看日本二区| 国产精品99久久99久久久不卡| 国内揄拍国产精品人妻在线| 国产亚洲精品久久久com| 波多野结衣巨乳人妻| 美女大奶头视频| 免费看十八禁软件| 国产av麻豆久久久久久久| 天天躁狠狠躁夜夜躁狠狠躁| 久久精品91无色码中文字幕| 亚洲午夜精品一区,二区,三区| 99国产综合亚洲精品| 美女被艹到高潮喷水动态| 国产精品一及| 制服人妻中文乱码| 国产爱豆传媒在线观看| 免费观看人在逋| 婷婷丁香在线五月| 曰老女人黄片| 亚洲18禁久久av| 桃色一区二区三区在线观看| 国产精品乱码一区二三区的特点| 美女黄网站色视频| 99久久综合精品五月天人人| 久久国产精品影院| 变态另类丝袜制服| 欧美色视频一区免费| 99热精品在线国产| 男女午夜视频在线观看| 亚洲黑人精品在线| 高清在线国产一区| 18禁观看日本| 精品免费久久久久久久清纯| 精品久久久久久久久久久久久| 麻豆久久精品国产亚洲av| 欧美日韩中文字幕国产精品一区二区三区| 国产69精品久久久久777片 | 黄色视频,在线免费观看| 两人在一起打扑克的视频| 网址你懂的国产日韩在线| 久久久久久久久久黄片| 欧美3d第一页| av福利片在线观看| 1024香蕉在线观看| 狂野欧美白嫩少妇大欣赏| 亚洲欧美日韩东京热| 美女高潮喷水抽搐中文字幕| 国产单亲对白刺激| 我的老师免费观看完整版| 91在线精品国自产拍蜜月 | 搞女人的毛片| 丰满人妻一区二区三区视频av | 亚洲精华国产精华精| 丁香六月欧美| 2021天堂中文幕一二区在线观| 日本 欧美在线| 国产精品电影一区二区三区| 欧美日本亚洲视频在线播放| 欧美xxxx黑人xx丫x性爽| 丁香六月欧美| 午夜福利18| 欧美成人一区二区免费高清观看 | 中文字幕人妻丝袜一区二区| 国产真实乱freesex| 丰满人妻熟妇乱又伦精品不卡| 身体一侧抽搐| 最近视频中文字幕2019在线8| 亚洲第一欧美日韩一区二区三区| 一二三四在线观看免费中文在| 一二三四社区在线视频社区8| 真人一进一出gif抽搐免费| 99热这里只有是精品50| 国产爱豆传媒在线观看| 亚洲中文av在线| 国产视频内射| 国产毛片a区久久久久| 亚洲熟妇中文字幕五十中出| 色av中文字幕| 一进一出抽搐gif免费好疼| 久久天躁狠狠躁夜夜2o2o| 在线十欧美十亚洲十日本专区| 日韩欧美免费精品| 两性午夜刺激爽爽歪歪视频在线观看| 长腿黑丝高跟| 丰满人妻熟妇乱又伦精品不卡| 在线观看一区二区三区| 欧美中文综合在线视频| 久久天堂一区二区三区四区| 丰满人妻熟妇乱又伦精品不卡| 中文字幕人成人乱码亚洲影| 亚洲国产色片| 美女 人体艺术 gogo| tocl精华| 老司机深夜福利视频在线观看| 午夜福利欧美成人| 欧美成人一区二区免费高清观看 | 久久欧美精品欧美久久欧美| 两个人视频免费观看高清| 国产 一区 欧美 日韩| 国产精品一区二区三区四区免费观看 | 欧洲精品卡2卡3卡4卡5卡区| 草草在线视频免费看| 两人在一起打扑克的视频| 欧美日本亚洲视频在线播放| 午夜福利成人在线免费观看| 一进一出好大好爽视频| 午夜精品一区二区三区免费看| 波多野结衣高清作品| 99精品在免费线老司机午夜| 成人特级av手机在线观看| 日韩欧美在线乱码| 我要搜黄色片| 婷婷亚洲欧美| 男人的好看免费观看在线视频| 亚洲 欧美 日韩 在线 免费| 精品熟女少妇八av免费久了| av中文乱码字幕在线| 性欧美人与动物交配| 国产一区在线观看成人免费| 欧美国产日韩亚洲一区| 97超视频在线观看视频| 可以在线观看毛片的网站| 成人特级av手机在线观看| 亚洲国产日韩欧美精品在线观看 | 免费看日本二区| 亚洲国产看品久久| 国产人伦9x9x在线观看| 国产精品一区二区三区四区久久| 小蜜桃在线观看免费完整版高清| 免费观看人在逋| 曰老女人黄片| 久久性视频一级片| 18禁观看日本| 免费看日本二区| 日本 av在线| 国产又黄又爽又无遮挡在线| 19禁男女啪啪无遮挡网站| 真人做人爱边吃奶动态| 一夜夜www| 欧美不卡视频在线免费观看| a在线观看视频网站| 精品一区二区三区视频在线观看免费| 狂野欧美白嫩少妇大欣赏| 国产野战对白在线观看| 99热这里只有精品一区 | 久久草成人影院| 日本 av在线| 久久人妻av系列| 天堂√8在线中文| 看黄色毛片网站| 精品国产乱码久久久久久男人| 婷婷亚洲欧美| 久久午夜亚洲精品久久| 亚洲精品在线观看二区| 色av中文字幕| 亚洲精品色激情综合| 国产精品电影一区二区三区| 在线观看美女被高潮喷水网站 | 久久久久精品国产欧美久久久| 国产精品一及| 国产1区2区3区精品| 香蕉丝袜av| 婷婷亚洲欧美| tocl精华| 久久人人精品亚洲av| 全区人妻精品视频| 国产伦精品一区二区三区四那| 国产精品久久久久久精品电影| 亚洲一区高清亚洲精品| 99久久久亚洲精品蜜臀av| 欧美日韩福利视频一区二区| 精品国产超薄肉色丝袜足j| 欧美激情在线99| 婷婷亚洲欧美| 搡老妇女老女人老熟妇| 国产免费男女视频| 久久久精品欧美日韩精品| 小蜜桃在线观看免费完整版高清| 国产欧美日韩精品亚洲av| 亚洲av成人精品一区久久| 欧美在线黄色| 婷婷丁香在线五月| 97人妻精品一区二区三区麻豆| 很黄的视频免费| 国产高潮美女av| 一本一本综合久久| 欧美日韩黄片免| 成年人黄色毛片网站| 亚洲中文字幕一区二区三区有码在线看 | 亚洲国产欧美网| 中文字幕人妻丝袜一区二区| 99久久成人亚洲精品观看| 九九久久精品国产亚洲av麻豆 | 国内精品美女久久久久久| 久久这里只有精品19| 一区二区三区高清视频在线| av女优亚洲男人天堂 | 在线免费观看不下载黄p国产 | 国产精品久久久久久精品电影| 久久草成人影院| 女人高潮潮喷娇喘18禁视频| 两性夫妻黄色片| 精品国产亚洲在线| 香蕉国产在线看| 亚洲人成网站在线播放欧美日韩| 91久久精品国产一区二区成人 | 国产激情偷乱视频一区二区| 99在线人妻在线中文字幕| 精品国产乱子伦一区二区三区| 深夜精品福利| 夜夜躁狠狠躁天天躁| 亚洲精品美女久久av网站| 国产探花在线观看一区二区| 变态另类丝袜制服| 美女被艹到高潮喷水动态| 国产精品日韩av在线免费观看| 日日夜夜操网爽| 天堂√8在线中文| 丁香六月欧美| 午夜福利免费观看在线| 色综合婷婷激情| 听说在线观看完整版免费高清| 亚洲一区二区三区不卡视频| 我要搜黄色片| 又黄又爽又免费观看的视频| 母亲3免费完整高清在线观看| h日本视频在线播放| 母亲3免费完整高清在线观看| 一二三四在线观看免费中文在| 在线观看午夜福利视频| 亚洲中文字幕日韩| 国产亚洲av嫩草精品影院| 99久久久亚洲精品蜜臀av| 操出白浆在线播放| 成人国产一区最新在线观看| 久久久国产成人免费| 成人av一区二区三区在线看| 最近在线观看免费完整版| 久久精品人妻少妇| www国产在线视频色| 国产一区在线观看成人免费| 成人18禁在线播放| 九九久久精品国产亚洲av麻豆 | 国产高清视频在线播放一区| 狂野欧美白嫩少妇大欣赏| 无遮挡黄片免费观看| www.精华液| 一进一出好大好爽视频| 在线播放国产精品三级| 国产精品av视频在线免费观看| 国产亚洲欧美98| 97碰自拍视频| 狂野欧美白嫩少妇大欣赏| 每晚都被弄得嗷嗷叫到高潮| 久久久久九九精品影院| 动漫黄色视频在线观看| 免费观看的影片在线观看| 国产亚洲精品久久久久久毛片| 美女cb高潮喷水在线观看 | 久久这里只有精品19| www日本黄色视频网| svipshipincom国产片| 久久中文看片网| 日本一本二区三区精品| 国产精品,欧美在线| 淫妇啪啪啪对白视频| 九色成人免费人妻av| 真人做人爱边吃奶动态| 久久精品综合一区二区三区| 欧美日本视频| 性色av乱码一区二区三区2| 曰老女人黄片| 18禁裸乳无遮挡免费网站照片| 精品一区二区三区视频在线观看免费| 99在线视频只有这里精品首页| 91字幕亚洲| 欧美丝袜亚洲另类 | 色综合站精品国产| 香蕉久久夜色| 久久中文字幕人妻熟女| 欧美日韩瑟瑟在线播放| 精品久久久久久久末码| 一区二区三区激情视频| 99在线视频只有这里精品首页| 神马国产精品三级电影在线观看| 国产亚洲欧美98| 男女下面进入的视频免费午夜| 日韩欧美国产在线观看| 日韩三级视频一区二区三区| 亚洲成av人片在线播放无| 51午夜福利影视在线观看| 国产精品99久久99久久久不卡| 亚洲色图 男人天堂 中文字幕| 好男人电影高清在线观看| 成人18禁在线播放| 久久中文字幕一级| 免费在线观看影片大全网站| svipshipincom国产片| av在线天堂中文字幕| 精品一区二区三区视频在线观看免费| 色综合欧美亚洲国产小说| 色综合站精品国产| 国产精品久久久久久久电影 | 成人国产综合亚洲| 久久这里只有精品19| 欧美黄色片欧美黄色片| 岛国在线观看网站| 精品无人区乱码1区二区| 免费电影在线观看免费观看| 亚洲欧美日韩东京热| 狂野欧美白嫩少妇大欣赏| 免费电影在线观看免费观看| 在线十欧美十亚洲十日本专区| 国产麻豆成人av免费视频| 国产精品免费一区二区三区在线| 757午夜福利合集在线观看| 美女 人体艺术 gogo| 亚洲精品色激情综合| 成年版毛片免费区| av片东京热男人的天堂| 国产av不卡久久| 麻豆成人av在线观看| 中出人妻视频一区二区| 18禁国产床啪视频网站| 麻豆一二三区av精品| 国产成人精品久久二区二区91| 三级国产精品欧美在线观看 | 国产成人系列免费观看|