• <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
    午夜免费观看网址| 一区二区三区激情视频| 老司机午夜福利在线观看视频| 99久久无色码亚洲精品果冻| 五月玫瑰六月丁香| 国产伦精品一区二区三区视频9 | 中文亚洲av片在线观看爽| 国产精品亚洲美女久久久| 九色国产91popny在线| 19禁男女啪啪无遮挡网站| 亚洲精品成人久久久久久| 99久久99久久久精品蜜桃| svipshipincom国产片| 久久人妻av系列| 欧美成人免费av一区二区三区| 中出人妻视频一区二区| 在线观看日韩欧美| 中文字幕精品亚洲无线码一区| 在线观看免费午夜福利视频| 亚洲av一区综合| 亚洲av美国av| 中文字幕av成人在线电影| 两个人的视频大全免费| ponron亚洲| 成年女人看的毛片在线观看| 午夜日韩欧美国产| 精品99又大又爽又粗少妇毛片 | 男女视频在线观看网站免费| 岛国在线免费视频观看| 成年女人永久免费观看视频| 日本黄大片高清| 又紧又爽又黄一区二区| 久久国产精品人妻蜜桃| 国产v大片淫在线免费观看| 少妇人妻精品综合一区二区 | 亚洲欧美激情综合另类| 久久草成人影院| 欧美在线一区亚洲| 国产三级黄色录像| 成年女人永久免费观看视频| 亚洲精品在线观看二区| 国产亚洲精品av在线| 色综合婷婷激情| 欧美一级a爱片免费观看看| 人妻丰满熟妇av一区二区三区| 国产成人av激情在线播放| 亚洲精品色激情综合| 国产成+人综合+亚洲专区| 黄色日韩在线| 久久精品亚洲精品国产色婷小说| 国产精品一区二区免费欧美| 欧美大码av| 搡老熟女国产l中国老女人| 成人高潮视频无遮挡免费网站| 亚洲欧美日韩东京热| 日韩国内少妇激情av| 又紧又爽又黄一区二区| 国产野战对白在线观看| www.色视频.com| 变态另类丝袜制服| 亚洲欧美日韩卡通动漫| 90打野战视频偷拍视频| 狠狠狠狠99中文字幕| 3wmmmm亚洲av在线观看| 丰满人妻一区二区三区视频av | 国产精品亚洲一级av第二区| 国产爱豆传媒在线观看| 在线观看一区二区三区| 黄色丝袜av网址大全| 美女免费视频网站| 久久99热这里只有精品18| 亚洲精品国产精品久久久不卡| 高清日韩中文字幕在线| 五月伊人婷婷丁香| 美女免费视频网站| 18禁黄网站禁片免费观看直播| 99视频精品全部免费 在线| 脱女人内裤的视频| 亚洲av中文字字幕乱码综合| 成人永久免费在线观看视频| 成人精品一区二区免费| 欧美一级毛片孕妇| 人妻久久中文字幕网| 国产美女午夜福利| 免费在线观看成人毛片| 久久伊人香网站| 老司机午夜福利在线观看视频| 亚洲天堂国产精品一区在线| 精品人妻一区二区三区麻豆 | 手机成人av网站| 国产精品乱码一区二三区的特点| 国产免费男女视频| 国产午夜精品论理片| 国产精品亚洲美女久久久| 国产精品乱码一区二三区的特点| 久久精品91蜜桃| 女人高潮潮喷娇喘18禁视频| 久久久久亚洲av毛片大全| 国内精品美女久久久久久| 少妇熟女aⅴ在线视频| 欧美乱码精品一区二区三区| 看黄色毛片网站| 国产精品久久久久久精品电影| 香蕉av资源在线| 美女高潮喷水抽搐中文字幕| 午夜福利欧美成人| 嫩草影视91久久| 国产免费一级a男人的天堂| 久久国产乱子伦精品免费另类| 亚洲国产精品sss在线观看| 国产一区在线观看成人免费| 国内揄拍国产精品人妻在线| 国产一区二区在线观看日韩 | 中文字幕熟女人妻在线| 亚洲av第一区精品v没综合| 精品免费久久久久久久清纯| 免费看十八禁软件| 天天躁日日操中文字幕| 午夜福利视频1000在线观看| 欧美黄色淫秽网站| 最新在线观看一区二区三区| 男人和女人高潮做爰伦理| 最近最新免费中文字幕在线| 午夜亚洲福利在线播放| 亚洲黑人精品在线| 午夜亚洲福利在线播放| 最近最新中文字幕大全免费视频| 一边摸一边抽搐一进一小说| 国产日本99.免费观看| 久9热在线精品视频| 禁无遮挡网站| 1024手机看黄色片| 成年人黄色毛片网站| 禁无遮挡网站| 男人和女人高潮做爰伦理| 在线观看免费午夜福利视频| 很黄的视频免费| 亚洲一区高清亚洲精品| 欧美黄色淫秽网站| 成人性生交大片免费视频hd| 十八禁人妻一区二区| 99在线视频只有这里精品首页| 国产日本99.免费观看| 国产单亲对白刺激| 国产综合懂色| 日本一本二区三区精品| 国产成人a区在线观看| 制服人妻中文乱码| 色尼玛亚洲综合影院| 级片在线观看| 九色国产91popny在线| 成年版毛片免费区| 免费在线观看影片大全网站| 国产精品98久久久久久宅男小说| 女同久久另类99精品国产91| 国产免费一级a男人的天堂| 欧美日韩国产亚洲二区| 国产精品精品国产色婷婷| 亚洲欧美一区二区三区黑人| 午夜福利免费观看在线| 国模一区二区三区四区视频| 久久性视频一级片| 首页视频小说图片口味搜索| 少妇人妻精品综合一区二区 | 亚洲av成人av| 国产精品爽爽va在线观看网站| 日韩欧美精品免费久久 | 嫩草影院入口| 天天躁日日操中文字幕| 久久亚洲精品不卡| 一级黄色大片毛片| 婷婷亚洲欧美| 国产精品久久久久久久电影 | 天美传媒精品一区二区| 久久亚洲真实| 在线免费观看不下载黄p国产 | 88av欧美| 日本免费a在线| 夜夜爽天天搞| x7x7x7水蜜桃| 亚洲不卡免费看| 精品国内亚洲2022精品成人| 网址你懂的国产日韩在线| 悠悠久久av| 国产精品久久久人人做人人爽| 国产黄片美女视频| 日韩精品青青久久久久久| 亚洲美女视频黄频| 九九热线精品视视频播放| 五月伊人婷婷丁香| 丰满的人妻完整版| 长腿黑丝高跟| 欧美性感艳星| 色吧在线观看| 九色成人免费人妻av| 日韩av在线大香蕉| 中国美女看黄片| 人人妻,人人澡人人爽秒播| 亚洲精品456在线播放app | 大型黄色视频在线免费观看| av天堂中文字幕网| 人人妻,人人澡人人爽秒播| av欧美777| 国产一区二区三区在线臀色熟女| 欧美色视频一区免费| 欧美国产日韩亚洲一区| 国产综合懂色| 成人永久免费在线观看视频| 亚洲专区国产一区二区| 国产高潮美女av| 国产一区二区在线观看日韩 | 亚洲18禁久久av| а√天堂www在线а√下载| 十八禁人妻一区二区| www国产在线视频色| 国产在视频线在精品| 搡老熟女国产l中国老女人| 久久国产精品影院| 最好的美女福利视频网| 一a级毛片在线观看| 亚洲18禁久久av| 精品免费久久久久久久清纯| 久久久色成人| 最近在线观看免费完整版| 欧美日韩福利视频一区二区| 97超级碰碰碰精品色视频在线观看| 久久人妻av系列| 欧美+日韩+精品| 亚洲av二区三区四区| 大型黄色视频在线免费观看| 99久久精品热视频| 亚洲国产欧美人成| 少妇裸体淫交视频免费看高清| 天天躁日日操中文字幕| 青草久久国产| 桃色一区二区三区在线观看| 久久久久久久亚洲中文字幕 | 99久久综合精品五月天人人| 国产在视频线在精品| 亚洲国产日韩欧美精品在线观看 | 丝袜美腿在线中文| 一进一出抽搐动态| 一本精品99久久精品77| 一个人看视频在线观看www免费 | 久久亚洲真实| 麻豆成人午夜福利视频| 国产成人欧美在线观看| 看黄色毛片网站| 每晚都被弄得嗷嗷叫到高潮| 国产真实伦视频高清在线观看 | 欧美一区二区亚洲| 亚洲av电影在线进入| 欧美乱妇无乱码| 黑人欧美特级aaaaaa片| 两性午夜刺激爽爽歪歪视频在线观看| 91久久精品电影网| 丰满人妻一区二区三区视频av | 在线观看日韩欧美| 成人18禁在线播放| 国产毛片a区久久久久| ponron亚洲| 国产91精品成人一区二区三区| 深爱激情五月婷婷| 一区二区三区免费毛片| 首页视频小说图片口味搜索| 国产精品电影一区二区三区| 成人国产综合亚洲| 久久国产乱子伦精品免费另类| 国产国拍精品亚洲av在线观看 | 国产真实乱freesex| 丰满人妻熟妇乱又伦精品不卡| 搞女人的毛片| 男人舔奶头视频| 床上黄色一级片| 国产精品 国内视频| 成人一区二区视频在线观看| 亚洲色图av天堂| 18禁黄网站禁片免费观看直播| 免费观看人在逋| 亚洲成av人片免费观看| 亚洲av不卡在线观看| 一区二区三区国产精品乱码| 亚洲 欧美 日韩 在线 免费| 亚洲美女视频黄频| 国产黄色小视频在线观看| 少妇人妻精品综合一区二区 | 在线观看午夜福利视频| 成年女人毛片免费观看观看9| 国产欧美日韩精品一区二区| 免费在线观看影片大全网站| 久久久久久久久大av| 午夜老司机福利剧场| 制服人妻中文乱码| 国产成人影院久久av| 亚洲一区高清亚洲精品| 欧美高清成人免费视频www| 亚洲色图av天堂| 亚洲av成人不卡在线观看播放网| 亚洲激情在线av| 99久久无色码亚洲精品果冻| 又爽又黄无遮挡网站| 亚洲无线观看免费| 成人av一区二区三区在线看| 99久久精品热视频| 69人妻影院| 在线看三级毛片| 无限看片的www在线观看| 亚洲av成人不卡在线观看播放网| 香蕉av资源在线| 亚洲国产精品成人综合色| 97超级碰碰碰精品色视频在线观看| 亚洲在线观看片| 亚洲成人免费电影在线观看| 国产精品久久久人人做人人爽| 69人妻影院| 日本撒尿小便嘘嘘汇集6| 亚洲中文日韩欧美视频| 中文字幕av成人在线电影| 一二三四社区在线视频社区8| 欧美成狂野欧美在线观看| 国产精品永久免费网站| 婷婷精品国产亚洲av| av国产免费在线观看| 丝袜美腿在线中文| 蜜桃久久精品国产亚洲av| 精品福利观看| 在线免费观看的www视频| 桃红色精品国产亚洲av| 校园春色视频在线观看| 看黄色毛片网站| 国产爱豆传媒在线观看| 欧美黑人欧美精品刺激| 午夜福利免费观看在线| 可以在线观看的亚洲视频| 精品久久久久久久末码| 很黄的视频免费| 欧美最黄视频在线播放免费| 国产伦一二天堂av在线观看| 国产精品乱码一区二三区的特点| 看免费av毛片| 波野结衣二区三区在线 | 美女免费视频网站| 久久久国产精品麻豆| 国产亚洲av嫩草精品影院| 色尼玛亚洲综合影院| 天天一区二区日本电影三级| 丁香欧美五月| a级毛片a级免费在线| 99久久综合精品五月天人人| 91在线观看av| 日韩欧美国产一区二区入口| 国产一区二区在线av高清观看| 亚洲成人久久爱视频| 日日摸夜夜添夜夜添小说| 99久久久亚洲精品蜜臀av| 午夜福利欧美成人| 天天添夜夜摸| 在线观看日韩欧美| 成人欧美大片| 亚洲专区中文字幕在线| АⅤ资源中文在线天堂| 国产精品嫩草影院av在线观看 | 国产欧美日韩一区二区精品| 欧美大码av| 国产高清视频在线播放一区| 俄罗斯特黄特色一大片| 18禁黄网站禁片午夜丰满| 9191精品国产免费久久| 午夜福利在线在线| 国内毛片毛片毛片毛片毛片| 熟女人妻精品中文字幕| 在线国产一区二区在线| 国产乱人视频| 国产成人福利小说| 麻豆国产av国片精品| 国产精品永久免费网站| 亚洲专区国产一区二区| 99久久精品热视频| 狠狠狠狠99中文字幕| 成人鲁丝片一二三区免费| 欧美乱色亚洲激情| 国产私拍福利视频在线观看| 国产精华一区二区三区| 淫妇啪啪啪对白视频| 麻豆久久精品国产亚洲av| 色吧在线观看| 99riav亚洲国产免费| 亚洲欧美日韩高清在线视频| 国产免费一级a男人的天堂| 久久久国产精品麻豆| 亚洲一区高清亚洲精品| 日韩中文字幕欧美一区二区| avwww免费| 天堂网av新在线| 国产真实乱freesex| 无人区码免费观看不卡| 蜜桃久久精品国产亚洲av| 国产高清视频在线播放一区| av视频在线观看入口| 免费观看精品视频网站| 国产男靠女视频免费网站| 桃红色精品国产亚洲av| 国产黄片美女视频| 亚洲片人在线观看| 精品欧美国产一区二区三| 成人国产综合亚洲| 叶爱在线成人免费视频播放| 在线国产一区二区在线| 欧美性猛交黑人性爽| 怎么达到女性高潮| 中文字幕人妻丝袜一区二区| 欧美大码av| 国产私拍福利视频在线观看| 午夜激情福利司机影院| 亚洲av中文字字幕乱码综合| 国产男靠女视频免费网站| 午夜免费激情av| 国产精品亚洲一级av第二区| 国产精品精品国产色婷婷| 成人18禁在线播放| 国内少妇人妻偷人精品xxx网站| 国产精品av视频在线免费观看| 久久久色成人| 伊人久久精品亚洲午夜| 精品人妻偷拍中文字幕| 国产99白浆流出| 亚洲精品国产精品久久久不卡| 国内精品久久久久久久电影| 久久久久国产精品人妻aⅴ院| 少妇丰满av| 90打野战视频偷拍视频| 狂野欧美激情性xxxx| 精品电影一区二区在线| 天美传媒精品一区二区| 国产综合懂色| 免费在线观看影片大全网站| 日韩欧美免费精品| 午夜久久久久精精品| 午夜福利高清视频| 免费大片18禁| 99久久精品一区二区三区| av欧美777| 久久午夜亚洲精品久久| 欧美日本视频| 欧美bdsm另类| 老司机午夜十八禁免费视频| 91九色精品人成在线观看| 男女下面进入的视频免费午夜| 在线观看日韩欧美| 九九在线视频观看精品| 淫秽高清视频在线观看| 欧美另类亚洲清纯唯美| 12—13女人毛片做爰片一| 亚洲欧美日韩卡通动漫| 日韩大尺度精品在线看网址| 91av网一区二区| 亚洲av免费高清在线观看| 99国产精品一区二区三区| 黄片小视频在线播放| 最近最新中文字幕大全电影3| 日韩精品青青久久久久久| 色老头精品视频在线观看| 最好的美女福利视频网| 女生性感内裤真人,穿戴方法视频| 热99re8久久精品国产| 激情在线观看视频在线高清| 亚洲国产欧洲综合997久久,| 女人被狂操c到高潮| 亚洲人成网站在线播放欧美日韩| 久久婷婷人人爽人人干人人爱| 成年人黄色毛片网站| 国产精品电影一区二区三区| 亚洲真实伦在线观看| 成人无遮挡网站| 性欧美人与动物交配| 国产精品久久久久久久电影 | 国产精品一区二区三区四区久久| 精品一区二区三区视频在线 | 韩国av一区二区三区四区| 成人国产一区最新在线观看| 91在线精品国自产拍蜜月 | 久久香蕉精品热| 啪啪无遮挡十八禁网站| 国产成人av激情在线播放| www.色视频.com| 成年免费大片在线观看| 亚洲专区中文字幕在线| 男女视频在线观看网站免费| 老司机福利观看| 国产免费一级a男人的天堂| 免费大片18禁| 欧美国产日韩亚洲一区| 无遮挡黄片免费观看| 十八禁人妻一区二区| 国内精品一区二区在线观看| 亚洲18禁久久av| 国产在视频线在精品| 亚洲片人在线观看| 久久久色成人| 三级男女做爰猛烈吃奶摸视频| 淫秽高清视频在线观看| 欧美另类亚洲清纯唯美| 亚洲成人精品中文字幕电影| 国产亚洲精品久久久com| 特级一级黄色大片| 99热只有精品国产| 精品午夜福利视频在线观看一区| 不卡一级毛片| 亚洲熟妇熟女久久| 综合色av麻豆| xxx96com| 亚洲欧美日韩无卡精品| 一级作爱视频免费观看| 久久久久免费精品人妻一区二区| 一个人免费在线观看的高清视频| 国内久久婷婷六月综合欲色啪| 熟女电影av网| 国内精品美女久久久久久| 国产黄a三级三级三级人| 日日夜夜操网爽| 九九久久精品国产亚洲av麻豆| 中文字幕精品亚洲无线码一区| 99国产精品一区二区三区| 亚洲 国产 在线| 国产精品三级大全| 亚洲最大成人手机在线| 尤物成人国产欧美一区二区三区| 国产伦精品一区二区三区四那| 内射极品少妇av片p| 婷婷亚洲欧美| 国产一区二区三区在线臀色熟女| 国产色爽女视频免费观看| 日韩欧美 国产精品| 老汉色av国产亚洲站长工具| 内地一区二区视频在线| 午夜影院日韩av| 无人区码免费观看不卡| 啦啦啦观看免费观看视频高清| 男人舔奶头视频| 嫁个100分男人电影在线观看| 国产亚洲精品av在线| 亚洲18禁久久av| 老司机午夜十八禁免费视频| 欧美绝顶高潮抽搐喷水| 久久精品综合一区二区三区| 中文在线观看免费www的网站| 日韩成人在线观看一区二区三区| 禁无遮挡网站| 成人鲁丝片一二三区免费| 蜜桃久久精品国产亚洲av| 国产精品久久久久久亚洲av鲁大| av欧美777| 欧美成人一区二区免费高清观看| 99视频精品全部免费 在线| 国内毛片毛片毛片毛片毛片| 免费一级毛片在线播放高清视频| 国产免费av片在线观看野外av| 亚洲欧美日韩卡通动漫| 好看av亚洲va欧美ⅴa在| 国产一区二区激情短视频| 天堂影院成人在线观看| 午夜福利在线观看免费完整高清在 | 国产高潮美女av| 国产91精品成人一区二区三区| 日韩有码中文字幕| 日本成人三级电影网站| 亚洲七黄色美女视频| 国产成人a区在线观看| 男人舔女人下体高潮全视频| 很黄的视频免费| 大型黄色视频在线免费观看| av视频在线观看入口| 久久精品国产综合久久久| 欧美性猛交╳xxx乱大交人| 免费观看精品视频网站| 黄片小视频在线播放| 蜜桃久久精品国产亚洲av| 国产蜜桃级精品一区二区三区| 亚洲成a人片在线一区二区| 亚洲 欧美 日韩 在线 免费| 久久99热这里只有精品18| 欧美日韩中文字幕国产精品一区二区三区| 日韩av在线大香蕉| 久久精品国产综合久久久| 国产三级黄色录像| 美女高潮的动态| 午夜福利欧美成人| 首页视频小说图片口味搜索| 波多野结衣高清无吗| 一本久久中文字幕| 亚洲成人久久性| 成年人黄色毛片网站| 久久精品91蜜桃| а√天堂www在线а√下载| 在线观看66精品国产| 日本免费a在线| 在线播放无遮挡| 国产精品三级大全| 国产免费男女视频| 男女之事视频高清在线观看| 欧美乱码精品一区二区三区| 亚洲狠狠婷婷综合久久图片| 在线十欧美十亚洲十日本专区| 国产国拍精品亚洲av在线观看 | 成人亚洲精品av一区二区| 精品国产美女av久久久久小说| 亚洲第一电影网av| 美女黄网站色视频| 人人妻人人看人人澡| or卡值多少钱| 一级毛片高清免费大全| 亚洲成人中文字幕在线播放| 一级黄片播放器| 中文字幕av成人在线电影| 黄片大片在线免费观看|