• <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 ?

    一種新型的基于深度學習的時變信道預測方法

    2021-02-01 11:56:10張捷楊麗花王增浩呼博聶倩
    電信科學 2021年1期
    關鍵詞:復雜度信道參考文獻

    張捷,楊麗花,王增浩,呼博,聶倩

    (南京郵電大學江蘇省無線通信重點實驗室,江蘇 南京 210003)

    1 引言

    近年來無線通信技術發(fā)展迅速,與無線信道相關的成果層出不窮[1-2]。隨著運行速度超過300 km/h 的高速鐵路(high speed railway,HSR)的大規(guī)模部署,HSR 環(huán)境下的無線通信在全球引起了越來越多的關注[3-5]。在HSR 環(huán)境下,列車的高速運行會引起大的多普勒頻移,而大的多普勒頻移會使得信道發(fā)生快速時變,在此場景下高精度地獲取信道狀態(tài)信息(channel state information,CSI)是關鍵。通過信道估計雖可以獲得CSI,但是信道的快速時變以及信道估計的處理時延,使得獲取的CSI 已經(jīng)過時,不能反映當前時刻的信道狀況。然而,信道預測可以根據(jù)過時的信道狀態(tài)信息,預測未來發(fā)送時刻的信道狀況,能夠顯著提高系統(tǒng)性能。

    目前時變信道預測問題已經(jīng)引起了廣泛的關注,傳統(tǒng)的時變信道預測方法是使用線性預測模型,通過對當前時刻CSI 和過去時刻CSI 的線性組合,獲取未來時刻的CSI。其中,參考文獻[6]給出了一種基于二階自回歸(auto regressive,AR)模型的瑞利信道預測方法;參考文獻[7]給出了一種基于線性最小均方誤差(linear minimum mean square error,LMMSE)的信道預測方法。由于基于AR 模型的預測方法求解AR 系數(shù)需要基于已知的信道時域相關性信息,而在非平穩(wěn)狀態(tài)下,信道的時域相關特性隨時間變化,導致AR 模型中依賴時域相關性的待定系數(shù)的計算非常復雜。為此,參考文獻[8]與參考文獻[9]提出了一種基于一階泰勒展開的信道預測方法,由于待擬合的多項式的最高階數(shù)為1,故該多項式的擬合問題可等價于線性回歸問題,通過多元函數(shù)極值的必要條件,將問題轉(zhuǎn)化為求解線性方程組,從而得到一階泰勒展開模型的系數(shù)。與AR 模型相比,該方法以較低的復雜度實現(xiàn)信道預測,更適用于復雜的信道環(huán)境。然而這些線性預測方法雖具有較好的預測性能,但是不適用于非線性特性的快速時變信道。因此,實現(xiàn)時變信道預測的另一有效途徑是建立非線性預測模型,通過非線性預測來提高信道預測的精度。

    典型的非線性預測方法有支持向量機(support vector machine,SVM)方法和深度學習方法,其中參考文獻[10]給出了一種HSR 場景下基于SVM 的信道預測方法,該方法通過使用遺傳算法(genetic algorithm,GA)優(yōu)化SVM 模型的懲罰系數(shù)和高斯核寬度,可以獲得優(yōu)于傳統(tǒng)線性模型的預測性能,但是該方法需要從低維空間映射到高維空間,復雜度較高。深度學習的方法由于可以進一步地提高預測精度和降低復雜度,因此近年來受到了越來越多的重視。其中,參考文獻[11]提出了一種基于復值神經(jīng)網(wǎng)絡的信道預測方法,該方法主要利用線性調(diào)頻Z 變換獲取的信道估計訓練復值神經(jīng)網(wǎng)絡,從而實現(xiàn)時變信道的預測。與傳統(tǒng)的信道預測方法相比,該方法具有更高的預測精度,但是基于復值神經(jīng)網(wǎng)絡的預測方法的計算量比基于實值神經(jīng)網(wǎng)絡要高得多,因此具有較高的計算復雜度。參考文獻[12]給出了一種基于回聲狀態(tài)網(wǎng)絡的信道預測方法,該方法使用具有自反饋環(huán)的雙向環(huán)形內(nèi)部結(jié)構降低計算復雜度,實現(xiàn)快速信道預測。但是由于該方法權重矩陣初始化過于隨機,且不進行權重矩陣的更新,因此具有較低的信道預測精度。參考文獻[13]給出了一種基于反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡的信道預測方法,該方法利用稀疏樣本訓練BP 神經(jīng)網(wǎng)絡,并采用了早期停止策略防止過擬合,因此該方法具有較高的預測性能。但是,該方法采用隨機初始化方式訓練網(wǎng)絡,沒有考慮初始參數(shù)對預測性能的影響,故其預測精度有待進一步提高。

    為了解決以上問題,本文提出了一種適用于高速移動場景的基于深度學習的時變信道預測方法,該方法基于BP 神經(jīng)網(wǎng)絡進行線下訓練與線上預測。在線下訓練階段,為了降低BP 神經(jīng)網(wǎng)絡隨機初始化引起的性能損失,本文方法設計了一個預訓練方法來獲取期望的網(wǎng)絡初始值,然后基于該初始值對BP 網(wǎng)絡進行再次訓練。在線上預測階段,本文方法充分利用多輸入多輸出BP 神經(jīng)網(wǎng)絡,基于訓練網(wǎng)絡,實現(xiàn)未來單個以及多個時刻信道的預測。仿真結(jié)果表明,本文方法既具有較高的預測精度,又具有較低的計算復雜度。

    2 系統(tǒng)模型

    考慮一個單輸入單輸出(SISO)的高速移動正交頻分復用(orthogonal frequency division multiplexing,OFDM)系統(tǒng)(即SISO-OFDM 系統(tǒng)),假設Sm為頻域第m個發(fā)送的OFDM 符號,且Sm=[S(m,0),S(m,1), …,S(m,N?1)]T,其中,S(m,k)表示第m個OFDM 符號第k個子載波上的發(fā)送信號,N是OFDM 符號長度。對Sm進行N點IFFT 得到時域發(fā)送信號為:

    在HSR 通信環(huán)境中,由于基站均沿鐵軌附近建立,所以將存在一個很強的直射(line of sight,LOS)分量,因此在HSR 環(huán)境中通常采用萊斯信道作為信道模型[14-16],即:

    其中,α0(m,n)為信道的 LOS 徑分量,αl(m,n),l=1, …,L?1為散射分量徑,其服從瑞利分布,L為多徑萊斯信道的徑數(shù),τl是第l徑的歸一化時延,萊斯因子定義為

    假設循環(huán)前綴的長度大于無線傳輸信道的最大時延,且接收端考慮理想定時同步,則第m個OFDM 符號第n個采樣點的接收信號為:

    其中,z(m,n) 是均值為0、方差為的加性高斯白噪聲(AWGN)。由于在此考慮的每個OFDM符號的信道預測方法是一樣的,因此,下面的論述中將省略符號的序號標識m。

    3 新型的基于深度學習的信道預測方法

    本文方法主要分為預訓練、訓練與線上預測3 個部分。由于BP 神經(jīng)網(wǎng)絡是一種按照誤差逆向傳播算法訓練的多層前饋神經(jīng)網(wǎng)絡,具有非線性映射能力強、網(wǎng)絡結(jié)構簡單的特點[17],因此本文方法采用了BP 神經(jīng)網(wǎng)絡來進行時變信道預測。下面將對BP 神經(jīng)網(wǎng)絡及本文方法進行詳細的介紹。

    3.1 BP 神經(jīng)網(wǎng)絡

    一個多輸入多輸出的三層BP 網(wǎng)絡如圖1 所示,其包括一個輸入層、一個隱藏層和一個輸出層。假設該BP 神經(jīng)網(wǎng)絡的輸入層有D個神經(jīng)元,隱藏層有Q個神經(jīng)元,輸出層有P個神經(jīng)元。在此,定義該網(wǎng)絡的訓練樣本集合為:

    其中,U表示訓練樣本的個數(shù),是第u個輸入樣本向量,是第u個輸入樣本向量中的第d個元素,即第d個輸入神經(jīng)元上的值。表示第u個輸出樣本向量,是第u個輸出樣本向量中的第p個元素,即第p個輸出神經(jīng)元上的值。

    由于神經(jīng)網(wǎng)絡中任何節(jié)點的輸入值是前一層的神經(jīng)元的輸出乘以權重再加上閾值,然后由激活函數(shù)激活得到該節(jié)點的輸出值[18],因此,對于任意訓練樣本而言,第q個隱藏神經(jīng)元的輸出為:

    其中,g1(?)為隱藏層激活函數(shù),在此選擇Sigmoid函數(shù),即:

    為第q個隱藏神經(jīng)元的輸入:

    圖1 三層BP 神經(jīng)網(wǎng)絡示意圖

    其中,dx表示第d個輸入神經(jīng)元,Wd,q表示第q個隱藏神經(jīng)元與第d個輸入神經(jīng)元之間的權重,qξ為第q個隱藏神經(jīng)元的閾值。

    在BP 網(wǎng)絡的輸出層,第p個輸出神經(jīng)元的輸出為:

    其中,g2()?為輸出層激活函數(shù),在此選擇ReLU 函數(shù),即:

    是第p個輸出神經(jīng)元的輸入:

    其中,Vq,p為第q個隱藏層神經(jīng)元和第p個輸出層神經(jīng)元之間的權重,pθ為第p個輸出神經(jīng)元的閾值。

    本文將BP 網(wǎng)絡輸出與理想信道值h(n) 的均方誤差(MSE)作為損失函數(shù),采用梯度下降法更新權值與閾值矩陣,通過樣本訓練網(wǎng)絡,以使誤差滿足設定精度。

    3.2 基于BP 神經(jīng)網(wǎng)絡的信道預測方法

    由于復值神經(jīng)網(wǎng)絡的復雜度遠高于實值神經(jīng)網(wǎng)絡,因此本文將采用實值神經(jīng)網(wǎng)絡,即將復數(shù)樣本數(shù)據(jù)的實部與虛部進行分離,并進行樣本重塑以提高網(wǎng)絡預測的效率。本文方法主要分成預訓練、訓練和線上預測3 個階段,通過線下的預訓練與訓練處理獲取真實的信道預測模型,再利用線上預測實時獲取信道預測值。

    (1)預訓練階段

    為了降低BP 神經(jīng)網(wǎng)絡隨機初始化引起的性能損失,本文方法中引入了預訓練處理以獲取較優(yōu)的網(wǎng)絡權值與閾值。假設預訓練階段的訓練樣本集為Cp,即:

    其中,U表示預訓練樣本數(shù),表示預訓練階段第u個輸入輸出樣本集,其中,為輸入樣本,其表示估計信道參數(shù)h?(n) 中第u個采樣時刻和接下來的(D?1) 個采樣時刻的信道狀態(tài)信息;為輸出樣本,其表示理想信道參數(shù)h(n)中第(u+D)個采樣時刻以及之后的(P? 1)個采樣時刻的信道狀態(tài)信息,即:

    在預訓練階段,基于隨機初始化的網(wǎng)絡參數(shù),本文方法利用訓練樣本集Cp對BP 網(wǎng)絡進行訓練,得到具有權值參數(shù)為Wpre、Vpre和閾值參數(shù)為ξpre、θpre的神經(jīng)網(wǎng)絡。參考文獻[13]中也是基于BP 網(wǎng)絡實現(xiàn)信道預測,然而參考文獻[13]只有一次訓練迭代過程,且在訓練過程中隨機初始化網(wǎng)絡參數(shù),而本文方法中的預訓練方法使用了基于數(shù)據(jù)與導頻均已知情況下獲取的較理想的信道估計值進行網(wǎng)絡訓練,因此通過該方法獲得的BP 網(wǎng)絡參數(shù)可以作為訓練階段網(wǎng)絡的初始參數(shù),以避免網(wǎng)絡參數(shù)隨機初始化,使網(wǎng)絡收斂的更快。

    (2)訓練階段

    本文方法中訓練階段是在預訓練得到的BP網(wǎng)絡的基礎上繼續(xù)訓練網(wǎng)絡。假設訓練階段的訓練樣本集為CT,即:

    其中,U表示訓練樣本數(shù),表示訓練階段第u個輸入輸出樣本集,構造為:

    在訓練階段,采用預訓練階段獲得的權值參數(shù)Wpre、Vpre和閾值參數(shù)ξpre、θpre作為本階段BP網(wǎng)絡的初始參數(shù),利用訓練樣本集CT訓練該網(wǎng)絡,獲得最終的具有權值參數(shù)為Wtrain、Vtrain和閾值參數(shù)為ξtrain、θtrain的信道預測網(wǎng)絡模型。與預訓練階段不同的是,訓練階段的樣本是僅利用導頻和線性內(nèi)插得到的信道參數(shù),因為這種情況更符合真實的系統(tǒng);而預訓練階段是在數(shù)據(jù)和導頻均已知的情況下獲得的信道估計參數(shù),用準確性更高的數(shù)據(jù)進行預訓練,并作為訓練網(wǎng)絡的初始參數(shù),避免了網(wǎng)絡隨機初始化帶來的影響,同時也提高了預測的準確性。

    (3)線上預測階段

    本文方法中預測階段是利用訓練階段獲得的信道預測網(wǎng)絡模型,進行線上的信道預測的過程。在此,只需要給該網(wǎng)絡輸入前D個時刻的信道參數(shù)估計值xE,即可獲得之后P個時刻的信道預測值yE。其中:

    最終得到的信道預測值為:

    其中,Γ?1()?為Γ()? 的反操作,即將實數(shù)轉(zhuǎn)化為復數(shù)的操作。

    4 仿真與分析

    4.1 仿真

    為驗證本文方法的性能,本節(jié)將對該方法進行仿真與分析??紤]一個OFDM 系統(tǒng),其中FFT/IFFT 長度為128,循環(huán)前綴長度為16,采用梳狀導頻結(jié)構,導頻數(shù)目為32,且均勻分布。假設列車移動速度為500 km/h,信道采用多徑萊斯信道,萊斯因子為5。載波頻率考慮3.5 GHz,子載波間隔為15 kHz。樣本的采樣間隔Ts=0.72 ×10?4s 。網(wǎng)絡的輸入神經(jīng)元數(shù)目D= 20,隱藏層神經(jīng)元數(shù)目Q= 5。網(wǎng)絡的學習速率η=0.001,訓練的目標誤差εgoal= 1 ×10?4,最大迭代次數(shù)設置為1 000。仿真中,考慮的訓練樣本數(shù)U=5 000。為了比較本文方法的性能,仿真中還給出了參考文獻[6]、參考文獻[12]和參考文獻[13]中方法的性能,其中參考文獻[6]為基于AR模型的線性預測方法,參考文獻[12]為基于回聲狀態(tài)網(wǎng)絡的信道預測方法以及參考文獻[13]為傳統(tǒng)的基于BP神經(jīng)網(wǎng)絡的信道預測方法。

    不同訓練樣本數(shù)下本文方法與參考文獻[13]所需訓練時間的對比見表1。從表1 中可以看出,隨著樣本數(shù)的增加,兩種預測方法訓練網(wǎng)絡所需時間都會增加,且在同一樣本數(shù)量下,本文方法訓練網(wǎng)絡所需時間始終比參考文獻[13]要少,這是因為本文方法加入了預訓練處理,并將預訓練獲得的網(wǎng)絡參數(shù)作為BP 網(wǎng)絡訓練的初始參數(shù),促使訓練階段快速收斂。

    表1 本文方法與參考文獻[13]訓練不同數(shù)量樣本所需時間(單位:s)

    不同信噪比下各種信道預測方法的MSE 性能曲線如圖2 所示。從圖2 中可以看出,隨著信噪比的增大,各種預測方法的預測性能將得到改善,且與傳統(tǒng)的信道預測方法相比,參考文獻[13]方法和本文方法可以取得更好的預測性能,更加接近理想值。然而,由于本文方法加入了預訓練處理,其為訓練階段提供了較為理想的網(wǎng)絡初始參數(shù),避免了參數(shù)的隨機初始化,因此本文方法較參考文獻[13]方法具有更好的性能。

    圖2 各種信道預測方法的MSE 性能

    在不同多普勒頻移下各種預測方法的MSE性能曲線如圖3 所示。從圖3 中可以看出,隨著多普勒頻移的增大,各種方法的MSE 性能均會變差,但本文方法的MSE 性能始終要優(yōu)于其他文獻的方法,這是因為本文方法增加了預訓練階段,充分利用了信道狀態(tài)信息,使用了基于數(shù)據(jù)與導頻均已知情況下獲取的較理想的信道估計值進行網(wǎng)絡訓練,對時變信道進行了二次訓練,增強了預測網(wǎng)絡的準確性和魯棒性,與參考文獻[13]相比,能更好地適應時變信道狀態(tài)特征,因此,本文方法能更好地適應多普勒頻移的變化,具有更強的適用性。

    在不同信噪比下本文方法與參考文獻[13]實現(xiàn)多時刻預測的MSE 性能曲線如圖4 所示。從圖4中可以看出,無論是單時刻預測還是多時刻預測,隨著信噪比的增加,本文方法與參考文獻[13]方法的MSE 性能均會變好,且當信噪比增加到一定程度,本文方法的預測性能趨于穩(wěn)定,利用本文方法進行信道預測的MSE 性能曲線在誤差可允許的范圍內(nèi)略微浮動,但總體保持在穩(wěn)定水平。但是,隨著預測時刻數(shù)的增加,兩種方法的MSE 性能均會變差,這是因為隨著時間間隔的增大,信道的相關性逐漸減弱[19],因而多時刻預測的MSE 性能將隨著預測時刻數(shù)的增加而變差。然而,本文方法的性能始終要優(yōu)于參考文獻[13]方法,這也說明與現(xiàn)有方法相比,本文方法可以更好地實現(xiàn)信道的多時刻預測功能。

    在不同信噪比下本文方法與參考文獻[13]方法基于不同隱藏層結(jié)構實現(xiàn)信道預測的MSE 性能曲線如圖5 所示。從圖5 中可以看出,無論基于何種隱藏層結(jié)構,隨著信噪比的增加,本文方法與參考文獻[13]方法的MSE 性能均會變好。但是,增加隱藏層的層數(shù)對信道預測性能的改善效果不及增加隱藏層神經(jīng)元數(shù),因此,可通過適當增加隱藏層神經(jīng)元數(shù)改善預測性能。然而,在相同隱藏層結(jié)構下,本文方法的MSE 性能始終要優(yōu)于參考文獻[13]的方法,這說明本文方法對實現(xiàn)信道預測具有優(yōu)越性。

    圖3 不同多普勒頻移下各種信道預測方法的MSE 性能

    圖5 不同隱層結(jié)構下本文方法與參考文獻[13]方法的MSE 性能

    4.2 復雜度分析

    本節(jié)將主要對第4.1 節(jié)中仿真的幾種信道預測方法的計算復雜度進行分析。參考文獻[6]中傳統(tǒng)的基于AR 模型的預測方法的計算復雜度是O(NAR),其中,NAR表示AR 的迭代次數(shù)。由于基于深度學習的信道預測方法線下訓練完網(wǎng)絡后,網(wǎng)絡模型就確定了,網(wǎng)絡參數(shù)不再改變,為此基于深度學習的信道預測方法只考慮線上實時預測的計算復雜度。因此,參考文獻[12]的計算復雜度是O(max(M,Nnz,N)),其中,M表示輸入變量數(shù),Nnz表示中間層權重矩陣的非零元素的個數(shù),N表示中間層的變量數(shù);本文方法和參考文獻[13]方法線上預測階段的計算復雜度均是O(max(D×Q,Q×P)),其中,D、P、Q分別是神經(jīng)網(wǎng)絡的輸入層、隱藏層和輸出層的神經(jīng)元數(shù)目。參考文獻[13]的線下訓練階段的計算復雜度是其中,表示網(wǎng)絡訓練過程中的迭代次數(shù)。本文方法在線下預訓練階段和訓練階段的計算復雜度均為這是因為本文方法在預訓練階段與訓練階段共經(jīng)歷兩次訓練迭代過程,參考文獻[13]方法線下只經(jīng)歷一次訓練迭代過程,因此線下過程本文方法復雜度較參考文獻[13]有所增加。但兩種方法在線上實時預測階段的復雜度是相當?shù)?,因此,在只考慮線上階段復雜度的情況下,本文方法較參考文獻[13]方法在性能方面提升了,而復雜度卻沒有增加。

    根據(jù)上述分析,不同信道預測方法復雜度的比較見表2。從表2 中可以看出:參考文獻[6]方法的計算復雜度最低,但是其預測性能最差;參考文獻[12]方法計算復雜度次之,參考文獻[13]方法與本文方法的計算復雜度最高,但本文方法與參考文獻[13]的預測性能遠遠優(yōu)于參考文獻[6]與參考文獻[12]。雖然本文方法的計算復雜度與參考文獻[13]的相同,但是本文方法具有更優(yōu)的預測性能。另外,由于本文方法考慮的神經(jīng)元的數(shù)目非常少(例如,D=10,Q=5,P=1),因此本文方法的計算復雜度在實際運用中也是可以接受的。

    表2 不同信道預測方法的復雜度比較

    5 結(jié)束語

    針對高速移動場景,本文提出了一種適用于OFDM 系統(tǒng)的基于深度學習的時變信道預測方法。本文方法在BP 神經(jīng)網(wǎng)絡的基礎上,通過預訓練、訓練和線上預測處理,實現(xiàn)了時變信道的高精度預測。另外,本文方法通過改變輸出神經(jīng)元的個數(shù)重新訓練網(wǎng)絡,可以實現(xiàn)時變信道的多時刻預測,這不僅提高了信道預測的精度,降低了計算的復雜度,同時還提高了系統(tǒng)的預測效率,有效地節(jié)約了系統(tǒng)資源,是一種具有高有效性和可靠性的時變信道預測方法。

    猜你喜歡
    復雜度信道參考文獻
    The Muted Lover and the Singing Poet:Ekphrasis and Gender in the Canzoniere*
    一種低復雜度的慣性/GNSS矢量深組合方法
    求圖上廣探樹的時間復雜度
    Study on the physiological function and application of γ—aminobutyric acid and its receptors
    東方教育(2016年4期)2016-12-14 13:52:48
    基于導頻的OFDM信道估計技術
    某雷達導51 頭中心控制軟件圈復雜度分析與改進
    一種改進的基于DFT-MMSE的信道估計方法
    出口技術復雜度研究回顧與評述
    基于MED信道選擇和虛擬嵌入塊的YASS改進算法
    The Review of the Studies of Trilingual Education in inghai
    亚洲精品456在线播放app| 国产精品爽爽va在线观看网站| 亚洲精品,欧美精品| 免费高清在线观看视频在线观看| 黄色欧美视频在线观看| av国产久精品久网站免费入址| 舔av片在线| 最新中文字幕久久久久| 麻豆久久精品国产亚洲av| 黄色日韩在线| 看黄色毛片网站| av线在线观看网站| 五月天丁香电影| 久久久久精品性色| 丝袜美腿在线中文| 免费看美女性在线毛片视频| 久久久久久久久久黄片| 爱豆传媒免费全集在线观看| 国产真实伦视频高清在线观看| av网站免费在线观看视频 | 丝瓜视频免费看黄片| 国产成人aa在线观看| 国产麻豆成人av免费视频| 亚洲四区av| 欧美性感艳星| 九色成人免费人妻av| 国产精品av视频在线免费观看| 成年女人看的毛片在线观看| 午夜免费男女啪啪视频观看| 亚洲av中文字字幕乱码综合| 精品国内亚洲2022精品成人| 亚洲av电影不卡..在线观看| 少妇熟女欧美另类| videossex国产| 免费大片18禁| 听说在线观看完整版免费高清| 久久人人爽人人爽人人片va| 搡老乐熟女国产| 国产成人精品婷婷| 午夜亚洲福利在线播放| 最近视频中文字幕2019在线8| 国产精品女同一区二区软件| 久久久久久久久大av| 在线观看一区二区三区| 欧美日韩精品成人综合77777| 全区人妻精品视频| 日本免费在线观看一区| 亚洲无线观看免费| 中国美白少妇内射xxxbb| 可以在线观看毛片的网站| 亚洲国产精品国产精品| 99久国产av精品| 精品亚洲乱码少妇综合久久| 九九爱精品视频在线观看| 99热这里只有是精品在线观看| 简卡轻食公司| 午夜免费激情av| av卡一久久| 综合色丁香网| 欧美另类一区| 黑人高潮一二区| 丰满人妻一区二区三区视频av| 最近最新中文字幕免费大全7| 精品一区二区免费观看| 我的女老师完整版在线观看| 亚洲欧美成人综合另类久久久| 亚洲怡红院男人天堂| 男人舔奶头视频| 亚洲激情五月婷婷啪啪| 熟女电影av网| www.av在线官网国产| 看黄色毛片网站| 免费少妇av软件| 乱码一卡2卡4卡精品| 中文字幕人妻熟人妻熟丝袜美| 欧美日韩亚洲高清精品| 精品久久久久久成人av| 国产黄色视频一区二区在线观看| 成人av在线播放网站| 国产精品熟女久久久久浪| 五月天丁香电影| 久久久久精品性色| 97精品久久久久久久久久精品| 男人狂女人下面高潮的视频| 国产一级毛片在线| 久久久久九九精品影院| 亚洲国产成人一精品久久久| 国产精品麻豆人妻色哟哟久久 | 国产免费福利视频在线观看| 三级男女做爰猛烈吃奶摸视频| 久久久久久久久久成人| 赤兔流量卡办理| 日韩在线高清观看一区二区三区| kizo精华| 小蜜桃在线观看免费完整版高清| 99热这里只有是精品50| 成人漫画全彩无遮挡| 亚洲美女视频黄频| 亚洲熟女精品中文字幕| 久久99精品国语久久久| 国产永久视频网站| 久久久久久九九精品二区国产| 大话2 男鬼变身卡| av在线蜜桃| 日本免费在线观看一区| 亚洲成人av在线免费| 看免费成人av毛片| 中文字幕av在线有码专区| 夜夜爽夜夜爽视频| 成人欧美大片| 日韩电影二区| 欧美97在线视频| 亚洲av成人精品一区久久| 国产在线一区二区三区精| 国产精品伦人一区二区| 免费看av在线观看网站| 三级国产精品片| 久久人人爽人人片av| 国产美女午夜福利| 女人被狂操c到高潮| 中文字幕免费在线视频6| 精品人妻一区二区三区麻豆| 久久久久久久大尺度免费视频| 午夜福利成人在线免费观看| 女的被弄到高潮叫床怎么办| 中文字幕制服av| videos熟女内射| 久久精品国产亚洲av天美| 精品亚洲乱码少妇综合久久| 中文字幕人妻熟人妻熟丝袜美| 国产大屁股一区二区在线视频| 亚洲人成网站在线观看播放| 午夜视频国产福利| 97超碰精品成人国产| 免费大片黄手机在线观看| .国产精品久久| 亚洲激情五月婷婷啪啪| 中文欧美无线码| 美女国产视频在线观看| 国产精品日韩av在线免费观看| 18禁在线播放成人免费| av国产久精品久网站免费入址| 国产片特级美女逼逼视频| 成人二区视频| 国产精品麻豆人妻色哟哟久久 | 菩萨蛮人人尽说江南好唐韦庄| 国产一区亚洲一区在线观看| 麻豆国产97在线/欧美| 最近中文字幕高清免费大全6| 国产精品久久久久久av不卡| 能在线免费看毛片的网站| 最近手机中文字幕大全| 亚洲欧美中文字幕日韩二区| 国产单亲对白刺激| 亚洲三级黄色毛片| 亚洲欧美日韩东京热| 精品国产一区二区三区久久久樱花 | 日韩在线高清观看一区二区三区| 少妇熟女aⅴ在线视频| 一个人看的www免费观看视频| 亚洲成色77777| 亚洲av中文av极速乱| 少妇被粗大猛烈的视频| 国产国拍精品亚洲av在线观看| 99热网站在线观看| 国产 亚洲一区二区三区 | 亚洲精品日韩av片在线观看| 少妇熟女aⅴ在线视频| 国产精品人妻久久久久久| 中文字幕人妻熟人妻熟丝袜美| 国产一区有黄有色的免费视频 | 欧美三级亚洲精品| 男女啪啪激烈高潮av片| 久久精品夜夜夜夜夜久久蜜豆| 美女黄网站色视频| 搡老妇女老女人老熟妇| 精品欧美国产一区二区三| 尤物成人国产欧美一区二区三区| 内射极品少妇av片p| 高清午夜精品一区二区三区| 肉色欧美久久久久久久蜜桃 | 哪个播放器可以免费观看大片| 国国产精品蜜臀av免费| 好男人在线观看高清免费视频| 精品亚洲乱码少妇综合久久| 亚洲人成网站高清观看| 日韩在线高清观看一区二区三区| 国产精品.久久久| 三级国产精品欧美在线观看| 国产一区二区在线观看日韩| 日日撸夜夜添| 狂野欧美激情性xxxx在线观看| 一个人观看的视频www高清免费观看| 日韩 亚洲 欧美在线| 亚洲国产精品国产精品| 午夜久久久久精精品| 成人午夜精彩视频在线观看| 白带黄色成豆腐渣| 夜夜看夜夜爽夜夜摸| 国产爱豆传媒在线观看| 国产精品福利在线免费观看| 中文精品一卡2卡3卡4更新| 18禁在线无遮挡免费观看视频| 欧美 日韩 精品 国产| 一个人看视频在线观看www免费| 亚洲精品乱码久久久久久按摩| 久久人人爽人人爽人人片va| 插阴视频在线观看视频| 午夜福利成人在线免费观看| 国产精品一区二区三区四区免费观看| 亚洲精品成人久久久久久| 日韩伦理黄色片| 国产国拍精品亚洲av在线观看| 校园人妻丝袜中文字幕| 亚洲最大成人手机在线| 啦啦啦啦在线视频资源| 国产综合懂色| 日韩成人伦理影院| 国产有黄有色有爽视频| 自拍偷自拍亚洲精品老妇| 最新中文字幕久久久久| 国产成人福利小说| 午夜精品在线福利| 午夜久久久久精精品| 大香蕉久久网| 日日啪夜夜撸| 床上黄色一级片| 国产老妇伦熟女老妇高清| 蜜桃久久精品国产亚洲av| 国产精品不卡视频一区二区| 免费av观看视频| 中文资源天堂在线| 内射极品少妇av片p| 少妇熟女aⅴ在线视频| 免费大片黄手机在线观看| 亚洲精品久久久久久婷婷小说| 九九久久精品国产亚洲av麻豆| 精品久久久精品久久久| 国产 一区 欧美 日韩| 亚洲电影在线观看av| 亚洲av免费在线观看| 国模一区二区三区四区视频| 一级毛片aaaaaa免费看小| 日产精品乱码卡一卡2卡三| 深爱激情五月婷婷| 天美传媒精品一区二区| 久久99热6这里只有精品| 在线播放无遮挡| 国产真实伦视频高清在线观看| 97超视频在线观看视频| 超碰av人人做人人爽久久| 美女cb高潮喷水在线观看| 久久久久久久国产电影| 80岁老熟妇乱子伦牲交| 国产成人精品福利久久| 久久久午夜欧美精品| 成人漫画全彩无遮挡| 亚洲国产成人一精品久久久| 尾随美女入室| av.在线天堂| 看非洲黑人一级黄片| 亚洲av电影在线观看一区二区三区 | 亚洲av成人精品一二三区| 亚洲国产最新在线播放| 免费黄频网站在线观看国产| 欧美xxⅹ黑人| 一边亲一边摸免费视频| 在线 av 中文字幕| 99久久精品一区二区三区| 亚洲精品亚洲一区二区| 国产亚洲午夜精品一区二区久久 | 国产视频内射| 国产亚洲精品av在线| 国产精品综合久久久久久久免费| 2018国产大陆天天弄谢| 亚洲成人久久爱视频| 成人午夜精彩视频在线观看| 中文字幕av成人在线电影| 久久精品综合一区二区三区| 免费黄色在线免费观看| 国产又色又爽无遮挡免| 亚洲真实伦在线观看| 18禁在线播放成人免费| 国产精品伦人一区二区| 天天一区二区日本电影三级| 日韩精品有码人妻一区| 久久久久九九精品影院| 少妇的逼水好多| 国产伦精品一区二区三区视频9| 美女cb高潮喷水在线观看| 精品久久久久久久人妻蜜臀av| 蜜臀久久99精品久久宅男| 一级毛片我不卡| 少妇的逼水好多| 国产极品天堂在线| 深爱激情五月婷婷| 国产一级毛片在线| 欧美不卡视频在线免费观看| 日韩伦理黄色片| 久久久久九九精品影院| 国产大屁股一区二区在线视频| 肉色欧美久久久久久久蜜桃 | 国产精品日韩av在线免费观看| 日本黄色片子视频| 中文资源天堂在线| 搡女人真爽免费视频火全软件| 亚洲aⅴ乱码一区二区在线播放| 日韩欧美国产在线观看| 91午夜精品亚洲一区二区三区| 美女主播在线视频| 日韩av在线大香蕉| 在线免费观看不下载黄p国产| 国产一区有黄有色的免费视频 | 亚洲欧美日韩无卡精品| 91久久精品国产一区二区三区| 亚洲最大成人手机在线| 成年女人在线观看亚洲视频 | 啦啦啦韩国在线观看视频| 天堂中文最新版在线下载 | 夜夜看夜夜爽夜夜摸| 亚洲av免费在线观看| 成人av在线播放网站| 免费黄频网站在线观看国产| 伊人久久精品亚洲午夜| 免费高清在线观看视频在线观看| 国产国拍精品亚洲av在线观看| 一本久久精品| 精品久久久噜噜| 欧美区成人在线视频| 亚洲精品日韩av片在线观看| 亚洲欧洲日产国产| 99热这里只有是精品在线观看| 观看免费一级毛片| 在线a可以看的网站| 免费播放大片免费观看视频在线观看| 天美传媒精品一区二区| 亚洲国产成人一精品久久久| 精品国产露脸久久av麻豆 | 一级二级三级毛片免费看| 少妇熟女欧美另类| 18+在线观看网站| 国产永久视频网站| 国产成人福利小说| 乱系列少妇在线播放| 精品国内亚洲2022精品成人| 国产午夜福利久久久久久| 免费不卡的大黄色大毛片视频在线观看 | 国产片特级美女逼逼视频| 在线观看人妻少妇| 色网站视频免费| 日韩精品有码人妻一区| 国产成人a∨麻豆精品| 亚洲国产成人一精品久久久| 免费看光身美女| 国产 一区精品| 久久综合国产亚洲精品| 超碰97精品在线观看| 91狼人影院| 亚洲乱码一区二区免费版| 欧美性猛交╳xxx乱大交人| 久久人人爽人人片av| 免费看不卡的av| 国产极品天堂在线| 国产精品爽爽va在线观看网站| 成人av在线播放网站| 中文字幕久久专区| 国产精品综合久久久久久久免费| 777米奇影视久久| 亚洲国产色片| 午夜免费观看性视频| 久久热精品热| 日韩强制内射视频| a级毛色黄片| 一个人看视频在线观看www免费| 日韩中字成人| 午夜福利视频精品| 亚洲国产成人一精品久久久| 99re6热这里在线精品视频| 日本色播在线视频| 日本爱情动作片www.在线观看| 国产久久久一区二区三区| 国产女主播在线喷水免费视频网站 | 国产精品久久久久久av不卡| 成人亚洲精品av一区二区| 岛国毛片在线播放| av又黄又爽大尺度在线免费看| 国产亚洲精品久久久com| 欧美一级a爱片免费观看看| 久久精品人妻少妇| 国产视频首页在线观看| 久热久热在线精品观看| 看免费成人av毛片| 亚洲av免费在线观看| 一级毛片我不卡| av专区在线播放| 日本-黄色视频高清免费观看| 丰满人妻一区二区三区视频av| 一本一本综合久久| 国产激情偷乱视频一区二区| 亚洲激情五月婷婷啪啪| 国产精品日韩av在线免费观看| 国产精品国产三级国产专区5o| 内射极品少妇av片p| 在线免费观看的www视频| 非洲黑人性xxxx精品又粗又长| 看免费成人av毛片| av又黄又爽大尺度在线免费看| 青春草国产在线视频| 亚洲电影在线观看av| 中国国产av一级| 亚洲精品456在线播放app| 波野结衣二区三区在线| 国产成人精品婷婷| 99热6这里只有精品| 日韩国内少妇激情av| 少妇丰满av| 在线 av 中文字幕| 91狼人影院| 国产精品一及| 午夜激情欧美在线| 黄色配什么色好看| 亚洲伊人久久精品综合| 三级国产精品片| 免费av不卡在线播放| 久久久久久久午夜电影| 蜜桃久久精品国产亚洲av| 街头女战士在线观看网站| 午夜老司机福利剧场| 亚洲国产日韩欧美精品在线观看| 26uuu在线亚洲综合色| 亚洲综合精品二区| 久久鲁丝午夜福利片| 国产精品国产三级国产av玫瑰| 国产69精品久久久久777片| 白带黄色成豆腐渣| av女优亚洲男人天堂| 国产精品一区二区在线观看99 | 99久久中文字幕三级久久日本| 99久国产av精品| 2021天堂中文幕一二区在线观| 亚洲人与动物交配视频| 永久免费av网站大全| 亚洲欧美清纯卡通| 大陆偷拍与自拍| 一区二区三区免费毛片| 成人亚洲精品一区在线观看 | 亚洲av中文字字幕乱码综合| 国产成人免费观看mmmm| 超碰97精品在线观看| 午夜福利高清视频| 国语对白做爰xxxⅹ性视频网站| 日韩国内少妇激情av| 亚洲av电影在线观看一区二区三区 | 久久久色成人| 波野结衣二区三区在线| 啦啦啦中文免费视频观看日本| 成人一区二区视频在线观看| 成人国产麻豆网| 三级国产精品片| 人妻夜夜爽99麻豆av| 精品久久久久久久末码| 伦精品一区二区三区| 国产亚洲午夜精品一区二区久久 | 中文字幕久久专区| 国产伦精品一区二区三区视频9| 欧美丝袜亚洲另类| 全区人妻精品视频| 国产免费视频播放在线视频 | 乱人视频在线观看| 日韩电影二区| 97超视频在线观看视频| 高清毛片免费看| 久久国产乱子免费精品| 三级毛片av免费| 国产免费福利视频在线观看| 一区二区三区免费毛片| 少妇熟女aⅴ在线视频| 乱人视频在线观看| 啦啦啦韩国在线观看视频| 七月丁香在线播放| 久久久久久久国产电影| av播播在线观看一区| 亚洲欧美中文字幕日韩二区| 亚洲国产高清在线一区二区三| 国产免费视频播放在线视频 | 18禁在线播放成人免费| 国产激情偷乱视频一区二区| 亚洲自偷自拍三级| 久久久久久久久久久丰满| 97人妻精品一区二区三区麻豆| 秋霞在线观看毛片| 久久久久久九九精品二区国产| 日本一二三区视频观看| 国产黄片美女视频| 欧美zozozo另类| 不卡视频在线观看欧美| 国产精品爽爽va在线观看网站| 亚洲在线观看片| 国产精品av视频在线免费观看| 亚洲成人一二三区av| 免费高清在线观看视频在线观看| 国产老妇伦熟女老妇高清| 免费无遮挡裸体视频| 丝袜美腿在线中文| h日本视频在线播放| 亚洲精品影视一区二区三区av| 内射极品少妇av片p| 欧美性感艳星| 在线播放无遮挡| 淫秽高清视频在线观看| 午夜精品一区二区三区免费看| 精品久久久久久电影网| 中文字幕亚洲精品专区| 精华霜和精华液先用哪个| 国产单亲对白刺激| 中文欧美无线码| 久久精品久久久久久久性| 蜜臀久久99精品久久宅男| 少妇人妻精品综合一区二区| 精品人妻偷拍中文字幕| 精品一区二区三区视频在线| 亚洲欧美一区二区三区黑人 | 深爱激情五月婷婷| 国产精品不卡视频一区二区| 国产成人福利小说| 欧美潮喷喷水| 夫妻午夜视频| 久久久精品免费免费高清| 有码 亚洲区| 久久精品熟女亚洲av麻豆精品 | 在线免费十八禁| 亚洲第一区二区三区不卡| 日本一二三区视频观看| 国产精品久久久久久久电影| 亚洲综合精品二区| 肉色欧美久久久久久久蜜桃 | 国产精品久久久久久精品电影小说 | 美女xxoo啪啪120秒动态图| 欧美高清成人免费视频www| 淫秽高清视频在线观看| 赤兔流量卡办理| av一本久久久久| 国产精品人妻久久久久久| 亚洲最大成人av| 中文资源天堂在线| 一级毛片久久久久久久久女| 欧美+日韩+精品| 超碰av人人做人人爽久久| 熟妇人妻久久中文字幕3abv| 观看美女的网站| 看免费成人av毛片| 91久久精品国产一区二区成人| 人妻制服诱惑在线中文字幕| 日本av手机在线免费观看| 国产一区二区三区综合在线观看 | 中文字幕人妻熟人妻熟丝袜美| 亚洲国产精品专区欧美| 中文在线观看免费www的网站| 日日撸夜夜添| 亚洲av成人精品一区久久| 午夜激情久久久久久久| 国产午夜精品一二区理论片| 欧美性猛交╳xxx乱大交人| 日韩成人伦理影院| 成人午夜高清在线视频| .国产精品久久| 男插女下体视频免费在线播放| 寂寞人妻少妇视频99o| 精品一区二区三区视频在线| 国产精品综合久久久久久久免费| 国产精品美女特级片免费视频播放器| 亚洲av中文av极速乱| 99热这里只有是精品在线观看| 深夜a级毛片| 免费黄网站久久成人精品| 久久99热这里只有精品18| 最近最新中文字幕大全电影3| 又粗又硬又长又爽又黄的视频| 成人午夜精彩视频在线观看| 久久久精品欧美日韩精品| 一个人看视频在线观看www免费| 日韩av在线大香蕉| 美女脱内裤让男人舔精品视频| 精品欧美国产一区二区三| 国产乱人视频| 麻豆乱淫一区二区| 亚洲成人中文字幕在线播放| 亚洲美女搞黄在线观看| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 久久久a久久爽久久v久久| 亚洲av成人av| kizo精华| 国产免费视频播放在线视频 | 亚洲av免费高清在线观看| 亚洲精品亚洲一区二区| 亚洲国产成人一精品久久久| 日本色播在线视频| 国产在视频线在精品| 国产一区二区亚洲精品在线观看| 尾随美女入室| 毛片一级片免费看久久久久| 成年女人看的毛片在线观看| 日韩 亚洲 欧美在线| 国产av在哪里看| 女的被弄到高潮叫床怎么办| 久久久久精品久久久久真实原创| 尤物成人国产欧美一区二区三区| 亚洲熟妇中文字幕五十中出| 小蜜桃在线观看免费完整版高清| 91在线精品国自产拍蜜月| 九草在线视频观看| 毛片女人毛片| 国产精品国产三级专区第一集| 亚洲美女搞黄在线观看| 菩萨蛮人人尽说江南好唐韦庄|