• <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
    一级黄色大片毛片| 国产日本99.免费观看| 亚洲熟妇熟女久久| 有码 亚洲区| 国产欧美日韩精品亚洲av| 国产不卡一卡二| 人人妻人人澡欧美一区二区| 在线观看av片永久免费下载| 神马国产精品三级电影在线观看| 国产极品精品免费视频能看的| 一个人看视频在线观看www免费| 久久久久免费精品人妻一区二区| 在线播放无遮挡| 午夜日韩欧美国产| 又黄又爽又刺激的免费视频.| 国产又黄又爽又无遮挡在线| 中文在线观看免费www的网站| 国内久久婷婷六月综合欲色啪| 成人二区视频| 亚洲av不卡在线观看| 成人亚洲精品av一区二区| 成年免费大片在线观看| 干丝袜人妻中文字幕| 国产视频内射| 日本黄色片子视频| 欧美3d第一页| 性欧美人与动物交配| 狂野欧美白嫩少妇大欣赏| 久久久国产成人免费| 男人的好看免费观看在线视频| 中国美女看黄片| 免费看美女性在线毛片视频| 免费av毛片视频| 亚洲av美国av| 亚洲熟妇中文字幕五十中出| 亚洲精品粉嫩美女一区| 日本精品一区二区三区蜜桃| 国国产精品蜜臀av免费| 男女边吃奶边做爰视频| 波多野结衣高清作品| 麻豆国产97在线/欧美| 露出奶头的视频| 他把我摸到了高潮在线观看| 国产精品国产三级国产av玫瑰| 国产精品,欧美在线| 久久精品国产清高在天天线| 亚洲一级一片aⅴ在线观看| 久久中文看片网| 高清日韩中文字幕在线| 日韩欧美一区二区三区在线观看| 午夜a级毛片| 男人舔女人下体高潮全视频| 最新中文字幕久久久久| 久久精品夜夜夜夜夜久久蜜豆| 亚洲精品日韩av片在线观看| 色在线成人网| 精华霜和精华液先用哪个| av国产免费在线观看| avwww免费| 一区福利在线观看| 搡女人真爽免费视频火全软件 | 一级av片app| 一卡2卡三卡四卡精品乱码亚洲| 97超级碰碰碰精品色视频在线观看| 亚洲一区高清亚洲精品| 亚洲精品456在线播放app | 婷婷精品国产亚洲av在线| 1000部很黄的大片| 人妻夜夜爽99麻豆av| 两个人的视频大全免费| 亚洲一区二区三区色噜噜| av在线蜜桃| 亚洲中文字幕一区二区三区有码在线看| 国产一级毛片七仙女欲春2| 国内精品美女久久久久久| 动漫黄色视频在线观看| 身体一侧抽搐| 婷婷精品国产亚洲av在线| 精华霜和精华液先用哪个| 国内揄拍国产精品人妻在线| 国产一区二区在线观看日韩| 3wmmmm亚洲av在线观看| 搡女人真爽免费视频火全软件 | 日韩中文字幕欧美一区二区| 女同久久另类99精品国产91| 国产精品久久久久久久电影| 悠悠久久av| 国产精品无大码| 深夜a级毛片| 91麻豆精品激情在线观看国产| 国产av不卡久久| 噜噜噜噜噜久久久久久91| 欧美性感艳星| 99国产精品一区二区蜜桃av| 亚洲国产精品成人综合色| 色av中文字幕| 亚洲最大成人av| 麻豆成人av在线观看| 一个人看视频在线观看www免费| 精品不卡国产一区二区三区| 91久久精品电影网| 亚洲精品日韩av片在线观看| 亚洲av美国av| 国产一区二区三区在线臀色熟女| 一个人观看的视频www高清免费观看| 精品一区二区三区视频在线| 久久99热6这里只有精品| 一本精品99久久精品77| 国产激情偷乱视频一区二区| 又黄又爽又免费观看的视频| 亚洲国产高清在线一区二区三| 亚洲av中文av极速乱 | 最近在线观看免费完整版| 在线看三级毛片| 国产精品一区二区免费欧美| 内射极品少妇av片p| 久久精品91蜜桃| 亚洲自拍偷在线| 高清日韩中文字幕在线| 狂野欧美激情性xxxx在线观看| 免费搜索国产男女视频| 国产美女午夜福利| 黄色丝袜av网址大全| 国产探花在线观看一区二区| 成人高潮视频无遮挡免费网站| 久久久久久九九精品二区国产| 草草在线视频免费看| 噜噜噜噜噜久久久久久91| 在线观看午夜福利视频| 国产麻豆成人av免费视频| 欧美高清性xxxxhd video| 欧美潮喷喷水| 少妇熟女aⅴ在线视频| 人妻夜夜爽99麻豆av| 亚洲精品日韩av片在线观看| 国产精品一区二区三区四区久久| 91久久精品国产一区二区三区| 成人午夜高清在线视频| 51国产日韩欧美| 亚洲第一电影网av| 亚洲午夜理论影院| 在线观看66精品国产| 午夜福利在线在线| 久久久久久伊人网av| 亚洲精品国产成人久久av| 丰满人妻一区二区三区视频av| av专区在线播放| 国产伦一二天堂av在线观看| 欧美高清成人免费视频www| 2021天堂中文幕一二区在线观| 人妻夜夜爽99麻豆av| 日韩欧美精品v在线| 久久久成人免费电影| 最近视频中文字幕2019在线8| 亚洲欧美清纯卡通| 一级av片app| av专区在线播放| 国产白丝娇喘喷水9色精品| 欧美日韩黄片免| 黄片wwwwww| 国产一区二区在线av高清观看| 久久6这里有精品| 可以在线观看的亚洲视频| 蜜桃久久精品国产亚洲av| 欧美日本视频| av.在线天堂| 久久精品久久久久久噜噜老黄 | 最近在线观看免费完整版| 极品教师在线视频| 美女被艹到高潮喷水动态| .国产精品久久| 午夜福利在线在线| 在线免费观看的www视频| 一个人免费在线观看电影| 最近在线观看免费完整版| 亚洲精品乱码久久久v下载方式| 可以在线观看毛片的网站| 变态另类成人亚洲欧美熟女| 国产精品久久久久久亚洲av鲁大| 一进一出好大好爽视频| 狂野欧美激情性xxxx在线观看| a在线观看视频网站| 亚洲精品456在线播放app | 日本精品一区二区三区蜜桃| 少妇猛男粗大的猛烈进出视频 | 亚洲人与动物交配视频| 如何舔出高潮| 日韩一区二区视频免费看| 国产精品98久久久久久宅男小说| 亚洲精品在线观看二区| 久久久久久伊人网av| 欧美一区二区亚洲| av女优亚洲男人天堂| 老师上课跳d突然被开到最大视频| 亚洲成av人片在线播放无| 国产午夜福利久久久久久| 国产伦精品一区二区三区视频9| 午夜亚洲福利在线播放| 日本 欧美在线| 干丝袜人妻中文字幕| 精品久久久久久久久久免费视频| 国产精品一区二区三区四区免费观看 | 免费观看的影片在线观看| 亚洲av电影不卡..在线观看| 色5月婷婷丁香| av天堂中文字幕网| 亚洲精品日韩av片在线观看| 国产精品日韩av在线免费观看| 高清毛片免费观看视频网站| 蜜桃亚洲精品一区二区三区| 免费人成在线观看视频色| 日韩中文字幕欧美一区二区| 搡女人真爽免费视频火全软件 | 男人舔奶头视频| 亚洲av.av天堂| 国产精品爽爽va在线观看网站| 18禁裸乳无遮挡免费网站照片| 夜夜夜夜夜久久久久| 亚洲三级黄色毛片| 国产精品98久久久久久宅男小说| 午夜福利18| 男女边吃奶边做爰视频| 男插女下体视频免费在线播放| 黄色丝袜av网址大全| 少妇高潮的动态图| 男人舔奶头视频| 国产精品一区二区三区四区久久| 久久天躁狠狠躁夜夜2o2o| 人妻久久中文字幕网| 91在线观看av| 悠悠久久av| 日本精品一区二区三区蜜桃| 在线观看午夜福利视频| 亚洲av电影不卡..在线观看| 久久久久久久久久成人| 久久精品人妻少妇| 国产国拍精品亚洲av在线观看| 免费搜索国产男女视频| 国产中年淑女户外野战色| 中文在线观看免费www的网站| 婷婷亚洲欧美| 精品人妻视频免费看| 少妇的逼好多水| 男插女下体视频免费在线播放| 蜜桃久久精品国产亚洲av| 国产在线男女| 欧美三级亚洲精品| 国产精品久久久久久精品电影| 91在线精品国自产拍蜜月| 欧美色欧美亚洲另类二区| 又黄又爽又刺激的免费视频.| 看十八女毛片水多多多| 午夜a级毛片| 亚洲aⅴ乱码一区二区在线播放| 三级毛片av免费| 成人精品一区二区免费| 1000部很黄的大片| 99热只有精品国产| 久久天躁狠狠躁夜夜2o2o| 九九爱精品视频在线观看| 老熟妇乱子伦视频在线观看| 日韩中字成人| 俄罗斯特黄特色一大片| 极品教师在线视频| 免费看光身美女| 日韩欧美精品v在线| 欧美性猛交黑人性爽| 99在线视频只有这里精品首页| 精品久久久久久久久久久久久| 黄色日韩在线| 少妇人妻一区二区三区视频| 免费大片18禁| 久久99热6这里只有精品| 午夜免费男女啪啪视频观看 | 精品一区二区三区人妻视频| 久久婷婷人人爽人人干人人爱| 两个人视频免费观看高清| 亚洲综合色惰| 免费人成视频x8x8入口观看| 欧美中文日本在线观看视频| 18+在线观看网站| 久久热精品热| 亚洲18禁久久av| 麻豆国产av国片精品| 国产探花在线观看一区二区| 亚洲专区中文字幕在线| 国产精品爽爽va在线观看网站| 午夜激情欧美在线| 亚洲午夜理论影院| 99国产极品粉嫩在线观看| 国产精品女同一区二区软件 | 国产女主播在线喷水免费视频网站 | 久久6这里有精品| 九九爱精品视频在线观看| 欧美不卡视频在线免费观看| 国产一区二区在线观看日韩| 亚洲欧美日韩卡通动漫| 麻豆精品久久久久久蜜桃| 在线播放无遮挡| 国产真实伦视频高清在线观看 | 亚洲国产日韩欧美精品在线观看| 人人妻人人澡欧美一区二区| 欧美日韩中文字幕国产精品一区二区三区| 韩国av在线不卡| 伦精品一区二区三区| 91av网一区二区| 亚洲七黄色美女视频| 国产精品久久电影中文字幕| 成人国产综合亚洲| 99久久精品热视频| 免费观看的影片在线观看| 亚洲三级黄色毛片| 一区二区三区激情视频| 亚洲综合色惰| 国产亚洲精品久久久com| 联通29元200g的流量卡| 欧美日韩黄片免| 在线免费观看的www视频| 久9热在线精品视频| 中文字幕高清在线视频| 亚洲真实伦在线观看| 午夜亚洲福利在线播放| 中文字幕免费在线视频6| 国产高清不卡午夜福利| 91麻豆精品激情在线观看国产| 国产亚洲av嫩草精品影院| 久久久久久久亚洲中文字幕| 国内精品美女久久久久久| 亚洲精品粉嫩美女一区| 亚洲成a人片在线一区二区| 日韩国内少妇激情av| 色噜噜av男人的天堂激情| 久久久久国内视频| 联通29元200g的流量卡| 神马国产精品三级电影在线观看| 国内毛片毛片毛片毛片毛片| 男人狂女人下面高潮的视频| 伦理电影大哥的女人| 少妇被粗大猛烈的视频| 亚洲精品久久国产高清桃花| 午夜精品一区二区三区免费看| 日韩人妻高清精品专区| 国产精品爽爽va在线观看网站| 啦啦啦啦在线视频资源| 亚洲经典国产精华液单| 香蕉av资源在线| 久久午夜亚洲精品久久| netflix在线观看网站| 3wmmmm亚洲av在线观看| 色精品久久人妻99蜜桃| 午夜精品一区二区三区免费看| 人妻夜夜爽99麻豆av| 国产精品精品国产色婷婷| 亚洲男人的天堂狠狠| 欧美三级亚洲精品| 亚洲狠狠婷婷综合久久图片| 男人狂女人下面高潮的视频| 黄色一级大片看看| 美女高潮喷水抽搐中文字幕| 国产成人aa在线观看| 中文资源天堂在线| 日本色播在线视频| 最后的刺客免费高清国语| 麻豆一二三区av精品| 精品久久久久久,| 性色avwww在线观看| 国产探花在线观看一区二区| 91午夜精品亚洲一区二区三区 | 国产精品不卡视频一区二区| 日韩中字成人| 毛片女人毛片| 91在线观看av| 精品国产三级普通话版| 日韩av在线大香蕉| 欧美高清性xxxxhd video| av天堂中文字幕网| avwww免费| 亚洲国产精品成人综合色| 欧美成人免费av一区二区三区| 国产乱人伦免费视频| 久久中文看片网| 1024手机看黄色片| 在线国产一区二区在线| 大型黄色视频在线免费观看| 露出奶头的视频| 如何舔出高潮| 婷婷亚洲欧美| 最新中文字幕久久久久| 日本 欧美在线| 亚洲久久久久久中文字幕| 小说图片视频综合网站| 88av欧美| 成人av在线播放网站| 日韩欧美在线乱码| 亚洲自拍偷在线| 午夜福利在线观看吧| 十八禁国产超污无遮挡网站| 日韩欧美 国产精品| a级毛片免费高清观看在线播放| 美女 人体艺术 gogo| 欧美激情国产日韩精品一区| 国产高清激情床上av| 国产欧美日韩一区二区精品| 啦啦啦韩国在线观看视频| 国产av在哪里看| 女人十人毛片免费观看3o分钟| 老师上课跳d突然被开到最大视频| 日韩欧美 国产精品| 久久久精品欧美日韩精品| 国产69精品久久久久777片| 伦精品一区二区三区| 国内精品宾馆在线| 成人美女网站在线观看视频| 中文字幕av成人在线电影| 天美传媒精品一区二区| 国内久久婷婷六月综合欲色啪| 亚洲中文字幕一区二区三区有码在线看| 免费不卡的大黄色大毛片视频在线观看 | 99久久精品热视频| 国内精品宾馆在线| 国产激情偷乱视频一区二区| 亚洲乱码一区二区免费版| 欧美黑人巨大hd| 国产在线精品亚洲第一网站| av天堂中文字幕网| 亚洲内射少妇av| 夜夜夜夜夜久久久久| 免费av不卡在线播放| 嫩草影院精品99| 国产综合懂色| 2021天堂中文幕一二区在线观| 亚洲va在线va天堂va国产| 欧美日韩国产亚洲二区| 国产精品国产三级国产av玫瑰| 亚洲成a人片在线一区二区| 亚洲第一区二区三区不卡| 国产黄色小视频在线观看| 人妻丰满熟妇av一区二区三区| 欧美一区二区亚洲| 99热6这里只有精品| 国产老妇女一区| 免费观看人在逋| av专区在线播放| 美女高潮喷水抽搐中文字幕| 国产亚洲精品久久久com| 熟妇人妻久久中文字幕3abv| 美女黄网站色视频| 男人狂女人下面高潮的视频| 国产高潮美女av| 午夜福利在线观看吧| 中国美白少妇内射xxxbb| 国产精品人妻久久久影院| 啦啦啦啦在线视频资源| 三级国产精品欧美在线观看| 夜夜爽天天搞| 搡老熟女国产l中国老女人| АⅤ资源中文在线天堂| 特大巨黑吊av在线直播| 国产乱人视频| 桃红色精品国产亚洲av| 黄色一级大片看看| 欧美性猛交黑人性爽| 国产又黄又爽又无遮挡在线| 精华霜和精华液先用哪个| x7x7x7水蜜桃| 1000部很黄的大片| 俺也久久电影网| 亚洲av五月六月丁香网| 欧美性猛交黑人性爽| 精品一区二区三区av网在线观看| 国产高清激情床上av| 亚洲精品456在线播放app | 成人无遮挡网站| 看免费成人av毛片| 久久久久久大精品| 亚洲人成网站高清观看| 久久久成人免费电影| 成熟少妇高潮喷水视频| 99久久久亚洲精品蜜臀av| 97热精品久久久久久| 日韩,欧美,国产一区二区三区 | 一级毛片久久久久久久久女| 亚洲在线自拍视频| 日日撸夜夜添| 国产av一区在线观看免费| 亚洲精品成人久久久久久| 在线看三级毛片| 亚洲专区中文字幕在线| 国产精品久久视频播放| 人妻制服诱惑在线中文字幕| 99九九线精品视频在线观看视频| 日韩大尺度精品在线看网址| 美女免费视频网站| 在线看三级毛片| 精品一区二区三区人妻视频| 男女视频在线观看网站免费| 看免费成人av毛片| 最近视频中文字幕2019在线8| 精品久久久久久久久久免费视频| 午夜a级毛片| 99久国产av精品| 日韩欧美精品v在线| 色视频www国产| 此物有八面人人有两片| 简卡轻食公司| av天堂中文字幕网| 中国美女看黄片| 国产乱人伦免费视频| 丝袜美腿在线中文| 两性午夜刺激爽爽歪歪视频在线观看| 欧美一区二区国产精品久久精品| 99热精品在线国产| 波多野结衣高清作品| 国产又黄又爽又无遮挡在线| 国产高清激情床上av| 人妻久久中文字幕网| 国产一区二区三区av在线 | 亚洲美女视频黄频| 亚洲av电影不卡..在线观看| 精华霜和精华液先用哪个| 两人在一起打扑克的视频| 亚洲精品一区av在线观看| 在线看三级毛片| 美女免费视频网站| 老司机午夜福利在线观看视频| 日本色播在线视频| 成人鲁丝片一二三区免费| 久久人人精品亚洲av| 美女高潮的动态| 国产午夜精品久久久久久一区二区三区 | 一级a爱片免费观看的视频| 91精品国产九色| 国产午夜精品久久久久久一区二区三区 | 亚洲成人精品中文字幕电影| 国产真实乱freesex| 国产精品综合久久久久久久免费| 别揉我奶头~嗯~啊~动态视频| 午夜福利高清视频| 精品人妻熟女av久视频| 成人毛片a级毛片在线播放| 国产欧美日韩一区二区精品| 亚洲电影在线观看av| 亚洲av免费高清在线观看| 国产精品一区二区性色av| 欧美色视频一区免费| av在线蜜桃| 久久久色成人| 91久久精品电影网| 午夜激情福利司机影院| 日韩精品青青久久久久久| 日韩 亚洲 欧美在线| 亚洲 国产 在线| 日本撒尿小便嘘嘘汇集6| av天堂在线播放| 亚洲一区高清亚洲精品| 精品人妻视频免费看| 91精品国产九色| 熟女人妻精品中文字幕| 麻豆久久精品国产亚洲av| 亚洲成人久久爱视频| 久久欧美精品欧美久久欧美| 夜夜夜夜夜久久久久| 精品人妻视频免费看| 精品久久久久久成人av| 久久精品夜夜夜夜夜久久蜜豆| 人妻久久中文字幕网| 男女做爰动态图高潮gif福利片| 亚洲精品乱码久久久v下载方式| 久久久久久伊人网av| 乱码一卡2卡4卡精品| 日韩欧美三级三区| 黄色欧美视频在线观看| 床上黄色一级片| 18+在线观看网站| 91在线精品国自产拍蜜月| 欧美不卡视频在线免费观看| 在线观看午夜福利视频| 99视频精品全部免费 在线| 春色校园在线视频观看| 成人av一区二区三区在线看| 一进一出抽搐动态| 色在线成人网| 亚洲avbb在线观看| 久久久成人免费电影| 亚洲人成网站高清观看| 国产av不卡久久| 欧美高清成人免费视频www| 校园人妻丝袜中文字幕| 欧美精品啪啪一区二区三区| 欧美成人一区二区免费高清观看| 成年女人看的毛片在线观看| 国产精品一区www在线观看 | 桃红色精品国产亚洲av| 12—13女人毛片做爰片一| 在线免费观看不下载黄p国产 | 麻豆精品久久久久久蜜桃| www日本黄色视频网| 直男gayav资源| 欧美黑人欧美精品刺激| 真人做人爱边吃奶动态| 超碰av人人做人人爽久久| 亚洲va日本ⅴa欧美va伊人久久| 亚洲精华国产精华精| 国产一区二区三区视频了| 非洲黑人性xxxx精品又粗又长| 美女免费视频网站| 久久精品国产鲁丝片午夜精品 | 十八禁国产超污无遮挡网站| 男女边吃奶边做爰视频| 国产精品99久久久久久久久| 一个人观看的视频www高清免费观看| 熟女电影av网| bbb黄色大片| 精华霜和精华液先用哪个| 午夜久久久久精精品|