• <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 ?

    基于多尺度金字塔池化的調(diào)制識別算法

    2023-01-14 05:57:30李泊含劉蕓江李艷福
    電光與控制 2022年12期
    關(guān)鍵詞:池化信噪比準確率

    李泊含, 劉蕓江, 李艷福

    (空軍工程大學信息與導航學院,西安 710000)

    0 引言

    隨著現(xiàn)代戰(zhàn)爭手段日益更新變革,不斷演化交替,2015年12月,美軍發(fā)布了名為《決勝電磁波:重拾美國電磁頻譜領(lǐng)域主宰地位》的研究報告,闡述了“低-零功率”電磁頻譜戰(zhàn)概念[1],在這之后,又不斷提出新概念,使得電磁頻譜在現(xiàn)代戰(zhàn)爭中成為繼陸、海、空、天、網(wǎng)絡(luò)(賽博)之后的第6個作戰(zhàn)域[2]。電磁頻譜資源是稀缺的自然資源,在軍民政共用的大環(huán)境下,電磁頻譜的高效管理和有效利用成為了研究熱點,而無線通信信號的調(diào)制識別和分類對于提高頻譜效率和解決頻譜短缺問題均有著重要意義[3]。在非協(xié)作通信中,發(fā)送端的信號相關(guān)信息,譬如調(diào)制方式等是未知的,因此長時間以來相關(guān)領(lǐng)域科研人員都在研究如何處理該類信號。

    自動調(diào)制識別(Automatic Modulation Recognition,AMR)是對接收信號解調(diào)前的一個處理過程[4],能夠有效處理非協(xié)作通信中所接收到的信號,對信號的調(diào)制類型進行分類,方便后續(xù)的解調(diào)工作。調(diào)制識別經(jīng)歷了從人工識別到自動識別[5]的發(fā)展歷程,之后發(fā)展出了基于假設(shè)檢驗的最大似然(Likelihood Based,LB)和基于特征提取(Featured Based,F(xiàn)B)的兩種識別方法[6]。其中,基于FB的識別方法由于所需先驗知識較少,因此計算量較小,從而得到了廣泛的研究和發(fā)展。而隨著人工智能(Artificial Intelligence,AI),機器學習(Machine Learning,ML)以及深度學習(Deep Learning,DL)等技術(shù)的出現(xiàn),相關(guān)研究人員將神經(jīng)網(wǎng)絡(luò)技術(shù)運用到了信號的調(diào)制識別方法中。

    卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)作為一種深層的包含卷積計算的前饋神經(jīng)網(wǎng)絡(luò),是一種熱門且流行的DL方法。時延神經(jīng)網(wǎng)絡(luò)(Time Delay Neural Network,TDNN)[7]于1989年被提出,這是第一種出現(xiàn)的卷積神經(jīng)網(wǎng)絡(luò),它由兩個隱含層構(gòu)成,能夠提取到語音特征并發(fā)現(xiàn)其與時間之間的關(guān)系。在這之后,CNN的優(yōu)良性能和泛化性能使得這種技術(shù)得到快速發(fā)展,并被廣泛應(yīng)用于語音處理、圖像處理以及信號處理等多個領(lǐng)域。早期,很多研究人員都采取直接將基帶信號送入神經(jīng)網(wǎng)絡(luò)中進行訓練識別[8-9]。PENG等[10]介紹了一種將信號轉(zhuǎn)換為星座圖并進行CNN訓練的方法,通過仿真對8種信號進行了測試,實驗證明,此方法能夠?qū)π盘栒{(diào)制方式進行有效識別;WANG等[11]結(jié)合了在不同數(shù)據(jù)集上訓練的兩個CNN。除了星座圖之外,還使用相位和正交樣本,在低信噪比的正交振幅調(diào)制(QAM)信號分類中獲得更好的結(jié)果。但是前人的研究方法在不同的場景條件下還存在一些問題,例如,對于數(shù)字調(diào)制信號與模擬調(diào)制信號的混合信號樣本識別率低、網(wǎng)絡(luò)模型泛化性能差以及提取特征能力較差等問題亟待解決。

    根據(jù)上述思路,本文在原有CNN的基礎(chǔ)上融入多尺度金字塔池化(Multi-Scale Pyramid Pooling,MSPP)提出MSPP-CNN算法。首先,根據(jù)真實的通信環(huán)境生成BPSK,QPSK,8PSK,16QAM,64QAM等11種不同的數(shù)字和模擬信號樣本。然后,結(jié)合多尺度金字塔池化(Multi-scale Pyramid Pooling,MSPP)進行MSPP-CNN網(wǎng)絡(luò)模型的優(yōu)化與設(shè)計,并對網(wǎng)絡(luò)模型進行不同信噪比條件下的自動調(diào)制識別訓練、測試。最后,通過仿真與其他傳統(tǒng)特征提取算法以及CNN算法的識別準確率做對比,驗證本文算法相較于其他算法具有更優(yōu)性能。

    1 基于CNN的自動調(diào)制識別

    1.1 自動調(diào)制識別

    目前,許多AMR算法被提出用于協(xié)助動態(tài)頻譜接入和智能頻譜管理,這些算法主要分為LB和FB兩大類。其中,F(xiàn)B類的算法可與機器學習或深度學習結(jié)合起來,圖1為傳統(tǒng)基于特征的AMR流程圖。

    圖1 基于特征的AMR流程圖Fig.1 Flow chart of FB-based AMR

    首先將接收到的已調(diào)信號輸入,對其進行特征提取,隨后,將提取出的特征代入所用分類器,如SVM[12]和KNN[13]等中進行訓練、測試,最終,識別出其調(diào)制方式,再輸出對其進行相應(yīng)的解調(diào)處理。

    然而,人工選擇信號特征是一個繁瑣的過程,為了解決這個問題,一些基于深度學習(DL)的AMR算法[14-15]被提出。與傳統(tǒng)的基于特征的算法相比,深度學習能夠自動提取特征并得到更好的性能。圖2所示為基于DL的AMR流程圖。

    圖2 基于DL的AMR流程圖Fig.2 Flow chart of DL-based AMR

    圖2所示算法對信號進行數(shù)據(jù)轉(zhuǎn)換和重構(gòu)等預處理,然后通過深度學習方法對數(shù)據(jù)進行訓練和學習,再進行測試,從而識別出信號的調(diào)制方式。

    深度學習方法中的卷積神經(jīng)網(wǎng)絡(luò)由于具有從高維非結(jié)構(gòu)化數(shù)據(jù)中提取代表性特征的良好能力而被廣泛應(yīng)用于AMR方法。調(diào)制分類的性能一般由識別準確率(Precision)來衡量,其算式為

    (1)

    式中:TP為真陽性(預測為正,實際為正);TN為真陰性;FP為假陽性;FN為假陰性。同時,調(diào)制識別的詳細結(jié)果可以用機器學習領(lǐng)域的混淆矩陣來表示。

    1.2 卷積神經(jīng)網(wǎng)絡(luò)

    CNN一般由卷積層和池化層兩部分組成。其中,卷積層又由卷積核、濾波器和特征圖組成,卷積核是二維的矩陣,具有加權(quán)輸入,并像神經(jīng)元一樣生成輸出;濾波器則是由多個卷積核組成的三維矩陣,多出的一維是通道;特征圖是應(yīng)用于前一層的一個濾波器的輸出。池化層對前一層的特征圖進行下采樣,通過遵循一系列卷積層來鞏固先前特征圖中的學習特征。故池化也可以被認為是一種壓縮和泛化特征表示的技術(shù),從而普遍減少模型過擬合現(xiàn)象。

    CNN中每一層輸出的特征圖上的像素點在原圖像上映射的區(qū)域大小被稱為感受野,因為每個神經(jīng)元只感受局部的圖像區(qū)域,在更高層再將這些感受不同局部的神經(jīng)元綜合起來,從而得到全局信息。通過這種方式減少連接的數(shù)目,即減少了神經(jīng)網(wǎng)絡(luò)需要訓練的權(quán)值參數(shù)的數(shù)量,亦被稱為權(quán)值共享。以上兩點使得CNN在訓練大數(shù)據(jù)集、提取特征效率上,相比其他神經(jīng)網(wǎng)絡(luò)具有更多的優(yōu)勢。

    1.3 信號的高階累積量

    在卷積神經(jīng)網(wǎng)絡(luò)中加入激活函數(shù)后,信號的表示變成非線性形式。一階、二階統(tǒng)計量不能夠完備地表示出信號的統(tǒng)計特征,即信息沒有全部包含在一、二階統(tǒng)計量中,更高階的統(tǒng)計量中也包含了大量有用的信息。而信號的高階累積量就是高階統(tǒng)計量中的一個主要統(tǒng)計量,本文對比的特征提取算法使用高階累積量作為樣本特征,k階累積量ckx(τ1,τ2,…,τk-1)的定義為

    ckx(τ1,τ2,…,τk-1)=

    cum(x(n),x(n+τ1),…,x(n+τk-1))

    (2)

    式中:x(n)為信號;cum(·)為累積函數(shù)。由此可得p階混合矩的概念,即

    Mpq=E[x(n)p-qx*(n)q]

    (3)

    式中:*表示共軛;q為不超過p/2的整數(shù)。由式(2)可得到各階累積量定義為

    (4)

    2 基于MSPP的自動調(diào)制識別

    本文設(shè)計了一種使用多尺度金字塔池化網(wǎng)絡(luò)的深度CNN模型來進行調(diào)制信號識別,網(wǎng)絡(luò)的深化可以對輸入特征抽象的層次更深入,對其理解的準確度相對來說也就更深。而為了更好地適應(yīng)深度的卷積神經(jīng)網(wǎng)絡(luò),同時,也為了得到更多的非線性因素,本文在傳統(tǒng)CNN模型的基礎(chǔ)上加入了批量歸一化層,并應(yīng)用了一種多尺度金字塔池化網(wǎng)絡(luò)。如圖3所示。

    圖3 MSPP-CNN網(wǎng)絡(luò)模型圖Fig.3 MSPP-CNN network model

    本文設(shè)計的模型由6個卷積層和1個全連接層組成,其中,除了最后一個卷積層外,每個卷積層后都有一個批量歸一化層、激活層和池化層。前5個卷積層使用校正線性單元(ReLU)激活函數(shù)和金字塔池化層處理樣本,在最后一個卷積層中,用平均池化層替代金字塔池化層來保留經(jīng)多次篩選過的信息特征。輸出使用軟最大輸出函數(shù)(Softmax)作為激活函數(shù)。算法流程如圖4所示。

    圖4 MSPP-CNN算法流程圖Fig.4 Flow chart of MSPP-CNN algorithm

    2.1 數(shù)學模型

    1≤i≤M-m+1,1≤j≤N-n+1。

    (5)

    同時,為了不丟失輸入圖像邊緣的許多重要信息,在進行卷積操作前,先采用SAME填充方式在圖像周圍填充像素點,降低信息的丟失率,對于一幅圖像大小為n×n且過濾器尺寸為f×f的SAME運算為

    [(n+2p)×(n+2p)]×(f×f)→
    (n+2p-f+1)×(n+2p-f+1)

    (6)

    式中,p=(f-1)/2。

    對信號進行卷積運算后,再進行池化處理。池化又稱為下采樣,是一種對特征進行降維從而減少參數(shù)、提升計算速度的方法,池化分為平均池化與最大池化:最大池化能夠盡可能多地篩選出有用的信息特征;平均池化能夠保留已篩選的有用信息。當對一個矩陣D進行下采樣時,先對其分塊,一般的分塊操作是不重疊的,其中,第ij個塊可以表示為

    (7)

    (8)

    (9)

    同時,本文采用的ReLU和Softmax兩個激活函數(shù)分別為

    ReLU(x)=max(0,x)

    (10)

    (11)

    2.2 多尺度金字塔池化

    多尺度金字塔池化(MSPP)是根據(jù)空間金字塔池化網(wǎng)絡(luò)(Spatial Pyramid Pooling Networks,SPP-Net)[16]結(jié)合信號調(diào)制識別的特點提出的一種池化技術(shù)。SPP-Net被用于提取非固定尺寸圖片特征的卷積神經(jīng)網(wǎng)絡(luò),使網(wǎng)絡(luò)可輸入任意圖片,并生成固定大小的輸出。與傳統(tǒng)CNN網(wǎng)絡(luò)不同,SPP-Net不需要對圖像進行剪裁或者包裹處理,而是可以直接對輸入的任意大小的圖像進行處理。對于信號而言,使用一種并行的金字塔池化,即多尺度金字塔池化對輸入進行并行處理,能夠賦予網(wǎng)絡(luò)更強的特征表達和泛化性能。

    假設(shè)輸入數(shù)據(jù)大小為(c,hin,win),分別表示通道數(shù)、高度和寬度,池化塊大小為n×n,則核(Kernel)大小、步長(Stride)大小分別為

    9日深夜,一些示威者開始強行占領(lǐng)郵電大樓;一些人前往火車站朝開往莫斯科的特快列車扔石頭,打砸車窗玻璃,叫嚷“俄國狗……”;還有一些人則動用刀子、石塊、皮帶對付執(zhí)勤警察,甚至搶奪其武器。赫魯曉夫獲悉事態(tài)近乎失控后終于明白:“不動武是不行的?!薄安豢梢詫@種狂熱聽之任之?!盵5](P163-164)于是,他命令坦克、摩托化步兵和內(nèi)務(wù)部隊進入第比利斯市區(qū)。隨后,軍方動用坦克驅(qū)散了主要街道和列寧廣場上的人群。一些人負隅頑抗,結(jié)果遭到了鎮(zhèn)壓。據(jù)不完全統(tǒng)計,“至少有20名示威者被打死,60人受傷,被捕入獄的人更多?!盵9](P298-299)

    (12)

    (13)

    其中:「·,·?為向上取整符號;?·,·」為向下取整符號。則

    (14)

    可以驗證得到,池化后的矩陣大小即為(n,n)。

    2.3 MSPP-CNN算法的信號調(diào)制識別

    根據(jù)本文設(shè)計的MSPP-CNN各層結(jié)構(gòu)以及步驟,對卷積層、池化層和歸一化層進行具體分析。本文模型與傳統(tǒng)CNN不同,由于具有一定深度,為了輸入、輸出的計算方便,特別加入了BN層,即批量歸一化層。輸入層輸入的樣本大小為1024×1×1,其中,1024為每幀的樣本數(shù),網(wǎng)絡(luò)深度定為1。根據(jù)輸入的樣本類型和特點,設(shè)定每一個卷積層的卷積核尺寸為1×8,步長為1,使用SAME填充方式進行填充,1~6層的金字塔池化層大小分別為16,24,32,48,64,96,逐層增加。經(jīng)過第1個卷積層,輸入信號的卷積表示為

    (15)

    式中:x1_c為卷積層輸出;xi_q為輸入原始信號SAME填充后的IQ樣本;w1_c和b1_c分別為第1個卷積層的權(quán)重和偏置,均為可學習參數(shù)。

    隨后,經(jīng)過BN層對處理后的樣本進行批量歸一化,BN層置于卷積層與激活層之間,能夠?qū)?shù)據(jù)都轉(zhuǎn)換在均值為0、方差為1的狀態(tài)下。經(jīng)過第1個BN層,其歸一化過程表示為

    x1_b=c1_bx1_c+k1_b

    (16)

    式中:x1_b為BN層輸出;c1_b為x1_c的方差;k1_b為x1_c的均值。均為可學習重構(gòu)參數(shù),能夠讓網(wǎng)絡(luò)學習恢復出原始網(wǎng)絡(luò)所要學習的特征分布,使得每層數(shù)據(jù)分布一致。訓練會較容易收斂,同時控制梯度爆炸,防止梯度消失以及過擬合。

    在進行了批量歸一化處理后,特征圖經(jīng)過激活函數(shù)層,施加激活函數(shù)為提取的特征加入非線性因素,使本文模型具有更強的表達能力??紤]到可能出現(xiàn)的梯度彌散問題以及網(wǎng)絡(luò)的稀疏性,選取ReLU激活函數(shù)σ(·)對x1_b進行處理,算式為

    x1_r=σ(x1_b)。

    (17)

    之后進入池化層,池化層步幅為2,池化塊大小為n×n,n為池化層數(shù),池化能夠?qū)⑿∴徲騼?nèi)的特征點整合,得到新的特征,以便進行下一步的學習訓練。第1個池化層的池化過程可表示為

    x1_p=Pn×n(x1_r)。

    (18)

    以上即第1個卷積層所進行的步驟,包含了卷積、批量歸一化、激活和池化4步。同樣,之后的4個卷積層重復上述4步,提取出更抽象的特征,以得到輸出x5_p。最后一個卷積層,用平均池化層替代金字塔池化層,池化塊大小為1×32,其輸入為xL_b,輸出xL_p可以表示為

    xL_p=avgpooling1×32(xL_b)。

    (19)

    最終得到大小為1×1×96的樣本,再將其輸入至全連接層,全連接層能夠?qū)⒎植际教卣饔成涞綐颖緲擞浛臻g,即全連接層可以將特征整合到一起,極大減少了特征位置對分類帶來的影響。使用Softmax函數(shù)作為激活函數(shù)來滿足多分類的目的,神經(jīng)元的個數(shù)與標簽數(shù)相同,本文模型中調(diào)制信號類型有11種,該層的輸出預測標簽ys為

    ys=ρ(wsxL_p+bs)

    (20)

    式中:ρ(·)為Softmax激活函數(shù);ws和bs分別為全連接層的權(quán)重和偏置,均為可學習參數(shù)。

    以上即為本文設(shè)計的MSPP-CNN信號調(diào)制識別模型。

    3 試驗與仿真

    本文使用Windows10家庭版64位操作系統(tǒng)下的Matlab軟件深度學習工具箱,基于Nvidia GeForce GTX 1650Ti圖像處理器進行網(wǎng)絡(luò)模型的搭建與計算訓練。主要通過不同信噪比下的訓練過程與測試幀的混淆矩陣對算法的性能進行分析,并通過與其他算法進行對比來驗證此算法具有更好的性能。

    3.1 信號樣本的生成

    首先,使用Matlab生成含有110 000個樣本的數(shù)據(jù)集,內(nèi)含有11種調(diào)制信號,分別為8種數(shù)字調(diào)制信號BPSK,QPSK,8PSK,16QAM,64QAM,PAM4,GFSK和CPFSK,以及3種模擬調(diào)制信號B-FM,DSB-AM和SSB-AM。每一種調(diào)制信號含有10000幀,其中,8000幀用于訓練神經(jīng)網(wǎng)絡(luò),1000幀用于驗證,最后1000幀用來獲得最終分類準確度。生成信號參數(shù)如表1所示。

    表1 信號樣本參數(shù)Table 1 Parameters of signal sample

    為了使生成信號樣本更趨于實際,給信號施加了加性高斯白噪聲(Additive White Gaussian Noise,AWGN),萊斯多徑衰落以及時鐘偏移后再進行調(diào)制轉(zhuǎn)換,得到形式為a+bi的信號原始樣本作為輸入。

    其中,通過AWGN通道時,給信號增加了信噪比為-18~18 dB的AWGN,信噪比的算式為

    (21)

    式中:PS為信號功率;PN為白噪聲功率。

    隨后,通過萊斯多徑衰落信道,信號是復高斯信號和直射分量的疊加(即正弦波加窄帶高斯過程),其包絡(luò)的概率密度函數(shù)服從萊斯分布,即

    (22)

    (23)

    時鐘偏移是由于時鐘源到達不同寄存器所經(jīng)歷路徑的驅(qū)動和負載不同,時鐘邊沿的位置有所差異,由此造成了時鐘偏移,其中,時鐘偏移因子C的算式為

    (24)

    式中,Δclock為時鐘偏移量。同樣地,對每幀的頻率偏移fo和采樣率偏移(SFO,用OSFO表示)由時鐘偏移因子、采樣率fs和中心頻率fc(·)所決定,分別為

    fo=-(C-1)fc(1)

    (25)

    OSFO=C×fs。

    (26)

    隨后,生成通過通道后減損的幀,同時,生成其所對應(yīng)的調(diào)制類型標簽以備用。

    3.2 模型調(diào)制識別訓練過程

    首先,將網(wǎng)絡(luò)迭代輪數(shù)設(shè)置為18,這是在網(wǎng)絡(luò)深度為2的情況下,經(jīng)過多次訓練仿真對比得出的較為合適的訓練輪數(shù),其平衡了訓練時間和識別準確度之間的關(guān)系。其次,初步設(shè)置學習率為0.01,通過算法可將大部分參數(shù)優(yōu)化至極小值附近,但仍存在梯度過大的參數(shù)。若學習率過大,則已經(jīng)優(yōu)化得差不多的參數(shù)可能會出現(xiàn)不穩(wěn)定的情況。故設(shè)置每經(jīng)過9輪的訓練,學習率降低10%,以便進行更充分的參數(shù)優(yōu)化和模型訓練。MSPP-CNN模型的參數(shù)如表2所示。

    表2 MSPP-CNN模型參數(shù)Table 2 Parameters of MSPP-CNN model

    本文將訓練過程的準確率曲線進行平滑處理后,提取了每輪次訓練完成后的識別準確率和損失,分別如圖5、圖6所示。

    圖5 不同信噪比下的準確率曲線Fig.5 Accuracy curves of different SNR

    圖6 不同信噪比下的損失曲線Fig.6 Loss curves of different SNR

    首先,在低信噪比(-18 dB)條件下進行訓練,訓練開始時,識別準確率為10%,誤差損失為2.5;在進行10輪迭代后,模型的準確率約為36%,其損失約為2;而當?shù)_到最終次時,最終的準確率為56%,損失降到了1.4。針對每個調(diào)制類型的具體識別分析,將在之后的混淆矩陣分析中展開。

    接下來,在信噪比為0 dB時進行訓練,與-18 dB時不同,準確率曲線在開始時就有明顯上升趨勢,達到40%左右時開始保持平穩(wěn)增加態(tài)勢,損失在同一時間段迅速達到1.5,這與信噪比的升高有著很大的關(guān)系;經(jīng)過10輪迭代后,準確率達到57%左右,損失約為1.3;經(jīng)過18輪迭代,準確率停至62.98%,損失降至0.9。相比信噪比為-18 dB時有明顯的性能提升,說明此模型一定程度上會受到信噪比的影響,但也具有一定的抗噪性能。

    最后,對信噪比為18 dB的情況進行分析,全覽整個訓練過程,可以明確的是,在高信噪比條件下,本文模型具有非常優(yōu)良的性能。同0 dB時一樣,準確率曲線一開始便迅速上升達到80%左右之后趨于穩(wěn)定,損失也迅速下降至0.4左右;10輪迭代后,準確率和損失曲線有一小波動,隨后分別進入穩(wěn)定上升和下降期,最終準確率達到92.04%,損失為0.2。

    3.3 模型調(diào)制識別混淆矩陣

    為了進一步研究本文模型性能,分別對不同信噪比下的調(diào)制識別結(jié)果(即其混淆矩陣)進行具體研究分析,如圖7所示。

    圖7 不同信噪比的混淆矩陣Fig.7 Confusion matrix of different SNRs

    圖7(a)所示為信噪比為-18 dB時的混淆矩陣。其中,橫坐標為預測調(diào)制類型,縱坐標為實際調(diào)制類型。由混淆矩陣可以看出,在低信噪比情況下,混淆結(jié)果較為雜亂,并無明顯規(guī)律可循。但值得注意的是,盡管信噪比很低,但是B-FM,CPFSK,GFSK的識別準確度均高于75%,這說明上述3種調(diào)制類型受信噪比影響較其他類型而言相對較小。

    圖7(b)所示為信噪比為0 dB時的混淆矩陣。提高信噪比后,網(wǎng)絡(luò)預測性能有顯著提高,尤其對B-FM,CPFSK,GFSK均高達90%以上,幾乎不受噪聲影響。而此混淆矩陣已經(jīng)能夠初步判斷出,網(wǎng)絡(luò)對64QAM和16QAM,8PSK和QPSK,DSB-AM和SSB-AM這3對調(diào)制類型存在明顯的混淆,出現(xiàn)這種現(xiàn)象分別因為:16QAM是64QAM的子集,而每幀只能攜帶128個符號,故網(wǎng)絡(luò)會混淆這兩種調(diào)制類型;而對于QPSK和8-PSK,在通道衰落和頻率偏移引發(fā)相位旋轉(zhuǎn)后,這兩種調(diào)制類型的星座圖看起來很相似,所以會出現(xiàn)混淆的情況;DSB-AM和SSB-AM,一個是雙邊帶調(diào)幅,另一個是單邊帶調(diào)幅,兩者還具有同樣的抗噪性能,故存在混淆的情況。

    圖7(c)所示為信噪比為18 dB時的混淆矩陣。可以看出,除了64QAM和16QAM,8PSK和QPSK,DSB-AM和SSB-AM這3對調(diào)制類型,其他調(diào)制類型的準確率全部達到99%以上,B-FM,CPFSK和GFSK更是高達100%,網(wǎng)絡(luò)達到預期效果。

    3.4 不同算法的對比

    最后,對本文所提算法與傳統(tǒng)CNN算法以及傳統(tǒng)基于特征提取的SVM[12],KNN[13]算法進行性能對比,其中,進行對比的CNN模型為傳統(tǒng)兩層卷積神經(jīng)網(wǎng)絡(luò)。不同算法的對比如圖8所示。

    圖8 不同算法的對比圖Fig.8 Comparison chart of different algorithms

    由圖8可以看出:當信噪比為-18 dB時,CNN,SVM和KNN算法的識別準確率約為10%,而本文算法識別準確率為56%,已經(jīng)遠高于其他3種算法;隨著信噪比的增加,當信噪比為-18~-4 dB時,其他3種算法識別準確率呈快速上升趨勢,而本文算法識別準確率穩(wěn)定上升;當信噪比為-4~-2 dB時,本文算法與傳統(tǒng)CNN算法識別準確率最為接近;當信噪比增至4 dB后,SVM,KNN算法的識別準確率趨于平緩;當信噪比為4~10 dB時,CNN算法與本文算法識別準確率依舊呈增長趨勢,直至10 dB時傳統(tǒng)CNN算法的識別準確度開始趨于平緩。最后,當信噪比為18 dB時,本文算法的識別準確度為92.04%,CNN算法為78%,SVM算法為66.6%,KNN算法為67%。由圖8可以得出,本文算法無論是在低信噪比還是高信噪比的條件下,其性能均優(yōu)于其他3種算法,尤其是低信噪比時,性能更是達到50%以上,遠超其他3種算法。

    4 結(jié)束語

    本文提出了一種基于多尺度金字塔池化的卷積神經(jīng)網(wǎng)絡(luò)算法。在設(shè)計時考慮到不同調(diào)制信號的不同特征以及網(wǎng)絡(luò)模型所需的泛化能力和特征表達,使用多尺度金字塔池化來優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu);并使用批量歸一化層和Dropout值來優(yōu)化深度網(wǎng)絡(luò)中的參數(shù),提升網(wǎng)絡(luò)的泛化性能。最后,對根據(jù)真實通信環(huán)境生成的不同信噪比下的多種調(diào)制信號使用所設(shè)計的網(wǎng)絡(luò)模型進行調(diào)制識別訓練與測試。仿真結(jié)果表明,當信噪比為-18 dB時,網(wǎng)絡(luò)已具有50%以上的識別準確率,而當信噪比為18 dB時,識別準確率達到92.04%。識別準確率全程高于SVM,KNN以及傳統(tǒng)CNN算法,驗證了本文所提算法的有效性以及高識別準確率。

    猜你喜歡
    池化信噪比準確率
    基于緊湊型雙線性網(wǎng)絡(luò)的野生茵識別方法研究
    無線電工程(2024年8期)2024-09-16 00:00:00
    基于Sobel算子的池化算法設(shè)計
    卷積神經(jīng)網(wǎng)絡(luò)中的自適應(yīng)加權(quán)池化
    軟件導刊(2022年3期)2022-03-25 04:45:04
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準確率比較探討
    2015—2017 年寧夏各天氣預報參考產(chǎn)品質(zhì)量檢驗分析
    基于深度學習的無人機數(shù)據(jù)鏈信噪比估計算法
    基于卷積神經(jīng)網(wǎng)絡(luò)和池化算法的表情識別研究
    高速公路車牌識別標識站準確率驗證法
    低信噪比下LFMCW信號調(diào)頻參數(shù)估計
    電子測試(2018年11期)2018-06-26 05:56:02
    在线精品无人区一区二区三| 欧美亚洲 丝袜 人妻 在线| 成人黄色视频免费在线看| 欧美另类一区| 热99国产精品久久久久久7| 特大巨黑吊av在线直播| 色5月婷婷丁香| 人体艺术视频欧美日本| 亚洲综合色惰| 精品一区在线观看国产| 成人漫画全彩无遮挡| 亚洲欧美中文字幕日韩二区| 大又大粗又爽又黄少妇毛片口| 亚洲中文av在线| 亚洲精品,欧美精品| 国产亚洲欧美精品永久| a级毛片黄视频| 日日啪夜夜爽| 久久精品人人爽人人爽视色| 99热网站在线观看| 久久 成人 亚洲| 久久精品久久久久久久性| 热99久久久久精品小说推荐| 在线观看免费日韩欧美大片 | 欧美精品高潮呻吟av久久| 亚洲av二区三区四区| 免费观看a级毛片全部| 在线观看国产h片| 水蜜桃什么品种好| 亚洲精华国产精华液的使用体验| 国产黄频视频在线观看| 欧美性感艳星| 麻豆精品久久久久久蜜桃| 少妇被粗大的猛进出69影院 | 欧美日韩成人在线一区二区| 国产综合精华液| 人妻系列 视频| 少妇被粗大的猛进出69影院 | 久久精品久久久久久噜噜老黄| 日韩成人av中文字幕在线观看| 建设人人有责人人尽责人人享有的| 成人午夜精彩视频在线观看| 男女啪啪激烈高潮av片| 99九九线精品视频在线观看视频| 亚洲精品456在线播放app| 尾随美女入室| 国产午夜精品久久久久久一区二区三区| 亚洲欧洲精品一区二区精品久久久 | 伊人久久国产一区二区| 波野结衣二区三区在线| 精品一区二区免费观看| 2021少妇久久久久久久久久久| 亚洲精品乱码久久久v下载方式| 伦理电影大哥的女人| 久久精品国产自在天天线| 免费观看无遮挡的男女| 在线观看人妻少妇| av网站免费在线观看视频| 午夜激情久久久久久久| 亚洲五月色婷婷综合| 少妇被粗大的猛进出69影院 | 搡女人真爽免费视频火全软件| 久久 成人 亚洲| 高清毛片免费看| 人妻制服诱惑在线中文字幕| 99热网站在线观看| 熟女人妻精品中文字幕| 欧美变态另类bdsm刘玥| 国产精品无大码| 一级二级三级毛片免费看| 国产乱来视频区| 亚洲国产精品999| 中文欧美无线码| 久久人人爽av亚洲精品天堂| 黑人巨大精品欧美一区二区蜜桃 | 色吧在线观看| av不卡在线播放| 午夜影院在线不卡| 国产黄频视频在线观看| 久久99热这里只频精品6学生| 久久精品久久久久久久性| 亚洲在久久综合| 哪个播放器可以免费观看大片| 亚洲精品久久午夜乱码| 国产日韩欧美亚洲二区| 男女边摸边吃奶| 男女高潮啪啪啪动态图| 中文字幕制服av| 久久鲁丝午夜福利片| 国产av精品麻豆| 久久久久久久亚洲中文字幕| 亚洲国产精品999| 国产精品久久久久久久电影| 亚洲精品乱久久久久久| 美女xxoo啪啪120秒动态图| 日韩免费高清中文字幕av| 啦啦啦啦在线视频资源| 国产免费又黄又爽又色| 国产免费现黄频在线看| 母亲3免费完整高清在线观看 | 午夜激情久久久久久久| av国产精品久久久久影院| 18禁在线无遮挡免费观看视频| 欧美xxxx性猛交bbbb| 亚洲精品国产av蜜桃| 成人综合一区亚洲| 国产探花极品一区二区| 日本免费在线观看一区| 国产精品无大码| 大片电影免费在线观看免费| 亚洲色图综合在线观看| 欧美日韩av久久| 国产色婷婷99| 亚洲精品视频女| 欧美日韩视频高清一区二区三区二| 久久久久久久大尺度免费视频| 精品人妻熟女毛片av久久网站| 婷婷色综合大香蕉| 丝袜美足系列| 黄色欧美视频在线观看| 欧美日韩视频精品一区| 高清欧美精品videossex| h视频一区二区三区| 日韩人妻高清精品专区| 少妇猛男粗大的猛烈进出视频| 久久精品国产a三级三级三级| 天堂中文最新版在线下载| 夫妻午夜视频| 国产一级毛片在线| 国产精品国产三级专区第一集| 国产综合精华液| 亚洲不卡免费看| 免费观看在线日韩| 人人澡人人妻人| 99热这里只有精品一区| 伊人亚洲综合成人网| 搡老乐熟女国产| 晚上一个人看的免费电影| 九草在线视频观看| 如日韩欧美国产精品一区二区三区 | 日本色播在线视频| 色哟哟·www| av卡一久久| 一边摸一边做爽爽视频免费| 国产成人精品一,二区| 久久久久国产网址| 亚洲av国产av综合av卡| 一本色道久久久久久精品综合| 黄片播放在线免费| av女优亚洲男人天堂| 亚洲精品一区蜜桃| 日本黄色日本黄色录像| 亚洲精品日韩在线中文字幕| 伦理电影免费视频| 热99国产精品久久久久久7| 国产一级毛片在线| 国产淫语在线视频| 夜夜看夜夜爽夜夜摸| 国产一区二区在线观看av| 美女xxoo啪啪120秒动态图| 丰满少妇做爰视频| 蜜桃久久精品国产亚洲av| 在线精品无人区一区二区三| 亚洲久久久国产精品| 久久久精品免费免费高清| 久久国产精品大桥未久av| 精品久久久久久久久亚洲| 欧美性感艳星| 少妇熟女欧美另类| 亚洲国产毛片av蜜桃av| 老司机影院毛片| 一区二区三区精品91| 日韩大片免费观看网站| 卡戴珊不雅视频在线播放| 91在线精品国自产拍蜜月| 国产精品99久久99久久久不卡 | 国产一区有黄有色的免费视频| 精品久久久噜噜| 国产男女超爽视频在线观看| 亚洲熟女精品中文字幕| 自拍欧美九色日韩亚洲蝌蚪91| 我要看黄色一级片免费的| av在线app专区| 亚洲经典国产精华液单| 日韩精品有码人妻一区| av国产精品久久久久影院| 热re99久久精品国产66热6| 久久久久人妻精品一区果冻| 国产精品久久久久久精品电影小说| 国产精品麻豆人妻色哟哟久久| 欧美最新免费一区二区三区| 亚洲国产av新网站| 亚洲成人av在线免费| 一区在线观看完整版| 一级a做视频免费观看| 中文字幕精品免费在线观看视频 | 国产精品一区www在线观看| 高清毛片免费看| 亚洲欧美日韩卡通动漫| 午夜激情福利司机影院| 国产淫语在线视频| 大话2 男鬼变身卡| 婷婷色综合大香蕉| 午夜免费鲁丝| 亚洲国产欧美日韩在线播放| 99re6热这里在线精品视频| 免费人妻精品一区二区三区视频| 久久午夜综合久久蜜桃| a级毛色黄片| 蜜桃在线观看..| 满18在线观看网站| 少妇人妻久久综合中文| 美女内射精品一级片tv| 国产在线一区二区三区精| 黄色一级大片看看| 国产一区二区在线观看日韩| 久久久久久久精品精品| 亚洲欧美日韩另类电影网站| 一级毛片aaaaaa免费看小| 欧美日韩一区二区视频在线观看视频在线| av免费观看日本| 人人妻人人添人人爽欧美一区卜| 嘟嘟电影网在线观看| 久久亚洲国产成人精品v| 中文欧美无线码| 国精品久久久久久国模美| 蜜桃久久精品国产亚洲av| 亚洲经典国产精华液单| 久久久久久伊人网av| 啦啦啦在线观看免费高清www| 国产精品久久久久成人av| 国产精品麻豆人妻色哟哟久久| 欧美xxⅹ黑人| 国产国拍精品亚洲av在线观看| 国模一区二区三区四区视频| 高清毛片免费看| 久久精品国产鲁丝片午夜精品| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 免费高清在线观看视频在线观看| 一级毛片电影观看| 久久精品国产亚洲网站| 亚洲欧美成人精品一区二区| 国产午夜精品久久久久久一区二区三区| 免费大片18禁| 91精品国产九色| 国产亚洲av片在线观看秒播厂| 国产精品一区二区在线观看99| 搡女人真爽免费视频火全软件| 精品久久久精品久久久| 久久久国产欧美日韩av| 中文字幕人妻丝袜制服| 一边亲一边摸免费视频| 婷婷成人精品国产| 亚洲精品视频女| 最近手机中文字幕大全| 女性生殖器流出的白浆| 国产高清国产精品国产三级| 秋霞伦理黄片| 色吧在线观看| 精品99又大又爽又粗少妇毛片| 色网站视频免费| 少妇的逼好多水| 午夜激情福利司机影院| 99re6热这里在线精品视频| 亚洲怡红院男人天堂| 国语对白做爰xxxⅹ性视频网站| 中文字幕制服av| 亚洲成色77777| 草草在线视频免费看| 亚洲成人手机| 一级爰片在线观看| 成年美女黄网站色视频大全免费 | 91精品国产九色| 亚洲欧美成人精品一区二区| 日本av免费视频播放| 国产成人a∨麻豆精品| 国产在线一区二区三区精| 午夜福利在线观看免费完整高清在| 夫妻午夜视频| 精品亚洲成国产av| 日本vs欧美在线观看视频| 久热久热在线精品观看| 国产黄色免费在线视频| 女性被躁到高潮视频| 国产精品一区二区在线观看99| 人人澡人人妻人| 九九爱精品视频在线观看| 全区人妻精品视频| 午夜久久久在线观看| 亚洲精品成人av观看孕妇| 欧美变态另类bdsm刘玥| 亚洲精品,欧美精品| av不卡在线播放| 国产成人精品在线电影| 一区二区三区四区激情视频| 麻豆成人av视频| 黑人猛操日本美女一级片| 国产日韩欧美在线精品| 最近最新中文字幕免费大全7| 精品99又大又爽又粗少妇毛片| 欧美精品一区二区免费开放| 人妻系列 视频| 母亲3免费完整高清在线观看 | 国产成人精品在线电影| 美女国产视频在线观看| 精品一区在线观看国产| 国产无遮挡羞羞视频在线观看| 看免费成人av毛片| 亚洲综合色网址| 久久久久国产精品人妻一区二区| 91精品一卡2卡3卡4卡| 超色免费av| 黄色毛片三级朝国网站| 亚洲av在线观看美女高潮| 永久网站在线| 中文字幕最新亚洲高清| 国产爽快片一区二区三区| 免费观看av网站的网址| 国产日韩一区二区三区精品不卡 | 国产成人一区二区在线| av免费观看日本| 国产成人免费无遮挡视频| 老女人水多毛片| 欧美亚洲 丝袜 人妻 在线| av卡一久久| av专区在线播放| av免费观看日本| 一本久久精品| 久热这里只有精品99| 免费人妻精品一区二区三区视频| 久久午夜福利片| 免费看不卡的av| 又大又黄又爽视频免费| av不卡在线播放| 熟女av电影| 街头女战士在线观看网站| 性色avwww在线观看| 久久久欧美国产精品| 视频区图区小说| 女性被躁到高潮视频| 十八禁网站网址无遮挡| 啦啦啦在线观看免费高清www| 国产亚洲av片在线观看秒播厂| 菩萨蛮人人尽说江南好唐韦庄| 国产精品久久久久久精品古装| 午夜福利网站1000一区二区三区| 22中文网久久字幕| 成人黄色视频免费在线看| 一本大道久久a久久精品| 成人午夜精彩视频在线观看| 看非洲黑人一级黄片| 久久久久网色| 亚洲精品一二三| 26uuu在线亚洲综合色| 女性被躁到高潮视频| 国产成人一区二区在线| 少妇人妻久久综合中文| 五月天丁香电影| 欧美激情 高清一区二区三区| 极品人妻少妇av视频| 国产 精品1| 久久亚洲国产成人精品v| 最近最新中文字幕免费大全7| 国产视频内射| 久久人妻熟女aⅴ| 高清不卡的av网站| 免费av不卡在线播放| 18禁在线无遮挡免费观看视频| 欧美激情极品国产一区二区三区 | 日本欧美国产在线视频| 成人毛片a级毛片在线播放| 免费日韩欧美在线观看| 天天躁夜夜躁狠狠久久av| a 毛片基地| 亚洲av欧美aⅴ国产| 成年人午夜在线观看视频| 国产免费一级a男人的天堂| 亚洲国产精品成人久久小说| 午夜日本视频在线| 在线观看www视频免费| 日本av免费视频播放| 亚洲av综合色区一区| 亚洲色图 男人天堂 中文字幕 | 国产色爽女视频免费观看| 免费不卡的大黄色大毛片视频在线观看| 国产亚洲av片在线观看秒播厂| 一本色道久久久久久精品综合| 亚洲av成人精品一区久久| av又黄又爽大尺度在线免费看| 国产色爽女视频免费观看| 在线观看三级黄色| 亚洲人成网站在线观看播放| 免费大片18禁| 五月开心婷婷网| 18禁在线无遮挡免费观看视频| 亚洲成人av在线免费| 婷婷色综合www| 国产成人精品久久久久久| 五月天丁香电影| 母亲3免费完整高清在线观看 | 国产免费福利视频在线观看| 色婷婷久久久亚洲欧美| 成人亚洲欧美一区二区av| 人人妻人人添人人爽欧美一区卜| 久久狼人影院| 亚洲国产av新网站| 国产免费视频播放在线视频| 国产色婷婷99| 日本色播在线视频| 国语对白做爰xxxⅹ性视频网站| 亚洲久久久国产精品| 久久久国产一区二区| 精品99又大又爽又粗少妇毛片| 视频在线观看一区二区三区| 亚洲精品国产av成人精品| 亚洲精品美女久久av网站| 美女xxoo啪啪120秒动态图| 免费看光身美女| 精品少妇内射三级| 免费观看在线日韩| 97精品久久久久久久久久精品| 免费人妻精品一区二区三区视频| 亚洲精品国产av蜜桃| 国产精品秋霞免费鲁丝片| 亚洲图色成人| 又粗又硬又长又爽又黄的视频| 亚洲丝袜综合中文字幕| 久久综合国产亚洲精品| 亚洲成色77777| 高清欧美精品videossex| 欧美精品人与动牲交sv欧美| 三级国产精品片| 日韩中字成人| 国产色爽女视频免费观看| 午夜久久久在线观看| 中国美白少妇内射xxxbb| 国产黄片视频在线免费观看| 亚洲成人av在线免费| 一本一本综合久久| 久久99精品国语久久久| 中文字幕亚洲精品专区| 亚洲av男天堂| 80岁老熟妇乱子伦牲交| 91在线精品国自产拍蜜月| .国产精品久久| 中文字幕精品免费在线观看视频 | 男女边吃奶边做爰视频| 不卡视频在线观看欧美| 亚洲综合精品二区| 日韩av在线免费看完整版不卡| 少妇 在线观看| 日本午夜av视频| 黑人巨大精品欧美一区二区蜜桃 | 亚洲欧美中文字幕日韩二区| 欧美精品人与动牲交sv欧美| 如日韩欧美国产精品一区二区三区 | av免费在线看不卡| 欧美3d第一页| 国产精品 国内视频| 亚洲婷婷狠狠爱综合网| 一区二区日韩欧美中文字幕 | 国产精品不卡视频一区二区| 综合色丁香网| www.av在线官网国产| 嫩草影院入口| 久久人妻熟女aⅴ| a级毛片黄视频| 男女边摸边吃奶| 建设人人有责人人尽责人人享有的| 制服诱惑二区| 国产深夜福利视频在线观看| 18禁裸乳无遮挡动漫免费视频| 午夜影院在线不卡| av天堂久久9| 精品少妇黑人巨大在线播放| 男男h啪啪无遮挡| 精品国产露脸久久av麻豆| 亚洲四区av| 母亲3免费完整高清在线观看 | 国产伦理片在线播放av一区| 日韩三级伦理在线观看| 久久久久精品久久久久真实原创| 最近2019中文字幕mv第一页| 久久精品人人爽人人爽视色| 9色porny在线观看| 久久这里有精品视频免费| 乱码一卡2卡4卡精品| 国产 一区精品| 黄色视频在线播放观看不卡| 久久女婷五月综合色啪小说| 一级毛片电影观看| 黄色欧美视频在线观看| 少妇人妻 视频| 亚洲精品第二区| 人成视频在线观看免费观看| 男人爽女人下面视频在线观看| 亚洲av日韩在线播放| 丝袜脚勾引网站| 一区二区三区精品91| 欧美成人午夜免费资源| 亚洲一级一片aⅴ在线观看| 久久婷婷青草| 天堂8中文在线网| av有码第一页| 2021少妇久久久久久久久久久| 国产精品 国内视频| 久久久久国产精品人妻一区二区| 午夜福利网站1000一区二区三区| 亚洲欧美清纯卡通| 在线精品无人区一区二区三| 成年美女黄网站色视频大全免费 | 老女人水多毛片| 日韩不卡一区二区三区视频在线| 久久精品久久久久久久性| 日韩一本色道免费dvd| 久久国内精品自在自线图片| av有码第一页| 久久国内精品自在自线图片| 婷婷色麻豆天堂久久| 晚上一个人看的免费电影| 日本vs欧美在线观看视频| 夜夜爽夜夜爽视频| 亚洲国产精品一区三区| 岛国毛片在线播放| 欧美 亚洲 国产 日韩一| 亚洲精品乱码久久久久久按摩| 韩国高清视频一区二区三区| 亚洲国产av影院在线观看| 久久久久久久亚洲中文字幕| 中文字幕最新亚洲高清| 日韩熟女老妇一区二区性免费视频| 国精品久久久久久国模美| 国产成人freesex在线| 一区二区三区四区激情视频| 狠狠婷婷综合久久久久久88av| 99九九在线精品视频| 色94色欧美一区二区| 日韩欧美精品免费久久| 美女大奶头黄色视频| 在线观看www视频免费| 欧美日韩视频精品一区| 妹子高潮喷水视频| 免费黄频网站在线观看国产| 99精国产麻豆久久婷婷| 精品国产国语对白av| 国产免费现黄频在线看| 春色校园在线视频观看| 寂寞人妻少妇视频99o| 国产成人aa在线观看| 久久免费观看电影| 亚洲欧美日韩另类电影网站| 国产极品天堂在线| 另类精品久久| 日韩中字成人| 日日啪夜夜爽| 国产成人精品婷婷| av视频免费观看在线观看| 搡老乐熟女国产| 日韩在线高清观看一区二区三区| 一级毛片电影观看| 成人午夜精彩视频在线观看| 午夜激情久久久久久久| 国产色婷婷99| 丝瓜视频免费看黄片| 又粗又硬又长又爽又黄的视频| 大香蕉久久网| 亚洲欧美一区二区三区国产| 亚洲av男天堂| 不卡视频在线观看欧美| 黄色视频在线播放观看不卡| 极品人妻少妇av视频| 色5月婷婷丁香| 老司机亚洲免费影院| 99热国产这里只有精品6| av在线app专区| 日本猛色少妇xxxxx猛交久久| 尾随美女入室| 久久青草综合色| 欧美最新免费一区二区三区| 99久国产av精品国产电影| 三级国产精品欧美在线观看| 国产黄色视频一区二区在线观看| 91aial.com中文字幕在线观看| 18禁动态无遮挡网站| www.色视频.com| 国产色爽女视频免费观看| 日韩中文字幕视频在线看片| 亚洲三级黄色毛片| 久久毛片免费看一区二区三区| 久久综合国产亚洲精品| 欧美激情极品国产一区二区三区 | av免费在线看不卡| 亚洲丝袜综合中文字幕| 美女xxoo啪啪120秒动态图| 国产在线免费精品| 国产伦精品一区二区三区视频9| 免费少妇av软件| 精品一区在线观看国产| 精品人妻熟女毛片av久久网站| 91精品国产国语对白视频| 高清午夜精品一区二区三区| 国产成人aa在线观看| 日本色播在线视频| 中文字幕人妻熟人妻熟丝袜美| 国产成人精品婷婷| 亚洲无线观看免费| 亚洲高清免费不卡视频| 国产免费福利视频在线观看| 99热6这里只有精品| 国产成人精品在线电影| 热99国产精品久久久久久7| 婷婷色麻豆天堂久久| 中文字幕亚洲精品专区| 一本—道久久a久久精品蜜桃钙片| 日韩一区二区视频免费看|