• <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 ?

    基于數(shù)據(jù)驅(qū)動方法的在軌衛(wèi)星智能溫度預(yù)測

    2024-11-22 00:00:00夏青邱實劉新穎劉明郭金生林曉輝
    關(guān)鍵詞:遙測時序衛(wèi)星

    摘 要:

    針對傳統(tǒng)衛(wèi)星溫度預(yù)測方法在預(yù)測精度和魯棒性方面表現(xiàn)不佳,難以滿足高維度耦合數(shù)據(jù)預(yù)測需求的問題,提出一種針對衛(wèi)星溫度遙測數(shù)據(jù)的多元時序數(shù)據(jù)預(yù)測模型——改進的時間序列處理模塊(advanced time series processing module, ATSPM)-Net。首先,構(gòu)建了包含一維卷積和門控循環(huán)單元(gated recurrent unit, GRU)的ATSPM,以對高度耦合的遙測數(shù)據(jù)中的時間依賴關(guān)系進行多尺度提取。接著,設(shè)計了多元時序數(shù)據(jù)預(yù)測模型ATSPM-Net。通過堆疊ATSPM,ATSPM-Net確保模型的靈活感受野,從而實現(xiàn)高準(zhǔn)確率和魯棒性的遙測數(shù)據(jù)預(yù)測。最后,在5個數(shù)據(jù)集上進行的數(shù)值實驗結(jié)果表明,相較于其他類型的時序數(shù)據(jù)預(yù)測模型,ATSPM-Net在參數(shù)量較少的情況下能展現(xiàn)出更優(yōu)異的溫度預(yù)測性能。

    關(guān)鍵詞:

    溫度預(yù)測; 遙測數(shù)據(jù); 時序數(shù)據(jù)預(yù)測

    中圖分類號:

    V 416.4

    文獻標(biāo)志碼: A""" DOI:10.12305/j.issn.1001-506X.2024.05.16

    Data-driven-based approach for intelligent temperature forecasting of in-orbit satellites

    XIA Qing1, QIU Shi1,*, LIU Xinying1,2, LIU Ming1, GUO Jinsheng1, LIN Xiaohui1

    (1. School of Astronautics, Harbin Institute of Technology, Harbin 150001, China;

    2. Beijing Institute of Satellite Environmental Engineering, Beijing 100094, China)

    Abstract:

    Aiming at the problem of poor prediction accuracy and robustness of traditional satellite temperature forecasting methods, which are difficult to meet the demand for high-dimensional coupled data forecasting, a multivariate time series data forecasting model for satellite temperature telemetry data—advanced time series processing module (ATSPM)-Net is proposed. Firstly, an ATSPM consisting of one-dimensional convolution and gated recurrent unit(GRU) is constructed to extract temporal dependencies from highly coupled telemetry data at multiple scales. Next, a multivariate temporal data forecasting model ATSPM-Net is designed. By stacking ATSPM, ATSPM-Net ensures the flexible receptive field of the model, thereby achieving high accuracy and robustness in telemetry data forecasting. Finally, numerical experiments conducted on five datasets showed that compared to other types of time series data forecasting models, ATSPM-Net can demonstrate better temperature forecasting performance with fewer parameters.

    Keywords:

    temperature forecasting; telemetry data; time series data forecasting

    0 引 言

    現(xiàn)代衛(wèi)星任務(wù)日益復(fù)雜且多樣化,衛(wèi)星通常以大規(guī)模星座形式進行拓撲化組織,協(xié)同程度高。因此,對大規(guī)模星座內(nèi)各成員衛(wèi)星在軌運行狀態(tài)預(yù)測成為了星座自主智能管控領(lǐng)域的關(guān)鍵組成部分。對在軌衛(wèi)星的溫度進行預(yù)測不僅能夠?qū)崿F(xiàn)衛(wèi)星異常檢測與預(yù)警,還有助于工程師優(yōu)化衛(wèi)星熱控系統(tǒng)設(shè)計。

    衛(wèi)星熱控系統(tǒng)的數(shù)字化模型是實現(xiàn)衛(wèi)星在軌溫度精確預(yù)測的基礎(chǔ)。實際工程應(yīng)用中,傳統(tǒng)的衛(wèi)星溫度預(yù)測方法通?;谟邢拊?、有限差分等理論建立衛(wèi)星熱控數(shù)學(xué)模型,并根據(jù)衛(wèi)星在軌典型工況完成熱控系統(tǒng)仿真驗證[1-10]。盡管傳統(tǒng)熱控系統(tǒng)仿真方法能夠在一定程度上解決溫度預(yù)測問題,但其主要缺點如下:①傳統(tǒng)衛(wèi)星熱仿真通常依賴特定商業(yè)軟件(如Ansys, ThermalDesktop等),其包含多個步驟,如模型建立、網(wǎng)格劃分、邊界條件與約束設(shè)置、大規(guī)模計算及結(jié)果后處理,導(dǎo)致模型復(fù)雜、流程繁瑣且占用大量計算資源,難以滿足大規(guī)模星座數(shù)字化模型構(gòu)建需求;②有限元、有限差分等方法對衛(wèi)星模型及其所處物理環(huán)境的還原程度要求極高,否則會導(dǎo)致計算結(jié)果出現(xiàn)偏差。因此,航天工程領(lǐng)域亟需一種計算負擔(dān)低且預(yù)測準(zhǔn)確率高的溫度預(yù)測方法。

    近年來,隨著數(shù)據(jù)驅(qū)動方法的發(fā)展,基于深度學(xué)習(xí)的時序數(shù)據(jù)預(yù)測方法在工程上得到了廣泛的應(yīng)用。深度學(xué)習(xí)方法可以對大量數(shù)據(jù)中的潛在規(guī)律進行學(xué)習(xí)歸納[11],以深度網(wǎng)絡(luò)的形式體現(xiàn)預(yù)測輸入與預(yù)測輸出之間的映射關(guān)系。近些年來,卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural networks,RNN)、自注意力機制、圖神經(jīng)網(wǎng)絡(luò)等深度網(wǎng)絡(luò)在上個十年得到了飛速的發(fā)展,也被廣泛應(yīng)用于各種預(yù)測任務(wù)中[12-21]。如石夢鑫[22]提出一種結(jié)合注意力機制的復(fù)合長短時記憶(long short-term memory,LSTM)神經(jīng)網(wǎng)絡(luò)自編碼器模型,對具有突變特征的鋰電池電流和星下點地理精度兩組數(shù)據(jù)進行多步點預(yù)測實驗。其中,CNN具有強大的特征提取能力和非線性處理能力,RNN能夠利用序列中的歷史信息做出預(yù)測或決策,因此這兩種模型在時序溫度預(yù)測任務(wù)中的應(yīng)用受到了重點關(guān)注。Xiao等[23]通過疊加卷積LSTM(convolutional LSTM,ConvLSTM)層構(gòu)建了一個時空深度學(xué)習(xí)模型對海表溫度進行短期和中期預(yù)測。Li等[24]采用多層LSTM網(wǎng)絡(luò)處理時序數(shù)據(jù)并對氣溫進行預(yù)測。張軍等[25]在進行多地面氣象站點溫度預(yù)測時,使用卷積操作從遙感數(shù)據(jù)中提取特征信息,通過雙向LSTM對時序溫度數(shù)據(jù)進行編碼,最后用邊-點轉(zhuǎn)換雙向門控循環(huán)單元(gated recurrent unit,GRU)對編碼的空間關(guān)系解碼,獲得了未來時間段溫度的雙向特征。

    盡管當(dāng)前基于深度學(xué)習(xí)的溫度預(yù)測方法在多個領(lǐng)域的研究已相當(dāng)豐富,然而針對衛(wèi)星在軌溫度預(yù)測的應(yīng)用尚屬罕見。衛(wèi)星溫度遙測數(shù)據(jù)呈現(xiàn)異質(zhì)性、非平穩(wěn)性及多模態(tài)性等復(fù)雜統(tǒng)計特征,這些特性導(dǎo)致模型在提取時間依賴關(guān)系方面的能力嚴(yán)重受限,為現(xiàn)有時序數(shù)據(jù)預(yù)測模型的搭建帶來極大挑戰(zhàn)。因此,本研究針對衛(wèi)星溫度遙測數(shù)據(jù)的預(yù)測問題提出了一種多元時序數(shù)據(jù)預(yù)測模型,稱為改進的時間序列處理模塊(advanced time series processing module, ATSPM)-Net。首先,設(shè)計了包含一維卷積(one-dimensional convolution, Conv1D)和GRU的ATSPM,其中Conv1D操作負責(zé)多尺度特征提取,而GRU單元則挖掘時序數(shù)據(jù)中的長距離依賴關(guān)系。接著,通過結(jié)合3個ATSPM模塊、1個Conv1D層和1個全連接層,實現(xiàn)了對衛(wèi)星溫度遙測數(shù)據(jù)的精確預(yù)測。最后,利用“珠海一號”02組OVS03A衛(wèi)星在軌數(shù)據(jù)進行了數(shù)值實驗。實驗結(jié)果表明,本研究模型在對36種衛(wèi)星遙測溫度數(shù)據(jù)進行單步和多步預(yù)測時具有較高的精度。此外,本研究模型在選定的5種評價指標(biāo)上均優(yōu)于其他兩種不同類型的時序數(shù)據(jù)預(yù)測模型,展現(xiàn)出本文算法的優(yōu)越性。

    1 數(shù)據(jù)集劃分

    本研究以珠海一號03組OVS03A衛(wèi)星在軌遙測數(shù)據(jù)建立了數(shù)據(jù)集。原始數(shù)據(jù)集包含84項遙測數(shù)據(jù),其中48項為非溫度遙測數(shù)據(jù),36項為溫度遙測數(shù)據(jù)。數(shù)據(jù)集均以非溫度遙測數(shù)據(jù)作為樣本輸入,溫度遙測數(shù)據(jù)作為樣本輸出,以多變量時序數(shù)據(jù)回歸的方式對衛(wèi)星溫度遙測數(shù)據(jù)進行預(yù)測。

    時間序列預(yù)測問題的公式化表達如下:給定輸入數(shù)據(jù)χ={Xt1,Xt2,…,XtC1}Lint=1,模型預(yù)測輸出數(shù)據(jù)為χ^={X^t1,X^t2,…,X^tC2}Lin+T+Loutt=Lin+T。其中,C1為非溫度量遙測數(shù)據(jù)數(shù)量;C2為溫度量遙測數(shù)據(jù)數(shù)量;Lin表示輸入數(shù)據(jù)的時間步長,即輸入序列窗口長度;Lout表示預(yù)測輸出數(shù)據(jù)的時間步長,即預(yù)測范圍窗口長度(Lout=1時為單步預(yù)測);T表示輸入窗口和預(yù)測窗口的間隔時間步長。本研究以滑動窗口的方式對輸入和輸出不斷截取,從而構(gòu)建完整的數(shù)據(jù)集,如圖1所示。為簡化訓(xùn)練過程,數(shù)據(jù)集只包含訓(xùn)練集和驗證集,并以隨機的方式進行抽取。每個數(shù)據(jù)集內(nèi)訓(xùn)練集和測試集均以4∶1的比例進行劃分。表1詳細列出了各數(shù)據(jù)集的參數(shù)取值以及劃分出的訓(xùn)練集和測試集數(shù)量。

    2 基于ATSPM-Net的溫度預(yù)測模型

    在本節(jié)中,專門設(shè)計了一種針對衛(wèi)星遙測數(shù)據(jù)的高級時序處理模塊,即ATSPM,以便在多尺度上揭示時間依賴關(guān)系。ATSPM融合了一系列創(chuàng)新設(shè)計和先進技術(shù),有力地提升了對衛(wèi)星溫度遙感特征的深度挖掘與表征能力。

    在構(gòu)建ATSPM時,采用了多種先進的深度學(xué)習(xí)技術(shù),包括Conv1D、多尺度歸一化、GRU以及高斯誤差線性單元(Gaussian error linear unit, GELU)等,旨在全面提高衛(wèi)星遙測數(shù)據(jù)的特征提取和表示效果。特別是,這些技術(shù)在捕捉多尺度時間依賴關(guān)系方面具有顯著優(yōu)勢,使得ATSPM在宇航領(lǐng)域具有廣泛的應(yīng)用潛力。

    2.1 ATSPM

    (1) Conv1D

    Conv1D常用于處理時序問題,具備梯度穩(wěn)定性、感受野靈活性以及特征提取能力高效性等優(yōu)點。在此基礎(chǔ)上,引入膨脹系數(shù)超參數(shù),以擴展卷積核的尺度,進一步提升網(wǎng)絡(luò)感受野[26],并在時間尺度上獲取更豐富的信息。

    (2) 多尺度歸一化

    批歸一化(batch normalization, BN)減輕了上一層網(wǎng)絡(luò)參數(shù)變化對輸入數(shù)據(jù)的影響,顯著加快模型訓(xùn)練速度并提高參數(shù)選取靈活性[27]。層歸一化(layer normalization, LN)固定單個樣本在一層中所有神經(jīng)元輸入總和的平均值和方差[28]。ATSPM中這兩種操作的并行使用顯著提高了網(wǎng)絡(luò)收斂速度和特征提取能力。

    (3) Dropout

    Dropout層避免了模型訓(xùn)練過程中的過擬合現(xiàn)象,提高了模型的泛化能力。

    (4) GELU激活

    GELU作為一種高性能激活函數(shù),在增加網(wǎng)絡(luò)模型非線性的同時引入了隨機正則化思想。研究表明,GELU[29]在計算機視覺、自然語言處理和自動語音識別任務(wù)中的表現(xiàn)優(yōu)于傳統(tǒng)非線性激活函數(shù),使模型在處理非線性衛(wèi)星遙測數(shù)據(jù)時具有更強的表達能力。

    (5) GRU

    GRU[30]是RNN中的一種門控機制,與LSTM具有相似理念。GRU模型簡化了LSTM的結(jié)構(gòu),保留長期時間序列信息并減輕梯度消失問題,參數(shù)量更小。CNN與GRU模型的組合使用,有效地提取并整合了不同維度的衛(wèi)星遙測數(shù)據(jù)特征,實現(xiàn)了對數(shù)據(jù)的全面刻畫和精確預(yù)測。

    綜上所述,本研究中所設(shè)計的ATSPM模塊結(jié)合了Conv1D、多尺度歸一化、Dropout層、GELU激活函數(shù)以及GRU等多個先進技術(shù),旨在充分提取衛(wèi)星溫度遙測特征,并進行多維輸入、多維輸出的溫度預(yù)測。

    2.2 ATSPM-Net模型

    為了更深入地提取衛(wèi)星遙測數(shù)據(jù)的特征,并捕捉數(shù)據(jù)間的時間相關(guān)性,在本模型中采用了3個ATSPM。其中,每個Conv1D層的膨脹系數(shù)依次設(shè)置為1、2和4,以實現(xiàn)豐富的感受野適應(yīng)各個時間長度的溫度遙測數(shù)據(jù)預(yù)測。

    在此過程中,通過設(shè)置卷積核的數(shù)量來保證ATSPM的輸入和輸出張量的尺寸相同。整個網(wǎng)絡(luò)最后的Conv1D層和全連接層負責(zé)將網(wǎng)絡(luò)學(xué)習(xí)到的深度特征融合為一個值,并將其映射到樣本標(biāo)簽空間。經(jīng)過該層后,卷積層輸出的二維特征圖將轉(zhuǎn)化為一個一維向量。最終,便獲得了各溫度量的預(yù)測結(jié)果。

    ATSPM-Net 結(jié)構(gòu)示意圖如圖2所示。

    3 溫度預(yù)測數(shù)值實驗

    3.1 ATSPM-Net模型溫度預(yù)測

    為了驗證ATSPM-Net模型的有效性和優(yōu)越性,對其在5個數(shù)據(jù)集上均進行了訓(xùn)練和預(yù)測實驗。前期工作中已完成對各數(shù)據(jù)集訓(xùn)練集和測試集的劃分。模型訓(xùn)練的超參數(shù)如表2所示。經(jīng)過100輪的迭代,對于5種數(shù)據(jù)集,以均方誤差(mean-square error, MSE)為損失函數(shù)的模型預(yù)測誤差均處在0.002 3~0.006 3的范圍內(nèi),以決定系數(shù)R2為指標(biāo)的模型準(zhǔn)確率均在0.978 0以上,兩種指標(biāo)的變化曲線如圖3~圖4所示??梢钥闯?,兩種曲線在訓(xùn)練集和測試集上均快速收斂且收斂后的曲線間沒有明顯的間隔,說明模型訓(xùn)練過程中沒有出現(xiàn)過擬合或欠擬合的現(xiàn)象,具有很好的數(shù)據(jù)學(xué)習(xí)能力和泛化能力。對比圖4中模型在數(shù)據(jù)集Ⅳ和數(shù)據(jù)集Ⅴ上的表現(xiàn)可以看出,預(yù)測時間步數(shù)的增多也沒有導(dǎo)致模型精度的下降。綜上結(jié)果表明,ATSPM-Net性能優(yōu)異,對目標(biāo)輸出值的解釋度高,可以進行后續(xù)的溫度預(yù)測工作。

    使用數(shù)據(jù)集Ⅰ可以進行同一時間點下溫度預(yù)測實驗。使用數(shù)據(jù)集Ⅱ-數(shù)據(jù)集Ⅴ可以進行不同時間點下的單步和多步溫度預(yù)測實驗,其中數(shù)據(jù)集Ⅴ的劃分情況在工程應(yīng)用中更具有普遍性。

    在使用數(shù)據(jù)集Ⅰ時,從測試集中隨機選取一個樣本進行預(yù)測實驗,輸入數(shù)據(jù)為某時間點下的48種非溫度遙測數(shù)據(jù),輸出結(jié)果為對應(yīng)時間點下的36種溫度映射結(jié)果。預(yù)測溫度曲線與真實溫度曲線的對比如圖5(a)所示。絕對溫度預(yù)測誤差如圖5(b)所示,最大誤差為0.064 4 ℃??v坐標(biāo)為溫度值,橫坐標(biāo)為36種溫度量的名稱,為了展示的清晰度,橫坐標(biāo)軸只標(biāo)記18種溫度量。

    在使用數(shù)據(jù)集Ⅴ進行預(yù)測實驗時,對應(yīng)于每個樣本的輸入會輸出每個溫度量10個時間點下的預(yù)測溫度。從測試集中隨機選取991個連續(xù)樣本作為輸入。對于每個溫度量,首先,保留第一個樣本輸出的10個連續(xù)時間點下的溫度預(yù)測結(jié)果。其次,由于在進行數(shù)據(jù)集劃分時,滑動窗口的移動步長為1,針對剩余990個樣本的輸出結(jié)果,每次只保留最后一個時間點下的36種溫度預(yù)測結(jié)果。最后,得到每個溫度量1 000個連續(xù)時間點下的溫度預(yù)測結(jié)果,預(yù)測曲線與真實曲線的對比如圖6~圖11所示。其中,由于衛(wèi)星相機遮光罩溫度采用點控的主動控制方式,其真實溫度為常值。

    圖5~圖11的預(yù)測結(jié)果驗證了在使用該模型進行同一時間點下以及不同時間點下的單步和多步溫度預(yù)測實驗時均具有較高的精度。

    3.2 與不同預(yù)測模型對比

    將ATSPM-Net與時域卷積網(wǎng)絡(luò)(temporal convolutional network, TCN)和二維CNN(two-dimensional CNN, 2D-CNN)進行了數(shù)值實驗對比。表3中總結(jié)了對比模型的超參數(shù)集。訓(xùn)練超參數(shù)仍如表2所示。

    使用MSE、平均絕對誤差(mean absolute error, MAE)、均方對數(shù)誤差(mean squared logarithmic error, MSLE)、對稱平均絕對百分比誤差(symmetric mean absolute percentage error, SMAPE)、決定系數(shù)R2這5種指標(biāo)對模型的預(yù)測效果進行評價。上述指標(biāo)計算方法如式(1)~式(5)所示。其中,MSE、MAE、MSLE、SMAPE的值越接近0,R2的值越接近1,說明真實值與預(yù)測值之間的誤差越小,模型的預(yù)測精度越高。MSE、MAE、MSLE、SMAPE、R2的表達式如下:

    MSE=1N∑Ni=1(yi-y^i)2(1)

    MAE=1N∑Ni=1|yi-y^i|(2)

    MSLE=1N∑N-1i=0(ln(1+yi)-ln(1+y^i))2(3)

    SMAPE=100%N∑Ni=1|y^i-yi|(|y^i|+|yi|)/2(4)

    R2=1-∑Ni=1(yi-y^i)2∑Ni=1(yi-y-)2(5)

    式中:y^為預(yù)測值;y為真實值;N為樣本數(shù)量。

    數(shù)值實驗的結(jié)果如表4所示。從對比結(jié)果可以看出:

    (1) ATSPM-Net模型對于5種數(shù)據(jù)集在所選評價指標(biāo)下的表現(xiàn)均為最優(yōu)

    對于ATSPM-Net模型,MSE、MAE、MSLE、SMAPE和R2 的指標(biāo)值在5組對比實驗中分別為最低和最高。以數(shù)據(jù)集Ⅴ的結(jié)果為例,ATSPM-Net模型相較于TCN模型的MSE提高了83.74%,相較于2D-CNN模型的MSE提高了92.16%。相較于TCN模型的R2提高了6.40%,相較于2D-CNN模型的R2提高了15.94%。

    (2) 輸入序列窗口越長,預(yù)測精度越高

    對比數(shù)據(jù)集Ⅱ和Ⅲ的實驗結(jié)果,模型在這兩個數(shù)據(jù)集上進行的均為單步預(yù)測,差別在于使用數(shù)據(jù)集Ⅲ時的樣本輸入時間步長更長。說明在利用更多歷史數(shù)據(jù)的情況下能做出更為精準(zhǔn)的預(yù)測。

    (3) 輸入窗口與預(yù)測窗口的間隔越近,預(yù)測精度越高

    數(shù)據(jù)集Ⅲ中T=0,數(shù)據(jù)集Ⅳ中T=100。模型在數(shù)據(jù)集Ⅲ上的表現(xiàn)更優(yōu),說明預(yù)測時間相對于歷史數(shù)據(jù)時間的跨度越大,預(yù)測精度越低。

    (4) ATSPM-Net模型更適用于多步溫度預(yù)測

    對比3種模型在數(shù)據(jù)集Ⅳ和Ⅴ上的表現(xiàn)可以看出,對于多步預(yù)測任務(wù),TCN模型能力變化不大,2D-CNN模型能力減弱,而ATSPM-Net模型能力增強。

    4 結(jié) 論

    本文提出了針對衛(wèi)星溫度遙測數(shù)據(jù)的ATSPM-Net,其中ATSPM的堆疊有效增強了模型對數(shù)據(jù)的多尺度特征提取能力和長距離依賴關(guān)系挖掘能力,在參數(shù)量較少的情況下提高了預(yù)測精度。數(shù)值實驗結(jié)果表明,首先,本文模型在使用48種非溫度遙測數(shù)據(jù)對36種溫度遙測數(shù)據(jù)進行單步和多步溫度預(yù)測實驗時均具有較高精度,且預(yù)測時間步長的增加不會使模型精度降低。其次,本文模型在選取的MSE、MAE、MSLE、SMAPE、R2評價指標(biāo)上均優(yōu)于TCN模型和2D-CNN模型,且更適用于對遙測數(shù)據(jù)的多步預(yù)測。綜上所述,本文提出的ATSPM-Net針對衛(wèi)星溫度遙測數(shù)據(jù)具有很好的表現(xiàn),且在多維溫度預(yù)測問題上具有較高的精度、較強的普適性和優(yōu)越性,在衛(wèi)星故障預(yù)警、健康管理任務(wù)以及大規(guī)模星座數(shù)字化模型構(gòu)建中具有較高的應(yīng)用價值。

    參考文獻

    [1] ABDELAL G F, ABUELFOUTOUH N, HAMDY A, et al. Thermal fatigue analysis of small-satellite structure[J]. International Journal of Mechanics and Materials in Design, 2006, 3(2): 145-159.

    [2] ABDELAL G F, ABUELFOUTOUH N, GAD A H. Finite element analysis for satellite structures: applications to their design, manufacture and testing[M]. Berlin: Springer Science amp; Business Media, 2012.

    [3] ATAR C, AKTAS M. Advances in thermal modeling and analysis of satellites[J]. Gazi University Journal of Science, 2022, 35(1): 42-58.

    [4] CIHAN A, AKTAS M, SOZBIR N. Investigation of external heats for cubesats at various low earth orbits[J]. Pamukkale Universitesi Muhendislik Bilimleri Dergisi, 2023, 29(4): 314-321.

    [5] KOVACS R, JOZSA V. Thermal analysis of the SMOG-1 PocketQube satellite[J]. Applied Thermal Engineering, 2018, 139: 506-513.

    [6] YANG L, LI Q, KONG L, et al. Quasi-all-passive thermal control system design and on-orbit validation of Luojia 1-01 satellite[J]. Sensors, 2019, 19(4): 827.

    [7] BONNICI M, MOLLICONE P, FENECH M, et al. Analytical and numerical models for thermal related design of a new pico-satellite[J]. Applied Thermal Engineering, 2019, 159: 113908.

    [8] ZHANG H, ZHAO X M, MEI Q, et al. On-orbit thermal deformation prediction for a high-resolution satellite camera[J]. Applied Thermal Engineering, 2021, 195: 117152.

    [9] 徐高祥. 某衛(wèi)星的熱分析與溫度控制研究[D].哈爾濱: 哈爾濱工業(yè)大學(xué), 2021.

    XU G X. Research on thermal analysis and temperature control of a satellite[D]. Harbin: Harbin Institute of Technology, 2021.

    [10] HE Z, WEN T, LIU X, et al. Loss estimation and thermal analysis of a magnetic levitation reaction flywheel with PMB and AMB for satellite application[J]. Energies, 2022, 15(4): 1584.

    [11] BENGIO Y, GOODFELLOW I, COURVILLE A. Deep learning[M]. Cambridge: MIT Press, 2017.

    [12] OMEARA C, SCHLAG L, WICKLER M. Applications of deep learning neural networks to satellite telemetry monitoring[C]∥Proc.of the Spaceops Conference, 2018.

    [13] JIANG B, GONG H, ZHU M, et al. Attention-LSTM architecture combined with Bayesian hyperparameter optimization for indoor temperature prediction[J]. Building and Environment, 2022, 224(10): 109536.

    [14] RUWURM M, ALI M, ZHU X X, et al. Model and data uncertainty for satellite time series forecasting with deep recurrent models[C]∥Proc.of the IEEE International Geoscience and Remote Sensing Symposium, 2020: 7025-7028.

    [15] YUAN Q Q, SHEN H F, LI T W, et al. Deep learning in environmental remote sensing: achievements and challenges[J]. Remote Sensing of Environment, 2020, 241: 111716.

    [16] HEWAMALAGE H, BERGMEIR C, BANDARA K. Recurrent neural networks for time series forecasting: current status and future directions[J]. International Journal of Forecasting, 2021, 37(1): 388-427.

    [17] AL-NAJAR M, THOUMYRE G, BERGSMA E W J, et al. Satellite derived bathymetry using deep learning[J]. Machine Learning, 2023, 112: 1107-1130.

    [18] SHIH S Y, SUN F K, LEE H. Temporal pattern attention for multivariate time series forecasting[J]. Machine Learning, 2019, 108(8): 1421-1441.

    [19] CAO D F, WANG Y J, DUAN J Y, et al. Spectral temporal graph neural network for multivariate time-series forecasting[J]. Advances in Neural Information Processing Systems, 2020, 33: 17766-17778.

    [20] MOSKOLAI W R, ABDOU W, DIPANDA A. Application of deep learning architectures for satellite image time series prediction: a review[J]. Remote Sensing, 2021, 13(23): 4822.

    [21] QIN J, JIANG H, LU N, et al. Enhancing solar PV output forecast by integrating ground and satellite observations with deep learning[J]. Renewable and Sustainable Energy Reviews, 2022, 167: 112680.

    [22] 石夢鑫. 基于注意力機制神經(jīng)網(wǎng)絡(luò)的遙測數(shù)據(jù)預(yù)測方法[D]. 北京: 中國科學(xué)院大學(xué)(中國科學(xué)院國家空間科學(xué)中心), 2020.

    SHI M X. Telemetry data prediction method based on attention mechanism neural network[D].Beijing: University of Chinese Academy of Sciences(National Space Science Center, Chinese Academy of Sciences), 2020.

    [23] XIAO C J, CHEN N C, HU C L, et al. A spatiotemporal deep learning model for sea surface temperature field prediction using time-series satellite data[J]. Environmental Modelling amp; Software, 2019, 120: 104502.

    [24] LI C, ZHANG Y N, ZHAO G H. Deep learning with long short-term memory networks for air temperature predictions[C]∥Proc.of the International Conference on Artificial Intelligence and Advanced Manufacturing, 2019: 243-249.

    [25] 張軍, 吳朋莉, 石陸魁, 等. 聯(lián)合MOD11A1和地面氣象站點數(shù)據(jù)的多站點溫度預(yù)測深度學(xué)習(xí)模型[J]. 計算機應(yīng)用, 2023, 43(1): 321-328.

    ZHANG J, WU P L, SHI L K, et al. Deep learning model for multi-station temperature prediction combined with MOD11A1 and meteorological station data[J]. Journal of Computer Applications, 2023, 43(1): 321-328.

    [26] YU F, KOLTUN V. Multi-scale context aggregation by dilated convolutions[EB/OL]. [2023-01-05]. arxiv.org/pdf/1511.07122.pdf.

    [27] IOFFE S, SZEGEDY C. Batch normalization: accelerating deep network training by reducing internal covariate shift[C]∥Proc.of the International Conference on Machine Learning, 2015: 448-456.

    [28] BA J L, KIROS J R, HINTON G E. Layer normalization[EB/OL]. [2023-01-25]. arxiv.org/pdf/1607.06450.pdf.

    [29] HENDRYCKS D, GIMPEL K. Gaussian error linear units (GELUs)[EB/OL]. [2023-01-10]. https:∥arxiv.org/abs/1606.08415v4.

    [30] GAO X Y, WANG Y, GAO Y, et al. Short-term load forecasting model of gru network based on deep learning framework[C]∥Proc.of the IEEE 2nd Conference on Energy Internet and Energy System Integration, 2018.

    作者簡介

    夏 青(1998—),女,碩士研究生,主要研究方向為基于人工智能的大規(guī)模星座自主智能管控。

    邱 實(1990—),男,教授,博士,主要研究方向為大規(guī)模星座數(shù)字孿生、智能飛行器。

    劉新穎(1987—),女,工程師,碩士研究生,主要研究方向為航天器空間環(huán)境模擬技術(shù)。

    劉 明(1981—),男,教授,博士,主要研究方向為衛(wèi)星姿軌控制與健康管理。

    郭金生(1987—),男,教授,博士,主要研究方向為衛(wèi)星熱控系統(tǒng)設(shè)計。

    林曉輝(1966—),男,教授,博士,主要研究方向為衛(wèi)星總體設(shè)計與系統(tǒng)仿真。

    猜你喜歡
    遙測時序衛(wèi)星
    時序坐標(biāo)
    miniSAR遙感衛(wèi)星
    基于Sentinel-2時序NDVI的麥冬識別研究
    靜止衛(wèi)星派
    科學(xué)家(2019年3期)2019-08-18 09:47:43
    自適應(yīng)模糊PID控制的遙測方艙溫度調(diào)節(jié)方法
    電子制作(2019年11期)2019-07-04 00:34:40
    某小型無人機遙測軟件設(shè)計
    電子測試(2018年13期)2018-09-26 03:30:00
    一種毫米波放大器時序直流電源的設(shè)計
    電子制作(2016年15期)2017-01-15 13:39:08
    Puma" suede shoes with a focus on the Product variables
    淺談如何提高遙測狀態(tài)估計合格率
    利用VBA處理鄰近氣象站的相關(guān)遙測數(shù)據(jù)
    河南科技(2014年16期)2014-02-27 14:13:30
    免费观看人在逋| 亚洲aⅴ乱码一区二区在线播放 | АⅤ资源中文在线天堂| 亚洲熟妇熟女久久| 嫁个100分男人电影在线观看| 亚洲成av人片免费观看| 变态另类丝袜制服| 99精品久久久久人妻精品| 欧美另类亚洲清纯唯美| 一级a爱视频在线免费观看| 天天躁狠狠躁夜夜躁狠狠躁| 精品国产乱码久久久久久男人| 亚洲精品中文字幕一二三四区| 青草久久国产| 午夜久久久久精精品| 又黄又爽又免费观看的视频| 亚洲国产看品久久| 99久久无色码亚洲精品果冻| 精品久久久久久成人av| 美女国产高潮福利片在线看| 日本五十路高清| 婷婷六月久久综合丁香| 精品久久久久久久末码| 国产av一区在线观看免费| 国产精品乱码一区二三区的特点| 精品人妻1区二区| 99在线人妻在线中文字幕| 国产精华一区二区三区| 夜夜躁狠狠躁天天躁| 国产视频一区二区在线看| 一a级毛片在线观看| 久久久国产精品麻豆| 久久九九热精品免费| 国内久久婷婷六月综合欲色啪| 成人欧美大片| 国产精品久久久久久亚洲av鲁大| 中文字幕人妻丝袜一区二区| 日韩高清综合在线| 日本一区二区免费在线视频| 脱女人内裤的视频| 天天躁夜夜躁狠狠躁躁| 亚洲中文av在线| 露出奶头的视频| 18禁裸乳无遮挡免费网站照片 | 国产成+人综合+亚洲专区| 一区二区三区高清视频在线| 免费电影在线观看免费观看| 嫁个100分男人电影在线观看| 欧美中文日本在线观看视频| 天天一区二区日本电影三级| 午夜a级毛片| 免费看美女性在线毛片视频| 久久久久国产一级毛片高清牌| 国产精品野战在线观看| 黄色 视频免费看| 亚洲av美国av| 久久久久国内视频| 中文在线观看免费www的网站 | 波多野结衣高清无吗| 欧美激情极品国产一区二区三区| 成人手机av| 黄色丝袜av网址大全| 欧美日韩精品网址| 91麻豆精品激情在线观看国产| 欧美激情高清一区二区三区| 色av中文字幕| 麻豆成人av在线观看| 午夜a级毛片| cao死你这个sao货| 国产又黄又爽又无遮挡在线| 欧美三级亚洲精品| 在线天堂中文资源库| 后天国语完整版免费观看| 夜夜躁狠狠躁天天躁| 亚洲中文字幕日韩| 亚洲国产欧洲综合997久久, | 欧美成人午夜精品| 波多野结衣高清作品| 青草久久国产| 色播在线永久视频| 欧美在线黄色| 午夜免费激情av| 成人18禁高潮啪啪吃奶动态图| 亚洲va日本ⅴa欧美va伊人久久| 天天躁夜夜躁狠狠躁躁| 国产黄色小视频在线观看| 欧美中文日本在线观看视频| www日本在线高清视频| 国产又色又爽无遮挡免费看| 欧美黑人巨大hd| 国产精品永久免费网站| 夜夜看夜夜爽夜夜摸| 18禁国产床啪视频网站| 可以在线观看的亚洲视频| 黄色毛片三级朝国网站| 一级a爱片免费观看的视频| 黄频高清免费视频| 99热这里只有精品一区 | 人人妻人人澡人人看| 亚洲精品av麻豆狂野| 999久久久国产精品视频| 久久香蕉国产精品| 久久精品国产99精品国产亚洲性色| 日日摸夜夜添夜夜添小说| 亚洲全国av大片| 亚洲无线在线观看| 婷婷丁香在线五月| 国产精品1区2区在线观看.| 免费av毛片视频| 嫁个100分男人电影在线观看| 亚洲男人的天堂狠狠| 欧美日韩瑟瑟在线播放| 99热只有精品国产| 无人区码免费观看不卡| 欧美日本视频| 日韩欧美一区视频在线观看| 久久午夜亚洲精品久久| 亚洲专区字幕在线| 国产免费av片在线观看野外av| 男女之事视频高清在线观看| 国产av不卡久久| 亚洲一卡2卡3卡4卡5卡精品中文| 久久国产精品人妻蜜桃| 2021天堂中文幕一二区在线观 | 91九色精品人成在线观看| 婷婷精品国产亚洲av在线| 久久中文字幕人妻熟女| 国产人伦9x9x在线观看| 国产精品综合久久久久久久免费| 日本精品一区二区三区蜜桃| 桃色一区二区三区在线观看| 国产精品99久久99久久久不卡| 国产高清激情床上av| 欧美成人一区二区免费高清观看 | 欧美日韩福利视频一区二区| 美国免费a级毛片| 国产一区在线观看成人免费| 给我免费播放毛片高清在线观看| 免费观看精品视频网站| 日韩中文字幕欧美一区二区| 精品人妻1区二区| 啦啦啦 在线观看视频| 桃红色精品国产亚洲av| 亚洲av片天天在线观看| av欧美777| 禁无遮挡网站| 女人爽到高潮嗷嗷叫在线视频| www.自偷自拍.com| 久久人妻福利社区极品人妻图片| 婷婷丁香在线五月| 一区二区三区激情视频| 亚洲精品美女久久av网站| 国产成人一区二区三区免费视频网站| 欧美日本视频| 精品国产美女av久久久久小说| 国产高清有码在线观看视频 | 亚洲avbb在线观看| 免费在线观看影片大全网站| 成在线人永久免费视频| 久久人妻av系列| 亚洲全国av大片| 男女之事视频高清在线观看| 天堂影院成人在线观看| 亚洲精品在线观看二区| 麻豆av在线久日| 中文字幕最新亚洲高清| 日本免费一区二区三区高清不卡| 国产精品av久久久久免费| 婷婷丁香在线五月| 精品一区二区三区视频在线观看免费| 欧美黑人欧美精品刺激| 久久草成人影院| 在线十欧美十亚洲十日本专区| 欧美又色又爽又黄视频| 亚洲精华国产精华精| 久久青草综合色| av中文乱码字幕在线| 听说在线观看完整版免费高清| 中文字幕精品亚洲无线码一区 | 国产欧美日韩精品亚洲av| 99热6这里只有精品| 超碰成人久久| 在线观看一区二区三区| 日韩有码中文字幕| 国产乱人伦免费视频| 免费在线观看完整版高清| 可以在线观看的亚洲视频| 老司机深夜福利视频在线观看| 久久国产精品男人的天堂亚洲| 欧美黑人巨大hd| 男女那种视频在线观看| 亚洲国产毛片av蜜桃av| 最近在线观看免费完整版| 久久精品亚洲精品国产色婷小说| 两个人免费观看高清视频| 国产色视频综合| 国产熟女xx| 国产高清激情床上av| 最近在线观看免费完整版| 国产亚洲精品一区二区www| 午夜a级毛片| 亚洲色图 男人天堂 中文字幕| 久久人妻av系列| 亚洲精品在线观看二区| 国产精华一区二区三区| 婷婷亚洲欧美| 亚洲av日韩精品久久久久久密| av片东京热男人的天堂| 亚洲三区欧美一区| 18禁美女被吸乳视频| 国产精品 欧美亚洲| 国产爱豆传媒在线观看 | 男人的好看免费观看在线视频 | 亚洲精品中文字幕在线视频| 色播亚洲综合网| 一级毛片女人18水好多| 亚洲第一av免费看| 久久久精品国产亚洲av高清涩受| 国产精品国产高清国产av| 波多野结衣高清作品| 精品欧美一区二区三区在线| 国产高清视频在线播放一区| 免费观看人在逋| 91大片在线观看| 午夜免费成人在线视频| 国产亚洲av嫩草精品影院| 欧美日本视频| 亚洲熟妇中文字幕五十中出| 成人亚洲精品av一区二区| 中文亚洲av片在线观看爽| 亚洲九九香蕉| 真人做人爱边吃奶动态| 国产精品,欧美在线| 桃色一区二区三区在线观看| 午夜视频精品福利| 视频在线观看一区二区三区| 久久精品亚洲精品国产色婷小说| 免费av毛片视频| xxxwww97欧美| 亚洲专区中文字幕在线| 久久久久九九精品影院| 亚洲一区中文字幕在线| 久久中文字幕一级| 久久 成人 亚洲| 黄色女人牲交| 欧美一级毛片孕妇| 人人妻,人人澡人人爽秒播| 1024视频免费在线观看| 亚洲av成人一区二区三| 日本精品一区二区三区蜜桃| 伦理电影免费视频| 啦啦啦免费观看视频1| 亚洲成av人片免费观看| 精品少妇一区二区三区视频日本电影| 久久香蕉国产精品| 美女扒开内裤让男人捅视频| 欧美又色又爽又黄视频| 欧美日韩福利视频一区二区| 亚洲精品在线美女| 视频在线观看一区二区三区| 手机成人av网站| 午夜福利免费观看在线| 国产精品电影一区二区三区| 免费电影在线观看免费观看| svipshipincom国产片| 一区二区三区高清视频在线| 视频在线观看一区二区三区| 欧美不卡视频在线免费观看 | 1024视频免费在线观看| 欧美乱色亚洲激情| 欧美性猛交黑人性爽| 最近最新中文字幕大全电影3 | 51午夜福利影视在线观看| 免费观看精品视频网站| 亚洲第一青青草原| 欧美中文综合在线视频| 美女免费视频网站| 亚洲成a人片在线一区二区| 亚洲中文字幕一区二区三区有码在线看 | 黑人欧美特级aaaaaa片| 国产主播在线观看一区二区| 午夜老司机福利片| 欧美日韩黄片免| 一个人观看的视频www高清免费观看 | 亚洲成av片中文字幕在线观看| 无人区码免费观看不卡| 又紧又爽又黄一区二区| 两个人视频免费观看高清| 欧美最黄视频在线播放免费| 欧美黑人欧美精品刺激| 亚洲欧洲精品一区二区精品久久久| 一区二区三区高清视频在线| 午夜免费激情av| 中文资源天堂在线| 亚洲av美国av| 又紧又爽又黄一区二区| 日韩欧美一区二区三区在线观看| 亚洲七黄色美女视频| xxx96com| 婷婷六月久久综合丁香| 欧美日韩一级在线毛片| 在线观看66精品国产| 淫秽高清视频在线观看| 久久人妻av系列| 天天躁狠狠躁夜夜躁狠狠躁| 国产真实乱freesex| 亚洲五月色婷婷综合| 国产伦人伦偷精品视频| 午夜免费鲁丝| 亚洲熟妇中文字幕五十中出| e午夜精品久久久久久久| 国产亚洲精品久久久久久毛片| videosex国产| 两个人看的免费小视频| 91麻豆精品激情在线观看国产| 99久久国产精品久久久| 亚洲欧美精品综合一区二区三区| 极品教师在线免费播放| 久久国产亚洲av麻豆专区| 欧美激情 高清一区二区三区| 成人国语在线视频| 日本免费一区二区三区高清不卡| www.www免费av| 99久久无色码亚洲精品果冻| 国产精品乱码一区二三区的特点| 久久精品国产亚洲av香蕉五月| 中文字幕精品亚洲无线码一区 | 国产精品亚洲一级av第二区| 母亲3免费完整高清在线观看| 最近最新中文字幕大全电影3 | 黄色视频不卡| 精品国产乱子伦一区二区三区| 亚洲 欧美 日韩 在线 免费| 久久亚洲真实| 搡老熟女国产l中国老女人| 成人亚洲精品一区在线观看| 欧美最黄视频在线播放免费| 亚洲,欧美精品.| 国产亚洲欧美精品永久| 身体一侧抽搐| 99在线视频只有这里精品首页| 午夜激情av网站| 国产一区二区三区在线臀色熟女| 久久国产亚洲av麻豆专区| 亚洲精品久久成人aⅴ小说| 成人国语在线视频| 一级a爱片免费观看的视频| 操出白浆在线播放| 男人舔奶头视频| 亚洲成人久久爱视频| 欧美成人午夜精品| 国产精品久久视频播放| 搡老熟女国产l中国老女人| 一个人免费在线观看的高清视频| 欧洲精品卡2卡3卡4卡5卡区| 亚洲美女黄片视频| 中出人妻视频一区二区| 午夜免费成人在线视频| 亚洲欧美激情综合另类| 伊人久久大香线蕉亚洲五| 久久精品成人免费网站| 亚洲中文字幕日韩| 日韩av在线大香蕉| 亚洲色图av天堂| 51午夜福利影视在线观看| 人人妻人人看人人澡| 欧美性猛交黑人性爽| 中文在线观看免费www的网站 | 一边摸一边抽搐一进一小说| 欧美大码av| 亚洲 欧美 日韩 在线 免费| 琪琪午夜伦伦电影理论片6080| 淫秽高清视频在线观看| 男人舔女人的私密视频| 欧美日韩精品网址| av片东京热男人的天堂| 国语自产精品视频在线第100页| 亚洲,欧美精品.| 一二三四社区在线视频社区8| www.www免费av| 又黄又粗又硬又大视频| 88av欧美| 精品久久久久久久久久久久久 | 俺也久久电影网| 色播在线永久视频| 成人亚洲精品一区在线观看| 亚洲人成网站高清观看| 一进一出好大好爽视频| e午夜精品久久久久久久| 国产精品综合久久久久久久免费| 国产亚洲欧美在线一区二区| 夜夜躁狠狠躁天天躁| 美女大奶头视频| 很黄的视频免费| 国产精品乱码一区二三区的特点| 国产精品,欧美在线| 嫁个100分男人电影在线观看| 国产激情偷乱视频一区二区| 香蕉av资源在线| 欧美日韩福利视频一区二区| 久久久久久人人人人人| 日韩av在线大香蕉| 又黄又爽又免费观看的视频| 亚洲熟妇熟女久久| 久久伊人香网站| av欧美777| 欧美色欧美亚洲另类二区| 日韩精品青青久久久久久| 久久久久九九精品影院| 午夜两性在线视频| 国产精品 国内视频| 女人爽到高潮嗷嗷叫在线视频| 男女床上黄色一级片免费看| 欧美丝袜亚洲另类 | 99久久99久久久精品蜜桃| 国产精品一区二区免费欧美| 国产精品久久久久久人妻精品电影| 亚洲av第一区精品v没综合| 国产高清有码在线观看视频 | 久久久久国产一级毛片高清牌| 国产视频内射| 两人在一起打扑克的视频| 在线观看舔阴道视频| 精华霜和精华液先用哪个| 无人区码免费观看不卡| 国产一区二区三区视频了| 久久午夜亚洲精品久久| 女同久久另类99精品国产91| 一边摸一边抽搐一进一小说| 亚洲国产精品合色在线| av超薄肉色丝袜交足视频| 欧美国产精品va在线观看不卡| 熟女电影av网| 久久久久久九九精品二区国产 | 99riav亚洲国产免费| 久久久久久九九精品二区国产 | 精品久久久久久久末码| www.www免费av| 国产欧美日韩一区二区精品| 久久久国产成人精品二区| 黄片播放在线免费| 久久热在线av| 精品久久久久久久久久久久久 | 国产精品美女特级片免费视频播放器 | 白带黄色成豆腐渣| 黑人巨大精品欧美一区二区mp4| 每晚都被弄得嗷嗷叫到高潮| 亚洲片人在线观看| 两人在一起打扑克的视频| 国产单亲对白刺激| 国产又黄又爽又无遮挡在线| 真人做人爱边吃奶动态| av电影中文网址| www日本在线高清视频| 9191精品国产免费久久| 熟妇人妻久久中文字幕3abv| 久久国产精品影院| 成人av一区二区三区在线看| 国产高清激情床上av| 免费女性裸体啪啪无遮挡网站| 国产精品二区激情视频| 黑丝袜美女国产一区| 日韩三级视频一区二区三区| 国产精品自产拍在线观看55亚洲| 两个人视频免费观看高清| 麻豆av在线久日| 午夜福利成人在线免费观看| 国产精品国产高清国产av| 精华霜和精华液先用哪个| 国产视频内射| 欧美黑人精品巨大| 色av中文字幕| 国产精品久久久久久精品电影 | 婷婷精品国产亚洲av在线| 97超级碰碰碰精品色视频在线观看| 久久精品人妻少妇| 国产极品粉嫩免费观看在线| 国产亚洲精品第一综合不卡| 欧美成人免费av一区二区三区| 男人舔女人的私密视频| 国产单亲对白刺激| 国产不卡一卡二| 成人亚洲精品av一区二区| 男人舔女人的私密视频| 中亚洲国语对白在线视频| 欧美日韩精品网址| 制服诱惑二区| 一进一出抽搐gif免费好疼| 桃红色精品国产亚洲av| 亚洲全国av大片| 视频在线观看一区二区三区| 老汉色∧v一级毛片| 可以在线观看的亚洲视频| 亚洲电影在线观看av| av福利片在线| 国产av在哪里看| 少妇的丰满在线观看| 日本免费一区二区三区高清不卡| 亚洲色图 男人天堂 中文字幕| 欧美日本视频| 日韩av在线大香蕉| 日韩国内少妇激情av| 久久精品国产亚洲av高清一级| 欧美日本视频| cao死你这个sao货| 国产精品99久久99久久久不卡| 麻豆av在线久日| 国产一级毛片七仙女欲春2 | 国产精品98久久久久久宅男小说| 久久亚洲真实| 国产精品1区2区在线观看.| 一本一本综合久久| 悠悠久久av| 国产97色在线日韩免费| 日韩欧美一区视频在线观看| 久久伊人香网站| 日韩三级视频一区二区三区| 中文字幕久久专区| 香蕉丝袜av| 在线观看66精品国产| www.www免费av| 久久久久久九九精品二区国产 | 国产久久久一区二区三区| 亚洲全国av大片| 黄色视频,在线免费观看| 男人的好看免费观看在线视频 | av中文乱码字幕在线| 丰满的人妻完整版| 亚洲精品久久国产高清桃花| 午夜成年电影在线免费观看| 搡老熟女国产l中国老女人| 国产久久久一区二区三区| 久久久久久九九精品二区国产 | 天天躁夜夜躁狠狠躁躁| 嫩草影院精品99| 一卡2卡三卡四卡精品乱码亚洲| 在线十欧美十亚洲十日本专区| av欧美777| 免费在线观看日本一区| 日韩欧美免费精品| 欧美成人午夜精品| 人人妻人人澡人人看| 午夜福利欧美成人| 精品第一国产精品| 欧美性猛交╳xxx乱大交人| 亚洲欧美精品综合一区二区三区| 给我免费播放毛片高清在线观看| 日本成人三级电影网站| 国产国语露脸激情在线看| 男女下面进入的视频免费午夜 | 亚洲电影在线观看av| 在线观看免费日韩欧美大片| 久久欧美精品欧美久久欧美| 在线看三级毛片| 免费电影在线观看免费观看| 久久久久免费精品人妻一区二区 | 丰满人妻熟妇乱又伦精品不卡| 天天躁狠狠躁夜夜躁狠狠躁| 国内久久婷婷六月综合欲色啪| 黄色女人牲交| 麻豆一二三区av精品| 久久中文字幕一级| 国产一区二区三区视频了| 精品欧美一区二区三区在线| 久久天堂一区二区三区四区| 好看av亚洲va欧美ⅴa在| 91国产中文字幕| 亚洲专区中文字幕在线| 丰满人妻熟妇乱又伦精品不卡| 欧美激情极品国产一区二区三区| 麻豆一二三区av精品| 久久精品91无色码中文字幕| 精品一区二区三区视频在线观看免费| 欧美日韩一级在线毛片| 国产在线观看jvid| 伦理电影免费视频| 免费看美女性在线毛片视频| 妹子高潮喷水视频| 精品无人区乱码1区二区| 精品国产美女av久久久久小说| 国产激情欧美一区二区| 精品免费久久久久久久清纯| 999精品在线视频| 在线观看免费午夜福利视频| 国产蜜桃级精品一区二区三区| 怎么达到女性高潮| 99热只有精品国产| 色婷婷久久久亚洲欧美| 日韩高清综合在线| 午夜影院日韩av| 91老司机精品| 一个人免费在线观看的高清视频| 亚洲av五月六月丁香网| 国产真实乱freesex| 亚洲精品一区av在线观看| 国产精品一区二区免费欧美| 午夜亚洲福利在线播放| 免费无遮挡裸体视频| 美女 人体艺术 gogo| 午夜影院日韩av| 国产99久久九九免费精品| 欧美在线一区亚洲| 妹子高潮喷水视频| 欧美中文综合在线视频| 久久久国产精品麻豆| 亚洲av五月六月丁香网| 99久久精品国产亚洲精品| 99re在线观看精品视频| 91大片在线观看| 日日干狠狠操夜夜爽| 欧美日韩精品网址| 国产亚洲欧美98| 中文字幕人妻丝袜一区二区| 热re99久久国产66热| 中文字幕另类日韩欧美亚洲嫩草|