日韩精品一区二区三区在线视频放-无码中文字幕V?一区二区-成年片免费观看视频-国内少妇人妻丰满av-国产精品中文字幕免费观看-亚洲成人久久一区二区三区-国内少妇偷人精品视频无缓冲-一区二区国产精品日本一区二区三区在线网

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營(yíng)的一線實(shí)戰(zhàn)洞察。

基于STA-ResNet的深度學(xué)習(xí)信道估計(jì):從注意力機(jī)制到工程實(shí)現(xiàn)

基于STA-ResNet的深度學(xué)習(xí)信道估計(jì):從注意力機(jī)制到工程實(shí)現(xiàn) 簡(jiǎn)介本資源是面向通信工程與人工智能交叉領(lǐng)域研究者及高年級(jí)本科生的深度學(xué)習(xí)信道估計(jì)實(shí)踐項(xiàng)目聚焦5G/6G無(wú)線系統(tǒng)中多徑衰落、時(shí)變信道下的高精度CSI估計(jì)難題。項(xiàng)目完整實(shí)現(xiàn)STA-ResNet模型——融合空間注意力捕獲多天線/多徑空間特征、時(shí)間注意力建模信道時(shí)序演化與ResNet殘差結(jié)構(gòu)緩解深層訓(xùn)練梯度退化的端到端神經(jīng)網(wǎng)絡(luò)方案。壓縮包共18個(gè)文件3.55MB含8個(gè)核心Python源碼如sta_resnet.py、train.py、data_generator.py、3個(gè)Markdown文檔含項(xiàng)目總結(jié)、運(yùn)行說(shuō)明、2個(gè)文本配置文件requirements.txt、說(shuō)明文件.txt及預(yù)訓(xùn)練模型.pth文件覆蓋數(shù)據(jù)生成、模型定義、訓(xùn)練驗(yàn)證與快速測(cè)試全流程。已有37人下載學(xué)習(xí)提供可直接運(yùn)行的輕量級(jí)代碼框架、模塊化設(shè)計(jì)清晰的目錄結(jié)構(gòu)models/utils/data/checkpoints分層組織以及附贈(zèng)的資源說(shuō)明文檔與技術(shù)要點(diǎn)總結(jié)便于復(fù)現(xiàn)實(shí)驗(yàn)、理解注意力機(jī)制在通信信號(hào)處理中的具體落地邏輯。1. 項(xiàng)目緣起當(dāng)無(wú)線信號(hào)遇上“注意力”最近在折騰一個(gè)無(wú)線通信系統(tǒng)仿真項(xiàng)目核心任務(wù)落在了“信道估計(jì)”這個(gè)經(jīng)典又棘手的問題上。簡(jiǎn)單來(lái)說(shuō)信道估計(jì)就是接收端根據(jù)收到的、被信道“污染”過的信號(hào)去反推出信道本身的特性比如衰減、時(shí)延、多徑效應(yīng)等。這就像你通過一個(gè)滿是回音和雜音的電話去猜測(cè)通話線路的具體狀況。估計(jì)得越準(zhǔn)后續(xù)的解調(diào)、均衡、解碼性能就越好整個(gè)通信系統(tǒng)的吞吐量和可靠性才能上去。傳統(tǒng)的信道估計(jì)算法比如基于導(dǎo)頻的最小二乘LS或最小均方誤差MMSE在理想或簡(jiǎn)單信道模型下表現(xiàn)尚可。但一旦面對(duì)復(fù)雜的現(xiàn)實(shí)環(huán)境——比如高速移動(dòng)帶來(lái)的快時(shí)變、密集城區(qū)帶來(lái)的豐富多徑、或者存在強(qiáng)干擾——這些方法的性能就會(huì)急劇下降。它們往往依賴于對(duì)信道統(tǒng)計(jì)特性的先驗(yàn)假設(shè)而這些假設(shè)在動(dòng)態(tài)環(huán)境中常常不成立。這幾年深度學(xué)習(xí)在圖像、語(yǔ)音等領(lǐng)域大殺四方自然也有人把它引入到通信物理層。思路很直觀把信道估計(jì)看作一個(gè)從含噪觀測(cè)數(shù)據(jù)到干凈信道參數(shù)的映射問題用深度神經(jīng)網(wǎng)絡(luò)去學(xué)習(xí)這個(gè)復(fù)雜的非線性映射關(guān)系。我這次實(shí)現(xiàn)的項(xiàng)目就是在這個(gè)方向上的一次深度實(shí)踐核心模型叫做STA-ResNet。這個(gè)名字拆開看就很有意思Spatial-TemporalAttention ResNet。它試圖用空間和時(shí)間兩個(gè)維度的“注意力”機(jī)制配合殘差網(wǎng)絡(luò)強(qiáng)大的特征提取能力來(lái)更精準(zhǔn)地捕捉信道的時(shí)空特性。下面我就把自己從模型理解、代碼實(shí)現(xiàn)到仿真驗(yàn)證的全過程以及踩過的坑和收獲的經(jīng)驗(yàn)詳細(xì)分享一下。2. STA-ResNet模型架構(gòu)深度拆解這個(gè)模型的設(shè)計(jì)哲學(xué)是希望神經(jīng)網(wǎng)絡(luò)能像有經(jīng)驗(yàn)的通信工程師一樣知道該“關(guān)注”接收信號(hào)中的哪些部分以及這些部分在時(shí)間上的演變規(guī)律。我們一點(diǎn)一點(diǎn)來(lái)看。2.1 基石ResNet殘差網(wǎng)絡(luò)為何是首選在決定用ResNet作為主干網(wǎng)絡(luò)之前我也對(duì)比過普通的CNN、全連接網(wǎng)絡(luò)DNN甚至一些輕量級(jí)網(wǎng)絡(luò)。最終選擇ResNet主要基于無(wú)線信道數(shù)據(jù)的兩個(gè)內(nèi)在特性特征的層次性與相關(guān)性信道響應(yīng)在頻域?qū)?yīng)空間維度和時(shí)域上都具有很強(qiáng)的結(jié)構(gòu)性。淺層網(wǎng)絡(luò)可能只能學(xué)到一些局部的、簡(jiǎn)單的模式比如某個(gè)子載波上的幅度變化而深層網(wǎng)絡(luò)能組合這些局部模式形成對(duì)信道沖激響應(yīng)CIR或頻域響應(yīng)CFR整體形狀的復(fù)雜理解。ResNet通過殘差連接有效緩解了深度網(wǎng)絡(luò)中的梯度消失/爆炸問題使得訓(xùn)練非常深的網(wǎng)絡(luò)比如我用的34層或50層成為可能從而能挖掘更深層次的特征。恒等映射的重要性在信道估計(jì)中存在一種理想情況即神經(jīng)網(wǎng)絡(luò)什么都不做直接輸出一個(gè)近似值比如LS估計(jì)的結(jié)果作為起點(diǎn)可能比胡亂變換要強(qiáng)。ResNet的殘差塊設(shè)計(jì)F(x) x天生就鼓勵(lì)網(wǎng)絡(luò)學(xué)習(xí)對(duì)輸入的“修正量”F(x)而不是完全的重構(gòu)。這使得網(wǎng)絡(luò)訓(xùn)練更穩(wěn)定也更容易找到一個(gè)較好的初始解。在實(shí)際代碼中輸入層通常會(huì)將原始的LS估計(jì)結(jié)果或接收到的導(dǎo)頻信號(hào)作為輸入x。我采用的殘差塊是經(jīng)典的Bottleneck結(jié)構(gòu)對(duì)于ResNet-50及以上即1x1卷積降維 - 3x3卷積特征提取 - 1x1卷積升維。對(duì)于信道估計(jì)任務(wù)輸入通常是二維矩陣?yán)缃邮仗炀€數(shù) × 子載波數(shù) 或者 時(shí)間幀 × 子載波數(shù)因此所有卷積操作都使用2D卷積。2.2 核心創(chuàng)新點(diǎn)空間與時(shí)間注意力機(jī)制這是模型的靈魂所在也是“STA”的由來(lái)。注意力機(jī)制的本質(zhì)是讓網(wǎng)絡(luò)學(xué)會(huì)動(dòng)態(tài)地分配其有限的“計(jì)算資源”或“關(guān)注度”給輸入中更重要的部分??臻g注意力模塊Spatial Attention Module 這個(gè)模塊的目標(biāo)是讓網(wǎng)絡(luò)關(guān)注信道在“空間”維度上的關(guān)鍵區(qū)域。在MIMO-OFDM系統(tǒng)中“空間”可以指天線維度在多天線系統(tǒng)中不同天線接收到的信號(hào)質(zhì)量、經(jīng)歷的信道可能不同。注意力機(jī)制可以學(xué)習(xí)加權(quán)不同天線的觀測(cè)值。頻域維度子載波由于頻率選擇性衰落不同子載波經(jīng)歷的信道衰減差異很大。某些子載波可能處于深衰落其上的信道信息非常不可靠而某些子載波條件較好??臻g注意力可以抑制不可靠子載波的貢獻(xiàn)增強(qiáng)可靠子載波的影響。我實(shí)現(xiàn)的通用結(jié)構(gòu)是給定一個(gè)特征圖F ∈ R^(H×W×C)H,W是空間高寬C是通道數(shù)空間注意力模塊會(huì)生成一個(gè)權(quán)重矩陣A_s ∈ R^(H×W×1)每個(gè)空間位置h,w有一個(gè)0到1之間的權(quán)重值。這個(gè)權(quán)重是通過一個(gè)小型子網(wǎng)絡(luò)學(xué)習(xí)得到的通常包含以下步驟沿著通道維度進(jìn)行全局平均池化和全局最大池化得到兩個(gè)H×W×1的特征圖分別捕捉通道上的平均響應(yīng)和最強(qiáng)響應(yīng)。將這兩個(gè)特征圖拼接或相加。通過一個(gè)7x7或更小的卷積層后接Sigmoid激活函數(shù)生成最終的注意力權(quán)重圖。將原始特征圖F與注意力權(quán)重A_s逐元素相乘得到加權(quán)的特征圖F F ⊙ A_s。在PyTorch中一個(gè)簡(jiǎn)化的實(shí)現(xiàn)可能長(zhǎng)這樣class SpatialAttention(nn.Module): def __init__(self, kernel_size7): super().__init__() self.conv nn.Conv2d(2, 1, kernel_sizekernel_size, paddingkernel_size//2) self.sigmoid nn.Sigmoid() def forward(self, x): avg_out torch.mean(x, dim1, keepdimTrue) max_out, _ torch.max(x, dim1, keepdimTrue) concat torch.cat([avg_out, max_out], dim1) attention self.sigmoid(self.conv(concat)) return x * attention時(shí)間注意力模塊Temporal Attention Module 對(duì)于時(shí)變信道相鄰時(shí)刻的信道狀態(tài)是高度相關(guān)的。時(shí)間注意力機(jī)制的目標(biāo)是利用這種時(shí)間相關(guān)性讓當(dāng)前幀的信道估計(jì)能夠參考并加權(quán)利用歷史幀的信息。這對(duì)于跟蹤快時(shí)變信道尤其關(guān)鍵。實(shí)現(xiàn)上這通常需要處理一個(gè)序列數(shù)據(jù)。假設(shè)我們有一系列連續(xù)時(shí)間步的特征{F_t, F_{t-1}, ..., F_{t-T1}}。時(shí)間注意力模塊會(huì)計(jì)算當(dāng)前幀F(xiàn)_t與歷史幀之間的相關(guān)性相似度然后根據(jù)相關(guān)性對(duì)歷史幀進(jìn)行加權(quán)求和得到一個(gè)上下文向量再與當(dāng)前幀特征融合。一種常見的實(shí)現(xiàn)方式是使用類似Transformer中縮放點(diǎn)積注意力的簡(jiǎn)化版將當(dāng)前幀特征F_t作為 Query (Q)歷史幀特征堆疊后作為 Key (K) 和 Value (V)。計(jì)算Q和K的相似度矩陣通過Softmax得到注意力權(quán)重。用注意力權(quán)重對(duì)V進(jìn)行加權(quán)求和得到上下文向量C_t。將C_t與原始F_t以某種方式如相加或拼接后卷積融合。注意在離線訓(xùn)練或批處理仿真中我們可以方便地獲取一個(gè)時(shí)間窗口內(nèi)的數(shù)據(jù)。但在實(shí)際在線系統(tǒng)中需要設(shè)計(jì)因果Causal注意力即只關(guān)注當(dāng)前及過去時(shí)刻的信息不能使用未來(lái)信息。2.3 STA-ResNet的整體工作流模型的前向傳播流程可以概括為以下幾步輸入預(yù)處理將接收端的原始導(dǎo)頻信號(hào)或初步的LS估計(jì)結(jié)果轉(zhuǎn)換為適合網(wǎng)絡(luò)輸入的張量格式。例如對(duì)于MIMO-OFDM輸入形狀可能是[BatchSize, 2, NumRxAntennas, NumSubcarriers]其中“2”代表復(fù)數(shù)的實(shí)部和虛部或者幅度和相位。淺層特征提取通過一個(gè)或多個(gè)標(biāo)準(zhǔn)卷積層將輸入映射到更高維的特征空間得到初始特征圖F0。殘差網(wǎng)絡(luò)主干F0經(jīng)過多個(gè)殘差階段每個(gè)階段包含多個(gè)殘差塊。在每個(gè)殘差階段之后可以插入空間注意力模塊讓網(wǎng)絡(luò)在提取的深層特征上進(jìn)一步聚焦空間重要區(qū)域。時(shí)間注意力融合如果使用時(shí)間序列輸入在某個(gè)特征層級(jí)例如所有殘差階段之后將當(dāng)前幀的特征與緩存的歷史幀特征一起送入時(shí)間注意力模塊生成融合了時(shí)間上下文信息的增強(qiáng)特征。輸出層最后通過一個(gè)或一組卷積層有時(shí)配合全局池化將高維特征圖映射到與目標(biāo)信道參數(shù)如CFR矩陣相同的形狀。輸出通常也是復(fù)數(shù)形式分為實(shí)部和虛部?jī)蓚€(gè)通道。后處理根據(jù)任務(wù)需要可能對(duì)網(wǎng)絡(luò)輸出進(jìn)行一些規(guī)范化或約束例如保證信道能量在一定范圍。3. 從零搭建項(xiàng)目環(huán)境、數(shù)據(jù)與代碼實(shí)戰(zhàn)理論說(shuō)得再多不如一行代碼。這部分我會(huì)詳細(xì)說(shuō)明實(shí)現(xiàn)這個(gè)項(xiàng)目所需的環(huán)境配置、數(shù)據(jù)準(zhǔn)備以及核心代碼模塊。3.1 深度學(xué)習(xí)環(huán)境配置清單與避坑指南我是在Ubuntu 22.04 LTS系統(tǒng)上進(jìn)行的開發(fā)但Windows使用WSL2或macOS同樣可行。核心是CUDA和PyTorch的版本匹配。Python環(huán)境強(qiáng)烈建議使用conda或venv創(chuàng)建獨(dú)立的虛擬環(huán)境。我使用的是Python 3.9。conda create -n channel_est python3.9 conda activate channel_estPyTorch這是項(xiàng)目的核心框架。去PyTorch官網(wǎng)使用它的安裝命令生成器。你需要根據(jù)你的CUDA版本選擇。例如我服務(wù)器上是CUDA 11.8pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118踩坑記錄曾經(jīng)圖省事直接pip install torch結(jié)果安裝的是CPU版本訓(xùn)練時(shí)GPU利用率0%排查了半天。務(wù)必確認(rèn)安裝命令包含cuXXX。安裝后在Python中運(yùn)行import torch; print(torch.__version__); print(torch.cuda.is_available())驗(yàn)證。關(guān)鍵依賴庫(kù)pip install numpy pandas matplotlib scikit-learn tqdm tensorboardnumpy數(shù)值計(jì)算基礎(chǔ)。matplotlib繪制信道響應(yīng)、損失曲線、注意力熱圖等。scikit-learn可能用于數(shù)據(jù)預(yù)處理或評(píng)估指標(biāo)。tqdm在循環(huán)中顯示進(jìn)度條訓(xùn)練時(shí)體驗(yàn)更好。tensorboard或wandb模型訓(xùn)練可視化神器強(qiáng)烈推薦。可以實(shí)時(shí)查看損失、信道估計(jì)誤差如NMSE的變化。可選但推薦的庫(kù)h5py如果你的數(shù)據(jù)集是大型的HDF5格式通信仿真數(shù)據(jù)集常用這個(gè)庫(kù)讀寫效率很高。pyarrow/feather另一種高效的數(shù)據(jù)存儲(chǔ)格式。3.2 信道數(shù)據(jù)生成與處理管道對(duì)于學(xué)術(shù)研究我們通常無(wú)法獲得海量真實(shí)信道測(cè)量數(shù)據(jù)因此采用信道模型生成仿真數(shù)據(jù)是標(biāo)準(zhǔn)做法。數(shù)據(jù)生成步驟選擇信道模型根據(jù)你的研究場(chǎng)景選擇。常見的有3GPP TR 38.9015G NR標(biāo)準(zhǔn)信道模型支持UMa城市宏蜂窩、UMi城市微蜂窩、RMa農(nóng)村宏蜂窩等場(chǎng)景包含簇、徑、時(shí)延、角度擴(kuò)展等詳細(xì)參數(shù)??梢允褂瞄_源實(shí)現(xiàn)如sionnaNVIDIA或QuaDRiGaMATLAB/Python。WINNER II/COST 2100也是廣泛使用的標(biāo)準(zhǔn)化模型。Rayleigh / Rician 衰落最簡(jiǎn)單的基礎(chǔ)模型適用于算法原理驗(yàn)證。 我為了全面性主要使用了3GPP UMa和UMi場(chǎng)景生成數(shù)據(jù)。生成信道沖激響應(yīng)CIR對(duì)于每個(gè)“數(shù)據(jù)樣本”你需要生成一個(gè)隨時(shí)間、發(fā)射天線、接收天線、時(shí)延變化的CIR張量h(t, τ, tx, rx)。這通常是一個(gè)四維數(shù)組。轉(zhuǎn)換為頻域信道CFR對(duì)時(shí)延維τ做FFT得到頻域信道響應(yīng)H(f, t, tx, rx)這對(duì)應(yīng)OFDM系統(tǒng)的子載波信道。這是我們模型要估計(jì)的目標(biāo)。模擬發(fā)送與接收設(shè)計(jì)導(dǎo)頻圖案如梳狀、塊狀導(dǎo)頻。將導(dǎo)頻符號(hào)X_pilot通過生成的CFRHY_pilot H * X_pilot N其中N是加性高斯白噪聲AWGN其功率由信噪比SNR決定。網(wǎng)絡(luò)的實(shí)際輸入是接收到的導(dǎo)頻信號(hào)Y_pilot或由其計(jì)算出的粗糙LS估計(jì)H_ls Y_pilot / X_pilot輸出目標(biāo)是真實(shí)的CFRH。數(shù)據(jù)格式與存儲(chǔ) 一個(gè)樣本最好包含以下字段并存儲(chǔ)為字典或特定格式sample { H_real: H_real, # 真實(shí)信道實(shí)部形狀 [NumRx, NumTx, NumSubcarriers] H_imag: H_imag, # 真實(shí)信道虛部 Y_pilot_real: Y_real, # 接收導(dǎo)頻實(shí)部 Y_pilot_imag: Y_imag, # 接收導(dǎo)頻虛部 snr_db: snr, # 該樣本的SNR值 scenario: UMa # 場(chǎng)景標(biāo)簽 }我使用h5py將成千上萬(wàn)個(gè)這樣的樣本存儲(chǔ)在一個(gè)HDF5文件中鍵值對(duì)結(jié)構(gòu)便于按需讀取。數(shù)據(jù)處理管道PyTorch Datasetimport h5py import torch from torch.utils.data import Dataset, DataLoader class ChannelEstDataset(Dataset): def __init__(self, h5_path, modetrain): self.h5_path h5_path self.mode mode with h5py.File(h5_path, r) as f: # 假設(shè)數(shù)據(jù)按組存儲(chǔ)例如 /train, /val self.data_group f[mode] self.keys list(self.data_group.keys()) # 樣本ID列表 def __len__(self): return len(self.keys) def __getitem__(self, idx): with h5py.File(self.h5_path, r) as f: sample_grp self.data_group[self.keys[idx]] # 讀取數(shù)據(jù) input_real torch.from_numpy(sample_grp[Y_pilot_real][:]).float() input_imag torch.from_numpy(sample_grp[Y_pilot_imag][:]).float() target_real torch.from_numpy(sample_grp[H_real][:]).float() target_imag torch.from_numpy(sample_grp[H_imag][:]).float() # 合并實(shí)部虛部到通道維度 input torch.stack([input_real, input_imag], dim0) # [2, Rx, Tx, Subcarrier] target torch.stack([target_real, target_imag], dim0) # [2, Rx, Tx, Subcarrier] # 可能還需要SNR作為條件輸入 snr torch.tensor(sample_grp.attrs[snr_db]).float() return input, target, snr3.3 模型核心代碼實(shí)現(xiàn)解析這里是STA-ResNet幾個(gè)關(guān)鍵模塊的PyTorch實(shí)現(xiàn)。注意力模塊集成殘差塊import torch.nn as nn import torch.nn.functional as F class SpatialAttention(nn.Module): 空間注意力模塊 def __init__(self, in_channels, reduction_ratio16): super().__init__() # 使用通道注意力中常見的SE模塊思想但輸出空間權(quán)重 self.avg_pool nn.AdaptiveAvgPool2d(1) self.max_pool nn.AdaptiveMaxPool2d(1) self.fc nn.Sequential( nn.Conv2d(in_channels, in_channels // reduction_ratio, 1, biasFalse), nn.ReLU(inplaceTrue), nn.Conv2d(in_channels // reduction_ratio, in_channels, 1, biasFalse) ) self.sigmoid nn.Sigmoid() def forward(self, x): # 我們希望對(duì)每個(gè)空間位置產(chǎn)生權(quán)重但這里先產(chǎn)生通道權(quán)重再?gòu)V播不我們需要空間權(quán)重圖。 # 更常見的空間注意力是使用通道池化后卷積 avg_out torch.mean(x, dim1, keepdimTrue) # 沿通道維度平均 [B,1,H,W] max_out, _ torch.max(x, dim1, keepdimTrue) # 沿通道維度最大 [B,1,H,W] concat torch.cat([avg_out, max_out], dim1) # [B,2,H,W] # 用一個(gè)卷積層學(xué)習(xí)空間權(quán)重 sa_map self.sigmoid(self.conv(concat)) # [B,1,H,W] return x * sa_map # 簡(jiǎn)化版空間注意力更常用 class SimplifiedSpatialAttention(nn.Module): def __init__(self, kernel_size7): super().__init__() assert kernel_size in (3,7), kernel size must be 3 or 7 padding 3 if kernel_size 7 else 1 self.conv nn.Conv2d(2, 1, kernel_size, paddingpadding, biasFalse) self.sigmoid nn.Sigmoid() def forward(self, x): avg_out torch.mean(x, dim1, keepdimTrue) max_out, _ torch.max(x, dim1, keepdimTrue) concat torch.cat([avg_out, max_out], dim1) attention self.sigmoid(self.conv(concat)) return x * attention class TemporalAttention(nn.Module): 簡(jiǎn)化時(shí)間注意力模塊處理固定長(zhǎng)度序列 def __init__(self, channels, num_frames): super().__init__() self.num_frames num_frames # 用于生成Q,K,V的卷積這里簡(jiǎn)化處理實(shí)際可能用1x1卷積 self.query_conv nn.Conv2d(channels, channels//8, 1) self.key_conv nn.Conv2d(channels, channels//8, 1) self.value_conv nn.Conv2d(channels, channels, 1) self.gamma nn.Parameter(torch.zeros(1)) # 可學(xué)習(xí)的縮放參數(shù) def forward(self, x): # x shape: [B, T, C, H, W] 或 [B*T, C, H, W] # 這里假設(shè)輸入已reshape為 [B, T, C, H, W] B, T, C, H, W x.shape x_flat x.view(B*T, C, H, W) proj_query self.query_conv(x_flat).view(B, T, -1) # [B, T, (C//8)*H*W] proj_key self.key_conv(x_flat).view(B, T, -1).permute(0,2,1) # [B, (C//8)*H*W, T] energy torch.bmm(proj_query, proj_key) # [B, T, T] attention F.softmax(energy, dim-1) # 時(shí)間維度上的注意力權(quán)重 proj_value self.value_conv(x_flat).view(B, T, -1) # [B, T, C*H*W] out torch.bmm(attention, proj_value) # [B, T, C*H*W] out out.view(B, T, C, H, W) # 殘差連接 out self.gamma * out x return out.view(B*T, C, H, W) # 恢復(fù)為 [B*T, C, H, W] 供后續(xù)層處理 class STA_ResNetBlock(nn.Module): 集成了空間注意力的殘差塊 def __init__(self, in_channels, out_channels, stride1, use_saTrue): super().__init__() self.use_sa use_sa # 標(biāo)準(zhǔn)Bottleneck結(jié)構(gòu) self.conv1 nn.Conv2d(in_channels, out_channels//4, kernel_size1, biasFalse) self.bn1 nn.BatchNorm2d(out_channels//4) self.conv2 nn.Conv2d(out_channels//4, out_channels//4, kernel_size3, stridestride, padding1, biasFalse) self.bn2 nn.BatchNorm2d(out_channels//4) self.conv3 nn.Conv2d(out_channels//4, out_channels, kernel_size1, biasFalse) self.bn3 nn.BatchNorm2d(out_channels) self.relu nn.ReLU(inplaceTrue) if self.use_sa: self.sa SimplifiedSpatialAttention(kernel_size7) # 下采樣快捷連接 self.downsample None if stride ! 1 or in_channels ! out_channels: self.downsample nn.Sequential( nn.Conv2d(in_channels, out_channels, kernel_size1, stridestride, biasFalse), nn.BatchNorm2d(out_channels) ) def forward(self, x): identity x out self.conv1(x) out self.bn1(out) out self.relu(out) out self.conv2(out) out self.bn2(out) out self.relu(out) out self.conv3(out) out self.bn3(out) if self.use_sa: out self.sa(out) # 在殘差相加前應(yīng)用空間注意力 if self.downsample is not None: identity self.downsample(x) out identity out self.relu(out) return out主干網(wǎng)絡(luò)構(gòu)建class STA_ResNet(nn.Module): def __init__(self, block, layers, num_input_channels2, use_temporal_attnFalse, temporal_window5): super().__init__() self.in_channels 64 self.use_temporal_attn use_temporal_attn self.temporal_window temporal_window # 初始卷積層 self.conv1 nn.Conv2d(num_input_channels, 64, kernel_size7, stride2, padding3, biasFalse) self.bn1 nn.BatchNorm2d(64) self.relu nn.ReLU(inplaceTrue) self.maxpool nn.MaxPool2d(kernel_size3, stride2, padding1) # 殘差階段 self.layer1 self._make_layer(block, 64, layers[0], stride1, use_saTrue) self.layer2 self._make_layer(block, 128, layers[1], stride2, use_saTrue) self.layer3 self._make_layer(block, 256, layers[2], stride2, use_saTrue) self.layer4 self._make_layer(block, 512, layers[3], stride2, use_saFalse) # 最后一層可不用SA # 時(shí)間注意力模塊如果啟用 if self.use_temporal_attn: # 假設(shè)在layer3之后插入時(shí)間注意力 self.temporal_attn TemporalAttention(channels256, num_framestemporal_window) # 輸出層根據(jù)任務(wù)調(diào)整。對(duì)于信道估計(jì)通常輸出與輸入空間分辨率相關(guān)的二維圖 # 如果經(jīng)過了下采樣可能需要上采樣回去 self.upsample nn.Sequential( nn.Conv2d(512, 256, kernel_size3, padding1), nn.BatchNorm2d(256), nn.ReLU(), nn.Upsample(scale_factor2, modebilinear, align_cornersFalse), nn.Conv2d(256, 128, kernel_size3, padding1), nn.BatchNorm2d(128), nn.ReLU(), nn.Upsample(scale_factor2, modebilinear, align_cornersFalse), nn.Conv2d(128, 64, kernel_size3, padding1), nn.BatchNorm2d(64), nn.ReLU(), nn.Upsample(scale_factor2, modebilinear, align_cornersFalse), ) self.final_conv nn.Conv2d(64, num_input_channels, kernel_size3, padding1) # 輸出實(shí)部虛部 def _make_layer(self, block, out_channels, blocks, stride, use_sa): layers [] layers.append(block(self.in_channels, out_channels, stride, use_sause_sa)) self.in_channels out_channels for _ in range(1, blocks): layers.append(block(self.in_channels, out_channels, stride1, use_sause_sa)) return nn.Sequential(*layers) def forward(self, x, previous_framesNone): # x: [B, C, H, W] x self.conv1(x) x self.bn1(x) x self.relu(x) x self.maxpool(x) x self.layer1(x) x self.layer2(x) x_l3 self.layer3(x) # 保存layer3輸出供時(shí)間注意力使用 # 時(shí)間注意力處理 if self.use_temporal_attn and previous_frames is not None: # previous_frames: list of features from past frames at same level # 將當(dāng)前幀與歷史幀組合 temporal_features torch.stack([previous_frames[i] for i in range(-self.temporal_window1, 0)] [x_l3], dim1) # [B, T, C, H, W] x_temporal self.temporal_attn(temporal_features) # 輸出 [B*T, C, H, W] # 我們只取“當(dāng)前幀”對(duì)應(yīng)的部分假設(shè)是最后一個(gè) B, T, C, H, W temporal_features.shape x_l3 x_temporal.view(B, T, C, H, W)[:, -1, ...] # [B, C, H, W] x self.layer4(x_l3) # 上采樣回原始輸入分辨率或目標(biāo)分辨率 x self.upsample(x) out self.final_conv(x) return out4. 模型訓(xùn)練、調(diào)優(yōu)與評(píng)估全流程模型搭好了數(shù)據(jù)準(zhǔn)備好了接下來(lái)就是最關(guān)鍵的訓(xùn)練與評(píng)估環(huán)節(jié)。4.1 損失函數(shù)、優(yōu)化器與訓(xùn)練策略選擇損失函數(shù) 信道估計(jì)是回歸問題最常用的損失函數(shù)是均方誤差MSE。但直接對(duì)復(fù)數(shù)值的實(shí)部虛部用MSE有時(shí)不能很好地反映通信系統(tǒng)性能。我對(duì)比了幾種復(fù)數(shù)MSELoss |H_pred - H_true|^2。計(jì)算簡(jiǎn)單直接優(yōu)化估計(jì)值與真值的歐氏距離。歸一化MSENMSENMSE E[|H_pred - H_true|^2] / E[|H_true|^2]。這是一個(gè)無(wú)量綱指標(biāo)更能反映相對(duì)誤差。我將其作為損失函數(shù)但需要注意分母的穩(wěn)定性加一個(gè)小常數(shù)epsilon。考慮系統(tǒng)性能的損失有時(shí)可以結(jié)合后續(xù)解調(diào)的性能例如將誤碼率BER的某種可導(dǎo)近似作為損失的一部分。但這更復(fù)雜我初期主要用NMSE。我最終選擇了在批內(nèi)計(jì)算NMSE作為損失函數(shù)因?yàn)樗c最終評(píng)估指標(biāo)一致優(yōu)化目標(biāo)更直接。def nmse_loss(pred, target, eps1e-8): pred, target: [B, 2, H, W] 或 [B, 2, ...] diff pred - target mse torch.mean(torch.sum(diff**2, dim1)) # 對(duì)實(shí)部虛部平方和求平均 power torch.mean(torch.sum(target**2, dim1)) return mse / (power eps)優(yōu)化器 Adam優(yōu)化器是深度學(xué)習(xí)研究的默認(rèn)選擇它自適應(yīng)調(diào)整學(xué)習(xí)率對(duì)超參數(shù)不那么敏感。我使用AdamWAdam with decoupled weight decay因?yàn)樗ǔD軒?lái)更好的泛化性能。import torch.optim as optim optimizer optim.AdamW(model.parameters(), lr1e-3, weight_decay1e-4)學(xué)習(xí)率調(diào)度 使用余弦退火學(xué)習(xí)率調(diào)度配合熱重啟CosineAnnealingWarmRestarts這在很多視覺任務(wù)上表現(xiàn)良好我也將其遷移過來(lái)。scheduler optim.lr_scheduler.CosineAnnealingWarmRestarts(optimizer, T_010, T_mult2, eta_min1e-6)T_0是初始周期長(zhǎng)度epoch數(shù)T_mult是每次重啟后周期長(zhǎng)度的倍增因子。這能讓學(xué)習(xí)率周期性地下降和重啟有助于跳出局部最優(yōu)。訓(xùn)練循環(huán)關(guān)鍵代碼def train_one_epoch(model, dataloader, optimizer, scheduler, criterion, device, epoch): model.train() running_loss 0.0 pbar tqdm(dataloader, descfEpoch {epoch}) for inputs, targets, snrs in pbar: inputs, targets inputs.to(device), targets.to(device) optimizer.zero_grad() outputs model(inputs) loss criterion(outputs, targets) loss.backward() # 梯度裁剪防止梯度爆炸在RNN或深網(wǎng)絡(luò)中尤其有用 torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() running_loss loss.item() pbar.set_postfix({loss: loss.item()}) scheduler.step() # 每個(gè)epoch調(diào)整學(xué)習(xí)率 epoch_loss running_loss / len(dataloader) return epoch_loss4.2 超參數(shù)調(diào)優(yōu)與模型收斂分析超參數(shù)調(diào)優(yōu)是個(gè)經(jīng)驗(yàn)與實(shí)驗(yàn)結(jié)合的過程。我主要調(diào)整了以下幾項(xiàng)并觀察驗(yàn)證集NMSE的變化超參數(shù)嘗試范圍最終選擇影響分析初始學(xué)習(xí)率1e-2, 5e-3,1e-3, 5e-41e-3過大導(dǎo)致loss震蕩不降過小收斂慢。1e-3是個(gè)穩(wěn)健的起點(diǎn)。批大小 (Batch Size)32,64, 128, 25664在GPU內(nèi)存允許下較大的批大小使梯度估計(jì)更穩(wěn)定。但過大可能降低泛化性。64是平衡點(diǎn)。權(quán)重衰減 (Weight Decay)0, 1e-5,1e-4, 1e-31e-4防止過擬合的正則化項(xiàng)。1e-4能有效控制模型復(fù)雜度避免在訓(xùn)練集上過擬合。注意力模塊位置每個(gè)殘差塊后每階段后僅最后每個(gè)階段后在每個(gè)殘差階段后加入空間注意力能讓網(wǎng)絡(luò)在不同抽象層級(jí)上學(xué)習(xí)關(guān)注點(diǎn)效果優(yōu)于僅最后加入。時(shí)間窗口長(zhǎng)度3,5, 7, 105太短利用歷史信息不足太長(zhǎng)增加計(jì)算量且可能引入無(wú)關(guān)噪聲。5幀在性能和復(fù)雜度間取得較好平衡。特征通道數(shù)基數(shù)32,64, 12864控制模型容量。太小欠擬合太大過擬合且計(jì)算慢?;赗esNet-34的設(shè)定從64開始。收斂性觀察訓(xùn)練初期Loss快速下降驗(yàn)證集NMSE同步下降說(shuō)明模型正在快速學(xué)習(xí)。訓(xùn)練中期Loss下降變緩驗(yàn)證集NMSE可能出現(xiàn)波動(dòng)或平臺(tái)期。此時(shí)需要耐心可能是學(xué)習(xí)率過高調(diào)度器會(huì)幫助其下降。訓(xùn)練后期訓(xùn)練Loss繼續(xù)緩慢下降但驗(yàn)證集NMSE不再下降甚至開始上升這是過擬合的典型標(biāo)志。解決策略增加數(shù)據(jù)多樣性生成更多不同SNR、不同場(chǎng)景UMa, UMi, RMa混合、不同用戶速度的數(shù)據(jù)。增強(qiáng)正則化適度增大Dropout率在全連接層或卷積后、增大權(quán)重衰減系數(shù)。早停Early Stopping當(dāng)驗(yàn)證集NMSE在連續(xù)N個(gè)epoch如10個(gè)內(nèi)沒有改善時(shí)停止訓(xùn)練并回滾到驗(yàn)證集性能最好的模型權(quán)重。數(shù)據(jù)增強(qiáng)對(duì)輸入數(shù)據(jù)添加輕微的高斯噪聲、隨機(jī)縮放、或模擬不同的導(dǎo)頻圖案增加模型的魯棒性。我使用了TensorBoard來(lái)監(jiān)控訓(xùn)練過程將訓(xùn)練/驗(yàn)證損失、NMSE、學(xué)習(xí)率變化、以及樣例信道估計(jì)結(jié)果的可視化都記錄下來(lái)非常直觀。4.3 性能評(píng)估不僅僅是NMSE模型訓(xùn)練好后需要在獨(dú)立的測(cè)試集上進(jìn)行全面評(píng)估。NMSE是核心指標(biāo)但還不夠。核心評(píng)估指標(biāo)歸一化均方誤差NMSENMSE 10 * log10( E[||H_est - H_true||^2 / ||H_true||^2] )單位dB。值越小越好。這是最直接的估計(jì)精度指標(biāo)。誤碼率BER / 塊錯(cuò)誤率BLER將估計(jì)出的信道H_est用于后續(xù)的均衡和解調(diào)計(jì)算數(shù)據(jù)傳輸?shù)恼`碼率。這才是通信系統(tǒng)最終的“KPI”??梢岳L制BER vs. SNR曲線與LS、MMSE等傳統(tǒng)方法對(duì)比。一個(gè)優(yōu)秀的信道估計(jì)器應(yīng)該能顯著降低在相同SNR下的BER。頻譜效率Spectral Efficiency在MIMO系統(tǒng)中利用估計(jì)的信道進(jìn)行預(yù)編碼或波束成形計(jì)算可達(dá)的和速率Sum Rate。這能評(píng)估估計(jì)誤差對(duì)系統(tǒng)容量的影響??梢暬治鲂诺理憫?yīng)對(duì)比圖隨機(jī)選取幾個(gè)測(cè)試樣本將真實(shí)信道H_true、LS估計(jì)H_ls和STA-ResNet估計(jì)H_est的幅度/相位分別畫出來(lái)直觀感受改善程度。注意力熱圖將空間注意力模塊輸出的權(quán)重矩陣A_s可視化出來(lái)??纯淳W(wǎng)絡(luò)到底更關(guān)注天線維度的哪些端口、頻域維度的哪些子載波。這有助于理解模型的工作原理甚至可能發(fā)現(xiàn)信道的一些先驗(yàn)結(jié)構(gòu)比如邊緣子載波通常更不可靠。NMSE隨SNR變化曲線繪制不同SNR下各種方法的NMSE曲線。理想情況下深度學(xué)習(xí)方法的曲線應(yīng)始終低于傳統(tǒng)方法且在高SNR時(shí)優(yōu)勢(shì)可能更明顯因?yàn)榫W(wǎng)絡(luò)能學(xué)習(xí)到更精細(xì)的結(jié)構(gòu)。在我的測(cè)試中STA-ResNet在中等至高SNR區(qū)域10dB相比LS估計(jì)有5-15 dB的NMSE增益。在低SNR區(qū)域由于噪聲主導(dǎo)所有方法性能都變差但深度學(xué)習(xí)模型仍能保持一定優(yōu)勢(shì)因?yàn)樗谝欢ǔ潭壬蠈W(xué)習(xí)了去噪。時(shí)間注意力機(jī)制的引入在模擬快時(shí)變信道的序列數(shù)據(jù)上相比僅用空間注意力的模型NMSE有額外1-3 dB的提升特別是在信道相干時(shí)間較短的情況下。5. 項(xiàng)目總結(jié)、挑戰(zhàn)與未來(lái)展望實(shí)現(xiàn)這個(gè)STA-ResNet信道估計(jì)模型是一次將前沿深度學(xué)習(xí)架構(gòu)與經(jīng)典通信問題結(jié)合的完整實(shí)踐。整個(gè)過程下來(lái)有幾個(gè)深刻的體會(huì)關(guān)于注意力機(jī)制的有效性空間注意力確實(shí)能讓網(wǎng)絡(luò)學(xué)會(huì)“聚焦”??梢暬療釄D顯示在網(wǎng)絡(luò)深層注意力權(quán)重高的區(qū)域往往對(duì)應(yīng)信道能量較強(qiáng)的徑或者信噪比較高的子載波塊。這證明了網(wǎng)絡(luò)并非盲目學(xué)習(xí)而是抓住了關(guān)鍵信息。時(shí)間注意力在處理連續(xù)幀時(shí)能有效平滑估計(jì)結(jié)果減少因噪聲引起的估計(jì)值抖動(dòng)對(duì)于跟蹤信道變化很有幫助。關(guān)于數(shù)據(jù)的重要性深度學(xué)習(xí)的性能上限很大程度上由數(shù)據(jù)決定。仿真數(shù)據(jù)的質(zhì)量、多樣性和數(shù)量至關(guān)重要。我最初只用了一種簡(jiǎn)單的瑞利衰落模型結(jié)果模型泛化能力極差換到3GPP模型下性能驟降。后來(lái)混合了多種場(chǎng)景UMa, UMi, 不同移動(dòng)速度不同SNR、大量數(shù)據(jù)10萬(wàn)個(gè)樣本后模型的魯棒性才顯著提升。數(shù)據(jù)工程至少占了一半的工作量。關(guān)于工程實(shí)現(xiàn)的挑戰(zhàn)內(nèi)存管理信道數(shù)據(jù)矩陣通常很大天線數(shù)×子載波數(shù)×?xí)r間×樣本數(shù)。在數(shù)據(jù)加載和模型前向傳播時(shí)需要仔細(xì)設(shè)計(jì)張量形狀避免不必要的內(nèi)存拷貝。使用pin_memory和DataLoader的多進(jìn)程加載能加速GPU訓(xùn)練。復(fù)數(shù)值處理PyTorch原生不支持復(fù)數(shù)需要將實(shí)部虛部分成兩個(gè)通道處理。所有卷積、批歸一化、注意力操作都是對(duì)這兩個(gè)通道同時(shí)進(jìn)行的。損失函數(shù)也需要針對(duì)復(fù)數(shù)形式設(shè)計(jì)??勺冮L(zhǎng)度輸入實(shí)際系統(tǒng)中子載波數(shù)、天線數(shù)可能變化。我們的模型需要能適應(yīng)不同尺寸的輸入。一種方法是使用全卷積網(wǎng)絡(luò)FCN這樣理論上可以接受任意尺寸的輸入。但在實(shí)踐中如果訓(xùn)練和測(cè)試尺寸差異過大性能可能會(huì)下降??梢栽谟?xùn)練時(shí)使用隨機(jī)裁剪或縮放進(jìn)行數(shù)據(jù)增強(qiáng)提升模型尺度不變性。未來(lái)可以探索的方向輕量化與部署當(dāng)前的ResNet-34/50模型參數(shù)量較大不利于在終端設(shè)備如手機(jī)、物聯(lián)網(wǎng)模塊上實(shí)時(shí)部署。下一步可以探索模型壓縮技術(shù)如剪枝、量化、知識(shí)蒸餾或者設(shè)計(jì)更輕量的專用網(wǎng)絡(luò)如MobileNet、ShuffleNet變種。在線學(xué)習(xí)與自適應(yīng)當(dāng)前模型是離線訓(xùn)練、固定使用的。真實(shí)的信道環(huán)境可能不斷變化從城市到鄉(xiāng)村從室內(nèi)到室外。研究在線增量學(xué)習(xí)或元學(xué)習(xí)Meta-Learning方法讓模型能利用少量新場(chǎng)景數(shù)據(jù)快速適應(yīng)會(huì)更有實(shí)用價(jià)值。與通信鏈路的聯(lián)合優(yōu)化不把信道估計(jì)作為一個(gè)孤立模塊而是與信號(hào)檢測(cè)、信道編碼等后續(xù)模塊進(jìn)行端到端End-to-End聯(lián)合訓(xùn)練。這樣可以直接優(yōu)化系統(tǒng)級(jí)的BER/BLER指標(biāo)可能得到更優(yōu)的整體性能。利用未標(biāo)記數(shù)據(jù)獲取大量精確的“真實(shí)信道”標(biāo)簽H_true成本很高。探索半監(jiān)督或無(wú)監(jiān)督學(xué)習(xí)方法利用海量無(wú)標(biāo)簽的接收信號(hào)數(shù)據(jù)來(lái)提升模型性能是一個(gè)很有潛力的方向。這個(gè)項(xiàng)目從理論到代碼的完整走通讓我對(duì)“AI for通信”這個(gè)交叉領(lǐng)域有了更扎實(shí)的理解。它不僅僅是把現(xiàn)成的CNN模型搬過來(lái)更需要根據(jù)通信問題的特有結(jié)構(gòu)如復(fù)數(shù)值、時(shí)空相關(guān)性、物理約束進(jìn)行針對(duì)性的模型設(shè)計(jì)和調(diào)整。希望這份詳細(xì)的總結(jié)能給同樣想深入這個(gè)領(lǐng)域的朋友提供一些切實(shí)的參考和啟發(fā)。代碼和數(shù)據(jù)集的處理管道是其中最具挑戰(zhàn)也最體現(xiàn)工程能力的部分多調(diào)試、多可視化、多思考數(shù)據(jù)背后的物理意義是成功的關(guān)鍵。本文還有配套的精品資源點(diǎn)擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
呦呦影院| 久久久精品国产亚洲伊人| 亚洲一欧洲中文字幕在线 | 亚洲三级。日韩三级| 日本久久超碰| 最新av网站在线观看| 男人的天堂日本东京热| 亚洲欧美在线综合| 久久精品国产亚洲粉嫩| 日本免费一级AAA大片器| 欧美一级A片在线看视频性色| 亚洲男人天堂Av| 97人人爱人人做人人乐| 丰满少妇精品一区二区| 测评在线观看AV| 国产男人又猛又粗又爽| 人人喜人人妻| 精品久热| 超91综合网| 夜夜高潮夜夜爽高清视频一 | 欧美久久毛片基地| 97超碰欧美中文字幕| 乱伦日本中文自拍| 天堂种子在线www网资源| 性色高清在线| 精品人妻少妇| 日韩欧美成人性爱在线| 人妻加勒比东京热| 色噜噜综合在线| 欧美色一二三| 日韩精品-原创伙伴| 在线播放一级无码视频| 丁香九月激情| 色香欲天天天天综合色| 精品欧美老熟女一二区| 91呆哥人妻| 99爱久久视频频| 中国91AV| 黄片无码在线制服| 爱爱久久| 国产老太乱伦一区| 免費黃色視頻觀看一| 超碰97资源中文字幕| 白嫩妹子国产骚| 成人免费视瓶| 亚洲一区二区麻豆影院| 日本三级韩国三级美三级91| 久久一二三四不卡 | 女同在线视频一区| 人妻少妇久久| www.亚洲成人一区| 欧美日韩国产中文精品字幕自在自线,| 精品9999| 欧美大香蕉久| 中文字幕在线观看AV| 久久三区四区| 日本一本一区二区三区四区五区欧美日韩中文字幕 | 尻女朋友一夜| 亚洲综合有码| 久久久久久精品免费看A级| 国产高清不卡视频| 亚洲**2021在线观看| 人人妻人人狠人人| av绯色| 日本3级一区二区免费| 色九九九综合| a片 xxxx受爽视频| 色婷婷99| 欧美性爱网97| 人人操我人人干| 欧美大码在线视频| 99re视频这里只有精品| 成人黑料社久久| 久草精品一区| 高清国产性猛交xxxx乱大交| 97碰碰日本乱偷人妻中文的| 国产精品亚洲天堂网址| 日韩天天本| 国产综合在线视频网站| 69久久久久久久久久久久久| 国产精品人妻熟女aⅴ| 任我爽视频在线观看| 伊人久久亚洲中文字幕| 中文操逼字幕| 亚洲一二三四区机械| 亚洲高清综合网| 亚洲精品三| 欧美图片色五月天| 亚洲av无码成人精品国产| 97草草| 中文字幕欧美日韩三级| 亚洲伊人久久精品狠狠在线| 日韩三A大片在线观看 | 99自拍B亚洲 | 97 亚洲 日韩 欧美 在线| 91成人无码| 99热色精品| 久久一区二区蜜桃| 黄色一区二区秘书性感| 国产美女精品| 成人激情无码在线视频| 91伊人大香蕉| 国产 日韩 欧美 中文 另类,国产 欧美 另类 制服 变态,高清 日韩 欧美 中文,高 | 无码精品久久| 亚洲高清内射| 精品视频一区二区| 人妻少妇精品久久久| 国产精品一区二区校花| 大但人体久久久久| 六月婷婷激情| 国内精品久久人妻性色av| 97超碰日韩| 超碰超碰超碰超碰的大鸡吧操黑丝袜 | 九九九久久久久| 中文字幕性感少妇av| 日本五区不卡| 精品国产片亚洲一区| 超碰久久网| 3028国产精品| 伊人超碰97| 欧洲无码一区二区| 欧美一区二区三区另类精品| 美女91色黄18| 天天干一干| 无码久久国产| 欧洲亚洲天堂精品| 一二三区在线| 国产精品成人久久一区二区三区 | 99日视频在线免费| 亚洲日本韩国极品一区二区| 男女一进一出视频久久| 国产在线精品电影观看| 这里只有精品视频在线| 天天色天天干天天爱| 国产精品动态一区二区三区四四| 九九久久精品| 97狠狠| 亚洲免费日韩在线一区二区| 久久‘黄片视频| 久草资源在线| 欧美综合色站| 国产精品无码AV网站| 男人的天堂va| 亚洲国产中文字幕| 中文一区二区婷婷视频| 欧美成va视频网站| 园内精品自拍视频在线播放| 囯产精品强| 99色色| 午夜.DJ高清在线观看免费7| 婷婷性网| 蘋果手機免費看成人Av| 蜜桃久久一区二区三区| 国产精品免费1区2区视频| 97超碰影音| 国产乱码久久| 国产操逼逼网| 97天天摸天天爽| 91丝袜在线视频| 后入美女国产| 欧美性爱十八禁| 国产精品一区二区手机看片| 欧美第五页| 人妻精品4K4K4K4K4| 在线观看国产黄色| 中文字幕精品免费一区二区| 亚洲综合校园春色| 亚州色图欧美| 久久一区无码| 五月天婷婷综合| 国产成人午夜视频网址| 国产高清无码一区二区三区四区皇冠| 欧美性天天影视| 无码天天操| 欧美黑人极品高潮喷吹熟女黑人性暴力日韩在线欧美极品一区二区 | 噜噜瑟| 日日干夜夜操视频h| 性爱1区| 成人自拍三级在线观看| 一区二区高清视频| 亚洲交性| 欧美亚洲韩国视频十五区 | 国产天美传媒精品| 久久9久9久99久9久9| 国模精品一区二区三区苹果色戒 | 国产剧情一区在线观看| 五月婷婷无码| 日本肉体xxxx裸交| 隔壁邻居波多野结衣中文字幕 | 无码91| 另类图片五月天| 午夜男人av| 91东京热男人的天堂| 99无码| 青青青在线高清视频在线一二三四区| 99精品无码| 夜夜操一区二区| 激情99| 欧美性爱五月天| 国产一区二区三三视频| 日B操| 蜜臀无码视频在线观看| 在线观看亚洲成人精品| 欧美老妇女内射网址| 99re这里只有精品9| 亚州高清AV| 国产精品suv一区| 日本天天吊| 日本色色的视频| 伦伦成年午夜免费视频| 久久av一级av少妇av高潮| 国产福利电影| 亚洲高清无毛一区二区| 国产成人精品必看 | 午夜男人一级A片7777| 做爱A级亚欧| 在线观看成人性爱免费小视频| 日韩AV无码网站| 国产400孕妇孕交群| 欧美色九九九| 亚洲激情AV| 91蜜桃婷婷狠狠久久综合9色| 日本 欧美 国产一区| 欧亚日韩三区| 黑人精品XXX一区一二区| 久久九九97| 老熟女天天操| 午夜αv| 青草精品视频-日本久久久久网站| 中文字幕乱妇免费视频| 超碰97丝袜| 91精片| 日韩性爱啪啪视频| 黑人狂躁日本妞一区二区三区| 国产多人在线观看视频| 久久精品国产亚洲AV片多多| 亚洲黄网在哪免费看| 国产无马av| 久久性爱视频| 99精品在线| 国产一区96在线| 国产精品久久久蜜臀| 超碰中文字幕人妻草一区| 是还免费视频1727我| 精品二区三四区五电影 | 久久综合97| 三男一女不戴套的A片| 国产精品亚洲无码| 黄片直播三级黄片两女一男| 成人a大片在线观看| 睡产熟女乱伦| 欧美少妇熟女| 99精品无码| 大香蕉免| 青青草好吊| 久久精品电影在线| 久久精品一区二区| 日日日日做夜夜夜夜无码| 国产精品香蕉热久久新品| 开心五月激情网| 日韩精品三区四区| 久久久内射良家| 久久高潮妇女视频| 成人一级性爱| 丁香色婷婷| 综合国产97| 久久精品视频一区三区小泽玛利亚| 91中文字幕在线观看| 91精品国产91久久青草| 色狠狠 - 百度| 欧综合网| 亚洲性爱成人| 色综合色色| 操操操操操操| 性色高清..……| 色综合加勒比| 精品免费囯产一区二区三区| 国产一区自拍欧美日韩| 99热| 国产精品97超碰| 精品国产三级av韩国在线 | wwwcaobibi| 99热这里只有精品9| 熟女天天干| 亚洲中文字幕av | 无码久| www.男人的天堂| 久久黄色视频一区二区三区 | 中文伊人大香蕉视频| WWW.加勒比人妻一区不卡.com| 久久久青草青青国产亚洲免观精品高清完整版_97久久综合区小说区图片区,国精品 | 久操免费电影| 日韩高清黄片| 按摩中文字幕| 色逼综合| 一区二区三区视频| 热的中文 热的有码 热的国产| 欧美精品三区| 亚洲1区| 97超碰免费生活| 操国产逼| 美女啊啊啊啊啊啊啊| 亚欧操逼片在线观看 | 超碰98综合网| 久久久97| 国产超碰人人操| 中国国产精品一区视频| 久久大香蕉手机高清视频| 久久久久深夜无码| 乱伦1色页| 久久av色| 国产乱伦性爱区| 天天干天天日天天射黄色| 欧美热图99| 亚洲最大成人a毛毛片| 国产精品经典一卡久久久| 综合欧美亚洲| 久久九九综合| 天美传媒麻豆一区二区三区国产精| 国产高清MV操逼视频| 无码heyzo高清一区| 99久久久无码| 激情熟女12P| 九九精品美女高溯喷水 | 午夜精品久久久久久久久久蜜桃| 精品人妻夜夜草| 天天射日日干| oumeisetu综合| 午夜操一操| 日韩三级视频一区二区三区| 91美女片在线| 日韩高潮一区| 精品91| 欧美三级一级| 日韩免费三级黄片电影| 大香蕉中文aV在线| 樱花蜜乳av| 大香蕉伊人网WWWn0n| 婷婷色综合欧美日韩| 精品国产乱码久久久久久久久1 | 久久精品高清AV| 亚洲drav色图| 在线无码操| 久久久成人精品| 色九九久九九| 吻戏激情性巴克| 成人怡红院| 日本中文字幕在线电影| 不卡视频一区蜜桃视频| 韩国一区二区精品亚洲| av网站免费看| 中文字幕片| 国产AV色黄看到爽| 麻豆色约约| 99热精品免费| 国产色产精品在线观看| 91天堂视频| 中文字幕一二区二三区人妻专区| 久久亚洲色图中文字幕| 欧美精品99久久久**| 屁股久久久久久久久| 青青草天天亲夜夜操网| 91综合熟女| 午夜呻吟欧美| 国产专区第一页| 伊人午夜福利视频| 久久久久久久人妻| 久久国产在线一区二区| 人人摸人人干| 欧美麻豆成人同性GⅤ在线| 色婷视频| 国产家庭乱伦表演| 五月天欧美色图| 久久五月综合| 内射老妇BBWX0C0CK| 国产风韵犹存熟妇三区| 日韩丝袜人妻AV| 日本十八禁免费看污网站| 超碰一区二区| 2010男人的天堂| 狠狠色噜噜狠狠狠狠2018| 欧美天天综合站| 丁香六月综合激情| 国产第12页| 欧美激情一| 91久久久久久久久久久| 日本理论在线| 日韩有码 一区二区三区| 欧美精品三区| 亚洲激情网一二三四区| 亚洲,日韩,欧美,成人播放| 色香91| 麻豆 欧美 日韩| 人人操人人插人www| 天天舔日美女视频| 丝袜视频一区二区在线播放国产中文| 一起草三级AV电影在线观看| 亚洲日本天堂| 五月丁香六月婷| 欧美性爱91| 熟女久久| 国厂麻豆77q4| 巨爆乳肉感一区二区三区竹菊影视| 亚州性色| 91在线丝袜| 欧洲射精91| 国产97色在线| 国产一级137片内射麻豆| 欧美综合另类| 国产精品97超碰| 玖玖爱综合| 五月丁香啪啪网| 在线观看无码三级少妇| 国产亚洲色婷婷久久99精品91 - 百度| 欧洲亚洲综合| 男人天堂一区二区| 久久久91| 亚洲天天更新| 最新精品久久蜜桃| 在线观看十八禁| 色色色色网站| 日本熟女免费視颖| 中文操逼字幕| www.狠狠干.coom | 色丁香五月婷婷| 韩三级a视频在线观看| 日本二三四区| 国产精品夜夜夜| 欧美日本天堂| 97干com| 丁香五月综合| 啪啪综合网| 激情久久久| 国产精品点击进入在线影院| 91综合色噜噜| 啊啊啊操死我| 夜夜欧美 | 伊人网在线视频| 色999人与兽| 91碰碰碰| 色婷婷久久| 俺去俺来也在线www| 无码精品久久久天天影视| 国产强奸乱伦欧美| 男人的天堂 在线一区| 亚洲精品熟妇1区2区3区。| 久久人妻少妇| 男女香蕉一区二区| 欧美日综合| 国产AV激情无码久久无码| 超碰人人操97碰| 岛国1区2区3区在线观看| 国产精品一区二区手机看片| 国产精品福利资源在线尤物| 免费观看成人www精品视频| 69天堂| 亚洲高清视频在线免费观看| 伦理片秋霞免费影院| 密臀AV在线| 嗯~啊~快点 死我视频| 青青草原人妻| 不卡超碰护士AV在线免费播放| 综合色色婷婷| 美女操逼A A| 无码不卡亚洲成?人片| 久操97| 91N综合网| 国产少妇内射| 97se亚洲综合自| 欧美亚洲首页| 9丨久久九九九| 九九AV| 中国AV美女| 大香蕉免费3| 欧美亚洲第一页| 国产精品久久久久久久久久二区三区| 99xav| 日本色日夜干| 青娱乐国产剧情av一区| 东京热一区二区中文字幕| 综合 亚洲 欧美| 9久9久9久9久视频网站| 久久香蕉国产线看观看亚洲女人 | 久久久国产护士丝袜美腿一| 亚洲激情欧美色图 | 国产成人自拍视频在线| 男人的天堂啪啪| 久久久久久夜夜夜夜夜| 国产亚卅97| 欧美黑人极品高潮喷吹熟女黑人性暴力日韩在线欧美极品一区二区老师 | 日韩性爱再线视频| 美女自卫慰黄网站免费| 国产无码久久高清| 亚川综合视频| 国产AV超爽| 精品国产乱码久久久久A| 国产自产91区13区| 蜜臀th| 精品国产99999| 欧美国产精品久久九九| 欧美日韩性爱电影在线| 国产精品免费视频人成| 国产精品久久久久综合| 日本久久久久久久久| 九X超碰| 91碰碰| 91国模| AV一区观看| 熟女突然公开看18禁影片| 玖玖97综合 | 97超碰伊人| 超碰成人人人爽人人爽| 熟女色综合久久| 四虎AV在线观看| 欧美精品丝袜久久久中文字幕| 97超碰中文| 中文字幕制服诱惑| 日韩欧美aⅴ综合网站发布| 综合激情五月丁香| 九九九九免费高| 久久香蕉国产线看观看亚洲女人 | 后入式福利| 97 色综合| 国产一级高跟丝袜| 亚洲va综合va国产va中文| 四虎免费看黄| 欧美日韩1234| 国产呦精品一区二区三区下载| 97久精品| 蜜桃午夜视频一区二区| 亚洲色图尤物视频 | 97亚洲精品超碰| 手机在线播放国产福利| 午夜情侣自拍网站| 欧成人在线| 午夜一级免费毛片| 日韩人妻少妇中文字幕| 超碰在线1234区| 成人26uuu| 国产九月婷婷| 黄站在线免费观看| 少妇无码av专区线| 亚洲熟妇丝袜在线观看| 91欧美综合| 成人三级片无码| 强奸国产在线| 色五月综合| 91嫩草在线| 高清国产无码av| 亚洲天堂,男人| 日韩精品人妻中文字有码在线| 久久久久久99AV无码免费网站| 九九人人操| 99999这里都精品| 亚洲一区日韩精品| 嗯嗯嗯不要不要免费视频| 人妻蜜桃臀| 特级毛片特黄久久免费看| 91九色丨国产丨爆乳| 日韩15p| 精品少妇一区二区三区在线视频| 青青欧洲黑| 国产狂喷潮在线精品| 96精品在线| 亚洲激情久久久伊人综合| 尤物一级在线免费观看| 综合激情一一91| 91在线视频观看国产| 天天夜夜久久| 久久久久亚洲三级电影| 清柠毛片| 亚洲全色网| 伊人AAA| 男人天堂导航| 狠狠爱综合网| 肥佬影院91| www.99视频| 青青草在线视频播放器| 操我无码| 亚洲欧美内射| 国产精品一区二区黄片| 九九九不卡| 国产精品久久久久av| 国产999精品久久久久久| 成人九九| www.色五月| 亚洲色图图片| 区一在线观看| ,成人免费啪啪视频| 欧美亚洲性爱一区二区| 韩国免费播放一级毛片| 在线视频一区二区传媒| 国产女人高潮嗷嗷嗷叫小说 | 男男H黄动漫啪啪无遮挡网站| 天天干夜夜肏| a级理论午夜日本| 欧美日韩不卡传媒| 五月激情小说| 84YTCOM性无码| 亚洲性综合9| 绯色一区二区三区不卡少妇 | 亚洲中文人妻色| 人妻少妇久久中文字幕一区二区 麻豆 | 91人精品妻入口| 亚州久久9| 人妻系列无码专区中文有码| 国产2.3.4区| 大奶啊啊好爽| 91色人妻| 98福利在线视频| h无码动漫在线观看| 啊啊啊啊,啊啊好多水| 99爱精品| 欧美AB在线| 97在线欧洲| 亚洲AV秘 精品久久老牛影视| 久久九九精品一区二区 | 熟妇高潮二区三区| 91av熟女人妻| 很很很很操| 偷看洗澡一二三区美女| 青青在线视频日韩欧美| 九九成人精品| 大香樵伊人网| 女同性恋一区二区三区精品视频| 人人做,人人操,人人摸| 亚洲熟女一区| 噜噜噜无码AV一级一级久久影院| 欧美少妇色图| 国产AV无码AV| 5252色欧美在线男人的天堂| 欧美亚洲综合色| 午夜国产乱伦视频| 久久久青青草| 亚洲色图加勒比| 97看操| 91丨熟女丨丰满熟女| 91人妻人人澡人人爽人人精品| 91中文精品日韩欧美在线| 伊人女女资源在线观看| 蜜臀久久99精品久久久久| 综合久欧洲| 亞洲久久直播| 中文字幕97| 91高潮喷水美女| 九九毛片这里只有精品| 人妻中文字幕精品无码| 97久久超碰日韩精品| 亚洲欧美综合色| 免费综合亚洲中文| 51国产午夜精品视频| 亚洲在线A| 亚洲精品国产精品乱码不卡| 99色色网| 一二三卡欧美日韩人妻免费精品| 日本曲间由美性生活片| 亚洲国产麻豆一区二区三区| 中文字幕一区二区视频在线观看| 色天使AV天堂| 精品人妻1237| 最近的最新的中文字幕视频| 手机午夜电影神马久久| 国产在线激情| 嫩草影院永久在线制服丝袜| 日韩AV电影网站| 午夜福利视频在线一区| 欧美区亚洲区偷拍区| 青草精品视频一日本久久久久网站| 精品无码一二三四区| 中文无码一二三区| 大香蕉九九| 亚洲中文国际强奸字幕| 91人妻人人澡人人爽人人精品| 日韩欧美三级| 亚洲宗合网| 天天操夜夜操狠很操| 91精品人妻一品二品三品| 国产日韩欧美| 少妇同性| 九九热精品在线| 久久综合亚洲色1080p| 人妻一区二区三区四区视频| 欧色网址| 日本好吊色视频| 97视频在线观看高清资源| 六六久久日韩不卡| 亚洲激情在线| 中文字幕国产| 八戒午夜福利理论片| 亚洲综合在线第一页| 丝袜加勒比| 亚洲日本大香蕉1| 日本精品久久久久久久| 九草在线大香蕉| 99re69| 99re这里只有精品3| 国产在线76页| 啊啊啊不要好疼视频| 精品少妇一区二区三区在线视频| 欧美系列在线一区二区| 91精品人妻偷情| 女性喷水高潮在线观看| 91逼逼女人91| 天天添天天干电影| 超碰超碰95| 一品道视频一区二区三区| 五月婷在线| 久久婷婷五月天| 一起草av| 久久99操天天日| 久久九九99| 婷婷丁香五月综合| 亚洲无码99| AV 少妇 人妻 偷拍| 色播五月婷婷| 色情婷婷| 丁香婷婷啪啪| 国产成人亚洲精品自产在线| 色五月婷婷麻豆在| 天天色香欲综合网| 熟女一区二区| 神马久久中文字幕| 婷婷15月天青娱乐| 人人九九精| 抽插一区二区视频| 久久久偷拍| 久久国产乱子伦精品免费女,网站| 欧成人精品一区二区三区| 91日韩国产欧美亚洲另类精盘州至城都| 亚洲无码一区成人免费午夜| 99夜夜操| 人人操人人摸人人骑| 午夜福利国产欧美日韩夜夜| 老外又粗又长一晚做五次| 国产v片在线免费观看| 18禁在线视频| a天堂视频| 无套内射性感少妇视频| 亚洲欧美国产日本一区二区三区 | av天天在线观看| 欧美性爱一内片一区二区三区| 黄总AV色图| a片亚洲一本通视频| 久久婷婷苹果| 97亚洲精品| 狠狠操官网| 欧美十八禁在线看| 加勒比在线视频| 九九亚洲精品| 怡春院久久| A级在线视频| 911av网站免费观看| 久久曰曰| 五月天色图| 精品人妻无码一区二区三区不卡-精品人妻无码一区二区...|精品少妇一区二区三 | 岛国AV一区二区电影| 啊a一区在线| 人妻激情在线视频| 99热一区二区三区四区| 探花视频免费观看国产专区| 在线亚洲 欧美 日本专区| 午夜国产成人精品视频| 国产三级多多影院2022国产AA一级毛片无码| 播播亚洲小说亚洲| 亚洲天天艹| 女人的天堂大香蕉网| 日韩青久久| 精品综合久久久久久五月天| 久草国产在线视频| 亚洲五月天激情| 久久国产对白激情浪潮 | 日本五十路熟女一区二区| 男人的天堂2019AV| 日韩欧美偷拍美女视频| 亚洲毛片久久| 一区操逼日比视频| 91在线色综合| A男人的天堂| 天天拍夜夜| 国产精品自拍xxxx| 蜜桃色色网站视频三区| 欧美亚洲激情一二三| 欧美日韩在线小说| 福利在线观看一区二区| 中文字幕制服欧美久久一区| 久久久久久久久女黄| 国产午夜精品在线观看| 999国产精品999| 欧美中文字幕一区| 人妻喷水| 亚洲 日本 国产 综合| 思思热在线| 91伊人久久在线| 亚洲av成人精品一区| 国产精选三级在线观看| 欧美91网站| 亚洲天天综合| 国产激情片在线观看| 秋霞午夜视频一区二区| 国产精品伦理| 中文字幕日韩人妻视频一区二区三区| 大香蕉 222| 91综合天天| 无码WWW免费视频网站| 激情图片亚洲色图| 伊人久久AV诱惑悠悠| 日韩黄色一区二区三区| 中文字幕人妻色偷偷久久皮| 婷婷涩嫩草鲁丝久久午夜精品| 欧美久久伊人| 激情文学 亚洲图片| 尤物视频视频官网| 2018色综合天天操| 无码人妻丰满熟妇区毛片| 亚洲av无码成电影在线播放| 97WW精品| 人人澡人人干| 欧美日韩性爱精品| 久久女女| 欧美日韩国产高清在线一二三区| 婷婷五月天久久精品视频一区二区三区| 亚洲成人贴图| 欧美一级色| 成人开心网在线视频| 夜夜天天噜狠狠爱2021| 日本123区操B视频| 啊啊啊好疼| 高清一区AV无码| 特级大荫道BBwBBwBBW| 久操国产在线| 五月天婷婷基地| 大香蕉十区| 亚洲中文字幕在现观看| 日韩素人无码一区二区三区三州| 欧美一区二区三区成人性生活| 岛国免费黄色网址| 日韩精品人妻中文字幕久久久| 欧美性爱超碰97| 成人丁香五月| 国产精品一区在线播放| 国产精品久久久久综合| 人人九九精| 久久激情亚洲精品无码?V| 欧美日韩天堂| 亚洲第2页| 国产精品久久久久久久久久久久久久久久久久 | 91骚妇| 国产一区二区成人av在线播放| 久久久久久久久久久人妻| 欧美亚洲中文| 青娱乐导航AV| 国内毛片热久久思思热| 亚洲第一页欧美| 无码免费在线观看黄色片| 日韩成人午夜精品久久高潮| AA级电影三区| 亚洲日韩东京热一区| 亚洲AV操| 精品一二三区女同| 人、人、摸,人、人、草| 久9久9久9久9久9久9| 国产精品亚洲一区二区三区四区| 麻豆色约约| 婷婷综合网| 天天综合色图| 色性荡荡荡荡视频| 日本操逼视频在线| 欧洲精品在线播放| 欧美不卡二区| 日本久久久久久久久久| av日韩在线观看电影| 啊啊啊男女| 蜜桃久久综合视频| 成 人 A V免费视频在线观看| 330Dv国产女人终合视频极品人与兽 | 久久久久久日韩| 久久精品人妻一区二区三区| 熟女乱伦二区| 国产精品国产精品国产| 欧洲Au麻豆| 色色福利| 性欧美999| 思思热在线| 国产精品麻豆成人av| 人妻内射一区二区在线视频| 久久久97| 成人免费性爱视视| 嗯嗯啊啊视频一区二区三区| 国产一级αv免费看片| 97超碰欧美手机| 成人精品视频一区二区| 性在久久久久久| 91痴汉| 天天插天天插| 岛国1区2区3区在线观看| 蜜乳av一区二区三区| 99色在线| 精品国产91av一区二区三区| 日韩天天综合| 欧美黑人与女人91~| 亚欧无码在线| 蜜臀视频网站| 精品一区二区三区四区外站| 婷婷五月综合激情| 日韩免费三级黄片电影| 91天堂丝袜美腿| 日本人体九九九九九九| 搡老女人老妇女AAA一VU麻豆| 久操国产在线| 中文字幕78| 亚洲超碰在线| 影音先锋日本乱伦| 一本色道久久综合狠狠操| 射 色综合| 特级毛片特黄久久免费看| 射综合网| 丝袜狠狠草尤物 91| 99色悠悠| 亚洲无码一区二区三区三州| 97综合在线| 亚洲欧美综合网站| 天堂资源欧美| 激情深爱五月天| 国产精品爽爽v| 九九亚洲| 另类老少妇| 天堂麻豆天美| 97久久精品亚洲| 久久国内| 9久久久久| 性九九九九九九| 久久久久久久久久久人妻| 五月婷婷久久综合| 激情五月天插| 国产女大学生AV| 色欲久久99精品久久| 国产精品九9| 狠狠干,狠狠操| 成人 日本A片无码8888| 欧美黑人极品高潮喷吹熟女黑人性暴力日韩在线欧美极品一区二区老师黑人潮喷一 | 精品人妻一区二区三区-国产精品| 极品色www影院| 性爱Av免费| 国产女大学生AV| 久热精品在线| 欧美亚洲国产日本在线,久久精品国产| 婷婷五月天网| 日韩,欧美,中文在线| 日熟女| 日本孕妇一区二区视频操逼免费看| 九九九九九九免费视频| 99只有精品| 91大神电影天堂| 久久婷五月| 国产极品美女高潮无套在线观看| 欧美亚洲国产91在线| 91日韩| 快灬快灬 一下爽蜜桃在线观看| 五十路熟女在线不卡观看一区二区| 日韩精品第3页| 91亚洲不卡一区| www.天天干| 天天操天天舔| 丁香六月东京热| 岛国毛片手机在线观看| 国产高清精品一区二区三区毛片 | aaaa黄片| 亚洲黄色a级片| 超碰无码加勒比| 国产精品视频自拍在线| 国产精品com| 91天天| 久久精品熟妇丰满人妻99| 亚洲色人阁| 日本熟妇人妻一区二区三区| 成人在线午夜视频一区| 久污| 劲爆欧美人妖三区91| 亚洲人码13| 天美一区在线| 亚洲国产中文字幕| 天美一区在线| 91网站18+| 精彩久久中文| 日韩中文9| 欧洲亚洲综合| 欧美色一二三| av东京热男人的天堂| 99热 按摩 日韩| 色999偷自拍拍| 久久AV无码1区2区3区| 久久伊人青青草| 偷拍在线观看视频| 99在线啪| 熟女久久久| 国产丝袜高跟美女av免费观看| 97情超碰色| 在线情色电影 91大 | 天堂综合| 懂色av中文字幕一区二区三区天美| 91精品少妇搡搡搡| 欧美图片色五月天| 欧美精品庄| 国产精品乱码久久久久| 东北少妇高潮zzzz| 99e久久国产精品| 成人三一级一片aaa| 黄片无码在线制服| 亚洲操操| 91人人爽人人爽人人人,gav福利视频导航,日韩欧美亚洲国产字幕四区 | AAAA欧美日韩| 国产一级不卡在线观看| 久久无码电影| 五月婷婷色| 九九九午夜| 91N综合在线| 麻豆区久久久久亚| 激情欧美97| 亚洲中字幕日本一区二区三区| 久久天天艹| 国产第25页在线观看| 亚洲无码99| 综合久草| 天综合网欧美| 日产精品久久久一区二区| 国产白丝网站| 欧美人黑A片无码免视费| 12一15性XXXX粉嫩国产| 日韩亚洲中文有码视频| ,成人免费啪啪视频| 国产精品亚洲一区二区三区四区| 综合五月天| 大香蕉综合久久| 激情内射| 色哟哟 日韩精品| 亚洲va有码在线天堂| 丁香五月影院| 免費人妻夜夜爽天天爽爽一区| 98超碰日本| 精品999一区二区| 久久精品欧美一区二区三区不卡| AV无码久久久精品| 90后性网国产欧美| 欧美精品在线观看| 日本999精品| 欧美91网| 亚欧性爱无码| 久99| 青青欧洲黑| 9久久精品| 欧美性爱日韩性爱| 丁香啪啪| 99色骚| 亚洲色图A| 日韩精品人妻一| 日日夜夜干| 999九九精品| 神马久久午夜| 日韩av在线免费网站| 久久最新免费视频23| 中文字幕在线第二页| 国产91福利小视频在线观看| 色小视频蜜乳| 97精品视频免费| 91制服丝袜中文字幕| 婷婷在线视频在线观看| 久久乐| 精品中文一区二区| 97精品一区二区视频| 人人操人人狠狠操| AV丝袜少妇| 久热热| 被体育老师抱着c到高潮| 超碰97资源大奶| 78m成人视线| 欧美一级特黄淫片在线观看| 青娱乐亚洲热| 人人操超碰在线| 蜜乳Av成人片网站| 超碰国产在线| 欧美91在线+|+欧美| 精品夜夜澡人妻无码AV| 风流老熟女一区二区三区l| 激情99| 神马久久免费电影观看| 男人天堂网站| 99激情视频| 91性| 国产真乱mangent| 少妇超碰在线| 国产乱不卡| 激情小说成人日本无码一| 亚洲成人一二三区| 天天拍夜夜| 亚洲国产成人高清在线| 超碰1997| 无码动漫av中文字幕| 国产丝袜美女诱惑| 偷偷人人精品女女久久| 色久桃花影院在线观看| 97se综合网| 欧美v日韩v亚洲v最新在线| 国产精品大香蕉| 亚洲综合大片| 国产精品不卡一区二区三区av| 韩国久久97| 大香蕉性欧美| 欧美 日韩 亚洲 春色| 德国一二三不卡| 国内一区二区免费| 久久午夜伦| 97资源站国产精品| 强奸国产在线| 91精品成人| 色综合V| 亚洲欧美爆| 天天看夜夜看日日干| 精品久久久久久亚洲| 色原狠狠天天天| 天天视频黄网站| 夜色97| 九九探花视频在线观看| 91超碰在线播放| 日操粉逼逼| 久久久久久久九九九九九九| 亚洲aV性爱| 日韩综合色网| 五月婷网站| 打av高清| 黄色无码高清黄色无码网站| 大香蕉在线视频15| 精品一区二区三区18| 色综合99| sewuyueav| 婷婷在线播放| 蜜臀视频网站| 天天综合亚在线| 久久精品人妻一区| 欧美淫穴| 久久成年片色大黄全免费网站| 青青草黑寡妇男人天堂| 乱伦熟女专区| 热久日综合| 芊芊操逼视频无码| 大香樵伊人网| 久久专区| 久久婷婷一区二| 激情小说在线视频| 欧美精品另类人妖xxxx| 亚洲本色精品一区二区久久| 欧美成人午夜免费福利785| 亚洲欧美国产精品久久久久久久| 免费黄色视频网址| 麻豆AV一区二区天美传媒| 电影69乱码96| 小说区 图片区色 综合区| 中文字幕免费观看| 中国国产精品一区视频| 成人日本片久久久蜜桃| 中文字幕 码 自拍 视频 区|