欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營的一線實(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)行說明、2個(gè)文本配置文件requirements.txt、說明文件.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)無線信號(hào)遇上“注意力”最近在折騰一個(gè)無線通信系統(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。簡單來說信道估計(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)帶來的快時(shí)變、密集城區(qū)帶來的豐富多徑、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。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。空間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)簡化的實(shí)現(xiàn)可能長這樣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)部和虛部兩個(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)理論說得再多不如一行代碼。這部分我會(huì)詳細(xì)說明實(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??梢詫?shí)時(shí)查看損失、信道估計(jì)誤差如NMSE的變化??蛇x但推薦的庫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)研究我們通常無法獲得海量真實(shí)信道測量數(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 # 場景標(biāo)簽 }我使用h5py將成千上萬個(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)重再廣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): 簡化時(shí)間注意力模塊處理固定長度序列 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??紤]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砀玫姆夯阅?。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。scheduler optim.lr_scheduler.CosineAnnealingWarmRestarts(optimizer, T_010, T_mult2, eta_min1e-6)T_0是初始周期長度epoch數(shù)T_mult是每次重啟后周期長度的倍增因子。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)間窗口長度3,5, 7, 105太短利用歷史信息不足太長增加計(jì)算量且可能引入無關(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。看看網(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。后來混合了多種場景UMa, UMi, 不同移動(dòng)速度不同SNR、大量數(shù)據(jù)10萬個(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、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)督或無監(jiān)督學(xué)習(xí)方法利用海量無標(biāo)簽的接收信號(hào)數(shù)據(jù)來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
色色色综合视频| http://www.sd-xiangsu.com/| 最近中文字幕大全免费版在线 | 亚洲另类电影| 婷婷五月丁香综合激情| 操笔无码| 丁香五月手机在线| 在线播放成人| 嫩草AV久久伊人妇女超级A| 色婷婷五月天激情综合| 99精品自拍| 日本一級黃色一級片| 五月天婷婷综合免费| 99亚色色色| 大地资源色婷婷视频在线| 五月久久婷婷成人网| 狠狠搞五月天| 97干免费视频| 色婷婷综合影院| 久久人妻人人槡| 丁香五月婷婷综合激情哟哟哟| 超碰93在线观看| 99热99ai| 国产一级片| 五月天丁香啪啪网| 国产成人精品一区二三区熟女在线 | 99九九在线视频| 中文字幕av在线| 任你擦免费视频| 777色色色| 色综合色色| 深爱丁香网| 日本9区视频| 色婷婷手机在线| 亚洲亚洲人成综合网络| 夜夜 操无码| 婷婷五月天激情丁香| 高清无码.com| 性色人人爽| 天天操天天插天天射| 99视频| 欧美色色网| 丁香五月婷婷婷婷欧美综合| 超碰人妻在线| 另类激情码| 97操碰人免费| 99热97美女| 免费无码毛片一区二区A片| 色欲久久久久久综合网综合网| 丁香六月婷婷综情欧美| 97精品综合久久| 九九热99精品| 久久久久久久,99精品视频| 色色婷婷五月| 99热网站| 九月丁香八月婷婷加勒比| 91精品丝袜久久久久久| 五月婷婷影院| 婷婷丁香六月| 精品少妇人妻AV无码专区偷人| 色欲色香综合网| 激情五月婷婷开心网| 狠狠干伊人| 99热欧美在线观看| 久久婷婷啪啪视频| 色,激情五月天| 色综合天堂| 欧洲区自拍| 欧美怡红院黄站| 欧美人与性动交CCOO| 五月天激情久久| 久99视频| 少妇AB又爽又紧无码网站| 五月天色丁香| 性欧美大战久久久久久久83| 大香蕉综合视频在线| 欧美色男人网站| 六月婷婷激情| 伊人爱爱日本| 久久婷婷五月综合啪| 1区2区视频| 综合99视频| 熟女五月天久久综合| 婷婷色色狠狠| 五月熟妇婷婷久久| 久久婷婷激情视频| 91丁香五月| 欧美性爱一区| 日本一级一级一级一级| 久久婷婷原创视频| 超碰69天堂| 国产高清视频91九九九久久久| 久久婷婷一级片| 久久九九热38| 亚洲乱码在线观看| www.五月天性.com| 美英法精品无码免费视频| 色婷婷香蕉丁丁网| 激情婷婷六月天| 久久五月天色婷婷| 色狠狠色噜噜AV天堂五区| 色欧美一级| 1024操逼| 玖玖爱资源站| 色婷婷亚洲在线| 色婷婷丁香五月色综合网| 这里只有精彩视| www.色婷婷.com| 久久久久久97| 久久桃花网色婷婷| 99热日韩| 天天天天天操| 好大好粗嗯啊-一级黄色大片免费观看-成人AV | www.五月天| 成人 在线 日韩| 天天干天天操天天拍| 国产午夜精品一区二区三区嫩草| 美欧成人视频| 五月天影院婷婷在线观看| 一本伊人色婷| 开心激情站| 色五月天丁香婷婷| 丁香五月婷婷影视先锋| 婷婷五月天综合激情| 六月伊人婷婷| 九九色热| 九九激情视频| 五月婷婷免费| 91超碰在线观看| 成人做爰高潮A片免费视频| 这里只有精品视频在线看| 人。妻久久| 开心深爱激情网| 以及AA大片看看| 色噜久| 激情五月天在线观看婷婷| 五月开心深爱激情网| 色色无码| 日韩AV在线免费| 亚洲小视频免费观看| 五月开心深爱激情网| 丁香六月综合激情| 色播五月综合网| 久99热| 桔色成人在线| 一本色综合色| 五月丁香激情五月天| 丁香婷在线| 久久精品人妻| 日韩欧洲亚洲| 日韩AV大全| 久久婷婷精品| 丁香六月综合激情| 五月婷婷熟女| www.婷婷,com| 婷婷五月激情六月| 国产超碰av| 亚洲久久视频| 久久人妻久久| 人妻中文在线| 色婷婷丁香五月| 亚洲AV另类| 五月丁香六月激情综合在线| 江苏少妇性BBB搡BBB爽爽爽 | 五月婷亚洲精品AV天堂| 9久国产精品| 九九热视频精品| 亚洲日韩成人三级av| 亚洲丁香花色| 婷婷五月情| 五月婷婷色色网址| 日本五月天婷婷丁香| 99热在线这里只有精品| 五月天激情综合网| 狠狠va| 五月婷婷,六月丁香| 激情久久久久久久久| WWW,婷婷,COM| 琪琪色影音先锋| sewuyuejiqingwang| 九九热精品| 996热| 婷婷激情人妻| 丁香六月激情毛片| 一起草Av| 青青热视频| 97碰人人操| 91欧美日韩| 久久这里只| 日本在线观看99| 久香草视频在线观看| av国产精品| wwW天天干| 激情五月婷| 欧美天天草人人草| 嫩草极品| 2025色婷婷| 丁香狠狠操| 综合激情视频| 欧美99热| 婷婷综合中文| 亚洲另类日本| 91在线日| 亚洲综合另类| 俺去也在线www色官网| 婷婷在线中文字幕| 99热亚洲| 在线观看熟女少妇| 久久XX日本综合| 这里只有精品9| 狠狠色综合久久久久| 九九无码视屏| 亚州操逼网| 丁香婷婷九月| 婷婷亚洲丁香五月| 日韩情色在线观看| 九九黄色网| 亚洲色色图片| 婷婷丁香婷婷97| 五月婷婷啪啪| 色五月综合婷婷久久综合婷婷久久综合婷婷久久综合婷婷久久 | 人人操人人爱丁香五月| 最新日本A片| 曰韩五月丁香色婷婷无码| 丁香桃色网| 色婷婷WWW| 丁香五月激情综合久久| 极品少妇XXXX精品少妇偷拍| 人妻久热| 天天做天天摸| 天天艹夜夜爽| 丁香五月婷婷深五月| 不卡成人免费| 激情内射人妻1区2区3区| www.jiujiujiu| 亚卅毛片| www.99热在线| 日噜噜色| 欧美日本国产| 成人看片网站| 五月激情婷婷丁香| 色综合九九| 五月天婷婷丁香社区| 亚洲精品99| 成人丁香婷婷| 免费无码毛片一区二区A片| 婷婷五月丁香综合激情| 五月花亭亭| 99久久久国产大片区| 91久久五月天| 激情亚洲婷婷| 色情五月天丁香社区| 玖玖色综合色| 亚洲天堂色| 激情第四色| 人人操AV| 97AV在线视频| 婷婷综合激情| 色播播五月天| 99精品一二三四视频| 久草热视频在线观看| 五月天婷爱综合| 欧美情月伍月天| 色欲五月婷婷| 欧美啪啪9| 激情婷婷综合网| 亚洲在线网站| 丁香综合久久| 色婷婷文字幕| 亚洲AV另类| 免费99色| 色情婷婷。| 狠狠色综合图片| 久草婷婷网| 日日躁夜夜躁狠狠久久AV| 丁香午夜天| 91一起艹| AA片在线观看视频在线播放| 激情AV综合| 色欧美一级| 激情网 久久| 刘玥av在线| 婷婷婷婷婷婷婷婷婷婷丁香| 99热人人操人人操| 婷婷丁香综合| 色婷五月| 久久96热| 久久综合激情| 五月婷婷六月综合| 伊人婷婷色激情丁香| 欧美日韩成人在线| 伊人干综合| 五月天婷婷激情网| 色九月国产| 伊人大香五月天| 亚洲色久| 久久机热思思热| 夜夜夜叫天天天做| 五月 激情视频| 91色婷婷综合久久中文字幕二区| 日日干夜夜干| 亚洲AV永久无码影院黑人| 丁香五月婷婷高清| 色很很96| 五月丁香婷中文字幕 | 婷婷五月丁香成人| 五月天激情国产综合婷婷婷| 99爱爱| 精品国产乱码久久久久夜深人妻 | 99久久人人| 日本精品九九九| 丁香五月激情婷婷视频| 99这里有精品视频视频| av中文在线| 开心激情网五月天| 国产97在线日韩亚洲女人被黑人巨大| 91精品久久久久久久久| 奸逼视频| 伊人激情| 久久人视频| 婷综合| 丁香花五月天| 婷婷狠狠操| 双性美人被调教到喷水A片| 97人人妻人人艹| 精品久9| 日本9区视频| 婷婷五月天成人在线视频| 丁香激情六月天婷婷| 色五月五月婷婷| 91超级碰碰碰| 欧美三级欧美一级| 综合婷婷都市激情| 五月天久久色| 伊人五月婷婷| 亚洲综合1024| 亚洲精品网址| 成 人 色 色| 97久久超碰| 五月婷婷丁香日韩在线| 99热精品10| 欧美乱码国产一级A片| 夜夜爽77777妓女免费下载 | 99无码黄色视频| 婷婷综合| www.zbzhongsen.com| 亚州色色色| 婷婷97狠狠成人网站| 91丨九色丨老农村| 婷婷丁香五月综合激情视频| 丁香五月成人| 无码啪啪| 欧美人人操| 日日操无码| 丁香五月天婷婷久久| 五月婷婷99热| 啪啪 综合网| www,欧美干干干干干干| 六月婷婷综合| 天天搽天天射| 婷婷五月成人| 五月天色官网| 在线看的免费网站| 夜夜爽日日躁| 色99色| 日韩精品无码99| 日本熟妇精品99| 久久人妻视频| 激情丁香久久| 国熟女视频| www,26uuu,c0m,色情| 亚洲视频二区| 亚洲人成网站999综合| 在线天堂9| 丁香五月aV| 丁香激情四射| 丁香六月婷婷色XXXX| 人妻激情视频| 99er6热在线观看精品6| 五月天色不卡| 久操干| 久久99色色| 碰碰女| 色色色九九九五月婷婷| 久久精彩综合视频| 国产精品国产| 激情五月天.色网| 天天射影| 毛片新网地| 黄网在线免费| 亚洲小说五月婷婷| 色婷婷AAA| 九九伦子片| 天天天操天天天爰| 狠狠操综合| 婷婷热色| 开心五月丁香啪| 91蜜桃婷婷狠狠久久综合9色| 五月丁香激情怕怕| 天天干天天干天天干| 99热国产在线| 99热这里只有精品2016| 97人人干| 天天日日人| 99精品热| 97碰碰人人视频| 甈吧vv| 亚洲激情久久| 久9热视频在线观看| 狠狠色综合五月| 国产精品18久久久| 这里只有精品99视频| 激情av| www.久久9| 五月激情婷婷女| 亚洲激情在线| 九月丁香亭亭| 狠狠精品干练久久久无码中文字幕 | 五月天狠狠干| 女同在线9| 夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂夂亚洲亚洲亚洲亚洲亚洲亚洲亚洲亚洲色 | www色中色综合| 成人无码髙潮喷水A片| 视色网在线播放| 狠狠狠狠狠狠| 五月久久亚洲| 久久天堂女人| 五月丁香激情综合| 情色五月天网站| 日韩久热| 丁香六月婷婷激情综合| 97色色网| 99热精品6| 丁香婷婷综合喷| 亚洲国产精品VA在线看黑人| 亚洲欧洲国产精品| 啪啪综合网| 深爱激情四射| 婷婷五月视屏| 婷婷色在线视频| 丁香九月综合| 六月丁香五月激情亚洲AV| 久久xx| 日本熟妇人妻在线| 99热精品超碰| 色综合久| 去干网最新版本亚洲版| 婷婷亚洲久久| 久草热在线视频| 天天干狠狠操| 日本天堂网站99| 五月天综合在线| 九九99免费理论| 99久久这里只有精品| 婷婷免费成人视频| 天堂久久大香蕉| 国产激情AV| 色六月天天激情综合网| 亚洲狠9| 影音先锋91资源站| 在线,国产,色,热视频| 5月丁香美女影院| 色久丁香五| 婷婷丁香六月| 91人妻人人操| 激情五月综合| 亚艹艹| 久久99久久99精品免观看粉| 1024在线一区| 另类专区在线| 色婷婷九月| 超碰在线精品| 亚洲成AV人片在线观看| 香蕉婷婷| 丁香婷婷婷五月| 成人一级片| 九九热青草| 色噜噜狠噜噜视频| 深爱激情九九五月天 | 另类专区在线观看| 丁香五月五婷| 午夜理论片最新午夜理论剧 | 99激情视频热| 激情综合网址| 色婷大香蕉| 丁香六月欧美| 夜夜骑夜夜操| 亚洲天堂AAA| 91干在线| 色婷婷影视99| 99ER热精品视频| 99在线视频精品| 这里只有精品久| 九九综合久久| 五月婷婷婷| 色五月情| 深爱综合网| 思思热精品在线视频| 天天日天天插| 99色视频在线| 青青草原99热| 狠狠狠人妻| 激情四射网| 丁香五月婷婷香| 久热婷婷| 丁香五月影院| 任你日视频| 五月天激情网开心网| 乱女乱妇熟女熟妇综合网站| 人人操97| 久久久久激情网| 色色婷婷综合| 国产成人精品123区免费视频| 久久伊人婷婷| 色欲影香| 精品人妻久久久久久| 日本熟妇人妻在线| 综合狠狠五月婷婷| 婷婷丁香五月天色播网站| 97久久精品| 琪琪色影音先锋| 丁香婷婷影院| www.色欲丁香婷婷| 天天干天天日蜜臀av| 久9热| 99热啪啪| 99九九久久| WWW99热| 五月天淫乱视频| 丁香五月六月婷婷殴美综合| 99热亚洲精品66| 婷婷五月天性| 99精品久久久久久久婷婷久久| 五月天婷婷午夜丁香| 成人网站在线观看视频| 操B五月天| 99re久热只有精品6在线直播.com| 97婷婷五月| a性生活久久无| 五月婷婷操操| 中文字幕操比影片| 伊人超碰在线| 99热99思午夜精品| 色婷在线视频| 97碰碰视频在线观看| 噜噜视频| 日韩成人电影在线播放| 91在线日| 网站免费一站二站| 中文字幕 中文字幕明步| 99国产精品白浆在线观看免费| 婷婷大香蕉| 天天天天干| 亚洲国产无线乱码在线观看| 91 影音先锋| 日本色啪| 五月丁香婷婷婷激情爱爱| 久碰综合| 伊人久久婷婷| 岛国资源网| 五月天色在线| 天天日天天草| 五月天激情四射| 色色色色热| AA片在线观看视频在线播放| 综合色七七| 色停停影院五月天| 色狠狠色综合久久久绯色AⅤ影视 大香蕉五月天婷婷丁香91 | 激情综合五月天| 色色五月天丁香| 精品久久99码| 爆乳熟妇一区二区三区四区| 97狠狠碰| 色婷婷成人| 五月激情网五月综合网| 五月天婷婷激情综合| 九九热99熟女| 中文字幕人妻熟女在线| 五月婷婷亚洲综合在线| 丁香五月综合| 开心综合激情综合| 婷婷综合亚洲| 99ER热精品视频| 九九热99精品| 五月色婷婷综合色| 色五月丁香网| 色色性爱视频| 丁香六月天婷婷色| 成人在线不卡| 五月色婷婷激情| 97干在线播放| 色婷婷网大全在线| 超碰成人电影| 国产AV一区二区三区日韩| 日本英国美国欧美亚洲国产精亚洲日韩精品在线观看 | 丁香五月社区| 嫩草AV久久伊人妇女超级A| 超碰99热在线观看| 99久久99热| 停停五月丁香| 99爱视频| 99精品在线观看视频| 色的色综合| 色综合九九| 99精品在线| 国产1区2区| 色色99色色| 人人草人人爱| 激情涩播| 色五月婷婷 成人| 日婷婷久久开心| 99性爱视频| www.久久久久久| 99热这里有精品24| 这里只有精彩视频| 91人人澡人人爽人人看| 丁香久久久| 日本片日本片祼观看网站在线看中文版网页在线看 | 免费看欧美成人A片无码| www久久艹| 思思热久久爱| 伊人综合网站| 丁香婷婷六月激情文学| 色欲影香| www.激情五月天.com| 丁香狠狠| 久99| 久久久久久久久久久97| 日本 @ va 免费| 丁香五月婷婷啪啪| 丁香五月激情婷婷视频| 内射综合网| 亚洲乱啪| 婷婷五月色網站| www.色五月| 99综合视频在线| 91婷婷丁香五月| 日韩三级视频一区二区| 久热精品视频| 五月婷婷丁香日韩在线| 综合五月亭亭9| 思思热在线| 五月婷婷色情| 五月婷婷中文字幕| 六月色激情| 99久在线精品99re8热| 日韩无码AV电影网站| 婷婷五月天视| 偷拍五月丁香| 欧美激情丁香五月| 这里只有精品1| 婷婷久久五月| 欧美人妻一区二区| 激情九月综合| 久久久久9999| 丁香 婷婷 激情 综合 五月| 亚洲热久久| 91成人视频| www99在线观看视频| 亚洲九九视频| 日韩欧美一道四区中文字幕| 五月丁香啪啪啪| www.99精品视频| 99精彩视频| 2015WWW永久免费观看播放| 五月丁香婷婷成人网| 久久一伦| www.久久综合| 大香蕉婷婷色| 久久人人妻| 色色亚洲无码| 五月丁香婷婷成人网| 婷婷六月色情| 东京热人妻一区二区三区在线| 五月婷婷啪啪啪啪| 久久日曰| 婷婷伊人综合中文字幕| 欧美啪啪9| 国产毛片精品一区二区色欲黄A片| 五月天激情小说| 亚洲超碰在线| 极品人妻videosss人妻| 丁香五月色情av| 激情综合网五月激情网| 99久久婷婷五月综合| 久久精品婷婷| 99re这里只有精品免费| 精品一二三区久久AAA片| 开心五月综合| 黄色片精品| 婷婷综合| 天天操夜夜玩!| WWW.久久99| AV在线免费播放| 色婷婷婷av| se色婷婷视频| 成人短视频在线免费观看| 久久九九99| 性按摩玩人妻HD中文字幕| 五月丁香亚洲婷婷| 91Chinese在线| 青草青草视频2免费观看| 激情小说视频图片网| 日本99在线| 婷婷色播婷婷| 五月天婷婷无码视频| 91久久综合亚洲鲁鲁五月天| 男女啪啪做爰高潮无遮挡| 六月婷婷九月丁香亚洲综合| 91狠狠综合网| 亚洲AV在线免费看| 日本三级中文字幕| yazhouzonghesese| 黑人无码一区| 欧美操人| 人人摸人人干| 日韩成人精品一区久久久久| 超碰成人av| 熟女人妻视频| 婷婷97碰碰| 婷婷精品在线| 99在线播放视频| 五月婷婷久草| 婷婷婷婷色| 丁香五月五月婷婷五月天激情四射| 超碰超碰在线| 一区操| 婷婷五月激情网| 开心五月深爱婷婷| 狠狠色婷婷在线| 91精品啪| 日本人人超碰| 天天肏夜夜肏| 五月丁香成人视频| 五月丁香婷婷五月色| 99精品久久久久久久| 亚洲乱码日产精品BD| 色欲丁香| 狠狠操狠狠操| www,婷婷五月天,com| 这里只有精品视频222| 婷婷伊人綜合中文| 国产肥白大熟妇BBBB视频| 色婷操逼| 欧美α√| 成人性爱精品视频| 色9色| 成人网址在线观看| 操日本三片99| 五月丁香综合网| 欧美三级巜人妻互换| 99re这里| 久久婷丁香五月| www天天爽| 丁香伊人综合| av 一区三区四区| 久久久99婷婷久久久久久| 中文字幕欧美精品久久| 丁香情色五月| 俺去也五月| www.99热| 97色色色色色| 中文字幕在线播放视频| 日日干天天| 99热99色| 免费五月婷婷网| 色小说五月婷婷| 熟女五月天久久综合| 狠狠艹狠狠艹| 亚洲欧洲99| 色播丁香| 日本欧美在线| 大香蕉婷婷色| 亚洲综合五月天婷婷丁香| 九九99热久久精品66中文字幕| 五月丁香六月婷综合成人综合| 人人人人人人人人人草| 这里只有视频精品| 天天日日人| 五月六月婷婷激情网| 五月色网| 另类激情五月天。| 伊人婷婷青青cao| 快乐激情五月色婷婷| 亚洲AV成人精品日韩在线播放| 日本激情91| 狠狠人妻色综合| 婷婷五月丁香啪啪| 亚洲成人AV在线播放| 婷婷五月综合网| 成人av在线网站| 色欲婷婷五月天| 久久久激情| www.xtbsty.cn.com蜜乳AV| 2015好吊操| 日日操夜夜爽白洁| 午夜丁香六月婷| 色婷婷五月综合在线| 狠狠五月天婷婷激情网。| 丁香五月第四色88| 婷婷五月天综合久久| 无码橾| 婷婷丁香五月综合| 丁香五月性| 欧类av怡春院| 极品五月天| 五月天伊人久久久久| 日韩人妻在线观看| 激情五月深爱五月| 丁香久久五月天视频在线观看| 天天摸天天高潮天天爽| 亚洲日韩欧美综合VA| 日本美女五月天| 大香蕉综合| 伊人综合网站| 91人无码久久久久久| 久久久久久久8| 成人看片网站| 婷婷五月丁香五月天| 色色色色色网站| 婷婷五月天综合久久| 日韩aaa| 婷婷97色| 另类亚洲视频| 99 热| 色六月视频| 婷婷五月色综合| 九九色热| 色玖玖网| 丁香五月在线人妻| 五月丁香六月婷综合成人综合| 色五月激情五月开心五月| 91碰碰碰| 99丁香五月| 4438激情网| 狠狠做深爱婷婷久久综合一区| 农村熟妇高潮精品A片| 色五月,婷婷大香蕉| 五月婷丁香| 久久人妻高清中文| 五月天婷婷av| 99ri网站在线观看| 色综合久久99色| 婷婷五月丁香激情色情| 另类激情综合| www.夜夜| 小色小蛇伊人婷婷色香五月| 婷婷成人综合免费视频| 九九热在线观看视频| 婷婷丁香六月| 丁香五月综合久久| 五月激情综合婷婷| 婷婷五月激情的图片| 精品亚洲国产成AV人片传媒| 色吧婷婷| 五月色俺婷婷| 天干夜夜操| 丁香六月激情国产| 99热精品网| 99综合自拍| 五月丁香六月片| 婷婷丁香在线| 99色性爰网络| 99精品国产在热久久| 婷婷丁香九月| 婷婷五月视频| 五月婷婷六月激情| 91视频一起草| 五月丁香六月婷婷网站| 五月丁香六月天| 九九热在线99| 狠狠干思思热| 天天日天天爽| 伊人干综合| 婷婷狠狠操| 五月丁香六月片| 看黄的网站18禁| 天堂久久婷婷| 一本九九色| 六月丁香五月激情网| 久久99综合| 在线视频99| 99亚洲无码| 午夜69成人做爰视频| 97人人射| 日本一级特黄大片AAAAA级| 中文字幕丰满乱孑伦无码专区 | 思思re最新视频| 婷婷六月丁香在线| 九九色婷婷| 色色色97| 日韩aaa| 精品婷婷丁香五| 开心五月婷婷激情网| 五月天激情四射| 五月天丁香网| 99九九99九九九视频精彩| 色五月丁香伊人五月| 欧美性色A片免费免费观看的| 色色激情五月天| 五月婷婷激情性爱| 伊人9在线| 亚洲视频色婷婷| 99在线爽| 97 A I色色| 日本丰满久久| 思思热久久久在线| 婷婷五月丁香青青草在线| 午夜青草资源| 四LLL少妇BBBB槡BBBB| 亚洲人人96@| 五月天综合在线| 色婷婷色五月另类综合| 久色激情| 日本色色网| 中文字幕 中文字幕明步| 色色色欧美| 思思热精品在线| 久热只有这里有精品| 天天日天天爽| 五月天婷婷色紫薇阁| 狠狠色丁香| AV五月丁香| 亚洲国产精品VA在线看黑人| 天天干天天操天天干天天操天天干天天操 | 久久东京热婷婷五月| 色婷婷av在线| 五月丁香大香蕉| 天天操天天日天天爱| 欧美久热| 五月丁综合在线观看| av大片在线| 热成人网| 久久中国毛毛片爱久久| 久久视频婷婷| 天天久久狠狠色综合| 色播五月| 色国产五月| 91色性感五月婷婷丁香| 国产VA亚洲VA96| 99内射视频| 97碰在线| 九九热这里都是精品6| 91精品国产综合久久久不卡电影| 久热这里只有精品在线| 婷婷丁香www视频日本韩国| 超碰猛烈的性猛交| 色,激情五月天| 强辱丰满人妻HD中文字幕| 这里只有精品69| 五月丁香久久综合色| 久久9精品| 99视频精品视频| 曰韩五月丁香色婷婷无码| 俺去也五月天婷婷| 大香蕉婷婷久久| 天天日夜夜爽| 色性五月天| 99久久久久久www| 五月天色影院| 思思精品久久艹 | 人妻22p| 五月丁香婷婷激情澎湃四射| www.五月丁香| 色欲丁香| 国产又爽又猛又粗的视频A片| 丁香五月五月婷婷五月天激情四射| 日本精品干| 欧美激情综合| 啪啪小说五月天| 六月婷婷激情| 色五月综合激情网| 香蕉国产2013| 五月综合在线婷婷图片| 日韩av网站在线观看| 九九在线视频| 丁香六月伊人| 日本va欧美va欧美va精品| 久久免费少妇高潮99精品| 综合性爱网| 婷婷激情鹿城五月天| 91人人操人人看| 丁香五月婷婷基地| 免费精品99| 久久久久综合激动五月天| 欧美色偷拍| 中文字幕日产A片在线看| 美国天天日天天操| 97色色综合| 久久这里只有精品1| 久久精品视频99| 色啪久 | 久久99免费视屏| www.夜夜操.com| 五月天婷婷影院影院观看| 99综合视频在线| 热996精品在线观看| 六月婷婷综合| 久久女人天堂| 亚洲欧美另类在线23p| 久久婷婷六月天| 六月婷婷视频| 五月婷婷色欲| 天天干电影| 日本色视| 九九这里精品| 超碰碰碰碰| 加勒比日本一区二区三区| 国产真实乱了老女人视频| ww久久| 综合网视频| 婷婷五月丁香五月天| 激情婷婷| 亚洲人妻Av| 婷婷综合天堂| 国产精品18久久久| 婷婷综合久久| 久青草影院| 婷婷五月天激情综合网| WWW夜夜| 色三级色三级| 色婷婷AⅤ| av在线免费播放观看| 丁香婷婷综合激情五月色| 欧美婷婷日本| 婷婷日欧美在线观看| 婷婷五月AV| 六月婷婷狠狠色在线观看| 亚洲五月婷婷| 日本高清久| 97婷婷五月激情六月丁香伊人| 婷婷在线中文字幕| 99热这里有精品| 狠狠干婷婷| 久久婷婷色| WWW,五月| 可以免费观看的AV| 五月天最新网| 影音先锋91视频| 欧美三9久九观看| 国产人妻777人伦精品HD| 噜噜噜久久| 夜夜爱网站| 99热.com| 综合色五月| 91精品久久久久| 色六月婷婷| 另类激情五月| 1024国产| 9久视频| 大香蕉婷婷丁香视频在线| 五月婷婷丁香啪啪| 这里只有精品视频| 99re热在线视频观看| 激情噜噜噜| 91肏| 色播婷婷五月天| AAA久久| 亚洲激情在线| 五月婷婷之综合激情| 九九热只有精品| 丁香五月天综合| 色人久久| 亚洲精品一区无码A片| 成人无码精品1区2区3区免费看 | 一区二区成人电影免费播放| 成人在线网| 午夜丁香| 色五月婷婷在线| 丁香五月影院| 91狠狠色丁香婷婷综合久久精品| 99久久婷婷国产综合| 欧美日韩成人在线| 五月综合色| 大战熟女丰满人妻AV| 久久综合九色综合97婷婷| 少妇AB又爽又紧无码网站| 这里只有精品96| 丁香啪啪中文字幕| 国产色视频网站2| 五月婷婷www| 欧美天天搞| 操操熟女| 任你日热视频| 婷婷五月亚洲综合| 第二色AⅤ| 婷婷丁香五| 激情www.98com| 99视频这里只有久久精品| 深爱激情九九五月天 | 无码少妇高潮喷水A片免费| 第九色区av天堂| 99婷婷精品推荐在线视频| 丁香婷婷AV| www.婷婷五月天,com| 91九色超碰正在播放| 久久影视婷婷五月| 色香久久| 日韩啪啪视频| 五月婷五月婷伊人伊人五月婷| 99碰碰| 99丁香五月婷 | 国产亚洲精品久久久久久久久动漫| 午夜丁香久久久久久| 91精品视频男人的天堂| 91Chinese在线| 亚洲AV无码久久精品色欲| 天天摸天天日天天舔| 夜夜资源站| 中文字幕日产A片在线看| 亚洲色区17| 丁香 久久| 日本五月婷婷久久久六月丁香| 九九99一区| 在线观看免费狠狠色丁香香综合| 五月色网| 色级婷婷| 亚洲久久日| 插少妇综合网| 五月婷婷黄色毛片| 99色激| 久久这里只有精品16| 91综合色| 免费无码毛片一区二区A片| 亚洲成人综合网在线免费观看| 91超级碰| 99ri视频在线观看| 色情五月丁香婷婷网| 久热这里只有精品在线| av狠狠操| 狠狠干狠狠操狠狠爱| 人妻av在线| 99re鈥哸鈥唙| 丁香六月婷婷综合| 九九大香蕉黄色影院| 思思99精品视频在线观看| 五月激情在线| 精品久久久久成人码免费动漫| 伊人高清无码| 久操人妻| 丁香六月成人| 99ER热精品视频| 99视频91| 婷婷狠狠五月综合| 日本久久99| 婷婷综合另类| 日本女va| 99精品热视频| 五月色情精品| 99久久久国产大片| 九九性爱网| 婷婷五月天综合久久日| 综合激情啪啪| 国产精品VA在线| 夜夜嗨一区二区三区直播内容 | 99精品久久| 影音先锋毛片网站| 五月情色天| 欧美亚洲色色色色| 丁香五月婷婷啪啪啪| 草五月| 偷拍九九热| 千人斩操逼| av色婷婷| 久久99大| 亚洲精品乱码久久久久久综合| 婷婷色情五月| 大香蕉人妻| 五月丁香另类图片| 99成人| 99艹精品在线观看| 丁香五月 综合| 激情AV| 激情AV在线| www.色婷婷.com| 1024亚洲无码| 亚洲AV激情五月综合网| 婷婷五月天成人网| 91婷婷丁香| 人妻久久人妻久久第一区| 情色五月天 网站| 色婷婷五月天小说网| 国产又黄又爽又色的免费| 精品人人操| 亚洲AV人人操| 久久99精品久久久久久噜噜| 日日天天干| 天天日日| 色婷婷亚洲在线| 欧美性生交XXXXX无码小说| 天天舔天天摸天天射| 激情五月天综合| 色五月丁香五月| 日韩黄黄| 7777激情基地| 丁香六月婷婷色播| 91碰碰视频| 99精品视频在线6| 亚洲激情另类| 天天色天天搡| 91操熟女| 久久久久9999| 99免费热视频在线| 国产亚洲99久久精品| 99re视频在线播放| 在线观看中文字幕亚洲| 天堂网啪啪| 六月丁香综合| 丁香五月激情综合婷综| 久久人妻视频| 色色激情五月| 国产 亚洲 在线| 成人精品人妻| 成人看片网站| 日韩草草草草草草草草草草草草| 色婷婷电影| 国产精品-91JQ就要激情网91JQ6.91JQ27.CASA:16888 | 久9热插入| 五月天开心激情综合网| A1片久久| nvrentiantang av| 99色热视频| 五月丁香成人网| 高清激情av在线观看| 2050人人操免费工开爱| 五月丁香亚洲综合网| 日噜噜色| 人人摸人人澡人人| 丁香六月婷婷综合| 青草激情综合| 五月丁香拍拍激情综合| www.玖玖九| 婷婷五月天在线视频网站| 黑人无码一区| 五月亭亭六月天| 最新精品视频99| 丁香五月激情五月| 射久久丁香五月| 99久久久久久久| 亚洲另类在线观看| 深爱激情网婷婷| 九月色婷婷综合亚洲| 日本人人xxx| 噜噜干日本| 中文字幕日产A片在线看| 丁香六月激情网C0W| 婷婷综合偷拍| 开心五月婷婷激情| 婷婷六月网| 欧美日韩国产日本精品四虎网网站物 | 99综合激情久久精品久久| 亚洲精品视频电影| 久热久| 色婷婷五月天小说网| 三级毛片7979| 99热在线观看| 日本va欧美va国产激情| 婷婷99中文字幕| 99久久国产宗和精品1上映| 丁香婷婷月| 久久久久久久五月婷婷六月丁香综合,开心激情综合网 | 91打屁股免费看| 五月激情小说网| 99re热在线视频| 激情深爱五月天| 中文字幕日韩无码制服诱或|