• <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 ?

    基于混合注意力原型網(wǎng)絡(luò)的調(diào)制識別算法

    2023-01-11 07:41:34龐伊瓊許華蔣磊史蘊豪彭翔
    關(guān)鍵詞:原型特征提取準(zhǔn)確率

    龐伊瓊,許華,蔣磊,史蘊豪,彭翔

    (空軍工程大學(xué) 信息與導(dǎo)航學(xué)院,陜西 西安 710077)

    通信信號調(diào)制識別技術(shù)是電磁頻譜管理、通信偵察、電子對抗等領(lǐng)域的關(guān)鍵技術(shù)之一。傳統(tǒng)的調(diào)制識別方法可分為基于決策論的似然比檢驗方法(likelihood-based,LB)[1]和基于特征提取的模式識別方法(feature-based,FB)[2],但這兩類方法都有其局限性。LB方法的分類模型參數(shù)是針對特殊環(huán)境設(shè)置的,任何微小偏差都會使識別準(zhǔn)確率下降;FB方法依賴于人工提取的特征,對于特征的表征性要求較高。近年來,深度學(xué)習(xí)技術(shù)展現(xiàn)出了強大的數(shù)據(jù)處理能力,在圖像識別、機器翻譯、目標(biāo)檢測等領(lǐng)域都有大量研究的成果。2016年O′Shea[3-4]等首次將深度卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network,CNN)用于解決調(diào)制識別問題,通過與傳統(tǒng)FB方法對比,證明了利用深度CNN對大量密集編碼的時序信號直接進行學(xué)習(xí)是可行的。目前,已經(jīng)有大量的研究成果[5-7]將深度學(xué)習(xí)技術(shù)應(yīng)用于調(diào)制識別領(lǐng)域,CNN與循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)[8-10]的組合網(wǎng)絡(luò)也進一步提高了不同樣式調(diào)制信號的識別準(zhǔn)確率。然而以上基于深度學(xué)習(xí)的調(diào)制識別算法的成功很大程度上依賴于大量的訓(xùn)練數(shù)據(jù),但在實際偵察環(huán)境中,面對新出現(xiàn)的調(diào)制類型,往往無法獲得足夠的帶標(biāo)簽樣本,限制了深度學(xué)習(xí)在調(diào)制識別中的應(yīng)用。因此需要對小樣本條件下的調(diào)制識別方法進行深入研究。

    數(shù)據(jù)增強[11](data augmentation,DA)和遷移學(xué)習(xí)[12](transfer learning,TL)是目前針對樣本數(shù)據(jù)量不足的主要解決方法。數(shù)據(jù)增強借助已有的一些信息生成新數(shù)據(jù),擴充訓(xùn)練樣本集。文獻[13]中通過一個全連接網(wǎng)絡(luò)對大量無標(biāo)簽數(shù)據(jù)進行自動標(biāo)注,當(dāng)每類信號樣本量只有600時就能達到85%以上的平均識別率。遷移學(xué)習(xí)通常先通過源數(shù)據(jù)集對網(wǎng)絡(luò)模型進行預(yù)訓(xùn)練,然后采用目標(biāo)數(shù)據(jù)集對網(wǎng)絡(luò)的頂層進行參數(shù)微調(diào),適用于目標(biāo)數(shù)據(jù)集與源數(shù)據(jù)集分布相似的問題。通過使用基于參數(shù)的遷移學(xué)習(xí)方法[10,14-15]對網(wǎng)絡(luò)模型進行預(yù)優(yōu)化,減少了對樣本量的需求。文獻[10]采用預(yù)訓(xùn)練過的AlexNet網(wǎng)絡(luò)進行調(diào)制識別,在目標(biāo)數(shù)據(jù)集每類信號樣本量只有100時就達到了89%以上的識別準(zhǔn)確率。上述方法要達到較好的識別性能仍需至少數(shù)百個訓(xùn)練樣本,然而偵察環(huán)境中有時只能獲取十幾甚至幾個信號樣本,遠不能滿足以上2種方法對樣本量的需求,在這種極少量樣本條件下,以上2種方法都難以適用。

    人類善于用以往學(xué)習(xí)的經(jīng)驗指導(dǎo)對新事物的學(xué)習(xí),例如首次見到老虎的兒童可能會將其描述為一只腦袋上有“王”字的“大花貓”,“大花貓”作為已知概念有助于兒童快速掌握“老虎”這個新事物。受此啟發(fā)針對元學(xué)習(xí)的研究應(yīng)運而生。元學(xué)習(xí)[16]也稱學(xué)會學(xué)習(xí),即令模型可利用以往任務(wù)中學(xué)過的知識或經(jīng)驗去快速學(xué)習(xí)新的任務(wù),近年來在解決小樣本問題方面取得了很大的進展。在訓(xùn)練過程中,元學(xué)習(xí)可以通過對每一項歷史任務(wù)的學(xué)習(xí),積累一定的知識經(jīng)驗,如網(wǎng)絡(luò)的參數(shù)更新策略[17]、初始化參數(shù)[18]等,這使得學(xué)習(xí)新任務(wù)時更加容易,從而在極少的訓(xùn)練樣本支持下也能保證算法精度。度量學(xué)習(xí)[19]在解決小樣本問題時將已知樣本和待測樣本映射到合適的特征度量空間,通過指定的距離函數(shù)計算2個樣本間的距離,從而度量它們之間的相似性。

    本文結(jié)合度量學(xué)習(xí)與元學(xué)習(xí)的思想,提出一種基于混合注意力原型網(wǎng)絡(luò)的調(diào)制識別算法。在原型網(wǎng)絡(luò)框架下設(shè)計了由CNN與長短時記憶(long short-term memory,LSTM)網(wǎng)絡(luò)級聯(lián)的特征提取網(wǎng)絡(luò),同時為進一步提高網(wǎng)絡(luò)性能,在特征提取網(wǎng)絡(luò)中引入了卷積自注意力模塊(convolutional block attention module,CBAM)。該原型網(wǎng)絡(luò)通過特征提取網(wǎng)絡(luò)將帶標(biāo)簽信號樣本和待識別信號樣本映射至統(tǒng)一的特征度量空間,在該空間內(nèi)將同類信號的均值作為類原型代表該類信號,并通過比較待識別信號與不同類原型之間的歐式距離來確定最終識別結(jié)果。為實現(xiàn)元學(xué)習(xí)目的,算法采用一種基于Episode的訓(xùn)練策略優(yōu)化模型參數(shù),即通過從訓(xùn)練集中隨機抽樣出大量不同的小樣本學(xué)習(xí)任務(wù)來模擬測試場景的識別任務(wù)。模型通過訓(xùn)練將學(xué)習(xí)到一個合適的特征度量空間,進而在面對新類型的調(diào)制信號時只需要極少量樣本就可以實現(xiàn)快速分類。

    1 相關(guān)工作

    1.1 原型網(wǎng)絡(luò)

    原型網(wǎng)絡(luò)的基本思想是創(chuàng)建每個類的類原型點,并根據(jù)類原型點與測試點之間的歐氏距離進行分類。具體地,給定支持集DS和查詢集DQ,則類原型為DS中每類信號樣本的平均特征向量,其中第k類信號的類原型可表示為

    (1)

    式中:fφ表示特征提取網(wǎng)絡(luò);φ為網(wǎng)絡(luò)參數(shù);xkn表示第k類的第n個樣本;K表示DS中第k類樣本的樣本量。

    假設(shè)x為來自DQ的待識別樣本,通過計算樣本x的特征向量與各類原型間的歐式距離,并將所得距離利用Softmax函數(shù)進行歸一化處理,樣本x屬于第k類樣本的概率為

    (2)

    式中,d表示一種距離度量函數(shù),一般為歐氏距離。

    訓(xùn)練過程中利用負(fù)對數(shù)概率損失函數(shù)J(φ)=-lnpφ(y=k|x)計算損失,并使用隨機梯度下降法最小化訓(xùn)練損失。

    1.2 訓(xùn)練策略

    本文算法針對極少量帶標(biāo)簽樣本下的調(diào)制識別難題,給定訓(xùn)練集Dbase和測試集Dnovel,其中Dbase內(nèi)包含多種類型的調(diào)制信號,且每類調(diào)制信號都擁有大量帶標(biāo)簽信號樣本;Dnovel由支持集DS和查詢集DQ組成,即Dnovel={DS,DQ},DS中每類調(diào)制信號含有少量帶標(biāo)簽樣本,DQ中為未知的待識別信號樣本。測試集中查詢集DQ和支持集DS的樣本標(biāo)簽空間相同且與訓(xùn)練集Dbase的樣本標(biāo)簽空間不相交。在測試時網(wǎng)絡(luò)模型需要在只有DS中少量帶標(biāo)簽樣本的條件下識別出DQ中未知信號的調(diào)制樣式,即DS和DQ組成一個識別任務(wù)。若DS中包含C類調(diào)制信號,且每類信號都擁有K個樣本,將此類任務(wù)稱為C-wayK-shot任務(wù)。

    為充分利用訓(xùn)練集內(nèi)的帶標(biāo)簽樣本,采用一種基于Episode的訓(xùn)練策略,即在訓(xùn)練時模擬測試過程中的小樣本設(shè)置,從訓(xùn)練集中采樣多個小樣本的任務(wù)對網(wǎng)絡(luò)進行優(yōu)化,使訓(xùn)練好的模型可以泛化到測試環(huán)境中。具體地,針對C-wayK-shot任務(wù),在每次訓(xùn)練迭代過程中,網(wǎng)絡(luò)模型都從Dbase中隨機地選擇C種類別信號組成樣本集DV,然后從DV的每類信號中隨機抽取K個樣本組成元支持集DTS,DTS模擬測試階段的支持集DS,最后再從集合DV-DTS(DV中不屬于DTS的樣本)中的每類信號中隨機抽取NQ個樣本組成元查詢集DTQ,DTQ用于模擬測試階段的查詢集DQ。通過這種訓(xùn)練策略優(yōu)化得到的模型對測試階段新類型的信號樣本具有良好的泛化性能。訓(xùn)練過程中損失函數(shù)J(φ)的迭代計算偽代碼如表1所示。

    表1 訓(xùn)練偽代碼

    2 基于混合注意力原型網(wǎng)絡(luò)的調(diào)制識別算法

    2.1 算法模型

    本文算法整體框圖如圖1所示,算法模型可分為2個模塊:特征提取模塊和類原型度量模塊。為提取到信號樣本更具代表性的特征,其中特征提取模塊設(shè)計為由CNN和LSTM級聯(lián)的特征提取網(wǎng)絡(luò)(CLN),CLN可充分提取信號不同維度的特征;同時通過在CLN中引入CBAM使得網(wǎng)絡(luò)在特征提取過程中更加關(guān)注對分類有益的特征。模型通過特征提取模塊將信號樣本映射至統(tǒng)一的特征度量空間,由類原型模塊進行距離度量并確定待識別信號的調(diào)制樣式。

    圖1 混合注意力原型網(wǎng)絡(luò)算法整體框圖

    本文算法的實現(xiàn)可分為訓(xùn)練和測試2個過程。根據(jù)元學(xué)習(xí)思想,算法在訓(xùn)練過程中采用一種基于Episode的訓(xùn)練策略,該策略不針對特定信號的識別進行訓(xùn)練,而是利用在每次訓(xùn)練迭代過程中隨機選取的幾類信號組成識別任務(wù)去訓(xùn)練網(wǎng)絡(luò),使網(wǎng)絡(luò)學(xué)習(xí)如何將原始信號轉(zhuǎn)化為更易于分類的表示,即在訓(xùn)練過程中學(xué)習(xí)分類的經(jīng)驗。通過大量不同識別任務(wù)優(yōu)化得到的模型對新任務(wù)具有良好的泛化性能,根據(jù)以往的經(jīng)驗可在測試過程中只有極少量帶標(biāo)簽樣本條件下實現(xiàn)對新類信號的識別。

    2.2 CLN-CBAM特征提取模塊

    針對信號序列內(nèi)的時序特征,本文設(shè)計由CNN和LSTM搭建的特征提取模塊CLN,可充分提取信號不同維度的特征,同時在CLN網(wǎng)絡(luò)中引入CBAM模塊,組成CLN-CBAM特征提取模塊,其中CBAM模塊可以從通道域和空間域2個維度建立特征權(quán)重向量,使網(wǎng)絡(luò)更加關(guān)注對分類有益的特征。

    2.2.1 卷積注意力模塊

    CBAM注意力模塊是一種簡單且高效的注意力模塊,其是輕量級的通用模塊,運算開銷很小,故可集成到任何前饋CNN架構(gòu)中,并與基礎(chǔ)卷積網(wǎng)絡(luò)一起進行端到端的訓(xùn)練,CBAM的整體結(jié)構(gòu)如圖2所示。CBAM是一種結(jié)合通道(channel)和空間(spatial)的注意力機制,每個子注意力模塊通過增加關(guān)鍵特征的權(quán)重比值,抑制冗余特征,提高深度神經(jīng)網(wǎng)絡(luò)的性能。通道注意力模塊和空間注意力模塊如圖3~4所示。

    圖2 CBMA注意機制整體結(jié)構(gòu)

    圖3 通道注意力模塊

    圖4 空間注意力模塊

    2.2.2 CLN-CBAM特征提取網(wǎng)絡(luò)

    本文所提特征提取網(wǎng)絡(luò)CLN-CBAM結(jié)合了不同神經(jīng)網(wǎng)絡(luò)的性能優(yōu)勢,并引入了卷積注意力模塊,有助于原型網(wǎng)絡(luò)算法識別準(zhǔn)確率提升。CLN-CBAM網(wǎng)絡(luò)中包含5個卷積塊,卷積塊由1個卷積層、1個批量歸一化層、1個ReLU激活函數(shù)和1個最大池化層組成。為防止網(wǎng)絡(luò)在訓(xùn)練過程中出現(xiàn)過擬合,在最大池化層后設(shè)置1個Dropout層,并在每個卷積塊后插入CBAM模塊。本文仿真所用數(shù)據(jù)為通信信號的I、Q 2路分量,數(shù)據(jù)格式為[1 024,2],基于此卷積核大小分別設(shè)置7×2,5×2,3×2,2×1,2×1,卷積核數(shù)量分別為16,32,64,128,256,最大池化層核大小都設(shè)置為3×1。卷積塊完成特征提取后,將特征序列展開成一維數(shù)據(jù)送入全連接層,最后再通過LSTM輸出特征。網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

    圖5 CLN-CBAM結(jié)構(gòu)圖

    2.3 算法實現(xiàn)流程

    本文算法利用訓(xùn)練集模擬測試階段的識別場景,訓(xùn)練完成的網(wǎng)絡(luò)可泛化到測試過程的C-wayK-shot任務(wù),具體實現(xiàn)步驟如下:

    步驟1信號樣本采樣。從訓(xùn)練集中隨機選取C類樣本,并從每類樣本中隨機抽取K個樣本組成元支持集DTS,再從每類剩余樣本中隨機抽取NQ個樣本組成元查詢集DTQ。

    步驟2特征映射。由CLN-CBAM特征提取網(wǎng)絡(luò)將DTS和DTQ中的樣本映射到低維的特征度量空間,得到DTS和DTQ中信號樣本的特征向量。

    步驟3類原型度量。將DTS中每類信號的平均特征向量作為類原型,并計算DTQ中樣本特征向量與各個類原型的歐氏距離,將歐氏距離輸入Softmax函數(shù),計算查詢樣本屬于每個類的概率,由負(fù)對數(shù)概率損失函數(shù)計算損失對網(wǎng)絡(luò)進行訓(xùn)練。

    步驟4由測試集(測試集與訓(xùn)練集標(biāo)簽空間不相交)對網(wǎng)絡(luò)進行測試。將含有少量帶標(biāo)簽信號樣本的支持集DS和待識別信號樣本送入訓(xùn)練好的特征提取網(wǎng)絡(luò),由類原型度量模塊確定待識別信號的調(diào)制樣式。

    3 實驗仿真與結(jié)果分析

    實驗選取RadioML2018.01A公開調(diào)制信號集[4]驗證本文所提算法性能。該信號集由24種調(diào)制信號組成,各個信號包括I、Q 2路數(shù)據(jù),數(shù)據(jù)格式為[1 024,2],信噪比分布從-20~30 dB,間隔為2 dB。本文算法訓(xùn)練和測試階段所用信號樣本的標(biāo)簽空間不相交,隨機選取14種調(diào)制信號作為訓(xùn)練集,另外10種作為測試集,在信噪比為-20~30 dB的條件下進行實驗仿真。訓(xùn)練集、測試集調(diào)制樣式如表2所示。

    表2 實驗數(shù)據(jù)集

    實驗?zāi)P驮趐ython深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)pytorch框架下進行搭建,硬件平臺為基于windows 7、32 GB內(nèi)存、NVDIA P4000顯卡的計算機。實驗?zāi)P筒捎枚说蕉说挠?xùn)練方式,Adam優(yōu)化網(wǎng)絡(luò),初始學(xué)習(xí)率為0.001,測試階段從測試集中采樣1 000組相互獨立測試任務(wù)來計算算法的識別準(zhǔn)確率,并采用所有測試任務(wù)識別準(zhǔn)確率的平均值來表示算法最終的識別性能。

    3.1 支持集樣本量(K值)對識別性能影響

    為驗證元支持集/支持集內(nèi)每類信號樣本量(K值)對本文算法識別準(zhǔn)確率的影響,本節(jié)在K值分別為1,5,10,15,20時進行對比實驗。網(wǎng)絡(luò)訓(xùn)練集和測試集如表2所示,特征提取模塊為CLN-CBAM網(wǎng)絡(luò)。本節(jié)仿真實驗針對5類調(diào)制信號的識別任務(wù),即5-wayK-shot任務(wù),元查詢集/查詢集樣本量NQ設(shè)置為10。不同樣本量下算法測試識別準(zhǔn)確率隨信噪比的變化情況如圖6所示。

    圖6 不同K值下算法識別準(zhǔn)確率變化曲線

    本文所提原型網(wǎng)絡(luò)通過比較待測信號樣本特征向量與支持集內(nèi)各類信號類原型間的距離確定識別結(jié)果,信號類原型取支持集內(nèi)各類調(diào)制信號樣本特征向量的平均,故改變支持集中信號樣本量(K值)會對算法的識別準(zhǔn)確率產(chǎn)生影響。如圖6所示,隨著支持集內(nèi)信號樣本量K的增加,算法的測試識別準(zhǔn)確率也在進一步提升。這是由于在特征度量空間中支持集內(nèi)的每類信號都存在一個類原型點,各類原型點間相互遠離,原型網(wǎng)絡(luò)將每類信號樣本特征向量的平均值作為該類信號的類原型估計點,隨著樣本量K值增加,會減少真實類原型點與類原型估計點間的偏差,降低信號識別時產(chǎn)生的期望風(fēng)險,有助于提升算法的識別準(zhǔn)確率。從圖6可以看出,當(dāng)支持集內(nèi)信號樣本量K較小時,K值的增加對網(wǎng)絡(luò)識別性能提升有較大影響,然而當(dāng)K值大于5后,增加樣本量對算法識別性能的提升效果趨緩。例如在測試信號信噪比為20 dB時,當(dāng)支持集內(nèi)每類信號樣本量K值從1增加到5時,算法的識別準(zhǔn)確率提升了9.01%,但當(dāng)K值從5增加到10時,算法識別準(zhǔn)確率僅提升了1.23%,這表明本文算法更適宜解決帶標(biāo)簽信號樣本只有幾個的調(diào)制識別問題。

    3.2 樣本類別量(C值)對識別性能的影響

    在支持集內(nèi)每類信號包含5個樣本時,驗證樣本類別量C值對于網(wǎng)絡(luò)識別準(zhǔn)確率的影響,設(shè)置任務(wù)支持集內(nèi)信號類別量C為3,5,10,元查詢集/查詢集內(nèi)信號樣本量NQ值為15,當(dāng)算法特征提取模塊為CLN-CBAM,對比C-way 5-shot測試任務(wù)平均識別準(zhǔn)確率,不同類別量(C值)下信號識別率隨信噪比變化曲線如圖7所示。

    圖7 不同C值下算法識別準(zhǔn)確率變化曲線

    從圖中可以看出隨著支持集樣本類別量C值增加,網(wǎng)絡(luò)識別性能下降。當(dāng)測試任務(wù)支持集內(nèi)包含10類調(diào)制信號樣本時,在信號信噪比為20 dB時算法識別精度只有75.52%,相較于支持集中含3類調(diào)制信號時減少了15.45%。這是由于支持集內(nèi)樣本類別的增多會增加網(wǎng)絡(luò)模型的學(xué)習(xí)難度,提升在度量空間判斷2個信號特征相似性的復(fù)雜度,使得網(wǎng)絡(luò)訓(xùn)練不易收斂,進而導(dǎo)致算法識別性能下降。

    3.3 不同特征提取網(wǎng)絡(luò)下算法識別性能分析

    為驗證本文所提CLN-CBAM特征提取網(wǎng)絡(luò)對于本文原型網(wǎng)絡(luò)算法識別性能的影響,實驗設(shè)置CLN、CLN-CBAM、ConvNet、Resnet18[20]、Resnet18-CBAM、Resnet34[20]6種不同網(wǎng)絡(luò)作為本文算法模型的特征提取模塊。采用表2所示數(shù)據(jù)集,在5-way 5-shot任務(wù)下進行訓(xùn)練測試,元查詢集/查詢集樣本量NQ設(shè)置為15,不同特征提取模塊下實驗測試平均識別準(zhǔn)確率隨不同信噪比水平的變化如圖8所示。采用不同特征提取網(wǎng)絡(luò)所需訓(xùn)練的網(wǎng)絡(luò)參數(shù)量以及訓(xùn)練時間如表3所示。

    圖8 不同特征提取網(wǎng)絡(luò)下原型網(wǎng)絡(luò)的識別性能

    表3 網(wǎng)絡(luò)參數(shù)量和訓(xùn)練時間

    由圖8可得,當(dāng)信噪比大于10 dB時,采用本文所提的CLN-CBAM特征提取網(wǎng)絡(luò)的算法識別性能最優(yōu)。主要原因在于本文所提特征網(wǎng)絡(luò)結(jié)合了CNN與LSTM的性能優(yōu)勢,可同時提取到調(diào)制信號的空間特征與時序特征,對比ConvNet特征提取網(wǎng)絡(luò),采用CLN特征提取網(wǎng)絡(luò)的算法識別準(zhǔn)確率在信噪比為20 dB時提升了4.67%,同時為使所提特征向量更具代表性,本文在CLN特征提取網(wǎng)絡(luò)中引入了CBAM模塊,使得網(wǎng)絡(luò)在提取信號樣本特征時能夠更加關(guān)注對分類有益的部分,實驗結(jié)果表明在測試信號信噪比為20 dB時,CLN-CBAM特征提取網(wǎng)絡(luò)算法針對5-way 5-shot測試任務(wù)的平均識別準(zhǔn)確率為85.68%,相較于CLN特征提取網(wǎng)絡(luò)下的算法識別準(zhǔn)確率提升了5.01%。由表3可知,對比Resnet18、Resnet18-CBAM、Resnet34特征提取網(wǎng)絡(luò),CLN-CBAM所需訓(xùn)練的網(wǎng)絡(luò)參數(shù)和訓(xùn)練時長都更少,但采用CLN-CBAM特征提取網(wǎng)絡(luò)的算法識別性能更優(yōu),這是由于Resnet網(wǎng)絡(luò)只能提取信號樣本的空間特征,特征向量代表性較低,增加特征提取網(wǎng)絡(luò)復(fù)雜度無法有效提升算法的識別性能。

    3.4 不同小樣本學(xué)習(xí)算法性能對比分析

    為驗證本文所提算法相較于其他小樣本調(diào)制識別算法的性能優(yōu)勢,本節(jié)選取基于數(shù)據(jù)增強(data augmentation,DA)和基于遷移學(xué)習(xí)(transfer learning,TL)的小樣本調(diào)制識別算法以及另外3種元學(xué)習(xí)算法進行對比實驗,分別為關(guān)系網(wǎng)絡(luò)(relation network,RN)[21]、匹配網(wǎng)絡(luò)(Matching Networks,MN)[22]以及模型無關(guān)元學(xué)習(xí)(model agnostic meta learning,MAML)[23]。選取16APSK、32QAM、FM、AM-SSB-SC、4ASK 5類調(diào)制信號組成信號樣本集,為保證實驗結(jié)果的可靠性,將該樣本集作為DA和TL算法的數(shù)據(jù)集以及本文算法和RN、MN、MAML算法的測試集,將其余19類調(diào)制信號用于元學(xué)習(xí)算法的訓(xùn)練階段。當(dāng)測試信號信噪比為20 dB時,不同算法下的最高識別準(zhǔn)確率以及實現(xiàn)最高識別準(zhǔn)確率時所需樣本量如表4所示。本文算法與對比算法針對5類調(diào)制信號在訓(xùn)練/支持集每類信號樣本量為“5-shot”時的測試識別準(zhǔn)確率隨信噪比的變化情況如圖9所示。

    表4 不同小樣本調(diào)制識別算法性能對比

    圖9 不同小樣本調(diào)制識別算法識別準(zhǔn)確率對比

    從圖9中可以看出,TL和DA算法的識別性能明顯低于4種元學(xué)習(xí)算法,相較于本文算法,當(dāng)測試信號信噪比為20 dB時,TL和DA算法在“5-shot”時識別準(zhǔn)確率分別降低了37.81%和53.3%,主要原因在于TL和DA算法在信號樣本量只有幾個時訓(xùn)練無法收斂,從而導(dǎo)致算法識別性能的顯著下降。由表4可知,TL和DA算法要實現(xiàn)最優(yōu)的識別性能至少需要數(shù)百個訓(xùn)練樣本,無法解決只有幾個帶標(biāo)簽信號樣本條件下的調(diào)制識別問題。同時對比本文算法與RN、MN以及MAML 3種元學(xué)習(xí)算法,本文算法取得了最優(yōu)的識別效果,分析其原因在于,RN和MN方法屬于基于度量的元學(xué)習(xí)方法,不同之處在于,RN通過神經(jīng)網(wǎng)絡(luò)度量樣本間的相似度,MN采用余弦距離度量樣本間的相似度,而本文原型網(wǎng)絡(luò)算法采用歐氏距離度量樣本間的相似度,歐氏距離屬于Bregman散度,利用Bregman散度的性質(zhì)[19],可使不同類調(diào)制信號樣本集合在特征度量空間內(nèi)的差異性最大,故可取得更好的識別效果。MAML通過對多個任務(wù)的學(xué)習(xí)為網(wǎng)絡(luò)尋找到一個最優(yōu)的初始化參數(shù),使得網(wǎng)絡(luò)在面對新類別信號的識別任務(wù)時能夠快速適應(yīng),但MAML算法在面對新類信號識別任務(wù)時需要對網(wǎng)絡(luò)進行微調(diào),由于樣本量較少,難以適用參數(shù)量較大的網(wǎng)絡(luò),這限制了網(wǎng)絡(luò)識別性能的進一步提升。從實驗結(jié)果可知,在測試信號信噪比為20 dB時,本文算法相較于MAML算法的識別準(zhǔn)確率在樣本量為“5-shot”下提高了29.97%和18.45%。

    3.5 數(shù)據(jù)集樣本類別對網(wǎng)絡(luò)的影響

    本文算法仿真實驗所用數(shù)據(jù)集由24類調(diào)制信號組成,其中包含19類數(shù)字調(diào)制信號和5類模擬調(diào)制信號,數(shù)字調(diào)制信號又分為調(diào)幅、調(diào)相、調(diào)頻等多種不同調(diào)制信號,不同類的調(diào)制信號具有不同的特點,識別難度也相對不同。由于本文所提原型網(wǎng)絡(luò)算法在訓(xùn)練階段和測試階段所用信號樣本的標(biāo)簽空間不相交,故訓(xùn)練集和測試集中樣本類別的選取也會對網(wǎng)絡(luò)識別準(zhǔn)確率產(chǎn)生一定影響。根據(jù)各類調(diào)制信號的特點將數(shù)據(jù)集劃分為4種不同分集進行對比實驗,為使實驗結(jié)果更具代表性,每次劃分?jǐn)?shù)據(jù)集都選取5類調(diào)制信號組成測試集,10類調(diào)制信號組成訓(xùn)練集,具體劃分方式如表5所示。

    表5 實驗數(shù)據(jù)集分集

    本次實驗設(shè)置特征提取模塊為CLN-CBAM網(wǎng)絡(luò),驗證在5-way 5-shot學(xué)習(xí)任務(wù)下測試集的識別準(zhǔn)確率,當(dāng)信噪比為20 dB時,實驗結(jié)果如圖10所示,4種不同分集的識別準(zhǔn)確率分別為92.67%,82.63%,79.46%,82.78%,不同分集之間識別準(zhǔn)確率有一定差異。由表5可知,分集1,2,3的訓(xùn)練集都是由數(shù)字調(diào)制信號組成,而分集3的測試識別準(zhǔn)確率最低。分集3的測試集由5種不同進制的相移鍵控(phase shift keying,PSK)調(diào)制信號組成,不同進制PSK信號間相似度較高,容易造成混淆,提高了識別難度。分集1的測試集是由不同類數(shù)字調(diào)制信號組成,各類信號相似度較低,且與訓(xùn)練集中的數(shù)字調(diào)制信號有一定相似度,故分集1的測試識別準(zhǔn)確率最高。分集2測試集都為模擬調(diào)制信號,測試識別準(zhǔn)確率相較于分集1有明顯下降,但由于不同模擬調(diào)制信號特征間有一定差異,故相較于分集3測試識別準(zhǔn)確率有一定提高。分集4由隨機挑選出來的調(diào)制信號組成,訓(xùn)練集與測試集都包含數(shù)字調(diào)制信號與模擬調(diào)制信號,在信噪比20 dB時,測試識別準(zhǔn)確率可達82.78%。由實驗結(jié)果可知,本文所提算法可適應(yīng)訓(xùn)練集與測試集樣本類別不同的場合,特別地,當(dāng)訓(xùn)練集與測試集樣本類別差距較大時,該算法也能較好完成小樣本的調(diào)制識別任務(wù),并且使用樣本類別豐富度更高的訓(xùn)練集有利于識別準(zhǔn)確率的提高。

    圖10 數(shù)據(jù)集樣本對識別準(zhǔn)確率的影響

    4 結(jié) 論

    本文針對極少量帶標(biāo)簽樣本條件下的調(diào)制識別難題,結(jié)合度量學(xué)習(xí)與元學(xué)習(xí)的思想,提出一種混合注意力原型網(wǎng)絡(luò)的調(diào)制識別算法。根據(jù)調(diào)制信號樣本特征設(shè)計了由CNN與LSTM級聯(lián)的CLN特征提取網(wǎng)絡(luò),并在當(dāng)中引入CBAM模塊,可使網(wǎng)絡(luò)提取到的信號特征更具代表性。實驗結(jié)果驗證了本文所設(shè)計的CLN-CBAM特征提取網(wǎng)絡(luò)可進一步提高原型網(wǎng)絡(luò)算法的識別性能。同時為更好地從少量數(shù)據(jù)中學(xué)習(xí),算法以元學(xué)習(xí)的方式進行訓(xùn)練,即利用訓(xùn)練集模擬測試時的識別場景,學(xué)習(xí)信號分類的經(jīng)驗。訓(xùn)練完成的網(wǎng)絡(luò)模型具有很好的泛化性能,在測試時面對新類信號,即使只有幾個帶標(biāo)簽樣本也能保證算法的識別性能算法。仿真實驗結(jié)果進一步驗證了本文算法解決小樣本調(diào)制識別問題的可行性。本文算法信號識別率還有一定提升空間,后續(xù)將在此基礎(chǔ)上進行更深入的研究。

    猜你喜歡
    原型特征提取準(zhǔn)確率
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報參考產(chǎn)品質(zhì)量檢驗分析
    包裹的一切
    基于Daubechies(dbN)的飛行器音頻特征提取
    電子制作(2018年19期)2018-11-14 02:37:08
    《哈姆雷特》的《圣經(jīng)》敘事原型考證
    高速公路車牌識別標(biāo)識站準(zhǔn)確率驗證法
    Bagging RCSP腦電特征提取算法
    論《西藏隱秘歲月》的原型復(fù)現(xiàn)
    原型理論分析“門”
    人間(2015年20期)2016-01-04 12:47:08
    五月玫瑰六月丁香| 亚洲国产中文字幕在线视频| 免费在线观看影片大全网站| 在线播放国产精品三级| 国产精品一区二区三区四区久久| 中文字幕久久专区| 免费大片18禁| 欧美日韩瑟瑟在线播放| 美女高潮的动态| 亚洲av美国av| 亚洲aⅴ乱码一区二区在线播放| 国产午夜福利久久久久久| 国产精品一区二区免费欧美| 亚洲国产欧美人成| 精品久久久久久,| 一级作爱视频免费观看| 久久久水蜜桃国产精品网| 一区二区三区激情视频| 狂野欧美白嫩少妇大欣赏| 亚洲欧美日韩无卡精品| 又黄又粗又硬又大视频| 国产人伦9x9x在线观看| 这个男人来自地球电影免费观看| 久久精品影院6| avwww免费| 成年女人看的毛片在线观看| 欧美日本视频| 国产高清三级在线| 久9热在线精品视频| 夜夜爽天天搞| 国产午夜精品久久久久久| 午夜a级毛片| 午夜视频精品福利| 中文字幕精品亚洲无线码一区| 色精品久久人妻99蜜桃| 噜噜噜噜噜久久久久久91| АⅤ资源中文在线天堂| 亚洲欧美日韩无卡精品| 九九在线视频观看精品| 亚洲av中文字字幕乱码综合| 一卡2卡三卡四卡精品乱码亚洲| 18禁裸乳无遮挡免费网站照片| 少妇裸体淫交视频免费看高清| 亚洲精品美女久久久久99蜜臀| 无遮挡黄片免费观看| 12—13女人毛片做爰片一| 亚洲欧美精品综合一区二区三区| 一区二区三区国产精品乱码| 成人18禁在线播放| aaaaa片日本免费| 丝袜人妻中文字幕| 一夜夜www| 亚洲熟妇熟女久久| 18禁美女被吸乳视频| 人人妻,人人澡人人爽秒播| 亚洲精品在线观看二区| 午夜免费观看网址| 露出奶头的视频| 久久久精品欧美日韩精品| 十八禁网站免费在线| 久久这里只有精品中国| 久久欧美精品欧美久久欧美| 九九在线视频观看精品| 婷婷亚洲欧美| 韩国av一区二区三区四区| 日韩大尺度精品在线看网址| 国产又黄又爽又无遮挡在线| 人妻久久中文字幕网| 国产麻豆成人av免费视频| 夜夜爽天天搞| 久久中文字幕人妻熟女| 老汉色av国产亚洲站长工具| 亚洲国产看品久久| 日本五十路高清| 久久精品91蜜桃| 又黄又粗又硬又大视频| 中文字幕高清在线视频| 亚洲国产精品久久男人天堂| 亚洲成a人片在线一区二区| 国产亚洲精品久久久com| 亚洲国产精品成人综合色| 色综合站精品国产| 天堂动漫精品| 九九久久精品国产亚洲av麻豆 | 亚洲色图 男人天堂 中文字幕| 天天添夜夜摸| 88av欧美| 一区福利在线观看| 99国产极品粉嫩在线观看| 女同久久另类99精品国产91| netflix在线观看网站| 亚洲精品乱码久久久v下载方式 | 中文字幕熟女人妻在线| 亚洲乱码一区二区免费版| 日韩中文字幕欧美一区二区| 日韩精品中文字幕看吧| 亚洲专区字幕在线| 窝窝影院91人妻| 亚洲精品乱码久久久v下载方式 | 国产精品av久久久久免费| 99精品欧美一区二区三区四区| 亚洲国产精品sss在线观看| 悠悠久久av| 又黄又爽又免费观看的视频| 窝窝影院91人妻| www.精华液| 国产 一区 欧美 日韩| 亚洲国产欧美网| 窝窝影院91人妻| 欧美成人免费av一区二区三区| 亚洲欧美激情综合另类| 免费观看的影片在线观看| 免费观看人在逋| 十八禁网站免费在线| 国产一区在线观看成人免费| 免费av不卡在线播放| 丁香六月欧美| 中出人妻视频一区二区| 日韩有码中文字幕| 中出人妻视频一区二区| 国产一级毛片七仙女欲春2| 97超级碰碰碰精品色视频在线观看| 99国产精品一区二区蜜桃av| 亚洲中文av在线| 国产免费av片在线观看野外av| av中文乱码字幕在线| 国产乱人伦免费视频| 99久久99久久久精品蜜桃| 最新在线观看一区二区三区| 精品一区二区三区视频在线 | 亚洲国产高清在线一区二区三| 久久久精品大字幕| 一本久久中文字幕| 成人特级av手机在线观看| 老汉色av国产亚洲站长工具| 18禁国产床啪视频网站| 男人舔女人下体高潮全视频| 97碰自拍视频| 99久久久亚洲精品蜜臀av| 国产亚洲av高清不卡| 欧美精品啪啪一区二区三区| 一个人看视频在线观看www免费 | 99久久精品国产亚洲精品| 一级作爱视频免费观看| 欧美色视频一区免费| 丝袜人妻中文字幕| 精品久久久久久久末码| 亚洲av第一区精品v没综合| 欧美日韩中文字幕国产精品一区二区三区| 久久天堂一区二区三区四区| 热99在线观看视频| 啦啦啦免费观看视频1| 变态另类成人亚洲欧美熟女| 免费看光身美女| 两性午夜刺激爽爽歪歪视频在线观看| 国产成人av激情在线播放| 亚洲人成网站高清观看| 日本一本二区三区精品| 亚洲人成网站高清观看| 怎么达到女性高潮| 日日摸夜夜添夜夜添小说| 国产av麻豆久久久久久久| 欧美高清成人免费视频www| 国产亚洲精品一区二区www| 亚洲国产日韩欧美精品在线观看 | 美女扒开内裤让男人捅视频| 亚洲欧美激情综合另类| 夜夜夜夜夜久久久久| 成年女人毛片免费观看观看9| 美女高潮的动态| 久久久久性生活片| 成人鲁丝片一二三区免费| 午夜福利成人在线免费观看| 精品久久蜜臀av无| 欧美中文综合在线视频| 在线播放国产精品三级| 最近最新中文字幕大全电影3| 国产高清三级在线| 一个人看的www免费观看视频| 女同久久另类99精品国产91| 欧美丝袜亚洲另类 | 日本一二三区视频观看| 51午夜福利影视在线观看| 黄色 视频免费看| 别揉我奶头~嗯~啊~动态视频| 制服丝袜大香蕉在线| 欧美黄色片欧美黄色片| 在线永久观看黄色视频| 91av网一区二区| 男女之事视频高清在线观看| АⅤ资源中文在线天堂| 国产av不卡久久| 亚洲自偷自拍图片 自拍| 黑人欧美特级aaaaaa片| 人人妻人人看人人澡| 在线十欧美十亚洲十日本专区| 在线观看66精品国产| 人妻夜夜爽99麻豆av| 欧美+亚洲+日韩+国产| 日韩 欧美 亚洲 中文字幕| 久久中文看片网| 黄片小视频在线播放| 国内毛片毛片毛片毛片毛片| 国产美女午夜福利| 国产成人啪精品午夜网站| 欧美中文综合在线视频| 欧美丝袜亚洲另类 | 丰满人妻一区二区三区视频av | 欧美不卡视频在线免费观看| 亚洲人成网站在线播放欧美日韩| 国产精品久久久久久久电影 | av福利片在线观看| 国产一区二区三区视频了| 精品人妻1区二区| av欧美777| 精品乱码久久久久久99久播| 深夜精品福利| 日韩三级视频一区二区三区| 91久久精品国产一区二区成人 | 久久伊人香网站| 亚洲第一电影网av| 窝窝影院91人妻| 成人高潮视频无遮挡免费网站| 亚洲人成网站在线播放欧美日韩| 伊人久久大香线蕉亚洲五| av国产免费在线观看| 国产精品一及| 午夜福利免费观看在线| 18禁美女被吸乳视频| 欧美黑人巨大hd| 后天国语完整版免费观看| 久久精品国产99精品国产亚洲性色| 黄色丝袜av网址大全| 国产精品野战在线观看| 久久精品亚洲精品国产色婷小说| 婷婷精品国产亚洲av| 老熟妇仑乱视频hdxx| 国产真人三级小视频在线观看| 国产伦精品一区二区三区视频9 | 亚洲色图av天堂| 亚洲专区中文字幕在线| 国产主播在线观看一区二区| 琪琪午夜伦伦电影理论片6080| 亚洲精品久久国产高清桃花| 欧美日韩一级在线毛片| 成人三级做爰电影| 日本一本二区三区精品| 亚洲国产日韩欧美精品在线观看 | 亚洲成av人片在线播放无| 亚洲午夜理论影院| 国产毛片a区久久久久| 身体一侧抽搐| 亚洲国产精品999在线| 五月玫瑰六月丁香| 18禁美女被吸乳视频| 午夜精品久久久久久毛片777| 成人鲁丝片一二三区免费| 精品久久久久久久久久免费视频| 久久久久免费精品人妻一区二区| 无限看片的www在线观看| 麻豆成人av在线观看| 一区二区三区高清视频在线| 亚洲国产看品久久| 麻豆国产97在线/欧美| 亚洲av第一区精品v没综合| 国产欧美日韩一区二区精品| 两人在一起打扑克的视频| 一本精品99久久精品77| 搡老熟女国产l中国老女人| 夜夜看夜夜爽夜夜摸| 美女大奶头视频| 国产精品九九99| 国模一区二区三区四区视频 | 美女高潮的动态| 国产精品av久久久久免费| 毛片女人毛片| 成人一区二区视频在线观看| 激情在线观看视频在线高清| 欧美三级亚洲精品| 巨乳人妻的诱惑在线观看| 舔av片在线| 别揉我奶头~嗯~啊~动态视频| 久久久久精品国产欧美久久久| 国产免费男女视频| 好男人电影高清在线观看| 天堂动漫精品| 丝袜人妻中文字幕| 国产精品久久电影中文字幕| 国产亚洲精品一区二区www| 我的老师免费观看完整版| 日韩 欧美 亚洲 中文字幕| 九色成人免费人妻av| 国产精品久久视频播放| 日本黄色片子视频| 99国产精品99久久久久| 久久香蕉精品热| 精品国产三级普通话版| 成在线人永久免费视频| 久99久视频精品免费| 亚洲天堂国产精品一区在线| 婷婷亚洲欧美| e午夜精品久久久久久久| 国产视频内射| 亚洲国产欧美网| 国产99白浆流出| 国产免费av片在线观看野外av| 制服丝袜大香蕉在线| 精品一区二区三区四区五区乱码| 淫妇啪啪啪对白视频| 免费av不卡在线播放| 99re在线观看精品视频| or卡值多少钱| 别揉我奶头~嗯~啊~动态视频| 最近最新中文字幕大全电影3| 国语自产精品视频在线第100页| 男人舔奶头视频| 九色成人免费人妻av| 日本一二三区视频观看| 亚洲第一电影网av| 少妇熟女aⅴ在线视频| 亚洲精品在线观看二区| 一二三四社区在线视频社区8| 桃红色精品国产亚洲av| 精品久久久久久成人av| 亚洲欧美日韩东京热| 国产野战对白在线观看| 90打野战视频偷拍视频| 久久午夜亚洲精品久久| 伦理电影免费视频| 欧美日韩精品网址| 欧美在线黄色| 国产黄色小视频在线观看| 97超级碰碰碰精品色视频在线观看| 国产伦精品一区二区三区四那| 黄色 视频免费看| 美女高潮喷水抽搐中文字幕| 久久天躁狠狠躁夜夜2o2o| www.精华液| 网址你懂的国产日韩在线| 成人三级黄色视频| 舔av片在线| 亚洲人成伊人成综合网2020| 精品久久久久久久人妻蜜臀av| 成人av一区二区三区在线看| 久久久成人免费电影| 观看美女的网站| 首页视频小说图片口味搜索| 亚洲专区字幕在线| av天堂在线播放| 中文字幕熟女人妻在线| 99久久精品国产亚洲精品| 国产成人精品久久二区二区免费| 亚洲 国产 在线| 欧美一区二区国产精品久久精品| 日韩有码中文字幕| 日日摸夜夜添夜夜添小说| 亚洲 国产 在线| 久久久久久大精品| xxxwww97欧美| 搡老熟女国产l中国老女人| 日本与韩国留学比较| 91av网站免费观看| 99久久综合精品五月天人人| 国内精品一区二区在线观看| 久久久成人免费电影| 十八禁人妻一区二区| 亚洲人成网站高清观看| 午夜福利在线观看免费完整高清在 | 免费av毛片视频| 久久久久久久精品吃奶| 亚洲国产精品久久男人天堂| 国产精品98久久久久久宅男小说| 高清毛片免费观看视频网站| 国产真人三级小视频在线观看| 久久香蕉国产精品| 午夜福利免费观看在线| bbb黄色大片| 亚洲第一电影网av| 亚洲国产欧美网| 亚洲精品在线观看二区| 免费大片18禁| 人妻久久中文字幕网| 欧美激情久久久久久爽电影| 一区福利在线观看| av视频在线观看入口| 亚洲avbb在线观看| 久久久久国产精品人妻aⅴ院| 美女午夜性视频免费| 中亚洲国语对白在线视频| 99热精品在线国产| 男人舔女人的私密视频| 变态另类丝袜制服| 女警被强在线播放| 欧美高清成人免费视频www| ponron亚洲| 成年女人永久免费观看视频| 欧美日韩福利视频一区二区| 看免费av毛片| 日韩欧美 国产精品| 国产一区二区激情短视频| 一进一出抽搐动态| 99国产精品99久久久久| 伊人久久大香线蕉亚洲五| or卡值多少钱| 欧美中文日本在线观看视频| 国产午夜精品论理片| 村上凉子中文字幕在线| 亚洲欧美日韩卡通动漫| 国产精品 欧美亚洲| 黄色日韩在线| av欧美777| 国产精品久久视频播放| 欧美大码av| 黄色 视频免费看| 色综合站精品国产| 少妇的丰满在线观看| 少妇熟女aⅴ在线视频| 亚洲人成网站在线播放欧美日韩| 久久婷婷人人爽人人干人人爱| 一边摸一边抽搐一进一小说| 日日夜夜操网爽| 日韩欧美 国产精品| 国产一区二区三区在线臀色熟女| 又爽又黄无遮挡网站| 亚洲欧美日韩东京热| 国产精品久久久人人做人人爽| 亚洲国产欧美一区二区综合| 欧美大码av| 欧美日韩黄片免| 噜噜噜噜噜久久久久久91| 女人被狂操c到高潮| 国产精品乱码一区二三区的特点| 少妇丰满av| 日本 欧美在线| 免费在线观看成人毛片| 女警被强在线播放| 别揉我奶头~嗯~啊~动态视频| 亚洲欧美日韩卡通动漫| 在线永久观看黄色视频| 亚洲乱码一区二区免费版| 宅男免费午夜| 国产亚洲av嫩草精品影院| 窝窝影院91人妻| 无遮挡黄片免费观看| 中亚洲国语对白在线视频| 成人一区二区视频在线观看| 欧美日本亚洲视频在线播放| 欧美黑人巨大hd| 99久久精品一区二区三区| 欧美在线黄色| 99在线视频只有这里精品首页| 国产精品亚洲美女久久久| 午夜免费观看网址| 久久久久性生活片| 黄色日韩在线| 久久久国产精品麻豆| 欧美中文综合在线视频| 99国产精品一区二区蜜桃av| 我要搜黄色片| 午夜精品一区二区三区免费看| 日本与韩国留学比较| 高清毛片免费观看视频网站| 香蕉久久夜色| 99精品欧美一区二区三区四区| 欧美3d第一页| 老汉色∧v一级毛片| 国产成人精品无人区| 窝窝影院91人妻| 国产免费av片在线观看野外av| 免费在线观看亚洲国产| 黑人巨大精品欧美一区二区mp4| 亚洲性夜色夜夜综合| 最新美女视频免费是黄的| 亚洲美女黄片视频| 欧美色视频一区免费| 日韩精品中文字幕看吧| 久久久久久国产a免费观看| 国内久久婷婷六月综合欲色啪| 神马国产精品三级电影在线观看| 亚洲五月婷婷丁香| 国产伦一二天堂av在线观看| 日本精品一区二区三区蜜桃| 亚洲欧美精品综合久久99| 午夜视频精品福利| 午夜福利在线观看吧| 亚洲一区二区三区不卡视频| 五月玫瑰六月丁香| 色综合欧美亚洲国产小说| 欧美三级亚洲精品| 日本a在线网址| 国产欧美日韩精品一区二区| 久久婷婷人人爽人人干人人爱| 久久久久性生活片| 色哟哟哟哟哟哟| 啪啪无遮挡十八禁网站| 韩国av一区二区三区四区| 天堂√8在线中文| 中文字幕最新亚洲高清| 一级a爱片免费观看的视频| 国产美女午夜福利| 亚洲成人免费电影在线观看| 最近最新中文字幕大全免费视频| 国产激情偷乱视频一区二区| 久久天堂一区二区三区四区| 老司机福利观看| 精品电影一区二区在线| 精品久久久久久久末码| 在线观看舔阴道视频| 久久精品影院6| 亚洲精品456在线播放app | 久久国产精品影院| 99国产综合亚洲精品| 成人欧美大片| 18禁国产床啪视频网站| 国产精品 欧美亚洲| 国产男靠女视频免费网站| 国产欧美日韩一区二区精品| 又黄又爽又免费观看的视频| 欧美一区二区国产精品久久精品| 制服人妻中文乱码| 国产高清激情床上av| 国产精品亚洲av一区麻豆| 欧美+亚洲+日韩+国产| 午夜福利在线观看吧| 欧美绝顶高潮抽搐喷水| 国产成人福利小说| av黄色大香蕉| 亚洲欧美日韩无卡精品| 国产成人av教育| 国产一区二区三区视频了| cao死你这个sao货| 一本综合久久免费| 19禁男女啪啪无遮挡网站| 欧美大码av| 最新中文字幕久久久久 | 黑人欧美特级aaaaaa片| 日本 av在线| 久久久久国产一级毛片高清牌| 国产精品影院久久| 精品熟女少妇八av免费久了| 午夜两性在线视频| 母亲3免费完整高清在线观看| 中文字幕高清在线视频| 天堂动漫精品| 久久人妻av系列| 国产伦精品一区二区三区视频9 | 丰满的人妻完整版| 老司机福利观看| 男女午夜视频在线观看| 国产成人av教育| 欧美一区二区精品小视频在线| 一级作爱视频免费观看| 久久欧美精品欧美久久欧美| 久久精品国产99精品国产亚洲性色| 五月伊人婷婷丁香| 三级毛片av免费| 小说图片视频综合网站| 国产精品久久久久久人妻精品电影| 99国产精品一区二区三区| 叶爱在线成人免费视频播放| 色综合婷婷激情| 亚洲av日韩精品久久久久久密| 亚洲 欧美一区二区三区| 色综合亚洲欧美另类图片| 成人亚洲精品av一区二区| 美女免费视频网站| 欧美中文日本在线观看视频| 亚洲精品在线观看二区| 非洲黑人性xxxx精品又粗又长| 老熟妇仑乱视频hdxx| 麻豆国产av国片精品| 国产99白浆流出| 桃红色精品国产亚洲av| 国产精品亚洲一级av第二区| 一个人观看的视频www高清免费观看 | 狂野欧美激情性xxxx| 日本与韩国留学比较| 夜夜夜夜夜久久久久| 国产精品影院久久| 狂野欧美白嫩少妇大欣赏| 12—13女人毛片做爰片一| 最近在线观看免费完整版| 999精品在线视频| 1024手机看黄色片| 12—13女人毛片做爰片一| 99在线视频只有这里精品首页| 又紧又爽又黄一区二区| 欧美激情在线99| 在线十欧美十亚洲十日本专区| 51午夜福利影视在线观看| 国产精品乱码一区二三区的特点| 午夜亚洲福利在线播放| 国产伦一二天堂av在线观看| 少妇裸体淫交视频免费看高清| 欧美乱码精品一区二区三区| 免费看美女性在线毛片视频| 国产伦在线观看视频一区| 制服丝袜大香蕉在线| 搞女人的毛片| 最近最新中文字幕大全免费视频| 国产精品乱码一区二三区的特点| 男女之事视频高清在线观看| 熟妇人妻久久中文字幕3abv| 午夜亚洲福利在线播放| 超碰成人久久| 欧美在线一区亚洲| 色老头精品视频在线观看| 亚洲aⅴ乱码一区二区在线播放| 国内精品一区二区在线观看| 欧美在线一区亚洲| 又紧又爽又黄一区二区| 一本久久中文字幕| 人妻夜夜爽99麻豆av| 欧美日韩福利视频一区二区| 日本免费一区二区三区高清不卡|