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
激情久久婷婷| 五月婷婷三级| 欧美激情综合色综合啪啪五月| 日日射天天射| 久久黄A片| 人五月天婷婷喷水| 成人国产欧美大片一区| 玖玖资源在线视频| 丁香五月激情啪| 在线A色| 国产精品丝| 五月丁香婷婷成人网| 中文字幕人妻在线| 色播五月天激情| 天天日夜夜夜操操操操| 99re思思在线视频| 99久久婷婷| 色色综合网。| 1级欧美日韩| 久热只有精品| 91丨九色丨东北熟女| 亚城区在线| 在线,国产,色,热视频| 婷婷色偷拍| 丰满老熟妇BBBBB搡BBB| 中字幕视频在线永久在线观看免费 | 91vip在线观看| 婷婷五月激情四射手| www.夜夜操.com| 激情丁香五月AV| 五月丁香六月激情综合| 色人久久| 国产精品第一国产精品| 天天插天天插| 狠狠插.com| a久久| 婷婷玖玖五月天| 丁香五月婷婷俺也要去| 天天激情站| 五月天激情美女久久| 亚洲婷婷五月天综合| 超碰大香蕉网| 激情图片亚洲| 五月激情丁香五月宗合| 思思热在线视频99| 五月天久久网站| 五月婷婷激情69| 一个色的综合| 九九机热| 深爱激情五月网| 婷婷色成人| 激情婷婷另类| 色婷婷裸体色性在线| 日韩六六久久电影| 激情五月婷婷开心网| 伊人久久丁香婷婷六月五月综合| 五月天久久网站| 综合99在线| 丁香五月天婷婷大香蕉| 婷婷五月综合久久中文字幕| 永久的网站AAAA | 成人无码精品1区2区3区免费看| 91一起操| 潘金莲AAAAAAAAAA| 色五月婷婷91| 五月天婷亚洲天综合网综合 | 91狠狠色| 天海翼中文字幕高| 激情亭亭五月| 激情深爱综合| 婷婷综合色五月天| 四虎成人精品永久免费AV九九| 五月丁香六月香香蕉| 婷婷99狠狠| 欧美丁香婷婷五月| 国产免费性爱| 狠狠色噜噜狠狠| 丁香九月综合| 日日色五月天| 五月丁香综合影院| a网站免费观看| 成人精品视频99在线观看免费| 免费三级黄色| 亚洲色图五月丁香| 激情久久五月网| 婷婷五月丁香综合人妻| 综合色图区| 色婷婷色久综| 五月天综合久久| 99热在线精品观看| 久草热久草在线视频| 伊久大香蕉| 婷婷久久天堂网| 五月婷婷影院| 国产婷婷五月在线视频| 九九碰九九爱97| 国产真实乱了老女人视频| 人五月天婷婷喷水| 婷婷五月丁香综合亚洲 | 婷婷六月久久| AV在线大香蕉| H亚洲| 激情五月婷| 亚洲99激情| 丁香五月激情无码视频| www夜夜操| 五月天另类小说久久小说网| 婷婷色五月噜噜| 欧美激情-区二区三区| 色五月五月天色婷婷色五月| 七月丁香五月婷婷在线| 九九热在线观看6| 人人摸人人干人人做| 手机旧版看人妻1025| 99久在线精品99re8热| 色色色成人网| av国产精品| 婷婷日本色| 一级片sese片.COM| 五月天色不卡| 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 | 日韩av手机在线观看| 五月婷婷丁香六月| 色色cOm| 99热亚洲精品| 91成人电影| 天天日,夜夜爽| 91碰| 久久婷婷人人| 久久狠狠干| 国产成人精品亚洲线观看| 99.N在线视频| 偷拍五月丁香| 国内在线99视频| 2014天天爽| 婷婷五月天网| 婷婷五月激情综合啪啪| 激情五月天色婷婷综合| 日韩成人影片网站| 无码激情精品色婷婷久久久久| 日本三级中国三级99| 日韩AC在线免费观看| 日本色色网| 亚洲免费婷婷| 高清国产AV| 色婷婷在线视频综合| 成人五月天婷婷| se99视频| 丁香六月欧美| 婷婷成人视频| 日本黄色在线观看| 日本久久婷婷| 五月丁香 啪啪| 日日操夜夜撸| 丁香五月AV| 激情内射p| 97超碰婷婷五月天| 5月婷婷激情6月| 五月丁香色情| 婷婷丁香五月视频| 少妇真实被内射视频三四区| 五月婷婷久久爱| 色情五月综合婷婷| 五月综合777| 久久婷婷亚洲| 久久五月丁香综合17C| 久久五月视频| 婷婷操逼网| 玖玖在线视频| 色五月婷激情| 超碰伊人碰婷婷五月| 婷婷五月视频| 五月丁香综合影院| 婷婷五月天久久久| 人人色婷婷五月天| 97 天堂| 狠狠肏综合网| 超碰熟女农村在线69| 五月丁香婷婷啪啪综合网| 婷婷色情 | 婷婷六月激情啪啪| 色五月天成人| 任你操精品免费| pacopacomama 070722_670 素人奥様初撮りドキュメント 103 大久保純子 | 丁香五月电影| 伊人狠狠丁香婷婷综合尤物| 直接看的AV| 日韩啪啪网| 久久九九综合| 国产热精品| 亚洲深喉AV| 亚洲国产成人裸舞| 日本色色网站| 国产亚洲在线观看| 久久久精品色| 91精品久久久久久久| 五月六月婷| 成人色色视频| 大战熟女丰满人妻AV| AV大香蕉| 久久伊人五月天| 91九色大屁股| 午夜婷婷久久| 国产激情综合| 亚洲十月婷婷综合| 九九热精品| 大香蕉久久婷婷精品综合| 久久这里只有精品网| 久久五月综合| 久久国产成人9999久久久久| 久热一本| 国产精品-91JQ就要激情网91JQ6.91JQ27.CASA:16888 | WWW.久久99| 91久久精品无码一区二区三区| 另类在线| 9热久久在线| 五月丁香六月成人| 亚洲精品五月| 大香蕉AV在线| 人妻中文av| 色婷婷狠狠爱| 久久色情综合免费网站| 色久在| 影音先锋 萱萱| 色色亚洲视频| 亚洲五月丁| 色色色五月| 狠狠色丁香| 久久久久人妻中文| 人人亚洲| 日本在线视频播放91| 日本99热| 性色婷婷| 国产毛片操B| 久热中文字幕| 天天干 夜夜爽| 综合婷婷| 激情五月色婷婷| 香蕉AV777XXX色综合一区| 日日操夜夜撸| 婷婷丁香五月,狠狠综合| 久久性操| 第四色大香蕉| 天天操天天插天天射| 狠狠爱综合网| 亚洲视频操| 99久久思思| 99九无网码| 婷婷五月丁香图片人人操| 久久婷婷综合国产| 婷婷丁香十月| 日日舔夜夜操| 天天开心AV色综合婷婷五月天| 久久婷五月综合| 五月丁香婷婷成人网| 97中文在线| 日韩操逼小电影| 狠狠色五月激情| 91在线日本| www婷婷色| 1024人妻| 国产69久久久欧美黑人A片| 一区二区成人电影| 日韩色五月| 99热99热99热99热| 十月丁香九月婷婷综合| 人人人操B超碰| 去干网av| 天天爽夜夜爽夜夜爽精品| 久久色吧| 色97啪啪| www.97干视频| 台湾无码A片一区二区| 一本婷婷丁香久久 | 激情婷婷丁香五月天| 热久91| 性做爰A片免费视频A片直播| 超喷97免费在线视频| 99综合视频| 国产91视频| 色色五月天婷婷丁香| 99热这里只有精品22| 26uuu欧美亚洲日韩| 亚洲五月天第一综合干| 五月人人丁香婷婷五月人人丁香| 久热这里只有精品在线观看 | 9久国产| 六月丁香婷婷综合在线| 久久这里只有精品8| 九九机热| 激情五月天偷拍综合网| 99综合自拍| 激情综合色婷婷啪啪六月天| 欧美日韩成人一区二区| 天天干狠狠| 99re思思久久| 99免费在线视频| 狠狠操综合| 99这里有精品视频| 一级AV片| 午夜色丁香| 99热精品超碰| 91大神操美女| 色婷婷五月影视| 丁香 婷婷 激情 综合 五月| 狠狠久久婷五月综合色| 夜夜爽天天日| nvrentiantang av| 开心五月综合激情网| www.maotanji.com| 天天操天天插| 欧美综合激情| www.99久久久久99| 手机在线日韩视频中文字幕| 五月天色欧美| 色婷婷电影网| 色综合五月婷婷狠狠干| 六月丁香色婷婷| 婷婷草| 五日激情综合| 99这里只有精品|v| 青青久在线视频免费观看| 精品国产乱码久久久久久免费| 香蕉久久av一区二区三区| 精品99*| 婷婷免费视频| 亚洲成人av在线| 热的国产99热| 色情五月天A片| 情久久综合五月天| 亚洲欧美综合7777色婷婷| 色婷婷影院| 色久综合| 久久精品天| 国产免费AV在线| 亚洲五月天,激情视频| 久热这里有精品视频| 激情婷婷另类| 色一情一乱一乱一区91Av| 中文字幕在线日亚洲9| 一本大道嫩草AV无码专区| 狠狠干最新地址| 婷婷丁香婷婷97| 丁香五月综合婷婷| 色婷婷亚洲在线| 婷婷伊人网| 亚洲色99| 丁香六月青青草| 亚洲精品乱码久久久久久按摩观| 五月天激情婷婷小说| 婷婷五月丁香五月| 中文字幕乱码亚洲精品一区| 激情四射婷婷色色色| 思思热久久阴99| 五月婷AV| 天天日日夜夜| 婷婷玖玖丁香| 天天干天天操天天干天天操天天干天天操| 91综合色| 伊大人久久| www.五月婷婷.com| 日韩av网址大全| 五月丁香六月婷婷色日| 日产精品久久久久久久蜜臀| 五月天婷综合| 天天射综合网夜夜操| 欧美日本黄色| 97偷拍对白视频| 色情五月综合婷婷| 激情五月天小说|五月天开心激情网|亚洲精品国产自在现线|黄色五月天 | 九九热精品在线| 色九九七七| 久久黄色免费视频| 超碰成人在线观看| 超碰99热在线观看| 影音先锋按摩| 婷婷天堂综合| 在线不卡的视频| 99色在线视频观看| 久久综合丁香| 久久婷婷激情四射五月天| 国产日批视频| 激情五月天色网站| 丁香五月婷婷色偷偷| 99 这里只有精品| 九九激情综合| 99ri精品在线| 久久九九视频| 日本色色视频| 色狠狠色狠狠| 亚洲无AV在线中文字幕| 俺来也综合网精品一区| 激情五月天色网站| 夜夜大香蕉婷婷丁香| 久久人妻系列| 噼里啪啦完整版中文在线观看| 99熟女啪啪视频| 无码人妻一区| 伊人激情综合| 开心五月综合| 六月丁花香啪啪激情欧美| 久久婷婷六月| 来吧亚洲综合网| 99九九在线精品热动漫| 久热99热| 97热九九| 久久久精品AV| 99乱视频| 99热青青草| www,色综合| 夜夜操天天干| 欧美碰碰| 欧美啪啪网| 成人欧美Va| 最新高清无码专区| 五月丁香拍拍激情综合| 婷婷激情五月| 婷婷免费无视频| 日本不卡高字幕在线2019| 五月天另类小说亚洲| 精品人妻久久久久久| 精品婷婷丁香五| 涩涩婷婷五月| 超碰在线免费观看3 9| 婷婷日日天天| 日本97人人| va亚洲中文在线| 日碰日| 日日艹思思热| 欧美月久久| 深爱婷婷网| 色婷婷激情五月天| 99精品在线播放| 色色色999| 天天综合久久| 少妇人妻丰满做爰XXX| 欧美熟女乱又伦| 超碰熟女农村在线69| 婷婷开心六月| 国产婷婷综合| 亚洲九九夜夜| 久久这里有精品在线观看| 九月丁香很很色| 99青青草| 婷婷综合色| 成人精品在线| 开心五月丁香综合久久| 婷婷丁香精品视频在线观看| 婷婷五月大香蕉| 婷婷香蕉| 内射在线CHINESE| 热的无码综合视频| 丁香五月婷婷总啪啪| 色视频五月天| 色狠狠综合| 久久精彩视频| 免费观看的婷婷五月视频在线| 香蕉大综综综合久久| 玖玖综合网| 草操AV在线| 2025神马午夜福利| 狠狠爱婷婷爱| 五月丁香视频在线观看| 91免费试看| 国产欧洲欧洲精品久久| 强伦轩人妻一区二区电影| 久久538| er99免费视频在线| 久久WW| 天天操天天插| 五月天成人综合| 综合色久| 色五月激情图片| 五月丁香婷中文| 电影《战争与艾拉》免费观看| 九七色色六月丁香| www.精品99| 就爱操www com| txt五月激情四射网综合俺也来了| 色婷久| 五月丁香久久综合| 丁香五月婷婷天堂大香蕉| 91丨九色丨东北熟女| 婷婷中文字幕版| 五月天丁香综合久久国产| 婷婷六月爽| 丁香五月天天| 婷婷色情 | 99九九视频精彩在线| 日韩抽插操逼| 123草逼网| 日产精品一线二线三线芒果| 日韩 中文 欧美| 亚洲国产成人裸舞| 丁香五月精品视频| 五月婷婷,狠狠操| 国产成人网址| 五月丁香六月婷婷欧美综合| 色五月婷婷、老熟女| 啪啪夜久久| 玖玖在线视频| 九九热只有精品| 日屌日日操日日色| 呦呦v线| 综合激情伊人影视在线| 六月丁香婷婷色狠狠久久| 夜夜爽天天爽| AV在线观看网站| 开心五月天激情| 亚洲小视频免费播放| 婷婷五月欧美AA片免费| 熟女少妇内射日韩亚洲| 九九在线视频| 综合久久影院| 久久精品人妻| 婷婷五月天成人动漫| 色综合色五月| 影音先锋91| 97人碰人操| 久热这里| 99免费在线视频| 一级精品999WWW| 天天干天天射色综合| 婷婷五月天在线看| 日韩精品999| 九色视频入口91| 九九色综合| www99热| 婷婷六月色开| 婷婷五月天色网久| 色婷婷五月天天天天天天天天天| 欧美性二区| AV动漫不卡无码免费| 国产女生爱爱AA| AV中文网| 99热精品在线| 日日做A爰片久久毛片A片英语| 久综合网| 五月天激情小说| 久99久在线观看| 开心五月天激情网| 天天干天天干天天干| 天天天天天日| 开心深爱激情网| 丁香五月婷婷色偷偷| 婷婷成人综合五月| 婷婷五月天在婷| 婷婷五月天日本无码| 激情五月丁香在线观看直播| 婷婷成人丁香色情基地30| 人人舔人人色人人高潮| 天天干-天天日| 丁香婷婷综合激情五月色,开心五月丁香花综合网,激情综合五月亚洲婷婷,五月天 | 99热精品少| 夜夜天天久久婷婷| 五月天婷婷影院影院| 涩涩涩婷婷| 五月色导航| 激情久久天天| Www,五月天| 老司机日日夜夜青草| 亚洲婷婷免费| 9l视频自拍9l九色9l成人| 久9热在线视频| 亚洲操逼网| 五月丁香婷婷综合网| 色99色| 牛牛热这里只有jingpin| 人人人操 超碰| 婷久久高清| 九热视频免费观看| 9色在线视频| 亚洲午夜电影| www.婷婷五月天.com| www。五月天激情| 国产va在线视频| 五月婷六月天| 久久婷婷五月综合色奶水99啪| 97在线视频人妻九色| www.色综合.com| 大香蕉av在线| 九九热青草| 精品视频网| 天天操天天曰天天射| 最新色色五月天| 99r这里只有精品哦| 思思精品久久艹| 五月丁香网站| 北京熟妇搡BBBB搡BBBB| 麻豆123区| 91色逼| 69午夜成人影片| 日日夜夜狠狠操| 狠狠色婷婷7777久| 操操操97| 狠狠色噜噜狠狠狠狠综合| 天天色·欧美| 草五月| 99热这里只有精品在线| 色五月色开心开心五月| 97人人操在线| 五月天亚洲最大成人| 综合一本道| 五月婷婷中文字幕| 国内在线99视频| 国产亚洲99| 永久AⅤ1| 99这里有精品| 欧美亚洲成人在线| 天天日天天干天天爱| 亚洲色情网站| 婷婷色色网| 91岛国片| 五月天激情图| 这里只有精彩视频| 久久色五月| 三十路磁力链接| www,超碰| 色婷丁香91| www.激情| 婷婷丁香18| 情欲禁地| 婷婷香蕉| www.日本91| 久久99最新地址| 婷婷五月天成人| 婷婷五月天免费视频| 婷婷色婷婷| 天天摸天天肏| 五月丁香婷婷视频| 97人人妻人人艹| 婷婷六月激情啪啪| 久久久久久久人妻| 久久久99免费视频| 99久在线精品99re8| 丁香五月花| 九九热九九| www.天天干| 色欲五月丁香| 狠狠干五月丁香| 伊人啪啪网| 99日在线视频| 亚洲精品视频电影| 色欧美日| 天天激情欧美美女| 国产精品 的国产| 天天日天天日天天搞| 蜜桃人妻无码AV天堂三区| 中文字幕在线日亚洲9| 五月亭亭狠狠| 九九爱精品网站| 五月天色婷婷av| 日韩999| 婷婷伊人綜合中文字幕| 亚洲情欲| 玖玖在线视频福利| a网站免费观看| 91成人视频| 99热热这里只精品996小说| 另类图片五月天激情| 五月婷婷花| 国产肥白大熟妇BBBB视频| 欧美成人无码一区二区三区| 色情五月丁香| 第四色色六月色综合| 99精品在线播放| 91超碰在线观看| 4399在线日本A片| 天天肏在线观看| 色久影院| 日韩操人| 狠狠操综合| 成人综合视频在线| 久久92| 久久99久久99精品免观看粉| 丁香五月综合婷婷| 中文字幕AV网址| av在线激情| 色婷婷六月天| 久久久精品人妻| 99 r热| 深爱激情综合| 精品婷婷五月天| 五月丁久久| 99色热| 综合色色网| 色婷婷视频在线| 91色色色18| 亚洲人妻av| 婷婷激情伍月网| 91女人18毛片水多国产| 色停停五月天| 91精品国产99久久久久久天美| 色三级色三级| 国产永久一二一起草| 日本人妻伦在线中文字幕| 伊人狠狠干| 9久操| 99狠狠色| 99极品视频| 日本WwW色偷偷丁香花久久久京东热| 九色色| 丁香 亚洲 久久| 超碰九色| 六月天无码网址| 99在线小视频| 思思热视频| 狠狠久综合| 国产AV不卡福利| 久久丁香五月天| 丁香五月婷婷亚洲另类| 天天色综| 99综合网| 五月激情婷婷国产精品久久久久久| 五月丁香无码| 色综色网| 久久综合中文| 日日婷婷不卡| 人妻激情在线| AA片在线观看视频在线播放| 91婷婷色 | 成人精品视频99在线观看免费| 天堂草在线看www| 九九人人操| 久热精品免费视频4| 99热在线看| 久热只有这里有精品| 丁香av网| 91蜜桃婷婷狠狠久久综合9色| 丁香五月激情综合啪啪| 色玖玖| 91干在线视频| 成人做爰A片免费看视频| 丁香六月五月婷婷| 精品在线| 九九色区| 久久久久久五月天| 国产午夜一区二区三区| 日韩1区2区| 久久99激情| 五月天天综合| 亚洲xx在线| 婷婷五月在线视频| 殴美综合激情五月天免费视频| 成人久久天天x资源站| 亚洲免费观看高清完整版AV线| XX色综合| 五月丁香激情综合网| 秋霞午夜理论| 91人人网| 大香伊人婷婷影院| 国产精品久久久爽爽爽麻豆色哟哟| 色爽九九| 五月人妻婷婷视频| 色99综合视频| 丁香五月婷婷少妇| 超碰色色综合| 六月色婷婷综合影视| 国产毛片精品一区二区色欲黄A片| 色欲午夜无码久久久久久张津瑜| 丁香五月婷婷乱| 久久性爱视频| 久久婷婷色情7777网站| 欧美婷婷综合网| 九九无码AV| 亚洲亚洲人成综合网络| 九九九九综合| 九九色欲网| 五月丁香婷婷婷激情爱爱| 亚洲日韩久久婷婷伊人| 五月婷婷丁香六月| 欧美激情综合| 亚洲午夜电影| 天天爱天天狠天天透| 久久久精品人妻录| 国产夫妻操逼内射视频| 久久丁香五月综合六月激情红杏视频| 色五月五月婷婷| 91ncm视频| 黄色一极大片| 大伊香蕉玖玖爱| 五月婷婷黄色毛片| 1024久婷| 中文婷婷狠狠| 99在线看视频| 日韩啪啪视品| 色婷综合| 性爱五月婷婷| 激情五月天第四色| 婷婷综合偷拍| 成人丁香五月婷| 激情宗合 激情宗合| 69精品人妻不卡视频| 操人精品| 99婷婷国产最新视频| 97欧美在线| 五月丁香大相交| 色五月超碰| 91丨九色丨丰满人妖| 粉嫩av懂色av蜜臀av熟妇| 黄网网站在线播放| 九九热这里| 丁香五月婷婷啪啪| 久久免费精彩视频| 亚洲精品久久久久AV无码| 九九色色| 97色色视频| 丁香五月性| 成人综合网站| 五月丁香婷婷伊人| Www.久久| 激情九九六月激情免费视频| 色玖玖爱| 丁香九月综合| 丁香五月天婷婷中文| 天天舔日日肏夜夜爽| 激情婷婷丁香色五月| 色五婷婷| 久久婷婷五月综合| 色色色色热| 国产精产国品一二三在观看| 少妇高潮呻吟A片免费看软件| 国产在线网| 色都都狠狠色都都色综合色| 久久婷婷五| 91婷婷在线| 99热这里只有精品10| 91久久婷婷人人澡草| 婷婷五月激情小说| 激情婷婷| 五月婷婷操操| 《久久综合九色综合97婷婷| 秋霞性爱AV| 国产亚洲99| 亚洲噜色| 天天综合五月天| 丁香五月手机在线| 开心色色五月天综合| 亚洲有码在线视频| 亚洲色精彩| 亚洲激情精品| 无码人妻激情| 色婷青青| 久青操| 婷婷五月天777| 国产日韩亚洲欧美在线观看| 色情丁香五月婷婷精品| 久草热久草在线视频| 99久久高清视频| 五月天激情综合在线| 色欲AV导航| 亚洲婷婷免费| 黄色成人AV在线| 91久久久久久| 五月欧美色色五月| 久久久久久综合88| 伊人大综合| 99在线观看| 婷婷五月视频| 超碰99在线观看| 婷婷色色网站| 91操熟女| 岛国AV网| 久久思思热| 色综合视频| 狠狠操天天操综合| 在线另类视频| 丁香婷婷五月天成人| 秋霞免费三级片| 五月开心久久| 性生生活大片又黄又| 一逼色综合| 五月婷在线播放| 五月丁香六月激情综合| 成人毛片在线免费观看| 热久久66| 五月天激情小说| 丁香五月天婷婷大香蕉| 婷婷六月丁香在线| 99热碰碰| 免费在线观看av网站| 色色影院aaaav| 丁香婷婷五月六月久久| 丁香婷婷婷婷十二月在线观看视频| 欧美久草在线日本一级特黄大片做受9在线观看韩国电影《两个女人》未删减-毛片 | 五月停视频天堂| www.天天色综合| 天天综合精品| 色九四色| 五月丁香色婷婷婷基地| 五月婷婷,狠狠操| 综合在线观看99| 亚洲激情无码久久| 120分钟婬片免费看| 色久99| 爱婷婷久久视频| 色五月网址| 九九色色| 久久久久亚洲AV成人无码电影| 岛国午夜视频| 天天成人综合视频| 激情五月婷婷| 亚洲色色图片| 色五月天堂| 婷婷九月丁香天堂丁香天堂| 99热12| 玩熟女五十AV一二三区| 立川无码av| 99激情在线| 丁香五月婷婷天堂大香蕉| 涩涩五| 六月婷婷综合| 丁香婷婷综合激情五月色,开心五月丁香花综合网,激情综合五月亚洲婷婷,五月天 | 久久综合激情| 久热一本| 丁香五月六月综合激情| 人妻久久久久久| 久久人视频| 日日爽天天| 九色综合网| 99爱最新免费视频在线观看| 国产毛片欧美毛片久久久| 九九免费精品在线视频| 亚洲精品99| 怕怕av| 99色在线| 亚洲婷婷丁香五月天激情小说| 狠狠插狠狠插| 九九热a| 五月婷婷中文| 欧美日韩成人在线| 九九在线精点品| 五月丁香六月色婷婷综合五月天| 香蕉综合在线| 9+1视频网址| 五月天伊人网| Av性爱网站| 婷婷激情九月| 亚洲性受XXXX五月丁香| 性综合网| 国产在线6| 国产精产国品一二三在观看 | 亚洲人成网站999综合| 26uuu另类亚洲欧美日本一| 色激情网| 久热这里只有精品99re| 99热99操| 激情丁香婷婷| renrencaoni| 日本精品人妻无码77777| 六月丁香婷婷五月| 99精品女人天堂| 99操逼| 五月丁香六月久久| 人人色人人弄人人操| 夜夜操激情| 久久资源综合| 999热在线视频| 五月丁香日本片| 五月J香蕉婷婷| 六月综合在线| 婷婷色五月激情| 福利视频在线播放| 这里只有精品视频99| 久Se视频在线观看| 天天射影院| 婷婷丁香五月,狠狠综合| 伊人久久综合| 婷婷五月天小说网| 全国最新疫情| 超碰高清在线| 九九激情| 婷婷激情五月色综合| A1片久久久| 色婷婷基地 | 五月婷婷丁香网| 人妻av在线| 五月天色色无码| 性色天| 激情深愛五月視頻| 婷婷五月天av小说| 97碰免费视频在线| 五月激情婷婷色| 97碰碰碰| 另类小说色婷婷| 人人操人人爱丁香五月| 婷婷色基地在线看 | 丁香五月最新地址| 九九综合| 婷婷五月婷婷| 青青草原中文字幕| 97超碰99热99| 亚洲午夜AV| 五月婷深深爱激情网| 91黄址| 五月丁香婷婷钟和色图| 国产成人99久久亚洲综合精品| 婷婷四色五月| 天天情天天狠天天透| 99久久97| 婷婷丁香五月综合| www.五月瑟| 九九热a| 婷婷丁香综合在线| 色五月婷婷在线| 99青青草| 五月丁香六月色婷| 欧美人人女女精品综合五月天| 激情五月丁香五月| 色综合丁香婷婷| 丁香色五月婷婷91桃色| 噜噜噜噜噜在线| 色婷婷综合在线| 成人午夜天| 色色色干| 亚洲另类视频| 99精品在| 婷婷五月成人有| 丁香婷婷色色| 亚洲AV永久无码影院黑人| www.狠狠操| 亚洲成人网站在线观看| 丁香婷婷成人网站| 五月婷综合网| 欧美美女国产日韩一区二区久| 六月丁香婷婷色狠狠久久| 91se视频| 激情五月激情综合网| 久久婷婷网| 九九热视| 狠狠五月天激情| 丁香五月天精品| 六月丁香婷婷综合色播| 日本久久综合| 人妻激情网| 亚洲 在线 另类| 天天婷婷综合亚洲亚洲| 成人亚洲精品| 五月丁香激情综合网| 开心五月天激情| 天天草狠狠擦| 色五月开心婷婷| 欧洲区自拍| 婷婷丁香综合在线| 日韩成人中文| 丁香五月成人| 色婷婷亚洲精品天天综| 超碰在线观看9| 五月丁香中文| 开心五月深爱婷婷| 天天碰天天插天天操| 狠狠狠激情网| 性爱在线播放av| 一起草无码视频| 狠狠爱综合| 91大神操美女| 五月丁香婷婷综合视频| 涩涩婷婷五月| 人人妻人人澡人人爽| 五月丁香综合网| 丁香五月婷婷综合激情啪啪啪| 三级毛片视频| 免费观看全黄做爰的视频| 欧美经典片免费观看大全| 丁香五月欧美| 伊人综合网站| 国产精产国品一二三在观看| 99九九久久| 噜噜噜久久| 五月天色五月| 五月婷婷六月色| 内射爽无广熟女亚洲| 日日夜夜狠狠| 嫩草AV久久伊人妇女超级A| 人妻中文在线| 超碰久热| 久久婷婷网站| 九九九九毛片| 性色五月天| 色婷五月天| 青草视频在线观看视频| 中文AV在线观看| 亚洲午夜AV| 99精品视频在线观看| 大香蕉久久| 国产69久久久欧美黑人A片| www.夜夜操| 婷婷色色综合| 欲求不满的人妻| 婷婷五月无码| 色呦呦免费观看| 狠狠艹狠狠艹| 亚洲色小说在线综合| 婷婷免费无视频| 五月天激情无码| 国产9色在线/日韩| 99综合视频| 亚洲视频在线观看| 九月婷婷人人操人人舔人人爱| 日本欧美999久久久三级片| 日本免费91| 五月婷婷xxx| 色播五月丁香综合| 欧美婷婷精品激情| 天天插天天插天天插天天插| 中文字幕成人影视| 久久婷婷五月综合激情国产| www.五月天色色.com| 少妇性按摩无码中文A片| 丁香伍月婷电影全集| 91人妻九色大屁股| 大香蕉久久婷婷精品综合| 精品久久99码| 丁香五月婷婷色综合基地| 五月丁香六月婷婷的女人| 激情五月综合网| 俺也去色| 超碰免费电影| 五月天色色网站| 蜜桃婷婷五月| 丁香激情合作五月| 婷婷狠狠干| 婷婷色色五月天| 狠狠婷婷色| 亚洲性视频| 欧美影院婷婷| 婷婷永久在线| 天天色天天操天天射| 另类图片色五月| 极品少妇高潮啪啪AV无码| 婷婷综合中文| 久久伦乱| 婷婷玉月丁香五月在线视频| nvrentiantang av| 丁香六月啪啪| 色综合久久综合| 青青草a在线| 婷婷五月天激情综合深爱激情 | 色啦啦视频| 99久在线观看| 思思热在线视频99| 97干在线播放| 久久A极片| 日本 色综合| 袁子仪视频观看| 国产毛片精品一区二区色欲黄A片| 亚洲视频在线观看| www.91在线观看| 思思热精品免费视频| 色久影院| 久久婷婷五月综合色欧美| 亚洲天堂啪啪| 就爱射中文字幕资源网| 99色色视频| 伊人三级激情| 婷婷免费无视频| 天天狠天天叉| 成人国产网站| 婷婷五月激情片| 9久视频| www.久久婷婷| 五月婷婷婷婷婷婷艺术| 激情五月天婷婷| 野外99热| yazhouzonghesese| 五月天开心激情综合网| 国产精品国产| 日日鲁鲁夜夜爽爽| 成人五月丁香社区| 色色激情| 国产精品人妻欲求不满| 99这里有精品视频视频| 激情五月综合网| 日韩在线视频网站| 精品久久久人妻| 丰满少妇乱A片无码| 五月丁香人妻| 深爱五月中文字幕| 色综合激情| 超碰在线9| 人妻啪啪啪| 强壮公让我夜夜高潮A片视频| 色色免费网站| 婷婷综合视频| 99碰在线视频| 色婷婷六月天在线| 性无码专区无码| 丁香五月婷婷深五月| 五月情婷婷| 狠狠色丁香乆乆| 六月婷婷狠狠色在线观看| 俺去也五月天婷婷| 激情丁香六月| 人人色婷婷| 丁香久月婷| 5月婷婷6月六月丁香| 色五月情| 五月情四婷婷| 99在线免费观看| 色情综合| 精品女人九九九| 99热丁香五月| 性色天| 国产亚洲av片| 久久ab| 色色日本欧美| 丁香五月婷婷大香蕉| 色色色色色五月| 我爱宗和色| 中文字幕 中文字幕明步| 五月丁香久久久日婷婷久久婷婷日| 另类小说色婷婷| 在线资源av-超碰中文在线-成人AV| 欧美色爱五月天| 伊人久久大香| 精品乱码久久久久| 七七久久婷婷| 99A片| 亚洲狠狠婷婷| 99热老司机| 丁香婷婷色五月| 久久99精品久久久久久噜噜| 亚洲午夜电影| 久久九九免费视频| 五月婷婷六月丁香综合视频在线| 天天做天天爱天天爽| 亚洲婷婷开心五月| 久久艹 五月天| 能直接看的AV网站| 亚洲成人AV一区在线观看| 狠狠色综合777| 亚洲综合色成丁香五月色| 九九热视| 婷婷婷久久久| 99热这里只有精品3| 久久色在线视频| 最新无毒无码AV| 色狠狠色综合| av最新在线| 九九热在线视频观看| 99日在线观看视频| 色色色色网| 97人妻碰碰碰久久香蕉| 激情五月婷婷丁香| 五月天激情小说| 五月丁香久久网| 亚洲天天免费| 67194线路二在线观看| 色香欲综合| 色婷婷成人| 国产AV一区二区三区最新精品| 色5月婷婷| 五月 成人 婷婷| 色婷婷六月| 思思久久99热只有频精品66| 日本44久久在线| 婷婷丁香人妻天天| 久久综合五月天| 777精品久无码人妻蜜桃| 午夜丁香五月天综合| www.五月天婷婷| 国产肥白大熟妇BBBB视频| 国产VA亚洲VA96| 久久综合干| 九色综合网| 4438激情网|