亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于IGWO-RBF的LTE-R切換算法研究

        2020-04-24 18:33:12蘇佳麗伍忠東丁龍斌劉菲菲
        計算機工程與應用 2020年8期
        關鍵詞:隱層灰狼權值

        蘇佳麗,伍忠東,丁龍斌,劉菲菲

        蘭州交通大學 電子與信息工程學院 信息安全實驗室,蘭州730070

        1 引言

        高速鐵路飛速發(fā)展,LTE-R 比GSM-R 擁有以下優(yōu)點:一是具有扁平化的網(wǎng)絡結構[1],使得時延更短;二是以OFDM 為關鍵技術[2],增加了頻譜效率,降低了網(wǎng)絡部署和維護成本,很大地提升了性能;三是MIMO 技術充分利用空間資源,成倍地提高系統(tǒng)信道容量。LTE支持高速移動的終端環(huán)境,最高能達到500 km/h[3],更加適應高移動性場景。

        降低乒乓率和掉話率是高速切換中的研究熱點,LTE 系統(tǒng)切換算法大多數(shù)是在A3 事件基礎上進行的。凌啟東等提出了一種基于用戶終端的快速切換方案,可以提前完成資源分配,提高切換成功率[4];Li Y 等提出了基于模糊邏輯的切換算法,對遲滯容限參數(shù)Hys 做了動態(tài)調(diào)整[5],使切換更準確;Lee C等提出了采用網(wǎng)絡功能虛擬化(NFV)技術來提高切換的時延性能[6];劉云毅提出了在高速列車中引入車載中繼站,并在車頭和車尾設立兩部天線,通過兩部天線協(xié)作來減小切換失敗率[7];欒林林探討了一種基于預承載的切換判決算法[3],減少切換時延,提高切換成功率。Luo W等提出了在LTE切換中實現(xiàn)軟切換,該方式可以實現(xiàn)不中斷切換,但是對硬件設備需進行改動,所以實踐性較低[8]。

        本文針對A3 算法的固有問題,提出了一種具有良好容錯性以及學習能力的算法——基于改進灰狼優(yōu)化的RBF 神經(jīng)網(wǎng)絡的切換算法。該算法利用改進的RBF神經(jīng)網(wǎng)絡快速收斂、唯一最佳逼近的特性,降低了乒乓率、掉話率,提高了切換成功率。

        2 基于LTE-R的切換原理和工作流程

        2.1 LTE-R切換原理

        LTE-R的切換過程是由移動用戶端UE(User Equipment)、基站eNodeB 和接入網(wǎng)AGW(Access Gateway)共同協(xié)調(diào)完成。LTE-R 切換主要包括5 種類型[9]:eNodeB 內(nèi)部切換、通過X2 的eNodeB 之間切換、通過S1 的eNodeB之間切換、MME之間的切換以及LTE-R與其他系統(tǒng)之間的切換。圖1為越區(qū)切換(X2之間)原理圖,X為切換過程過渡區(qū),在這段距離,目標基站的RSPR 和當前基站RSRP 的差值達到切換門限,則觸發(fā)A3 事件。Y 為切換區(qū),在這段距離,列車完成小區(qū)(X2接口)之間的切換??梢钥闯觯琇TE-R的接入網(wǎng)絡為扁平化結構,這種簡化的網(wǎng)絡設計,不僅使得數(shù)據(jù)傳輸和無線資源控制更加迅速,而且降低了系統(tǒng)構架和維護的費用。

        圖1 LTE-R越區(qū)切換示意圖

        觸發(fā)A3事件的條件如下:

        Mt是目標小區(qū)的信號強度,Ms是服務小區(qū)的信號強度,Hys 為切換的遲滯門限參數(shù)。

        算法中切換遲滯參數(shù)Hys 和觸發(fā)時延TTT 如圖2所示。

        圖2 A3事件觸發(fā)切換示意圖

        2.2 LTE-R切換流程

        LTE-R 系統(tǒng)同頻切換主要步驟為:切換測量階段、切換判決和切換執(zhí)行階段。本文采用切換類型為X2接口之間的切換,切換流程如圖3所示。

        圖3 X2接口切換流程圖

        首先建立連接(步驟①~②),此過程中源基站eNodeB向用戶終端(UE)發(fā)送無線資源管理層RRC(Radio Resource Control)的連接配置信令,為UE 的無線承載做準備。UE向源eNodeB發(fā)送連接重配置完成的信令。

        同頻切換流程:

        (1)切換測量階段(步驟③):UE向源eNodeB發(fā)送測量報告,包括源、目標eNodeB 的參考信號接收質(zhì)量(RSRQ)和參考信號接收功率(RSRP)。

        (2)切換判決階段(步驟④):源eNodeB 收到測量階段發(fā)送的報告,采用測量報告中的物理層參數(shù),根據(jù)切換算法給出切換判決結果。

        (3)切換執(zhí)行階段(步驟⑤~?):

        ⑤源eNodeB根據(jù)報告中小區(qū)信息,向目標eNodeB發(fā)送切換請求信令。

        ⑥目標eNodeB 收到源eNodeB 的切換請求,根據(jù)當前小區(qū)資源承載情況,判決是否允許UE接入。

        ⑦若允許接入,則目標eNodeB 向UE 發(fā)送切換確認消息。

        ⑧源eNodeB 收到確認的消息,向UE 發(fā)送RRC 層連接重配消息,向UE發(fā)送切換命令。

        ⑨UE 根據(jù)配置消息,接入到目標eNodeB。并且,向目標eNodeB發(fā)送RRC層連接重配置確認消息。

        ⑩目標eNodeB收到這個消息后,對移動性管理實體(MME)發(fā)送相關路徑轉(zhuǎn)換的請求,請求轉(zhuǎn)換上層鏈路。

        ?鏈路改變完成之后,目標eNodeB 會收到MME發(fā)送的消息。消息的內(nèi)容為確認路徑轉(zhuǎn)換請求。此時,UE成功接入目標eNodeB。

        ?目標eNodeB獲取確認的消息之后,對源eNodeB發(fā)送回執(zhí)消息。

        ?源eNodeB收到回執(zhí)消息后,釋放UE的數(shù)據(jù)信息。

        3 LTE-R切換算法的優(yōu)化

        3.1 改進的灰狼算法

        3.1.1 灰狼算法

        灰狼算法(Gery Wolf Optimizer)是根據(jù)自然界中灰狼群體協(xié)同合作進行捕食的行為提出的算法[10],在GWO 中,第一等級灰狼記為α,其領導能力最強,主要負責尋優(yōu)(捕食)過程中的決策和狼群管理,其他的狼按照等級分為β,δ,ω。如圖4 所示,第二等級稱為β 狼,加強了α 的統(tǒng)治并及時向其提供反饋。第三等級稱為δ狼,其必須服從α 和ω 狼的命令,在群體中負責偵查和圍攻獵物。等級最低的灰狼是ω,是狼群中的群眾基礎,ω 狼必須服從狼群領導層的指揮。

        圖4 灰狼位置更新圖

        灰狼算法整個捕獵的過程主要為三個階段[11]:包圍、追捕、攻擊。最終捕獲獵物(獲得全局最優(yōu)解)。

        (1)包圍過程

        狼群在確定獵物的位置后,首先要對獵物進行包圍。第i 只灰狼的位置Xi滿足如下:

        其中,r1和r2分別為[0,1]區(qū)間的隨機數(shù),a 隨著迭代次數(shù)的增加,在區(qū)間[2,0]呈線性遞減。

        (2)追捕過程

        灰狼包圍獵物后,δ,β 狼在α 狼的帶領下對獵物進行追捕。此過程中,灰狼的位置會隨著獵物位置的變化而變化,來尋找最優(yōu)位置Xp,通常根據(jù)α,β,δ 狼的位置Xα,Xβ,Xδ來更新:

        其中,ωj表示第j 只狼的權重:

        f(Xj(t))表示第j 只狼在t 時刻的適應度。

        (3)攻擊過程

        攻擊過程為灰狼捕食的最后一個階段,狼群對獵物進行攻擊并捕獲獵物(得到最優(yōu)解)。該過程的實現(xiàn)主要通過下式中a 值的遞減來實現(xiàn)。

        tmax為最大迭代次數(shù),當a 的值從2線性遞減0時,其對應的Ai的值也在區(qū)間[-a,a]變化。當Ai≤1 時,則表明狼群正在接近獵物位置。當1 < ||Ai≤2 時,表明狼群正在向遠離獵物方向分散,則GWO陷入局部最優(yōu)[12]。

        3.1.2 改進的灰狼算法

        GWO在優(yōu)化應用時,中后期收斂速度慢、容易陷入局部極值且未考慮自身經(jīng)驗,所以引入PSO算法中的記憶功能。則式(6)可以表示為:

        式中,b1,b2分別表示狼群交流系數(shù)和記憶系數(shù)(常量),取值范圍為[0,1];r3為區(qū)間[0,1]的隨機變量;Pbest表示第i 只狼在捕食過程中的最佳位置。改進的算法可以通過調(diào)節(jié)b1,b2系數(shù)調(diào)節(jié)個體記憶與群體交流之間的關系,可以保存最優(yōu)解,收斂速度更快。

        3.2 灰狼優(yōu)化的RBF神經(jīng)網(wǎng)絡

        3.2.1 RBF神經(jīng)網(wǎng)絡的優(yōu)化

        RBF神經(jīng)網(wǎng)絡是具有單隱層的前饋神經(jīng)網(wǎng)絡,具有計算量小,全局逼近能力等優(yōu)點[13]。其使用徑向基函數(shù)作為隱層神經(jīng)元激活函數(shù),本文使用的高斯徑向基函數(shù)如式(10)所示:

        式中,Cj為神經(jīng)網(wǎng)絡的中心參數(shù)其中,n 為隱層神經(jīng)元個數(shù)。RBF神經(jīng)網(wǎng)絡不足之處在于需要解決隱層的中心參數(shù)Cj、寬度向量Dj和隱層到輸出層的權值ωj的確定問題[14],尤其是權值的確定。就此,本文提出使用粒子群優(yōu)化(PSO)的GWO 算法對RBF神經(jīng)網(wǎng)絡進行優(yōu)化。

        3.2.2 RBF神經(jīng)網(wǎng)絡的設計

        RBF神經(jīng)網(wǎng)絡結構的設計主要是兩方面[15]:一是拓撲結構的設計,即輸入層、輸出層的確定以及隱層神經(jīng)元數(shù)量的確定;二是參數(shù)的設計,主要有基函數(shù)的中心參數(shù)Cj、寬度參數(shù)Dj以及隱層到輸出層的連接權值ωj。

        神經(jīng)網(wǎng)絡結構設計:

        本文針對A3 事件下,由于高速列車切換切換時遲滯參數(shù)(TTT)和切換遲滯門限(Hys)為固定值,使得列車在低速時出現(xiàn)乒乓效應、高速時產(chǎn)生無線鏈路連接失敗現(xiàn)象進行優(yōu)化,因此需要對TTT 和Hys 進行動態(tài)優(yōu)化。如圖5為IGWO-RBF神經(jīng)網(wǎng)絡的網(wǎng)絡結構。

        圖5 IGWO-RBF神經(jīng)網(wǎng)絡的網(wǎng)絡結構

        (2)隱含層。隱層神經(jīng)元激活函數(shù)是高斯函數(shù),輸入層到隱層對數(shù)據(jù)進行非線性變換,表達式為:

        在RBF 神經(jīng)網(wǎng)絡中,隱層節(jié)點數(shù)的確定很重要,如果隱層節(jié)點數(shù)過少,網(wǎng)絡低于期望的學習能力和信息處理能力,造成“欠擬合”;若節(jié)點數(shù)過多,不僅會增加網(wǎng)絡結構的復雜性,而且還會把訓練樣本自身的一些特點當作所有潛在的樣本都具有的一般性質(zhì),導致了泛化性能的降低,造成了“過擬合”。由于輸入節(jié)點數(shù)少,“試湊法”[16]確定節(jié)點數(shù)的方法具有實現(xiàn)簡單、能夠較快確定達到模型最優(yōu)隱層節(jié)點數(shù)的優(yōu)點,如下公式:

        m 為隱層節(jié)點數(shù)目,n 是輸入層節(jié)點數(shù)目,l 為輸出層節(jié)點數(shù),α 通常取1~10范圍的常數(shù)。

        由上可知,隱層節(jié)點數(shù)可設置為3~11,利用樣本數(shù)據(jù)對神經(jīng)網(wǎng)絡進行多次訓練和測試,表1 為RBFNN 和灰狼優(yōu)化的RBFNN在不同的誤差平均值和系統(tǒng)耗時的對比,通過對比,最優(yōu)隱層節(jié)點數(shù)為8。

        表1 不同隱層節(jié)點數(shù)時誤差和系統(tǒng)耗時對比

        由表1 可知,改進的神經(jīng)網(wǎng)絡能夠更快速地收斂,找到最優(yōu)權值矩陣,系統(tǒng)耗時更少。

        (3)輸出層。輸出層單元個數(shù)為2,是切換中需要優(yōu)化的參數(shù),為Hys 和TTT 。隱含層到輸出層對數(shù)據(jù)進行線性變換,輸出層是整個神經(jīng)網(wǎng)絡的輸出,其表達式為:

        3.2.3 RBF神經(jīng)網(wǎng)絡的參數(shù)設計

        RBF神經(jīng)網(wǎng)絡的參數(shù)主要是:中心參數(shù)Cj、寬度向量Dj和隱層到輸出層的權值ωj:

        (1)中心參數(shù)Cj

        由公式(10)可知,隱含層各神經(jīng)元的中心參數(shù)為Cj=,本文中心參數(shù)的確定使用了K-means 算法,是一種無監(jiān)督式學習法[17],此方法可靠、收斂速度快,能有效地處理數(shù)據(jù)。

        首先根據(jù)公式(14),選取出一個密度指標最高的樣本數(shù)據(jù)作為第一個中心C1:

        然后根據(jù)公式(15)進行迭代更新計算剩余的h-1個聚類中心。

        其中,xC1為第一個聚類中心,ρC1為密度的最大值,γb為密度指標函數(shù)減少的鄰域,

        最后得出聚類中心為C1(k),C2(k),…,Ch(k)。

        (2)寬度向量Dj。

        每一個神經(jīng)元中心參數(shù)都對應一個寬度向量D,本文寬度向量的確定用“平均距離法”[18],在中心參數(shù)Cj被確定之后,寬度向量Dj=kdi,di=min‖ ‖Cj-Ci,表示第i 個參數(shù)與離它最近的中心參數(shù)的歐氏距離。

        (3)權值向量ωj

        本文采用改進的灰狼算法對隱層到輸出層之間的權值向量進行優(yōu)化,首先設置一個目標函數(shù),也就是優(yōu)化算法的適應度函數(shù),然后對其優(yōu)化。設RBF神經(jīng)網(wǎng)絡中目標函數(shù)為:

        其中:

        ok是k 時刻期望輸出向量,yk是k 時刻的實際輸出量,2為輸出節(jié)點數(shù),權值向量ωj為灰狼算法中的位置向量。

        中心參數(shù)、寬度和權重參數(shù)均通過學習來自適應調(diào)節(jié)到最佳值,其參數(shù)訓練流程如圖6所示。

        圖6 改進的RBF神經(jīng)網(wǎng)絡訓練流程

        步驟1 對神經(jīng)網(wǎng)絡的參數(shù)(中心向量、權值向量、寬度)進行初始化。

        步驟2 設定學習率η 為0.05(一般設置在0.001~0.9)、動量參數(shù)μ 為0.1,迭代終止精度mse 的值為1E-5。

        步驟3 將訓練參數(shù)樣本集送入神經(jīng)網(wǎng)絡,根據(jù)式(10)(11)得出隱層的結果。

        步驟4 將權值向量映射為灰狼算法中每頭狼的位置向量,初始化,計算適應度Ek,并產(chǎn)生α,β,δ,ω 狼,迭代更新ω 狼以及相關參數(shù)。

        步驟5 直到Ek<mse ,或者訓練次數(shù)達到上限值1 000則訓練結束,否則轉(zhuǎn)到步驟4。

        步驟6 循環(huán)結束后,輸出α 狼為最優(yōu)權值矩陣。

        3.3 自矯正的RBF神經(jīng)網(wǎng)絡

        數(shù)據(jù)采集中的環(huán)境具有局限性,為了更好地適應復雜多變的環(huán)境,提出帶有自矯正的RBF神經(jīng)網(wǎng)絡,使得系統(tǒng)對環(huán)境有更好的適應性,在仿真過程中,采用“三分段Hermite 插值”來仿真列車在運行過程中實時接受到的RSRQ,基于仿真效果,得到如下的矯正過程:

        4 實驗

        4.1 實驗參數(shù)設置

        UE發(fā)生越區(qū)切換時可以根據(jù)自身運行速度的不同選擇最適宜的參數(shù),本文以速度為5 m/s作為步長,尋找列車切換過程中最優(yōu)的參數(shù)點,將選取的訓練參數(shù)集放入神經(jīng)網(wǎng)絡中進行學習,產(chǎn)生一個非線性擬合曲線,為了達到更好的效果,本文選擇參數(shù)比較復雜的“山地模型”,其具體參數(shù)如表2所示。

        表2 仿真參數(shù)

        4.2 實驗結果分析

        4.2.1 神經(jīng)網(wǎng)絡擬合結果

        IGWO-RBF神經(jīng)網(wǎng)絡和RBF神經(jīng)網(wǎng)絡的輸入(Hys參數(shù))的擬合結果如圖7所示。

        由圖7可知,IGWO-RBF的Hys 參數(shù)集擬合的曲線(紅色)明顯要優(yōu)于未改進的RBF神經(jīng)網(wǎng)絡的擬合曲線(藍色),尤其是在列車高速移動的場景中,優(yōu)勢更明顯。

        改進的RBF 神經(jīng)網(wǎng)絡和未改進的輸入TTT 參數(shù)的擬合結果如圖8所示。

        從結果可以看出IGWO-RBF 相比于RBF 神經(jīng)網(wǎng)絡,對采集的各參數(shù)點擬合度高,達到了預期的目標。

        圖7 Hys 參數(shù)集在神經(jīng)網(wǎng)絡中的擬合曲線

        圖8 TTT 參數(shù)集在神經(jīng)網(wǎng)絡中的擬合曲線

        4.2.2 算法復雜度分析

        本文通過神經(jīng)網(wǎng)絡優(yōu)化Hys 和TTT 在不同速率下的取值,然后應用于A3算法的判決部分,當判決部分為神經(jīng)網(wǎng)絡時,其算法復雜度為O(mn),m 為輸入神經(jīng)元個數(shù),n 為采樣點數(shù)。m=1,所以時間復雜度為O(n),與原A3判決算法復雜度相同。

        如表3,三個算法在相同數(shù)據(jù)量、相同服務器上運行的平均系統(tǒng)耗時分別為0.469 s、0.466 s、0.452 s,由此可以看出,新算法時延短,尋優(yōu)收斂速度快,新算法隱層只有一層,所以實時性較好,能應用到列車的高速運行環(huán)境中。

        表3 切換成功率前后對比

        4.2.3 系統(tǒng)仿真結果

        切換成功率是優(yōu)化的后切換算法一大評估標準,圖9展示了IGWO-RBF神經(jīng)網(wǎng)絡算法、RBF神經(jīng)網(wǎng)絡算法和傳統(tǒng)A3算法在相同訓練集比例下的切換成功率。

        當列車速度為0~100 m/s 時,隨著神經(jīng)網(wǎng)絡訓練的Hys 和TTT 參數(shù)的變化,IGWO-RBF 神經(jīng)網(wǎng)絡的切換成功率在高速環(huán)境(100 m/s)時為84.5%,如表4,未改進的RBF 神經(jīng)網(wǎng)絡切換成功率在高速時為82.0%,傳統(tǒng)A3算法只有77.2%。結果表明IGWO-RBF算法輸出結果隨移動端速度的增加,切換成功率要比RBF神經(jīng)網(wǎng)絡算法和傳統(tǒng)A3算法高。

        圖9 改進前后算法的切換成功率對比

        表4 切換成功率前后對比%

        圖10展示了相同輸入比例下的乒乓效應的出現(xiàn)率。

        圖10 改進切換算法前后乒乓率對比

        由表5 可知,當列車速度逐漸增加時,IGWO-RBF算法的乒乓率明顯低于RBF神經(jīng)網(wǎng)絡算法和A3算法。

        在高度移動場景中,列車極易發(fā)生無線鏈路連接失敗現(xiàn)象,由圖11可知,本文所用的優(yōu)化算法有效地降低了切換中的無線鏈路連接失敗率。

        由表6可知,當列車速度為0~100 m/s時,優(yōu)化后算法的掉話率比RBF神經(jīng)網(wǎng)絡算法和傳統(tǒng)算法的掉話率低,優(yōu)化后的算法更穩(wěn)定。

        綜上所述,本文算法在切換成功率、乒乓率、掉話率方面都明顯優(yōu)于傳統(tǒng)算法,且算法復雜度和實時性與A3算法相近。因此本文算法是一種新的具有可行性的LTE-R切換優(yōu)化算法。

        表5 切換乒乓率前后對比 %

        圖11 改進前后算法的切換掉話率對比

        表6 切換掉話率前后對比%

        5 結束語

        本文提出了一種基于改進灰狼算法優(yōu)化的RBF 神經(jīng)網(wǎng)絡的LTE-R切換算法。仿真結果表明:所提出的算法對切換率有明顯的提高,在相同條件下,改進算法的切換率和魯棒性要明顯優(yōu)于未改進算法和傳統(tǒng)算法,乒乓率也低于傳統(tǒng)算法,隨著速度的增加,無線鏈路失敗的出現(xiàn)也降低,并且速度越高,算法的優(yōu)勢越明顯。快速尋找最優(yōu)權值矩陣使得系統(tǒng)時延更短。改進算法收斂性快且效率更高,有更好的可靠性和靈活性,能更好地適應高速鐵路移動環(huán)境。但是優(yōu)化算法數(shù)據(jù)采樣具有局限性,因此接下來的研究方向是,找出一個更好的方法去采集更多的動態(tài)數(shù)據(jù)進行擬合,使得算法的效果和穩(wěn)定性得到進一步的提升。

        猜你喜歡
        隱層灰狼權值
        一種融合時間權值和用戶行為序列的電影推薦模型
        CONTENTS
        谷谷雞和小灰狼
        小太陽畫報(2019年1期)2019-06-11 10:29:48
        基于RDPSO結構優(yōu)化的三隱層BP神經(jīng)網(wǎng)絡水質(zhì)預測模型及應用
        人民珠江(2019年4期)2019-04-20 02:32:00
        灰狼的大大噴嚏
        基于權值動量的RBM加速學習算法研究
        自動化學報(2017年7期)2017-04-18 13:41:02
        灰狼和老虎
        快樂語文(2016年15期)2016-11-07 09:46:31
        灰狼的幸福
        讀寫算(中)(2015年6期)2015-02-27 08:47:14
        基于近似結構風險的ELM隱層節(jié)點數(shù)優(yōu)化
        計算機工程(2014年9期)2014-06-06 10:46:47
        最優(yōu)隱層BP神經(jīng)網(wǎng)絡的滾動軸承故障診斷
        亚洲欧美日韩成人高清在线一区| 国产精品一区二区三区女同| 一区二区三区免费观看日本| 精品乱人伦一区二区三区| 久久伊人色av天堂九九| 99久久国内精品成人免费| 国产自拍精品在线视频| 无码人妻久久一区二区三区免费丨 | 免费无码国产v片在线观看| 午夜不卡亚洲视频| 精品国产一级毛片大全| 亚洲av熟女天堂系列| 青青草视频网站在线观看| 欧美人与禽zozzo性伦交 | 在线观看亚洲精品国产| 色偷偷亚洲精品一区二区 | 亚洲一区视频在线| 精品一区二区三区女同免费| 精品久久亚洲中文字幕| 极品新婚夜少妇真紧| 2021年国产精品每日更新| 久久99久久久精品人妻一区二区| 色欲色香天天天综合网www| 国产精品扒开腿做爽爽爽视频| 三年片在线观看免费大全电影| 久久久99久久久国产自输拍| 国产女优一区在线观看| 97无码免费人妻超级碰碰夜夜| 欧美极品第一页| 蜜桃av一区二区三区| 国产aⅴ激情无码久久久无码| 狠狠色丁香久久婷婷综合蜜芽五月| 91久久综合精品国产丝袜长腿| 美女免费观看一区二区三区| 巨大巨粗巨长 黑人长吊| 久久精品亚洲牛牛影视 | 精品一区二区三区久久| 国产成人精品一区二区三区视频| 国产精品一久久香蕉国产线看观看| 亚洲无av高清一区不卡| 亚洲午夜av久久久精品影院色戒|