• <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 ?

    支持向量機算法的研究及其實現(xiàn)

    2010-10-16 03:55:46范玉妹郭春靜
    關(guān)鍵詞:正確率向量分類

    范玉妹,郭春靜

    (北京科技大學(xué)應(yīng)用科學(xué)學(xué)院,北京100083)

    支持向量機 (support vector machine,SVM)是數(shù)據(jù)挖掘中的一項新技術(shù),是針對小樣本數(shù)據(jù)提出的,借助于最優(yōu)化方法解決機器學(xué)習(xí)問題的新工具。它最初于20世紀(jì)90年代由Vapnik提出,近年來在其理論和算法實現(xiàn)方面都取得了突破性進展,開始成為克服 “維數(shù)災(zāi)難”和 “過學(xué)習(xí)”等傳統(tǒng)困難的有力手段。雖然它還處于飛速發(fā)展的階段,但是它的理論基礎(chǔ)和實現(xiàn)途徑的基本框架已經(jīng)形成。它是建立在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)之上,對統(tǒng)計學(xué)習(xí)理論的發(fā)展起到巨大的推動作用并被廣泛應(yīng)用。由于其出色的學(xué)習(xí)性能,該技術(shù)已成為機器學(xué)習(xí)界的研究熱點,并在很多領(lǐng)域都得到了成功的應(yīng)用,如人臉檢測、手寫體數(shù)字識別、文本自動分類等。支持向量機與其他的學(xué)習(xí)機相比,具有較好的泛化能力、非線性處理能力和高維處理能力。

    1 支持向量分類機算法研究

    1.1 C-SVM算法

    標(biāo)準(zhǔn)的C-SVM(C-Support Vector Machines,簡稱C-SVM)算法是樣本點線性不可分情況下,引入松弛變量后的支持向量分類機算法。已知訓(xùn)練向量i=1,…,l屬于兩類,即 yi∈{1,-1},把訓(xùn)練數(shù)據(jù)正確分類是指求得的最優(yōu)分類超平面不但要把兩類數(shù)據(jù)正確分開,而且要使分類間隔最大,引進從輸入空間Rn到Hilbert空間H的變換。

    把訓(xùn)練集 T={(x1,y1),…,(xl,yl)}映射為={(x1,y1),…,(xl,yl)}={(Φ(x1),y1),…,(Φ(xl),yl)}。由此得到的初始問題為

    式中 C—懲罰參數(shù),C越大表示對錯誤分類的懲罰越大,它是算法中唯一可以調(diào)節(jié)的參數(shù);ζ—在訓(xùn)練集線性不可分時引進的松弛因子。

    1.2 v-SVM算法

    v-SVM(v-Support Vector Machines,簡稱 v-SVM),在2.1中討論的 C-SVM算法中,有兩個相互矛盾的目標(biāo):最大化間隔和最小化訓(xùn)練錯誤。其中常數(shù)C起著調(diào)和這兩個目標(biāo)的作用。定性地講,C值的含義即選取大的C值,意味著更強調(diào)最小化訓(xùn)練錯誤。但定量地講,C值本身并沒有確切的意義,所以 C值的選取比較困難。為此,Scholkoph提出了v-SVM模型。所謂v-SVM,即針對C-SVM算法中唯一可以調(diào)節(jié)的參數(shù)C沒有直觀解釋,在實際應(yīng)用中很難選擇合適的值,v-SVM中用參數(shù)v取代C。在一定條件下,當(dāng)樣本點個數(shù)l→∞時,v以1的概率漸近于支持向量個數(shù)與樣本點個數(shù)之比。v參數(shù)可以控制支持向量的數(shù)目和誤差,也易選擇。

    引進從輸入空間到希爾伯特空間的變換,利用這個變換,由原來的訓(xùn)練集得到新的訓(xùn)練集

    此訓(xùn)練集對應(yīng)的最優(yōu)化問題為

    式中 ζ=(ζ1,…,這里不含參數(shù)C,而是換成了參數(shù)v這個需要實際選定的參數(shù)。模型中還多了一個變量 ρ,我們可以注意到當(dāng) ζ=0的時候,約束條件意味著兩類點以2ρ/‖w‖的間隔被分開。

    1.3 One-classSVM算法

    One-class SVM最初是用于高維分布估計,即用來尋找超平面VC維的估計值。對于沒有任何分類信息的訓(xùn)練向量∈Rn,i=1,…,l,初始最優(yōu)化問題為

    1999年Tax提出用超球面代替超平面來劃分?jǐn)?shù)據(jù)的想法,改變了數(shù)據(jù)集的描述,目標(biāo)函數(shù)的初始最優(yōu)化問題變?yōu)?/p>

    其中R為超球面的半徑,通過設(shè)定參數(shù)0≤v≤1,使超球面的半徑和它所能包含的訓(xùn)練樣本數(shù)目之間進行折衷。當(dāng)v小的時候,盡量把數(shù)據(jù)放進球里面,當(dāng)v大的時候,盡量壓縮球的尺寸,使用Lagrangian函數(shù)來解這個優(yōu)化問題。

    2 支持向量回歸機算法的研究

    2.1 ε-SVR 算法

    ε-SVR采用了ε-不敏感損失函數(shù),所以它有一個明顯的優(yōu)點即具有稀疏性:所有在ε-帶內(nèi)部的樣本點都不是支持向量,它們對決策函數(shù)沒有貢獻。換句話說,去掉這些樣本點,不會影響最終的決策函數(shù),只有支持向量才會影響決策函數(shù)。

    ε-SVR的原始問題如下:

    2.2 v-SVR算法

    在ε-SVR中,需要事先確定 ε-不敏感損失函數(shù)中的參數(shù)ε。然而在某些情況下選擇合適的ε并不是一件容易的事情。因此,與2.2中的分類算法類似,引進參數(shù)v取代ε,構(gòu)造能夠自動計算ε的一種變形算法—v-SVR。引進參數(shù)v后,則可將3.1中的最優(yōu)化問題修改為如下v-SVR問題:

    3 仿真實例及結(jié)果分析

    仿真實例是利用matlab軟件和Libsvm2.89版本來實現(xiàn)的,在實驗中所用到的核函數(shù)類型均為徑向基核函數(shù),分類實驗數(shù)據(jù)來源均為UCI學(xué)習(xí)庫,回歸實驗數(shù)據(jù)來源為公司實際數(shù)據(jù)。

    3.1 分類實例及結(jié)果

    本文采用一個大樣本與一個小樣本數(shù)據(jù)分別用三種不同的算法對其進行訓(xùn)練與預(yù)測。其中,大樣本數(shù)據(jù)集有 83個特征,訓(xùn)練集 train1包含1 605個數(shù)據(jù),測試集test1包含30 956個數(shù)據(jù);小樣本數(shù)據(jù)集只有兩個特征,訓(xùn)練集train2包含500個樣本點,測試集test2包含362個樣本點。

    從表1我們可以看到采用C-SVC算法對數(shù)據(jù)train1和test1大樣本數(shù)據(jù)進行訓(xùn)練和測試時,參數(shù)對(C,γ)的變化對實驗結(jié)果的影響,最重要的結(jié)果是對訓(xùn)練集和測試集的分類正確率。正確率越大,說明分類準(zhǔn)確度越高,算法越適用于這個數(shù)據(jù)集。從表1可看出,此算法對train1和test1的分類正確率只能達到80%左右,相對比較低。此算法中,當(dāng)支持向量個數(shù)越多時,對訓(xùn)練集和測試集的分類正確率都越低,這個結(jié)果也是符合前面理論部分的,而且,我們看到對訓(xùn)練集的正確率越高,相應(yīng)的對測試集的測試正確率也越高,這說明我們做十折交叉驗證實驗得到最優(yōu)參數(shù)對,再選擇最優(yōu)參數(shù)對進行訓(xùn)練得到訓(xùn)練模型,最后用測試集進行測試是很有必要的。從表1整體來看,用C-SVC算法對train1數(shù)據(jù)集進行訓(xùn)練支持向量的個數(shù)很多,正確率不高,對測試集test1的分類正確率也不高,說明此算法對所選的大樣本數(shù)據(jù)是不太適用的。

    表2反應(yīng)的是采用v-svm算法對數(shù)據(jù)train1和test1大樣本數(shù)據(jù)進行訓(xùn)練和測試時,參數(shù)對(v,γ)的變化對實驗結(jié)果的影響。其中,參數(shù)對的變化對訓(xùn)練集及測試集分類正確率的影響不太明顯,一般在80%左右波動。從表2還可看到,當(dāng)選擇參數(shù)不適當(dāng)時,得到的正確率是很低的,如當(dāng)v=0.01,γ=0.1時,對訓(xùn)練集及測試集的正確率分別只有57%和30%,這個結(jié)果是很差的。因此,根據(jù)特定的數(shù)據(jù)集選擇合適的參數(shù)對進行訓(xùn)練是很有必要的。用v-svm算法對train1數(shù)據(jù)集進行訓(xùn)練支持向量的個數(shù)較多,正確率不高,對測試集test1的分類正確率也不高,說明此算法對所選的大樣本數(shù)據(jù)是不太適用的。

    表1 C-SVM算法對train1和test1的訓(xùn)練和測試結(jié)果Tab.1 The training and testing results for train1 and test1 with C-SVM algorithm

    表2 v-SVM算法對train1和test1的訓(xùn)練和測試結(jié)果Tab.2 The training and testing results for train1 and test1 with v-SV M algorithm

    從表3我們可以看到,此表中的結(jié)果與表1、表2的結(jié)果不太一樣,主要反應(yīng)在對訓(xùn)練集和測試集的分類正確率上。如當(dāng)γ都取0.1,v分別取0.01,0.1,0.9時,對訓(xùn)練集的分類正確率分別為55.977 6%、56.164 4%、72.602 7%,有較大的變化,但對測試集的分類正確率都為75.946 5%,沒有變化,這個結(jié)果跟其它兩個算法是不一樣的。當(dāng)γ都取0.01,v分別取0.01,0.1,0.9時,對訓(xùn)練集的分類正確率分別為26.525 5%、29.078 5%、71.731%,最低為26%,這個正確率是相當(dāng)?shù)偷?而對測試集的分類正確率確有75.365%變化不大。整體來看,此算法對train1和test1數(shù)據(jù)集訓(xùn)練和測試的正確率不高,最低有20%多,最高不到76%,比前面兩個算法的精度都差。說明此算法對這個數(shù)據(jù)集很不適用。另外,也反應(yīng)了參數(shù)選擇的重要性,如果參數(shù)選擇不當(dāng),則最后得到的結(jié)果尤其是正確率會特別不理想。

    通過表1、表2與表3之間的對比,三個表反應(yīng)的是三種算法對大樣本數(shù)據(jù)集的訓(xùn)練和預(yù)測結(jié)果,參數(shù)的變化對結(jié)果都有不同程度的影響,說明我們在對具體的數(shù)據(jù)集進行訓(xùn)練和預(yù)測時選擇適當(dāng)?shù)膮?shù)的必要性。另外,通過比較發(fā)現(xiàn),采用C-svm與v-svm算法,正確率最高能達到83%左右,而采用 one-class svm算法正確率最高不到76%,說明對具體的數(shù)據(jù)集選擇適當(dāng)?shù)乃惴ǖ谋匾?也說明了改進的算法不一定適合于所有的數(shù)據(jù)集。從以上分析看,這三種算法的訓(xùn)練和測試正確率并不高,說明它們不太適用于大樣本數(shù)據(jù)集。表4采用C-svm算法對小樣本數(shù)據(jù)集進行訓(xùn)練和測試時,參數(shù)對(C,γ)的變化對實驗結(jié)果的影響。從正確率方面看,算法的結(jié)果比較理想,對訓(xùn)練集的正確率最高達到了99.6%接近100%,對測試集的正確率也達到了99%以上,此算法對這樣的小樣本數(shù)據(jù)的擴展性很好,但當(dāng)參數(shù)取得不合適時,如 γ=0.9,C=1時,正確率只有80%多,再一次說明了參數(shù)選擇的重要性。從表4來看,用C-SVM算法對訓(xùn)練集train2數(shù)據(jù)集進行訓(xùn)練支持向量的個數(shù)不多,能達到的最高正確率很高,對測試集test2能達到的分類正確率也很高,說明此算法對所選的小樣本數(shù)據(jù)是很適用的。

    表3 one-class svm算法對train1和test1的訓(xùn)練與測試結(jié)果Tab.3 The training and testing results for train1 and test1 with one-class svm algorithm

    表4 C-SVM算法對train2和test2的訓(xùn)練和測試結(jié)果Tab.4 The training and testing results for train2 and test2 with C-svm algorithm

    表5反應(yīng)的是采用v-svm算法對數(shù)據(jù)集train2和test2小樣本數(shù)據(jù)進行訓(xùn)練和測試時,參數(shù)(v,γ)的變化對實驗結(jié)果的影響。從分類正確率上來看,參數(shù)的變化對結(jié)果有明顯的影響,對訓(xùn)練集和測試集的最高正確率都達到了99%以上,而最低分別為50%左右和47%左右。從表5同樣可看到,當(dāng)選擇參數(shù)不適當(dāng)時,得到的正確率是很低的,如當(dāng)v=0.05,γ=0.1時,對訓(xùn)練集及測試集的正確率分別只有38%和51%,這個結(jié)果是很差的。因此,根據(jù)特定的數(shù)據(jù)集選擇合適的參數(shù)對即進行模型選擇進行訓(xùn)練是很有必要的。從表5來看,用v-svm算法對train2數(shù)據(jù)集進行訓(xùn)練支持向量的個數(shù)不多,能達到的最高正確率很高,對測試集test2能達到的分類正確率也很高,說明此算法對所選的小樣本數(shù)據(jù)是比較適用的。

    表6的結(jié)果與表4、表5的結(jié)果不太一樣。主要反應(yīng)在對訓(xùn)練集和測試集的分類正確率上。從表中結(jié)果我們看到,采用one-class svm算法對train2訓(xùn)練集的正確率最高只能達到67%左右,對test2測試集的正確率最高也只能達到60%左右,這樣的結(jié)果是很不理想的。從表5可以看到參數(shù)的變化并不能提高正確率,說明此算法對所選取的數(shù)據(jù)集是不適用的。

    通過表4、表5與表6之間的對比,參數(shù)的變化對結(jié)果都有不同程度的影響,說明我們在對具體的數(shù)據(jù)集進行訓(xùn)練和預(yù)測時選擇適當(dāng)參數(shù)的必要性。另外,通過比較發(fā)現(xiàn),采用C-svm與vsvm算法,正確率最高能達到99%以上,而采用one-class svm算法正確率最高不到70%,說明對具體的數(shù)據(jù)集選擇適當(dāng)?shù)乃惴ǖ谋匾?也說明了改進的算法不一定適合于所有的數(shù)據(jù)集。C-svm與v-svm的訓(xùn)練和測試正確率都能達到理想的結(jié)果,說明它們適用于這樣的小樣本數(shù)據(jù)集。一般,在實際問題中要具體問題具體分析,盡量選擇合適的參數(shù)對,使得正確率盡量高,提高算法的精度。然而,我們可以看到,對C-svm算法而言,C的變化范圍很大,對具體實力來說是比較難選取合適的C值的,v-svm作為C-svm算法的改進算法,用參數(shù)v代替參數(shù)C,v的選取相對較容易且在算法迭代過程中,C值作為結(jié)果的一部分自動計算。用兩種算法對小樣本數(shù)據(jù)集的訓(xùn)練結(jié)果正確率都能達到理想的效果,精確度都很高。

    表5 v-SVM算法對train2和test2的訓(xùn)練和測試結(jié)果Tab.5 The training and testing results for train2 and test2 with v-svm algorithm

    表6 one-class svm算法對train2和test2的訓(xùn)練和測試結(jié)果Tab.6 The training and testing results for train2 and test2 with one-class svm algorithm

    最后,比較同一種算法對不同的訓(xùn)練集和測試集的結(jié)果。通過表1與表4的結(jié)果我們不難發(fā)現(xiàn),采用C-svm算法不管對大樣本數(shù)據(jù)集train1、test1還是對小樣本數(shù)據(jù)train2、test2來說,選擇不同的參數(shù)對對實驗結(jié)果都有不同程度的影響,而從分類正確率的角度來看,對大樣本數(shù)據(jù)集的最高正確率達到83%左右,對小樣本數(shù)據(jù)的最高正確率能達到99%以上,接近100%,這充分說明了此算法較適用于小樣本數(shù)據(jù)。同樣,通過表2與表5的對比發(fā)現(xiàn)v-svm算法較適用于小樣本數(shù)據(jù)集,只是它在參數(shù)選擇上更容易一些。通過表3與表5的比較發(fā)現(xiàn),one-class svm算法對本文選取的大樣本與小樣本數(shù)據(jù)集的分類正確率都不理想,即它對一般的數(shù)據(jù)集并不適用,還不如最基本的C-svm與v-svm算法效果好。

    3.2 回歸實例及結(jié)果

    此部分本文選用公司實際數(shù)據(jù),數(shù)據(jù)集train3有3個特征,共有130個樣本點。

    表7反應(yīng)的是采用 ε-SVR算法對數(shù)據(jù)集進行訓(xùn)練時,參數(shù)變化對實驗結(jié)果的影響。最重要的結(jié)果是均方誤差和平方相關(guān)系數(shù),其中均方誤差越小,說明回歸的準(zhǔn)確度也越高,即擬合曲線與實際的越接近,平方相關(guān)系數(shù)的大小是對變量與特征之間的相關(guān)程度的一種度量,其值越大即越接近1,表示變量與特征之間相關(guān)程度也越大。從表8的結(jié)果可以看到,γ一定C變化時,對均方誤差和平方相關(guān)系數(shù)沒有影響。均方誤差的值很小,都為0.004 054 63,說明此算法對train4的訓(xùn)練結(jié)果準(zhǔn)確度較高。平方相關(guān)系數(shù)的值都為0.976 418,比較接近1,說明變量與三個變量間的相關(guān)程度很高。當(dāng)均方誤差越小時,平方相關(guān)系數(shù)相對變大,這也是符合實際情況的,當(dāng)均方誤差越小時,說明算法回歸的準(zhǔn)確度越高,自然變量與特征之間的平方相關(guān)系數(shù)越大。

    從表8的結(jié)果可以看出v一定γ變化時,對均方誤差的影響并不明顯,其值基本在0.001左右波動,但也有特殊情況,如 γ=0.01時,均方誤差達到了0.018,γ對平方相關(guān)系數(shù)的影響也不太明顯,其值都在0.9以上,但整體來說平方相關(guān)系數(shù)的值很接近1,說明變量與特征之間的相關(guān)程度很高。對均方誤差、平方相關(guān)系數(shù)結(jié)果無明顯影響。從以上分析可以看出,此算法對train4數(shù)據(jù)集的訓(xùn)練結(jié)果是比較穩(wěn)定的,無明顯偏差。

    表7 ε-SVR算法對train4的訓(xùn)練結(jié)果Tab.7 The training results for train4 with ε-SVR algorithm

    表8 v-SVR算法對train4的訓(xùn)練結(jié)果Tab.8 The training results for train4 with v-svr algorithm

    從表7與表8的結(jié)果對比發(fā)現(xiàn),無論是ε-svr還是v-svr算法,選取不同的參數(shù)對對實驗結(jié)果都有不同程度的影響。因此,在實際問題中要具體問題具體分析,盡量選擇合適的參數(shù)對,使得均方誤差盡量小,提高算法的精確度。對ε-svr算法而言,C的變化范圍很大,對具體實例來說是比較難選取合適的C值的,作為ε-svr算法的改進算法,用參數(shù)v代替參數(shù)C,v的選取相對較容易且在算法迭代過程中,C值作為結(jié)果的一部分自動計算。用兩種算法對train4這個小樣本數(shù)據(jù)集的訓(xùn)練結(jié)果均方誤差都很小,精確度都很高,而且當(dāng)參數(shù)變化時,對均方誤差的大小無明顯影響,說明算法都比較穩(wěn)定。

    用Matlab實現(xiàn)ε-SVR算法,對train4數(shù)據(jù)集做5折交叉驗證實驗的擬合結(jié)果如圖1所示。

    4 結(jié)論

    1)標(biāo)準(zhǔn)的支持向量機C-SVM是一個基礎(chǔ)算法,可以對所有的數(shù)據(jù)進行分類。但是,從正確率來看,比較適用于小樣本數(shù)據(jù)集。

    2)v-SVM中支持向量的取值可以通過選擇合適的v來得到一個好的結(jié)果,但是對于大樣本問題還是需要核函數(shù)中參數(shù)的調(diào)節(jié)才能得到比較滿意的結(jié)果。

    3)One-class SVM對一般數(shù)據(jù)集的分類正確率并不高,所以不適用于一般的數(shù)據(jù)集。

    4)對于所選取的小樣本數(shù)據(jù)集,兩種回歸算法的結(jié)果都是比較理想的,即分類均方誤差較小,平方相關(guān)系數(shù)都接近1,且結(jié)果隨參數(shù)對的變化是不明顯的,算法比較穩(wěn)定。

    5)不論分類算法還是回歸算法,參數(shù)的變化對實驗結(jié)果都有不同程度的影響。

    [1] 鄧乃楊,田英杰.數(shù)據(jù)挖掘中的新方法-支持向量機[M] .北京:科學(xué)出版社,2004.

    [2] 云潛,張學(xué)工.支持向量機函數(shù)擬合在分形插值中的應(yīng)用[J] .清華大學(xué)學(xué)報(自然科學(xué)版),2000,40(3):76-78.

    [3] 劉華富.一種快速支持向量機分類算法[J] .長沙大學(xué)學(xué)報,2004,17(7):40-41.

    [4] VAPNIK N.The nature of statistical learning theory[M] .New York:Springer-Verlag,1995.

    [5] REYZIN L,SCHAPIRE R E.How boosting the margin can also boost classifier complexity[C] //ICML'06,the 23rd Int.Conf.,on MachineLearningPittsburgh,Pennsylvania,USA,2006:753-760.

    [6] PLATT J.Fast training of support vector machines using sequential minimal optimization[C] //in Advances in Kernel Methods--Support Vector Learning,B.Schoelkopf,C.Burges,and A.Smola Eds.,1999:185-208.

    [7] VAPNIK V.Statistical learning theory[M] .New York:John Wiley&Sons,1998.

    [8] COTTES C,VAPNIK V N.Support vector networks[M] .Mach Learn,1995.

    [9] YU H,YANG J,HAN J.Classifying large data sets using SVMswith hierarchical clusters[C] //in proc.of the ACM SIGKDD Int.Conf.on KDD,2003:306-315.

    猜你喜歡
    正確率向量分類
    向量的分解
    分類算一算
    聚焦“向量與三角”創(chuàng)新題
    門診分診服務(wù)態(tài)度與正確率對護患關(guān)系的影響
    分類討論求坐標(biāo)
    數(shù)據(jù)分析中的分類討論
    教你一招:數(shù)的分類
    生意
    品管圈活動在提高介入手術(shù)安全核查正確率中的應(yīng)用
    天津護理(2016年3期)2016-12-01 05:40:01
    生意
    故事會(2016年15期)2016-08-23 13:48:41
    xxxhd国产人妻xxx| 少妇的丰满在线观看| 老汉色∧v一级毛片| 夫妻午夜视频| 伦理电影大哥的女人| 黄色 视频免费看| 免费在线观看视频国产中文字幕亚洲 | 久久精品国产a三级三级三级| 国产成人av激情在线播放| 99香蕉大伊视频| 亚洲av欧美aⅴ国产| 欧美激情极品国产一区二区三区| 一级爰片在线观看| 久久精品国产综合久久久| 一本大道久久a久久精品| 亚洲欧美清纯卡通| 精品久久久精品久久久| 国产视频首页在线观看| 久久综合国产亚洲精品| 亚洲色图综合在线观看| 亚洲一级一片aⅴ在线观看| 这个男人来自地球电影免费观看 | 国产极品粉嫩免费观看在线| 中文欧美无线码| 中文字幕另类日韩欧美亚洲嫩草| 18+在线观看网站| 国产又色又爽无遮挡免| 久久狼人影院| 丝袜喷水一区| 18禁动态无遮挡网站| 免费在线观看视频国产中文字幕亚洲 | 9191精品国产免费久久| 亚洲精品国产色婷婷电影| 精品一区在线观看国产| 成人国产av品久久久| 国产成人精品久久久久久| 纵有疾风起免费观看全集完整版| 亚洲美女黄色视频免费看| 母亲3免费完整高清在线观看 | 一本色道久久久久久精品综合| www.熟女人妻精品国产| 国产人伦9x9x在线观看 | 亚洲少妇的诱惑av| 国产黄色视频一区二区在线观看| 久久人人爽人人片av| 天天躁日日躁夜夜躁夜夜| 久久影院123| 国产综合精华液| 91aial.com中文字幕在线观看| 80岁老熟妇乱子伦牲交| 久久久久国产精品人妻一区二区| 精品人妻一区二区三区麻豆| www.熟女人妻精品国产| 日韩伦理黄色片| 精品久久蜜臀av无| 中国国产av一级| √禁漫天堂资源中文www| 精品一区在线观看国产| 亚洲色图综合在线观看| 99久久精品国产国产毛片| 亚洲欧美精品综合一区二区三区 | 岛国毛片在线播放| 在线天堂最新版资源| 超色免费av| 少妇人妻久久综合中文| 国产精品 欧美亚洲| av在线播放精品| 久久久久网色| 黄色 视频免费看| 欧美97在线视频| 老汉色av国产亚洲站长工具| 国产一区二区在线观看av| 色播在线永久视频| 天天躁狠狠躁夜夜躁狠狠躁| 日韩av在线免费看完整版不卡| 国产精品欧美亚洲77777| 777久久人妻少妇嫩草av网站| 日韩电影二区| 青草久久国产| 高清不卡的av网站| 日韩制服丝袜自拍偷拍| 黄频高清免费视频| 国产高清国产精品国产三级| 香蕉精品网在线| 精品酒店卫生间| 日韩制服骚丝袜av| 下体分泌物呈黄色| 欧美人与善性xxx| 69精品国产乱码久久久| 夜夜骑夜夜射夜夜干| 一级爰片在线观看| 国产精品成人在线| 亚洲婷婷狠狠爱综合网| 青春草视频在线免费观看| 中文字幕另类日韩欧美亚洲嫩草| 人成视频在线观看免费观看| 男男h啪啪无遮挡| 2021少妇久久久久久久久久久| 一级a爱视频在线免费观看| av在线观看视频网站免费| 一区二区三区精品91| 欧美精品人与动牲交sv欧美| 国产精品秋霞免费鲁丝片| 日本猛色少妇xxxxx猛交久久| 日日摸夜夜添夜夜爱| 水蜜桃什么品种好| 亚洲伊人色综图| a级片在线免费高清观看视频| 美女脱内裤让男人舔精品视频| 国产 一区精品| av又黄又爽大尺度在线免费看| 久久青草综合色| a级毛片黄视频| 天天躁夜夜躁狠狠躁躁| 秋霞伦理黄片| 黑丝袜美女国产一区| 一本色道久久久久久精品综合| 成年人午夜在线观看视频| 亚洲视频免费观看视频| 久久这里只有精品19| 午夜福利影视在线免费观看| 久久婷婷青草| 26uuu在线亚洲综合色| 好男人视频免费观看在线| 涩涩av久久男人的天堂| 久久99精品国语久久久| 午夜91福利影院| 久久狼人影院| 只有这里有精品99| 午夜福利影视在线免费观看| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 国产精品秋霞免费鲁丝片| 久久久精品94久久精品| 又大又黄又爽视频免费| videos熟女内射| 亚洲国产欧美日韩在线播放| 国产在线视频一区二区| 最新中文字幕久久久久| 嫩草影院入口| 亚洲国产成人一精品久久久| 欧美在线黄色| 国产白丝娇喘喷水9色精品| 只有这里有精品99| 久久99蜜桃精品久久| 欧美精品一区二区免费开放| 日韩中文字幕视频在线看片| 免费观看性生交大片5| 水蜜桃什么品种好| 免费黄频网站在线观看国产| 伦理电影大哥的女人| 久久99精品国语久久久| 大片电影免费在线观看免费| 咕卡用的链子| 久热久热在线精品观看| 久久毛片免费看一区二区三区| 最近最新中文字幕大全免费视频 | 欧美97在线视频| 亚洲激情五月婷婷啪啪| 嫩草影院入口| 青春草视频在线免费观看| 国产精品成人在线| 亚洲国产欧美网| 日韩视频在线欧美| 欧美日韩一级在线毛片| 2021少妇久久久久久久久久久| 亚洲精华国产精华液的使用体验| 日本vs欧美在线观看视频| 国产老妇伦熟女老妇高清| 亚洲国产精品999| 国产一区二区在线观看av| av女优亚洲男人天堂| 亚洲av综合色区一区| 99精国产麻豆久久婷婷| 日韩成人av中文字幕在线观看| 国产在线一区二区三区精| 欧美日韩一区二区视频在线观看视频在线| 精品少妇久久久久久888优播| 老女人水多毛片| av网站免费在线观看视频| 日韩成人av中文字幕在线观看| 国产亚洲精品第一综合不卡| 亚洲激情五月婷婷啪啪| 美女福利国产在线| 久久精品熟女亚洲av麻豆精品| 亚洲熟女精品中文字幕| 黄色视频在线播放观看不卡| 国产成人精品在线电影| 男女高潮啪啪啪动态图| 免费黄网站久久成人精品| 国产成人精品久久二区二区91 | 国产免费一区二区三区四区乱码| 人妻一区二区av| 99久久中文字幕三级久久日本| 人妻少妇偷人精品九色| 免费看不卡的av| 精品一区二区三区四区五区乱码 | av天堂久久9| 久久精品国产a三级三级三级| 天天躁夜夜躁狠狠久久av| 卡戴珊不雅视频在线播放| 精品一区二区三卡| 日本wwww免费看| 人妻少妇偷人精品九色| 亚洲成人av在线免费| 亚洲精品国产色婷婷电影| 久久精品国产鲁丝片午夜精品| 老鸭窝网址在线观看| 亚洲 欧美一区二区三区| 在线观看一区二区三区激情| 久久精品国产自在天天线| 曰老女人黄片| 两个人免费观看高清视频| 成人亚洲精品一区在线观看| 99精国产麻豆久久婷婷| 少妇人妻 视频| av不卡在线播放| 乱人伦中国视频| 亚洲精品美女久久久久99蜜臀 | 精品亚洲乱码少妇综合久久| av有码第一页| 99热国产这里只有精品6| 少妇猛男粗大的猛烈进出视频| 韩国精品一区二区三区| 黑丝袜美女国产一区| 女人精品久久久久毛片| 亚洲国产最新在线播放| 国产亚洲av片在线观看秒播厂| 成年美女黄网站色视频大全免费| 十分钟在线观看高清视频www| 久久国内精品自在自线图片| 国产淫语在线视频| 日韩一本色道免费dvd| 国产激情久久老熟女| 色婷婷久久久亚洲欧美| 国产亚洲av片在线观看秒播厂| 午夜福利,免费看| 国产精品偷伦视频观看了| 青春草亚洲视频在线观看| 青春草国产在线视频| 免费在线观看完整版高清| 国产精品无大码| 国精品久久久久久国模美| 18禁观看日本| 久久久久久久久久久免费av| 国产国语露脸激情在线看| 国产免费视频播放在线视频| 久久精品国产亚洲av天美| 亚洲经典国产精华液单| 菩萨蛮人人尽说江南好唐韦庄| 一区二区三区乱码不卡18| 一个人免费看片子| 人成视频在线观看免费观看| 青春草亚洲视频在线观看| 激情视频va一区二区三区| 久久女婷五月综合色啪小说| 久久97久久精品| 国产精品国产av在线观看| 一本—道久久a久久精品蜜桃钙片| 久热久热在线精品观看| 街头女战士在线观看网站| 国产精品久久久久久精品电影小说| 亚洲经典国产精华液单| av在线播放精品| 18+在线观看网站| xxx大片免费视频| 伊人久久大香线蕉亚洲五| 亚洲av中文av极速乱| 免费在线观看视频国产中文字幕亚洲 | 久久这里只有精品19| 建设人人有责人人尽责人人享有的| 在线看a的网站| 久久韩国三级中文字幕| 在线天堂中文资源库| 久久久精品94久久精品| 一区二区日韩欧美中文字幕| 啦啦啦在线观看免费高清www| 午夜精品国产一区二区电影| 欧美日韩成人在线一区二区| 亚洲欧美日韩另类电影网站| 永久网站在线| 美国免费a级毛片| 日韩,欧美,国产一区二区三区| 国产精品 欧美亚洲| 一个人免费看片子| av免费在线看不卡| 久久精品国产鲁丝片午夜精品| 成人黄色视频免费在线看| 国产精品免费视频内射| 大话2 男鬼变身卡| 国产精品熟女久久久久浪| 亚洲成色77777| 国产精品女同一区二区软件| 免费在线观看完整版高清| 欧美中文综合在线视频| 亚洲第一av免费看| 日韩大片免费观看网站| 日日啪夜夜爽| 久久这里只有精品19| 丝袜在线中文字幕| 免费观看a级毛片全部| 秋霞在线观看毛片| 亚洲精品日韩在线中文字幕| 在线免费观看不下载黄p国产| 成人毛片60女人毛片免费| 国语对白做爰xxxⅹ性视频网站| 久久鲁丝午夜福利片| 中文字幕最新亚洲高清| 国产又色又爽无遮挡免| 久久ye,这里只有精品| 国产精品香港三级国产av潘金莲 | 亚洲欧美成人综合另类久久久| 亚洲精品在线美女| 亚洲美女黄色视频免费看| 免费黄色在线免费观看| 日韩人妻精品一区2区三区| 久久国内精品自在自线图片| 欧美xxⅹ黑人| 久久久久网色| 男的添女的下面高潮视频| 热99国产精品久久久久久7| 成年动漫av网址| 各种免费的搞黄视频| 高清在线视频一区二区三区| 亚洲国产av新网站| 亚洲少妇的诱惑av| 色吧在线观看| 一个人免费看片子| 亚洲国产欧美在线一区| 国产xxxxx性猛交| 十分钟在线观看高清视频www| 老熟女久久久| 久久久久久伊人网av| 欧美成人午夜免费资源| 日韩不卡一区二区三区视频在线| 伊人久久大香线蕉亚洲五| 日韩中字成人| 久久人人97超碰香蕉20202| 91aial.com中文字幕在线观看| 麻豆精品久久久久久蜜桃| 精品人妻偷拍中文字幕| 国产黄色视频一区二区在线观看| 亚洲精品视频女| a 毛片基地| 永久网站在线| 久久久久精品性色| 1024视频免费在线观看| 一级黄片播放器| 亚洲精品视频女| 最近的中文字幕免费完整| 精品人妻偷拍中文字幕| 精品少妇一区二区三区视频日本电影 | 国产欧美亚洲国产| 一二三四中文在线观看免费高清| 日韩熟女老妇一区二区性免费视频| 一区二区三区四区激情视频| 久久久久久久久久久免费av| 日韩欧美精品免费久久| 永久网站在线| 人妻少妇偷人精品九色| 国产黄色免费在线视频| 黄网站色视频无遮挡免费观看| 汤姆久久久久久久影院中文字幕| 麻豆精品久久久久久蜜桃| 亚洲精品久久久久久婷婷小说| 亚洲精品第二区| 2022亚洲国产成人精品| 在线观看www视频免费| 欧美亚洲 丝袜 人妻 在线| 少妇人妻精品综合一区二区| 91国产中文字幕| 丰满饥渴人妻一区二区三| freevideosex欧美| 激情视频va一区二区三区| 青草久久国产| 三上悠亚av全集在线观看| 久久久久精品久久久久真实原创| 十八禁高潮呻吟视频| 亚洲av男天堂| 精品一区二区三卡| 伦理电影免费视频| 亚洲在久久综合| 日韩成人av中文字幕在线观看| 精品人妻熟女毛片av久久网站| 人人澡人人妻人| 欧美+日韩+精品| 午夜免费鲁丝| 久久久国产精品麻豆| 丝袜美足系列| 中文字幕人妻丝袜制服| 丝袜脚勾引网站| 成人毛片60女人毛片免费| 国产免费一区二区三区四区乱码| 亚洲第一青青草原| 看非洲黑人一级黄片| 亚洲婷婷狠狠爱综合网| 国产又色又爽无遮挡免| 2018国产大陆天天弄谢| 国产精品一二三区在线看| 亚洲人成77777在线视频| av一本久久久久| av线在线观看网站| 亚洲精品久久久久久婷婷小说| av电影中文网址| 人人妻人人爽人人添夜夜欢视频| 国产精品亚洲av一区麻豆 | 婷婷色av中文字幕| 肉色欧美久久久久久久蜜桃| 成人18禁高潮啪啪吃奶动态图| tube8黄色片| 如日韩欧美国产精品一区二区三区| 2021少妇久久久久久久久久久| 大香蕉久久网| 国产精品免费大片| 免费黄频网站在线观看国产| 久久久久久伊人网av| 久久久a久久爽久久v久久| 亚洲国产欧美在线一区| 免费看不卡的av| 观看美女的网站| 欧美日本中文国产一区发布| 99久久综合免费| 中文字幕另类日韩欧美亚洲嫩草| 777久久人妻少妇嫩草av网站| 2022亚洲国产成人精品| 中文字幕制服av| 极品人妻少妇av视频| 国产日韩欧美亚洲二区| 午夜激情久久久久久久| 亚洲欧美成人精品一区二区| 日日爽夜夜爽网站| 丝袜美腿诱惑在线| 曰老女人黄片| 两性夫妻黄色片| 女的被弄到高潮叫床怎么办| 国产97色在线日韩免费| 亚洲精品久久成人aⅴ小说| 国产亚洲最大av| 精品少妇黑人巨大在线播放| av卡一久久| 国产有黄有色有爽视频| 国产精品99久久99久久久不卡 | 两个人看的免费小视频| 成人免费观看视频高清| 欧美国产精品va在线观看不卡| 伊人亚洲综合成人网| 亚洲三区欧美一区| 日韩不卡一区二区三区视频在线| 久久国产精品男人的天堂亚洲| 黑人欧美特级aaaaaa片| 捣出白浆h1v1| 国语对白做爰xxxⅹ性视频网站| 永久免费av网站大全| 人妻系列 视频| 欧美日韩一级在线毛片| 国产一区有黄有色的免费视频| 免费av中文字幕在线| 中文字幕人妻丝袜一区二区 | 亚洲图色成人| 在线观看三级黄色| a级片在线免费高清观看视频| av在线播放精品| 香蕉丝袜av| 国产精品99久久99久久久不卡 | 国精品久久久久久国模美| 叶爱在线成人免费视频播放| 国产片特级美女逼逼视频| 国产黄色免费在线视频| 熟妇人妻不卡中文字幕| 国产成人精品婷婷| 在线精品无人区一区二区三| 王馨瑶露胸无遮挡在线观看| 午夜福利网站1000一区二区三区| 另类精品久久| 99久久中文字幕三级久久日本| 久久精品aⅴ一区二区三区四区 | 1024香蕉在线观看| 日日爽夜夜爽网站| 在线看a的网站| 国产亚洲一区二区精品| 亚洲国产av新网站| 久热这里只有精品99| 9色porny在线观看| 人体艺术视频欧美日本| 久久精品夜色国产| 日韩精品有码人妻一区| 久久狼人影院| 看免费av毛片| 国产成人精品久久久久久| 麻豆精品久久久久久蜜桃| 精品国产一区二区久久| 日韩欧美一区视频在线观看| 看免费av毛片| 国产免费福利视频在线观看| 婷婷色av中文字幕| 久久久久视频综合| 久久亚洲国产成人精品v| 丝袜美足系列| 欧美精品一区二区大全| 18禁动态无遮挡网站| 日韩三级伦理在线观看| 亚洲,欧美,日韩| av电影中文网址| freevideosex欧美| 国产乱人偷精品视频| 欧美少妇被猛烈插入视频| 国产一区二区激情短视频 | 欧美日韩视频精品一区| 欧美精品高潮呻吟av久久| 美女xxoo啪啪120秒动态图| 母亲3免费完整高清在线观看 | 制服丝袜香蕉在线| 成人二区视频| av免费在线看不卡| 国产伦理片在线播放av一区| 9191精品国产免费久久| 这个男人来自地球电影免费观看 | 人人妻人人澡人人爽人人夜夜| 亚洲欧美中文字幕日韩二区| 一区在线观看完整版| 国产成人精品一,二区| 伦理电影免费视频| 国产高清不卡午夜福利| 日韩一区二区三区影片| 亚洲av男天堂| 黄片小视频在线播放| 天天躁日日躁夜夜躁夜夜| 婷婷色麻豆天堂久久| 国产精品久久久久久久久免| 啦啦啦在线观看免费高清www| 亚洲精品一二三| 久久97久久精品| 国产熟女欧美一区二区| 人妻少妇偷人精品九色| 丝袜人妻中文字幕| 国产在线一区二区三区精| 亚洲精品国产色婷婷电影| 国产男女超爽视频在线观看| 少妇熟女欧美另类| 色吧在线观看| 91精品三级在线观看| 欧美 亚洲 国产 日韩一| 亚洲美女黄色视频免费看| 国产一区有黄有色的免费视频| 国产成人av激情在线播放| 亚洲人成77777在线视频| 亚洲欧美日韩另类电影网站| 美女国产视频在线观看| 欧美黄色片欧美黄色片| 春色校园在线视频观看| 一区二区三区精品91| 少妇精品久久久久久久| 久久99热这里只频精品6学生| 国产成人精品久久二区二区91 | 国产精品久久久av美女十八| 国产人伦9x9x在线观看 | 亚洲国产精品成人久久小说| 亚洲精品,欧美精品| 99久久人妻综合| 精品一区在线观看国产| 在线天堂中文资源库| 免费在线观看视频国产中文字幕亚洲 | 丰满少妇做爰视频| 国产精品成人在线| 美女午夜性视频免费| 国产1区2区3区精品| 91午夜精品亚洲一区二区三区| 精品亚洲乱码少妇综合久久| 国产一区二区 视频在线| 久久人妻熟女aⅴ| 欧美 日韩 精品 国产| 亚洲欧洲日产国产| 黑丝袜美女国产一区| 性色av一级| 啦啦啦在线观看免费高清www| 五月开心婷婷网| 一级黄片播放器| 一本色道久久久久久精品综合| 久久久久精品人妻al黑| 水蜜桃什么品种好| 亚洲av.av天堂| 久久av网站| 老司机影院成人| 少妇人妻 视频| 黄片小视频在线播放| 老司机亚洲免费影院| av福利片在线| 18+在线观看网站| 欧美人与性动交α欧美软件| 美女主播在线视频| 国产午夜精品一二区理论片| 丰满少妇做爰视频| 一区在线观看完整版| 80岁老熟妇乱子伦牲交| 亚洲精品国产av成人精品| 欧美日韩精品成人综合77777| av视频免费观看在线观看| 人妻人人澡人人爽人人| 69精品国产乱码久久久| 另类亚洲欧美激情| 一本久久精品| 哪个播放器可以免费观看大片| 成人午夜精彩视频在线观看| 日韩免费高清中文字幕av| 欧美人与性动交α欧美精品济南到 | 日本-黄色视频高清免费观看| 黄色 视频免费看| 一级毛片电影观看| 国产有黄有色有爽视频| 久久久久久人人人人人| 国产一区亚洲一区在线观看| 亚洲,欧美精品.| 亚洲欧美中文字幕日韩二区| 人成视频在线观看免费观看| 韩国高清视频一区二区三区| 久久久久久伊人网av|