• <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
    久久久久国内视频| 国产一区二区在线av高清观看| netflix在线观看网站| 美国免费a级毛片| 国产伦一二天堂av在线观看| 国产精品免费视频内射| 欧美日韩精品网址| 在线观看免费视频日本深夜| 亚洲av五月六月丁香网| 亚洲精品在线美女| 丁香欧美五月| 久久亚洲精品不卡| 88av欧美| 国产不卡一卡二| 亚洲片人在线观看| 久久久水蜜桃国产精品网| 国产精品一区二区三区四区久久 | 99国产精品99久久久久| 中文在线观看免费www的网站 | 国产亚洲欧美98| 成年女人毛片免费观看观看9| 十八禁人妻一区二区| 久久精品91无色码中文字幕| 欧美乱妇无乱码| x7x7x7水蜜桃| 男人操女人黄网站| 91国产中文字幕| 99久久国产精品久久久| 亚洲色图 男人天堂 中文字幕| 俄罗斯特黄特色一大片| 午夜免费观看网址| 国产av在哪里看| 在线观看66精品国产| 国产av在哪里看| 久久久久久国产a免费观看| а√天堂www在线а√下载| 大型av网站在线播放| 久久亚洲真实| 国产伦人伦偷精品视频| 大型av网站在线播放| 国产亚洲精品久久久久5区| 久久香蕉国产精品| 亚洲熟妇熟女久久| 亚洲av第一区精品v没综合| 国产成人精品无人区| 99国产综合亚洲精品| a级毛片在线看网站| 一本一本综合久久| 国内精品久久久久久久电影| 久久九九热精品免费| 欧美一区二区精品小视频在线| 亚洲av美国av| 日韩 欧美 亚洲 中文字幕| 欧美+亚洲+日韩+国产| 欧美乱色亚洲激情| 淫妇啪啪啪对白视频| 午夜福利成人在线免费观看| 久久久久精品国产欧美久久久| 国产伦一二天堂av在线观看| 18禁裸乳无遮挡免费网站照片 | 首页视频小说图片口味搜索| 50天的宝宝边吃奶边哭怎么回事| 久久精品国产综合久久久| 巨乳人妻的诱惑在线观看| 搡老熟女国产l中国老女人| 中文字幕精品免费在线观看视频| 啦啦啦观看免费观看视频高清| 亚洲欧美日韩高清在线视频| 亚洲午夜精品一区,二区,三区| 久久久久久免费高清国产稀缺| 色在线成人网| 久久精品影院6| 亚洲一码二码三码区别大吗| 午夜免费激情av| 国产视频内射| 国产成人啪精品午夜网站| 欧美一级a爱片免费观看看 | 伦理电影免费视频| 国产aⅴ精品一区二区三区波| 色av中文字幕| 免费在线观看日本一区| 亚洲国产精品合色在线| 老司机在亚洲福利影院| 女人高潮潮喷娇喘18禁视频| 国产亚洲精品第一综合不卡| 国产蜜桃级精品一区二区三区| 草草在线视频免费看| 久久久水蜜桃国产精品网| 夜夜爽天天搞| 欧美色视频一区免费| 熟女少妇亚洲综合色aaa.| 精品久久久久久久久久免费视频| 成人特级黄色片久久久久久久| 男女那种视频在线观看| 亚洲国产欧美日韩在线播放| 久久精品亚洲精品国产色婷小说| 高潮久久久久久久久久久不卡| 午夜激情福利司机影院| 欧美日韩福利视频一区二区| 婷婷丁香在线五月| 中出人妻视频一区二区| 国内精品久久久久精免费| 又黄又爽又免费观看的视频| 一二三四在线观看免费中文在| 女人爽到高潮嗷嗷叫在线视频| 国产精品乱码一区二三区的特点| 亚洲电影在线观看av| avwww免费| АⅤ资源中文在线天堂| 国产精品一区二区三区四区久久 | 岛国视频午夜一区免费看| 成人亚洲精品一区在线观看| 禁无遮挡网站| 制服诱惑二区| 亚洲av电影不卡..在线观看| 日韩欧美国产在线观看| 午夜日韩欧美国产| 白带黄色成豆腐渣| 欧美亚洲日本最大视频资源| 欧美av亚洲av综合av国产av| 久久婷婷人人爽人人干人人爱| 国产精品久久久久久亚洲av鲁大| 久久国产精品男人的天堂亚洲| 亚洲,欧美精品.| 国产午夜精品久久久久久| 精品国产乱码久久久久久男人| 搡老妇女老女人老熟妇| 欧美成人一区二区免费高清观看 | 中文字幕av电影在线播放| 国产成+人综合+亚洲专区| 国产成人精品久久二区二区免费| 亚洲精品中文字幕在线视频| 婷婷精品国产亚洲av在线| 亚洲成人精品中文字幕电影| 变态另类丝袜制服| 精品一区二区三区四区五区乱码| 一本大道久久a久久精品| 一a级毛片在线观看| 中亚洲国语对白在线视频| 两个人看的免费小视频| 国产av在哪里看| 大型av网站在线播放| 制服人妻中文乱码| 午夜影院日韩av| av超薄肉色丝袜交足视频| 91老司机精品| 国产亚洲精品久久久久久毛片| 97碰自拍视频| 国产三级黄色录像| 久99久视频精品免费| 国产激情欧美一区二区| 一级黄色大片毛片| 长腿黑丝高跟| 日韩大尺度精品在线看网址| 国产成人av激情在线播放| 亚洲国产精品久久男人天堂| 国语自产精品视频在线第100页| 身体一侧抽搐| 美女大奶头视频| 亚洲,欧美精品.| 色综合亚洲欧美另类图片| a级毛片a级免费在线| 一区二区三区精品91| 在线av久久热| 国内精品久久久久精免费| 久久久久国产精品人妻aⅴ院| 午夜激情av网站| 午夜两性在线视频| 999久久久国产精品视频| 国产不卡一卡二| 淫秽高清视频在线观看| 1024手机看黄色片| 中文字幕久久专区| 亚洲国产欧美日韩在线播放| 亚洲av成人av| 国产成人精品久久二区二区91| 麻豆国产av国片精品| 精品久久久久久久久久久久久 | 国产视频一区二区在线看| 亚洲美女黄片视频| 亚洲久久久国产精品| 午夜亚洲福利在线播放| 在线观看免费午夜福利视频| 精品午夜福利视频在线观看一区| www国产在线视频色| 久久热在线av| 婷婷亚洲欧美| 午夜影院日韩av| 亚洲狠狠婷婷综合久久图片| 亚洲一卡2卡3卡4卡5卡精品中文| 午夜久久久在线观看| 色播在线永久视频| 久久欧美精品欧美久久欧美| 黄色视频不卡| 日韩高清综合在线| 免费在线观看亚洲国产| 男男h啪啪无遮挡| 国产野战对白在线观看| 久久人妻福利社区极品人妻图片| 黄片大片在线免费观看| 50天的宝宝边吃奶边哭怎么回事| 久久精品91蜜桃| 19禁男女啪啪无遮挡网站| 黄色片一级片一级黄色片| 国产亚洲精品一区二区www| 美女大奶头视频| 制服丝袜大香蕉在线| 国产区一区二久久| 色综合婷婷激情| 欧美日本亚洲视频在线播放| 国产黄色小视频在线观看| 日韩欧美在线二视频| 国产一区二区三区视频了| 欧美又色又爽又黄视频| 欧美性猛交╳xxx乱大交人| 成熟少妇高潮喷水视频| 成人国产综合亚洲| 欧美午夜高清在线| a级毛片在线看网站| 国产麻豆成人av免费视频| 啦啦啦观看免费观看视频高清| 婷婷亚洲欧美| 国产又色又爽无遮挡免费看| 免费人成视频x8x8入口观看| 99热这里只有精品一区 | 午夜影院日韩av| 黄频高清免费视频| 91字幕亚洲| 亚洲久久久国产精品| 制服诱惑二区| 久久青草综合色| 精品一区二区三区视频在线观看免费| 亚洲三区欧美一区| 国产精品久久久久久精品电影 | 日韩欧美国产在线观看| 欧美不卡视频在线免费观看 | 精品国内亚洲2022精品成人| 免费无遮挡裸体视频| 国产主播在线观看一区二区| 亚洲av熟女| 亚洲男人的天堂狠狠| 又黄又爽又免费观看的视频| 久久婷婷人人爽人人干人人爱| 亚洲中文av在线| 久99久视频精品免费| 91九色精品人成在线观看| 久久精品夜夜夜夜夜久久蜜豆 | 麻豆久久精品国产亚洲av| 丰满的人妻完整版| 国产av又大| 精品国产国语对白av| 嫩草影视91久久| 亚洲av熟女| 校园春色视频在线观看| 岛国在线观看网站| 婷婷六月久久综合丁香| 日本 欧美在线| 99热这里只有精品一区 | 午夜福利欧美成人| av在线天堂中文字幕| 亚洲欧美激情综合另类| 男男h啪啪无遮挡| www.自偷自拍.com| 国产激情欧美一区二区| av免费在线观看网站| 亚洲片人在线观看| 日韩av在线大香蕉| 欧美黄色淫秽网站| 欧美日韩瑟瑟在线播放| 亚洲欧美日韩无卡精品| 中文字幕另类日韩欧美亚洲嫩草| 制服诱惑二区| 午夜免费鲁丝| 老汉色∧v一级毛片| 国产av不卡久久| 精品熟女少妇八av免费久了| 精品国内亚洲2022精品成人| 少妇粗大呻吟视频| 女性生殖器流出的白浆| 美女 人体艺术 gogo| 中文字幕高清在线视频| 欧美又色又爽又黄视频| 久久久精品欧美日韩精品| 97超级碰碰碰精品色视频在线观看| 国产欧美日韩一区二区精品| 中文字幕久久专区| 大型黄色视频在线免费观看| 日本a在线网址| 午夜久久久在线观看| 国产亚洲av高清不卡| 亚洲激情在线av| 男女视频在线观看网站免费 | 十八禁人妻一区二区| 天堂影院成人在线观看| 欧美绝顶高潮抽搐喷水| 最好的美女福利视频网| 一夜夜www| 中出人妻视频一区二区| 女性被躁到高潮视频| 国产成人系列免费观看| 免费高清在线观看日韩| 18禁黄网站禁片午夜丰满| 亚洲专区字幕在线| 男人舔女人下体高潮全视频| 亚洲aⅴ乱码一区二区在线播放 | 国产亚洲精品久久久久5区| 日韩欧美在线二视频| 欧美日韩黄片免| 性色av乱码一区二区三区2| 久久国产精品人妻蜜桃| av天堂在线播放| 成在线人永久免费视频| 国产亚洲欧美98| 少妇 在线观看| 老汉色av国产亚洲站长工具| 香蕉国产在线看| 成人18禁在线播放| 国产高清视频在线播放一区| 国产亚洲欧美在线一区二区| 久久久国产成人免费| 中文字幕av电影在线播放| 999久久久国产精品视频| 90打野战视频偷拍视频| 精品一区二区三区四区五区乱码| 人人澡人人妻人| av免费在线观看网站| 丰满的人妻完整版| 俺也久久电影网| 在线播放国产精品三级| 白带黄色成豆腐渣| 国产欧美日韩一区二区三| 又大又爽又粗| 国产在线精品亚洲第一网站| 一区二区三区激情视频| 亚洲精品粉嫩美女一区| 国产精品美女特级片免费视频播放器 | 久久这里只有精品19| 国产一级毛片七仙女欲春2 | 老汉色∧v一级毛片| 国产成人影院久久av| 一级a爱视频在线免费观看| 成人午夜高清在线视频 | 俄罗斯特黄特色一大片| 欧美久久黑人一区二区| 国产男靠女视频免费网站| 久久九九热精品免费| 国产视频一区二区在线看| 久久精品91无色码中文字幕| 熟女电影av网| 午夜精品在线福利| 午夜视频精品福利| 国产精品美女特级片免费视频播放器 | 亚洲第一欧美日韩一区二区三区| av中文乱码字幕在线| 午夜激情福利司机影院| 亚洲精品一区av在线观看| 99热6这里只有精品| 国产爱豆传媒在线观看 | 夜夜躁狠狠躁天天躁| 日韩欧美三级三区| 日韩大尺度精品在线看网址| 欧美激情极品国产一区二区三区| 人妻丰满熟妇av一区二区三区| 国产免费av片在线观看野外av| www国产在线视频色| 91成人精品电影| 精品久久蜜臀av无| 国产精品影院久久| a在线观看视频网站| 中文字幕高清在线视频| 午夜福利18| 少妇裸体淫交视频免费看高清 | 极品教师在线免费播放| 亚洲avbb在线观看| 不卡一级毛片| 国产精品日韩av在线免费观看| 给我免费播放毛片高清在线观看| 可以在线观看毛片的网站| 日本免费一区二区三区高清不卡| 19禁男女啪啪无遮挡网站| 免费在线观看成人毛片| 在线观看舔阴道视频| 亚洲精品久久成人aⅴ小说| 99riav亚洲国产免费| 久久青草综合色| 2021天堂中文幕一二区在线观 | 无限看片的www在线观看| 亚洲精品美女久久久久99蜜臀| 最新在线观看一区二区三区| 亚洲欧美精品综合一区二区三区| 在线观看免费午夜福利视频| 久久伊人香网站| 91成人精品电影| 夜夜爽天天搞| 日韩国内少妇激情av| 久久久国产精品麻豆| 最近最新中文字幕大全电影3 | 国产私拍福利视频在线观看| 50天的宝宝边吃奶边哭怎么回事| 欧美激情 高清一区二区三区| 亚洲av电影不卡..在线观看| 一区二区日韩欧美中文字幕| 成人18禁高潮啪啪吃奶动态图| 久久天堂一区二区三区四区| 50天的宝宝边吃奶边哭怎么回事| 国产精品,欧美在线| 国产在线精品亚洲第一网站| av有码第一页| 一本综合久久免费| 亚洲aⅴ乱码一区二区在线播放 | 久久国产乱子伦精品免费另类| 久久久精品国产亚洲av高清涩受| 亚洲专区中文字幕在线| xxxwww97欧美| 日韩精品免费视频一区二区三区| 99久久综合精品五月天人人| 他把我摸到了高潮在线观看| 欧美一级a爱片免费观看看 | 亚洲成人久久爱视频| 男人舔奶头视频| 两人在一起打扑克的视频| 美女免费视频网站| 国产精品永久免费网站| 一二三四社区在线视频社区8| 观看免费一级毛片| 亚洲精品美女久久久久99蜜臀| 50天的宝宝边吃奶边哭怎么回事| 日本精品一区二区三区蜜桃| 国产成人精品久久二区二区免费| 国产精品精品国产色婷婷| 日本熟妇午夜| 最近最新免费中文字幕在线| 亚洲国产高清在线一区二区三 | 亚洲av五月六月丁香网| 黄片大片在线免费观看| 自线自在国产av| 欧美色欧美亚洲另类二区| 美女免费视频网站| 制服人妻中文乱码| 成人免费观看视频高清| 欧美性长视频在线观看| 99riav亚洲国产免费| 悠悠久久av| x7x7x7水蜜桃| 中文字幕人成人乱码亚洲影| xxx96com| 淫秽高清视频在线观看| 成人国产综合亚洲| 青草久久国产| 日韩精品青青久久久久久| 少妇的丰满在线观看| 久久婷婷人人爽人人干人人爱| 天堂影院成人在线观看| 久久久久久国产a免费观看| 好看av亚洲va欧美ⅴa在| 欧美成狂野欧美在线观看| 一区二区三区高清视频在线| 国产视频内射| 成人三级黄色视频| av片东京热男人的天堂| 日本免费一区二区三区高清不卡| 免费女性裸体啪啪无遮挡网站| 亚洲在线自拍视频| 日韩欧美一区视频在线观看| 特大巨黑吊av在线直播 | 可以在线观看的亚洲视频| 激情在线观看视频在线高清| 露出奶头的视频| 午夜久久久久精精品| 亚洲欧美日韩无卡精品| 中文字幕人妻熟女乱码| 女性被躁到高潮视频| 听说在线观看完整版免费高清| 最新美女视频免费是黄的| 亚洲精品久久成人aⅴ小说| 亚洲成国产人片在线观看| 亚洲精品在线观看二区| 久99久视频精品免费| 999精品在线视频| 在线观看免费日韩欧美大片| 国产精品免费视频内射| 色播亚洲综合网| 日韩精品中文字幕看吧| 免费女性裸体啪啪无遮挡网站| 久久 成人 亚洲| 亚洲熟妇熟女久久| 看免费av毛片| 在线免费观看的www视频| 高清在线国产一区| 免费av毛片视频| www.熟女人妻精品国产| 欧美激情 高清一区二区三区| 黄色丝袜av网址大全| 亚洲精品粉嫩美女一区| 女性被躁到高潮视频| 给我免费播放毛片高清在线观看| 12—13女人毛片做爰片一| 成人国语在线视频| 亚洲成人国产一区在线观看| 黑人操中国人逼视频| 夜夜爽天天搞| 亚洲专区中文字幕在线| 精品久久久久久成人av| 亚洲精品美女久久av网站| 美国免费a级毛片| 这个男人来自地球电影免费观看| 欧美一区二区精品小视频在线| 97超级碰碰碰精品色视频在线观看| 久久国产精品男人的天堂亚洲| 丰满人妻熟妇乱又伦精品不卡| 日本精品一区二区三区蜜桃| 欧美乱色亚洲激情| 青草久久国产| 亚洲自拍偷在线| 中文在线观看免费www的网站 | 久久久国产成人免费| 在线视频色国产色| 精品久久久久久久久久免费视频| 淫秽高清视频在线观看| 亚洲精品一卡2卡三卡4卡5卡| 久久九九热精品免费| 91成人精品电影| 欧美大码av| 国产精品自产拍在线观看55亚洲| 欧美日韩精品网址| 麻豆成人午夜福利视频| 国产不卡一卡二| 日日夜夜操网爽| 两个人视频免费观看高清| 不卡一级毛片| 婷婷丁香在线五月| 日韩三级视频一区二区三区| 757午夜福利合集在线观看| 好男人在线观看高清免费视频 | 在线播放国产精品三级| 亚洲av电影在线进入| 一级a爱视频在线免费观看| 午夜激情福利司机影院| 一进一出好大好爽视频| 好看av亚洲va欧美ⅴa在| 一本久久中文字幕| 久久国产乱子伦精品免费另类| 伦理电影免费视频| 国产精品精品国产色婷婷| 午夜两性在线视频| 久久久国产成人精品二区| 日本精品一区二区三区蜜桃| 日本熟妇午夜| 久久香蕉激情| 欧美黑人精品巨大| 热re99久久国产66热| 久久天躁狠狠躁夜夜2o2o| 日韩精品青青久久久久久| 国产av一区在线观看免费| 黑丝袜美女国产一区| 又紧又爽又黄一区二区| 国产97色在线日韩免费| 国产成年人精品一区二区| 老司机深夜福利视频在线观看| 午夜免费激情av| 在线视频色国产色| 99精品在免费线老司机午夜| 满18在线观看网站| 国产爱豆传媒在线观看 | 亚洲va日本ⅴa欧美va伊人久久| 午夜免费激情av| 欧美av亚洲av综合av国产av| 久久青草综合色| 母亲3免费完整高清在线观看| 亚洲熟女毛片儿| 免费在线观看黄色视频的| 女人高潮潮喷娇喘18禁视频| 成人国语在线视频| 丁香欧美五月| 国产久久久一区二区三区| 久久精品国产清高在天天线| 亚洲欧美日韩高清在线视频| 欧美日韩中文字幕国产精品一区二区三区| 欧美最黄视频在线播放免费| 久久久久久久久久黄片| 啦啦啦韩国在线观看视频| 国产精品精品国产色婷婷| 欧美日韩瑟瑟在线播放| 午夜福利在线观看吧| 欧美 亚洲 国产 日韩一| 啦啦啦 在线观看视频| 亚洲自偷自拍图片 自拍| 国产成人影院久久av| 成人国产一区最新在线观看| 亚洲av电影不卡..在线观看| 亚洲av成人av| 两性午夜刺激爽爽歪歪视频在线观看 | 日本黄色视频三级网站网址| 午夜激情福利司机影院| 亚洲片人在线观看| 中文字幕av电影在线播放| 亚洲七黄色美女视频| 在线观看www视频免费| av片东京热男人的天堂| 日韩欧美一区二区三区在线观看| 久久国产精品人妻蜜桃| 国产精品自产拍在线观看55亚洲| 欧美精品啪啪一区二区三区| 午夜精品在线福利| 国产成人系列免费观看| 黄片播放在线免费| 免费看美女性在线毛片视频| 黄网站色视频无遮挡免费观看| 女警被强在线播放| 久久亚洲精品不卡| 真人做人爱边吃奶动态| 亚洲国产精品成人综合色| 午夜视频精品福利| 熟女少妇亚洲综合色aaa.| 变态另类丝袜制服|