• <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 ?

    有導(dǎo)師學(xué)習(xí)的k-means方法在多支持向量機(jī)中的線性劃分及其在石油儲(chǔ)層識(shí)別中的應(yīng)用

    2015-08-17 13:07:50李詒靖李亞楠郭海湘
    系統(tǒng)管理學(xué)報(bào) 2015年6期
    關(guān)鍵詞:子集油層聚類

    李詒靖 ,石 詠 ,李亞楠,郭海湘,b,c,2

    (中國地質(zhì)大學(xué)1a.經(jīng)濟(jì)管理學(xué)院;1b.數(shù)字化商務(wù)管理研究中心;1c.中國礦產(chǎn)資源戰(zhàn)略與政策研究中心,武漢 430074;2.中南大學(xué) 商學(xué)院,長沙 410083)

    支持向量機(jī)(Support Vector Machine,SVM)是一種泛化能力很強(qiáng)的分類器,它在解決小樣本問題方面表現(xiàn)出了許多特有的優(yōu)勢,是一種非常流行的學(xué)習(xí)方法,被廣泛應(yīng)用于文本分類[1]、臉譜識(shí)別[2]、基因方程預(yù)測[3]、機(jī)械故障診斷[4]以及預(yù)測[5]等方面。在運(yùn)用SVM解決問題時(shí),需要提前考慮的是選擇全局學(xué)習(xí)方法還是局部學(xué)習(xí)方法。全局學(xué)習(xí)方法中主要有非線性SVM(SVM直接劃分非線性分類邊界),局部學(xué)習(xí)方法中主要有線性SVM(將非線性分類邊界拆分為若干線性邊界,從而進(jìn)行線性劃分)。運(yùn)用非線性的SVM處理問題主要是通過構(gòu)造復(fù)雜的核函數(shù)實(shí)現(xiàn),其優(yōu)點(diǎn)是直接,但缺點(diǎn)是具體的非線性變換是未知的,因此容易過學(xué)習(xí),并且相關(guān)參數(shù)對具體問題有依賴性。相對而言,線性SVM魯棒性強(qiáng),但分類精度低,所以通常采用多個(gè)線性SVM來保證一定精度并同時(shí)提高泛化能力,這就是多支持向量機(jī)。由于多支持向量機(jī)只訓(xùn)練局部的訓(xùn)練集,故其也被稱為局部SVM。

    現(xiàn)有的局部SVM算法很多,最簡單的方法是對每一個(gè)測試樣本用一個(gè)線性SVM來學(xué)習(xí)。Zhang等[13]提出了一種基于KNN的SVM-KNN算法,該算法首先找到測試樣本在訓(xùn)練集中的k個(gè)近鄰,將樣本與其k個(gè)近鄰的距離矩陣轉(zhuǎn)化為核矩陣,再分別用SVM進(jìn)行分類。與SVM-KNN不同,Blanzieri等[15]提出的k NNSVM直接在核空間內(nèi)尋找測試樣本的k個(gè)近鄰,相比SVM-KNN更為簡潔直觀。Cheng等[16]只采用線性核變換,通過計(jì)算測試樣本與訓(xùn)練集中每個(gè)樣本的相似度選取k個(gè)相似度最高的樣本,為測試樣本構(gòu)造SVM模型來分類,Cheng等提出的算法稱為LSVM,并有2個(gè)變種:SLSVM和HLSVM。上述3種局部支持向量機(jī)算法都需要對每一個(gè)測試樣本構(gòu)造SVM模型,當(dāng)測試樣本非常多時(shí),采用上述方法就變得不實(shí)際,缺乏實(shí)用性。為了克服該問題,許多學(xué)者提出了局部SVM的改進(jìn)算法,基本思想都是將訓(xùn)練集中的樣本依據(jù)一定的原則劃分為若干類并找到類中心,對每個(gè)類中心構(gòu)造一個(gè)SVM模型。之后,在對測試樣本進(jìn)行測試時(shí),選擇離測試樣本最近的中心所構(gòu)造的SVM進(jìn)行分類。如圖1所示。改進(jìn)的多支持向量機(jī)中每個(gè)SVM的訓(xùn)練數(shù)據(jù)都是通過聚類方法對訓(xùn)練數(shù)據(jù)進(jìn)行劃分而形成的訓(xùn)練子集,Cheng等提出的PSVM算法,利用加入了平衡正負(fù)樣本因子的Mag Kmeans聚類算法對訓(xùn)練集進(jìn)行聚類;Segate等[14]在其提出的k NNSVM的基礎(chǔ)上,提出了FaLK-SVM算法,在訓(xùn)練集上采用最小覆蓋集的方法來尋找k個(gè)中心;Gu等[12]在每個(gè)聚類中心構(gòu)造的SVM的目標(biāo)函數(shù)中加入了全局支持向量來控制每個(gè)子線性SVM的支持向量與全局支持向量保持一致,通過這種變化,他們提出的CSVM能很好地克服子SVM中的過擬合問題。

    圖1 multi-SVM結(jié)構(gòu)圖

    在改進(jìn)的多支持向量機(jī)算法中,聚類方法肯定能確保每一個(gè)樣本都?xì)w屬到某一簇中,但該方法無法從分段線性角度來確保最優(yōu)劃分[6]。上述一些改進(jìn)的多支持向量機(jī)算法能夠提高多支持向量機(jī)的時(shí)間復(fù)雜度,但在對訓(xùn)練集聚類時(shí),只有PSVM考慮了如何劃分子集的問題。事實(shí)上,如何劃分子集會(huì)直接關(guān)系到多支持向量機(jī)的表現(xiàn)。子集的劃分至少要考慮兩點(diǎn):①子集包含的訓(xùn)練樣本是否同時(shí)來自不同的2個(gè)類,若訓(xùn)練子集中只包含同一類的樣本,那么構(gòu)造的SVM分類器就不能很好地學(xué)習(xí)到另一類的信息,學(xué)習(xí)的效率降低。PSVM中加入的樣本平衡因子就是為了保證所構(gòu)造的子訓(xùn)練集中正負(fù)樣本的平衡性。②子集的中心盡量靠近不同類別的分離邊界,這是因?yàn)?,?dāng)子集的聚類中心越靠近邊界,子集中包含的正負(fù)樣本數(shù)會(huì)越平衡,這一點(diǎn)在不均衡數(shù)據(jù)分類時(shí)尤其重要。在不均衡數(shù)據(jù)中,少數(shù)類樣本數(shù)量本來就較少,只有子集中心靠近邊界才能盡可能更靠近少數(shù)類樣本,從而訓(xùn)練子集才能最大限度地包含較多的少數(shù)類樣本?;谶@種背景,本文提出了有導(dǎo)師學(xué)習(xí)的k-means聚類方法,即在傳統(tǒng)k-means方法的基礎(chǔ)上加入指導(dǎo)信息,從而盡量滿足子集劃分所要考慮的兩點(diǎn)。

    1 支持向量機(jī)

    支持向量機(jī)(SVM)是在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來的一種新的機(jī)器學(xué)習(xí)方法,它是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的[7-8],在解決小樣本、非線性、高維及防止過學(xué)習(xí)模式識(shí)別問題中表現(xiàn)出許多特有的優(yōu)勢[9]。在SVM中,有{X,yi},Xi∈Rn,i=1,2,…,N。Xi為 第i個(gè)輸入向量,yi是類別標(biāo)簽(+1或—1)。輸入的數(shù)據(jù)集分為2個(gè)不同的類別A和B,對應(yīng)的輸出為+1和—1。支持向量為A的{X∈},支持向量為B的{X∈。在非線性數(shù)據(jù)集中需要將數(shù)據(jù)從低維轉(zhuǎn)向高維。高維空間用映射函數(shù)φ(x),構(gòu)造的邊界線為

    優(yōu)化邊界的問題變成一個(gè)最優(yōu)化問題:

    式中:C為可以調(diào)節(jié)的參數(shù),稱為懲罰因子;ξ為松弛變量。將式(2)表示優(yōu)化問題通過拉格朗日優(yōu)化方法轉(zhuǎn)化為其對偶問題:

    式中,αi為拉格朗日乘 子,這里K(Xi,Xj)=φ(Xi)T—φ(Xj)是核函數(shù)。訓(xùn)練后,得到拉格朗日乘子α。如果αi≠0,則對應(yīng)的樣本i就是一個(gè)支持向量。SVM的決策值可以定義為

    式中:Xi為訓(xùn)練數(shù)據(jù)中的樣本;X為輸入向量。當(dāng)f(X)S為正值時(shí),樣本X屬于正類,反之屬于負(fù)類。SVM也可以用一種網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行表達(dá),如圖2所示。

    2 k-means聚類方法

    圖2 SVM網(wǎng)絡(luò)結(jié)構(gòu)表達(dá)

    k-means聚類算法是一種硬聚類方法。即在n維的歐幾里得空間將n個(gè)樣本數(shù)據(jù)分為k類。首先,由用戶確定所要聚類的準(zhǔn)確數(shù)目k,并隨機(jī)選擇k個(gè)對象(樣本),每個(gè)對象稱為一個(gè)種子,代表一個(gè)類的均值或中心,對剩余的每個(gè)對象,根據(jù)其與各類中心的距離將它賦給最近的類。然后重新計(jì)算每個(gè)類內(nèi)對象的平均值形成新的聚類中心,該過程重復(fù)進(jìn)行,直到收斂為止??紤]到n個(gè)樣本(x1,x2,…,xn),每一個(gè)樣本都是d維向量,k-means聚類的目的就是將n個(gè)樣本劃分為k個(gè)集合(k≤n)S={S1,S2,…,Sk},最小化類中距為

    式中,mi為第i個(gè)聚類集合中所有樣本的平均值,即類中心。在迭代過程中考慮2個(gè)步驟:

    (1)樣本分配。分配樣本到最近類中心的所屬類別,即

    (2)更新。計(jì)算聚類樣本集合新的均值,即

    3 有導(dǎo)師學(xué)習(xí)的k-means聚類方法

    由以上介紹可見,傳統(tǒng)的k-means聚類方法只考慮了類中距,這導(dǎo)致在SVM分類學(xué)習(xí)中,同類的樣本通常會(huì)劃到同一類別集合[10],即該類別集合里的樣本標(biāo)簽都為+1,或都為—1,如圖3所示。圖3(a)表示有2類樣本,紅色(+1),藍(lán)色(—1),圖3(b)通過傳統(tǒng)k-means聚類方法進(jìn)行的劃分,很顯然,黑色和綠色樣本點(diǎn)的劃分分別來自同一類,這種劃分導(dǎo)致SVM的學(xué)習(xí)會(huì)出現(xiàn)過學(xué)習(xí)的問題。

    本文提出的有導(dǎo)師學(xué)習(xí)的k-means方法是在傳統(tǒng)k-means的基礎(chǔ)上不僅考慮類中距,而且還增加了一些指導(dǎo)信息,這些指導(dǎo)信息的引入能夠保證樣本集合的劃分盡量滿足集合中的樣本來自不同的類別(見圖3(b)中,紅色樣本點(diǎn)集合劃分所示)和劃分集合的中心盡量靠近分界線。

    圖3 同類的樣本劃到同一類別集合的例子

    傳統(tǒng)的k-means主要考慮類中距目標(biāo),即

    式中:Xi為第i個(gè)樣本;Cj為第j個(gè)聚類的類中心;Z為樣本隸屬于各個(gè)聚類的隸屬度矩陣。本文的方法就是加入指導(dǎo)參數(shù)部分放入式(8)中,即

    式中:Yi為向量Y(該向量就是對應(yīng)樣本的類別標(biāo)簽)的第i個(gè)元素;λ1>0。隸屬度矩陣Z如表1所示,向量Y如表2所示。在表1中 數(shù)字0和1表示向量Y是否屬于類別C。數(shù)字0表示向量Y不屬于類別C。反之,數(shù)字1表示向量Y屬于類別C。表2中可以看到數(shù)字—1和1,表示向量Y的類別標(biāo)簽,—1表示向量Y是負(fù)的,1表示向量Y是正的。

    表1 隸屬度矩陣Z

    表2 向量Y

    目標(biāo)方程式(9)的第1部分

    圖4 基于式(9)的k-means劃分模擬圖

    由圖5可見,表示正樣本和負(fù)樣本的點(diǎn)基本相同,但是在局部區(qū)域不均衡,左邊紅色樣本點(diǎn)多于藍(lán)色樣本點(diǎn),中間基本無差,右邊藍(lán)色樣本點(diǎn)多于紅色樣本點(diǎn)。運(yùn)用有導(dǎo)師學(xué)習(xí)基于式(9)的k-means方法后,仿真圖5變?yōu)閳D6。樣本劃分為3個(gè)部分用3種不同的顏色基本上劃分正確,但是每一個(gè)子集的中心用黑點(diǎn)表示,可以清楚地發(fā)現(xiàn),左、右邊子集的中心點(diǎn)并不靠近分離邊界。導(dǎo)致這種原因就是樣本不均衡。

    圖5 某區(qū)域樣本不均衡例子

    為了解決該問題,需要附加另一種有導(dǎo)師信息,使得劃分的子集不僅考慮類別標(biāo)簽的信息,而且考慮中心的信息。①用標(biāo)簽均衡的改進(jìn)的k-means進(jìn)行劃分類別(即基于式(9));②測量每個(gè)子集中心和對立樣本的最短距離,然后最小化該距離。這保證每個(gè)類在最近正負(fù)樣本之間,目標(biāo)方程為

    圖6 基于式(9)的k-means劃分后

    式中:Dj為每個(gè)子集到最近的對立樣本的距離;λ2>0。

    圖7(a)為不均衡數(shù)據(jù)分布圖,圖7(b)為運(yùn)用k-means方法對不均衡數(shù)據(jù)基于式(8)的仿真圖,圖7(c)為基于式(9)的仿真圖,圖7(d)為基于式(10)的仿真圖。

    圖7 基于式(10)的k-means劃分過程圖,不均衡樣本

    4 仿真實(shí)驗(yàn)及性能分析

    本文選用UCI數(shù)據(jù)庫[17]中5組不同的二分類數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),分別為Heart、Breast、Liver、Ionosphere和Tic-tac-toe數(shù)據(jù)集,各數(shù)據(jù)集的具體信息如表3所示。實(shí)驗(yàn)選用數(shù)據(jù)集中60%的樣本作為訓(xùn)練集,40%樣本作為測試集,并將本文方法所得的分類正確率與采用RBF核函數(shù)的標(biāo)準(zhǔn)SVM算法和常用的SVM-KNN[13]、Fa LKSVM[14]以 及CSVM[12]3種局部SVM算法進(jìn)行對比,結(jié)果如表4所示。

    表3反映出選用的5組數(shù)據(jù)集都存在一定的正負(fù)類樣本數(shù)不均衡的情況,而由表4可以看出,4種multi-SVM算法相比SVM在對這5組數(shù)據(jù)進(jìn)行分類時(shí)分類正確率上均有不同程度的提高,說明采用muiti-SVM的思想可以在一定程度上提高SVM分類器的精度并增強(qiáng)分類器的泛化能力。在4種multi-SVM算法中,本文提出的SkSVM在5組實(shí)驗(yàn)中都能得到與其他3種算法相當(dāng)或更優(yōu)的精度,尤其是在數(shù)據(jù)集不均衡程度較高的情況下(如Breast和Tic-tac-toe數(shù)據(jù)集),SkSVM相比其他3種算法所得的分類正確率要高,說明本文采用有導(dǎo)師學(xué)習(xí)的k-means對訓(xùn)練集進(jìn)行劃分在不均衡數(shù)據(jù)分類時(shí)有很好的效果。

    表3 測試數(shù)據(jù)集詳細(xì)信息

    表4 5種不同SVM算法的分類正確率對比 %

    5 實(shí)例研究

    5.1 樣本數(shù)據(jù)

    收集江漢油田某區(qū)塊oilsk81井、oilsk83井及oilsk85井的測井?dāng)?shù)據(jù)如表5~7所示(只列出了部分?jǐn)?shù)據(jù),詳細(xì)數(shù)據(jù)參見文獻(xiàn)[11])。oilsk81油井?dāng)?shù)據(jù)集是江漢油田鄂深8井區(qū)的生產(chǎn)井,2001-12-19開鉆,完鉆日期2002-04-17,完鉆井深3 580 m。數(shù)據(jù)集有31個(gè)樣本,其中,非油層16個(gè)樣本,油層15個(gè)樣本。oilsk83油井?dāng)?shù)據(jù)集是鄂深8井區(qū)的生產(chǎn)井,2002-11-08開鉆,完鉆日期2003-02-11,完鉆井深3 558 m。數(shù)據(jù)集有50個(gè)樣本,其中,非油層31個(gè)樣本,油層19個(gè)樣本。Oilsk85油井?dāng)?shù)據(jù)集是鄂深8井區(qū)的開發(fā)井,數(shù)據(jù)集有65個(gè)樣本,其中,非油層48個(gè)樣本,油層17個(gè)樣本。由表中可知,儲(chǔ)層含油性識(shí)別的測井屬性集合大小為6,即聲波時(shí)差(AC)、中子(CNL)、深測向電阻率(RT)、孔隙度(POR)、含油飽和度(So)和滲透率(PERM)。在該屬性集合中到底哪個(gè)子集(核屬性或者關(guān)鍵屬性)是用來識(shí)別該油區(qū)含油性最優(yōu)且最簡單的屬性組合,運(yùn)用GA-FCM進(jìn)行屬性約簡[5],將GA和FCM進(jìn)行嵌套,GA負(fù)責(zé)遍歷各種屬性組合,而FCM根據(jù)相對應(yīng)的屬性組合進(jìn)行識(shí)別,識(shí)別結(jié)果與目標(biāo)結(jié)果進(jìn)行比較,用識(shí)別正確率來評(píng)價(jià)每個(gè)屬性組合的優(yōu)劣,從而可以得到對該油區(qū)進(jìn)行含油性識(shí)別的最核心屬性組合為聲波時(shí)差(AC)和含油飽和度(So)。本文即選擇聲波時(shí)差和含油飽和度為輸入數(shù)據(jù),輸出數(shù)據(jù)為油層(標(biāo)簽為+1)與非油層(標(biāo)簽為—1)。

    表5 oilsk81井測井解釋成果表(只列出部分?jǐn)?shù)據(jù))

    表6 oilsk83井測井解釋成果表(只列出部分?jǐn)?shù)據(jù))

    表7 oilsk85井測井解釋成果表(只列出部分?jǐn)?shù)據(jù))

    5.2 分類結(jié)果

    本文用有導(dǎo)師學(xué)習(xí)的k-means方法的SkSVM、k-means以及SVM分類方法對江漢油田oilsk81,oilsk83和oilsk85三口井的數(shù)據(jù)進(jìn)行油層和非油層的識(shí)別比較,其中,oilsk81井中隨機(jī)選擇20個(gè)樣本作為訓(xùn)練數(shù)據(jù),11個(gè)樣本作為測試數(shù)據(jù),oilsk83井中隨機(jī)選擇30個(gè)樣本作為訓(xùn)練數(shù)據(jù),20個(gè)樣本作為測試數(shù)據(jù),oilsk85井中隨機(jī)選擇45個(gè)樣本作為訓(xùn)練數(shù)據(jù),20個(gè)樣本作為測試數(shù)據(jù)。k-means+all采用所有屬性作為輸入進(jìn)行k-means分類,k-means+core采用核屬性(聲波時(shí)差和含油飽和度)進(jìn)行k-means分類,其余方法的表達(dá)依此類推。實(shí)驗(yàn)所有的結(jié)果均為50次重復(fù)實(shí)驗(yàn)的平均值。由表8可見,本文提出的SkSVM方法無論是在所有屬性作為輸入還是核屬性作為輸入的條件下,對三口井的油層和非油層的識(shí)別率都是100%,充分說明了Sk SVM方法的魯棒性和容錯(cuò)性比單獨(dú)使用k-means和單獨(dú)使用SVM要好,一定程度上避免了過學(xué)習(xí)的問題。

    表8 對oilsk81,oilsk83,oilsk85三口油井的油層和非油層識(shí)別比較 %

    6 結(jié)語

    本文用一種容錯(cuò)性好、具有全局優(yōu)化功能、帶有指導(dǎo)信息的有導(dǎo)師學(xué)習(xí)的k-means方法對數(shù)據(jù)樣本進(jìn)行劃分,針對每個(gè)劃分建立線性SVM,將一個(gè)復(fù)雜的非線性問題分解為若干線性子問題進(jìn)行求解,從而可以盡量避免過學(xué)習(xí)。SkSVM方法不僅拓展了SVM優(yōu)化理論,同時(shí)也豐富了SVM的應(yīng)用范疇。后續(xù)的研究將k-means的劃分替換為KNN的劃分、AP的劃分以及FCM的劃分等,然后進(jìn)行深入的分析和比較。

    猜你喜歡
    子集油層聚類
    由一道有關(guān)集合的子集個(gè)數(shù)題引發(fā)的思考
    拓?fù)淇臻g中緊致子集的性質(zhì)研究
    關(guān)于奇數(shù)階二元子集的分離序列
    油層重力分異對泡沫驅(qū)氣液比的影響
    曙光油田杜813油層的初淺介紹與地質(zhì)分析
    基于DBSACN聚類算法的XML文檔聚類
    電子測試(2017年15期)2017-12-18 07:19:27
    基于改進(jìn)的遺傳算法的模糊聚類算法
    每一次愛情都只是愛情的子集
    都市麗人(2015年4期)2015-03-20 13:33:22
    一種層次初始的聚類個(gè)數(shù)自適應(yīng)的聚類方法研究
    七里村油田薄油層測井識(shí)別技術(shù)研究
    老司机福利观看| 中文字幕免费在线视频6| 熟女电影av网| 蜜桃亚洲精品一区二区三区| 日本欧美国产在线视频| 超碰av人人做人人爽久久| 亚洲欧美精品专区久久| 天天躁夜夜躁狠狠久久av| 日本免费一区二区三区高清不卡| 美女被艹到高潮喷水动态| av线在线观看网站| 国产中年淑女户外野战色| 人妻少妇偷人精品九色| 日本一二三区视频观看| 69人妻影院| 久久6这里有精品| 国产亚洲av嫩草精品影院| 国产精品一区www在线观看| 美女高潮的动态| 国产v大片淫在线免费观看| 免费看日本二区| 晚上一个人看的免费电影| 99热这里只有精品一区| 久久久精品大字幕| 中文字幕制服av| 干丝袜人妻中文字幕| 少妇熟女欧美另类| 性色avwww在线观看| 狂野欧美激情性xxxx在线观看| 免费观看在线日韩| 在线天堂最新版资源| 国产精品福利在线免费观看| 黄片无遮挡物在线观看| 亚洲性久久影院| 日本三级黄在线观看| 日韩欧美国产在线观看| 最近2019中文字幕mv第一页| 亚洲va在线va天堂va国产| 亚洲五月天丁香| 97在线视频观看| 亚洲一级一片aⅴ在线观看| 国产乱人视频| 国产爱豆传媒在线观看| 神马国产精品三级电影在线观看| 亚洲国产高清在线一区二区三| 亚洲国产成人一精品久久久| 亚洲最大成人手机在线| 韩国av在线不卡| 久久精品久久久久久久性| 成人性生交大片免费视频hd| 最后的刺客免费高清国语| 麻豆成人午夜福利视频| 99在线人妻在线中文字幕| АⅤ资源中文在线天堂| 青青草视频在线视频观看| 最近中文字幕高清免费大全6| 成人漫画全彩无遮挡| 最近最新中文字幕免费大全7| 高清日韩中文字幕在线| 久久久久久伊人网av| 国产亚洲最大av| 久久久久久久久久黄片| 国产三级在线视频| 午夜日本视频在线| 国产三级中文精品| 少妇被粗大猛烈的视频| 日韩三级伦理在线观看| 日本免费a在线| 一区二区三区乱码不卡18| 毛片一级片免费看久久久久| 最后的刺客免费高清国语| 国产淫片久久久久久久久| 欧美xxxx性猛交bbbb| 欧美极品一区二区三区四区| 又爽又黄a免费视频| 日韩视频在线欧美| 三级经典国产精品| 亚洲精品日韩在线中文字幕| 成人毛片60女人毛片免费| 午夜福利在线在线| av免费观看日本| 国产成人福利小说| 嫩草影院新地址| 七月丁香在线播放| 国产白丝娇喘喷水9色精品| 99久久九九国产精品国产免费| 日本黄色视频三级网站网址| av.在线天堂| 亚洲精品aⅴ在线观看| 村上凉子中文字幕在线| 国产极品天堂在线| 波多野结衣高清无吗| 一级黄色大片毛片| 纵有疾风起免费观看全集完整版 | 免费看美女性在线毛片视频| 国产高清有码在线观看视频| 国产亚洲av嫩草精品影院| 久久久a久久爽久久v久久| 国产精品乱码一区二三区的特点| 午夜福利在线观看免费完整高清在| 日韩av不卡免费在线播放| 91aial.com中文字幕在线观看| 91aial.com中文字幕在线观看| 久久亚洲精品不卡| 亚洲精品成人久久久久久| 国产精品av视频在线免费观看| 亚洲国产欧美在线一区| 国产精品爽爽va在线观看网站| 日韩av在线大香蕉| 午夜精品一区二区三区免费看| 我的老师免费观看完整版| 国产一区二区在线av高清观看| 1024手机看黄色片| 又爽又黄无遮挡网站| 国产单亲对白刺激| 一卡2卡三卡四卡精品乱码亚洲| 日韩视频在线欧美| 色网站视频免费| 国产伦理片在线播放av一区| 久久久久久久久久成人| 免费无遮挡裸体视频| .国产精品久久| 一区二区三区高清视频在线| 日本wwww免费看| 男插女下体视频免费在线播放| 国产日韩欧美在线精品| 2021天堂中文幕一二区在线观| 视频中文字幕在线观看| 亚洲国产精品久久男人天堂| 中文天堂在线官网| 一二三四中文在线观看免费高清| 真实男女啪啪啪动态图| 只有这里有精品99| 亚洲高清免费不卡视频| 久久久久久久久中文| 欧美日韩在线观看h| 久久韩国三级中文字幕| 内射极品少妇av片p| 少妇人妻一区二区三区视频| 毛片女人毛片| 亚洲欧美日韩东京热| 亚洲美女视频黄频| 简卡轻食公司| 欧美日韩国产亚洲二区| 色综合亚洲欧美另类图片| 一本一本综合久久| 天堂av国产一区二区熟女人妻| 91aial.com中文字幕在线观看| 欧美激情在线99| 老女人水多毛片| 国产成人精品久久久久久| or卡值多少钱| 99久久成人亚洲精品观看| 欧美精品一区二区大全| 国产成人a∨麻豆精品| 久久人妻av系列| 亚洲av日韩在线播放| a级毛片免费高清观看在线播放| 女人被狂操c到高潮| 国语自产精品视频在线第100页| 丰满人妻一区二区三区视频av| av女优亚洲男人天堂| 久久久久久久久久成人| 又粗又硬又长又爽又黄的视频| 99热这里只有是精品在线观看| 白带黄色成豆腐渣| 国产亚洲最大av| 内地一区二区视频在线| 日韩av不卡免费在线播放| av在线播放精品| 天堂影院成人在线观看| 2022亚洲国产成人精品| 亚洲精品影视一区二区三区av| 国产色婷婷99| 看非洲黑人一级黄片| 午夜免费激情av| 秋霞伦理黄片| 日本wwww免费看| 亚洲国产精品成人久久小说| 国产伦理片在线播放av一区| 黑人高潮一二区| 亚洲欧美一区二区三区国产| 夫妻性生交免费视频一级片| 国产精品日韩av在线免费观看| 一级av片app| 国产精品一区二区在线观看99 | 色哟哟·www| 久久草成人影院| 国产精品1区2区在线观看.| 国产亚洲91精品色在线| 又爽又黄无遮挡网站| 亚洲国产高清在线一区二区三| 久久久久久久午夜电影| 亚洲国产精品久久男人天堂| 人人妻人人澡欧美一区二区| 国产片特级美女逼逼视频| 国产又色又爽无遮挡免| 亚州av有码| 免费在线观看成人毛片| 三级国产精品欧美在线观看| 亚洲一级一片aⅴ在线观看| av在线播放精品| 岛国在线免费视频观看| 久久久色成人| 中文字幕人妻熟人妻熟丝袜美| 97超碰精品成人国产| 国产女主播在线喷水免费视频网站 | 亚洲精品一区蜜桃| 亚洲av二区三区四区| 97超视频在线观看视频| 啦啦啦啦在线视频资源| av.在线天堂| 综合色丁香网| 美女被艹到高潮喷水动态| 日韩精品有码人妻一区| 99热6这里只有精品| 女人久久www免费人成看片 | 国产老妇女一区| 狂野欧美激情性xxxx在线观看| 中文字幕人妻熟人妻熟丝袜美| 亚洲真实伦在线观看| videossex国产| 人人妻人人看人人澡| 七月丁香在线播放| 国产精品久久久久久久久免| 亚洲精品久久久久久婷婷小说 | 国产精品人妻久久久久久| 成人国产麻豆网| 非洲黑人性xxxx精品又粗又长| 色网站视频免费| 18禁在线播放成人免费| 午夜视频国产福利| 国产亚洲91精品色在线| 老师上课跳d突然被开到最大视频| 日日啪夜夜撸| 好男人在线观看高清免费视频| 国产成人freesex在线| 中文精品一卡2卡3卡4更新| 亚洲精品456在线播放app| 午夜福利网站1000一区二区三区| 国产精品久久视频播放| 又黄又爽又刺激的免费视频.| 国产精品久久久久久久电影| 国产成人a∨麻豆精品| 亚洲人成网站在线观看播放| 欧美精品国产亚洲| 国产久久久一区二区三区| 国产三级中文精品| 国内精品宾馆在线| 亚洲国产精品合色在线| 亚洲av一区综合| 大又大粗又爽又黄少妇毛片口| 久久精品国产自在天天线| 热99re8久久精品国产| 大香蕉久久网| 日本爱情动作片www.在线观看| 啦啦啦观看免费观看视频高清| 看非洲黑人一级黄片| 中文字幕精品亚洲无线码一区| 全区人妻精品视频| 亚洲五月天丁香| 欧美日韩国产亚洲二区| or卡值多少钱| 国产免费又黄又爽又色| 国产精品一及| 国产在线一区二区三区精 | 国产美女午夜福利| 精品熟女少妇av免费看| 一区二区三区免费毛片| 黄色配什么色好看| 噜噜噜噜噜久久久久久91| 国产日韩欧美在线精品| 日韩大片免费观看网站 | 国产乱人视频| 国内精品宾馆在线| 在线天堂最新版资源| av视频在线观看入口| 免费一级毛片在线播放高清视频| 国产av不卡久久| 国产在视频线在精品| 国产三级在线视频| 日韩一区二区三区影片| 中文天堂在线官网| 99久国产av精品国产电影| 人妻系列 视频| 国产精品一区二区在线观看99 | 天美传媒精品一区二区| 亚洲美女搞黄在线观看| 国产黄片视频在线免费观看| 99热全是精品| 中文在线观看免费www的网站| 国产精品99久久久久久久久| 亚洲在线自拍视频| 99久久九九国产精品国产免费| 亚洲欧美成人综合另类久久久 | 国产成人午夜福利电影在线观看| 亚洲欧美成人综合另类久久久 | 精品国产露脸久久av麻豆 | 亚洲欧美日韩卡通动漫| 少妇熟女aⅴ在线视频| 最近视频中文字幕2019在线8| 国产综合懂色| 国产成人91sexporn| 国产精品蜜桃在线观看| 亚洲精品成人久久久久久| 三级国产精品片| 午夜福利高清视频| 亚洲欧美中文字幕日韩二区| 亚洲欧美精品自产自拍| 国产精华一区二区三区| 免费观看在线日韩| 大香蕉97超碰在线| 国产精品久久久久久久电影| 午夜福利视频1000在线观看| 在线天堂最新版资源| 69人妻影院| 亚洲国产精品国产精品| 国产熟女欧美一区二区| 草草在线视频免费看| 欧美成人a在线观看| 99久久人妻综合| 日本熟妇午夜| 2021天堂中文幕一二区在线观| 综合色丁香网| 亚洲国产精品国产精品| 国语自产精品视频在线第100页| 亚洲欧美精品专区久久| 中国国产av一级| 亚洲精品乱码久久久v下载方式| av在线蜜桃| 18禁在线播放成人免费| 亚洲国产精品国产精品| 2022亚洲国产成人精品| 韩国av在线不卡| 天天躁夜夜躁狠狠久久av| 国产淫片久久久久久久久| 成年女人看的毛片在线观看| 国产精品久久视频播放| 美女脱内裤让男人舔精品视频| 六月丁香七月| 精品国产露脸久久av麻豆 | 国产人妻一区二区三区在| 久久精品91蜜桃| 欧美成人一区二区免费高清观看| 三级男女做爰猛烈吃奶摸视频| 亚洲av熟女| 欧美+日韩+精品| 狂野欧美激情性xxxx在线观看| 国产激情偷乱视频一区二区| 噜噜噜噜噜久久久久久91| 赤兔流量卡办理| 久久精品综合一区二区三区| 天堂av国产一区二区熟女人妻| 床上黄色一级片| 免费人成在线观看视频色| 国产成人精品婷婷| 亚洲在线观看片| 国产精品国产三级国产av玫瑰| 色尼玛亚洲综合影院| 热99在线观看视频| 天堂影院成人在线观看| 我的女老师完整版在线观看| 国产成人a区在线观看| 丰满人妻一区二区三区视频av| 国产亚洲av片在线观看秒播厂 | 青春草亚洲视频在线观看| 97超碰精品成人国产| 激情 狠狠 欧美| 在线播放无遮挡| 嫩草影院精品99| 国产又色又爽无遮挡免| 亚洲av一区综合| 熟妇人妻久久中文字幕3abv| 一个人免费在线观看电影| 国产午夜精品论理片| 久久久精品欧美日韩精品| 尾随美女入室| 搡老妇女老女人老熟妇| 黄色一级大片看看| 日日摸夜夜添夜夜爱| 成年版毛片免费区| 日韩高清综合在线| 身体一侧抽搐| 少妇人妻精品综合一区二区| 波多野结衣高清无吗| 久久精品国产亚洲网站| 国产真实伦视频高清在线观看| 国产一级毛片在线| 搡女人真爽免费视频火全软件| 免费黄网站久久成人精品| 26uuu在线亚洲综合色| 久久99热6这里只有精品| 国产成人精品久久久久久| 一级毛片久久久久久久久女| 国产91av在线免费观看| 国产极品天堂在线| 一个人观看的视频www高清免费观看| 成人欧美大片| 免费播放大片免费观看视频在线观看 | 99国产精品一区二区蜜桃av| 国产探花在线观看一区二区| 亚洲精品乱久久久久久| 欧美潮喷喷水| 偷拍熟女少妇极品色| 天天一区二区日本电影三级| 好男人视频免费观看在线| 亚洲成色77777| 丰满少妇做爰视频| 成人毛片60女人毛片免费| 亚洲欧美一区二区三区国产| 日韩欧美精品v在线| 成人亚洲精品av一区二区| 久久亚洲精品不卡| 国产一区有黄有色的免费视频 | 中文字幕熟女人妻在线| 啦啦啦观看免费观看视频高清| 七月丁香在线播放| 女人被狂操c到高潮| 免费av不卡在线播放| 有码 亚洲区| 国产久久久一区二区三区| 午夜福利高清视频| 卡戴珊不雅视频在线播放| 久久久精品大字幕| 男人舔女人下体高潮全视频| 国产麻豆成人av免费视频| 久久精品91蜜桃| 国产精品久久久久久av不卡| 特级一级黄色大片| 激情 狠狠 欧美| 特级一级黄色大片| 欧美成人一区二区免费高清观看| 人妻夜夜爽99麻豆av| 三级毛片av免费| 国产精品无大码| 亚洲人成网站在线播| 热99在线观看视频| 天堂网av新在线| 色哟哟·www| 小蜜桃在线观看免费完整版高清| 亚洲精品色激情综合| 亚洲精品一区蜜桃| 波多野结衣高清无吗| 两个人视频免费观看高清| 国产 一区 欧美 日韩| 亚洲精品日韩在线中文字幕| 一本久久精品| 两性午夜刺激爽爽歪歪视频在线观看| 美女国产视频在线观看| 麻豆精品久久久久久蜜桃| 欧美+日韩+精品| 精品久久久久久久久av| 亚洲无线观看免费| 亚洲精品影视一区二区三区av| 免费观看在线日韩| 免费在线观看成人毛片| 男人舔女人下体高潮全视频| 一级爰片在线观看| 成人特级av手机在线观看| 亚洲在久久综合| 亚洲婷婷狠狠爱综合网| 成人午夜高清在线视频| 国国产精品蜜臀av免费| 精品久久久噜噜| 七月丁香在线播放| 国产在线一区二区三区精 | 又粗又硬又长又爽又黄的视频| 亚洲av成人精品一区久久| 色综合亚洲欧美另类图片| av黄色大香蕉| 国产私拍福利视频在线观看| 99久久成人亚洲精品观看| 七月丁香在线播放| 男女那种视频在线观看| 亚洲av免费在线观看| 国产免费又黄又爽又色| 少妇的逼好多水| 成人美女网站在线观看视频| 亚洲伊人久久精品综合 | 国产伦精品一区二区三区四那| 丰满人妻一区二区三区视频av| 亚洲国产精品久久男人天堂| 久久精品国产自在天天线| 18禁动态无遮挡网站| 日本与韩国留学比较| 别揉我奶头 嗯啊视频| 高清av免费在线| 内射极品少妇av片p| 一级毛片我不卡| 精品人妻偷拍中文字幕| 中文字幕亚洲精品专区| 亚洲av福利一区| 国产伦在线观看视频一区| 一个人观看的视频www高清免费观看| av福利片在线观看| videossex国产| 成人亚洲精品av一区二区| 特级一级黄色大片| 欧美性猛交黑人性爽| 久久久精品大字幕| 久久久久久伊人网av| 亚洲美女搞黄在线观看| 免费播放大片免费观看视频在线观看 | 男插女下体视频免费在线播放| 三级男女做爰猛烈吃奶摸视频| 老司机影院成人| 国产精品福利在线免费观看| 国产又黄又爽又无遮挡在线| 乱人视频在线观看| 女人久久www免费人成看片 | 亚洲精品成人久久久久久| 又黄又爽又刺激的免费视频.| 中国国产av一级| 色网站视频免费| 非洲黑人性xxxx精品又粗又长| 热99在线观看视频| 国产在线男女| 亚洲高清免费不卡视频| 日韩av在线免费看完整版不卡| 国产精品久久电影中文字幕| 精品久久国产蜜桃| 女人久久www免费人成看片 | 免费播放大片免费观看视频在线观看 | 国产精品一区二区性色av| 超碰97精品在线观看| 国产伦精品一区二区三区视频9| 天堂av国产一区二区熟女人妻| 日韩av在线大香蕉| 中文字幕av成人在线电影| 内地一区二区视频在线| 欧美一区二区国产精品久久精品| 黄色日韩在线| 久久久久性生活片| 最近最新中文字幕免费大全7| 国产午夜精品一二区理论片| 18禁在线无遮挡免费观看视频| 国产精品综合久久久久久久免费| 午夜精品国产一区二区电影 | 亚洲精品亚洲一区二区| 免费黄网站久久成人精品| 国产亚洲午夜精品一区二区久久 | 国产伦一二天堂av在线观看| 久久国内精品自在自线图片| 日本色播在线视频| 联通29元200g的流量卡| 两个人视频免费观看高清| 午夜福利网站1000一区二区三区| 欧美极品一区二区三区四区| 国产精品日韩av在线免费观看| 人人妻人人澡人人爽人人夜夜 | 国产91av在线免费观看| 97在线视频观看| 老司机影院毛片| 99热这里只有是精品在线观看| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 国产中年淑女户外野战色| 色综合亚洲欧美另类图片| 中文资源天堂在线| 国产亚洲精品久久久com| 日本色播在线视频| 国产欧美日韩精品一区二区| 日韩av在线大香蕉| 午夜日本视频在线| 级片在线观看| 视频中文字幕在线观看| 1000部很黄的大片| 一卡2卡三卡四卡精品乱码亚洲| 欧美一区二区国产精品久久精品| 亚洲成人av在线免费| 色视频www国产| 亚洲熟妇中文字幕五十中出| 99久久九九国产精品国产免费| 久久精品夜色国产| 日韩大片免费观看网站 | 亚洲最大成人av| .国产精品久久| 桃色一区二区三区在线观看| 亚洲熟妇中文字幕五十中出| 成年版毛片免费区| 麻豆精品久久久久久蜜桃| 亚州av有码| 国产精品国产高清国产av| 国产精品一区www在线观看| 热99在线观看视频| 尾随美女入室| 久久久久网色| 精品久久久久久电影网 | 亚洲精品国产av成人精品| 中文欧美无线码| 免费人成在线观看视频色| 午夜福利在线观看吧| 欧美日韩在线观看h| 啦啦啦韩国在线观看视频| 免费搜索国产男女视频| 欧美又色又爽又黄视频| 久久人妻av系列| 亚洲欧美日韩卡通动漫| 欧美又色又爽又黄视频| 国产日韩欧美在线精品| 天天躁日日操中文字幕| 亚洲精品,欧美精品| 亚洲在线观看片| 亚洲精品影视一区二区三区av| 亚洲欧美精品专区久久| 可以在线观看毛片的网站| 欧美成人a在线观看| 亚洲成人精品中文字幕电影| 一级毛片aaaaaa免费看小| 日韩欧美精品免费久久| 少妇人妻一区二区三区视频| 秋霞伦理黄片| 午夜免费激情av| 男人舔女人下体高潮全视频| 久久亚洲国产成人精品v| 亚洲国产色片|