• <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
    波野结衣二区三区在线| 久久久国产一区二区| 丝袜美腿在线中文| 啦啦啦啦在线视频资源| 国产又色又爽无遮挡免| av在线蜜桃| 99热网站在线观看| 好男人视频免费观看在线| 男人狂女人下面高潮的视频| 国产日韩欧美在线精品| 免费观看在线日韩| 亚洲精品乱久久久久久| 欧美成人a在线观看| 99热全是精品| 国产成人一区二区在线| 97人妻精品一区二区三区麻豆| 激情 狠狠 欧美| 好男人在线观看高清免费视频| 极品少妇高潮喷水抽搐| 精品国产露脸久久av麻豆| 99热国产这里只有精品6| 综合色丁香网| 欧美日韩亚洲高清精品| 国产成人freesex在线| av在线观看视频网站免费| 国产亚洲午夜精品一区二区久久 | 欧美精品人与动牲交sv欧美| 欧美少妇被猛烈插入视频| 久久久久网色| 国产乱来视频区| 国产乱人偷精品视频| 欧美97在线视频| 国产精品人妻久久久久久| 国产精品.久久久| 精品国产一区二区三区久久久樱花 | 国产精品人妻久久久影院| 丰满乱子伦码专区| 天美传媒精品一区二区| 最后的刺客免费高清国语| 亚洲国产精品成人久久小说| 成人鲁丝片一二三区免费| 最近最新中文字幕大全电影3| av黄色大香蕉| 高清在线视频一区二区三区| 99热这里只有精品一区| 蜜桃亚洲精品一区二区三区| 亚洲国产成人一精品久久久| av专区在线播放| 99久久精品一区二区三区| 亚洲av中文字字幕乱码综合| 日韩成人伦理影院| 久久久久国产网址| 大陆偷拍与自拍| 亚洲国产日韩一区二区| 成年版毛片免费区| 熟女电影av网| 免费观看在线日韩| 大话2 男鬼变身卡| 制服丝袜香蕉在线| 神马国产精品三级电影在线观看| 永久免费av网站大全| 日日啪夜夜撸| 亚洲伊人久久精品综合| 亚洲av福利一区| 日韩强制内射视频| 婷婷色综合www| 久久久a久久爽久久v久久| 熟女电影av网| 激情五月婷婷亚洲| 欧美 日韩 精品 国产| 日韩国内少妇激情av| 亚洲自拍偷在线| 黄色怎么调成土黄色| 晚上一个人看的免费电影| 国产一区二区三区综合在线观看 | 激情五月婷婷亚洲| 特大巨黑吊av在线直播| 大陆偷拍与自拍| 黑人高潮一二区| 五月天丁香电影| 国产欧美日韩精品一区二区| 国产午夜精品久久久久久一区二区三区| 18禁在线播放成人免费| 精品99又大又爽又粗少妇毛片| 色综合色国产| 各种免费的搞黄视频| 99久国产av精品国产电影| 夜夜爽夜夜爽视频| 2021天堂中文幕一二区在线观| 久久人人爽av亚洲精品天堂 | 国产一区二区三区综合在线观看 | 一区二区三区免费毛片| 可以在线观看毛片的网站| 亚洲一区二区三区欧美精品 | 老司机影院毛片| 七月丁香在线播放| 少妇 在线观看| 97超碰精品成人国产| 国产精品成人在线| 天天躁日日操中文字幕| tube8黄色片| 亚洲av日韩在线播放| 色哟哟·www| 免费黄色在线免费观看| 久久久久久久久久成人| 亚洲国产av新网站| 国产片特级美女逼逼视频| 久久这里有精品视频免费| 男女边摸边吃奶| 欧美性猛交╳xxx乱大交人| 又爽又黄无遮挡网站| 岛国毛片在线播放| 国产 一区精品| 国产成人福利小说| 女人十人毛片免费观看3o分钟| 午夜福利视频1000在线观看| 狠狠精品人妻久久久久久综合| 十八禁网站网址无遮挡 | 嘟嘟电影网在线观看| 欧美日本视频| 91久久精品电影网| 人妻夜夜爽99麻豆av| 免费av毛片视频| 日韩成人av中文字幕在线观看| 国产一区二区亚洲精品在线观看| 一区二区三区四区激情视频| 久久久久网色| 成人二区视频| 在线观看人妻少妇| 欧美+日韩+精品| 91久久精品电影网| 99久久中文字幕三级久久日本| 搡老乐熟女国产| 婷婷色综合www| 日本黄色片子视频| 欧美成人午夜免费资源| 国产午夜精品一二区理论片| 免费大片黄手机在线观看| 日本-黄色视频高清免费观看| 欧美亚洲 丝袜 人妻 在线| 国产 一区精品| 九色成人免费人妻av| 亚洲国产精品成人综合色| 免费在线观看成人毛片| 网址你懂的国产日韩在线| 亚洲av.av天堂| 在线免费十八禁| 日日摸夜夜添夜夜添av毛片| 99久久中文字幕三级久久日本| 下体分泌物呈黄色| 精品酒店卫生间| 免费电影在线观看免费观看| 韩国高清视频一区二区三区| 亚洲电影在线观看av| 国国产精品蜜臀av免费| 久久精品国产鲁丝片午夜精品| 日本黄大片高清| 久久久精品欧美日韩精品| 久久久久久久大尺度免费视频| 成人亚洲欧美一区二区av| av又黄又爽大尺度在线免费看| 国产成人aa在线观看| 内射极品少妇av片p| 国产成人91sexporn| 中文乱码字字幕精品一区二区三区| 亚洲精品一二三| 最新中文字幕久久久久| 国产亚洲av嫩草精品影院| 少妇的逼水好多| 哪个播放器可以免费观看大片| 一级毛片我不卡| 美女被艹到高潮喷水动态| 亚洲av国产av综合av卡| 欧美少妇被猛烈插入视频| 国产久久久一区二区三区| 看黄色毛片网站| 亚洲成色77777| 国产女主播在线喷水免费视频网站| 2021天堂中文幕一二区在线观| 亚洲欧洲日产国产| 国产成人a∨麻豆精品| 男人狂女人下面高潮的视频| 免费人成在线观看视频色| 成人亚洲精品一区在线观看 | 成人欧美大片| 男女下面进入的视频免费午夜| 老司机影院成人| av在线亚洲专区| 日日撸夜夜添| 一级av片app| 亚洲欧美精品自产自拍| 91久久精品国产一区二区成人| 又黄又爽又刺激的免费视频.| 亚洲精品久久久久久婷婷小说| 国产成人a∨麻豆精品| 美女被艹到高潮喷水动态| 黄片wwwwww| 国产在视频线精品| 免费大片黄手机在线观看| 又粗又硬又长又爽又黄的视频| 蜜桃亚洲精品一区二区三区| 91午夜精品亚洲一区二区三区| 国产成人a∨麻豆精品| 成人欧美大片| 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 | 免费观看av网站的网址| 亚洲aⅴ乱码一区二区在线播放| 青春草视频在线免费观看| 亚洲天堂av无毛| 亚洲最大成人手机在线| 久久久久久久久久久免费av| 亚洲av一区综合| 国产日韩欧美在线精品| 国内揄拍国产精品人妻在线| 欧美丝袜亚洲另类| 1000部很黄的大片| 日本爱情动作片www.在线观看| 国产成人a区在线观看| av播播在线观看一区| 最后的刺客免费高清国语| 在线播放无遮挡| 丰满人妻一区二区三区视频av| 人妻系列 视频| 全区人妻精品视频| 免费观看无遮挡的男女| 欧美日本视频| 久久久久久国产a免费观看| 成年av动漫网址| 欧美精品人与动牲交sv欧美| 六月丁香七月| 欧美激情国产日韩精品一区| 国产亚洲午夜精品一区二区久久 | 少妇的逼好多水| 国产91av在线免费观看| 亚洲精品,欧美精品| 久久久久九九精品影院| 成人亚洲精品一区在线观看 | 嫩草影院入口| 久久久久久久久久成人| 一边亲一边摸免费视频| tube8黄色片| 亚洲精品成人久久久久久| 国产精品久久久久久精品电影小说 | 成人亚洲精品一区在线观看 | 久久午夜福利片| 在线播放无遮挡| 亚州av有码| 亚洲国产成人一精品久久久| 亚洲精品日韩在线中文字幕| 亚洲欧美中文字幕日韩二区| 日本-黄色视频高清免费观看| 69人妻影院| 久热这里只有精品99| 99久久精品热视频| 久久久久久久大尺度免费视频| 午夜福利高清视频| 国产亚洲精品久久久com| 内射极品少妇av片p| 国产亚洲午夜精品一区二区久久 | 91久久精品国产一区二区三区| 中文在线观看免费www的网站| 久久国产乱子免费精品| 在线免费观看不下载黄p国产| 精品国产一区二区三区久久久樱花 | 日韩av免费高清视频| 99久久人妻综合| 久久99蜜桃精品久久| 国产精品久久久久久精品电影小说 | 亚洲精品aⅴ在线观看| 王馨瑶露胸无遮挡在线观看| 黄色一级大片看看| 午夜亚洲福利在线播放| 中文资源天堂在线| 国产亚洲最大av| 日本三级黄在线观看| 欧美日韩在线观看h| 久久久久精品性色| 我的老师免费观看完整版| 国产免费一区二区三区四区乱码| 少妇高潮的动态图| 一级二级三级毛片免费看| 中文字幕久久专区| 亚州av有码| 高清毛片免费看| 黄片无遮挡物在线观看| 秋霞在线观看毛片| 亚洲精品自拍成人| 好男人在线观看高清免费视频| 人妻制服诱惑在线中文字幕| 国产精品人妻久久久影院| 久久精品久久久久久久性| 身体一侧抽搐| 男人和女人高潮做爰伦理| 色综合色国产| 国产亚洲91精品色在线| 欧美丝袜亚洲另类| 蜜臀久久99精品久久宅男| 69av精品久久久久久| 国产在线一区二区三区精| 少妇人妻一区二区三区视频| 干丝袜人妻中文字幕| 精品人妻偷拍中文字幕| 人妻少妇偷人精品九色| 1000部很黄的大片| 国产老妇伦熟女老妇高清| 亚洲av二区三区四区| 嫩草影院新地址| 欧美老熟妇乱子伦牲交| 久久影院123| 精品视频人人做人人爽| 久久人人爽人人爽人人片va| 国产免费又黄又爽又色| 自拍欧美九色日韩亚洲蝌蚪91 | 如何舔出高潮| av免费观看日本| 建设人人有责人人尽责人人享有的 | 成人亚洲欧美一区二区av| 久久精品久久精品一区二区三区| 搞女人的毛片| 亚洲精品国产成人久久av| 日韩电影二区| 亚洲内射少妇av| 中文字幕人妻熟人妻熟丝袜美| 亚洲精品成人久久久久久| 性色av一级| 2022亚洲国产成人精品| 最近2019中文字幕mv第一页| 成人毛片a级毛片在线播放| 亚洲精品国产av成人精品| 欧美最新免费一区二区三区| 毛片一级片免费看久久久久| 国产精品.久久久| 免费观看性生交大片5| 亚洲欧美成人精品一区二区| 久久影院123| 少妇的逼水好多| 色哟哟·www| 男人添女人高潮全过程视频| 国产亚洲91精品色在线| 欧美潮喷喷水| a级毛片免费高清观看在线播放| 青春草视频在线免费观看| 国产一区亚洲一区在线观看| 99热这里只有是精品50| 亚洲综合色惰| 又爽又黄a免费视频| 日本wwww免费看| 在线亚洲精品国产二区图片欧美 | 一级爰片在线观看| 亚洲精品色激情综合| 观看免费一级毛片| 菩萨蛮人人尽说江南好唐韦庄| 欧美极品一区二区三区四区| 亚洲美女视频黄频| 亚洲图色成人| 日日撸夜夜添| 国产成人精品一,二区| 少妇丰满av| 特大巨黑吊av在线直播| 精品国产三级普通话版| 伊人久久国产一区二区| 97超视频在线观看视频| 欧美成人精品欧美一级黄| 边亲边吃奶的免费视频| 久久精品夜色国产| 久久久午夜欧美精品| 99热6这里只有精品| 亚洲第一区二区三区不卡| 高清欧美精品videossex| 白带黄色成豆腐渣| 亚洲婷婷狠狠爱综合网| 精品国产一区二区三区久久久樱花 | 日韩不卡一区二区三区视频在线| 国产v大片淫在线免费观看| 亚洲真实伦在线观看| 99热全是精品| 深夜a级毛片| 欧美丝袜亚洲另类| 日本午夜av视频| 如何舔出高潮| 亚洲怡红院男人天堂| 99久久人妻综合| 久久久成人免费电影| 日本三级黄在线观看| 国产精品久久久久久精品电影| 新久久久久国产一级毛片| 精品久久久久久电影网| 99热这里只有是精品50| 少妇的逼好多水| 人妻 亚洲 视频| 欧美少妇被猛烈插入视频| 国产成人午夜福利电影在线观看| 亚洲av一区综合| 十八禁网站网址无遮挡 | 亚洲av电影在线观看一区二区三区 | 亚洲av福利一区| 国产淫语在线视频| 国产视频首页在线观看| 一个人看视频在线观看www免费| 色视频在线一区二区三区| 亚洲国产日韩一区二区| av国产久精品久网站免费入址| 美女脱内裤让男人舔精品视频| 一本久久精品| 男的添女的下面高潮视频| 午夜激情福利司机影院| 国产午夜精品久久久久久一区二区三区| 亚洲精品中文字幕在线视频 | 白带黄色成豆腐渣| 亚洲va在线va天堂va国产| 永久网站在线| 午夜激情福利司机影院| 日本色播在线视频| 国产在线一区二区三区精| 免费电影在线观看免费观看| 欧美潮喷喷水| 偷拍熟女少妇极品色| 国产成人freesex在线| 国产成人免费无遮挡视频| 夫妻性生交免费视频一级片| 色婷婷久久久亚洲欧美| 久久久亚洲精品成人影院| 在线免费观看不下载黄p国产| 2021天堂中文幕一二区在线观| 美女视频免费永久观看网站| 亚洲欧洲国产日韩| 观看免费一级毛片| 97在线视频观看| 亚洲国产精品999| 日本爱情动作片www.在线观看| 久久久久久久久久久免费av| 毛片女人毛片| 1000部很黄的大片| 韩国高清视频一区二区三区| 亚洲欧美成人综合另类久久久| 久久久久久久久久久丰满| 丰满人妻一区二区三区视频av| 男人添女人高潮全过程视频| 高清av免费在线| 成年女人在线观看亚洲视频 | 一个人看视频在线观看www免费| 69av精品久久久久久| 国产老妇女一区| 在线 av 中文字幕| 国产精品偷伦视频观看了| 亚洲av不卡在线观看| 免费av毛片视频| 国产色婷婷99| 亚洲精品国产av成人精品| 国产成人精品久久久久久| 精品人妻熟女av久视频| 国产一区二区三区av在线| 亚洲不卡免费看| 各种免费的搞黄视频| 日韩欧美一区视频在线观看 | 精品久久久久久久久av| 免费人成在线观看视频色| av又黄又爽大尺度在线免费看| 国产日韩欧美亚洲二区| 在线观看一区二区三区| 久久人人爽人人片av| 国产精品一区二区性色av| www.色视频.com| 国产精品久久久久久精品电影小说 | 亚洲人成网站高清观看| 亚洲av成人精品一二三区| 国产69精品久久久久777片| 亚洲精品亚洲一区二区| 男人爽女人下面视频在线观看| 人体艺术视频欧美日本| 91精品伊人久久大香线蕉| 久久久久国产网址| 欧美日韩视频高清一区二区三区二| 欧美变态另类bdsm刘玥| 精品久久久久久久久av| 青春草视频在线免费观看| 亚洲自偷自拍三级| 观看免费一级毛片| 中国三级夫妇交换| 国产精品麻豆人妻色哟哟久久| 99久久中文字幕三级久久日本| 亚洲图色成人| 大码成人一级视频| 欧美老熟妇乱子伦牲交| 好男人视频免费观看在线| 肉色欧美久久久久久久蜜桃 | 在线观看一区二区三区| 欧美一级a爱片免费观看看| 欧美性猛交╳xxx乱大交人| 网址你懂的国产日韩在线| 国产老妇伦熟女老妇高清| 亚洲欧美精品专区久久| 久久精品国产鲁丝片午夜精品| 亚洲内射少妇av| 搞女人的毛片| 日本一二三区视频观看| 亚洲精品乱码久久久久久按摩| 在线亚洲精品国产二区图片欧美 | 欧美潮喷喷水| av在线播放精品| 免费观看av网站的网址| 人妻系列 视频| 国产伦精品一区二区三区视频9| 亚洲成人av在线免费| 色哟哟·www| 看免费成人av毛片| 亚洲精品日本国产第一区| 亚洲自拍偷在线| 中文在线观看免费www的网站| av一本久久久久| 看十八女毛片水多多多| 丝袜脚勾引网站| 欧美日韩精品成人综合77777| 久久久久久久亚洲中文字幕| 搡老乐熟女国产| 夫妻性生交免费视频一级片| 少妇人妻精品综合一区二区| 日韩精品有码人妻一区| 久久这里有精品视频免费| 久久6这里有精品| 国产精品一区二区性色av| 超碰97精品在线观看| 看非洲黑人一级黄片| 国产乱人偷精品视频| 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 | 在线观看美女被高潮喷水网站| 中国美白少妇内射xxxbb| 国产高清有码在线观看视频| 一个人看的www免费观看视频| 日本一二三区视频观看| 成人毛片a级毛片在线播放| 99热全是精品| 精品国产乱码久久久久久小说| 蜜桃久久精品国产亚洲av| 亚洲欧美成人综合另类久久久| 又黄又爽又刺激的免费视频.| 国产成人福利小说| 在线播放无遮挡| 听说在线观看完整版免费高清| 精品少妇黑人巨大在线播放| 国产高清国产精品国产三级 | 日本免费在线观看一区| 亚洲综合精品二区| 国产高潮美女av| 久久99热6这里只有精品| 国产 一区精品| 99久久人妻综合| 又粗又硬又长又爽又黄的视频| 成年女人在线观看亚洲视频 | 色5月婷婷丁香| av国产精品久久久久影院| 成年版毛片免费区| 性色avwww在线观看| 成年女人看的毛片在线观看| 亚洲欧美中文字幕日韩二区| 夜夜看夜夜爽夜夜摸| 亚洲国产色片| 三级国产精品欧美在线观看| 国产 精品1| 亚洲av国产av综合av卡| 啦啦啦啦在线视频资源| 日韩伦理黄色片| 亚洲精品一区蜜桃| 国产成人免费观看mmmm| videos熟女内射| 亚洲自偷自拍三级| a级一级毛片免费在线观看| 听说在线观看完整版免费高清| 特级一级黄色大片| av在线播放精品| 网址你懂的国产日韩在线| 18禁裸乳无遮挡免费网站照片| 欧美xxⅹ黑人| 熟女人妻精品中文字幕| 汤姆久久久久久久影院中文字幕| 又爽又黄无遮挡网站| 又大又黄又爽视频免费| 久久久久久久久久久丰满| xxx大片免费视频| 欧美日本视频| 一本一本综合久久| 精品久久久久久久久亚洲| 成人午夜精彩视频在线观看| 日韩欧美精品免费久久| 精品人妻视频免费看| 亚洲丝袜综合中文字幕| 毛片一级片免费看久久久久| 欧美亚洲 丝袜 人妻 在线| 国产一区有黄有色的免费视频| 亚洲,一卡二卡三卡| 午夜福利高清视频| 又爽又黄a免费视频| 午夜免费鲁丝| 国产爱豆传媒在线观看| 精品亚洲乱码少妇综合久久| 偷拍熟女少妇极品色| 麻豆久久精品国产亚洲av| 高清毛片免费看| 深爱激情五月婷婷| 国产成人精品久久久久久| 免费黄网站久久成人精品| 嫩草影院精品99| 日本-黄色视频高清免费观看| 狠狠精品人妻久久久久久综合| 搡老乐熟女国产| av在线蜜桃| 亚洲精品一区蜜桃| 黄色怎么调成土黄色| 91午夜精品亚洲一区二区三区| av在线老鸭窝| 91精品伊人久久大香线蕉| 国产精品福利在线免费观看| 欧美97在线视频| av国产久精品久网站免费入址| 久久国产乱子免费精品|