• <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 ?

    一種紫外-可見光譜檢測水質(zhì)COD預(yù)測模型優(yōu)化方法

    2015-11-18 01:29:34趙敬曉蔣上海羅繼陽VoQuangSang米德伶
    中國環(huán)境科學(xué) 2015年2期
    關(guān)鍵詞:降維光譜向量

    湯 斌,趙敬曉,魏 彪,蔣上海,羅繼陽,Vo Quang Sang ,馮 鵬,米德伶

    (重慶大學(xué)光電技術(shù)及系統(tǒng)教育部重點(diǎn)實驗室,重慶 400044)

    一種紫外-可見光譜檢測水質(zhì)COD預(yù)測模型優(yōu)化方法

    湯 斌,趙敬曉,魏 彪*,蔣上海,羅繼陽,Vo Quang Sang ,馮 鵬,米德伶

    (重慶大學(xué)光電技術(shù)及系統(tǒng)教育部重點(diǎn)實驗室,重慶 400044)

    針對紫外-可見光譜法檢測水質(zhì)COD預(yù)測模型的精度低和收斂速度慢等問題,研究了一種基于粒子群算法聯(lián)合最小二乘支持向量機(jī)(PSO_LSSVM)的水質(zhì)檢測COD預(yù)測模型優(yōu)化方法,并引入主元分析(PCA)算法對模型輸入光譜數(shù)據(jù)進(jìn)行降維預(yù)處理,借以提高模型的收斂速度.結(jié)果表明,利用粒子群(PSO)算法收斂速度快和全局優(yōu)化能力,優(yōu)化了最小二乘支持向量機(jī)(LSSVM)模型的懲罰因子和核函數(shù)參數(shù),避免了人為選擇參數(shù)的盲目性,克服了傳統(tǒng)LSSVM預(yù)測模型的精度較低、穩(wěn)健性較差等缺點(diǎn).通過以收斂時間、預(yù)測平均相對誤差(MRE)和均方根誤差(RMSE)為評價標(biāo)準(zhǔn)進(jìn)行評估,輸入樣本經(jīng)過PCA降維預(yù)處理的PSO_LSSVM模型的預(yù)測能力和輸入樣本未經(jīng)過降維預(yù)處理的LSSVM模型與PSO_LSSVM模型進(jìn)行了比較分析,輸入樣本經(jīng)過PCA降維預(yù)處理的PSO_LSSVM模型預(yù)測效果最優(yōu),且此算法使用C語言實現(xiàn),易于移植,這為紫外-可見光譜水質(zhì)COD在線、實時性檢測奠定了基礎(chǔ).

    水質(zhì)COD;紫外-可見光譜法;預(yù)測模型;PCA;PSO_LSSVM

    COD是反映水體受還原性物質(zhì)污染的程度,它既是衡量水質(zhì)狀況的最重要參數(shù)之一,也是水質(zhì)監(jiān)測中的必測項目[1].傳統(tǒng)的化學(xué)法檢測水質(zhì)COD因其需要使用大量試劑而存在二次污染、周期長等缺點(diǎn),以致不適于水質(zhì)監(jiān)測的實時性要求.于是,可實現(xiàn)在線、原位測量水質(zhì)COD的紫外-可見光譜法受到廣泛關(guān)注,發(fā)展前景良好[2].

    本質(zhì)上,采用紫外-可見光譜法實現(xiàn)在線、原位的水質(zhì)COD檢測,即是構(gòu)建基于紫外-可見光譜法的水質(zhì)COD預(yù)測模型,它是通過建立水樣的紫外-可見光譜數(shù)據(jù)與水質(zhì)COD之間的數(shù)學(xué)模型,以此模型為基礎(chǔ),依據(jù)新水樣的光譜數(shù)據(jù)借以預(yù)測其相應(yīng)的水質(zhì)COD.因此,水質(zhì)COD模型的預(yù)測精度取決于建模方法[3].

    目前,代表性的建模方法有:偏最小二乘、主成分回歸、最小二乘和最小二乘支持向量機(jī)(LSSVM)算法等.俞祿等[3]在比較幾種建模方法的應(yīng)用研究中得出,LSSVM模型的預(yù)測精度較高.然而,若直接將LSSVM算法用于建模,則在實際工程應(yīng)用過程中就不可避免地出現(xiàn)泛化能力和穩(wěn)健性較差等問題[4].其原因是:采用LSSVM模型進(jìn)行預(yù)測時,其預(yù)測能力主要依賴于懲罰因子γ和核函數(shù)σ參數(shù).因此,確定合適的參數(shù)γ和σ則是要解決的關(guān)鍵問題.姚全珠等[5]提出基于粒子群優(yōu)化算法(PSO)的LSSVM特征選擇與參數(shù)優(yōu)化算法,證明了使用PSO優(yōu)化LSSVM參數(shù)的有效性.但是,將PSO算法聯(lián)合LSSVM用于光譜法水質(zhì)COD檢測的預(yù)測模型中,目前鮮見有文獻(xiàn)報道.有鑒于此,本文研究了一種基于粒子群優(yōu)化聯(lián)合最小二乘支持向量機(jī)(PSO_LSSVM)的檢測水質(zhì)COD建模方法.利用PSO算法收斂速度快、精度高和全局優(yōu)化能力的優(yōu)點(diǎn),可使LSSVM模型的懲罰因子γ和核函數(shù)σ參數(shù)達(dá)到最佳值,以此提高LSSVM模型的預(yù)測精度.此外,采用主元分析(PCA)算法對模型輸入光譜數(shù)據(jù)進(jìn)行降維預(yù)處理[6],從高維光譜數(shù)據(jù)中提取能夠綜合反映水質(zhì)COD的相互獨(dú)立的光譜數(shù)據(jù),借以加快模型收斂速度和降低計算復(fù)雜度.

    1 原理及方法

    1.1 主成分分析算法(PCA)

    通常情況,高維數(shù)據(jù)包含大量冗余、隱藏重要關(guān)系的相關(guān)性,導(dǎo)致計算工作量增加以及影響決策有效性與可靠性.PCA降維目的,是將多變量的復(fù)雜問題簡化為少變量的簡單問題,步驟如下[7]:①將M個N維樣本,組成樣本矩陣,進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化;②計算樣本矩陣相關(guān)系數(shù)矩陣;③計算相關(guān)系數(shù)矩陣的特征向量及其對應(yīng)的特征值;④計算特征值貢獻(xiàn)率,確定主成分.

    1.2 最小二乘支持向量機(jī)算法(LSSVM)

    LSSVM原理[8]可表述為:對于給定的樣本集為n維輸入向量,yi為一維輸出向量,n為樣本數(shù).LSSVM構(gòu)造如下最小化目標(biāo)函數(shù)及其約束條件:

    式(1)中,ω∈Rn為權(quán)向量;γ為正規(guī)化參數(shù);ek為誤差變量;φ( χk)是將輸入向量映射到高維特征空間的函數(shù);b∈R為偏置參數(shù).于是,相應(yīng)的Lagrange函數(shù)為:

    式(2)中,αk為Lagrange乘子.通過KKT最優(yōu)條件,可將(2)式轉(zhuǎn)化為如下線性方程組:

    利用最小二乘算法求解式(3)線性方程組,即得α和b值,由此,得到預(yù)測模型的決策函數(shù):

    由以上推導(dǎo)過程可知,通過采用最小二乘價值函數(shù)和等式約束,可以將求解的優(yōu)化問題轉(zhuǎn)化成線性方程.此外,采用徑向基核函數(shù)的LSSVM,僅需確定γ,σ兩個參數(shù),大大減少算法的復(fù)雜性.

    1.3 粒子群優(yōu)化算法(PSO)

    PSO算法[10]中,每個優(yōu)化問題的潛在解都是搜索空間中的一只鳥,稱之為粒子,每個粒子都有位置、飛行速度、飛行方向和飛行步長.PSO算法首先初始化一群隨機(jī)粒子,通過多次迭代搜索最優(yōu)解.在每一次迭代中,粒子通過跟蹤兩個"極值"來更新自己下一次迭代的位置和飛行速度:第一個,就是粒子本身所找到的最優(yōu)解,即個體極值;另一個,極值是所有粒子目前找到的最優(yōu)解,即全局極值.算法描述如下:

    在一個D維解的目標(biāo)搜索空間,有N個粒子組成一個群體,假設(shè)第i個粒子的位置向量為χi=(χi1,χi2,…,χiD),速度向量為vi=(vi1,vi 2,…,viD),根據(jù)各粒子的適應(yīng)度值來評價其優(yōu)劣,并找到當(dāng)前時刻的個體極值pi=(pi1,pi2,…,piD)和全局極值pg=(pg1,pg2,…,pgD).對于第t次迭代,其第d維(1≤d≤D)根據(jù)下列方程更新:

    式(5)中,r1和r2為[0,1]之間的隨機(jī)數(shù);c1和c2為學(xué)習(xí)因子;w為慣性權(quán)重.在每一維,粒子都有一個最大限制速度Vmax,如果某一維的速度超過設(shè)定的Vmax,那么,這一維的速度就等于Vmax.

    圖1 PSO_LSSVM算法流程示意Fig.1 Flow Chart of PSO_LSSVM Algorithm

    在PSO算法中,慣性權(quán)重w選擇很關(guān)鍵,較大的有較好的全局搜索能力,而較小的有較強(qiáng)的局部搜索能力,以此其值應(yīng)隨著迭代次數(shù)的增加而減小,從而調(diào)整算法的搜素能力,以達(dá)到優(yōu)化目的[11].一般定義為:

    式(6)中,tmax為總的迭代次數(shù),t為當(dāng)前迭代次數(shù),wmax、wmin分別為最大和最小權(quán)重因子.

    1.4 粒子群算法聯(lián)合最小二乘支持向量機(jī)(PSO-LSSVM)的參數(shù)優(yōu)化

    2 實驗結(jié)果與分析

    2.1 實驗材料

    實驗中,水樣樣本共54組,取自于某市的河流地表水、生活污水和工業(yè)廢水.光源為氘-鹵鎢燈,光譜儀為OceanOptics公司的Maya2000紫外-可見光譜儀,每條光譜數(shù)據(jù)點(diǎn)為2048個.本實驗中,每條光譜數(shù)據(jù)對應(yīng)COD值,采用GB11914-89《重鉻酸鹽法水質(zhì)化學(xué)需氧量的測定》[12]方法測量.

    2.2 結(jié)果與討論

    2.2.1 PCA降維結(jié)果 首先,對獲得的光譜數(shù)據(jù)進(jìn)行去噪、濁度校正處理;然后,采用PCA算法對構(gòu)成的輸入樣本矩陣進(jìn)行冗余信息剔除.分析結(jié)果,如表1所示(由于篇幅有限,圖中僅列出前8個特征值及其貢獻(xiàn)率和累計貢獻(xiàn)率).從表1可以看到,第一主成分獲得全部變化方差的50.1%,第一主成分獲取全部變化方差的26.16%,前7個主成分的累計貢獻(xiàn)率已到達(dá)95.43%,足以代替原始因子所代表的全部信息.通過進(jìn)一步變換,可以得到7個主成分與54個樣本間的相關(guān)矩陣[13],即預(yù)測模型新樣本矩陣,如表2所示.

    2.2.2 預(yù)測模型精度分析 針對54組實驗樣本,隨機(jī)選取40組作為模型訓(xùn)練樣本模, 14組作為預(yù)測樣本.本文PSO算法的參數(shù)設(shè)置為:粒子群算法種群規(guī)模N=100,r1, r2屬于[0,1], c1=c2= 1.8,D=2,最大迭代次數(shù)tmax=1000,wmax=0.94,wmin=0.4.算法采用標(biāo)準(zhǔn)C語言實現(xiàn),使用VC++ 6.0軟件工具,缺省編譯器優(yōu)化選型進(jìn)行編譯.最終得到的優(yōu)化參數(shù)是:C=268.354,σ=10.489.輸入樣本未經(jīng)過降維預(yù)處理的LSSVM模型、PSO_LSSVM模型預(yù)測結(jié)果擬合圖,分別如圖2、圖3所示,簡稱為LSSVM模型、PSO_LSSVM模型.輸入樣本經(jīng)過PCA降維預(yù)處理的PSO_LSSVM模型的預(yù)測結(jié)果擬合圖,如圖4所示,稱之為PCA_PSO_LSSVM模型.

    表1 特征值及主成分貢獻(xiàn)率Table 1 Eigenvalues and principal component contribution rate

    表2 主成分矩陣Table 2 Principal components analysis matrix

    圖2 LSSVM模型預(yù)測值與實際值比較曲線Fig.2 Comparison between the predicted value by LSSVM and the measured value by chemical method

    從圖2~圖4可得, LSSVM模型參數(shù)經(jīng)過PSO優(yōu)化之后,模型預(yù)測結(jié)果擬合精度得到大大提高;與PSO_LSSVM模型相比較,PCA_PSO_ LSSVM模型預(yù)測結(jié)果,雖然擬合精度整體上提升不大,但是第9、10 這2個樣本點(diǎn),其擬合精度得到提高.

    圖3 PSO_LSSVM模型預(yù)測值與實際值比較曲線Fig.3 Comparison between the predicted value by PSO_LSSVM and the measured value by chemical meth

    以收斂時間、預(yù)測平均相對誤差(MRE)和均方根誤差(RMSE)為評價標(biāo)準(zhǔn),進(jìn)一步對比以上3個模型的預(yù)測性能.由表3可得,相對傳統(tǒng)的LSSVM模型,PSO_LSSVM模型的MRE、RMSE提升幅度分別為71.21%和48.36%,模型精度明顯得到提高;相對PSO-LSSVM模型,PCAPSO-LSSVM 模型預(yù)測精度雖沒有明顯優(yōu)勢,其收斂速度大大加快,使用時間僅為9s,遠(yuǎn)少于PCA-PSO-SSVM的用時96s.此外,通過統(tǒng)計分析,PCA-PSO-LSSVM模型中,最大相對誤差僅為5.83%,基本可以實現(xiàn)水質(zhì)COD的在線、實時性檢測.

    圖4 PCA_PSO_LSSVM模型預(yù)測值與實際值比較曲線Fig.4 Comparison between the predicted value by PCA_PSO_LSSVM and the measured value by chemical method

    表3 模型預(yù)測效果評價Table 3 Evaluation table of model predictions

    3 結(jié)語

    本文研究了一種基于粒子群算法聯(lián)合最小二乘支持向量機(jī)(PSO_LSSVM)預(yù)測水質(zhì)COD模型的優(yōu)化方法,進(jìn)而通過引入PCA算法對模型輸入光譜數(shù)據(jù)進(jìn)行降維預(yù)處理以提高模型的收斂速度.研究結(jié)果表明,基于PSO算法聯(lián)合LSSVM優(yōu)化模型參數(shù),克服了LSSVM模型的精度較低、泛化能力和穩(wěn)健性較差等缺點(diǎn),較之于傳統(tǒng)的LSSVM模型,其MRE 、RMSE提升幅度分別為71.21%和48.36%,模型精度明顯得到提高;PCA算法的引入,收斂時間由96s降為9s,節(jié)約90s,大大加速了PSO_LSSVM預(yù)測模型的收斂速度.

    [1]劉子毓.紫外法水質(zhì)COD檢測的理論與實驗研究 [D]. 天津:天津大學(xué), 2010.

    [2]Liu Ziyu. Theoretical and experimental studies on the measurement of COD in water using ultraviolet spectrum method[D]. Tianjin: Univ. of Tianjin, 2010.

    [3]李玉春.基于紫外可見光譜的水下多參數(shù)水質(zhì)檢測技術(shù)研究[D]. 天津:天津大學(xué), 2011.

    [4]Li Yuchun. Research on the submersible muli-prameter water quality monitoring technology based on UV-visible spectra [D]. Tianjin: Univ. of Tianjin, 2011.

    [5]俞 祿,王雪潔,明 倩,等.幾種建模方法在光譜水質(zhì)分析中的應(yīng)用和比較 [C]//中國自動化學(xué)會控制理論專業(yè)委員會b卷,2011:5227-5230.

    [6]Yu Lu, Wang XueJie, Ming Qian, et al. Application and comparison of several modeling methods in spectral based water quality analysis [C]//Control Conference (CCC), 2011 30th Chinese. IEEE, 2011:5227-5230.

    [7]龍 文,焦建軍,龍祖強(qiáng).基于PSO優(yōu)化LSSVM的未知模型混沌系統(tǒng)控制 [J]. 物理學(xué)報, 2011,60(11):112-117.

    [8]Long Wen, Jiao JianJun, Long ZuQiang. Control of chaos solely based on PSO-LSSVM without using an analytical mod [J]. Acta Physica Sinica, 2011,60(11):112-117.

    [9]姚全珠,蔡 婕.基于PSO的LS-SVM特征選擇與參數(shù)優(yōu)化算法 [J]. 計算機(jī)工程與應(yīng)用, 2010,(1):134-136.

    [10]Yao Quanzhu, Can Jie. Feature selection and LSSVM parameters optimization algorithm based on PSO. Computer Engineering and Applications, 2010,46(1):134-136.

    [11]吳元清,杜樹新,嚴(yán) 赟.水體有機(jī)污染物濃度檢測中的紫外光譜分析方法 [J]. 光譜學(xué)與光譜分析, 2011,31(1):233-237.

    [12]Wu Yuanqing, Du Shuxin, Yan Yun. Ultraviolet spectrum analysis methods for detecting the concentration of organic pollutants in Water [J]. Spectroscopy and Spectral Analysis, 2011,31(1):233-237.

    [13]魏遠(yuǎn)隆,尹昌海,陳貴平,等.近紅外光譜結(jié)合主成分分析鑒別不同產(chǎn)地的南豐蜜桔 [J]. 光譜學(xué)與光譜分析, 2013,33(11):3024-3027.

    [14]Huang J, Zhang W. Identification of nanfeng mandarin from different origins by using near infrared spectroscopy coupled withprincipal components analysis [J]. Spectroscopy and Spectral Analysis, 2013,33(11):3024-3027.

    [15]徐麗莎,錢曉山.基于變異CPSO算法的LSSVM出水COD的軟測量研究 [J]. 環(huán)境工程學(xué)報, 2012,5:011.

    [16]Xu Lisha, Qian Xiaoshan. Soft sensor study of effluent COD based on mutant CPSO and LSSVM [J]. Chinese Journal of Environmental Engineering, 2012,5:011.

    [17]周秀軍,戴連奎.基于最小二乘支持向量機(jī)的橄欖油摻雜拉曼快速鑒別方法 [J]. 光散射學(xué)報, 2013,25(2):176-182.

    [18]Zhou Xiujun, Dai Liankui. Fast discrimination of olive oil adulteration based on raman spectra using least squares support vector machine [J]. The Journal of Light Scattering, 2013,25(2):176-182.

    [19]楊 維,李歧強(qiáng).粒子群優(yōu)化算法綜述 [J]. 中國工程科學(xué),2004,6(5):87-94.

    [20]Wei Y, Qiqiang L. Survey on particle swarm optimization algorithm [J]. Engineering Science, 2004,5(5):87-94.

    [21]徐松金,龍 文.基于粒子群優(yōu)化最小二乘向量機(jī)的地震預(yù)測模型 [J]. 西北地震學(xué)報, 2012,34(3):220-223.

    [22]Xu Songjin, Long Wen. Earthquake forecast model based on the partical swarm optimization algorithm used in LSSVM [J]. Northwestern Seismological Jouranl, 2012,34(3):220-223.

    [23]顧 建,趙友全,郭 翼,等.一種投入式光譜法紫外水質(zhì)監(jiān)測系統(tǒng) [J]. 安全與環(huán)境學(xué)報, 2012,12(6):98-102.

    [24]Gu Jian, Zhao Youquan, Guo Yi, et al. On submersible water-quality monitoring systems based on spectral ultraviolet method [J]. Journal of Safety and Environment, 2012,6:022.

    [25]方紅衛(wèi),孫世群,朱雨龍,等.主成分分析法在水質(zhì)評價中的應(yīng)用及分析 [J]. 環(huán)境科學(xué)與管理, 2009,34(12):152-154.

    [26]Fang Hongwei, Sun Shiqun, Zhu Yulong. Principal component analysis apply in water quality assessment [J]. Environmental Science and Management, 2009,34(12):152-154.

    致謝:實驗的由四川碧朗科技的化學(xué)工程師協(xié)助完成,在此表示感謝.

    A method of optimizing the prediction model for the determination of water COD by using UV-visible spectroscopy.

    TANG Bin, ZHAO Jing-xiao, WEI Biao*, JING Shang-hai, LUO Ji-yang, VO Quang Sang, FENG Peng, MI De-ling
    (Key Laboratory of Optoelectronic Technology and Systems, Ministry of Education, Chongqing University, Chongqing 400044,China).

    China Environmental Science, 2015,35(2):478~483

    There are some problems in the prediction model of the determination of water COD by using UV-visible spectroscopy, such as low precision and slow convergence speed. This paper studied an optimization method based on particle swarm optimization algorithm in combination with least squares support vector machine algorithm, and introduced the principal component analysis (PCA) algorithm to reduce the dimension of the input data in order to improve the convergence speed of the model. PSO had the ability of fast convergence speed and global optimization. The penalty factor and the kernel function parameter of the traditional LSSVM model had been optimized by PSO to overcome the blindness of selecting parameters manually and disadvantages of LSSVM prediction model of low precision, poor robustness. LSSVM model and PSO_LSSVM model had been established, which the dimensionality of input data had not been reduced. PSO_LSSVM prediction model had been established, which the dimensionality of input data had been reduced by PCA. Comparisons were conducted by computing the evaluation standard of the convergence time, average relative prediction error (MRE) and root mean square error (RMSE), and result were that the prediction ability of PSO_LSSVM model which using PCA superior than other two. The algorithm of the model were achieved by C language which more easy to transplant, and laid the foundation for real-time, online determination of Water COD by using UV -visible spectroscopy.

    water quality COD;UV-Vis spectroscopy;prediction model;PCA;PSO_LSSVM

    X703

    A

    1000-6923(2015)02-0478-06

    湯 斌(1985-),男,重慶人,重慶大學(xué)博士研究生,主要研究方向為光電檢測與成像技術(shù).發(fā)表論文12篇.

    2014-06-12

    四川省科技支撐計劃項目(2012SZ0111)

    * 責(zé)任作者, 教授, weibiao@cqu.edu.cn

    猜你喜歡
    降維光譜向量
    Three-Body’s epic scale and fiercely guarded fanbase present challenges to adaptations
    基于三維Saab變換的高光譜圖像壓縮方法
    向量的分解
    聚焦“向量與三角”創(chuàng)新題
    降維打擊
    海峽姐妹(2019年12期)2020-01-14 03:24:40
    向量垂直在解析幾何中的應(yīng)用
    向量五種“變身” 玩轉(zhuǎn)圓錐曲線
    星載近紅外高光譜CO2遙感進(jìn)展
    苦味酸與牛血清蛋白相互作用的光譜研究
    拋物化Navier-Stokes方程的降維仿真模型
    計算物理(2014年1期)2014-03-11 17:00:18
    在线亚洲精品国产二区图片欧美| 亚洲精品av麻豆狂野| 日韩不卡一区二区三区视频在线| 久久人妻熟女aⅴ| 99re6热这里在线精品视频| 考比视频在线观看| 免费黄频网站在线观看国产| 久久精品国产a三级三级三级| 少妇人妻精品综合一区二区| 国产精品嫩草影院av在线观看| 亚洲精品久久午夜乱码| 亚洲国产欧美在线一区| 日韩一卡2卡3卡4卡2021年| 久久99蜜桃精品久久| 人成视频在线观看免费观看| 女性生殖器流出的白浆| 精品酒店卫生间| 十八禁网站网址无遮挡| 欧美黄色片欧美黄色片| 久热这里只有精品99| 久久国产精品男人的天堂亚洲| av线在线观看网站| 老汉色∧v一级毛片| 97人妻天天添夜夜摸| 精品卡一卡二卡四卡免费| 男女国产视频网站| 欧美中文综合在线视频| 亚洲av福利一区| 日韩大片免费观看网站| 一本色道久久久久久精品综合| 日韩制服骚丝袜av| 亚洲色图 男人天堂 中文字幕| 91aial.com中文字幕在线观看| 最新的欧美精品一区二区| 中文天堂在线官网| 午夜福利在线观看免费完整高清在| 国产白丝娇喘喷水9色精品| 看十八女毛片水多多多| 黄色配什么色好看| 高清视频免费观看一区二区| 亚洲精华国产精华液的使用体验| 欧美老熟妇乱子伦牲交| 免费看不卡的av| 秋霞伦理黄片| 少妇被粗大的猛进出69影院| 欧美在线黄色| 久久久a久久爽久久v久久| 丝瓜视频免费看黄片| 久久精品国产a三级三级三级| 国产深夜福利视频在线观看| 亚洲av在线观看美女高潮| 韩国精品一区二区三区| 精品亚洲乱码少妇综合久久| 国产亚洲av片在线观看秒播厂| 成年女人在线观看亚洲视频| 久久久久久人妻| 国产一级毛片在线| 三上悠亚av全集在线观看| www.自偷自拍.com| 乱人伦中国视频| 97在线人人人人妻| 九九爱精品视频在线观看| 伊人久久国产一区二区| 国产乱人偷精品视频| 日日啪夜夜爽| 天天影视国产精品| 欧美在线黄色| 欧美97在线视频| 巨乳人妻的诱惑在线观看| 巨乳人妻的诱惑在线观看| 国产又爽黄色视频| 1024香蕉在线观看| 久久精品熟女亚洲av麻豆精品| 一区福利在线观看| 赤兔流量卡办理| 国产av一区二区精品久久| 免费在线观看完整版高清| 国产在线免费精品| 欧美激情高清一区二区三区 | 久久久久国产网址| 久久精品人人爽人人爽视色| 免费女性裸体啪啪无遮挡网站| 美女大奶头黄色视频| 日韩av在线免费看完整版不卡| 波多野结衣一区麻豆| 99热网站在线观看| 男女边吃奶边做爰视频| 人人澡人人妻人| xxxhd国产人妻xxx| 咕卡用的链子| 午夜激情av网站| 久热久热在线精品观看| 久久久久久人人人人人| 少妇精品久久久久久久| 两个人免费观看高清视频| 亚洲国产精品999| 久久久久久久久久久免费av| 久久人妻熟女aⅴ| 亚洲精品日韩在线中文字幕| 免费播放大片免费观看视频在线观看| 国产一区亚洲一区在线观看| 亚洲精品国产一区二区精华液| 黑人欧美特级aaaaaa片| 亚洲国产欧美网| 男男h啪啪无遮挡| 观看美女的网站| 天天躁日日躁夜夜躁夜夜| 亚洲国产色片| 热re99久久精品国产66热6| 狠狠精品人妻久久久久久综合| 国产野战对白在线观看| 精品人妻在线不人妻| 在线精品无人区一区二区三| 你懂的网址亚洲精品在线观看| 久久久亚洲精品成人影院| 只有这里有精品99| 99香蕉大伊视频| 成年女人毛片免费观看观看9 | 国产精品一国产av| 黄片无遮挡物在线观看| 少妇人妻 视频| 精品午夜福利在线看| 国产精品一区二区在线不卡| 黑人欧美特级aaaaaa片| 男男h啪啪无遮挡| 丝袜脚勾引网站| 自线自在国产av| 国产午夜精品一二区理论片| 久久久久精品人妻al黑| 五月开心婷婷网| 久久国产精品大桥未久av| 欧美精品人与动牲交sv欧美| 哪个播放器可以免费观看大片| 久久久精品国产亚洲av高清涩受| 久久久国产一区二区| 亚洲,一卡二卡三卡| 久久国内精品自在自线图片| 人妻少妇偷人精品九色| 如何舔出高潮| 国产xxxxx性猛交| 国产探花极品一区二区| 国产av码专区亚洲av| 亚洲精品自拍成人| 亚洲一级一片aⅴ在线观看| 天堂8中文在线网| 热99国产精品久久久久久7| 久久久久久人妻| 成人午夜精彩视频在线观看| 黄片小视频在线播放| 波野结衣二区三区在线| 国产熟女午夜一区二区三区| 最近中文字幕高清免费大全6| 妹子高潮喷水视频| 欧美黄色片欧美黄色片| 汤姆久久久久久久影院中文字幕| 久久久久视频综合| 黑人猛操日本美女一级片| 亚洲国产欧美网| 亚洲精品中文字幕在线视频| 国产爽快片一区二区三区| 赤兔流量卡办理| 在线天堂最新版资源| 青草久久国产| 日韩不卡一区二区三区视频在线| 欧美精品av麻豆av| 婷婷色综合www| 妹子高潮喷水视频| 免费黄网站久久成人精品| 日韩电影二区| 亚洲av电影在线进入| 欧美精品一区二区大全| 亚洲国产av新网站| 男女高潮啪啪啪动态图| 99久久综合免费| 国产日韩欧美视频二区| 97在线人人人人妻| 赤兔流量卡办理| 国产精品久久久久久久久免| 国产免费又黄又爽又色| 成人免费观看视频高清| 日韩精品有码人妻一区| 丰满乱子伦码专区| 卡戴珊不雅视频在线播放| 少妇人妻精品综合一区二区| 亚洲国产精品国产精品| 欧美人与善性xxx| 亚洲av日韩在线播放| 国产国语露脸激情在线看| 丰满迷人的少妇在线观看| 欧美国产精品va在线观看不卡| 日韩中文字幕欧美一区二区 | 婷婷色综合大香蕉| 一级片'在线观看视频| 好男人视频免费观看在线| 久久久久国产精品人妻一区二区| 涩涩av久久男人的天堂| 国产成人午夜福利电影在线观看| videosex国产| 满18在线观看网站| 欧美日韩一级在线毛片| 久久ye,这里只有精品| 我要看黄色一级片免费的| 免费看av在线观看网站| 一级爰片在线观看| 性高湖久久久久久久久免费观看| 超色免费av| 99热网站在线观看| 丰满迷人的少妇在线观看| a级毛片黄视频| 伊人久久国产一区二区| 国产成人一区二区在线| 精品国产乱码久久久久久男人| 久久精品国产自在天天线| 精品一区在线观看国产| 在现免费观看毛片| 乱人伦中国视频| 欧美激情 高清一区二区三区| 伊人亚洲综合成人网| 国产成人91sexporn| 日本爱情动作片www.在线观看| 日韩 亚洲 欧美在线| 精品亚洲成国产av| 亚洲av电影在线进入| 哪个播放器可以免费观看大片| 丰满迷人的少妇在线观看| 色婷婷久久久亚洲欧美| av线在线观看网站| 亚洲在久久综合| 1024视频免费在线观看| 亚洲欧美成人综合另类久久久| 亚洲内射少妇av| 99久久精品国产国产毛片| 97在线人人人人妻| 国产在线免费精品| 亚洲熟女精品中文字幕| 欧美少妇被猛烈插入视频| 亚洲av免费高清在线观看| 天天躁夜夜躁狠狠躁躁| 久久久久精品人妻al黑| 亚洲精品,欧美精品| 97在线视频观看| 国产精品久久久久成人av| 黄色 视频免费看| 欧美激情 高清一区二区三区| 男女啪啪激烈高潮av片| 女人精品久久久久毛片| 一区二区三区四区激情视频| 亚洲精品在线美女| 宅男免费午夜| 男女边摸边吃奶| 97在线视频观看| 欧美 亚洲 国产 日韩一| 国产亚洲精品第一综合不卡| 91精品三级在线观看| 成人手机av| 欧美中文综合在线视频| 国语对白做爰xxxⅹ性视频网站| 热re99久久精品国产66热6| 久热这里只有精品99| 精品人妻偷拍中文字幕| 国产成人精品婷婷| 亚洲精品日本国产第一区| 国产欧美日韩一区二区三区在线| 免费看不卡的av| 亚洲av国产av综合av卡| 免费久久久久久久精品成人欧美视频| 我要看黄色一级片免费的| 国产日韩欧美亚洲二区| 99国产综合亚洲精品| 搡女人真爽免费视频火全软件| 日日爽夜夜爽网站| 久久人人97超碰香蕉20202| 性高湖久久久久久久久免费观看| 最新中文字幕久久久久| 国产精品一区二区在线不卡| 曰老女人黄片| 精品一品国产午夜福利视频| 亚洲精品自拍成人| 亚洲国产av新网站| 午夜福利视频精品| 午夜精品国产一区二区电影| 不卡视频在线观看欧美| 欧美人与性动交α欧美精品济南到 | 欧美日韩综合久久久久久| 人人妻人人澡人人看| 日日摸夜夜添夜夜爱| 久久久精品区二区三区| 亚洲男人天堂网一区| 如日韩欧美国产精品一区二区三区| 伦理电影免费视频| 久久久久国产精品人妻一区二区| av视频免费观看在线观看| 久久久亚洲精品成人影院| 国产精品一区二区在线不卡| 日韩一区二区三区影片| 人妻一区二区av| 成人手机av| 超碰成人久久| 日韩欧美一区视频在线观看| 婷婷色麻豆天堂久久| 午夜免费鲁丝| 亚洲av综合色区一区| 欧美人与善性xxx| 街头女战士在线观看网站| 亚洲精品av麻豆狂野| 伊人久久大香线蕉亚洲五| 久久久久久久久久久免费av| 99久久中文字幕三级久久日本| 日韩免费高清中文字幕av| 精品国产一区二区三区四区第35| 国产精品 国内视频| 一级毛片电影观看| 久久久精品区二区三区| www.av在线官网国产| 菩萨蛮人人尽说江南好唐韦庄| 2021少妇久久久久久久久久久| 久热这里只有精品99| 欧美精品一区二区免费开放| 日日摸夜夜添夜夜爱| 欧美av亚洲av综合av国产av | 美女大奶头黄色视频| 国产视频首页在线观看| 亚洲av综合色区一区| 国产精品一区二区在线观看99| av免费在线看不卡| a 毛片基地| 精品人妻熟女毛片av久久网站| 亚洲av男天堂| 亚洲av免费高清在线观看| 久热这里只有精品99| 国产 一区精品| 一级毛片我不卡| 亚洲国产看品久久| 男女啪啪激烈高潮av片| 9色porny在线观看| 熟妇人妻不卡中文字幕| 久久精品国产亚洲av高清一级| 国产精品欧美亚洲77777| 999精品在线视频| 精品国产一区二区三区久久久樱花| 国产男女内射视频| 黄网站色视频无遮挡免费观看| 亚洲中文av在线| 极品人妻少妇av视频| 欧美日韩av久久| 不卡视频在线观看欧美| 精品一区二区三区四区五区乱码 | 日韩一区二区视频免费看| 在线观看免费日韩欧美大片| 亚洲 欧美一区二区三区| 少妇 在线观看| 晚上一个人看的免费电影| 亚洲情色 制服丝袜| freevideosex欧美| 久久毛片免费看一区二区三区| 国产片特级美女逼逼视频| 亚洲四区av| 国产野战对白在线观看| 日本-黄色视频高清免费观看| 国产视频首页在线观看| 免费黄网站久久成人精品| 久久精品国产亚洲av高清一级| 色哟哟·www| 啦啦啦啦在线视频资源| 在线天堂中文资源库| 国产一区亚洲一区在线观看| 97精品久久久久久久久久精品| 日韩,欧美,国产一区二区三区| 在线观看三级黄色| 久久久久久免费高清国产稀缺| 夫妻性生交免费视频一级片| 国产精品免费大片| 亚洲av综合色区一区| 在线天堂最新版资源| 日韩成人av中文字幕在线观看| 在线观看人妻少妇| 日韩av不卡免费在线播放| 日本av手机在线免费观看| 国产野战对白在线观看| 日韩一本色道免费dvd| 午夜日韩欧美国产| 国产av一区二区精品久久| 五月伊人婷婷丁香| 亚洲av免费高清在线观看| 黄片小视频在线播放| 爱豆传媒免费全集在线观看| 国产乱来视频区| 国产精品一区二区在线观看99| 国产亚洲午夜精品一区二区久久| 美女视频免费永久观看网站| 一级毛片黄色毛片免费观看视频| 国产亚洲午夜精品一区二区久久| 亚洲美女搞黄在线观看| 亚洲av欧美aⅴ国产| 中文字幕av电影在线播放| 精品一区二区三卡| 黄片无遮挡物在线观看| 一本大道久久a久久精品| 欧美人与善性xxx| 最近最新中文字幕免费大全7| 99热全是精品| 一级毛片黄色毛片免费观看视频| 综合色丁香网| 久久国产精品男人的天堂亚洲| 大香蕉久久成人网| 中文字幕精品免费在线观看视频| 久久亚洲国产成人精品v| 国产极品粉嫩免费观看在线| 久久久久网色| 黄色一级大片看看| www.精华液| 精品99又大又爽又粗少妇毛片| 制服丝袜香蕉在线| 精品少妇久久久久久888优播| 国产亚洲av片在线观看秒播厂| 亚洲人成电影观看| 高清欧美精品videossex| 欧美+日韩+精品| 国产精品人妻久久久影院| 国产一级毛片在线| a级毛片在线看网站| 国产免费一区二区三区四区乱码| 亚洲人成网站在线观看播放| 99热国产这里只有精品6| 欧美精品亚洲一区二区| 久久久国产精品麻豆| av天堂久久9| 国产亚洲av片在线观看秒播厂| 亚洲精品,欧美精品| 性色avwww在线观看| 深夜精品福利| 午夜激情久久久久久久| 熟妇人妻不卡中文字幕| 男女啪啪激烈高潮av片| 9191精品国产免费久久| 在线精品无人区一区二区三| 丰满乱子伦码专区| 涩涩av久久男人的天堂| 国产熟女午夜一区二区三区| 一本大道久久a久久精品| 日本黄色日本黄色录像| 涩涩av久久男人的天堂| 亚洲美女黄色视频免费看| 国产精品久久久久久精品电影小说| 欧美黄色片欧美黄色片| xxx大片免费视频| 日日啪夜夜爽| 人人妻人人澡人人看| 女的被弄到高潮叫床怎么办| av在线观看视频网站免费| 久热久热在线精品观看| 99久久中文字幕三级久久日本| 国产淫语在线视频| 青青草视频在线视频观看| 性高湖久久久久久久久免费观看| 亚洲av免费高清在线观看| 老鸭窝网址在线观看| 侵犯人妻中文字幕一二三四区| 成人黄色视频免费在线看| 黑人巨大精品欧美一区二区蜜桃| 午夜激情久久久久久久| 亚洲,欧美,日韩| 91精品伊人久久大香线蕉| 成年美女黄网站色视频大全免费| 国产日韩欧美视频二区| 精品国产一区二区久久| 美女中出高潮动态图| 两个人看的免费小视频| 色94色欧美一区二区| 老司机影院成人| 免费人妻精品一区二区三区视频| 99久久人妻综合| 一级片'在线观看视频| 亚洲国产精品999| 久久 成人 亚洲| 日本免费在线观看一区| 三级国产精品片| 人人妻人人澡人人看| 在线观看人妻少妇| 男女高潮啪啪啪动态图| 日韩熟女老妇一区二区性免费视频| 2021少妇久久久久久久久久久| 婷婷色麻豆天堂久久| 精品99又大又爽又粗少妇毛片| 国产精品人妻久久久影院| 国产精品不卡视频一区二区| 王馨瑶露胸无遮挡在线观看| 电影成人av| 国产精品蜜桃在线观看| 精品午夜福利在线看| 亚洲,欧美精品.| 好男人视频免费观看在线| 男的添女的下面高潮视频| 亚洲成人一二三区av| 国产成人免费观看mmmm| 日韩在线高清观看一区二区三区| 好男人视频免费观看在线| 美女大奶头黄色视频| 国产精品久久久久久久久免| av又黄又爽大尺度在线免费看| 欧美激情 高清一区二区三区| 午夜日韩欧美国产| 天天躁夜夜躁狠狠久久av| 在线亚洲精品国产二区图片欧美| 国产成人精品婷婷| 亚洲国产日韩一区二区| 国产老妇伦熟女老妇高清| 国产一区二区三区av在线| 午夜福利视频在线观看免费| 丰满迷人的少妇在线观看| 久久久久久久久久人人人人人人| 少妇人妻精品综合一区二区| 精品一区二区三区四区五区乱码 | 欧美人与性动交α欧美软件| 国产精品国产三级专区第一集| 丝瓜视频免费看黄片| 国产亚洲午夜精品一区二区久久| 五月开心婷婷网| 亚洲欧美中文字幕日韩二区| 精品国产乱码久久久久久小说| 亚洲国产看品久久| 啦啦啦在线免费观看视频4| 国产福利在线免费观看视频| 欧美日韩亚洲高清精品| 熟女少妇亚洲综合色aaa.| 国产欧美亚洲国产| 亚洲欧美中文字幕日韩二区| 久久久久精品久久久久真实原创| 日韩欧美一区视频在线观看| 99久久综合免费| 亚洲精品视频女| www.自偷自拍.com| 国产人伦9x9x在线观看 | 水蜜桃什么品种好| 搡女人真爽免费视频火全软件| 久热这里只有精品99| 男男h啪啪无遮挡| 日韩av不卡免费在线播放| 黑人巨大精品欧美一区二区蜜桃| 91久久精品国产一区二区三区| 欧美最新免费一区二区三区| 日韩一区二区三区影片| 成人国语在线视频| 十八禁网站网址无遮挡| 曰老女人黄片| 一区二区av电影网| kizo精华| 99久久精品国产国产毛片| 午夜av观看不卡| 国产精品久久久av美女十八| 久久精品久久精品一区二区三区| 欧美精品一区二区大全| 伊人久久大香线蕉亚洲五| 激情五月婷婷亚洲| 国产精品av久久久久免费| 人妻系列 视频| 女人精品久久久久毛片| 亚洲久久久国产精品| 久久久久网色| 亚洲美女视频黄频| 欧美老熟妇乱子伦牲交| 超碰成人久久| 精品国产乱码久久久久久小说| 久热这里只有精品99| 好男人视频免费观看在线| 久久99精品国语久久久| 国产日韩欧美在线精品| 中文字幕av电影在线播放| 91午夜精品亚洲一区二区三区| 亚洲少妇的诱惑av| 人人妻人人添人人爽欧美一区卜| 午夜福利网站1000一区二区三区| 免费黄网站久久成人精品| 欧美精品av麻豆av| 免费观看av网站的网址| 18禁动态无遮挡网站| 久久久精品94久久精品| 国产熟女欧美一区二区| 国产精品久久久久久久久免| 多毛熟女@视频| 丝袜美腿诱惑在线| 成人二区视频| 日本猛色少妇xxxxx猛交久久| 波野结衣二区三区在线| 热re99久久精品国产66热6| 国产亚洲欧美精品永久| 欧美最新免费一区二区三区| 性色av一级| av网站在线播放免费| 90打野战视频偷拍视频| 精品国产超薄肉色丝袜足j| 欧美日韩亚洲国产一区二区在线观看 | 高清不卡的av网站| 亚洲av欧美aⅴ国产| 极品少妇高潮喷水抽搐| 久久久久久久精品精品| 美女大奶头黄色视频| 黄色 视频免费看| 成人国语在线视频| 18+在线观看网站| 99久国产av精品国产电影| 又大又黄又爽视频免费| 国产xxxxx性猛交| 久久综合国产亚洲精品| 色网站视频免费| 国产亚洲一区二区精品| 国产激情久久老熟女| 叶爱在线成人免费视频播放| 国产精品久久久久久精品古装| www.精华液| 中文字幕另类日韩欧美亚洲嫩草| 女人被躁到高潮嗷嗷叫费观| 国产高清国产精品国产三级| 国产福利在线免费观看视频| 高清在线视频一区二区三区|