• <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
    国产美女午夜福利| 国产精品综合久久久久久久免费| 亚洲性久久影院| 国产精品一区二区三区四区免费观看| 99久久九九国产精品国产免费| av天堂在线播放| 变态另类丝袜制服| videossex国产| 一卡2卡三卡四卡精品乱码亚洲| av在线亚洲专区| 日本黄色视频三级网站网址| 精品国产三级普通话版| 一级毛片久久久久久久久女| 麻豆成人午夜福利视频| 啦啦啦韩国在线观看视频| 夜夜看夜夜爽夜夜摸| 免费看av在线观看网站| 成人午夜精彩视频在线观看| 欧美日韩一区二区视频在线观看视频在线 | 免费看a级黄色片| 欧美精品一区二区大全| av国产免费在线观看| 高清午夜精品一区二区三区 | 五月伊人婷婷丁香| 尾随美女入室| 国产在视频线在精品| 精品免费久久久久久久清纯| 此物有八面人人有两片| 亚洲乱码一区二区免费版| 搡女人真爽免费视频火全软件| 国产高清激情床上av| 中国美白少妇内射xxxbb| 久久久久网色| 在线天堂最新版资源| 天堂中文最新版在线下载 | 亚州av有码| 亚洲欧美精品自产自拍| 欧美高清性xxxxhd video| 久久久国产成人精品二区| 亚洲国产色片| 亚洲va在线va天堂va国产| 可以在线观看的亚洲视频| 精品无人区乱码1区二区| 内地一区二区视频在线| 九九爱精品视频在线观看| 亚洲国产精品合色在线| 亚洲激情五月婷婷啪啪| 91av网一区二区| 久久久午夜欧美精品| 夫妻性生交免费视频一级片| 日韩国内少妇激情av| 美女被艹到高潮喷水动态| 亚洲美女搞黄在线观看| 日韩大尺度精品在线看网址| 麻豆成人av视频| 插逼视频在线观看| 只有这里有精品99| 欧美一区二区国产精品久久精品| 一进一出抽搐动态| 天堂影院成人在线观看| 免费观看精品视频网站| 午夜爱爱视频在线播放| 日韩人妻高清精品专区| 三级国产精品欧美在线观看| 波多野结衣高清无吗| 欧美精品一区二区大全| 天天躁夜夜躁狠狠久久av| 麻豆久久精品国产亚洲av| 在线观看66精品国产| 国产免费一级a男人的天堂| 久久热精品热| 国产免费一级a男人的天堂| 国产蜜桃级精品一区二区三区| 天美传媒精品一区二区| 人妻少妇偷人精品九色| 国产v大片淫在线免费观看| 在线播放国产精品三级| 人人妻人人看人人澡| av在线蜜桃| 亚洲欧美精品专区久久| 亚洲精品乱码久久久久久按摩| 2022亚洲国产成人精品| 精品人妻视频免费看| 国产精品一区二区三区四区久久| 亚洲av熟女| 成人二区视频| 色综合色国产| 菩萨蛮人人尽说江南好唐韦庄 | 美女xxoo啪啪120秒动态图| 日韩 亚洲 欧美在线| 日本在线视频免费播放| 国产成人一区二区在线| 久久精品久久久久久久性| 中文字幕免费在线视频6| 欧美3d第一页| 麻豆乱淫一区二区| 人妻系列 视频| 亚洲人成网站在线播| 欧美变态另类bdsm刘玥| 人人妻人人澡人人爽人人夜夜 | 国产精品爽爽va在线观看网站| 超碰av人人做人人爽久久| 天美传媒精品一区二区| 麻豆精品久久久久久蜜桃| 99在线人妻在线中文字幕| 亚洲内射少妇av| 丰满乱子伦码专区| 少妇人妻精品综合一区二区 | av福利片在线观看| 久久久成人免费电影| 一夜夜www| 在线观看午夜福利视频| 免费看日本二区| 一边摸一边抽搐一进一小说| 韩国av在线不卡| 99热这里只有是精品50| 成年版毛片免费区| 成人国产麻豆网| 狠狠狠狠99中文字幕| 国产一级毛片在线| 国产伦在线观看视频一区| 大型黄色视频在线免费观看| 美女国产视频在线观看| 国产精品免费一区二区三区在线| 精品国产三级普通话版| 免费电影在线观看免费观看| 国产高清有码在线观看视频| 韩国av在线不卡| 青春草视频在线免费观看| 黄色日韩在线| 床上黄色一级片| 人妻系列 视频| 岛国毛片在线播放| 国产高清视频在线观看网站| 免费在线观看成人毛片| 免费看光身美女| 国产蜜桃级精品一区二区三区| 国内精品宾馆在线| 国产精品不卡视频一区二区| 久久亚洲精品不卡| 禁无遮挡网站| 美女被艹到高潮喷水动态| 久久99蜜桃精品久久| 女人十人毛片免费观看3o分钟| 尤物成人国产欧美一区二区三区| 国内精品美女久久久久久| 丰满乱子伦码专区| 成年av动漫网址| 不卡一级毛片| 国产精品女同一区二区软件| 亚洲国产精品国产精品| .国产精品久久| 天天躁夜夜躁狠狠久久av| 神马国产精品三级电影在线观看| 日韩制服骚丝袜av| 国产黄a三级三级三级人| 午夜免费激情av| 亚洲精品乱码久久久v下载方式| 日韩国内少妇激情av| 亚洲真实伦在线观看| 亚洲欧美日韩卡通动漫| 国产在视频线在精品| 国产乱人视频| av在线播放精品| 日本三级黄在线观看| 高清午夜精品一区二区三区 | 国产午夜精品论理片| 亚洲欧洲国产日韩| 一本久久精品| 最近最新中文字幕大全电影3| 天堂av国产一区二区熟女人妻| 99视频精品全部免费 在线| 99在线人妻在线中文字幕| 成人鲁丝片一二三区免费| 欧美日韩综合久久久久久| АⅤ资源中文在线天堂| 国产一级毛片在线| 三级国产精品欧美在线观看| 午夜亚洲福利在线播放| 成人美女网站在线观看视频| 欧美日韩在线观看h| 亚洲精品久久国产高清桃花| 看黄色毛片网站| 亚洲欧洲国产日韩| 久久精品夜色国产| 欧美不卡视频在线免费观看| 国产一区二区亚洲精品在线观看| 亚洲久久久久久中文字幕| 三级国产精品欧美在线观看| 日日干狠狠操夜夜爽| 亚洲在线观看片| 黄片无遮挡物在线观看| 美女cb高潮喷水在线观看| 别揉我奶头 嗯啊视频| 少妇的逼水好多| 大香蕉久久网| 天天躁夜夜躁狠狠久久av| 国产男人的电影天堂91| 嫩草影院新地址| 日韩 亚洲 欧美在线| 亚洲人成网站在线播| 欧美变态另类bdsm刘玥| 在线观看66精品国产| 国产 一区精品| 久久久久久久午夜电影| 成人无遮挡网站| 亚洲va在线va天堂va国产| 97热精品久久久久久| 亚洲人与动物交配视频| 免费看av在线观看网站| 可以在线观看毛片的网站| 国产老妇女一区| 亚洲真实伦在线观看| 国产亚洲91精品色在线| 美女内射精品一级片tv| 干丝袜人妻中文字幕| 91精品国产九色| 简卡轻食公司| 欧美另类亚洲清纯唯美| 少妇熟女aⅴ在线视频| 国产乱人视频| 床上黄色一级片| 免费看美女性在线毛片视频| 欧美日本亚洲视频在线播放| 精品一区二区免费观看| 校园人妻丝袜中文字幕| 简卡轻食公司| av专区在线播放| 日本av手机在线免费观看| 简卡轻食公司| 国产精品人妻久久久久久| 午夜福利在线观看免费完整高清在 | 久久人人精品亚洲av| 亚洲欧洲日产国产| 国产成人aa在线观看| 欧美变态另类bdsm刘玥| 蜜臀久久99精品久久宅男| 成人特级av手机在线观看| 国产真实乱freesex| 国产伦精品一区二区三区四那| 12—13女人毛片做爰片一| 九色成人免费人妻av| 精品无人区乱码1区二区| 欧美变态另类bdsm刘玥| 欧美日韩在线观看h| 69人妻影院| 亚洲av不卡在线观看| 色5月婷婷丁香| 亚洲真实伦在线观看| 精品免费久久久久久久清纯| 中文字幕免费在线视频6| 一个人看的www免费观看视频| 99久久中文字幕三级久久日本| 午夜爱爱视频在线播放| 啦啦啦韩国在线观看视频| 国内少妇人妻偷人精品xxx网站| 亚洲国产欧美人成| 一本一本综合久久| 久久久久九九精品影院| a级一级毛片免费在线观看| 只有这里有精品99| 国产精品久久久久久av不卡| 亚洲av成人精品一区久久| av天堂在线播放| 国产精品久久久久久av不卡| 啦啦啦观看免费观看视频高清| 久久精品人妻少妇| 毛片一级片免费看久久久久| 99热这里只有是精品50| 22中文网久久字幕| 国产精品久久视频播放| 99精品在免费线老司机午夜| 五月伊人婷婷丁香| 乱人视频在线观看| 久久精品国产99精品国产亚洲性色| 国产精品乱码一区二三区的特点| 菩萨蛮人人尽说江南好唐韦庄 | 亚洲内射少妇av| 人妻久久中文字幕网| 国产亚洲精品久久久久久毛片| 床上黄色一级片| 一卡2卡三卡四卡精品乱码亚洲| 在线天堂最新版资源| 超碰av人人做人人爽久久| 中文在线观看免费www的网站| 日韩av不卡免费在线播放| 久久综合国产亚洲精品| 人妻久久中文字幕网| 91久久精品电影网| 一区二区三区四区激情视频 | 亚洲18禁久久av| 亚洲成a人片在线一区二区| 99视频精品全部免费 在线| 色综合站精品国产| 秋霞在线观看毛片| kizo精华| 亚洲自拍偷在线| 久久午夜福利片| 中文在线观看免费www的网站| 人妻夜夜爽99麻豆av| av在线天堂中文字幕| 午夜福利成人在线免费观看| 国产亚洲精品久久久久久毛片| or卡值多少钱| 国内久久婷婷六月综合欲色啪| 22中文网久久字幕| 在线免费十八禁| 免费观看在线日韩| 日本一二三区视频观看| 夫妻性生交免费视频一级片| 99国产精品一区二区蜜桃av| 欧美人与善性xxx| 欧美一区二区国产精品久久精品| 国产精品野战在线观看| 国产亚洲91精品色在线| 午夜精品一区二区三区免费看| 久久久久久伊人网av| 成人亚洲精品av一区二区| 只有这里有精品99| 国产视频内射| 久久精品人妻少妇| 美女 人体艺术 gogo| 永久网站在线| 久久久色成人| 亚洲欧美精品自产自拍| 一本一本综合久久| 亚洲国产高清在线一区二区三| 一个人观看的视频www高清免费观看| 亚洲,欧美,日韩| 欧美性猛交黑人性爽| 成人欧美大片| 国产成人福利小说| 麻豆一二三区av精品| 国产男人的电影天堂91| 亚洲三级黄色毛片| 精品久久久久久久久av| a级一级毛片免费在线观看| 哪里可以看免费的av片| 青春草视频在线免费观看| 精品午夜福利在线看| 国产精品麻豆人妻色哟哟久久 | 国产精品久久久久久亚洲av鲁大| 午夜激情福利司机影院| 日本免费一区二区三区高清不卡| 夜夜爽天天搞| 亚洲国产日韩欧美精品在线观看| 久久久久久久久大av| 中国美女看黄片| 午夜视频国产福利| 五月伊人婷婷丁香| 久久6这里有精品| 91久久精品国产一区二区成人| 国产日韩欧美在线精品| 中文欧美无线码| 国产亚洲精品久久久com| 国内精品一区二区在线观看| 欧美精品国产亚洲| 中文字幕免费在线视频6| 男女啪啪激烈高潮av片| 久久午夜亚洲精品久久| 大香蕉久久网| 成人漫画全彩无遮挡| 99久久成人亚洲精品观看| 国产三级在线视频| 我要搜黄色片| 国产伦精品一区二区三区四那| 欧美+亚洲+日韩+国产| 18禁裸乳无遮挡免费网站照片| 内射极品少妇av片p| av又黄又爽大尺度在线免费看 | videossex国产| 国产伦理片在线播放av一区 | 乱系列少妇在线播放| h日本视频在线播放| 国产高清视频在线观看网站| 女的被弄到高潮叫床怎么办| 在线a可以看的网站| 我要看日韩黄色一级片| 又爽又黄a免费视频| 成年版毛片免费区| 蜜臀久久99精品久久宅男| 18禁在线播放成人免费| 精品久久久噜噜| 黄片无遮挡物在线观看| 欧美zozozo另类| 级片在线观看| 精品人妻视频免费看| 在线观看午夜福利视频| 成人永久免费在线观看视频| 亚洲18禁久久av| 99久久人妻综合| 欧美一区二区精品小视频在线| 性插视频无遮挡在线免费观看| 亚洲在线自拍视频| 亚洲成人久久性| 嫩草影院新地址| 国产午夜精品一二区理论片| 亚洲综合色惰| 如何舔出高潮| 欧美一区二区精品小视频在线| 最后的刺客免费高清国语| 特级一级黄色大片| 97在线视频观看| 国产大屁股一区二区在线视频| 久久99精品国语久久久| 毛片女人毛片| 波野结衣二区三区在线| 插阴视频在线观看视频| 1000部很黄的大片| 青春草国产在线视频 | 美女内射精品一级片tv| 免费观看在线日韩| 狂野欧美白嫩少妇大欣赏| av天堂在线播放| 91精品国产九色| 久久亚洲精品不卡| 中文在线观看免费www的网站| 亚洲精品色激情综合| 联通29元200g的流量卡| 舔av片在线| 成人永久免费在线观看视频| av卡一久久| 全区人妻精品视频| 国产美女午夜福利| 亚洲成人精品中文字幕电影| 久久精品国产亚洲av天美| 高清日韩中文字幕在线| 欧美最黄视频在线播放免费| 美女xxoo啪啪120秒动态图| 亚洲最大成人中文| 18禁裸乳无遮挡免费网站照片| 寂寞人妻少妇视频99o| 久久精品夜色国产| 欧美日韩精品成人综合77777| 国产精品永久免费网站| 国产亚洲91精品色在线| 国产伦理片在线播放av一区 | 色5月婷婷丁香| 久久6这里有精品| 美女脱内裤让男人舔精品视频 | 99视频精品全部免费 在线| 国产老妇伦熟女老妇高清| 国产三级中文精品| 一卡2卡三卡四卡精品乱码亚洲| 日日撸夜夜添| 精品久久久久久久人妻蜜臀av| 中文字幕熟女人妻在线| 九草在线视频观看| 国内精品宾馆在线| 国产亚洲5aaaaa淫片| 极品教师在线视频| 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 | 中文欧美无线码| 亚洲人成网站在线播| 免费不卡的大黄色大毛片视频在线观看 | 国产精华一区二区三区| 男人舔奶头视频| 女的被弄到高潮叫床怎么办| 97超视频在线观看视频| 国产精品电影一区二区三区| 日韩成人av中文字幕在线观看| 国产黄片美女视频| 国产淫片久久久久久久久| 人人妻人人澡欧美一区二区| 欧洲精品卡2卡3卡4卡5卡区| 99在线人妻在线中文字幕| 色5月婷婷丁香| 亚洲五月天丁香| 身体一侧抽搐| 性欧美人与动物交配| 男女下面进入的视频免费午夜| 国产色爽女视频免费观看| 久久久久久国产a免费观看| 国产探花极品一区二区| 国产精品久久视频播放| 天天躁夜夜躁狠狠久久av| 久久草成人影院| 亚洲成人中文字幕在线播放| 韩国av在线不卡| 男女啪啪激烈高潮av片| 性欧美人与动物交配| 少妇被粗大猛烈的视频| 又爽又黄a免费视频| 国产精品一及| 可以在线观看毛片的网站| 国产精品爽爽va在线观看网站| 日日摸夜夜添夜夜添av毛片| 最近中文字幕高清免费大全6| 三级经典国产精品| 给我免费播放毛片高清在线观看| 1000部很黄的大片| 国产黄色视频一区二区在线观看 | 美女大奶头视频| 中文字幕制服av| 国产精品久久久久久精品电影| 亚洲人成网站高清观看| 欧美一区二区国产精品久久精品| 国产伦在线观看视频一区| 性插视频无遮挡在线免费观看| 熟女电影av网| 一进一出抽搐动态| 亚洲欧美精品专区久久| 麻豆乱淫一区二区| 在线观看一区二区三区| 又黄又爽又刺激的免费视频.| 精品久久国产蜜桃| 日韩成人伦理影院| 欧美xxxx黑人xx丫x性爽| 在线a可以看的网站| 久久久色成人| 久久精品人妻少妇| 亚洲欧美精品综合久久99| 国产蜜桃级精品一区二区三区| 日本一本二区三区精品| 深夜精品福利| 日韩在线高清观看一区二区三区| 国产不卡一卡二| 亚洲国产精品国产精品| 九九在线视频观看精品| 少妇人妻精品综合一区二区 | 国产日本99.免费观看| 一区福利在线观看| 成人午夜精彩视频在线观看| av卡一久久| 日韩av不卡免费在线播放| 99热这里只有精品一区| 精品久久国产蜜桃| 久久久久久久久久久免费av| 欧美xxxx性猛交bbbb| 亚洲国产精品sss在线观看| 亚洲人成网站高清观看| 日本爱情动作片www.在线观看| 寂寞人妻少妇视频99o| 国产美女午夜福利| 日本与韩国留学比较| 成年免费大片在线观看| 美女被艹到高潮喷水动态| 在线观看av片永久免费下载| 久久午夜福利片| 中文亚洲av片在线观看爽| 日本免费a在线| 久久久久久久久中文| 淫秽高清视频在线观看| 亚洲精品久久国产高清桃花| 精品不卡国产一区二区三区| 国产成人影院久久av| 国产极品精品免费视频能看的| 一级毛片我不卡| 夜夜看夜夜爽夜夜摸| 精品一区二区三区视频在线| 神马国产精品三级电影在线观看| 男人狂女人下面高潮的视频| 欧美bdsm另类| 国产色爽女视频免费观看| 床上黄色一级片| 久久久欧美国产精品| 一个人免费在线观看电影| 一个人免费在线观看电影| 99热精品在线国产| 色综合站精品国产| 久久鲁丝午夜福利片| 九九热线精品视视频播放| 成人欧美大片| 亚洲美女视频黄频| 麻豆av噜噜一区二区三区| 欧美日韩一区二区视频在线观看视频在线 | www.av在线官网国产| 一区二区三区免费毛片| 国产午夜福利久久久久久| 国产黄色视频一区二区在线观看 | 婷婷色综合大香蕉| 乱码一卡2卡4卡精品| 日本免费a在线| 99久久久亚洲精品蜜臀av| 亚洲精品456在线播放app| 亚洲熟妇中文字幕五十中出| 久久鲁丝午夜福利片| 日韩 亚洲 欧美在线| 美女国产视频在线观看| 欧美激情国产日韩精品一区| 一本一本综合久久| 久久亚洲精品不卡| 尾随美女入室| 亚洲四区av| 久久精品国产自在天天线| 天堂av国产一区二区熟女人妻| 偷拍熟女少妇极品色| 婷婷精品国产亚洲av| 久久精品久久久久久久性| 天堂√8在线中文| .国产精品久久| 免费看av在线观看网站| 精品久久久久久久久av| 精品不卡国产一区二区三区| 中出人妻视频一区二区| 丰满乱子伦码专区| 欧美三级亚洲精品| 99热这里只有精品一区| 黄色视频,在线免费观看| 人妻夜夜爽99麻豆av| 直男gayav资源| 免费大片18禁| 精品99又大又爽又粗少妇毛片| 美女大奶头视频| 小蜜桃在线观看免费完整版高清| 亚洲精品久久国产高清桃花| 国产极品天堂在线| 99热这里只有是精品50| 国产精品久久久久久av不卡| 日产精品乱码卡一卡2卡三| 日韩视频在线欧美| 少妇猛男粗大的猛烈进出视频 | 亚洲高清免费不卡视频| av天堂在线播放| 久久精品国产鲁丝片午夜精品|