• <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99久久九九免费精品| 午夜福利在线免费观看网站| 欧美日韩精品网址| 亚洲精品av麻豆狂野| 国产精品一区二区在线不卡| 精品一区二区三区四区五区乱码| 美女视频免费永久观看网站| 国产精品欧美亚洲77777| 母亲3免费完整高清在线观看| 久久中文看片网| 亚洲自偷自拍图片 自拍| 丰满人妻熟妇乱又伦精品不卡| 久久久久精品国产欧美久久久| 大香蕉久久成人网| 亚洲七黄色美女视频| 精品亚洲成国产av| 九色亚洲精品在线播放| 国产成人免费无遮挡视频| 国产精品一区二区在线不卡| 欧美日韩亚洲国产一区二区在线观看 | 麻豆成人av在线观看| 看片在线看免费视频| 18禁裸乳无遮挡动漫免费视频| 亚洲一区二区三区欧美精品| 国产午夜精品久久久久久| 日本五十路高清| 一本综合久久免费| 我的亚洲天堂| 国产精品亚洲av一区麻豆| 老司机靠b影院| 男男h啪啪无遮挡| 欧美黄色淫秽网站| 99香蕉大伊视频| 18禁美女被吸乳视频| 日韩精品免费视频一区二区三区| 中文字幕制服av| www日本在线高清视频| 色综合婷婷激情| 王馨瑶露胸无遮挡在线观看| 国产精品电影一区二区三区 | 美女福利国产在线| 啦啦啦在线免费观看视频4| 亚洲欧洲精品一区二区精品久久久| 久久精品人人爽人人爽视色| 色老头精品视频在线观看| 大片电影免费在线观看免费| 欧美黄色淫秽网站| 18禁裸乳无遮挡动漫免费视频| 91av网站免费观看| 另类亚洲欧美激情| 在线观看一区二区三区激情| 日本五十路高清| 亚洲专区国产一区二区| 老司机亚洲免费影院| 久久精品亚洲熟妇少妇任你| 精品卡一卡二卡四卡免费| 制服诱惑二区| 久久亚洲真实| 成年人免费黄色播放视频| 久久国产精品男人的天堂亚洲| 国产精品影院久久| 欧美日韩黄片免| 久久久久精品国产欧美久久久| 精品欧美一区二区三区在线| 欧美亚洲 丝袜 人妻 在线| a在线观看视频网站| 高清视频免费观看一区二区| 女人高潮潮喷娇喘18禁视频| 一区二区三区激情视频| av电影中文网址| 国产激情欧美一区二区| 国产精品 欧美亚洲| 中文字幕色久视频| 视频区图区小说| 国产精品 国内视频| 国产精品自产拍在线观看55亚洲 | 亚洲熟妇熟女久久| 亚洲国产看品久久| 99久久人妻综合| 国产亚洲一区二区精品| 国产精品久久久久成人av| 国产99久久九九免费精品| 成人18禁在线播放| 18禁裸乳无遮挡动漫免费视频| 麻豆国产av国片精品| 亚洲黑人精品在线| 俄罗斯特黄特色一大片| 在线天堂中文资源库| 丰满的人妻完整版| 久热这里只有精品99| 婷婷精品国产亚洲av在线 | 91av网站免费观看| 久久久久久久久久久久大奶| 在线永久观看黄色视频| 久久久久久免费高清国产稀缺| 9热在线视频观看99| 成人特级黄色片久久久久久久| 老汉色∧v一级毛片| 亚洲国产欧美日韩在线播放| 欧美乱码精品一区二区三区| 丝袜美足系列| 一本大道久久a久久精品| 亚洲一区中文字幕在线| 精品国内亚洲2022精品成人 | 免费观看精品视频网站| 亚洲欧洲精品一区二区精品久久久| 欧美日韩亚洲国产一区二区在线观看 | 久久亚洲精品不卡| 日本欧美视频一区| 三上悠亚av全集在线观看| xxx96com| 成人18禁高潮啪啪吃奶动态图| 高潮久久久久久久久久久不卡| 午夜91福利影院| 91精品国产国语对白视频| 丁香六月欧美| 女人爽到高潮嗷嗷叫在线视频| 日日摸夜夜添夜夜添小说| 成人影院久久| 成人18禁高潮啪啪吃奶动态图| 9色porny在线观看| 亚洲av片天天在线观看| 亚洲午夜精品一区,二区,三区| 天堂俺去俺来也www色官网| 水蜜桃什么品种好| 亚洲av成人一区二区三| 看片在线看免费视频| 国产在视频线精品| 老司机在亚洲福利影院| 黑人巨大精品欧美一区二区mp4| 国精品久久久久久国模美| 制服人妻中文乱码| 日韩欧美一区视频在线观看| 久久亚洲精品不卡| 国产精品自产拍在线观看55亚洲 | 高清av免费在线| 亚洲综合色网址| 午夜久久久在线观看| 久久久国产一区二区| www.精华液| 91老司机精品| 国精品久久久久久国模美| 欧美精品啪啪一区二区三区| 老司机深夜福利视频在线观看| 国产1区2区3区精品| 亚洲精品av麻豆狂野| 窝窝影院91人妻| 啦啦啦视频在线资源免费观看| 人妻丰满熟妇av一区二区三区 | 欧美精品啪啪一区二区三区| 又黄又粗又硬又大视频| 精品久久久精品久久久| 老司机亚洲免费影院| 变态另类成人亚洲欧美熟女 | 村上凉子中文字幕在线| 亚洲成人免费av在线播放| 国产精品香港三级国产av潘金莲| av视频免费观看在线观看| 人妻一区二区av| 国产免费现黄频在线看| 国产成人精品无人区| tocl精华| 午夜老司机福利片| 成人黄色视频免费在线看| 欧美成狂野欧美在线观看| 美女 人体艺术 gogo| 久久草成人影院| 久久热在线av| 王馨瑶露胸无遮挡在线观看| 欧美精品啪啪一区二区三区| 中文字幕精品免费在线观看视频| 又黄又粗又硬又大视频| www日本在线高清视频| 国产精品乱码一区二三区的特点 | 叶爱在线成人免费视频播放| 亚洲五月天丁香| 免费观看人在逋| 久久精品亚洲av国产电影网| 黄色片一级片一级黄色片| 性少妇av在线| 免费久久久久久久精品成人欧美视频| 一级毛片精品| 欧美日韩av久久| 成人国产一区最新在线观看| 精品人妻1区二区| 亚洲精品中文字幕在线视频| 国产亚洲精品第一综合不卡| 国产主播在线观看一区二区| 视频区欧美日本亚洲| 久久人妻熟女aⅴ| 男女下面插进去视频免费观看| 日韩大码丰满熟妇| 欧美乱妇无乱码| 视频区图区小说| 欧美一级毛片孕妇| 国产日韩一区二区三区精品不卡| 一级毛片女人18水好多| 亚洲成人手机| www日本在线高清视频| 99久久99久久久精品蜜桃| 老熟妇乱子伦视频在线观看| 亚洲国产欧美日韩在线播放| 悠悠久久av| 嫩草影视91久久| 新久久久久国产一级毛片| 国产日韩欧美亚洲二区| 99re在线观看精品视频| 国产蜜桃级精品一区二区三区 | 国产片内射在线| 两个人看的免费小视频| 成人18禁高潮啪啪吃奶动态图| 黄色a级毛片大全视频| 国产精品久久久久成人av| 悠悠久久av| 久久精品国产亚洲av香蕉五月 | 法律面前人人平等表现在哪些方面| 久久国产精品人妻蜜桃| 美国免费a级毛片| 麻豆成人av在线观看| 久久国产乱子伦精品免费另类| 日本黄色日本黄色录像| 欧美日韩乱码在线| 亚洲熟女精品中文字幕| 中文字幕人妻熟女乱码| 国产单亲对白刺激| 国产高清国产精品国产三级| 757午夜福利合集在线观看| 国产男靠女视频免费网站| 欧美激情极品国产一区二区三区| 69av精品久久久久久| 99香蕉大伊视频| 正在播放国产对白刺激| 韩国av一区二区三区四区| 国产精品秋霞免费鲁丝片| 久久草成人影院| 亚洲欧美日韩高清在线视频| 水蜜桃什么品种好| 天天影视国产精品| 国产一区二区激情短视频| 夜夜爽天天搞| 国产区一区二久久| 人妻丰满熟妇av一区二区三区 | 一区二区三区激情视频| 日韩精品免费视频一区二区三区| 日韩欧美免费精品| 午夜精品久久久久久毛片777| 黑人猛操日本美女一级片| 99国产精品99久久久久| 亚洲欧美一区二区三区久久| 侵犯人妻中文字幕一二三四区| 涩涩av久久男人的天堂| 岛国毛片在线播放| 国产精品成人在线| 男女高潮啪啪啪动态图| 少妇猛男粗大的猛烈进出视频| 久久久久国产精品人妻aⅴ院 | 99国产精品一区二区蜜桃av | 一区二区三区激情视频| 久久久国产欧美日韩av| 美女高潮喷水抽搐中文字幕| 精品国产一区二区三区久久久樱花| 欧美精品一区二区免费开放| 日本撒尿小便嘘嘘汇集6| 国产成人av激情在线播放| 老熟妇乱子伦视频在线观看| 亚洲熟女毛片儿| www.自偷自拍.com| 少妇被粗大的猛进出69影院| 国产亚洲欧美在线一区二区| 亚洲黑人精品在线| 99久久国产精品久久久| 黄色丝袜av网址大全| 91在线观看av| 麻豆乱淫一区二区| 极品少妇高潮喷水抽搐| 18禁国产床啪视频网站| 91av网站免费观看| 后天国语完整版免费观看| av网站在线播放免费| 在线观看免费高清a一片| 久热爱精品视频在线9| av中文乱码字幕在线| 在线免费观看的www视频| 91av网站免费观看| 国产av又大| 国产激情久久老熟女| 成人精品一区二区免费| 国产亚洲精品久久久久久毛片 | 在线观看日韩欧美| 国产成人啪精品午夜网站| 欧美性长视频在线观看| 婷婷精品国产亚洲av在线 | 国产精品免费大片| 亚洲精品av麻豆狂野| 久久久精品区二区三区| 欧美激情 高清一区二区三区| 日韩人妻精品一区2区三区| 日韩欧美在线二视频 | 日本黄色日本黄色录像| 国产黄色免费在线视频| 中文字幕最新亚洲高清| 国产视频一区二区在线看| 1024香蕉在线观看| 男女免费视频国产| 午夜老司机福利片| 久久影院123| 欧美日韩精品网址| 一本一本久久a久久精品综合妖精| 大香蕉久久成人网| 国产高清videossex| 一边摸一边抽搐一进一出视频| 欧美av亚洲av综合av国产av| 一夜夜www| av福利片在线| 夜夜躁狠狠躁天天躁| 侵犯人妻中文字幕一二三四区| 一a级毛片在线观看| 母亲3免费完整高清在线观看| 欧美日韩亚洲国产一区二区在线观看 | 中出人妻视频一区二区| 国产精品乱码一区二三区的特点 | 在线观看午夜福利视频| 多毛熟女@视频| 亚洲一区中文字幕在线| 色在线成人网| 一夜夜www| 国内久久婷婷六月综合欲色啪| 热99国产精品久久久久久7| 一级a爱片免费观看的视频| 成在线人永久免费视频| 中出人妻视频一区二区| 老司机在亚洲福利影院| 一级a爱片免费观看的视频| 国产成人精品在线电影| 18禁黄网站禁片午夜丰满| 一级毛片精品| 每晚都被弄得嗷嗷叫到高潮| 日本黄色日本黄色录像| 欧美日韩一级在线毛片| 色播在线永久视频| 伊人久久大香线蕉亚洲五| 美女高潮喷水抽搐中文字幕| 欧美日韩成人在线一区二区| 久久久久精品国产欧美久久久| 午夜激情av网站| 午夜福利乱码中文字幕| 久久久久久久久免费视频了| 美女国产高潮福利片在线看| 成年动漫av网址| 中亚洲国语对白在线视频| 亚洲成国产人片在线观看| www日本在线高清视频| 国产男靠女视频免费网站| 免费高清在线观看日韩| 国产欧美日韩综合在线一区二区| 欧美久久黑人一区二区| 亚洲成人免费电影在线观看| 精品国产美女av久久久久小说| 母亲3免费完整高清在线观看| 婷婷丁香在线五月| av不卡在线播放| 无遮挡黄片免费观看| а√天堂www在线а√下载 | 黄网站色视频无遮挡免费观看| 精品国产美女av久久久久小说| 电影成人av| 国产精品 欧美亚洲| 欧美精品亚洲一区二区| 午夜福利乱码中文字幕| 国产精品久久久久久人妻精品电影| 久久久久国产一级毛片高清牌| 国产精品久久久久成人av| 精品亚洲成国产av| 少妇裸体淫交视频免费看高清 | 亚洲专区字幕在线| 久久国产精品男人的天堂亚洲| 免费看十八禁软件| 精品久久久久久久久久免费视频 | 欧洲精品卡2卡3卡4卡5卡区| 国产乱人伦免费视频| 国产精品免费一区二区三区在线 | 人人妻人人添人人爽欧美一区卜| 不卡一级毛片| 女人久久www免费人成看片| 久久久精品国产亚洲av高清涩受| 久久精品亚洲熟妇少妇任你| 亚洲第一青青草原| 免费在线观看亚洲国产| 色婷婷久久久亚洲欧美| avwww免费| 电影成人av| 欧洲精品卡2卡3卡4卡5卡区| 水蜜桃什么品种好| 丰满的人妻完整版| 免费在线观看黄色视频的| 又黄又粗又硬又大视频| 亚洲成人国产一区在线观看| 国产亚洲欧美98| 成人永久免费在线观看视频| 久久国产精品男人的天堂亚洲| 一级片免费观看大全| 成人18禁高潮啪啪吃奶动态图| 免费在线观看影片大全网站| 国产精品一区二区在线观看99| 国产成人欧美在线观看 | 五月开心婷婷网| 精品久久蜜臀av无| 黄网站色视频无遮挡免费观看| 免费高清在线观看日韩| 中出人妻视频一区二区| 麻豆成人av在线观看| 国产午夜精品久久久久久| 18禁裸乳无遮挡动漫免费视频| 手机成人av网站| 欧美午夜高清在线| 国产精品美女特级片免费视频播放器 | 国产熟女午夜一区二区三区| 色综合婷婷激情| 啦啦啦免费观看视频1| 日韩人妻精品一区2区三区| 国产99久久九九免费精品| 国产精品久久久av美女十八| 69精品国产乱码久久久| 国产成人免费无遮挡视频| 亚洲国产毛片av蜜桃av| 一级,二级,三级黄色视频| 亚洲在线自拍视频| 十八禁高潮呻吟视频| 夜夜爽天天搞| 午夜免费鲁丝| 亚洲美女黄片视频| 国产精品久久视频播放| 一级毛片女人18水好多| 无遮挡黄片免费观看| 嫁个100分男人电影在线观看| 久久久久久人人人人人| 搡老岳熟女国产| 麻豆国产av国片精品| 又黄又粗又硬又大视频| 精品国产美女av久久久久小说| av福利片在线| www日本在线高清视频| 高清视频免费观看一区二区| 欧美成人免费av一区二区三区 | 在线观看免费视频网站a站| 国产国语露脸激情在线看| 国产精品乱码一区二三区的特点 | 丰满人妻熟妇乱又伦精品不卡| 飞空精品影院首页| 国产精品久久久久久人妻精品电影| 国产激情欧美一区二区| 日韩精品免费视频一区二区三区| 久久久国产成人免费| 中文字幕精品免费在线观看视频| 热re99久久国产66热| 午夜影院日韩av| 欧美成狂野欧美在线观看| 老司机亚洲免费影院| 国产一区二区激情短视频| 丰满人妻熟妇乱又伦精品不卡| 日韩欧美国产一区二区入口| av网站免费在线观看视频| 国产成人免费无遮挡视频| 欧美在线黄色| 欧美日韩成人在线一区二区| 亚洲中文日韩欧美视频| 亚洲片人在线观看| 国产精品美女特级片免费视频播放器 | 日本一区二区免费在线视频| 欧美乱码精品一区二区三区| 欧美黑人欧美精品刺激| av片东京热男人的天堂| 欧美 日韩 精品 国产| а√天堂www在线а√下载 | 热99久久久久精品小说推荐| 99热网站在线观看| 身体一侧抽搐| 老鸭窝网址在线观看| 脱女人内裤的视频| 日韩精品免费视频一区二区三区| 在线观看日韩欧美| 成年版毛片免费区| 老汉色av国产亚洲站长工具| 精品久久蜜臀av无| 欧美亚洲日本最大视频资源| 母亲3免费完整高清在线观看| 精品久久久精品久久久| 99国产精品免费福利视频| av网站在线播放免费| 精品人妻1区二区| 亚洲国产欧美一区二区综合| 又黄又粗又硬又大视频| 男女床上黄色一级片免费看| 夜夜夜夜夜久久久久| 丰满饥渴人妻一区二区三| 亚洲av第一区精品v没综合| 欧美最黄视频在线播放免费 | 少妇猛男粗大的猛烈进出视频| 两个人免费观看高清视频| 亚洲成a人片在线一区二区| 亚洲精品国产区一区二| 亚洲黑人精品在线| 午夜91福利影院| 一二三四社区在线视频社区8| www.精华液| 男女午夜视频在线观看| 亚洲色图 男人天堂 中文字幕| 下体分泌物呈黄色| av有码第一页| 高潮久久久久久久久久久不卡| 午夜福利乱码中文字幕| 久久久国产成人精品二区 | 欧美精品啪啪一区二区三区| 国产亚洲欧美在线一区二区| 亚洲欧洲精品一区二区精品久久久| 新久久久久国产一级毛片| 亚洲色图 男人天堂 中文字幕| 亚洲午夜精品一区,二区,三区| 成人免费观看视频高清| 国产精品一区二区在线不卡| 日韩成人在线观看一区二区三区| 免费观看a级毛片全部| 国产精品1区2区在线观看. | 超色免费av| 国产精品国产高清国产av | 9色porny在线观看| 国产真人三级小视频在线观看| 日本wwww免费看| 欧美日韩黄片免| 日韩人妻精品一区2区三区| 美国免费a级毛片| 国产精品九九99| 最近最新中文字幕大全电影3 | 精品久久久精品久久久| 老汉色av国产亚洲站长工具| av一本久久久久| 国产又色又爽无遮挡免费看| x7x7x7水蜜桃| 老司机靠b影院| a在线观看视频网站| 下体分泌物呈黄色| 免费观看人在逋| 香蕉久久夜色| 老司机影院毛片| 丁香六月欧美| 亚洲熟妇中文字幕五十中出 | bbb黄色大片| 欧美亚洲日本最大视频资源| 欧美日韩成人在线一区二区| 国产精品1区2区在线观看. | 免费不卡黄色视频| 日韩欧美国产一区二区入口| 99久久国产精品久久久| 国产精品久久久久久精品古装| 最新的欧美精品一区二区| 少妇 在线观看| 亚洲五月天丁香| 九色亚洲精品在线播放| 天天操日日干夜夜撸| 美女国产高潮福利片在线看| 亚洲av日韩在线播放| 韩国av一区二区三区四区| 视频区欧美日本亚洲| 99精品在免费线老司机午夜| 人人妻人人爽人人添夜夜欢视频| 国产精品永久免费网站| 一级a爱片免费观看的视频| 欧美丝袜亚洲另类 | 精品欧美一区二区三区在线| 亚洲美女黄片视频| 18禁裸乳无遮挡动漫免费视频| av中文乱码字幕在线| 18禁裸乳无遮挡动漫免费视频| 国产淫语在线视频| 国产片内射在线| 中文字幕人妻丝袜一区二区| 久久ye,这里只有精品| 国产高清激情床上av| 黄色丝袜av网址大全| 欧美午夜高清在线| 在线av久久热| 国产精品久久久av美女十八| 成熟少妇高潮喷水视频| 久久精品熟女亚洲av麻豆精品| 亚洲精品国产一区二区精华液| 国产淫语在线视频| 国产精品永久免费网站| 另类亚洲欧美激情| 国产片内射在线| 热99久久久久精品小说推荐| 欧洲精品卡2卡3卡4卡5卡区| 精品人妻在线不人妻| 在线播放国产精品三级| 人妻 亚洲 视频| 国产高清videossex| 他把我摸到了高潮在线观看| 成人影院久久| 亚洲第一青青草原| 怎么达到女性高潮| 欧美日本中文国产一区发布| 一区二区三区国产精品乱码| 成在线人永久免费视频| 欧美性长视频在线观看| 99国产精品一区二区蜜桃av | 国产在线一区二区三区精| 99热网站在线观看| videos熟女内射| 色综合欧美亚洲国产小说| 一a级毛片在线观看| 色尼玛亚洲综合影院| 欧美午夜高清在线| 亚洲在线自拍视频| 亚洲精品粉嫩美女一区| av电影中文网址| 天天操日日干夜夜撸|