• <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 ?

    基于自適應(yīng)變異粒子群優(yōu)化的SVM在混合氣體分析中的應(yīng)用

    2015-11-29 08:28:38陳紅巖劉文貞李志彬
    傳感技術(shù)學(xué)報(bào) 2015年8期
    關(guān)鍵詞:混合氣體遺傳算法向量

    曲 健,陳紅巖,劉文貞,張 兵,李志彬

    (中國(guó)計(jì)量學(xué)院機(jī)電工程學(xué)院,杭州310018)

    基于自適應(yīng)變異粒子群優(yōu)化的SVM在混合氣體分析中的應(yīng)用

    曲 健,陳紅巖*,劉文貞,張 兵,李志彬

    (中國(guó)計(jì)量學(xué)院機(jī)電工程學(xué)院,杭州310018)

    針對(duì)混合氣體定量分析中,支持向量機(jī)建模的參數(shù)難以確定、紅外光譜數(shù)據(jù)計(jì)算量過(guò)大以及氣體間交叉干擾等問(wèn)題。提出了一種自適應(yīng)變異粒子群優(yōu)化的支持向量機(jī)方法,用于建立基于紅外光譜的多組分混合氣體定量分析模型。混合氣體主要由濃度范圍在0.5%~8%的CO、3.6%~12.5%的CO2及200×10-6~3270×10-6的C3H8三種組分氣體組成。利用粒子群優(yōu)化算法對(duì)支持向量機(jī)建模中的參數(shù)進(jìn)行優(yōu)化選擇,并與遺傳算法優(yōu)化的支持向量機(jī)作對(duì)比。實(shí)驗(yàn)表明,采用此方法建模所用時(shí)間為39.524 s,遺傳算法為26.272 s;針對(duì)CO2獨(dú)立建模的預(yù)測(cè)結(jié)果,粒子群優(yōu)化算法均方差為0.000 123 758,遺傳算法均方差為2.14952。在建模時(shí)間略高的情況下,粒子群優(yōu)化算法預(yù)測(cè)結(jié)果均方差明顯低于遺傳算法。

    傳感器應(yīng)用;支持向量機(jī);粒子群優(yōu)化;遺傳算法;定量分析

    機(jī)動(dòng)車(chē)尾氣排放已經(jīng)成為污染環(huán)境的重要因素,尾氣排放的氣體主要有CO、NO、CO2、HC化合物等。在混合氣體定量分析方法中,主要采用紅外光譜吸收法。對(duì)光譜的分析方法主要有棱鏡和光柵光譜儀,但它屬于單通道測(cè)量,不能同時(shí)進(jìn)行多通道的測(cè)量;傅里葉變換紅外光譜儀,可進(jìn)行多通道的測(cè)量,光通量高,儀器靈敏度高,波數(shù)值的精確度高,但兩種光譜分析儀都不便于攜帶,不能進(jìn)行隨車(chē)式檢測(cè)。本實(shí)驗(yàn)采用的紅外吸收法,可以應(yīng)用于隨車(chē)式汽車(chē)尾氣傳感器中,對(duì)車(chē)輛尾氣排放進(jìn)行動(dòng)態(tài)實(shí)時(shí)檢測(cè)。由于組分氣體間交叉吸收干擾、傳感器選擇性能不一、溫度的變化以及供電電壓的波動(dòng)等因素,導(dǎo)致測(cè)量的精度很低,無(wú)法對(duì)汽車(chē)尾氣排放進(jìn)行有效的檢測(cè)和監(jiān)督,需要后續(xù)的數(shù)據(jù)處理。

    提高混合氣體測(cè)量精度的方法主要有人工神經(jīng)網(wǎng)絡(luò)[1-2](Artificial Neural Network,ANN)方法和支持向量機(jī)[3-5](Support Vector Machine,SVM)方法等。其中,耿志廣[1]等人將人工神經(jīng)網(wǎng)絡(luò)與氣體傳感器陣列技術(shù)相結(jié)合,克服了傳感器陣列在混合氣體檢測(cè)中的交叉敏感現(xiàn)象;金翠云[6]等利用粒子群優(yōu)化算法對(duì)支持向量機(jī)進(jìn)行參數(shù)優(yōu)化,并應(yīng)用于電子鼻氣體定量分析中,得到了最優(yōu)參數(shù)組合,進(jìn)一步提高了預(yù)測(cè)精度;李玉軍[7]等人將粒子群優(yōu)化與最小支持二乘向量機(jī)相結(jié)合,建立混合氣體定量分析模型,并與遍歷優(yōu)化算法相比較,尋優(yōu)時(shí)間節(jié)省40倍以上,預(yù)測(cè)結(jié)果誤差水平相當(dāng);Manouchehrian Amin[8]等運(yùn)用基于遺傳算法尋優(yōu)方法的支持向量機(jī),建立回歸模型,預(yù)測(cè)巖石的強(qiáng)度和可變性屬性。神經(jīng)網(wǎng)絡(luò)算法的收斂性及預(yù)測(cè)的準(zhǔn)確度受初始權(quán)值和閥值的選擇影響很大,因此輸出具有不一致性,容易陷入局部極小值。而支持向量機(jī)算法可以有效地避免上述問(wèn)題。

    本文針對(duì)紅外光譜特征吸收譜線重疊嚴(yán)重的多組分混合氣體,以SVM為基礎(chǔ)對(duì)濃度范圍在0.5%~8%的CO、3.6%~12.5%的CO2及200×10-6~3 270×10-6的C3H83種組分氣體組成的20組混合氣體樣本進(jìn)行獨(dú)立建模定量分析,選取其中15組樣本作為訓(xùn)練集,建立SVM回歸校正模型,并對(duì)訓(xùn)練集進(jìn)行預(yù)測(cè)分析,以檢測(cè)模型的準(zhǔn)確度;選擇剩余的5組氣體樣本作為驗(yàn)證集,驗(yàn)證模型的預(yù)測(cè)精度和水平。在SVM參數(shù)的優(yōu)選問(wèn)題上,提出了自適應(yīng)變異粒子群優(yōu)化算法。并與基于遺傳算法的參數(shù)優(yōu)選相比較。

    1 SVM回歸校正模型理論

    SVM[9]算法是根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則[10]設(shè)計(jì)的一種統(tǒng)計(jì)學(xué)習(xí)理論,具有模型推廣性能好、小樣本學(xué)習(xí)能力強(qiáng)以及高維數(shù)據(jù)處理能力強(qiáng)等優(yōu)點(diǎn)。SVM回歸校正模型,就是利用SVM核函數(shù),將混合氣體紅外光譜輸入數(shù)據(jù)利用非線性映射Φ,映射到高維空間,然后在高維空間進(jìn)行回歸分析,建立紅外光譜數(shù)據(jù)與待測(cè)組分氣體濃度的回歸校正模型。

    將已知組分濃度的混合氣體樣本紅外光譜數(shù)據(jù)作為訓(xùn)練集T={(x1,y1),…,(xN,yN)}∈(Rn×R)N,其中xi∈Rn為第i個(gè)數(shù)據(jù)樣本,xi=(x1,x2,…,xL)為在掃描波長(zhǎng)范圍內(nèi)L個(gè)光譜數(shù)據(jù),yi∈Rn為對(duì)應(yīng)的混合氣體的組分濃度值,i=1,2,…N。在高維空間需要求解的光譜數(shù)據(jù)樣本與混合氣體組分濃度的回歸函數(shù) f(xi)可表示為如下形式:

    式中:ω·?(xi)為向量ω與?(xi)的內(nèi)積;ω為回歸系數(shù),b為閥值。

    在此引入松弛變量ξ,ξ*≥0來(lái)求解ω與b,,根據(jù)SRM準(zhǔn)則,將式(1)轉(zhuǎn)換為凸二次規(guī)劃問(wèn)題:

    式中,C為懲罰參數(shù),ε為回歸函數(shù)結(jié)果與待測(cè)氣體樣本的誤差精度。

    引入Lagrange函數(shù)求解式(2),通過(guò)核函數(shù)k(xi,xj)將高維空間的內(nèi)積運(yùn)算轉(zhuǎn)換在原二維空間計(jì)算,有:

    得到的SVM回歸校正模型的回歸函數(shù)為:

    式中,若αi不為零或者αi*不為零,表示此樣本即為支持向量。

    常用的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基(RBF)核函數(shù)、Sigmoid核函數(shù)。由于Gauss函數(shù)能較好的模擬光譜信號(hào),所以本文選用RBF核函數(shù)。其表達(dá)式如下:

    式中,參數(shù)g為gamma參數(shù)函數(shù)設(shè)置(若k為屬性的數(shù)目,則g默認(rèn)為1/k)。

    2 自適應(yīng)變異粒子群優(yōu)化算法

    粒子群優(yōu)化算法[11-12](Particle Swarm Optimization,PSO)是計(jì)算智能領(lǐng)域,除蟻群算法、魚(yú)群算法之外的一種群體智能的優(yōu)化算法。其基本思想是通過(guò)群里中個(gè)體之間的信息傳遞及信息共享來(lái)尋找最優(yōu)解。

    假設(shè)在一個(gè)D維的空間中,有n個(gè)粒子組成的種群X=(X1,X2,…,Xn),其中Xi=[xi1,xi2…,xiD]T為第i個(gè)粒子在D維搜索空間的位置,亦代表問(wèn)題的一個(gè)潛在解。根據(jù)目標(biāo)函數(shù)可以計(jì)算出每個(gè)粒子位置Xi對(duì)應(yīng)的適應(yīng)度值。第i個(gè)粒子的速度為Vi= [Vi1,Vi2…,ViD]T,其個(gè)體極值為 Pi=[Pi1,Pi2…,PiD]T,種群的全局極值為Pg=[Pg1,Pg2…,PgD]T。

    在每一次迭代過(guò)程中,粒子通過(guò)個(gè)體極值和全局極值更新自己的速度和位置,更新公式為:

    式中∶ω為慣性權(quán)重因子,其值非負(fù),值的大小影響整體的尋優(yōu)能力;i=1,2,…,n,n為群體中粒子總數(shù);d=1,2,…,D,表示維數(shù);k為當(dāng)前迭代次數(shù);Vid為粒子速度;Xid為粒子位置;c1和c2為加速度因子,通常在0~2之間取值,本實(shí)驗(yàn)中取c1=1.5,c2=1.7;r1和r2為分布在[0-1]之間的隨機(jī)數(shù)。

    粒子群優(yōu)化算法收斂快,但存在著容易早熟收斂、搜索精度較低、后期迭代效率不高等缺點(diǎn)。因此,本文提出了自適應(yīng)變異[13-14]的粒子群優(yōu)化算法,指通過(guò)一定的準(zhǔn)則和判定條件對(duì)相應(yīng)的粒子采取變異操作,產(chǎn)生新的粒子,引導(dǎo)種群向最優(yōu)解方向收斂。自適應(yīng)變異操作拓展了在迭代中不斷縮小的種群搜索空間,使粒子可以跳出之前搜索到的最優(yōu)值位置,在更大的空間展開(kāi)搜索,同時(shí)保持了種群的多樣性,提高了算法尋找到最優(yōu)質(zhì)的可能性。其基本思想就是在粒子每次更新之后,以一定概率重新初始化粒子。

    3 實(shí)驗(yàn)與分析

    本實(shí)驗(yàn)采用不分光紅外法(NDIR)對(duì)含CO、CO2和C3H8化合物的混合氣體濃度進(jìn)行檢測(cè)。紅外光源采用HawkEye公司生產(chǎn)的為快速電調(diào)制提供完美解決方案的IR55紅外光源,輸出光譜范圍為中紅外區(qū)2 μm~20 μm,而所需測(cè)量的CO、CO2、HC化合物的吸收光譜峰值主要在中紅外區(qū)3 μm~5 μm區(qū)域,所以IR55完全滿足紅外吸收法對(duì)混合氣體的測(cè)量要求,可以保證在3 μm~5 μm區(qū)域有足夠的光能量輸出。通過(guò)MCU產(chǎn)生的脈沖信號(hào)對(duì)紅外光源進(jìn)行調(diào)制,使其產(chǎn)生3 μm~5 μm范圍的連續(xù)紅外光,通過(guò)一定長(zhǎng)度的氣室內(nèi),氣室中充有待測(cè)濃度的多組分混合氣體。由于混合氣體中各組分對(duì)紅外線波段中特征波長(zhǎng)紅外線能量的吸收,特定波長(zhǎng)范圍的光源通過(guò)氣體后,在相應(yīng)氣體的吸收譜線處會(huì)發(fā)生光強(qiáng)的衰減,紅外線的能量將減少。探測(cè)器的4個(gè)通道分別為CO檢測(cè)通道、CO2檢測(cè)通道、HC化合物檢測(cè)通道和參考通道。參考通道用來(lái)獲得其他波長(zhǎng)的光無(wú)吸收時(shí)的光能量,然后對(duì)各光路的輸出進(jìn)行作比運(yùn)算,減少由于光源的發(fā)射功率起伏和探測(cè)器靈敏度不穩(wěn)定引起的測(cè)量誤差,使得到的計(jì)算結(jié)果與光源發(fā)射和探測(cè)器無(wú)關(guān),只與氣體的濃度和氣室的長(zhǎng)度有關(guān)。每個(gè)通道檢測(cè)對(duì)應(yīng)氣體吸收后剩余光強(qiáng)度并轉(zhuǎn)化為3組不同的電信號(hào),與參考通道的輸出作比后,經(jīng)放大濾波作為模型的輸入。整個(gè)測(cè)試系統(tǒng)的原理如圖1所示。

    圖1 NDIR測(cè)試系統(tǒng)原理圖

    圖1中,所選探測(cè)器是PerkinElmer公司生產(chǎn)的TPS4339熱電堆探測(cè)器,是基于熱電偶測(cè)溫原理,用于紅外光探測(cè)的2×2矩陣規(guī)則排列的4通道探測(cè)器,如圖2所示。由許多熱電偶串聯(lián)而成,提高了探測(cè)器對(duì)紅外輻射產(chǎn)生溫度變化的響應(yīng)度;各個(gè)輸出的熱電勢(shì)疊加,因此熱電堆探測(cè)器所產(chǎn)生的熱電勢(shì)遠(yuǎn)遠(yuǎn)大于普通的熱電偶探測(cè)器;在探測(cè)節(jié)點(diǎn)處增加了光接收面的面積,可更加有效的吸收紅外光;4個(gè)熱電堆探測(cè)器分別擁有獨(dú)立的密封了不同紅外濾光片的透射窗口,相互之間沒(méi)有信號(hào)干擾,通過(guò)在每個(gè)熱電堆探測(cè)器前面的窗口處安裝不同的紅外濾光片,最多可同時(shí)測(cè)量四種氣體。要同時(shí)測(cè)量的3種氣體分別為:CO、CO2和HC化合物,通過(guò)氣體吸收光譜分析,選擇氣體通道的濾光片濾波范圍分別為:4.66 μm+0.015 nm、4.43 μm+40 nm、3.46 μm+50 nm;參考通道濾波范圍:3.93 μm+50 nm。這些特點(diǎn)使得探測(cè)器應(yīng)用于氣體檢測(cè)的信號(hào)處理能力明顯提高,分辨率顯著增強(qiáng),滿足氣體檢測(cè)的需要。

    圖2 TPS4339頂部視圖

    本實(shí)驗(yàn)以2×2探測(cè)器對(duì)含CO、CO2和C3H8的三種混合氣體進(jìn)行定量分析。所測(cè)混合氣體為0.5%~8%的CO,3.6%~12.5%的CO2,和200×10-6~3 270×10-6的C3H8。為了便于數(shù)據(jù)處理,對(duì)標(biāo)準(zhǔn)濃度進(jìn)行歸一化處理,便是模型的期望輸出。為提高檢測(cè)精度,針對(duì)不同氣體采用獨(dú)立建模的方法。選擇其中的15組樣本為訓(xùn)練集,建立SVM模型并查看模型在訓(xùn)練集上的回歸效果;選擇剩余的5組樣本為測(cè)試集,用建立好的模型對(duì)測(cè)試集進(jìn)行回歸預(yù)測(cè),并驗(yàn)證SVM模型的預(yù)測(cè)精度和水平(詳情見(jiàn)表3)。模型的建立需要對(duì)懲罰參數(shù)c(選取范圍0~100)和RBF核參數(shù)g(選取范圍0~1 000)進(jìn)行合理的優(yōu)化選擇,本文采用自適應(yīng)變異粒子群優(yōu)化算法進(jìn)行參數(shù)尋優(yōu),具體的優(yōu)化流程如圖3所示。

    圖3 自適應(yīng)變異PSO參數(shù)優(yōu)化流程圖

    優(yōu)化流程為:①選取20組實(shí)驗(yàn)數(shù)據(jù)中的15組做訓(xùn)練樣本,剩余的5組做測(cè)試樣本;②初始化參數(shù)c和g,建立SVM回歸模型;③由于每個(gè)粒子群只能優(yōu)化一個(gè)參數(shù),因此設(shè)置粒子群的維數(shù)為2,每維粒子群中粒子的數(shù)目選取10~30為宜,本實(shí)驗(yàn)選擇20。迭代次數(shù)為200代。根據(jù)兩個(gè)參數(shù)的優(yōu)化范圍對(duì)粒子群的初始位置和速度進(jìn)行初始化;④設(shè)置適應(yīng)度函數(shù)為模型預(yù)測(cè)結(jié)果的均方差;⑤將粒子適應(yīng)度值進(jìn)行橫向或縱向比較后獲得當(dāng)前群體的最優(yōu)位置。根據(jù)式(7)及式(8)更新粒子的速度和位置;⑥優(yōu)化流程的結(jié)束條件為模型預(yù)測(cè)結(jié)果均方差為0或者迭代次數(shù)達(dá)到設(shè)定值。未達(dá)到結(jié)束條件則轉(zhuǎn)第4步。

    選定好最優(yōu)參數(shù)組合(c,g)后,對(duì)訓(xùn)練集進(jìn)行訓(xùn)練,建立SVM回歸模型,之后對(duì)測(cè)試集進(jìn)行回歸分析,得到測(cè)試集的模型預(yù)測(cè)結(jié)果。

    為提高模型預(yù)測(cè)精度,本實(shí)驗(yàn)針對(duì)不同組分氣體采用獨(dú)立建模的方法,因此在應(yīng)用自適應(yīng)變異粒子群優(yōu)化算法對(duì)SVM的參數(shù)優(yōu)選的過(guò)程中,應(yīng)針對(duì)不同氣體分別優(yōu)化,在本實(shí)驗(yàn)中即分別優(yōu)化CO、CO2和C3H8化合物的模型參數(shù)。以CO氣體分析模型參數(shù)優(yōu)化為例,選取粒子群維數(shù)為2,種群數(shù)量20,粒子群優(yōu)化迭代次數(shù)200代,ω取初值為0.9,終止值為0.4,根據(jù)線性遞減慣性權(quán)重(Linear Decreasing Inertia Weight,LDIW)進(jìn)行調(diào)整,學(xué)習(xí)因子c1=1.5,c2=1.7。根據(jù)圖3參數(shù)優(yōu)化流程計(jì)算,可得到如圖4所示的粒子群優(yōu)化誤差曲線。橫軸為優(yōu)化代數(shù),縱軸為適應(yīng)度值,即模型測(cè)試樣本計(jì)算結(jié)果的均方誤差。

    由圖4可以看出,粒子的適應(yīng)度值基本在0.01~0.05之間很小的范圍內(nèi),即模型預(yù)測(cè)結(jié)果的平均絕對(duì)誤差很小,在4%以下,滿足尾氣檢測(cè)標(biāo)準(zhǔn)的要求。優(yōu)化200代所用時(shí)間為10.859 8 s,最優(yōu)c為39.315 2,最優(yōu)g為0.178 55。將得到的最優(yōu)參數(shù)組合(c,g)代入支持向量機(jī)重建傳感器模型,可以得到模型在訓(xùn)練樣本和測(cè)試樣本的預(yù)測(cè)結(jié)果,如圖5、圖6所示。其中訓(xùn)練樣本的測(cè)試結(jié)果均方差為5.30263×10-5,測(cè)試樣本預(yù)測(cè)結(jié)果的均方差為0.000 107 812。

    圖4 自適應(yīng)變異PSO參數(shù)尋優(yōu)結(jié)果圖(CO)

    由圖5可以看出利用訓(xùn)練集建立的模型對(duì)CO訓(xùn)練集本身做預(yù)測(cè)時(shí),模型預(yù)測(cè)值和CO實(shí)際濃度值很好地吻合,誤差極?。粚⒛P蛻?yīng)用于CO測(cè)試集的預(yù)測(cè),如圖6所示,效果明顯,曲線很好地逼近真實(shí)濃度,說(shuō)明本實(shí)驗(yàn)建立的模型預(yù)測(cè)精度高,可應(yīng)用于混合氣體中CO氣體的回歸預(yù)測(cè)。

    同樣的,可以得到經(jīng)過(guò)自適應(yīng)變異PSO優(yōu)化建立其他氣體模型所用時(shí)間、最優(yōu)參數(shù)和訓(xùn)練集、測(cè)試集預(yù)測(cè)結(jié)果均方誤差如表1所示。根據(jù)尋優(yōu)結(jié)果建立的混合氣體定量分析模型測(cè)試數(shù)據(jù)仿真結(jié)果如表3所示。若采用遺傳算法[15]對(duì)SVM進(jìn)行參數(shù)尋優(yōu),需要將解空間映射到編碼空間,每個(gè)編碼對(duì)應(yīng)問(wèn)題的一個(gè)潛在解。這里,將編碼長(zhǎng)度設(shè)置為3,每一位對(duì)應(yīng)一個(gè)輸入自變量(探測(cè)器檢測(cè)的CO、CO2、C3H8),每一位的基因取值只有1和0兩種情況。選取訓(xùn)練集樣本均方差作為遺傳算法的適應(yīng)度函數(shù),經(jīng)過(guò)不斷地迭代進(jìn)化,最終找到最優(yōu)解。本實(shí)驗(yàn)設(shè)定迭代次數(shù)200代,種群規(guī)模為20。尋優(yōu)的流程如圖7所示。以CO樣本為例,選擇同PSO優(yōu)化相同的訓(xùn)練集,最終尋優(yōu)結(jié)果曲線如圖8所示。

    圖5 CO訓(xùn)練集實(shí)際濃度和預(yù)測(cè)對(duì)比圖

    圖6 CO測(cè)試集實(shí)際濃度和預(yù)測(cè)對(duì)比圖

    表1 PSO尋優(yōu)結(jié)果對(duì)比

    圖7 遺傳算法尋優(yōu)流程圖

    由圖8可以看到,CO訓(xùn)練集整個(gè)優(yōu)化過(guò)程,適應(yīng)度值變化比較大,平均適應(yīng)度值最高達(dá)到0.08,最低達(dá)到0;最佳適應(yīng)度值從0.03開(kāi)始陡降,在大約12代趨于穩(wěn)定,尋優(yōu)終止于100代,所需時(shí)間約為14.644 s,最優(yōu)c為1.470 3,最優(yōu)g為0.222 21。將得到的最優(yōu)參數(shù)組合(c,g)代入支持向量機(jī)重建傳感器模型,可以得到訓(xùn)練樣本的測(cè)試結(jié)果均方差為4.612 27×10-5,測(cè)試樣本預(yù)測(cè)結(jié)果的均方差為0.000 1627 08。

    圖8 遺傳算法參數(shù)尋優(yōu)結(jié)果圖(CO)

    同樣的,可以得到經(jīng)過(guò)遺傳算法優(yōu)化建立其他氣體模型所用時(shí)間、最優(yōu)參數(shù)和訓(xùn)練集、測(cè)試集預(yù)測(cè)結(jié)果均方誤差如表2所示。根據(jù)尋優(yōu)結(jié)果建立的混合氣體定量分析模型測(cè)試數(shù)據(jù)仿真結(jié)果如表3所示。

    表2 遺傳算法尋優(yōu)結(jié)果對(duì)比

    表3 仿真結(jié)果對(duì)比圖

    由表1~表3中的數(shù)據(jù)可以看出:兩種方法建立的氣體定量分析模型的測(cè)試誤差水平是不相同的。遺傳算法優(yōu)化建立的CO2氣體定量分析模型的誤差很大,說(shuō)明在進(jìn)行混合氣體獨(dú)立建模的過(guò)程中,遺傳算法并不能準(zhǔn)確的預(yù)測(cè)出CO2組分。自適應(yīng)變異粒子群優(yōu)化建立的三組分混合氣體定量分析模型可以很好地預(yù)測(cè)混合氣體中各組分氣體的濃度,誤差很小,建模所需時(shí)間為39.524s。

    因此將自適應(yīng)變異粒子群優(yōu)化算法結(jié)合SVM建立多組分混合氣體定量分析模型是有效可行的。粒子群優(yōu)化算法實(shí)現(xiàn)簡(jiǎn)單、優(yōu)化率高,通過(guò)信息共享縮短了尋優(yōu)時(shí)間,提高了收斂速度;通過(guò)自適應(yīng)變異,跳出局部最優(yōu),保證在全局范圍內(nèi)找到最優(yōu)解。

    4 結(jié)論

    本文將自適應(yīng)變異粒子群優(yōu)化算法應(yīng)用于支持向量機(jī)的參數(shù)尋優(yōu),對(duì)濃度范圍在0.5%~8%的CO、3.6%~12.5%的CO2及200×10-6~3 270×10-6的C3H83種組分混合氣體進(jìn)行定量分析,選取其中15組樣本作為訓(xùn)練集,建立了SVM回歸模型,并對(duì)訓(xùn)練集進(jìn)行預(yù)測(cè)分析,以檢測(cè)模型的準(zhǔn)確度;選擇剩余的5組氣體樣本作為驗(yàn)證集,驗(yàn)證模型的預(yù)測(cè)精度和水平。在SVM參數(shù)的選取問(wèn)題上,提出了自適應(yīng)變異粒子群參數(shù)尋優(yōu)法,對(duì)各組分氣體采取獨(dú)立建模的方式。與啟發(fā)式遺傳算法相比,在尋優(yōu)時(shí)間相差不大的情況下,測(cè)試結(jié)果均方差明顯小于遺傳算法。其中,粒子群優(yōu)化建模所用時(shí)間為39.524 s,遺傳算法為26.272 s;粒子群優(yōu)化訓(xùn)練集預(yù)測(cè)結(jié)果均方差分別為:CO,5.302 63×10-5;CO2,0.000 123 758;C3H8,9.569 22×10-5。粒子群建模對(duì)測(cè)試集的預(yù)測(cè)結(jié)果均方差分別為:CO,0.000 107 812;CO2,0.000 221 996;C3H8,0.000 226 165。遺傳算法優(yōu)化訓(xùn)練集預(yù)測(cè)結(jié)果均方差分別為:CO,4.612 27×10-5;CO2,2.149 52;C3H8,3.719 87×10-5。遺傳算法建模對(duì)測(cè)試集的預(yù)測(cè)結(jié)果均方差分別為:CO,0.000 162 708;CO2,2.146 01;C3H8,3.970 9×10-5。可以看出,雖然PSO尋優(yōu)時(shí)間長(zhǎng)于遺傳算法,但是預(yù)測(cè)精度卻高于遺傳算法,特別是針對(duì)CO2獨(dú)立建模的預(yù)測(cè)結(jié)果,犧牲一點(diǎn)時(shí)間而提高測(cè)量精度在實(shí)驗(yàn)中是可以接受的。因此,將自適應(yīng)變異粒子群優(yōu)化與SVM相結(jié)合建立多組分混合氣體紅外光譜的定量分析模型具有一定的發(fā)展?jié)摿涂赏诰蚩臻g。

    [1]余大洲.基于RBF神經(jīng)網(wǎng)絡(luò)的可燃?xì)怏w檢測(cè)系統(tǒng)的研究[D].長(zhǎng)安大學(xué),2014.

    [2]耿志廣,王希武,王寅龍,等.基于人工神經(jīng)網(wǎng)絡(luò)的電子鼻對(duì)混合氣體檢測(cè)研究[J].現(xiàn)代計(jì)算機(jī):專業(yè)版,2010(5):45-48.

    [3]喬聰明.PLS-SVR的三組分混合氣體定量分析[J].太原理工大學(xué)學(xué)報(bào),2014,45(1):120-122,127.

    [4]張愉,童敏明,戴桂平.基于OBLPSO-LSSVM的一氧化碳濃度檢測(cè)[J].計(jì)算機(jī)工程與應(yīng)用,2013,49(24):249-252,261.

    [5]張其林.基于支持向量機(jī)的紅外光譜混合氣體組分分析[J].計(jì)算機(jī)時(shí)代,2010(1):9-11.

    [6]金翠云,崔瑤,王穎.粒子群優(yōu)化的SVM算法在氣體分析中的應(yīng)用[J].電子測(cè)量與儀器學(xué)報(bào),2012,26(7):635-639.

    [7]李玉軍,湯曉君,劉君華.基于粒子群優(yōu)化的最小二乘支持向量機(jī)在混合氣體定量分析中的應(yīng)用[J].光譜學(xué)與光譜分析,2010,30(3):774-778.

    [8]Manouchehrian Amin,Sharifzadeh Mostafa,Hamidzadeh,et al.Selection of Regression Models for Predicting Strength and Deformability Properties of Rocks Using GA[J].International Journal of Mining Science and Technology,2013,23(4):492-498.

    [9]宋召青,崔和,胡云安.支持向量機(jī)理論的研究與進(jìn)展[J].海軍航空工程學(xué)院學(xué)報(bào),2008,23(2):143-148,152.

    [10]孫小慧,孫恒,吳濤.粗糙隨機(jī)樣本的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則[J].周口師范學(xué)院學(xué)報(bào),2012,29(5):7-12,17.

    [11]付華,王馨蕊,楊本臣,等.基于MPSO-CWLS-SVM的瓦斯涌出量預(yù)測(cè)[J].傳感技術(shù)學(xué)報(bào),2014,27(11):1568-1572.

    [12]付華,王馨蕊,王志軍,等.基于PCA和PSO-ELM的煤與瓦斯突出軟測(cè)量研究[J].傳感技術(shù)學(xué)報(bào),2014,27(12):1710-1715.

    [13]Andrews P S.An Investigation into Mvolutionary Operators for Particle Swarm Optimization[C]//IEEE Congress on Evolutionary Computation,Vancouver,2006:1029-1036.

    [14]Parsopoulos E,Vrahatis M N.Parameter Selection and Adaption in Unified Particle Swarm Optimization[J].Mathmatical and Computer Modeling,2007,46(3):198-213.

    [15]徐冰,王星,Dhaene Tom,等.基于遺傳算法的多目標(biāo)最小二乘支持向量機(jī)在近紅外多組分定量分析中的應(yīng)用[J].光譜學(xué)與光譜分析,2014,34(3):638-642.

    曲 ?。?989-),男,山東青島人,在讀研究生,主要研究方向?yàn)闄z測(cè)技術(shù),13645712326@163.com;

    陳紅巖(1965-),男,浙江杭州市,教授,研究生導(dǎo)師,浙江大學(xué)內(nèi)燃機(jī)工程專業(yè)碩士、博士學(xué)位;上海交通大學(xué)動(dòng)力與機(jī)械工程專業(yè)博士后。主要研究領(lǐng)域?yàn)槠?chē)電子、發(fā)動(dòng)機(jī)排放與控制等,bbchy@163.com。

    Application of Support Vector Machine Based on Adaptive Mutation Particle Swarm Optimization in Analysis of Gas Mixture

    QU Jian,CHEN Hongyan*,LIU Wenzhen,ZHANG Bing,LI Zhibin
    (College of Mechanical and Electrical Engineering,China Jiliang University,Hangzhou 310018,China)

    For the difficult in selecting parameter of SVM modeling,the data calculation excessive in infrared spectroscopy,as well as crosstalk between gases and other issues in the quantitative analysis of mixed gas.A solution of adaptive mutation particle swarm optimization support vector machine was proposed.It was to establish the models of a multi-component mixture gases quantitative analysis based on infrared spectroscopy.Multi-component mixture gases are composed of CO,with the concentration range from 0.5%to 8%;CO2,with the concentration range from 3.6%to 12.5%;C3H8,with the concentration range from 200×10-6to 3270×10-6.Use the Particle swarm optimization algorithm to optimize select the parameters in support vector machine modeling,and compare the support vector machine modeling parameters in genetic algorithm optimization.Experiments show that it takes 39.524 s for modeling and it takes 26.272 s with genetic algorithm;for the predict results of CO2in independent modeling,the variance of PSO algorithms is 0.000 123 758,the variance of genetic algorithms is 2.149 52.In the case of modeling time slightly higher,the predict results were significantly lower than the variance of the genetic algorithm.

    sensor application;SVM;particle swarm optimization;genetic algorithms;quantitative analysis

    TH744

    A

    1004-1699(2015)08-1262-07

    ??7230;4145

    10.3969/j.issn.1004-1699.2015.08.027

    2015-04-06 修改日期:2015-05-25

    猜你喜歡
    混合氣體遺傳算法向量
    SF6/N2混合氣體負(fù)流注放電特性的模擬研究
    吉林電力(2022年2期)2022-11-10 09:24:46
    向量的分解
    聚焦“向量與三角”創(chuàng)新題
    基于自適應(yīng)遺傳算法的CSAMT一維反演
    NO、O2及NO2混合氣體考點(diǎn)歸納
    一種基于遺傳算法的聚類分析方法在DNA序列比較中的應(yīng)用
    基于遺傳算法和LS-SVM的財(cái)務(wù)危機(jī)預(yù)測(cè)
    混合氣體在聚合物注射成型保壓階段中擴(kuò)散的分子動(dòng)力學(xué)模擬
    向量垂直在解析幾何中的應(yīng)用
    基于改進(jìn)的遺傳算法的模糊聚類算法
    av在线观看视频网站免费| 亚洲精品一二三| 内地一区二区视频在线| 麻豆成人av视频| 天天躁夜夜躁狠狠久久av| 亚洲精品成人久久久久久| 久久久精品欧美日韩精品| 高清欧美精品videossex| 亚洲美女搞黄在线观看| 白带黄色成豆腐渣| 亚洲欧美精品专区久久| 激情 狠狠 欧美| 亚洲国产精品成人久久小说| 成年女人在线观看亚洲视频 | 亚洲精品自拍成人| 一级毛片电影观看| 亚洲欧美一区二区三区国产| 天堂av国产一区二区熟女人妻| 一级毛片黄色毛片免费观看视频| 婷婷六月久久综合丁香| 性色avwww在线观看| 成年av动漫网址| 国产午夜精品论理片| 天天躁夜夜躁狠狠久久av| 精品午夜福利在线看| 欧美成人一区二区免费高清观看| 亚洲天堂国产精品一区在线| av.在线天堂| 最新中文字幕久久久久| 欧美xxxx黑人xx丫x性爽| 午夜福利成人在线免费观看| 日本熟妇午夜| 国产午夜精品久久久久久一区二区三区| 男女边吃奶边做爰视频| 亚洲精品成人av观看孕妇| 成人欧美大片| av在线蜜桃| 五月玫瑰六月丁香| 一本久久精品| 国产在视频线在精品| 白带黄色成豆腐渣| 亚洲国产精品专区欧美| 性插视频无遮挡在线免费观看| 午夜激情欧美在线| 日日摸夜夜添夜夜添av毛片| 少妇人妻一区二区三区视频| 搡老乐熟女国产| 午夜激情福利司机影院| 国产成人一区二区在线| 美女主播在线视频| 69人妻影院| 嘟嘟电影网在线观看| 日韩成人伦理影院| 91av网一区二区| 美女xxoo啪啪120秒动态图| 非洲黑人性xxxx精品又粗又长| av专区在线播放| ponron亚洲| 精品久久国产蜜桃| 国产亚洲一区二区精品| 日本熟妇午夜| 在线观看一区二区三区| 国产在视频线精品| 成人欧美大片| 在线观看av片永久免费下载| 超碰av人人做人人爽久久| 青春草国产在线视频| 国产成人一区二区在线| 久久精品久久久久久噜噜老黄| 亚洲aⅴ乱码一区二区在线播放| 成人亚洲精品av一区二区| 国产成人精品福利久久| 五月天丁香电影| 亚洲图色成人| 黄色日韩在线| av免费在线看不卡| 国产精品一区www在线观看| 国产伦精品一区二区三区四那| 精品人妻偷拍中文字幕| 青青草视频在线视频观看| 国产69精品久久久久777片| 伦精品一区二区三区| 免费观看a级毛片全部| 搡老妇女老女人老熟妇| 又爽又黄a免费视频| 插逼视频在线观看| 亚洲国产欧美在线一区| 精品人妻熟女av久视频| 高清视频免费观看一区二区 | 九九爱精品视频在线观看| 99久久九九国产精品国产免费| 久久精品夜夜夜夜夜久久蜜豆| 欧美成人a在线观看| 天堂影院成人在线观看| 22中文网久久字幕| 视频中文字幕在线观看| 日本三级黄在线观看| 最近中文字幕2019免费版| 亚洲精品乱久久久久久| 国产精品一区www在线观看| 人人妻人人看人人澡| 午夜福利在线在线| 一个人观看的视频www高清免费观看| 亚洲图色成人| 亚洲第一区二区三区不卡| 亚洲av成人av| 亚洲人与动物交配视频| 免费大片黄手机在线观看| 欧美bdsm另类| 亚洲国产最新在线播放| 久久精品熟女亚洲av麻豆精品 | 大香蕉97超碰在线| 可以在线观看毛片的网站| 久久久午夜欧美精品| 国产精品精品国产色婷婷| 国产一级毛片在线| 欧美三级亚洲精品| 麻豆国产97在线/欧美| 97精品久久久久久久久久精品| 久久久久免费精品人妻一区二区| 日本wwww免费看| 精品久久久精品久久久| 精品久久久久久久人妻蜜臀av| 人人妻人人澡欧美一区二区| 欧美成人一区二区免费高清观看| 精品久久久久久久人妻蜜臀av| 中文欧美无线码| 色播亚洲综合网| 极品少妇高潮喷水抽搐| 三级国产精品欧美在线观看| 日本爱情动作片www.在线观看| 别揉我奶头 嗯啊视频| 一级毛片黄色毛片免费观看视频| 听说在线观看完整版免费高清| 中文字幕制服av| 色网站视频免费| 亚洲av福利一区| 国产精品久久久久久精品电影小说 | 在线播放无遮挡| 免费黄频网站在线观看国产| 一级毛片aaaaaa免费看小| 成人高潮视频无遮挡免费网站| 最近中文字幕2019免费版| 亚洲精品色激情综合| 国产黄色视频一区二区在线观看| 国产白丝娇喘喷水9色精品| 我的女老师完整版在线观看| 乱系列少妇在线播放| 亚洲无线观看免费| 成人国产麻豆网| 美女cb高潮喷水在线观看| 秋霞伦理黄片| 97人妻精品一区二区三区麻豆| 18禁在线无遮挡免费观看视频| 久久久久久久亚洲中文字幕| 亚洲精品亚洲一区二区| 男女视频在线观看网站免费| 久久久久久久亚洲中文字幕| 伦理电影大哥的女人| 插逼视频在线观看| 人体艺术视频欧美日本| 午夜日本视频在线| 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 | 好男人视频免费观看在线| 一级爰片在线观看| 日韩中字成人| 午夜免费激情av| 久久久精品免费免费高清| 街头女战士在线观看网站| 男女视频在线观看网站免费| 欧美日本视频| 日韩制服骚丝袜av| 青春草国产在线视频| 黄色日韩在线| 久久精品综合一区二区三区| 亚洲国产精品国产精品| 亚洲精品自拍成人| 一个人观看的视频www高清免费观看| 干丝袜人妻中文字幕| 成人一区二区视频在线观看| 十八禁国产超污无遮挡网站| 天堂av国产一区二区熟女人妻| 亚洲国产精品sss在线观看| av国产久精品久网站免费入址| 久久久a久久爽久久v久久| 精品人妻偷拍中文字幕| 成人无遮挡网站| a级一级毛片免费在线观看| 久久国产乱子免费精品| 国产精品美女特级片免费视频播放器| 波野结衣二区三区在线| 欧美性感艳星| 乱系列少妇在线播放| 一级爰片在线观看| 日韩视频在线欧美| 欧美不卡视频在线免费观看| 神马国产精品三级电影在线观看| 国产一区亚洲一区在线观看| 亚洲精品国产av成人精品| 天堂影院成人在线观看| 国产精品1区2区在线观看.| 久久久久久伊人网av| av女优亚洲男人天堂| 伊人久久精品亚洲午夜| 欧美另类一区| 日本色播在线视频| 精品人妻一区二区三区麻豆| 午夜精品一区二区三区免费看| 色5月婷婷丁香| 国产爱豆传媒在线观看| 国产不卡一卡二| 国产精品爽爽va在线观看网站| 国产精品久久久久久精品电影小说 | 夜夜看夜夜爽夜夜摸| 搡女人真爽免费视频火全软件| 水蜜桃什么品种好| 国产黄片美女视频| 综合色丁香网| 久久久久久久久久久丰满| 国内精品美女久久久久久| 久久精品综合一区二区三区| 国产精品麻豆人妻色哟哟久久 | 精品亚洲乱码少妇综合久久| 亚洲成人精品中文字幕电影| 国产精品嫩草影院av在线观看| 久久久久久久久久成人| 久久久精品94久久精品| 国产免费又黄又爽又色| 国产成人91sexporn| 午夜激情欧美在线| 永久免费av网站大全| 欧美激情在线99| 亚洲丝袜综合中文字幕| 美女黄网站色视频| 99久久人妻综合| 亚洲精品亚洲一区二区| 男人爽女人下面视频在线观看| 日韩欧美一区视频在线观看 | 久久精品熟女亚洲av麻豆精品 | 免费看av在线观看网站| 在线观看av片永久免费下载| 亚洲精品国产av成人精品| 久久精品国产亚洲av涩爱| 国产国拍精品亚洲av在线观看| 欧美日韩亚洲高清精品| 亚洲真实伦在线观看| 亚洲四区av| 久久久久国产网址| 国产亚洲最大av| 男女那种视频在线观看| 26uuu在线亚洲综合色| 久久精品夜色国产| 亚洲国产高清在线一区二区三| 国产黄片视频在线免费观看| 日韩成人伦理影院| 成人特级av手机在线观看| 在线观看人妻少妇| 精品久久久久久电影网| 啦啦啦啦在线视频资源| ponron亚洲| 国模一区二区三区四区视频| 麻豆成人av视频| 亚洲内射少妇av| 亚洲不卡免费看| 黄片无遮挡物在线观看| 简卡轻食公司| 夜夜看夜夜爽夜夜摸| 69av精品久久久久久| 人人妻人人看人人澡| 爱豆传媒免费全集在线观看| 亚洲av在线观看美女高潮| 亚洲成人精品中文字幕电影| 三级国产精品片| 日本-黄色视频高清免费观看| 嫩草影院新地址| 久久这里有精品视频免费| 国产成人91sexporn| 国产精品久久久久久久久免| 国产三级在线视频| 亚洲精品成人av观看孕妇| 国产成人精品久久久久久| 国精品久久久久久国模美| 日韩在线高清观看一区二区三区| 精品午夜福利在线看| 亚洲图色成人| 日本午夜av视频| 日韩一区二区三区影片| 神马国产精品三级电影在线观看| 51国产日韩欧美| av.在线天堂| 嫩草影院入口| 成人高潮视频无遮挡免费网站| or卡值多少钱| 国产伦精品一区二区三区四那| 亚洲一级一片aⅴ在线观看| 亚洲国产成人一精品久久久| 美女大奶头视频| 狂野欧美白嫩少妇大欣赏| 亚洲电影在线观看av| 69av精品久久久久久| 伦精品一区二区三区| 亚洲精品国产成人久久av| 国产色婷婷99| 我的女老师完整版在线观看| 中文在线观看免费www的网站| 日韩伦理黄色片| 婷婷色av中文字幕| 亚洲精品日韩av片在线观看| 色视频www国产| 久久热精品热| 男人和女人高潮做爰伦理| 波野结衣二区三区在线| 一区二区三区免费毛片| 白带黄色成豆腐渣| 国产成人a∨麻豆精品| 日本熟妇午夜| 综合色丁香网| 国产伦在线观看视频一区| 精品一区在线观看国产| 亚洲人成网站在线观看播放| 国产精品日韩av在线免费观看| 精品久久久噜噜| 日日撸夜夜添| 亚洲美女搞黄在线观看| 日本wwww免费看| 狠狠精品人妻久久久久久综合| 国产三级在线视频| 国产单亲对白刺激| 久久国产乱子免费精品| 特大巨黑吊av在线直播| 亚洲精品,欧美精品| 国产麻豆成人av免费视频| 午夜福利网站1000一区二区三区| 久久久久网色| 天堂中文最新版在线下载 | 亚洲精品成人av观看孕妇| 午夜福利高清视频| 国产精品美女特级片免费视频播放器| 日韩av在线免费看完整版不卡| 一本一本综合久久| 身体一侧抽搐| 精品欧美国产一区二区三| 亚洲第一区二区三区不卡| 国产在视频线精品| 国内精品美女久久久久久| 免费观看的影片在线观看| 三级男女做爰猛烈吃奶摸视频| 一个人观看的视频www高清免费观看| 人妻制服诱惑在线中文字幕| 国产av国产精品国产| 亚洲最大成人中文| 亚洲欧美日韩卡通动漫| 一个人看的www免费观看视频| 91久久精品国产一区二区成人| 搞女人的毛片| 午夜亚洲福利在线播放| 看免费成人av毛片| av卡一久久| 精品酒店卫生间| 一二三四中文在线观看免费高清| 国产精品一区二区在线观看99 | 亚洲,欧美,日韩| 最近视频中文字幕2019在线8| 国产激情偷乱视频一区二区| 欧美另类一区| 亚洲精品一二三| 乱人视频在线观看| 高清视频免费观看一区二区 | 九九在线视频观看精品| 亚洲va在线va天堂va国产| 亚洲美女视频黄频| 日日啪夜夜爽| 日韩欧美三级三区| 免费人成在线观看视频色| 国产成人福利小说| 欧美日本视频| 一夜夜www| 精品少妇黑人巨大在线播放| av在线播放精品| 人妻制服诱惑在线中文字幕| 六月丁香七月| 高清午夜精品一区二区三区| 最近手机中文字幕大全| 午夜福利网站1000一区二区三区| 午夜激情欧美在线| 亚洲国产精品sss在线观看| 如何舔出高潮| 婷婷六月久久综合丁香| 国产高清三级在线| 夫妻午夜视频| 在线播放无遮挡| 久久综合国产亚洲精品| 日韩国内少妇激情av| 一夜夜www| 国产精品一区二区三区四区免费观看| 亚洲精品影视一区二区三区av| 国产白丝娇喘喷水9色精品| 亚洲婷婷狠狠爱综合网| 国产熟女欧美一区二区| 国产精品久久久久久精品电影小说 | 丝袜喷水一区| 国产国拍精品亚洲av在线观看| 成人欧美大片| 我要看日韩黄色一级片| 久久精品国产亚洲av涩爱| 女人十人毛片免费观看3o分钟| 国产精品.久久久| 91精品伊人久久大香线蕉| 精品不卡国产一区二区三区| 成年人午夜在线观看视频 | 亚洲综合精品二区| 精品熟女少妇av免费看| 乱系列少妇在线播放| 汤姆久久久久久久影院中文字幕 | 久久热精品热| 麻豆av噜噜一区二区三区| 久久国产乱子免费精品| 亚洲国产精品国产精品| 国产av不卡久久| 天堂av国产一区二区熟女人妻| 我要看日韩黄色一级片| 99久久九九国产精品国产免费| av国产久精品久网站免费入址| 精品熟女少妇av免费看| 男人和女人高潮做爰伦理| 久久久久久久久久人人人人人人| 国产精品女同一区二区软件| 亚洲久久久久久中文字幕| 永久免费av网站大全| 日韩成人av中文字幕在线观看| 国产探花在线观看一区二区| 免费观看a级毛片全部| 日韩 亚洲 欧美在线| 熟女电影av网| 少妇裸体淫交视频免费看高清| 欧美一级a爱片免费观看看| 久久精品夜夜夜夜夜久久蜜豆| 美女高潮的动态| 国产乱人视频| 五月天丁香电影| 国产精品久久久久久久电影| 91久久精品国产一区二区成人| 伦精品一区二区三区| 精品一区在线观看国产| 国产淫语在线视频| 亚洲精品乱久久久久久| 精品久久久久久久久久久久久| 久久精品国产自在天天线| 欧美3d第一页| 国产乱人视频| 国产精品久久久久久精品电影小说 | av免费观看日本| 亚洲精品中文字幕在线视频 | 日韩一区二区三区影片| 最新中文字幕久久久久| 蜜桃久久精品国产亚洲av| 美女黄网站色视频| 亚洲人成网站在线观看播放| 成人午夜高清在线视频| 欧美日韩一区二区视频在线观看视频在线 | 色播亚洲综合网| 草草在线视频免费看| 国产精品一区二区性色av| 免费观看的影片在线观看| 身体一侧抽搐| 成人性生交大片免费视频hd| 欧美精品一区二区大全| 中文乱码字字幕精品一区二区三区 | 高清午夜精品一区二区三区| 欧美xxxx黑人xx丫x性爽| 国产白丝娇喘喷水9色精品| 亚洲av一区综合| 久久这里有精品视频免费| 丰满人妻一区二区三区视频av| 成人亚洲精品av一区二区| 欧美日韩在线观看h| 最近的中文字幕免费完整| 1000部很黄的大片| 亚洲四区av| 国内精品美女久久久久久| 一本一本综合久久| 波野结衣二区三区在线| 69人妻影院| 看免费成人av毛片| 国产av国产精品国产| 久久鲁丝午夜福利片| 青青草视频在线视频观看| av在线亚洲专区| 偷拍熟女少妇极品色| 尾随美女入室| 欧美一区二区亚洲| 中国美白少妇内射xxxbb| 成人漫画全彩无遮挡| 欧美日本视频| 青青草视频在线视频观看| 欧美人与善性xxx| 91久久精品国产一区二区成人| 亚洲欧美精品自产自拍| 亚洲精品成人av观看孕妇| 久久精品夜夜夜夜夜久久蜜豆| 欧美97在线视频| 美女xxoo啪啪120秒动态图| 国产高清不卡午夜福利| 少妇人妻精品综合一区二区| 日韩精品有码人妻一区| 国产免费又黄又爽又色| 观看美女的网站| 国产有黄有色有爽视频| 97精品久久久久久久久久精品| 国产一区二区在线观看日韩| 国产色婷婷99| 嫩草影院新地址| 欧美xxⅹ黑人| 亚洲精品456在线播放app| 爱豆传媒免费全集在线观看| 一级毛片黄色毛片免费观看视频| 午夜激情福利司机影院| 精品久久久久久电影网| 少妇的逼水好多| 久久97久久精品| 日本黄大片高清| 成人鲁丝片一二三区免费| 国产 亚洲一区二区三区 | 成年女人在线观看亚洲视频 | 国产91av在线免费观看| 国产亚洲午夜精品一区二区久久 | 精品不卡国产一区二区三区| 在线观看av片永久免费下载| 亚洲国产精品成人综合色| 成人亚洲精品一区在线观看 | 欧美日韩亚洲高清精品| 街头女战士在线观看网站| 少妇熟女欧美另类| 亚洲精品亚洲一区二区| 国产乱来视频区| 国产精品福利在线免费观看| 国产精品伦人一区二区| 五月伊人婷婷丁香| 九九爱精品视频在线观看| 国产成人91sexporn| 国产高清三级在线| 午夜激情久久久久久久| 成年女人在线观看亚洲视频 | 国产高清有码在线观看视频| 伦理电影大哥的女人| 一区二区三区免费毛片| 天堂中文最新版在线下载 | 91精品伊人久久大香线蕉| 色网站视频免费| 男人和女人高潮做爰伦理| av免费观看日本| 精品国内亚洲2022精品成人| 少妇猛男粗大的猛烈进出视频 | 国产视频首页在线观看| 精品国产露脸久久av麻豆 | 亚洲精品亚洲一区二区| 中文字幕人妻熟人妻熟丝袜美| 最近视频中文字幕2019在线8| 全区人妻精品视频| 蜜桃亚洲精品一区二区三区| 国产黄a三级三级三级人| 黄色一级大片看看| 久久久久精品性色| 亚洲怡红院男人天堂| 国产午夜精品一二区理论片| 午夜福利在线观看吧| 国产黄频视频在线观看| 亚洲在线自拍视频| 免费观看无遮挡的男女| 亚洲精品乱码久久久久久按摩| 日韩欧美国产在线观看| 观看美女的网站| 纵有疾风起免费观看全集完整版 | 国产一区二区三区av在线| 成人美女网站在线观看视频| 亚洲aⅴ乱码一区二区在线播放| 久久精品人妻少妇| 老女人水多毛片| 欧美日韩视频高清一区二区三区二| 国产精品一区二区性色av| 内地一区二区视频在线| 国产精品精品国产色婷婷| 亚洲电影在线观看av| 亚洲av不卡在线观看| 国产精品三级大全| 欧美区成人在线视频| 一级av片app| 精品久久久久久久久av| 精品不卡国产一区二区三区| 一级av片app| 久久久久久久午夜电影| 国产熟女欧美一区二区| 女的被弄到高潮叫床怎么办| 精品一区在线观看国产| 国产午夜福利久久久久久| 极品教师在线视频| 色综合站精品国产| 亚洲电影在线观看av| 亚洲人成网站在线播| 国产精品精品国产色婷婷| 国产免费一级a男人的天堂| 蜜桃久久精品国产亚洲av| av在线天堂中文字幕| 纵有疾风起免费观看全集完整版 | 欧美日韩精品成人综合77777| 欧美变态另类bdsm刘玥| 99久久精品国产国产毛片| 免费播放大片免费观看视频在线观看| 国产精品不卡视频一区二区| 在线 av 中文字幕| 亚洲国产精品专区欧美| 国产成人freesex在线| 午夜激情福利司机影院| 亚洲国产欧美在线一区| av天堂中文字幕网|