• <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 ?

    基于聚類融合的不平衡數據分類方法

    2015-12-02 03:01:00祿鎧銑
    關鍵詞:識別率聚類數量

    祿鎧銑

    (澳門大學)

    0 引言

    不平衡數據集的特征就是在數據集里有一種樣本的數量大大小于其他的樣本數量.對于不平衡數據級來說,使用比較傳統(tǒng)的分類手段對其進行分類的話,其結果會十分的傾向多數類,一般來說,人們極為重視少數類,如果少數類被錯分,那么付出的代價十分的大,假如將入侵數據看作是正常數據來對待,有極大幾率會導致不必要的損失.

    在數據挖掘與模式識別等等行業(yè)越來越喜歡用聚類算法了.如今聚類算法有很多種,可是,幾乎所有的聚類算法都有明顯的缺陷.因此,該文使用聚類融合技術,用來讓算法更加穩(wěn)定.

    1 基于聚類融合的不平衡數據分類方法

    1.1 聚類融合

    最近幾年內,融合方法大量應用在分類和回歸中,而且已經進入到了聚類行業(yè)中.Fred A L參考傳感器融合與分類器融合的成功經驗,發(fā)現了新的方法.它的詳細定義就是:把一組數據進行聚類的不一樣的結果相互融合,而不會使用該數據原來的自身特點.

    主要在兩個方面進行探究:(1)怎樣生成有效果的聚類成員;(2)怎么對共識函數進行設計,讓聚類成員能夠合并到一起.具體就是聚類成員之間的區(qū)別,究竟對聚類融合結果有何影響,是否會影響聚類融合的穩(wěn)定.聚類融合重點:

    如果有包括n個對象的數據集X={x1,x2,…,xn},使用h次聚類的算法讓X數據集能夠得到 h 個結果,H={C1,C2,…,Ch},當中 Ck(k=1,2,…,h)為了可以得出聚類結果重點在于對第k次算法.將h個聚類成員的不同的聚類結果加在一起,然后利用比較專業(yè)的共識函數,得出有關結果.

    相比于單一算法,聚類融合算法可以得到更好地結果.

    (1)魯棒性:不論是何種領域與數據集,這種方法的平均性能無疑是最強的.

    (2)適用性:聚類結果是一般是單一聚類方法不能比擬的.

    (3)穩(wěn)定性與確定性評價:聚類結果有一定的不確定性,可以從融合布局方面來進行評估噪聲、孤立點與抽樣,這對于聚類結果來說,沒有多大的影響.

    (4)并行與可擴展性:可以讓數據子集并行合并或者是并行聚類,還可以合并分布式的數據源聚類結果或者是數據屬性的聚類結果.

    1.2 不平衡數據分類方法

    機器學習行業(yè)的重點探究對象就是分類問題,部分分類方法都日漸成熟,用這些分類方法來對平衡數據進行分類,肯定可以有不錯的效果.但是,很多行業(yè)里還是有很多不均衡數據及存在的.以往傳統(tǒng)分類方法似乎偏向于對多數類有比較高的識別率,少數類識別率則相對比較低.所以,對不均衡數據集有關分類問題的探究,必須要找到一些新的手段與辨別準則.

    不平衡數據的分類大致可以分為兩種:以數據層面作為基礎與將算法層面作為基礎的方法.

    1.2.1 數據層面的處理方法

    數據層面的處理方法就是將數據進行重抽樣,包括兩種處理辦法,分別是過抽樣和欠抽樣.

    一致子集(consistent subset).

    編輯技術(常用的是W ilson.s editing)

    以及單邊選擇(one-sided selection)等[1-2].

    以上技術最重要的是啟發(fā)性的使用(加權)歐氏距離和K-近鄰規(guī)則去辨別能夠科學刪除的樣本.Barandela 等人[3]和 Batista 等人[4]都對以上多種欠抽樣方法進行了細致的試驗與深入的探究.Dehmeshki等人[5]發(fā)現了以規(guī)則作為基礎的數據過濾技術,實際上也屬于欠抽樣方法.

    和欠抽樣對立,過抽樣技術是想方設法的來讓少數類的學習樣本增多.最具代表的就是Chawla等人[6]發(fā)明的SMOTE 技術.SMOTE 技術理論就是利用插值產生全新人工樣本,并不是對樣本進行復制.Han等人[7]以此作為參考,發(fā)明了Borderline-SMOTE技術.

    1.2.2 算法層面的處理方法

    根據有關記載,我們得知,如今重點集中在四個不一樣的方法,包括代價敏感與單類學習、組合方法和支持向量機方法.

    1.3 算法描述

    所提出分類算法是將聚類融合的不平衡數據作為基礎,就是 CE-Under,CE-SMOTE與CE-SMOTE+CE-Under方法.

    2 實驗與分析

    2.1不平衡數據分類的評價準則

    精準度accuracy=(TP+TN)/(TP+TN+FP+FN)是分類問題里經常使用的評估標準(見表1).

    表1 混合矩陣

    從上可以得知分類器在數據集的整體分類方面的作用,可是不會發(fā)擰出不平衡數據集的分類作用.因此,在不平衡數據方面,必須要制定更為科學的評判標準,經常使用的標準包括:查全率 recall、F-value 值、查準率 precision、G-mean值、AUC.屬于少數類 recall、precision、G-mean、F-value值的計算手段如下:

    F-value可以說是不平衡數據集學習里比較有效地評判標準,它將Recall與Precision相互組合,當中β是可調參數,一般取值為1.只有在Recall與Precision的值比較大的時候,F-value才會更大,所以它可以準確的反映出少數類的分類作用.另外,G-mean也如F-value一樣,是比較有效的評判標準,它是少數類里TP/(TP+FN)和多數類里TN/(TN+FP)的乘積的平方根,當這兩者的值都比較大的時候,G-mean才會變得更大,所以G-mean可以科學的評判不平衡數據集的整體分類作用.

    2.2 實驗結果與分析

    在該文里,選擇十個少數類與多數類樣本比例不均衡的UCI機器學習數據集做實驗,每個數據集的基本信息見表2.在表2里,N是樣本的數量總和,NMIN是少數類樣本的數量,NMAJ為多數類樣本的數量,CD是少數類與多數類的樣本比例,NA為屬性數量(包括類別屬性).

    表2 數據集的基本信息

    在試驗里,與C4.5決策樹算法(直接對原數據集進行分類學習)和七類不均衡數據分類方法的作用作比較.上文所述不平衡數據分類方法全部利用C4.5決策樹算法,分類學習重抽樣后的數據集.

    為了能夠讓上述的不均衡數據分類方法的比較更具客觀性,下面全部的實驗數據都是10折交叉驗證之后得出的結論.

    使用weka軟件里的Simple Means聚類算法來多次聚類數據.對一致性系數CI閾值α進行聚類,之后取全部樣本的平均數值.依據過抽樣率與欠抽樣率的概念我們可以知道,SMOTE方法產生的合成樣本數量和原有少數類樣本數量一模一樣,就是全部少數類樣本數量多出了一倍,而Random Under方法剔除的多數類樣本數量則是原有多數類樣本的一半.為了能夠將過抽樣與欠抽樣后的數據集作比較,該論文對不平衡程度指標I-degree做出定義,它的數值就是數據集里少數類與多數類樣本的比值,I-degree的值越高代表著數據集里少數類樣本數量越大,多數類樣本的數量越少.當I-degree值幾乎等于1的時候,代表著數據集里面的多數類與少數類的樣本數量比較均衡.圖1顯示十個UCI的初始數據集OldDataSet和使用CE-SMOTE+CEUnder,CE-SMOTE與CE-Under方法進行重抽樣之后數據集的I-degree值,而且每種I-degree值全部經過10折交叉驗證之后得出的結論.從圖1我們可以知道,該論文所提出的CESMOTE+CE-Under、CE-SMOTE 與 CE-Under方法都能夠讓數據集不平衡的程度有所降低.因為CE-SMOTE+CE-Under方法可以對少數類與多數類同時做處理,所以進行重抽樣之后數據集I-degree值是最高的,而CE-SMOTE方法的I-degree值稍微高于CE-Un-der方法的I-degree值.

    圖1 10個數據集的I-degree值

    表3 8種方法在10個UCI數據集的少數類F-value值對比

    表4 8種方法的G-mean值對比

    表3與表4分別列舉了8種方法在十個UCI數據集上的少數類F-value值與數據集總體的G-mean值.而表中最底部的一行則列舉出了每一個方法在全部數據集里的平均結果.對于每一個數據集來說,分別得來對結合法、過抽樣法與欠抽樣法里每一種方法的F-value與G-mean值做對比,同時用黑體字來代表這三種方法里最高的F-value與G-mean值.

    從表3與表4當中可以知道,上文提到的七類不平衡數據分類方法的少數類F-value值與數據集總體的G-mean值比原始數據集進行分類的C4.5算法都要高..

    三種方法經過橫向對比可以得出如下結果,結合法里面的CE-SMOTE+CE-Under方法很顯然要比SMOTE+RandomUnder方法更加優(yōu)秀,而欠抽樣法里面的CE-Under方法一般來說要比Random Under方法更具優(yōu)勢.把三種方法進行縱向對比,我們得出的結論是,過抽樣法與結合法作比較,欠抽樣法則更具優(yōu)勢,同時結合法與過抽樣法的少數類F-value值與G-mean值相對比較大,綜上所述,上文提出的這些方法都是極為優(yōu)秀的方法.

    總之,該論文提到的有關基于聚類融合的不平衡數據分類方法的識別率相對較高,特別是對于部分少數類和部分數據集總體也有著不錯的識別率.通過一系列的實驗,并且對比各個實驗數據,我們可以得出以下的結論,CE-SMOTE+CE-Under方法與CE-SMOTE方法對不平衡數據集的分類作用比較強,CE-Under方法則相對較弱,但是它的對比算法與其他的算法相比更具優(yōu)勢,這類方法的優(yōu)勢還是比較多的,不論在不一樣的過抽樣率、還是不一樣的欠抽樣率下乃至是聚類次數下,這種方法的少數類F-value值總是十分的穩(wěn)定.綜上所述,筆者提出的有關基于聚類融合的不平衡數據分類方法在不同條件下都可以良好降低數據集的不平衡程度,同理,在數據集整體G-mean值不下調的情況下,可以讓少數類的F-value值有所提升,這對多數類和少數類的均值都有不錯的識別率.

    [1] Batista G E A P A,Pratir C,MONARDM C.A study of the behavior of several methods for balancing machine learning training data[J].Slgkdd Explorations,2004,6(1):20-29.

    [2] KuBatm,Matwin S.Addressing the curse of imbalanced training sets:one-sided selection[C]//Proc of 14th International Conference on Machine Learning(ICML.97).Nashville:[s.n.],1997.179-186.

    [3] Barandela R,Valdovindos R M,Snchez J S,et al.The imbalanced training sample problem:under or over sampling[C]//Proc of International Workshops on Structura,l Syntactic,and Statisti cal Pattern ecognition(SSPR/SPR.04).Lisbon:[s.n.],2004,806-814.

    [4] Batista G E A P A,Pratir C,Monardm C.A study of the behavior of several methods for balancing machine learning training data[J].S IGKDD Explorations,2004,6(1):20-29.

    [5] Dehmeshki J,Karak Y M,Casique M V.A rule-based scheme for filtering examples from majority class in an imbalanced training set[C] //Proc of MLDM,2003.215-223.

    [6] Chawlanv,Halllo,Bowyer K W,et al.Smote:synthetic minority over sampling technique[J].Journal of Articial Intelligence Research,2002,16:321-357.

    [7] Han H,Wang Wenyuan,Mao Binghuan.Borderline-SMOTE:a new over-sampling method in imbalanced data sets learning[C] //Proc of International Conference on Intelligent Computing(ICIC.05).Hefe:i[s.n.],2005.878-887.

    猜你喜歡
    識別率聚類數量
    基于類圖像處理與向量化的大數據腳本攻擊智能檢測
    計算機工程(2020年3期)2020-03-19 12:24:50
    基于真耳分析的助聽器配戴者言語可懂度指數與言語識別率的關系
    統(tǒng)一數量再比較
    提升高速公路MTC二次抓拍車牌識別率方案研究
    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
    高速公路機電日常維護中車牌識別率分析系統(tǒng)的應用
    頭發(fā)的數量
    基于改進的遺傳算法的模糊聚類算法
    我國博物館數量達4510家
    一種層次初始的聚類個數自適應的聚類方法研究
    久久久成人免费电影| 欧美最黄视频在线播放免费| 免费人成视频x8x8入口观看| 亚洲中文字幕一区二区三区有码在线看| 国产伦精品一区二区三区视频9| 99久久九九国产精品国产免费| 亚洲avbb在线观看| 日本一二三区视频观看| 久久精品影院6| 自拍偷自拍亚洲精品老妇| 波野结衣二区三区在线| 国产探花在线观看一区二区| av女优亚洲男人天堂| 国产精品三级大全| 亚洲欧美日韩无卡精品| 精品不卡国产一区二区三区| 国产精品人妻久久久久久| 在线播放国产精品三级| 成年人黄色毛片网站| 69人妻影院| 床上黄色一级片| 男女啪啪激烈高潮av片| 又黄又爽又免费观看的视频| 大又大粗又爽又黄少妇毛片口| 亚洲人成伊人成综合网2020| 91久久精品国产一区二区成人| 男女边吃奶边做爰视频| 国产av在哪里看| 在线观看免费视频日本深夜| 久久久久免费精品人妻一区二区| 99热精品在线国产| 精品午夜福利视频在线观看一区| 日韩亚洲欧美综合| 18禁裸乳无遮挡免费网站照片| 麻豆国产97在线/欧美| 久久中文看片网| 免费av不卡在线播放| 波野结衣二区三区在线| 小蜜桃在线观看免费完整版高清| av在线老鸭窝| 人妻久久中文字幕网| 麻豆精品久久久久久蜜桃| 国产亚洲欧美98| 欧美成人a在线观看| or卡值多少钱| 99热只有精品国产| 亚洲美女黄片视频| 亚洲色图av天堂| 91狼人影院| 亚洲欧美日韩高清在线视频| 欧美中文日本在线观看视频| 成人性生交大片免费视频hd| 中国美女看黄片| 乱人视频在线观看| 18禁黄网站禁片免费观看直播| 欧美区成人在线视频| 成年版毛片免费区| 日本熟妇午夜| 特级一级黄色大片| 精品一区二区三区av网在线观看| 欧美xxxx性猛交bbbb| 好男人在线观看高清免费视频| 国产亚洲av嫩草精品影院| 成人午夜高清在线视频| 国产国拍精品亚洲av在线观看| 亚洲美女黄片视频| 啦啦啦啦在线视频资源| 欧美日韩乱码在线| 国产成年人精品一区二区| 村上凉子中文字幕在线| 国产午夜福利久久久久久| 国产精品乱码一区二三区的特点| 国产色婷婷99| 亚洲精品乱码久久久v下载方式| 成年免费大片在线观看| 真人一进一出gif抽搐免费| 欧美在线一区亚洲| 欧美性猛交╳xxx乱大交人| 国产蜜桃级精品一区二区三区| 波多野结衣高清无吗| 12—13女人毛片做爰片一| 成人特级黄色片久久久久久久| 伦精品一区二区三区| 日韩欧美在线乱码| 久久久久久久亚洲中文字幕| 亚洲精品乱码久久久v下载方式| 日本黄色片子视频| 无人区码免费观看不卡| 亚洲aⅴ乱码一区二区在线播放| 亚洲国产欧美人成| 精品午夜福利在线看| 免费不卡的大黄色大毛片视频在线观看 | 久久久久久国产a免费观看| 精华霜和精华液先用哪个| 久久精品人妻少妇| 国产老妇女一区| 内射极品少妇av片p| 日韩一区二区视频免费看| 淫妇啪啪啪对白视频| 色尼玛亚洲综合影院| 久久草成人影院| 国产视频内射| 久久久国产成人免费| 热99在线观看视频| 看十八女毛片水多多多| 伊人久久精品亚洲午夜| 午夜免费男女啪啪视频观看 | 国产精华一区二区三区| 一夜夜www| 超碰av人人做人人爽久久| 欧美日韩乱码在线| 欧美日韩乱码在线| 日本免费a在线| 亚洲国产欧美人成| 国产一区二区在线av高清观看| 久久精品国产自在天天线| 在线观看一区二区三区| 久久热精品热| 全区人妻精品视频| 国产精品乱码一区二三区的特点| 人妻制服诱惑在线中文字幕| 欧美精品啪啪一区二区三区| 欧美不卡视频在线免费观看| 亚洲色图av天堂| 不卡视频在线观看欧美| 日韩在线高清观看一区二区三区 | 一个人看视频在线观看www免费| 精品一区二区三区av网在线观看| 女的被弄到高潮叫床怎么办 | 又黄又爽又免费观看的视频| 黄色一级大片看看| 久久久久免费精品人妻一区二区| 91在线观看av| 午夜免费男女啪啪视频观看 | 久久久精品大字幕| 亚洲不卡免费看| 桃色一区二区三区在线观看| 无人区码免费观看不卡| 高清毛片免费观看视频网站| 日韩欧美精品免费久久| 黄色视频,在线免费观看| 亚洲av成人av| 亚洲国产欧洲综合997久久,| 免费高清视频大片| 97超视频在线观看视频| 久久中文看片网| 日本精品一区二区三区蜜桃| 国产成年人精品一区二区| 国产黄色小视频在线观看| 禁无遮挡网站| 午夜精品在线福利| 最近在线观看免费完整版| 18禁裸乳无遮挡免费网站照片| 久久久久久久久中文| 国产成人a区在线观看| 午夜精品一区二区三区免费看| av专区在线播放| 亚洲无线观看免费| av福利片在线观看| 国产老妇女一区| 欧美最新免费一区二区三区| 又紧又爽又黄一区二区| 一个人看的www免费观看视频| 日韩国内少妇激情av| 搞女人的毛片| 国产精品国产高清国产av| 成人高潮视频无遮挡免费网站| 国产亚洲精品av在线| 日韩欧美在线乱码| 91狼人影院| 国产精品99久久久久久久久| 久久精品国产亚洲av涩爱 | 男女下面进入的视频免费午夜| 午夜福利18| av国产免费在线观看| 亚洲国产精品sss在线观看| 亚洲自拍偷在线| avwww免费| 免费不卡的大黄色大毛片视频在线观看 | 久久久久久伊人网av| 国产精品国产三级国产av玫瑰| 99热只有精品国产| 国产成人福利小说| 国产一区二区激情短视频| 国产黄a三级三级三级人| 久久久久久大精品| 少妇裸体淫交视频免费看高清| 一夜夜www| 亚洲av第一区精品v没综合| 亚洲精品久久国产高清桃花| 能在线免费观看的黄片| 99热这里只有是精品在线观看| 色视频www国产| 亚洲av电影不卡..在线观看| 十八禁国产超污无遮挡网站| 久久久久久久亚洲中文字幕| 黄色日韩在线| 精品福利观看| 午夜福利高清视频| 一区福利在线观看| 久久人人爽人人爽人人片va| 嫩草影院新地址| 男人的好看免费观看在线视频| 免费观看的影片在线观看| 无人区码免费观看不卡| 一级av片app| 欧美日韩亚洲国产一区二区在线观看| 亚洲精品乱码久久久v下载方式| 国产综合懂色| 国产精品永久免费网站| 亚洲第一电影网av| 亚洲在线观看片| 看黄色毛片网站| 国产午夜精品论理片| 婷婷精品国产亚洲av| 亚洲人成网站在线播放欧美日韩| 三级国产精品欧美在线观看| 男女啪啪激烈高潮av片| 国产一区二区在线观看日韩| 国产国拍精品亚洲av在线观看| 少妇裸体淫交视频免费看高清| 色精品久久人妻99蜜桃| 人妻少妇偷人精品九色| 亚洲av电影不卡..在线观看| 人妻丰满熟妇av一区二区三区| 天堂av国产一区二区熟女人妻| 黄色一级大片看看| 欧美+亚洲+日韩+国产| 成人三级黄色视频| 久久精品国产亚洲av香蕉五月| 精品乱码久久久久久99久播| 久久久久久国产a免费观看| 天美传媒精品一区二区| 啪啪无遮挡十八禁网站| 男人的好看免费观看在线视频| 国产麻豆成人av免费视频| 久久精品国产鲁丝片午夜精品 | 日韩欧美国产一区二区入口| 久久这里只有精品中国| 色哟哟·www| 精品免费久久久久久久清纯| 日本一二三区视频观看| 中文字幕精品亚洲无线码一区| 成熟少妇高潮喷水视频| 99精品在免费线老司机午夜| 国产精品亚洲美女久久久| 国产午夜福利久久久久久| 国产三级中文精品| 亚洲一级一片aⅴ在线观看| 午夜亚洲福利在线播放| 熟女人妻精品中文字幕| 真人做人爱边吃奶动态| 亚洲经典国产精华液单| ponron亚洲| 在线免费观看的www视频| 国产精品爽爽va在线观看网站| 男人的好看免费观看在线视频| 国产精品美女特级片免费视频播放器| 性欧美人与动物交配| 国产精品一区二区免费欧美| 亚洲,欧美,日韩| 身体一侧抽搐| 精华霜和精华液先用哪个| 亚洲国产欧洲综合997久久,| 嫩草影院新地址| 国产人妻一区二区三区在| 国产精品久久电影中文字幕| 小蜜桃在线观看免费完整版高清| 黄色日韩在线| 神马国产精品三级电影在线观看| 高清日韩中文字幕在线| 日本免费a在线| 午夜爱爱视频在线播放| 国产精品永久免费网站| 搡老熟女国产l中国老女人| 91午夜精品亚洲一区二区三区 | 99在线视频只有这里精品首页| 亚洲一区高清亚洲精品| 国产色爽女视频免费观看| 特级一级黄色大片| 夜夜看夜夜爽夜夜摸| www日本黄色视频网| 少妇丰满av| 偷拍熟女少妇极品色| 简卡轻食公司| 国产大屁股一区二区在线视频| 亚洲中文日韩欧美视频| 日韩中文字幕欧美一区二区| 热99在线观看视频| 我要搜黄色片| 又爽又黄无遮挡网站| 成人欧美大片| 亚洲中文字幕日韩| 久久精品国产自在天天线| 超碰av人人做人人爽久久| 99热这里只有是精品在线观看| 波多野结衣巨乳人妻| 国产精品一区二区性色av| 少妇丰满av| 极品教师在线免费播放| 国产人妻一区二区三区在| 日韩欧美国产在线观看| 变态另类成人亚洲欧美熟女| 色噜噜av男人的天堂激情| 欧美性感艳星| 久99久视频精品免费| 99热这里只有是精品50| 一个人看的www免费观看视频| 少妇人妻一区二区三区视频| 亚洲性夜色夜夜综合| 午夜激情欧美在线| 国产亚洲精品av在线| 国产亚洲精品久久久久久毛片| av中文乱码字幕在线| 欧美黑人欧美精品刺激| 成人无遮挡网站| 男人狂女人下面高潮的视频| a级一级毛片免费在线观看| 亚洲中文字幕一区二区三区有码在线看| 国产伦精品一区二区三区视频9| 我要看日韩黄色一级片| 国产精品美女特级片免费视频播放器| 久久久精品大字幕| 精品一区二区三区视频在线观看免费| 精品一区二区免费观看| 制服丝袜大香蕉在线| 欧美xxxx性猛交bbbb| 人妻丰满熟妇av一区二区三区| 精品不卡国产一区二区三区| 男女下面进入的视频免费午夜| 免费观看人在逋| 少妇人妻精品综合一区二区 | 亚洲国产精品sss在线观看| 亚洲欧美清纯卡通| 看免费成人av毛片| 精品久久久久久久久av| 国产单亲对白刺激| 少妇高潮的动态图| 亚洲无线在线观看| 99久久成人亚洲精品观看| 中文资源天堂在线| 亚洲精品在线观看二区| 久久久久久国产a免费观看| 在线看三级毛片| 免费无遮挡裸体视频| 麻豆国产97在线/欧美| 成年女人毛片免费观看观看9| 精品不卡国产一区二区三区| 国产精品精品国产色婷婷| 国产成人a区在线观看| 午夜影院日韩av| videossex国产| av专区在线播放| 国产三级在线视频| 最近中文字幕高清免费大全6 | 免费在线观看日本一区| 1000部很黄的大片| 亚洲内射少妇av| 亚洲欧美激情综合另类| 免费无遮挡裸体视频| 亚洲综合色惰| 午夜免费激情av| 国产 一区 欧美 日韩| 日本免费一区二区三区高清不卡| 美女xxoo啪啪120秒动态图| 精品久久久久久久久久久久久| 国产一级毛片七仙女欲春2| 国产伦人伦偷精品视频| 亚洲久久久久久中文字幕| 一区二区三区激情视频| 欧美一区二区国产精品久久精品| 成年人黄色毛片网站| 免费在线观看日本一区| av中文乱码字幕在线| 在线观看美女被高潮喷水网站| 国产精品久久电影中文字幕| 亚洲国产高清在线一区二区三| 变态另类丝袜制服| 桃色一区二区三区在线观看| 又黄又爽又免费观看的视频| 干丝袜人妻中文字幕| 国产精品99久久久久久久久| 欧美黑人欧美精品刺激| 免费在线观看成人毛片| 欧美激情久久久久久爽电影| 天堂动漫精品| 亚洲成a人片在线一区二区| h日本视频在线播放| 国产精品一区二区三区四区久久| 久久精品国产99精品国产亚洲性色| .国产精品久久| 国产一区二区激情短视频| 久久久久精品国产欧美久久久| 91久久精品电影网| 一个人观看的视频www高清免费观看| 日日夜夜操网爽| 日韩欧美 国产精品| 久久久久久大精品| 欧美成人免费av一区二区三区| 99视频精品全部免费 在线| 国产精品爽爽va在线观看网站| 尤物成人国产欧美一区二区三区| 亚洲真实伦在线观看| 夜夜爽天天搞| 精品久久久噜噜| 久久久午夜欧美精品| 深爱激情五月婷婷| 欧美高清性xxxxhd video| 成年女人看的毛片在线观看| 久久精品影院6| 免费在线观看成人毛片| 特级一级黄色大片| 久久精品久久久久久噜噜老黄 | 久久精品久久久久久噜噜老黄 | 最后的刺客免费高清国语| 亚洲在线观看片| av天堂在线播放| 99久久无色码亚洲精品果冻| 国产色爽女视频免费观看| av在线观看视频网站免费| 夜夜爽天天搞| 国产成人a区在线观看| 嫩草影视91久久| 国产伦人伦偷精品视频| 亚洲人成网站在线播| 亚洲国产高清在线一区二区三| 色哟哟·www| 蜜桃亚洲精品一区二区三区| 欧美不卡视频在线免费观看| 88av欧美| 久久天躁狠狠躁夜夜2o2o| 中出人妻视频一区二区| 精品福利观看| 国产三级在线视频| 国产乱人伦免费视频| 国内揄拍国产精品人妻在线| 久久久色成人| 国产精品亚洲美女久久久| 久久精品国产清高在天天线| 亚洲人成伊人成综合网2020| 亚洲av二区三区四区| 九色成人免费人妻av| 精品99又大又爽又粗少妇毛片 | av视频在线观看入口| 国产aⅴ精品一区二区三区波| 亚洲av成人av| 一边摸一边抽搐一进一小说| 国产精品野战在线观看| 午夜a级毛片| 日韩 亚洲 欧美在线| 国产精品乱码一区二三区的特点| 波多野结衣高清作品| 欧洲精品卡2卡3卡4卡5卡区| 又粗又爽又猛毛片免费看| 日韩欧美精品免费久久| 在线观看舔阴道视频| 亚洲av免费在线观看| 国产亚洲欧美98| 欧美区成人在线视频| 18禁在线播放成人免费| 一本精品99久久精品77| 深夜a级毛片| 欧美xxxx性猛交bbbb| 三级男女做爰猛烈吃奶摸视频| 国产精品女同一区二区软件 | 一a级毛片在线观看| 国产淫片久久久久久久久| 搞女人的毛片| 久久人人爽人人爽人人片va| 久久精品国产亚洲网站| 在线a可以看的网站| 91久久精品国产一区二区三区| 精品日产1卡2卡| 亚洲一区二区三区色噜噜| 亚洲av一区综合| 国产 一区 欧美 日韩| 人人妻,人人澡人人爽秒播| 久久亚洲真实| 窝窝影院91人妻| 3wmmmm亚洲av在线观看| 国产真实乱freesex| 内射极品少妇av片p| 精品久久久久久久久av| 一卡2卡三卡四卡精品乱码亚洲| 精品一区二区三区视频在线观看免费| 少妇裸体淫交视频免费看高清| 十八禁国产超污无遮挡网站| av中文乱码字幕在线| 桃红色精品国产亚洲av| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲精品粉嫩美女一区| 别揉我奶头 嗯啊视频| 亚洲成人中文字幕在线播放| 国产精品美女特级片免费视频播放器| 三级男女做爰猛烈吃奶摸视频| 美女xxoo啪啪120秒动态图| 在线播放国产精品三级| 搡老岳熟女国产| 国内精品久久久久久久电影| 国产午夜福利久久久久久| 99riav亚洲国产免费| 国产乱人伦免费视频| 搡老妇女老女人老熟妇| 91在线观看av| a级毛片a级免费在线| 九色国产91popny在线| 国产主播在线观看一区二区| 免费黄网站久久成人精品| av在线观看视频网站免费| 日本爱情动作片www.在线观看 | 波多野结衣巨乳人妻| 美女高潮喷水抽搐中文字幕| 亚洲人成网站在线播| 最好的美女福利视频网| 久久久国产成人免费| 欧美三级亚洲精品| 日本 欧美在线| 久久久久免费精品人妻一区二区| 极品教师在线免费播放| 亚洲,欧美,日韩| 亚洲最大成人av| 亚洲无线观看免费| 九色成人免费人妻av| 99久久成人亚洲精品观看| 日日撸夜夜添| 乱码一卡2卡4卡精品| 亚洲av.av天堂| 亚洲天堂国产精品一区在线| 国产精品,欧美在线| 国产久久久一区二区三区| 国内揄拍国产精品人妻在线| 人妻久久中文字幕网| 久久精品国产自在天天线| 色视频www国产| 亚洲精品亚洲一区二区| 亚洲国产色片| 人妻制服诱惑在线中文字幕| 亚洲精品国产成人久久av| 99精品在免费线老司机午夜| 有码 亚洲区| 亚洲三级黄色毛片| 亚洲av美国av| 尤物成人国产欧美一区二区三区| 久久精品久久久久久噜噜老黄 | 欧美日韩亚洲国产一区二区在线观看| 美女免费视频网站| 蜜桃亚洲精品一区二区三区| 亚洲乱码一区二区免费版| 午夜激情欧美在线| 久久久久久九九精品二区国产| 久久九九热精品免费| 日本成人三级电影网站| 欧美zozozo另类| 国产精品99久久久久久久久| 舔av片在线| 精品久久久久久久人妻蜜臀av| 九色成人免费人妻av| 久久久久久久亚洲中文字幕| 亚洲av.av天堂| 国产精品永久免费网站| 国产精品久久久久久精品电影| 蜜桃久久精品国产亚洲av| www日本黄色视频网| 欧美3d第一页| 亚洲成人精品中文字幕电影| 久久99热6这里只有精品| 免费看a级黄色片| 国内精品久久久久久久电影| 嫩草影视91久久| 一进一出抽搐动态| 日韩欧美 国产精品| 在现免费观看毛片| 亚洲一区二区三区色噜噜| 免费观看的影片在线观看| 亚洲人成网站在线播放欧美日韩| 欧美成人a在线观看| 精品福利观看| 色播亚洲综合网| 少妇高潮的动态图| 99国产精品一区二区蜜桃av| 人妻制服诱惑在线中文字幕| 两个人视频免费观看高清| 日韩,欧美,国产一区二区三区 | 精品久久久久久久末码| 亚洲va日本ⅴa欧美va伊人久久| 国产伦人伦偷精品视频| 色综合色国产| 午夜福利在线观看吧| 欧美激情久久久久久爽电影| 91久久精品国产一区二区成人| 99久久九九国产精品国产免费| 丝袜美腿在线中文| 人妻制服诱惑在线中文字幕| 欧美成人性av电影在线观看| 亚洲av五月六月丁香网| 嫁个100分男人电影在线观看| 精品一区二区三区人妻视频| 午夜爱爱视频在线播放| 又粗又爽又猛毛片免费看| 麻豆精品久久久久久蜜桃| 无遮挡黄片免费观看| 国产单亲对白刺激| 国内揄拍国产精品人妻在线| 亚洲人成网站在线播| 精品一区二区免费观看| 老女人水多毛片| 99在线人妻在线中文字幕| 精品久久久久久久人妻蜜臀av| or卡值多少钱| 国产成人一区二区在线| 日本爱情动作片www.在线观看 | 国产成人一区二区在线| 啪啪无遮挡十八禁网站| 亚洲成人免费电影在线观看| 久久久色成人|