• <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
    国产高清三级在线| 成人av在线播放网站| 最新中文字幕久久久久| 欧美日本亚洲视频在线播放| 精品一区二区三区人妻视频| 在线天堂最新版资源| 网址你懂的国产日韩在线| 国产伦一二天堂av在线观看| 在线播放无遮挡| 欧美潮喷喷水| 十八禁国产超污无遮挡网站| 亚洲国产精品国产精品| 99久国产av精品| 久久精品国产99精品国产亚洲性色| 成年免费大片在线观看| 1024手机看黄色片| 国产精品一区www在线观看| 亚洲精品久久国产高清桃花| 亚洲av第一区精品v没综合| 国产一区二区亚洲精品在线观看| 日日撸夜夜添| 国产精品福利在线免费观看| 蜜臀久久99精品久久宅男| 精品久久久久久久人妻蜜臀av| 成人特级av手机在线观看| 国产精品国产三级国产av玫瑰| 日产精品乱码卡一卡2卡三| 人妻少妇偷人精品九色| 99久久无色码亚洲精品果冻| 舔av片在线| 又粗又硬又长又爽又黄的视频 | 国产一级毛片七仙女欲春2| 在线观看免费视频日本深夜| 免费无遮挡裸体视频| 国产白丝娇喘喷水9色精品| 一个人看的www免费观看视频| 色综合色国产| 18+在线观看网站| 欧美日本视频| 天堂av国产一区二区熟女人妻| 黑人高潮一二区| 久久国产乱子免费精品| 国产免费一级a男人的天堂| 一级毛片我不卡| 日日摸夜夜添夜夜爱| 偷拍熟女少妇极品色| 国产精品三级大全| 亚洲欧美成人综合另类久久久 | 欧美不卡视频在线免费观看| 国产午夜精品论理片| kizo精华| 看片在线看免费视频| 大又大粗又爽又黄少妇毛片口| 天堂影院成人在线观看| 欧美高清性xxxxhd video| 国产单亲对白刺激| 免费看av在线观看网站| 美女高潮的动态| 韩国av在线不卡| 狂野欧美白嫩少妇大欣赏| 麻豆成人午夜福利视频| 在现免费观看毛片| 成人无遮挡网站| 国模一区二区三区四区视频| 欧美激情在线99| а√天堂www在线а√下载| 一级二级三级毛片免费看| 美女xxoo啪啪120秒动态图| 男人的好看免费观看在线视频| 少妇猛男粗大的猛烈进出视频 | 精品免费久久久久久久清纯| 我要看日韩黄色一级片| 综合色av麻豆| 久久久久久久午夜电影| 天堂√8在线中文| 久久久久久久久久黄片| 久久久久久久久久黄片| 欧美一区二区国产精品久久精品| 亚洲欧美日韩卡通动漫| 国产精品久久视频播放| 人妻系列 视频| 久久精品国产亚洲网站| 国产一区二区在线观看日韩| 国产蜜桃级精品一区二区三区| 99久久久亚洲精品蜜臀av| 免费无遮挡裸体视频| 干丝袜人妻中文字幕| 精品日产1卡2卡| 国内久久婷婷六月综合欲色啪| 国产 一区 欧美 日韩| 国产伦精品一区二区三区四那| 国产乱人偷精品视频| 晚上一个人看的免费电影| 三级毛片av免费| 最后的刺客免费高清国语| 国产黄片视频在线免费观看| 淫秽高清视频在线观看| 亚洲av成人av| 高清日韩中文字幕在线| 精品久久久久久久久亚洲| 久久99精品国语久久久| 欧美一区二区精品小视频在线| 在线观看免费视频日本深夜| 精品不卡国产一区二区三区| 少妇熟女aⅴ在线视频| av在线亚洲专区| 身体一侧抽搐| 日本色播在线视频| 一级毛片电影观看 | 亚洲国产欧洲综合997久久,| 99久久精品国产国产毛片| 国产一级毛片在线| 在线国产一区二区在线| 日日摸夜夜添夜夜添av毛片| 全区人妻精品视频| 少妇被粗大猛烈的视频| 国产成人精品婷婷| 免费av观看视频| 小蜜桃在线观看免费完整版高清| 国产成人午夜福利电影在线观看| 一个人看的www免费观看视频| 99久久九九国产精品国产免费| www.av在线官网国产| 亚洲av中文字字幕乱码综合| 亚洲三级黄色毛片| 亚洲在线自拍视频| 观看免费一级毛片| 精品久久久久久久久久久久久| 亚洲美女搞黄在线观看| 老司机福利观看| 女的被弄到高潮叫床怎么办| 99久国产av精品| 久久精品国产99精品国产亚洲性色| 精品99又大又爽又粗少妇毛片| 亚洲精品国产av成人精品| 精品久久久久久久久亚洲| 亚洲真实伦在线观看| 天天躁夜夜躁狠狠久久av| 欧美3d第一页| 免费观看人在逋| 欧美性猛交黑人性爽| 亚洲精品粉嫩美女一区| 九色成人免费人妻av| 亚洲av免费在线观看| 日韩欧美一区二区三区在线观看| 国产精品av视频在线免费观看| 3wmmmm亚洲av在线观看| 91麻豆精品激情在线观看国产| 五月伊人婷婷丁香| 国产三级在线视频| 身体一侧抽搐| 亚洲成人久久性| 午夜福利在线观看免费完整高清在 | 两个人视频免费观看高清| 少妇猛男粗大的猛烈进出视频 | 看十八女毛片水多多多| 久久久欧美国产精品| 尾随美女入室| 97热精品久久久久久| 国产精品日韩av在线免费观看| 国产一区二区亚洲精品在线观看| 91久久精品国产一区二区三区| 久久久久久大精品| 综合色丁香网| 69av精品久久久久久| 性插视频无遮挡在线免费观看| 国模一区二区三区四区视频| 久久午夜亚洲精品久久| 亚洲欧美中文字幕日韩二区| 99热全是精品| 亚洲精品456在线播放app| 成熟少妇高潮喷水视频| 亚洲久久久久久中文字幕| 欧美另类亚洲清纯唯美| 国产大屁股一区二区在线视频| 在线播放国产精品三级| 国产成人a区在线观看| 精品国内亚洲2022精品成人| 免费观看精品视频网站| 赤兔流量卡办理| 免费av不卡在线播放| 变态另类成人亚洲欧美熟女| 精品人妻偷拍中文字幕| 久久久午夜欧美精品| 久久国产乱子免费精品| 国产精品久久久久久精品电影| a级毛片a级免费在线| 观看美女的网站| 日产精品乱码卡一卡2卡三| 只有这里有精品99| 久久国产乱子免费精品| 色噜噜av男人的天堂激情| 日韩一区二区视频免费看| 日韩欧美在线乱码| 国产毛片a区久久久久| 亚洲色图av天堂| 中文亚洲av片在线观看爽| 我的老师免费观看完整版| 亚洲av中文av极速乱| 18禁黄网站禁片免费观看直播| 丰满的人妻完整版| 久久人人爽人人爽人人片va| 免费搜索国产男女视频| 美女cb高潮喷水在线观看| 干丝袜人妻中文字幕| 免费观看精品视频网站| av.在线天堂| 男女下面进入的视频免费午夜| 深爱激情五月婷婷| 午夜福利在线观看吧| 亚洲最大成人手机在线| 久久精品国产亚洲网站| 久久精品国产自在天天线| 丰满人妻一区二区三区视频av| 91在线精品国自产拍蜜月| 国产精品美女特级片免费视频播放器| 午夜久久久久精精品| 网址你懂的国产日韩在线| 日本五十路高清| 色哟哟·www| 久久久色成人| 国产色爽女视频免费观看| 老熟妇乱子伦视频在线观看| 村上凉子中文字幕在线| 国产成人福利小说| 在线观看午夜福利视频| 精品久久久久久成人av| 日韩国内少妇激情av| 此物有八面人人有两片| 床上黄色一级片| 国产精品久久久久久精品电影小说 | 国产一区二区激情短视频| 久久久久久久午夜电影| 久久午夜福利片| 秋霞在线观看毛片| 亚洲国产欧美在线一区| 淫秽高清视频在线观看| 一边摸一边抽搐一进一小说| 乱系列少妇在线播放| 成年av动漫网址| 免费一级毛片在线播放高清视频| 成人高潮视频无遮挡免费网站| 99久久久亚洲精品蜜臀av| 草草在线视频免费看| 久久久精品欧美日韩精品| 最近手机中文字幕大全| 啦啦啦啦在线视频资源| 国产成人精品久久久久久| 国产免费男女视频| 久久欧美精品欧美久久欧美| 3wmmmm亚洲av在线观看| 高清日韩中文字幕在线| 舔av片在线| 18禁在线播放成人免费| 国产一区二区在线观看日韩| 亚州av有码| 偷拍熟女少妇极品色| 国产一区二区激情短视频| 亚洲av第一区精品v没综合| 成人午夜高清在线视频| 中文字幕制服av| 久久久久久久久中文| 日韩一本色道免费dvd| 精品久久国产蜜桃| 国产精品嫩草影院av在线观看| 男人狂女人下面高潮的视频| 久久久精品大字幕| 伦理电影大哥的女人| 亚洲av中文av极速乱| av又黄又爽大尺度在线免费看 | 日本成人三级电影网站| 在线免费观看的www视频| 日本av手机在线免费观看| 精品人妻偷拍中文字幕| 婷婷色综合大香蕉| 欧美一区二区亚洲| 最近手机中文字幕大全| 九色成人免费人妻av| 搡老妇女老女人老熟妇| 日韩 亚洲 欧美在线| 中文字幕人妻熟人妻熟丝袜美| 在线播放无遮挡| 悠悠久久av| 高清日韩中文字幕在线| 欧美在线一区亚洲| 色视频www国产| 啦啦啦观看免费观看视频高清| .国产精品久久| 国产真实伦视频高清在线观看| 哪里可以看免费的av片| 日韩高清综合在线| 国产91av在线免费观看| 日日摸夜夜添夜夜添av毛片| 成人毛片60女人毛片免费| 菩萨蛮人人尽说江南好唐韦庄 | 日本成人三级电影网站| 国产精品无大码| 综合色丁香网| 国产淫片久久久久久久久| 久久综合国产亚洲精品| 99久久精品国产国产毛片| 99热精品在线国产| 成熟少妇高潮喷水视频| 精品人妻熟女av久视频| 日韩一区二区视频免费看| 2022亚洲国产成人精品| 狠狠狠狠99中文字幕| 国产在视频线在精品| 成人综合一区亚洲| 一卡2卡三卡四卡精品乱码亚洲| av视频在线观看入口| 久久久久九九精品影院| 日本黄色片子视频| 日韩欧美在线乱码| 不卡一级毛片| 久久亚洲国产成人精品v| 12—13女人毛片做爰片一| 国产精品久久久久久精品电影| 国产黄色小视频在线观看| 少妇被粗大猛烈的视频| 欧美一区二区国产精品久久精品| 久久久色成人| 尤物成人国产欧美一区二区三区| 大香蕉久久网| 91aial.com中文字幕在线观看| 精品久久久久久久久av| 高清毛片免费观看视频网站| 欧洲精品卡2卡3卡4卡5卡区| 日日摸夜夜添夜夜添av毛片| 精品人妻偷拍中文字幕| 亚洲内射少妇av| 亚洲精品久久国产高清桃花| 国产精品久久电影中文字幕| 中文资源天堂在线| 亚洲av中文av极速乱| 色哟哟·www| 麻豆成人午夜福利视频| 国产成人a区在线观看| 美女脱内裤让男人舔精品视频 | 国产高清激情床上av| 欧美日韩乱码在线| 久久精品国产亚洲网站| 天堂av国产一区二区熟女人妻| 国产免费一级a男人的天堂| 国产精品一区二区三区四区久久| 一本久久中文字幕| 亚洲在线自拍视频| 我的老师免费观看完整版| 国产精品日韩av在线免费观看| 国产麻豆成人av免费视频| 熟妇人妻久久中文字幕3abv| 亚洲真实伦在线观看| 国产黄a三级三级三级人| 国产亚洲精品久久久com| 精品国内亚洲2022精品成人| 欧美又色又爽又黄视频| av视频在线观看入口| 国产成人精品一,二区 | 日韩国内少妇激情av| 亚洲真实伦在线观看| 男女边吃奶边做爰视频| 国产精品嫩草影院av在线观看| 简卡轻食公司| 国产中年淑女户外野战色| 亚洲人成网站在线观看播放| 看非洲黑人一级黄片| 国产老妇伦熟女老妇高清| 人人妻人人看人人澡| 村上凉子中文字幕在线| 能在线免费看毛片的网站| 成人午夜精彩视频在线观看| 成人三级黄色视频| 六月丁香七月| 欧美潮喷喷水| 精品人妻视频免费看| 欧美xxxx黑人xx丫x性爽| 老女人水多毛片| ponron亚洲| 听说在线观看完整版免费高清| 午夜福利成人在线免费观看| 天美传媒精品一区二区| 国产综合懂色| 欧美xxxx黑人xx丫x性爽| 亚洲精品国产av成人精品| 天堂√8在线中文| 3wmmmm亚洲av在线观看| 爱豆传媒免费全集在线观看| 免费看美女性在线毛片视频| 亚洲精品国产av成人精品| 丝袜喷水一区| 日韩成人伦理影院| 国产精品国产高清国产av| 日本成人三级电影网站| 午夜精品在线福利| 亚洲欧美精品综合久久99| 亚洲天堂国产精品一区在线| 国产伦理片在线播放av一区 | 精品少妇黑人巨大在线播放 | 国产视频内射| 精品久久久噜噜| 成人特级黄色片久久久久久久| 久久国产乱子免费精品| 久久久久久国产a免费观看| 春色校园在线视频观看| 高清毛片免费看| 国产精品1区2区在线观看.| 久久这里只有精品中国| 久久久久九九精品影院| 久久久a久久爽久久v久久| 亚洲欧美精品自产自拍| av又黄又爽大尺度在线免费看 | 亚洲18禁久久av| 卡戴珊不雅视频在线播放| 欧美+日韩+精品| 听说在线观看完整版免费高清| 青春草视频在线免费观看| 亚洲自偷自拍三级| 免费人成在线观看视频色| 国产av不卡久久| 精品久久久久久久久久久久久| 国产伦精品一区二区三区视频9| 亚洲av不卡在线观看| 五月伊人婷婷丁香| 精品一区二区三区视频在线| 尤物成人国产欧美一区二区三区| 99热6这里只有精品| 最近手机中文字幕大全| 欧美成人精品欧美一级黄| 免费看av在线观看网站| 国产激情偷乱视频一区二区| 在线观看av片永久免费下载| 九色成人免费人妻av| 午夜免费激情av| 99热这里只有是精品50| 国产成人精品久久久久久| 国产精品一区二区三区四区久久| 国产淫片久久久久久久久| 啦啦啦观看免费观看视频高清| 欧美一区二区精品小视频在线| 久久久久久大精品| 国产单亲对白刺激| 网址你懂的国产日韩在线| 99热网站在线观看| 给我免费播放毛片高清在线观看| 国产色婷婷99| av天堂在线播放| 国产亚洲91精品色在线| 热99re8久久精品国产| 91狼人影院| 久久精品久久久久久噜噜老黄 | 男插女下体视频免费在线播放| 久久久精品大字幕| 国产精品一及| 日韩高清综合在线| 99久久人妻综合| 国产黄片美女视频| 日韩制服骚丝袜av| 久久久久网色| 日韩,欧美,国产一区二区三区 | 成人毛片60女人毛片免费| 我要看日韩黄色一级片| 亚洲国产精品久久男人天堂| 一级黄色大片毛片| 色综合亚洲欧美另类图片| 午夜老司机福利剧场| 色尼玛亚洲综合影院| 午夜视频国产福利| 国产毛片a区久久久久| 黄片wwwwww| 亚洲av一区综合| 亚洲欧美精品综合久久99| 国产成人一区二区在线| 色噜噜av男人的天堂激情| 欧美xxxx黑人xx丫x性爽| av专区在线播放| 欧美日本亚洲视频在线播放| 毛片一级片免费看久久久久| 一级毛片久久久久久久久女| 卡戴珊不雅视频在线播放| 国产伦理片在线播放av一区 | 一本久久中文字幕| 中文字幕av在线有码专区| 国产精品久久久久久精品电影| 午夜福利视频1000在线观看| 大又大粗又爽又黄少妇毛片口| 免费看a级黄色片| 一个人观看的视频www高清免费观看| 日本三级黄在线观看| 别揉我奶头 嗯啊视频| 永久网站在线| 欧美激情在线99| 99在线人妻在线中文字幕| 我的老师免费观看完整版| 看黄色毛片网站| 久久久久久伊人网av| 桃色一区二区三区在线观看| 日韩一本色道免费dvd| 国产精品久久久久久精品电影小说 | 精品久久久噜噜| eeuss影院久久| 日韩一区二区三区影片| 天堂中文最新版在线下载 | 国产精品日韩av在线免费观看| 亚洲av成人精品一区久久| eeuss影院久久| 国产精品伦人一区二区| 国产极品天堂在线| 久久人人爽人人片av| 久久欧美精品欧美久久欧美| 人妻少妇偷人精品九色| 色哟哟哟哟哟哟| 久久国内精品自在自线图片| 成人特级黄色片久久久久久久| 久久午夜福利片| 亚洲av二区三区四区| 嫩草影院新地址| 亚洲av中文字字幕乱码综合| 国产成人福利小说| 大又大粗又爽又黄少妇毛片口| 亚洲av成人av| 亚洲在线自拍视频| 精品久久久久久久久av| 联通29元200g的流量卡| 日韩三级伦理在线观看| 亚洲图色成人| 少妇丰满av| 精品人妻一区二区三区麻豆| 国产精品久久久久久精品电影| 国产乱人偷精品视频| 婷婷六月久久综合丁香| 欧美成人免费av一区二区三区| 村上凉子中文字幕在线| 少妇熟女欧美另类| ponron亚洲| 精品一区二区三区视频在线| 国产精品一区二区在线观看99 | 日韩人妻高清精品专区| 国产精华一区二区三区| 白带黄色成豆腐渣| 国产黄色小视频在线观看| 日韩,欧美,国产一区二区三区 | 精品午夜福利在线看| 精品久久久久久成人av| 男女做爰动态图高潮gif福利片| 中出人妻视频一区二区| 91av网一区二区| a级毛色黄片| 99国产极品粉嫩在线观看| 午夜精品在线福利| 全区人妻精品视频| 男人的好看免费观看在线视频| 亚洲欧美精品自产自拍| 女的被弄到高潮叫床怎么办| 国产精品免费一区二区三区在线| 伦精品一区二区三区| 18禁在线无遮挡免费观看视频| 亚洲精品乱码久久久久久按摩| 久久久国产成人精品二区| 国产精品免费一区二区三区在线| 成人午夜精彩视频在线观看| 日韩欧美精品免费久久| 一区二区三区高清视频在线| 免费黄网站久久成人精品| 国产成人91sexporn| 久久亚洲国产成人精品v| 69av精品久久久久久| 99久久久亚洲精品蜜臀av| 熟女人妻精品中文字幕| 精品一区二区免费观看| 午夜精品一区二区三区免费看| 午夜亚洲福利在线播放| 国产精品99久久久久久久久| 1024手机看黄色片| 日韩欧美精品v在线| 内地一区二区视频在线| 色综合亚洲欧美另类图片| 亚洲无线观看免费| 丝袜美腿在线中文| 久久精品人妻少妇| 婷婷色av中文字幕| 国产成人精品婷婷| 天堂av国产一区二区熟女人妻| 欧美成人一区二区免费高清观看| 夫妻性生交免费视频一级片| 久久精品国产亚洲网站| 日日撸夜夜添| 免费一级毛片在线播放高清视频| 亚洲精品影视一区二区三区av| 麻豆久久精品国产亚洲av| 亚洲不卡免费看| 亚洲欧美成人综合另类久久久 | 两个人的视频大全免费| 99热6这里只有精品| 亚洲精品色激情综合| 青春草视频在线免费观看| 我要搜黄色片| 麻豆久久精品国产亚洲av| 一级av片app| 久久久久久久午夜电影| 欧美日韩一区二区视频在线观看视频在线 | 精品人妻熟女av久视频| 亚洲综合色惰| 欧美潮喷喷水| 中国美女看黄片| 2021天堂中文幕一二区在线观| 一卡2卡三卡四卡精品乱码亚洲| 亚洲无线在线观看| 午夜福利在线观看免费完整高清在 | 少妇熟女aⅴ在线视频| 国产精华一区二区三区| 久久精品夜夜夜夜夜久久蜜豆| 午夜免费男女啪啪视频观看| 精品久久久久久久末码| 亚洲精品日韩av片在线观看| 午夜免费男女啪啪视频观看|