• <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
    又紧又爽又黄一区二区| av国产精品久久久久影院| 一本大道久久a久久精品| 午夜两性在线视频| 精品视频人人做人人爽| 母亲3免费完整高清在线观看| 精品国产一区二区久久| 午夜日韩欧美国产| 自线自在国产av| 久久天堂一区二区三区四区| 久久久久国内视频| 2018国产大陆天天弄谢| 欧美日韩av久久| 在线观看人妻少妇| 国产伦人伦偷精品视频| 亚洲国产av新网站| 国精品久久久久久国模美| av免费在线观看网站| 丁香六月天网| 久久人妻熟女aⅴ| 日韩制服骚丝袜av| av电影中文网址| 亚洲全国av大片| 99re6热这里在线精品视频| 1024视频免费在线观看| 久久久国产一区二区| 欧美乱码精品一区二区三区| 精品亚洲成国产av| 男女之事视频高清在线观看| 91麻豆av在线| 一级a爱视频在线免费观看| 久久国产精品男人的天堂亚洲| 天天添夜夜摸| 一本—道久久a久久精品蜜桃钙片| 日日夜夜操网爽| 性色av一级| 久久天堂一区二区三区四区| 如日韩欧美国产精品一区二区三区| 欧美另类一区| 日韩中文字幕欧美一区二区| 99re6热这里在线精品视频| 嫁个100分男人电影在线观看| 午夜激情久久久久久久| 欧美精品啪啪一区二区三区 | 大陆偷拍与自拍| 日本av免费视频播放| www.精华液| 久久精品国产综合久久久| 女人被躁到高潮嗷嗷叫费观| 久久久久精品人妻al黑| 99香蕉大伊视频| 伦理电影免费视频| 亚洲欧美日韩另类电影网站| 日韩欧美一区二区三区在线观看 | 国产精品一区二区免费欧美 | 黄片大片在线免费观看| 中国国产av一级| 一本久久精品| 在线观看人妻少妇| 精品免费久久久久久久清纯 | 成年动漫av网址| 99精国产麻豆久久婷婷| 女警被强在线播放| 热re99久久国产66热| 亚洲精品中文字幕在线视频| 亚洲av美国av| 久久精品成人免费网站| 亚洲国产精品一区三区| 另类精品久久| 国产在线视频一区二区| 欧美日韩福利视频一区二区| 日日爽夜夜爽网站| 日韩欧美国产一区二区入口| 视频区欧美日本亚洲| 久久久精品国产亚洲av高清涩受| 欧美国产精品va在线观看不卡| 亚洲欧美色中文字幕在线| 黄频高清免费视频| 一本色道久久久久久精品综合| 一本大道久久a久久精品| 国产精品麻豆人妻色哟哟久久| 中文字幕另类日韩欧美亚洲嫩草| 国产激情久久老熟女| 女性被躁到高潮视频| 青春草视频在线免费观看| 男女下面插进去视频免费观看| 老司机午夜福利在线观看视频 | 国产精品一二三区在线看| 久久av网站| 亚洲美女黄色视频免费看| 人人澡人人妻人| 999精品在线视频| 十八禁网站免费在线| 后天国语完整版免费观看| xxxhd国产人妻xxx| 国产在线一区二区三区精| 99国产综合亚洲精品| 爱豆传媒免费全集在线观看| 欧美日韩av久久| 亚洲视频免费观看视频| 亚洲熟女精品中文字幕| 王馨瑶露胸无遮挡在线观看| 涩涩av久久男人的天堂| 老鸭窝网址在线观看| 男女高潮啪啪啪动态图| 免费在线观看影片大全网站| 久久人妻福利社区极品人妻图片| 日韩中文字幕视频在线看片| 亚洲成人免费电影在线观看| 一个人免费在线观看的高清视频 | 悠悠久久av| 岛国毛片在线播放| 久久久久久亚洲精品国产蜜桃av| 又紧又爽又黄一区二区| 欧美日韩中文字幕国产精品一区二区三区 | av线在线观看网站| 国产福利在线免费观看视频| xxxhd国产人妻xxx| 搡老岳熟女国产| 国产精品久久久久久人妻精品电影 | 搡老乐熟女国产| 建设人人有责人人尽责人人享有的| 国产在线视频一区二区| 自拍欧美九色日韩亚洲蝌蚪91| 九色亚洲精品在线播放| 啦啦啦 在线观看视频| 午夜老司机福利片| 岛国在线观看网站| 深夜精品福利| 黄色片一级片一级黄色片| 欧美日韩国产mv在线观看视频| 日本91视频免费播放| 高清黄色对白视频在线免费看| 男女国产视频网站| 三上悠亚av全集在线观看| 精品久久久久久久毛片微露脸 | 91字幕亚洲| 精品国产一区二区三区久久久樱花| 大码成人一级视频| 国产一级毛片在线| 国内毛片毛片毛片毛片毛片| 国产精品一区二区免费欧美 | 亚洲精品国产一区二区精华液| 一级a爱视频在线免费观看| 美女高潮喷水抽搐中文字幕| av片东京热男人的天堂| 亚洲成人免费电影在线观看| 叶爱在线成人免费视频播放| 欧美少妇被猛烈插入视频| 久久国产精品影院| 蜜桃在线观看..| 男女免费视频国产| 午夜精品久久久久久毛片777| 中文字幕色久视频| 美女福利国产在线| 久久久精品区二区三区| 18禁国产床啪视频网站| 午夜免费鲁丝| 99热全是精品| 国产深夜福利视频在线观看| a级片在线免费高清观看视频| 国产熟女午夜一区二区三区| 欧美人与性动交α欧美软件| 亚洲久久久国产精品| 国产一区二区在线观看av| 美女国产高潮福利片在线看| 国产三级黄色录像| 欧美少妇被猛烈插入视频| 老熟妇仑乱视频hdxx| 美女脱内裤让男人舔精品视频| 欧美中文综合在线视频| av线在线观看网站| 久久精品亚洲av国产电影网| 老司机影院成人| 宅男免费午夜| 少妇的丰满在线观看| 少妇 在线观看| 黄色视频不卡| 大码成人一级视频| 好男人电影高清在线观看| 最近最新中文字幕大全免费视频| 久久久久久久精品精品| 日韩电影二区| 久久久精品国产亚洲av高清涩受| 一区二区三区激情视频| 欧美xxⅹ黑人| 色视频在线一区二区三区| 日本91视频免费播放| 亚洲精品久久久久久婷婷小说| 一级毛片精品| 久久天堂一区二区三区四区| 日韩中文字幕视频在线看片| 成年av动漫网址| 亚洲国产精品一区二区三区在线| 黄色视频不卡| 搡老乐熟女国产| 人人妻,人人澡人人爽秒播| 最近最新免费中文字幕在线| 国产亚洲精品一区二区www | 国产精品久久久av美女十八| 91国产中文字幕| 日韩免费高清中文字幕av| 美女中出高潮动态图| 亚洲国产精品一区二区三区在线| 男女免费视频国产| 岛国毛片在线播放| 国产精品成人在线| 欧美日韩亚洲国产一区二区在线观看 | 热99国产精品久久久久久7| 精品视频人人做人人爽| 欧美精品一区二区免费开放| 国产成人精品久久二区二区免费| 亚洲精品国产av蜜桃| 久久久水蜜桃国产精品网| 国产精品偷伦视频观看了| 亚洲精品久久午夜乱码| 999精品在线视频| 亚洲九九香蕉| 多毛熟女@视频| 777久久人妻少妇嫩草av网站| 亚洲国产看品久久| 在线看a的网站| 777米奇影视久久| 久热爱精品视频在线9| 国产精品九九99| 国产成人免费观看mmmm| 777久久人妻少妇嫩草av网站| 欧美日本中文国产一区发布| 亚洲免费av在线视频| 久久国产精品影院| 女人久久www免费人成看片| 亚洲第一欧美日韩一区二区三区 | 国产精品一区二区精品视频观看| www.999成人在线观看| 亚洲人成电影免费在线| 真人做人爱边吃奶动态| 欧美日韩亚洲高清精品| 成人亚洲精品一区在线观看| 亚洲avbb在线观看| 不卡一级毛片| 国产精品av久久久久免费| 欧美国产精品一级二级三级| 狠狠精品人妻久久久久久综合| 亚洲精品中文字幕一二三四区 | 美国免费a级毛片| 精品一区二区三卡| 老鸭窝网址在线观看| 成人18禁高潮啪啪吃奶动态图| 国产一级毛片在线| 女性生殖器流出的白浆| 夜夜夜夜夜久久久久| 亚洲自偷自拍图片 自拍| 亚洲精品一二三| 狂野欧美激情性xxxx| 女人被躁到高潮嗷嗷叫费观| 久久九九热精品免费| 亚洲va日本ⅴa欧美va伊人久久 | 黄色a级毛片大全视频| 美女中出高潮动态图| 99久久国产精品久久久| 女人被躁到高潮嗷嗷叫费观| 欧美精品一区二区免费开放| 日韩一区二区三区影片| 亚洲av欧美aⅴ国产| 精品卡一卡二卡四卡免费| a级片在线免费高清观看视频| 精品久久蜜臀av无| 国产亚洲精品第一综合不卡| 久久这里只有精品19| 久久久久久免费高清国产稀缺| 纵有疾风起免费观看全集完整版| 精品国产国语对白av| 国产精品二区激情视频| 欧美少妇被猛烈插入视频| 无遮挡黄片免费观看| 别揉我奶头~嗯~啊~动态视频 | 欧美日韩福利视频一区二区| 国产精品久久久久久精品古装| cao死你这个sao货| 国产精品熟女久久久久浪| 人人妻人人澡人人爽人人夜夜| 久久影院123| 亚洲第一av免费看| 狂野欧美激情性xxxx| 成人国产一区最新在线观看| 久久精品久久久久久噜噜老黄| 精品少妇一区二区三区视频日本电影| 亚洲国产欧美一区二区综合| 久久久久网色| 成年美女黄网站色视频大全免费| 在线观看舔阴道视频| 亚洲精品美女久久久久99蜜臀| 欧美中文综合在线视频| 国产日韩欧美在线精品| 国产成人免费观看mmmm| 午夜免费成人在线视频| 热99re8久久精品国产| 国产无遮挡羞羞视频在线观看| 亚洲国产欧美一区二区综合| 黄色视频在线播放观看不卡| 天天操日日干夜夜撸| 亚洲欧美一区二区三区久久| 国产男女超爽视频在线观看| 男男h啪啪无遮挡| 美女高潮喷水抽搐中文字幕| av一本久久久久| 青春草视频在线免费观看| 亚洲免费av在线视频| 久久人人97超碰香蕉20202| 久久精品亚洲av国产电影网| 天堂俺去俺来也www色官网| av超薄肉色丝袜交足视频| 老司机亚洲免费影院| 国产在线免费精品| 91老司机精品| 亚洲av美国av| 黄片播放在线免费| 99国产精品免费福利视频| 中文字幕最新亚洲高清| 91麻豆精品激情在线观看国产 | 欧美日本中文国产一区发布| 黄片播放在线免费| 99re6热这里在线精品视频| 国产精品一区二区在线不卡| 久久亚洲国产成人精品v| 国产男女内射视频| 国产精品香港三级国产av潘金莲| 大码成人一级视频| 青春草视频在线免费观看| 各种免费的搞黄视频| 97在线人人人人妻| 操美女的视频在线观看| 亚洲少妇的诱惑av| 两人在一起打扑克的视频| 亚洲 国产 在线| 99精品久久久久人妻精品| 婷婷色av中文字幕| 男人操女人黄网站| 欧美日韩亚洲高清精品| 黄色片一级片一级黄色片| 亚洲国产成人一精品久久久| 日韩有码中文字幕| 成人国产一区最新在线观看| 精品久久久久久电影网| videos熟女内射| 色婷婷av一区二区三区视频| 91成人精品电影| 日本撒尿小便嘘嘘汇集6| 在线亚洲精品国产二区图片欧美| 视频区图区小说| 国产黄色免费在线视频| 色老头精品视频在线观看| 久久精品国产亚洲av高清一级| 午夜福利影视在线免费观看| 叶爱在线成人免费视频播放| 99国产精品一区二区三区| 国产亚洲精品久久久久5区| 久久 成人 亚洲| 亚洲国产看品久久| 成人黄色视频免费在线看| 在线十欧美十亚洲十日本专区| 五月开心婷婷网| 丁香六月欧美| 久久中文看片网| 日本vs欧美在线观看视频| 丰满饥渴人妻一区二区三| 麻豆av在线久日| 水蜜桃什么品种好| 男女边摸边吃奶| 侵犯人妻中文字幕一二三四区| 亚洲精华国产精华精| av免费在线观看网站| 久久天躁狠狠躁夜夜2o2o| 欧美日韩精品网址| 免费高清在线观看视频在线观看| 国产精品国产三级国产专区5o| 亚洲一区二区三区欧美精品| 久久久久国产精品人妻一区二区| 大香蕉久久成人网| 每晚都被弄得嗷嗷叫到高潮| 午夜老司机福利片| 波多野结衣av一区二区av| 一本色道久久久久久精品综合| 亚洲欧美色中文字幕在线| av又黄又爽大尺度在线免费看| 国产在线观看jvid| 777米奇影视久久| 日韩电影二区| 国产精品一区二区在线不卡| 老汉色av国产亚洲站长工具| 中文字幕高清在线视频| 免费观看人在逋| 高清欧美精品videossex| 国产免费福利视频在线观看| 97人妻天天添夜夜摸| av超薄肉色丝袜交足视频| 亚洲欧美日韩另类电影网站| 国产av又大| 丝袜在线中文字幕| 极品人妻少妇av视频| 在线观看人妻少妇| 国产精品免费大片| 久久av网站| 一级毛片女人18水好多| 成人免费观看视频高清| 无限看片的www在线观看| 亚洲欧美精品自产自拍| 国产精品一区二区精品视频观看| 久久精品亚洲av国产电影网| 狠狠精品人妻久久久久久综合| 久久这里只有精品19| 在线观看人妻少妇| 法律面前人人平等表现在哪些方面 | 久久精品久久久久久噜噜老黄| 老熟女久久久| 亚洲成国产人片在线观看| 欧美97在线视频| 国产激情久久老熟女| 亚洲视频免费观看视频| 久久青草综合色| 91成年电影在线观看| 亚洲精品国产av成人精品| 男女下面插进去视频免费观看| 亚洲精品一卡2卡三卡4卡5卡 | 成年人午夜在线观看视频| 最近最新免费中文字幕在线| 蜜桃国产av成人99| 少妇人妻久久综合中文| av在线app专区| 精品久久蜜臀av无| 国产不卡av网站在线观看| 我的亚洲天堂| 国产免费现黄频在线看| 欧美精品啪啪一区二区三区 | 欧美性长视频在线观看| 亚洲精品日韩在线中文字幕| 午夜视频精品福利| 首页视频小说图片口味搜索| av视频免费观看在线观看| 久久综合国产亚洲精品| 国产成人精品在线电影| 久久久久网色| 中文欧美无线码| 老熟妇仑乱视频hdxx| 日本vs欧美在线观看视频| 国产真人三级小视频在线观看| 一级毛片电影观看| 老汉色av国产亚洲站长工具| 日本撒尿小便嘘嘘汇集6| 精品人妻一区二区三区麻豆| 2018国产大陆天天弄谢| 高清视频免费观看一区二区| 亚洲国产欧美网| 亚洲精品中文字幕一二三四区 | 久久久欧美国产精品| 亚洲精品久久午夜乱码| 国内毛片毛片毛片毛片毛片| 久热爱精品视频在线9| 如日韩欧美国产精品一区二区三区| 伊人久久大香线蕉亚洲五| 一本色道久久久久久精品综合| 日韩欧美一区视频在线观看| 亚洲欧美日韩高清在线视频 | 国产成人免费观看mmmm| 人妻 亚洲 视频| 9色porny在线观看| 天天添夜夜摸| 国产精品免费视频内射| 在线观看免费午夜福利视频| 亚洲欧美色中文字幕在线| 久久久久精品国产欧美久久久 | 欧美大码av| 国产在线免费精品| 在线十欧美十亚洲十日本专区| 最新的欧美精品一区二区| 久久久久久人人人人人| 777米奇影视久久| 欧美老熟妇乱子伦牲交| 男男h啪啪无遮挡| 亚洲七黄色美女视频| 99热全是精品| 国产一区二区在线观看av| 精品视频人人做人人爽| xxxhd国产人妻xxx| 免费观看av网站的网址| 国产日韩欧美视频二区| 视频区图区小说| 巨乳人妻的诱惑在线观看| 久久午夜综合久久蜜桃| 免费高清在线观看日韩| 国产精品免费视频内射| 国产国语露脸激情在线看| 天天影视国产精品| 黄色a级毛片大全视频| 俄罗斯特黄特色一大片| 一边摸一边做爽爽视频免费| 精品一区二区三区四区五区乱码| 午夜福利乱码中文字幕| 丁香六月欧美| 人成视频在线观看免费观看| 成人av一区二区三区在线看 | 国产伦理片在线播放av一区| 亚洲av成人一区二区三| 男女边摸边吃奶| 男人舔女人的私密视频| 大片电影免费在线观看免费| 十八禁网站免费在线| 一本大道久久a久久精品| 免费高清在线观看视频在线观看| 精品亚洲乱码少妇综合久久| 伦理电影免费视频| 亚洲人成77777在线视频| 九色亚洲精品在线播放| 人人妻人人澡人人看| 国产淫语在线视频| 中文字幕av电影在线播放| 久久精品国产亚洲av高清一级| 性色av一级| 十分钟在线观看高清视频www| kizo精华| 美国免费a级毛片| 国产成人影院久久av| 亚洲精品一区蜜桃| 搡老乐熟女国产| 黑丝袜美女国产一区| 黑人巨大精品欧美一区二区mp4| 人人妻人人澡人人看| 欧美黑人精品巨大| 精品高清国产在线一区| 午夜福利在线观看吧| 999久久久国产精品视频| 国产激情久久老熟女| 美女高潮到喷水免费观看| 亚洲国产精品成人久久小说| 中文字幕人妻熟女乱码| 男人添女人高潮全过程视频| 日日爽夜夜爽网站| 国产精品 国内视频| 嫩草影视91久久| 欧美少妇被猛烈插入视频| 国产免费现黄频在线看| 秋霞在线观看毛片| 99久久精品国产亚洲精品| 国产一卡二卡三卡精品| 欧美日韩国产mv在线观看视频| 最新的欧美精品一区二区| 新久久久久国产一级毛片| 久久精品人人爽人人爽视色| av不卡在线播放| 免费观看a级毛片全部| 一个人免费看片子| 精品第一国产精品| 精品免费久久久久久久清纯 | 侵犯人妻中文字幕一二三四区| 亚洲国产av影院在线观看| 久久毛片免费看一区二区三区| 国产成人a∨麻豆精品| 最近最新免费中文字幕在线| av天堂在线播放| 久久热在线av| 国产免费福利视频在线观看| 在线亚洲精品国产二区图片欧美| 国产成人啪精品午夜网站| 国产精品一区二区在线观看99| 一边摸一边做爽爽视频免费| 国产成人欧美在线观看 | 免费少妇av软件| 午夜免费鲁丝| 国产精品久久久久久人妻精品电影 | 一个人免费看片子| 久久99热这里只频精品6学生| 纵有疾风起免费观看全集完整版| 欧美+亚洲+日韩+国产| 国产高清国产精品国产三级| 国产亚洲精品久久久久5区| 国产成人欧美| √禁漫天堂资源中文www| 久久国产精品大桥未久av| 性色av一级| 成人三级做爰电影| 91成年电影在线观看| 亚洲中文字幕日韩| 久久久久视频综合| 欧美日本中文国产一区发布| av免费在线观看网站| 夜夜夜夜夜久久久久| 精品少妇黑人巨大在线播放| 免费在线观看视频国产中文字幕亚洲 | a 毛片基地| 日韩一卡2卡3卡4卡2021年| 深夜精品福利| 9热在线视频观看99| 菩萨蛮人人尽说江南好唐韦庄| 人妻一区二区av| 一边摸一边抽搐一进一出视频| 精品国产一区二区久久| 亚洲男人天堂网一区| 亚洲午夜精品一区,二区,三区| 日本wwww免费看| 亚洲,欧美精品.| 国产亚洲精品一区二区www | 日韩大码丰满熟妇| tube8黄色片| 国产1区2区3区精品| 黄片大片在线免费观看| 精品一区二区三卡| 精品国产国语对白av| 欧美日韩视频精品一区| 亚洲精品久久成人aⅴ小说| 精品久久久精品久久久| 久久久国产成人免费| 国产又色又爽无遮挡免| 一本大道久久a久久精品| 久久精品久久久久久噜噜老黄| 久久亚洲国产成人精品v|