• <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 ?

    基于稀疏自動編碼器的飛參數(shù)據(jù)異常檢測

    2015-12-23 07:16:35杜辰飛,曲建嶺,孫文柱
    計測技術(shù) 2015年2期
    關(guān)鍵詞:異常檢測

    基于稀疏自動編碼器的飛參數(shù)據(jù)異常檢測

    杜辰飛,曲建嶺,孫文柱,高峰

    (海軍航空工程學院青島校區(qū),山東 青島 266041)

    摘要:為了改善人工判讀飛參數(shù)據(jù)效率低且易出現(xiàn)誤判和漏判的不良狀況,本文提出一種基于稀疏自動編碼器(Sparse auto-encoder,SAE)的飛參數(shù)據(jù)異常檢測方法。首先構(gòu)建了SAE的基本框架,然后以滑動窗口的形式生成訓練樣本。其次,用正常樣本并結(jié)合BP算法對整個網(wǎng)絡模型進行訓練和優(yōu)化以得到相應的正常樣本重構(gòu)誤差分布閾值。最后,根據(jù)測試樣本的重構(gòu)誤差對飛參數(shù)據(jù)中的典型異常進行檢測。實驗證明,該方法可在樣本不平衡的情況下,僅利用正常樣本構(gòu)建參數(shù)空間,并得到正常樣本重構(gòu)誤差分布門限,準確檢測出飛參數(shù)據(jù)中的異常,實現(xiàn)飛參數(shù)據(jù)機器判讀。

    關(guān)鍵詞:飛參數(shù)據(jù);異常檢測;稀疏自動編碼器;反向傳播算法;重構(gòu)誤差

    doi:10.11823/j.issn.1674-5795.2015.02.03

    中圖分類號:V328.3;TP181

    文章編號:1674-5795(2015)02-0011-04

    收稿日期:2015-01-23;修回日期:2015-03-06

    作者簡介:杜辰飛(1988-),男,碩士研究生,主要研究方向為航空儀表;曲建嶺(1968-),男,教授,博士,主要研究方向為航空儀表、飛參數(shù)據(jù)應用、人工智能、模式識別等。

    Flight Data Abnormity Detection Method Based on Sparse Auto-encoder

    DU Chenfei,QU Jianling,SUN Wenzhu,GAO Feng

    (Naval Aeronautical Engineering Institute Qingdao Branch,Qingdao 266041,China)

    Abstract:To improve the adverse conditions of flight data manual interpretation such as low efficiency and inevitable errors or omissions,this paper presents a method based on sparse auto-encoder(SAE)for flight data abnormity detection.Firstly,we make the basic framework for SAE.Secondly we generate the training samples in the form of a sliding window.Thirdly,we use normal samples and BP algorithm to fulfill training and optimization of the entire network so as to get reconstruction error distribution threshold of normal samples.Finally,according to the reconstruction error of test samples we detect typical abnormity in flight data.Experiments show that this computer-based flight data interpretation method can get reconstruction error threshold distribution of the normal samples in the case of sample imbalance and detect abnormity of flight data accurately.

    Key words:flight data;abnormity detection;sparse auto-encoder;back-propagation algorithm;reconstruction error

    0引言

    高強度的飛參判讀工作使飛參判讀員長期處于疲勞狀態(tài),增加了飛參判讀誤判、漏判的概率,而不斷完善的飛機安全監(jiān)控和視情維護體制卻對飛參判讀的效率和準確率提出了更高的要求。深度學習技術(shù)的興起和異常檢測方法的日趨完善為解決上述問題奠定了理論基礎。深度學習神經(jīng)網(wǎng)絡是一種利用經(jīng)過無監(jiān)督逐層貪心預訓練和精雕的多隱含層非線性網(wǎng)絡結(jié)構(gòu)從無類標數(shù)據(jù)樣本中提取高維復雜輸入數(shù)據(jù)的分層特征,進而得到數(shù)據(jù)集壓縮表示的機器學習算法[1],其最大的優(yōu)勢在于它將模式識別和特征分類器結(jié)合到一個框架中,不但能發(fā)掘同類數(shù)據(jù)的內(nèi)在線性或非線性關(guān)系,而且能明確不同類別數(shù)據(jù)間的界限,提高了無類標數(shù)據(jù)樣本的利用率,克服了傳統(tǒng)淺層神經(jīng)網(wǎng)絡梯度稀釋、訓練時間長和易陷入局部最小等缺陷[2-4]。稀疏自動編碼器是一種典型的深度結(jié)構(gòu),能充分體現(xiàn)深度理論的優(yōu)勢,彌補傳統(tǒng)淺層結(jié)構(gòu)的不足,在樣本數(shù)量不平衡的情況下,有效利用正常樣本得到重構(gòu)誤差函數(shù)的分布規(guī)律,確定分類邊界。因此本文提出基于SAE的飛參數(shù)據(jù)異常檢測方法,輔助機器判讀,減少誤判和漏判,提高飛參判讀的效率和準確率。

    1SAE方法原理

    為解決淺層神經(jīng)網(wǎng)絡受到梯度稀釋的影響不能精確擬合高維復雜函數(shù)且容易陷入局部最小等問題,2006年Hinton提出深度學習的概念,將限制性波爾茲曼機用于構(gòu)建深度置信網(wǎng)絡,并用無監(jiān)督逐層貪心訓練算法對DBN進行預訓練,取得了良好的效果,開啟了神經(jīng)網(wǎng)絡研究的新紀元[5]。2007年Benjio經(jīng)過對深度結(jié)構(gòu)的細致研究,提出稀疏自動編碼器的概念,利用KL散度懲罰隱含層節(jié)點的激活值,將其約束在非激活狀態(tài)值附近,因而隱含層節(jié)點數(shù)量很大時,該結(jié)構(gòu)依然能提取輸入數(shù)據(jù)的結(jié)構(gòu)性特征,提取高維數(shù)據(jù)變量的稀疏解釋性因子,有效保留原始輸入的非0特征,提高了表示學習算法的魯棒性,增強了數(shù)據(jù)的線性可分性,使分類邊界更加清晰,并且能有效控制變量規(guī)模,在一定程度上改變數(shù)據(jù)內(nèi)部結(jié)構(gòu),豐富了原始數(shù)據(jù)包含信息,使得信息表述的全面性和準確率得到顯著的提高[6],因此SAE被廣泛用于圖像分類、圖像還原和圖像去噪等領(lǐng)域[7-9]。2012年馬云龍將并列SAE用于異常值檢測取得了良好的效果[10],2013年鄧俊利用SAE實現(xiàn)了語義情感辨識[11]。

    SAE的基本結(jié)構(gòu)如圖1所示,輸入層接收d維輸入向量x∈[0,1]d,然后將其映射到隱含表示y∈[0,1]d′,該映射可表示為

    y=fθ(x)=s(Wx+b)

    (1)

    式中:θ={W,b}為網(wǎng)絡參數(shù);s為sigmoid函數(shù);W為d′×d維的權(quán)值矩陣;b為偏置向量。

    圖1 稀疏自動編碼器

    隱含層表達y通過逆映射得到重構(gòu)向量z∈[0,1]d,逆映射為

    z=gθ′(y)=s(W′y+b′)

    (2)

    式中:θ′={W′,b′};W′為d×d′維的權(quán)值矩陣;b′為偏置向量;且有W′=WT,因而SAE具有關(guān)聯(lián)的權(quán)值。

    樣本xi首先映射到y(tǒng)i,然后通過逆映射得到重構(gòu)zi,{θ,θ′}用最小均方誤差函數(shù)來優(yōu)化網(wǎng)絡參數(shù),其表達式為

    (3)

    式中:n為樣本數(shù)量;L為平方誤差,即

    (4)

    SAE的核心是對原型自動編碼器的代價函數(shù)加入約束條件,使大部分隱含層節(jié)點處于“抑制”狀態(tài),將隱含層節(jié)點輸出值限定在0附近[12],SAE的代價函數(shù)表達式為

    (5)

    式中:ρ為隱含層節(jié)點的激活值;ρj為隱含層節(jié)點的平均激活值;β為常數(shù),代表稀疏懲罰項的比重。

    懲罰項的實質(zhì)是Kullback-Leibler(KL)散度[13],表示的是分別具有平均值ρ和ρj且服從貝努利分布的兩個隨機變量之間的差距,一般形式為

    (6)

    為了對SAE進行精雕,本文采用BP算法對SAE進行整體性調(diào)整[13-15],基本方法如下:

    (7)

    (8)

    (9)

    1)根據(jù)初始化的權(quán)值矩陣和偏置進行前饋傳導計算,利用前向傳導公式,得到L2,L3,…,Lnl的激活值。

    2)對于第Lnl層(輸出層)的每個輸出單元i,我們根據(jù)以下公式計算殘差

    (10)

    3)對l=nl-1,nl-2,nl-3,…,2的各個層,第l層的第i個節(jié)點的殘差計算方法如下

    (11)

    (12)

    根據(jù)遞推過程我們將nl-1與nl的關(guān)系替換為l與l+1的關(guān)系,因而可以得到

    (13)

    因此,SAE梯度可表示為

    (14)

    4)計算SAE偏導數(shù)

    (15)

    (16)

    2飛參數(shù)據(jù)異常檢測

    飛參數(shù)據(jù)中的正常樣本遠多于異常樣本,并且飛參數(shù)據(jù)異常的種類有很多,由此帶來的樣本不平衡問題嚴重影響了傳統(tǒng)神經(jīng)網(wǎng)絡的分類效果(如圖2、3所示),同時,淺層結(jié)構(gòu)不能擬合高維復雜函數(shù)使分類器精度受到一定程度的影響[16-18]。為了克服上述缺陷,本文從某型飛機300個架次的飛行數(shù)據(jù)中提取正常樣本用于訓練SAE以得到正常數(shù)據(jù)的重構(gòu)誤差分布閾值(如圖4所示),最后用完成訓練的SAE檢測帶有異常的飛行數(shù)據(jù)。若該數(shù)據(jù)存在異常,那么其對應時刻的代價函數(shù)將超出閾值;因此,若超出閾值,則可判定該時刻的飛行數(shù)據(jù)出現(xiàn)異常。檢測結(jié)果用0,1表示,0表示該時刻飛行數(shù)據(jù)正常,1表示該時刻飛行數(shù)據(jù)異常。

    圖2 樣本平衡分類效果

    圖3 樣本不平衡分類效果

    圖4 重構(gòu)誤差分布閾值

    2.1飛參樣本提取方法

    飛參訓練樣本可由一個或幾個參數(shù)構(gòu)成,便于SAE捕捉到正常樣本代價函數(shù)特征,確定分類邊界,提升訓練的效率和檢測的準確率。

    根據(jù)發(fā)生異常的參數(shù)種類,本文選取左發(fā)排氣溫度(T4_L)、右發(fā)排氣溫度(T4_R)、左發(fā)高壓轉(zhuǎn)子轉(zhuǎn)速(N2_L)、右發(fā)高壓轉(zhuǎn)子轉(zhuǎn)速(N2_R)、左發(fā)低壓轉(zhuǎn)子轉(zhuǎn)速(N1_L)、右發(fā)低壓轉(zhuǎn)子轉(zhuǎn)速(N1_R)、左發(fā)滑油壓力(PH_L)、右發(fā)滑油壓力(PH_R)、左發(fā)滑油溫度(TH_L)、右發(fā)滑油溫度(TH_R)共10個參數(shù)構(gòu)建一個寬度為12 s,移動步長為1 s的滑動窗口作為一個訓練樣本。

    2.2飛參數(shù)據(jù)異常檢測實例

    1)野值檢測

    野值是一種與先驗知識不符的數(shù)據(jù),一般由線路接觸不良或瞬間強干擾產(chǎn)生,是數(shù)字式記錄設備中不可避免的電氣特性,一般表現(xiàn)為采樣點嚴重偏離正常狀態(tài),曲線中含有尖峰或毛刺。如圖5所示,某架次飛行數(shù)據(jù)發(fā)動機滑油壓力中含有野值,相應的檢測效果如圖6所示。

    圖5 含有野值的滑油壓力

    圖6 滑油壓力野值檢測

    2)發(fā)動機喘振檢測

    喘振是由于氣流在渦輪發(fā)動機壓氣機的葉片通道內(nèi)嚴重分離而造成的壓氣機不穩(wěn)定,從而使渦輪發(fā)動機的工作狀態(tài)嚴重地偏離了設計工作狀態(tài)的故障。發(fā)生喘振時,可以觀察到發(fā)動機工作不連續(xù),高壓轉(zhuǎn)子轉(zhuǎn)速迅速下降,排氣溫度急劇升高。如圖7所示,2203~2209 s右發(fā)發(fā)生喘振,相應的檢測效果如圖8所示。

    圖7 右發(fā)喘振

    圖8 喘振檢測

    2.3檢測效果比較

    在樣本不平衡的情況下,本文所用方法的檢測效果明顯優(yōu)于基于淺層神經(jīng)網(wǎng)絡的方法和完全依靠熟練人工判讀的效果。實驗與統(tǒng)計數(shù)據(jù)如表1所示(實驗中,檢測飛參數(shù)據(jù)異常327個)。

    表1 檢測效果比較

    3結(jié)論

    傳統(tǒng)的異常檢測方法需要大量的先驗知識,但是飛參數(shù)據(jù)中的異常樣本極少,已經(jīng)發(fā)生的異常僅是個

    例,因而傳統(tǒng)檢測方法無法提取飛參數(shù)據(jù)異常的特征,對新生種類異常的檢測效果較差。同時,淺層結(jié)構(gòu)不能擬合高維復雜函數(shù),非凸優(yōu)化能力較差,梯度稀釋使模型易陷入局部最小,分類效果較差。而以SAE為理論基礎的異常檢測方法的最大優(yōu)勢就是可以在遇到未知種類的異常時,通過學習正常飛行參數(shù)的代價函數(shù)模式來識別異常數(shù)據(jù)。理論上,如果訓練樣本完備,基于SAE的方法可以發(fā)現(xiàn)所有異常模式并確定異常發(fā)生的時刻,檢測準確率接近100%,因此,將SAE用于飛行數(shù)據(jù)異常檢測是實現(xiàn)飛行數(shù)據(jù)機器判讀的有效途徑。

    參考文獻

    [1] HINTON G,OSINDERO S.A fast learning algorithm for deep belief nets[J].Neural Computation,2006,18(7):1527-1554.

    [2] ERHAN D,BENGIO Y,COUVILLE A.Why does unsupervised pre-training help deep learning[J].Journal of Machine Learning Research,2010,11(3):625-660.

    [3] POON H,DOMINGOS P.Sum-product networks:a new deep architecture[C]//Proc of IEEE International Conference on Computer Vision.Barcelona:IEEE,2011:689-690.

    [4] ZINKEVICH M,SMOLA A,WEIMER M,et al.Parallelized stochastic gradient descent[J]Advances in Neural Information Processing Systems.2010(23):2595-2603.

    [5] BENGIO Y.Learning deep architectures for AI[J].Foundations and Trends in Machine Learning,2009,2(1):1-127.

    [6] BENGIO Y,LAMBLIN P,POPOVICI D.Greedy layerwise training of deep networks in Advances[C]//Proc of the 20thInternational Conference on Neural Information Processing Systems.Cambridge:MIT Press,2007:153-159.

    [7] 孫志軍,薛磊,許陽明.深度學習研究綜述[J].計算機應用研究,2012,29(8):2805-2810.

    [8] GLOROT X,BORDES A,BENGIO Y.Deep Sparse Rectifier Neural Networks[C]//Proc of the 14thInternational Conference on Artificial Intelligence and Statistics.Fort Lauderdale:IEEE,2011:315-323.

    [9] BENGIO Y,DELALLEAU O.On the expressive power of deep architectures[C]//Proc of the 14thInternational Conference on Discovery Science.Berlin:Springer-Verlag,2011:18-36.

    [10] YUNLONG MA,PENG ZHANG,YANAN CAO.Parallel Auto-encoder for Efficient Outlier Detection[C]//Proc of IEEE International Conference on Big Data.Silicon Valley:IEEE,2013:15-17.

    [11] MUHAMMAD G,BASTIAAN K W,MENGJIE Zhang.Sparse Representations in Deep Learning for Noise-Robust Digit Classification[C]//Proc of the 28thInternational Conference on Image and Vision Computing.Wellington:IEEE,2013:340-345.

    [12] CHARALAMPOUS K,KOSTAVELIS I,AMANATIADIS A. Sparse deep-learning algorithm for recognition and categorization[J].Electronics Letters,2012,48(20):55-56.

    [13] YUXI LUO,YI WAN.A Novel Efficient Method for Training Sparse Auto-Encoders[C]//Proc of the 6thInternational Congress on Image and Signal Processing.Hangzhou:IEEE,2013:1019-1023.

    [14] XIAO JUAN JIANG,YINGHUA ZHANG,WENSHENG ZHANG.A Novel Sparse Auto-Encoder for Deep Unsupervised Learning[C]//Proc of the 6thInternational Conference on Advanced Computational Intelligence.Hangzhou:IEEE,2013:256-261.

    [15] BENJAMIN L,ROMAIN H,CLEMENT C.Learning Deep Neural Networks for High Dimensional Output Problems[C]//Proc of the IEEE International Conference on Machine Learning and Applications.Miami Beach:IEEE,2009:63-68.

    [16] WONG W K,MINGMING SUN.Deep Learning Regularized Fisher Mappings[J].IEEE Transactions on Neural Networks,2011,22(10):1668-1675.

    [17] BENGIO SAMY,LI DENG,HUGO LAROCHELLE.Guest Editors’ Introduction:Special Section on Learning Deep Architectures [J].IEEE Transactions On Pattern Analysis And Machine Intelligence,2013,35(8):1795-1797.

    [18] TELMO AMARAL,LUIS M,LUIS S.Using Different Cost Functions to Train Stacked Auto-encoders[C]//Proc of 12thMexican International Conference on Artificial Intelligence.Mexico City:IEEE,2013:114-120.

    猜你喜歡
    異常檢測
    一種基于隨機空間樹的數(shù)據(jù)流異常檢測算法
    基于ELK的電力信息監(jiān)控日志審計系統(tǒng)實現(xiàn)
    基于LMD模糊熵的遙測振動信號異常檢測方法
    基于度分布的流量異常在線檢測方法研究
    軟件導刊(2016年11期)2016-12-22 21:59:46
    無線Mesh網(wǎng)絡安全性研究
    無線Mesh網(wǎng)絡基礎知識
    淺談燃氣輪機排氣溫度異常檢測及診斷
    一種基于異常入侵檢測的報警融合技術(shù)
    計算機時代(2016年8期)2016-08-16 09:50:01
    基于計算機視覺的人群異常事故檢測系統(tǒng)
    卷宗(2016年4期)2016-05-30 11:01:28
    基于鼠標行為的電子商務中用戶異常行為檢測
    757午夜福利合集在线观看| 99国产精品99久久久久| 亚洲五月婷婷丁香| 男女床上黄色一级片免费看| 悠悠久久av| 成人欧美大片| 热99re8久久精品国产| 香蕉丝袜av| 两个人免费观看高清视频| 又紧又爽又黄一区二区| 人妻丰满熟妇av一区二区三区| 最近最新免费中文字幕在线| 亚洲,欧美精品.| 每晚都被弄得嗷嗷叫到高潮| 人人妻人人看人人澡| www国产在线视频色| a级毛片在线看网站| 亚洲国产精品999在线| 精品福利观看| 久久午夜综合久久蜜桃| 真人一进一出gif抽搐免费| 久久久精品欧美日韩精品| 丁香欧美五月| 一二三四在线观看免费中文在| 亚洲av中文字字幕乱码综合| 精品久久蜜臀av无| 亚洲精品久久国产高清桃花| 一二三四社区在线视频社区8| 免费看a级黄色片| www日本在线高清视频| 午夜久久久久精精品| 欧美日韩一级在线毛片| 国产精品爽爽va在线观看网站| 美女大奶头视频| 亚洲人成网站在线播放欧美日韩| 成人一区二区视频在线观看| 日本撒尿小便嘘嘘汇集6| 亚洲国产欧美一区二区综合| 国产91精品成人一区二区三区| 色哟哟哟哟哟哟| 搡老熟女国产l中国老女人| 亚洲男人的天堂狠狠| 久久九九热精品免费| 一个人免费在线观看的高清视频| 啦啦啦免费观看视频1| 日韩中文字幕欧美一区二区| 熟妇人妻久久中文字幕3abv| 观看免费一级毛片| 国内精品久久久久久久电影| 啪啪无遮挡十八禁网站| 老汉色av国产亚洲站长工具| www日本黄色视频网| 亚洲电影在线观看av| 国产av麻豆久久久久久久| 精品久久蜜臀av无| 欧美乱妇无乱码| 国产伦人伦偷精品视频| 欧美日韩亚洲综合一区二区三区_| 色综合站精品国产| 午夜免费成人在线视频| 少妇粗大呻吟视频| 久久这里只有精品中国| 国产精品一区二区三区四区久久| 精品少妇一区二区三区视频日本电影| 国产激情偷乱视频一区二区| 美女扒开内裤让男人捅视频| 国产成人aa在线观看| 两个人视频免费观看高清| 欧美黑人欧美精品刺激| 美女大奶头视频| 日韩欧美 国产精品| 亚洲一区中文字幕在线| 99精品在免费线老司机午夜| 欧美中文综合在线视频| 国产精品美女特级片免费视频播放器 | 欧美3d第一页| 久久久久九九精品影院| 男女视频在线观看网站免费 | 国产在线精品亚洲第一网站| 久久久国产成人精品二区| 国产亚洲av嫩草精品影院| 久久中文字幕一级| 日本精品一区二区三区蜜桃| 此物有八面人人有两片| 国产精品98久久久久久宅男小说| 脱女人内裤的视频| 亚洲第一欧美日韩一区二区三区| 成年人黄色毛片网站| 欧美日韩乱码在线| 亚洲激情在线av| 日本一本二区三区精品| e午夜精品久久久久久久| 国产精华一区二区三区| 男女之事视频高清在线观看| 国产精品九九99| 国产又色又爽无遮挡免费看| 此物有八面人人有两片| 国产视频一区二区在线看| 91九色精品人成在线观看| 99热这里只有是精品50| 欧美一级毛片孕妇| av福利片在线| 嫩草影视91久久| 黑人巨大精品欧美一区二区mp4| netflix在线观看网站| 国产高清videossex| 欧美色欧美亚洲另类二区| 一本久久中文字幕| 亚洲七黄色美女视频| 黄色视频不卡| 黄色女人牲交| 日韩成人在线观看一区二区三区| 亚洲人成网站在线播放欧美日韩| 欧美日本视频| 九色国产91popny在线| 亚洲欧美精品综合久久99| 国产精品美女特级片免费视频播放器 | 国产精品综合久久久久久久免费| 日韩精品中文字幕看吧| 成人精品一区二区免费| 99热这里只有是精品50| 成熟少妇高潮喷水视频| 亚洲人与动物交配视频| 亚洲一区高清亚洲精品| 久久九九热精品免费| 色播亚洲综合网| av在线天堂中文字幕| 国产欧美日韩精品亚洲av| 国产亚洲欧美在线一区二区| 亚洲五月天丁香| 90打野战视频偷拍视频| 日韩 欧美 亚洲 中文字幕| 亚洲色图av天堂| 黑人操中国人逼视频| 男女那种视频在线观看| 亚洲第一欧美日韩一区二区三区| 成年人黄色毛片网站| 夜夜爽天天搞| 色综合站精品国产| 欧美黄色片欧美黄色片| 国产亚洲精品第一综合不卡| 悠悠久久av| 亚洲精品一卡2卡三卡4卡5卡| 99国产精品一区二区三区| 波多野结衣巨乳人妻| 国产成人av激情在线播放| 欧美另类亚洲清纯唯美| 夜夜夜夜夜久久久久| 久久香蕉激情| 俺也久久电影网| 啪啪无遮挡十八禁网站| 日韩欧美免费精品| 亚洲av日韩精品久久久久久密| 美女高潮喷水抽搐中文字幕| 日韩精品免费视频一区二区三区| 国产三级中文精品| 精品电影一区二区在线| 老汉色∧v一级毛片| 小说图片视频综合网站| 成年版毛片免费区| 老司机深夜福利视频在线观看| 9191精品国产免费久久| 精品国产乱子伦一区二区三区| 91大片在线观看| 在线播放国产精品三级| 精品久久蜜臀av无| 性欧美人与动物交配| 亚洲免费av在线视频| 免费在线观看成人毛片| 精品欧美国产一区二区三| 男插女下体视频免费在线播放| av超薄肉色丝袜交足视频| 日韩av在线大香蕉| 大型av网站在线播放| 国产伦人伦偷精品视频| 日韩欧美免费精品| 亚洲九九香蕉| 91av网站免费观看| 黄色视频,在线免费观看| or卡值多少钱| 变态另类丝袜制服| 久久精品影院6| 色综合站精品国产| 亚洲黑人精品在线| 男插女下体视频免费在线播放| 在线观看午夜福利视频| 老鸭窝网址在线观看| 亚洲五月天丁香| 亚洲精品久久国产高清桃花| 免费看十八禁软件| 俺也久久电影网| 亚洲成av人片免费观看| 欧美乱妇无乱码| 给我免费播放毛片高清在线观看| 午夜福利视频1000在线观看| a在线观看视频网站| 日韩高清综合在线| 国产欧美日韩一区二区三| 国产精品综合久久久久久久免费| 老汉色∧v一级毛片| 日本黄大片高清| 黑人巨大精品欧美一区二区mp4| 女同久久另类99精品国产91| 一级黄色大片毛片| av免费在线观看网站| 曰老女人黄片| 欧美激情久久久久久爽电影| 亚洲一区二区三区色噜噜| 欧美午夜高清在线| 少妇裸体淫交视频免费看高清 | 69av精品久久久久久| 成人午夜高清在线视频| 亚洲av熟女| cao死你这个sao货| 亚洲精华国产精华精| 欧美黑人巨大hd| 精品久久久久久久末码| 午夜福利在线观看吧| 亚洲精品久久国产高清桃花| 十八禁人妻一区二区| 久久性视频一级片| 两性夫妻黄色片| 久久久国产成人免费| 免费在线观看黄色视频的| 久久久精品国产亚洲av高清涩受| 欧美日韩一级在线毛片| 热99re8久久精品国产| 日本撒尿小便嘘嘘汇集6| 欧美中文日本在线观看视频| 一卡2卡三卡四卡精品乱码亚洲| 丰满人妻熟妇乱又伦精品不卡| 男女那种视频在线观看| 午夜日韩欧美国产| 欧美激情久久久久久爽电影| 国产精品久久久久久久电影 | 午夜免费激情av| 操出白浆在线播放| 桃色一区二区三区在线观看| 亚洲avbb在线观看| 精品一区二区三区av网在线观看| 成人精品一区二区免费| 亚洲国产精品合色在线| 精品一区二区三区视频在线观看免费| 老熟妇仑乱视频hdxx| 国产成人系列免费观看| 黄色女人牲交| 亚洲中文av在线| 国产黄色小视频在线观看| 丝袜人妻中文字幕| 一进一出抽搐动态| 欧美日韩亚洲国产一区二区在线观看| 观看免费一级毛片| 在线观看舔阴道视频| 国产精品一区二区精品视频观看| 两个人的视频大全免费| 国产野战对白在线观看| 欧美午夜高清在线| 久久精品综合一区二区三区| 亚洲aⅴ乱码一区二区在线播放 | 99国产精品一区二区三区| 一边摸一边做爽爽视频免费| 日韩免费av在线播放| av国产免费在线观看| 午夜免费观看网址| 午夜福利免费观看在线| 亚洲国产精品成人综合色| 欧美乱妇无乱码| 国产97色在线日韩免费| 级片在线观看| 一级毛片高清免费大全| 亚洲最大成人中文| 又紧又爽又黄一区二区| 两个人的视频大全免费| 一级a爱片免费观看的视频| 美女高潮喷水抽搐中文字幕| 99国产综合亚洲精品| 日本 欧美在线| 一进一出抽搐动态| 99热这里只有精品一区 | 久久精品91无色码中文字幕| av福利片在线| 欧美极品一区二区三区四区| 欧美久久黑人一区二区| 久久精品亚洲精品国产色婷小说| 国产精品亚洲一级av第二区| www.自偷自拍.com| 男人舔女人下体高潮全视频| 亚洲18禁久久av| 亚洲精品久久国产高清桃花| 人妻丰满熟妇av一区二区三区| 欧美三级亚洲精品| 久久久水蜜桃国产精品网| av视频在线观看入口| 麻豆av在线久日| 国产麻豆成人av免费视频| 日韩欧美在线二视频| 中文字幕av在线有码专区| 变态另类成人亚洲欧美熟女| 久久欧美精品欧美久久欧美| 久久天堂一区二区三区四区| 叶爱在线成人免费视频播放| x7x7x7水蜜桃| 欧美中文综合在线视频| 一级毛片高清免费大全| 又紧又爽又黄一区二区| 欧美又色又爽又黄视频| 少妇被粗大的猛进出69影院| 嫩草影院精品99| 十八禁人妻一区二区| 国产单亲对白刺激| 国产99久久九九免费精品| 不卡av一区二区三区| 国产一区二区三区视频了| 一级a爱片免费观看的视频| 久久久久久久久久黄片| 午夜亚洲福利在线播放| 欧美成狂野欧美在线观看| 精品日产1卡2卡| 久久 成人 亚洲| 欧美精品亚洲一区二区| 男人舔奶头视频| 国产精品久久久人人做人人爽| 淫秽高清视频在线观看| 丝袜人妻中文字幕| 欧美丝袜亚洲另类 | 久久久国产欧美日韩av| 久久精品影院6| 国产精品久久久久久人妻精品电影| 99久久国产精品久久久| 久久伊人香网站| 国产亚洲精品综合一区在线观看 | 少妇裸体淫交视频免费看高清 | 国产激情久久老熟女| 欧美高清成人免费视频www| 国产亚洲精品久久久久久毛片| 国产av在哪里看| 变态另类丝袜制服| 中国美女看黄片| 国产v大片淫在线免费观看| 午夜精品一区二区三区免费看| 天天一区二区日本电影三级| 嫩草影视91久久| 免费在线观看完整版高清| 亚洲精品中文字幕一二三四区| 亚洲人成电影免费在线| 亚洲av电影不卡..在线观看| 99久久99久久久精品蜜桃| 悠悠久久av| 美女黄网站色视频| 母亲3免费完整高清在线观看| 欧美丝袜亚洲另类 | 欧美性猛交黑人性爽| 黄片大片在线免费观看| 国产成人啪精品午夜网站| 国产精品亚洲美女久久久| 伊人久久大香线蕉亚洲五| 五月玫瑰六月丁香| 夜夜爽天天搞| 欧美一级毛片孕妇| 中文资源天堂在线| 精品国产亚洲在线| 精品国产美女av久久久久小说| 欧美成人性av电影在线观看| 97超级碰碰碰精品色视频在线观看| 成人欧美大片| 精品一区二区三区视频在线观看免费| 啦啦啦免费观看视频1| 俄罗斯特黄特色一大片| 精品熟女少妇八av免费久了| 国内久久婷婷六月综合欲色啪| 欧美 亚洲 国产 日韩一| www.自偷自拍.com| 欧美黄色片欧美黄色片| 一个人观看的视频www高清免费观看 | 亚洲中文字幕一区二区三区有码在线看 | 国内精品一区二区在线观看| 国产av在哪里看| 床上黄色一级片| 欧美成狂野欧美在线观看| 国产片内射在线| 国产精品98久久久久久宅男小说| 18禁黄网站禁片免费观看直播| 一个人免费在线观看的高清视频| 免费在线观看黄色视频的| 欧美一级a爱片免费观看看 | 最近视频中文字幕2019在线8| 亚洲人与动物交配视频| 日日摸夜夜添夜夜添小说| 久久久久久免费高清国产稀缺| 在线永久观看黄色视频| 亚洲国产精品成人综合色| 91麻豆av在线| 老司机深夜福利视频在线观看| av天堂在线播放| 亚洲国产欧美人成| 99在线视频只有这里精品首页| 91老司机精品| 久久精品91蜜桃| 在线免费观看的www视频| 18美女黄网站色大片免费观看| 国产精品久久电影中文字幕| 亚洲国产精品合色在线| 国产在线观看jvid| 搡老妇女老女人老熟妇| 性欧美人与动物交配| 欧美日韩国产亚洲二区| 最好的美女福利视频网| 国产精品爽爽va在线观看网站| 三级毛片av免费| 日日摸夜夜添夜夜添小说| 99久久久亚洲精品蜜臀av| 免费高清视频大片| 亚洲,欧美精品.| 高清毛片免费观看视频网站| 最近最新中文字幕大全电影3| 亚洲国产高清在线一区二区三| 99精品欧美一区二区三区四区| 亚洲成av人片免费观看| 怎么达到女性高潮| 国内少妇人妻偷人精品xxx网站 | 国产高清视频在线观看网站| 国产欧美日韩一区二区精品| 亚洲 欧美一区二区三区| 伊人久久大香线蕉亚洲五| 久久久精品欧美日韩精品| 又爽又黄无遮挡网站| 国产精品国产高清国产av| 日本 av在线| 桃红色精品国产亚洲av| 中文字幕久久专区| 嫩草影视91久久| 久久人妻福利社区极品人妻图片| 国产视频内射| 免费在线观看视频国产中文字幕亚洲| 日韩成人在线观看一区二区三区| 一个人免费在线观看电影 | 麻豆国产av国片精品| 日日夜夜操网爽| 亚洲av成人不卡在线观看播放网| 精品久久久久久久毛片微露脸| 国产区一区二久久| 亚洲专区字幕在线| 啦啦啦免费观看视频1| 亚洲一码二码三码区别大吗| 亚洲国产中文字幕在线视频| 国产精品1区2区在线观看.| 日韩欧美一区二区三区在线观看| 十八禁人妻一区二区| 精品国产乱子伦一区二区三区| 国产高清视频在线播放一区| 国产精品日韩av在线免费观看| 国产一区在线观看成人免费| 两个人视频免费观看高清| 日本三级黄在线观看| 亚洲电影在线观看av| 国产黄a三级三级三级人| bbb黄色大片| 亚洲午夜理论影院| 男女午夜视频在线观看| 欧美成人性av电影在线观看| 久久伊人香网站| 日韩欧美国产一区二区入口| 日本一二三区视频观看| 99国产精品一区二区三区| 日韩欧美三级三区| 欧美人与性动交α欧美精品济南到| 波多野结衣巨乳人妻| 精品人妻1区二区| 18禁美女被吸乳视频| www.精华液| 亚洲熟女毛片儿| 国产黄a三级三级三级人| 午夜老司机福利片| 免费在线观看视频国产中文字幕亚洲| 午夜福利欧美成人| 国模一区二区三区四区视频 | 国产69精品久久久久777片 | 中文字幕av在线有码专区| 美女大奶头视频| 这个男人来自地球电影免费观看| 怎么达到女性高潮| 久久久久亚洲av毛片大全| 性色av乱码一区二区三区2| 成熟少妇高潮喷水视频| 国产精品久久久久久久电影 | 免费高清视频大片| 国产精华一区二区三区| 精品高清国产在线一区| 巨乳人妻的诱惑在线观看| 久久久久九九精品影院| 窝窝影院91人妻| 国产主播在线观看一区二区| 成人av在线播放网站| 在线十欧美十亚洲十日本专区| 国产精品,欧美在线| 中文字幕精品亚洲无线码一区| 变态另类成人亚洲欧美熟女| 嫩草影院精品99| 九色国产91popny在线| 欧美av亚洲av综合av国产av| 国产av又大| 亚洲午夜精品一区,二区,三区| 国产三级黄色录像| 国产精品永久免费网站| 亚洲av成人不卡在线观看播放网| 久久久久国内视频| 欧美乱色亚洲激情| 老汉色av国产亚洲站长工具| 精品久久久久久成人av| 999久久久国产精品视频| 欧美黑人巨大hd| 国产熟女xx| 老汉色av国产亚洲站长工具| 欧美中文综合在线视频| 国产精品影院久久| 青草久久国产| 曰老女人黄片| 嫩草影院精品99| 欧美一级a爱片免费观看看 | 久久久国产成人精品二区| 每晚都被弄得嗷嗷叫到高潮| 精品久久久久久久末码| 久久精品亚洲精品国产色婷小说| АⅤ资源中文在线天堂| 久久伊人香网站| 亚洲欧美日韩无卡精品| 别揉我奶头~嗯~啊~动态视频| 国产精品免费视频内射| 日本免费a在线| 一区二区三区国产精品乱码| 精品乱码久久久久久99久播| 少妇的丰满在线观看| 男人舔女人的私密视频| 久久性视频一级片| 国产黄片美女视频| 制服丝袜大香蕉在线| 免费一级毛片在线播放高清视频| 他把我摸到了高潮在线观看| 精品久久蜜臀av无| 波多野结衣高清无吗| 精品欧美国产一区二区三| 国产真实乱freesex| 欧美成人午夜精品| 亚洲aⅴ乱码一区二区在线播放 | 长腿黑丝高跟| 亚洲天堂国产精品一区在线| 午夜福利欧美成人| 成人国语在线视频| 神马国产精品三级电影在线观看 | 变态另类成人亚洲欧美熟女| 性色av乱码一区二区三区2| 看黄色毛片网站| АⅤ资源中文在线天堂| 九色国产91popny在线| 久久精品国产亚洲av香蕉五月| 狂野欧美激情性xxxx| 精品人妻1区二区| 女警被强在线播放| 麻豆久久精品国产亚洲av| 一本久久中文字幕| 婷婷精品国产亚洲av| 欧美zozozo另类| 天天一区二区日本电影三级| 国产精品av久久久久免费| 国产99久久九九免费精品| 在线永久观看黄色视频| 精品久久久久久成人av| 18禁黄网站禁片免费观看直播| 国产欧美日韩一区二区精品| 国产精品99久久99久久久不卡| а√天堂www在线а√下载| 国产成人精品久久二区二区免费| 他把我摸到了高潮在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲电影在线观看av| 日韩欧美免费精品| 天堂av国产一区二区熟女人妻 | xxx96com| 久久中文看片网| 日本一本二区三区精品| av中文乱码字幕在线| 午夜福利成人在线免费观看| 在线永久观看黄色视频| 亚洲欧美精品综合久久99| 国产男靠女视频免费网站| 免费看十八禁软件| 白带黄色成豆腐渣| videosex国产| 天堂av国产一区二区熟女人妻 | 国产亚洲精品第一综合不卡| 无人区码免费观看不卡| 老司机在亚洲福利影院| 亚洲av熟女| 国产精品野战在线观看| 亚洲熟妇熟女久久| 国产激情久久老熟女| av在线播放免费不卡| 18禁黄网站禁片午夜丰满| 12—13女人毛片做爰片一| 99国产精品一区二区蜜桃av| 天天一区二区日本电影三级| 美女高潮喷水抽搐中文字幕| 观看免费一级毛片| 国产野战对白在线观看| 日本撒尿小便嘘嘘汇集6| 一级黄色大片毛片| 1024视频免费在线观看| 国产亚洲精品综合一区在线观看 | 色av中文字幕| 亚洲色图av天堂| 欧美人与性动交α欧美精品济南到| 国语自产精品视频在线第100页| 久久久国产精品麻豆| 国产精品98久久久久久宅男小说| 别揉我奶头~嗯~啊~动态视频|