• <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
    99热6这里只有精品| 色老头精品视频在线观看| 999久久久精品免费观看国产| 一区福利在线观看| 欧美黑人巨大hd| 无人区码免费观看不卡| 高清在线国产一区| 午夜两性在线视频| 99精品欧美一区二区三区四区| 亚洲精华国产精华精| 免费看日本二区| 看免费av毛片| 成人国产一区最新在线观看| 90打野战视频偷拍视频| 国产区一区二久久| 女人爽到高潮嗷嗷叫在线视频| 久久久久久人人人人人| 国产一区二区在线av高清观看| 一区二区三区精品91| svipshipincom国产片| 亚洲专区字幕在线| 99re在线观看精品视频| cao死你这个sao货| 成熟少妇高潮喷水视频| 欧美乱色亚洲激情| av在线播放免费不卡| 一夜夜www| 欧美黄色淫秽网站| 激情在线观看视频在线高清| 两个人免费观看高清视频| 亚洲av第一区精品v没综合| 欧美黄色淫秽网站| 亚洲色图av天堂| 中文字幕人成人乱码亚洲影| 视频在线观看一区二区三区| 一本精品99久久精品77| 亚洲国产欧美日韩在线播放| 88av欧美| 国产麻豆成人av免费视频| 窝窝影院91人妻| 成人av一区二区三区在线看| 欧美性猛交黑人性爽| bbb黄色大片| 国产精品野战在线观看| 免费看a级黄色片| 亚洲狠狠婷婷综合久久图片| 桃色一区二区三区在线观看| 国产亚洲精品综合一区在线观看 | 久久中文看片网| 日韩高清综合在线| 国内精品久久久久精免费| 亚洲精品国产区一区二| 91成年电影在线观看| 操出白浆在线播放| 91在线观看av| 久久国产精品男人的天堂亚洲| 欧美激情高清一区二区三区| www.精华液| 亚洲av五月六月丁香网| 岛国视频午夜一区免费看| 久久性视频一级片| 日日夜夜操网爽| 老熟妇仑乱视频hdxx| 欧美激情极品国产一区二区三区| 97超级碰碰碰精品色视频在线观看| 黑人操中国人逼视频| 亚洲真实伦在线观看| 国产精品精品国产色婷婷| 老司机午夜十八禁免费视频| 搞女人的毛片| 久久天堂一区二区三区四区| 欧美成狂野欧美在线观看| 精品久久久久久久久久免费视频| 此物有八面人人有两片| 亚洲av熟女| 欧洲精品卡2卡3卡4卡5卡区| 少妇 在线观看| 国产精品久久久久久精品电影 | 国内少妇人妻偷人精品xxx网站 | 琪琪午夜伦伦电影理论片6080| 无人区码免费观看不卡| 欧美激情久久久久久爽电影| 18禁国产床啪视频网站| 黄色片一级片一级黄色片| 男男h啪啪无遮挡| 神马国产精品三级电影在线观看 | 国产成人欧美在线观看| 欧美精品亚洲一区二区| 免费av毛片视频| 国产精华一区二区三区| 黄色毛片三级朝国网站| 丁香欧美五月| 欧美成人性av电影在线观看| 久久国产精品男人的天堂亚洲| 51午夜福利影视在线观看| 色av中文字幕| 欧美三级亚洲精品| 听说在线观看完整版免费高清| 夜夜夜夜夜久久久久| 香蕉久久夜色| 欧美午夜高清在线| 国产精品美女特级片免费视频播放器 | 亚洲欧美一区二区三区黑人| 级片在线观看| 伊人久久大香线蕉亚洲五| 叶爱在线成人免费视频播放| 精品日产1卡2卡| 又黄又粗又硬又大视频| 国产主播在线观看一区二区| av福利片在线| 免费在线观看视频国产中文字幕亚洲| 一级a爱片免费观看的视频| 久久久久久久精品吃奶| 50天的宝宝边吃奶边哭怎么回事| 午夜福利在线在线| 精品久久久久久久末码| 一级毛片精品| 午夜福利欧美成人| 男人的好看免费观看在线视频 | 好男人电影高清在线观看| 久久久精品欧美日韩精品| 久久精品国产99精品国产亚洲性色| 成人国产综合亚洲| www.999成人在线观看| 久99久视频精品免费| 韩国av一区二区三区四区| 国产真人三级小视频在线观看| 久久天躁狠狠躁夜夜2o2o| 法律面前人人平等表现在哪些方面| 成人一区二区视频在线观看| 精品无人区乱码1区二区| a级毛片在线看网站| 别揉我奶头~嗯~啊~动态视频| 精品熟女少妇八av免费久了| 久久久久久亚洲精品国产蜜桃av| 最新在线观看一区二区三区| 狂野欧美激情性xxxx| 日韩欧美国产在线观看| 精品卡一卡二卡四卡免费| 欧美又色又爽又黄视频| 精品免费久久久久久久清纯| 日韩欧美国产在线观看| 精品电影一区二区在线| 人成视频在线观看免费观看| 啦啦啦韩国在线观看视频| www.自偷自拍.com| 免费看十八禁软件| 国产熟女xx| av欧美777| 青草久久国产| 又黄又粗又硬又大视频| 亚洲熟妇中文字幕五十中出| 国产精品亚洲av一区麻豆| 国产精品98久久久久久宅男小说| 国产精品日韩av在线免费观看| 性欧美人与动物交配| 一二三四在线观看免费中文在| 波多野结衣高清作品| 免费在线观看成人毛片| 少妇 在线观看| 国产午夜精品久久久久久| 18禁黄网站禁片午夜丰满| 一级毛片女人18水好多| 欧美最黄视频在线播放免费| 亚洲国产欧美网| 日本熟妇午夜| 精品少妇一区二区三区视频日本电影| av在线播放免费不卡| 久久久久九九精品影院| 黑人操中国人逼视频| avwww免费| 后天国语完整版免费观看| 色播在线永久视频| 亚洲第一青青草原| 国产v大片淫在线免费观看| 欧美成人午夜精品| 51午夜福利影视在线观看| 久久国产精品人妻蜜桃| 美女免费视频网站| 真人一进一出gif抽搐免费| 欧美乱码精品一区二区三区| 日本精品一区二区三区蜜桃| 熟女少妇亚洲综合色aaa.| 999久久久精品免费观看国产| 俄罗斯特黄特色一大片| 日韩欧美国产在线观看| 18禁黄网站禁片免费观看直播| 99riav亚洲国产免费| 一区二区三区国产精品乱码| 18禁国产床啪视频网站| 欧美成人免费av一区二区三区| 亚洲三区欧美一区| 最近最新中文字幕大全免费视频| 久久久久久久久中文| 久久精品国产亚洲av香蕉五月| 可以在线观看的亚洲视频| 成人欧美大片| 国产片内射在线| 欧美日韩一级在线毛片| 亚洲国产精品久久男人天堂| 无限看片的www在线观看| 91字幕亚洲| 变态另类丝袜制服| 18禁裸乳无遮挡免费网站照片 | 亚洲av中文字字幕乱码综合 | 欧美色视频一区免费| 亚洲人成网站高清观看| 欧美精品亚洲一区二区| 国产不卡一卡二| 国产成人精品无人区| 婷婷丁香在线五月| 亚洲va日本ⅴa欧美va伊人久久| 波多野结衣av一区二区av| 亚洲黑人精品在线| 一本综合久久免费| 国产三级黄色录像| 日本一本二区三区精品| av在线播放免费不卡| 欧美日韩福利视频一区二区| 美女国产高潮福利片在线看| 嫩草影院精品99| 天堂影院成人在线观看| 午夜福利在线在线| 久9热在线精品视频| 久久久久国产精品人妻aⅴ院| 亚洲精品美女久久av网站| 欧美一级毛片孕妇| av天堂在线播放| 午夜免费激情av| 国产成+人综合+亚洲专区| 91麻豆精品激情在线观看国产| 性色av乱码一区二区三区2| 日本三级黄在线观看| 好男人电影高清在线观看| 免费看十八禁软件| 亚洲午夜精品一区,二区,三区| 国产精品九九99| 亚洲男人的天堂狠狠| 久久精品人妻少妇| 香蕉国产在线看| 曰老女人黄片| 免费观看人在逋| 精品一区二区三区av网在线观看| 国产欧美日韩一区二区三| 欧美黄色淫秽网站| 国产精品影院久久| 男人的好看免费观看在线视频 | 丁香欧美五月| 国产麻豆成人av免费视频| 亚洲人成网站在线播放欧美日韩| 黑丝袜美女国产一区| 正在播放国产对白刺激| 国产在线观看jvid| 最新在线观看一区二区三区| 此物有八面人人有两片| 日韩有码中文字幕| 久久国产精品影院| 国产精品久久久久久人妻精品电影| 波多野结衣巨乳人妻| 香蕉av资源在线| av片东京热男人的天堂| 大型黄色视频在线免费观看| 免费人成视频x8x8入口观看| 久久国产精品人妻蜜桃| 美女午夜性视频免费| 欧美成狂野欧美在线观看| 脱女人内裤的视频| 国产精品久久久久久精品电影 | 婷婷六月久久综合丁香| 亚洲一卡2卡3卡4卡5卡精品中文| 麻豆成人av在线观看| 91av网站免费观看| 亚洲国产日韩欧美精品在线观看 | 超碰成人久久| 日韩欧美免费精品| 国产熟女xx| 欧美激情极品国产一区二区三区| 一级毛片女人18水好多| 波多野结衣高清作品| 国产精品久久电影中文字幕| 国产一区在线观看成人免费| 非洲黑人性xxxx精品又粗又长| 午夜两性在线视频| 人成视频在线观看免费观看| 岛国在线观看网站| 欧美成人性av电影在线观看| 久久精品国产综合久久久| 久久久水蜜桃国产精品网| 丰满人妻熟妇乱又伦精品不卡| 精品久久久久久,| 人人妻人人澡人人看| 精品国产超薄肉色丝袜足j| 母亲3免费完整高清在线观看| 亚洲国产日韩欧美精品在线观看 | 曰老女人黄片| 亚洲欧美一区二区三区黑人| 亚洲国产日韩欧美精品在线观看 | 50天的宝宝边吃奶边哭怎么回事| 国产一卡二卡三卡精品| 欧美国产日韩亚洲一区| 日本 av在线| 成人国语在线视频| 亚洲美女黄片视频| 午夜激情福利司机影院| 亚洲专区中文字幕在线| 国产麻豆成人av免费视频| 色哟哟哟哟哟哟| 亚洲精品久久国产高清桃花| 手机成人av网站| 日韩欧美免费精品| 亚洲国产日韩欧美精品在线观看 | 久久久久国产精品人妻aⅴ院| 听说在线观看完整版免费高清| 亚洲精品av麻豆狂野| 免费电影在线观看免费观看| 国产激情久久老熟女| 国产在线观看jvid| 特大巨黑吊av在线直播 | 久久午夜综合久久蜜桃| 国产精品香港三级国产av潘金莲| 一卡2卡三卡四卡精品乱码亚洲| 亚洲真实伦在线观看| bbb黄色大片| 丝袜在线中文字幕| 久久香蕉激情| 国产成人欧美| 麻豆国产av国片精品| 久久久久久免费高清国产稀缺| 18美女黄网站色大片免费观看| 亚洲国产精品合色在线| 听说在线观看完整版免费高清| 窝窝影院91人妻| 亚洲男人天堂网一区| 日韩欧美国产在线观看| 免费av毛片视频| www.精华液| 国产不卡一卡二| 久久草成人影院| 神马国产精品三级电影在线观看 | 看免费av毛片| 长腿黑丝高跟| 久久 成人 亚洲| 亚洲片人在线观看| 午夜成年电影在线免费观看| 免费av毛片视频| 亚洲国产中文字幕在线视频| 丰满的人妻完整版| 国产人伦9x9x在线观看| 亚洲成人国产一区在线观看| 国产成人av激情在线播放| 美女高潮喷水抽搐中文字幕| 一级毛片女人18水好多| 美女高潮到喷水免费观看| 国产激情欧美一区二区| 国产精品九九99| 一级毛片精品| 嫩草影院精品99| 99久久99久久久精品蜜桃| 国产一区二区三区在线臀色熟女| 久久久久免费精品人妻一区二区 | 精品国内亚洲2022精品成人| 国产精品日韩av在线免费观看| 日日摸夜夜添夜夜添小说| 久久香蕉国产精品| 亚洲午夜理论影院| 久久久久久久午夜电影| 一级毛片高清免费大全| 亚洲狠狠婷婷综合久久图片| 中文字幕精品免费在线观看视频| 国产成人精品久久二区二区91| 欧美日韩瑟瑟在线播放| 国产精品 国内视频| 亚洲精品一卡2卡三卡4卡5卡| 亚洲五月天丁香| 婷婷精品国产亚洲av| 亚洲精华国产精华精| 久热爱精品视频在线9| 麻豆av在线久日| 亚洲欧美精品综合一区二区三区| 99riav亚洲国产免费| 午夜两性在线视频| 给我免费播放毛片高清在线观看| 色哟哟哟哟哟哟| 99在线视频只有这里精品首页| 每晚都被弄得嗷嗷叫到高潮| 国产麻豆成人av免费视频| 国产精品久久久久久亚洲av鲁大| 久久久国产成人精品二区| 欧美av亚洲av综合av国产av| 色av中文字幕| 午夜免费观看网址| 国产成人av激情在线播放| 亚洲av成人av| 亚洲av片天天在线观看| 精品免费久久久久久久清纯| 婷婷精品国产亚洲av| 18美女黄网站色大片免费观看| 久久香蕉精品热| 国产精华一区二区三区| 国产爱豆传媒在线观看 | 亚洲av成人一区二区三| 国产伦人伦偷精品视频| 老司机在亚洲福利影院| 久久婷婷人人爽人人干人人爱| www.熟女人妻精品国产| 欧美黑人欧美精品刺激| 波多野结衣巨乳人妻| 嫩草影院精品99| 无限看片的www在线观看| 日日干狠狠操夜夜爽| 国产黄片美女视频| 久久九九热精品免费| 99久久久亚洲精品蜜臀av| 18禁黄网站禁片午夜丰满| 午夜免费成人在线视频| 欧美成人免费av一区二区三区| 一区二区日韩欧美中文字幕| 淫妇啪啪啪对白视频| av有码第一页| 超碰成人久久| 久久精品成人免费网站| 亚洲国产欧美日韩在线播放| 97超级碰碰碰精品色视频在线观看| 亚洲国产精品sss在线观看| 99久久精品国产亚洲精品| 亚洲欧美日韩无卡精品| 国产激情久久老熟女| 久久精品国产清高在天天线| 亚洲 欧美一区二区三区| 久久久久久大精品| 国产免费男女视频| 久久久国产精品麻豆| 中文字幕久久专区| 伦理电影免费视频| 日韩欧美 国产精品| 免费搜索国产男女视频| 精品久久久久久久人妻蜜臀av| 两个人看的免费小视频| www.熟女人妻精品国产| 精品乱码久久久久久99久播| 国内精品久久久久精免费| 色综合站精品国产| 不卡av一区二区三区| 老鸭窝网址在线观看| 午夜两性在线视频| 人人妻人人澡人人看| 波多野结衣av一区二区av| 法律面前人人平等表现在哪些方面| 久久中文看片网| 国产精品野战在线观看| 精品免费久久久久久久清纯| 男女之事视频高清在线观看| 国产精品98久久久久久宅男小说| 最近在线观看免费完整版| 伊人久久大香线蕉亚洲五| 性欧美人与动物交配| 日韩欧美一区视频在线观看| 精品一区二区三区av网在线观看| or卡值多少钱| 国产乱人伦免费视频| 欧美成狂野欧美在线观看| 日韩精品青青久久久久久| 狂野欧美激情性xxxx| 日韩欧美一区二区三区在线观看| 国产在线精品亚洲第一网站| 亚洲无线在线观看| 一本大道久久a久久精品| 色精品久久人妻99蜜桃| 老熟妇仑乱视频hdxx| 在线av久久热| 午夜免费观看网址| 国产成人精品久久二区二区免费| 免费人成视频x8x8入口观看| 老汉色∧v一级毛片| 日本撒尿小便嘘嘘汇集6| 国内揄拍国产精品人妻在线 | 少妇粗大呻吟视频| 久久久久久亚洲精品国产蜜桃av| 国产精品久久久久久精品电影 | 日日干狠狠操夜夜爽| 亚洲人成网站在线播放欧美日韩| 美女 人体艺术 gogo| 欧美+亚洲+日韩+国产| 欧美黄色淫秽网站| 国产精品,欧美在线| 国产1区2区3区精品| 免费女性裸体啪啪无遮挡网站| 亚洲五月色婷婷综合| 国产极品粉嫩免费观看在线| 精品国产一区二区三区四区第35| 精品一区二区三区av网在线观看| 久久中文字幕一级| 中文亚洲av片在线观看爽| 别揉我奶头~嗯~啊~动态视频| 欧美+亚洲+日韩+国产| 欧美日韩亚洲国产一区二区在线观看| 国产欧美日韩精品亚洲av| 一本综合久久免费| 嫁个100分男人电影在线观看| 亚洲av成人不卡在线观看播放网| www.精华液| 欧美激情极品国产一区二区三区| 欧美激情久久久久久爽电影| 麻豆国产av国片精品| 亚洲国产精品sss在线观看| 观看免费一级毛片| 久久人妻福利社区极品人妻图片| 日本成人三级电影网站| 国产麻豆成人av免费视频| 男人舔女人下体高潮全视频| 99精品在免费线老司机午夜| 大型av网站在线播放| av免费在线观看网站| 亚洲五月天丁香| 精品少妇一区二区三区视频日本电影| 精华霜和精华液先用哪个| 欧美日韩乱码在线| 美国免费a级毛片| 制服丝袜大香蕉在线| 亚洲一区二区三区不卡视频| 亚洲av电影在线进入| 一区二区三区国产精品乱码| 色综合站精品国产| 一级毛片高清免费大全| 亚洲av电影在线进入| 99国产精品99久久久久| 露出奶头的视频| 国产伦一二天堂av在线观看| 欧美成人性av电影在线观看| 国产精品一区二区精品视频观看| 国产成人精品无人区| 国产精品亚洲美女久久久| 俄罗斯特黄特色一大片| 欧美绝顶高潮抽搐喷水| 亚洲九九香蕉| 精品卡一卡二卡四卡免费| 欧美性猛交╳xxx乱大交人| 久久久久免费精品人妻一区二区 | 成人手机av| 丝袜在线中文字幕| 国产精品美女特级片免费视频播放器 | 性色av乱码一区二区三区2| 不卡av一区二区三区| 亚洲aⅴ乱码一区二区在线播放 | 麻豆久久精品国产亚洲av| 国产真实乱freesex| 亚洲 国产 在线| 在线看三级毛片| 亚洲自拍偷在线| 欧美一级毛片孕妇| 搡老岳熟女国产| www.精华液| 精品国产美女av久久久久小说| 国产片内射在线| 国产精品九九99| 黄色成人免费大全| 两人在一起打扑克的视频| 久久久久久久久久黄片| 99国产精品一区二区三区| 麻豆国产av国片精品| av欧美777| 色播在线永久视频| 久久精品成人免费网站| 99国产极品粉嫩在线观看| 制服人妻中文乱码| 国内毛片毛片毛片毛片毛片| 亚洲精品中文字幕在线视频| 欧美另类亚洲清纯唯美| 露出奶头的视频| 亚洲专区国产一区二区| 国产区一区二久久| 天堂√8在线中文| 欧美不卡视频在线免费观看 | 午夜老司机福利片| 久久精品国产清高在天天线| 搡老熟女国产l中国老女人| 大型av网站在线播放| 成人特级黄色片久久久久久久| 亚洲成人久久爱视频| 精华霜和精华液先用哪个| 欧美久久黑人一区二区| 亚洲中文av在线| 熟妇人妻久久中文字幕3abv| 日韩av在线大香蕉| 亚洲三区欧美一区| bbb黄色大片| 亚洲国产精品999在线| 亚洲欧洲精品一区二区精品久久久| 长腿黑丝高跟| 国产精品亚洲美女久久久| 亚洲国产欧美一区二区综合| 亚洲精品中文字幕在线视频| 日本撒尿小便嘘嘘汇集6| 两个人免费观看高清视频| 欧美最黄视频在线播放免费| 琪琪午夜伦伦电影理论片6080| 国产精品电影一区二区三区| 一个人免费在线观看的高清视频| 色婷婷久久久亚洲欧美| 视频在线观看一区二区三区| 午夜视频精品福利| 久久精品国产99精品国产亚洲性色| 久久99热这里只有精品18| 啦啦啦观看免费观看视频高清| 女性生殖器流出的白浆| 国产免费男女视频| 这个男人来自地球电影免费观看| 国内少妇人妻偷人精品xxx网站 | 久久精品国产清高在天天线| 国产激情偷乱视频一区二区| 狠狠狠狠99中文字幕| 日本黄色视频三级网站网址| 亚洲人成伊人成综合网2020| 国产真人三级小视频在线观看| 黑人欧美特级aaaaaa片|