• <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
    国产一区二区三区av在线| 欧美在线一区亚洲| 国产精品免费视频内射| 国产成人精品久久二区二区91 | 午夜福利视频在线观看免费| 欧美日韩国产mv在线观看视频| 国产精品一区二区在线观看99| 韩国精品一区二区三区| 在线观看国产h片| 在线天堂最新版资源| 韩国av在线不卡| 国产成人啪精品午夜网站| 99国产精品免费福利视频| 狠狠精品人妻久久久久久综合| 午夜老司机福利片| 大陆偷拍与自拍| 久久精品熟女亚洲av麻豆精品| 日韩成人av中文字幕在线观看| av福利片在线| 亚洲欧美一区二区三区黑人| 久久久精品区二区三区| 91精品国产国语对白视频| 最近最新中文字幕免费大全7| 国产黄频视频在线观看| 欧美人与善性xxx| 丝瓜视频免费看黄片| 一边摸一边抽搐一进一出视频| 亚洲国产精品一区三区| 十八禁人妻一区二区| 亚洲成人av在线免费| 宅男免费午夜| 女的被弄到高潮叫床怎么办| www日本在线高清视频| 亚洲精品国产色婷婷电影| 一级片免费观看大全| 欧美老熟妇乱子伦牲交| videos熟女内射| 老司机影院成人| 久久97久久精品| 久久久久精品国产欧美久久久 | 免费av中文字幕在线| 欧美日韩一级在线毛片| 亚洲av欧美aⅴ国产| 久久精品国产亚洲av涩爱| 久久久国产欧美日韩av| 老司机在亚洲福利影院| 成人18禁高潮啪啪吃奶动态图| 操出白浆在线播放| 国产免费福利视频在线观看| 亚洲成人av在线免费| 国产伦理片在线播放av一区| 十八禁高潮呻吟视频| 男男h啪啪无遮挡| 亚洲国产欧美在线一区| 午夜日本视频在线| 国产熟女欧美一区二区| 国产伦理片在线播放av一区| 一个人免费看片子| 婷婷成人精品国产| 精品国产超薄肉色丝袜足j| av不卡在线播放| 中文字幕av电影在线播放| 性少妇av在线| 欧美亚洲 丝袜 人妻 在线| 国产高清不卡午夜福利| 91精品三级在线观看| 日韩欧美一区视频在线观看| 亚洲av在线观看美女高潮| 欧美日韩精品网址| 一边摸一边抽搐一进一出视频| 精品卡一卡二卡四卡免费| 成人18禁高潮啪啪吃奶动态图| 日韩一卡2卡3卡4卡2021年| 欧美精品一区二区免费开放| 亚洲精品自拍成人| 欧美最新免费一区二区三区| a级片在线免费高清观看视频| 日本91视频免费播放| 999精品在线视频| 男人爽女人下面视频在线观看| 老司机深夜福利视频在线观看 | 九草在线视频观看| 欧美黑人欧美精品刺激| 国产精品.久久久| 国产成人精品久久二区二区91 | 如日韩欧美国产精品一区二区三区| 午夜福利网站1000一区二区三区| 在线精品无人区一区二区三| 欧美激情 高清一区二区三区| 另类亚洲欧美激情| 天天躁狠狠躁夜夜躁狠狠躁| 麻豆乱淫一区二区| 777久久人妻少妇嫩草av网站| 亚洲精品av麻豆狂野| 久久久精品94久久精品| 成人国语在线视频| 最黄视频免费看| 国产黄频视频在线观看| 亚洲国产欧美一区二区综合| 老司机影院毛片| 五月开心婷婷网| 成人免费观看视频高清| 国产成人一区二区在线| kizo精华| 巨乳人妻的诱惑在线观看| 精品人妻在线不人妻| 日韩 欧美 亚洲 中文字幕| av线在线观看网站| 青春草国产在线视频| 99久国产av精品国产电影| 老司机影院成人| 日本欧美国产在线视频| 中文字幕av电影在线播放| 丰满迷人的少妇在线观看| 久久久精品94久久精品| 大片电影免费在线观看免费| 亚洲av男天堂| 亚洲av中文av极速乱| 这个男人来自地球电影免费观看 | 久久久久人妻精品一区果冻| 2018国产大陆天天弄谢| 成年女人毛片免费观看观看9 | 精品少妇内射三级| av卡一久久| 一本大道久久a久久精品| 欧美乱码精品一区二区三区| 一级毛片我不卡| 天天躁日日躁夜夜躁夜夜| 国产精品熟女久久久久浪| av不卡在线播放| 国产黄色视频一区二区在线观看| 侵犯人妻中文字幕一二三四区| 韩国av在线不卡| 国产日韩欧美视频二区| 国产亚洲一区二区精品| 在线 av 中文字幕| 成年人午夜在线观看视频| 九九爱精品视频在线观看| 久久精品熟女亚洲av麻豆精品| av在线老鸭窝| 久久天堂一区二区三区四区| 在线精品无人区一区二区三| 一级片'在线观看视频| 亚洲,欧美,日韩| a级片在线免费高清观看视频| 中文字幕人妻丝袜一区二区 | av免费观看日本| 美女主播在线视频| 日韩制服骚丝袜av| 99香蕉大伊视频| 在线观看免费午夜福利视频| 看非洲黑人一级黄片| 久久久久精品久久久久真实原创| 婷婷色麻豆天堂久久| 一区在线观看完整版| 一区二区av电影网| 少妇人妻久久综合中文| 日韩伦理黄色片| 一区二区av电影网| 女人精品久久久久毛片| 熟女少妇亚洲综合色aaa.| 精品午夜福利在线看| 一级毛片电影观看| 日日摸夜夜添夜夜爱| 午夜日韩欧美国产| 最近手机中文字幕大全| 久久久久网色| 99久久99久久久精品蜜桃| 高清不卡的av网站| 日韩免费高清中文字幕av| 日本欧美国产在线视频| 丰满饥渴人妻一区二区三| 亚洲国产精品国产精品| 韩国精品一区二区三区| 亚洲av成人不卡在线观看播放网 | 男女边摸边吃奶| 高清黄色对白视频在线免费看| 国产女主播在线喷水免费视频网站| 亚洲激情五月婷婷啪啪| 最黄视频免费看| 久久精品久久久久久噜噜老黄| 青草久久国产| 色吧在线观看| 久久午夜综合久久蜜桃| 久久韩国三级中文字幕| 又黄又粗又硬又大视频| 国产精品国产三级国产专区5o| av在线app专区| 涩涩av久久男人的天堂| 美女午夜性视频免费| 久久精品aⅴ一区二区三区四区| 久久av网站| 国产免费现黄频在线看| 久久国产精品大桥未久av| 亚洲精品自拍成人| 国产欧美日韩综合在线一区二区| 精品午夜福利在线看| 久久久久精品国产欧美久久久 | 男人爽女人下面视频在线观看| 亚洲三区欧美一区| 亚洲专区中文字幕在线 | 欧美亚洲 丝袜 人妻 在线| 成人国产麻豆网| 男女边吃奶边做爰视频| 亚洲精品久久午夜乱码| 男人舔女人的私密视频| 国产毛片在线视频| 久久国产精品大桥未久av| 久久久久久久久久久久大奶| 一区二区av电影网| 亚洲欧洲日产国产| 91老司机精品| 丰满少妇做爰视频| 性色av一级| 国产xxxxx性猛交| 亚洲男人天堂网一区| 国产av码专区亚洲av| av网站免费在线观看视频| 久久久久精品久久久久真实原创| 成人18禁高潮啪啪吃奶动态图| 黄色毛片三级朝国网站| 又黄又粗又硬又大视频| 韩国高清视频一区二区三区| 国产一区有黄有色的免费视频| 美女中出高潮动态图| 国产探花极品一区二区| 欧美xxⅹ黑人| 日韩精品有码人妻一区| 观看美女的网站| 国产黄色视频一区二区在线观看| 女的被弄到高潮叫床怎么办| 久热这里只有精品99| 亚洲av日韩精品久久久久久密 | 国产精品一二三区在线看| 999久久久国产精品视频| 秋霞伦理黄片| 精品国产一区二区三区久久久樱花| 伊人亚洲综合成人网| 成人国产麻豆网| 欧美国产精品一级二级三级| 卡戴珊不雅视频在线播放| 亚洲国产精品成人久久小说| 老汉色∧v一级毛片| 在线观看人妻少妇| 人妻 亚洲 视频| 成年人免费黄色播放视频| 久久久久久久久久久久大奶| 日本午夜av视频| 国产精品人妻久久久影院| 美女福利国产在线| 免费看av在线观看网站| 精品亚洲成国产av| 在线精品无人区一区二区三| 成人毛片60女人毛片免费| 欧美日韩福利视频一区二区| 搡老乐熟女国产| 丰满少妇做爰视频| 另类精品久久| 久久精品aⅴ一区二区三区四区| 精品国产一区二区三区久久久樱花| 国产黄频视频在线观看| 一边亲一边摸免费视频| 一二三四中文在线观看免费高清| a 毛片基地| 国产成人欧美| 免费看不卡的av| 久久99一区二区三区| 日本色播在线视频| 制服人妻中文乱码| 在线 av 中文字幕| 国产色婷婷99| 国产成人精品无人区| 中文字幕人妻熟女乱码| 国产精品欧美亚洲77777| 免费在线观看视频国产中文字幕亚洲 | 在线观看国产h片| 午夜91福利影院| 如何舔出高潮| 久久国产精品大桥未久av| 欧美国产精品一级二级三级| 水蜜桃什么品种好| 午夜影院在线不卡| 欧美激情 高清一区二区三区| 国产免费福利视频在线观看| 日本vs欧美在线观看视频| 日日摸夜夜添夜夜爱| 女人被躁到高潮嗷嗷叫费观| 青春草视频在线免费观看| 国产av精品麻豆| 亚洲色图 男人天堂 中文字幕| 成人国语在线视频| 嫩草影院入口| 建设人人有责人人尽责人人享有的| 一个人免费看片子| 九草在线视频观看| 99精品久久久久人妻精品| 一区二区三区四区激情视频| 婷婷色av中文字幕| 国产一区二区三区综合在线观看| 亚洲伊人久久精品综合| 国语对白做爰xxxⅹ性视频网站| 飞空精品影院首页| 亚洲欧美成人精品一区二区| 国产成人精品无人区| 日日撸夜夜添| 一区二区三区乱码不卡18| 熟妇人妻不卡中文字幕| 午夜福利在线免费观看网站| 亚洲色图 男人天堂 中文字幕| 青春草亚洲视频在线观看| 日韩 亚洲 欧美在线| 日韩精品免费视频一区二区三区| 欧美xxⅹ黑人| 中国三级夫妇交换| 日韩欧美精品免费久久| 熟妇人妻不卡中文字幕| 黑丝袜美女国产一区| 国产成人免费观看mmmm| 天美传媒精品一区二区| 国产乱来视频区| 黄片小视频在线播放| 黄片无遮挡物在线观看| 我的亚洲天堂| 一级黄片播放器| 午夜福利一区二区在线看| 在线看a的网站| 精品久久蜜臀av无| 王馨瑶露胸无遮挡在线观看| 999精品在线视频| 大香蕉久久网| 亚洲精品自拍成人| 久久久久精品国产欧美久久久 | 三上悠亚av全集在线观看| 天天影视国产精品| 成人免费观看视频高清| 日本午夜av视频| 久久韩国三级中文字幕| 欧美av亚洲av综合av国产av | 9热在线视频观看99| 欧美黄色片欧美黄色片| 丝袜人妻中文字幕| 精品第一国产精品| 国产一级毛片在线| 国产成人精品福利久久| 成人三级做爰电影| 秋霞在线观看毛片| 91精品三级在线观看| 亚洲天堂av无毛| 又黄又粗又硬又大视频| 亚洲图色成人| 欧美精品一区二区大全| 一边亲一边摸免费视频| 精品少妇一区二区三区视频日本电影 | 999精品在线视频| 成人免费观看视频高清| 大片电影免费在线观看免费| 国产精品久久久久久精品电影小说| 乱人伦中国视频| 国产熟女欧美一区二区| 国产激情久久老熟女| 一级a爱视频在线免费观看| a级片在线免费高清观看视频| 欧美精品人与动牲交sv欧美| 亚洲图色成人| 高清视频免费观看一区二区| 免费观看a级毛片全部| 精品第一国产精品| 三上悠亚av全集在线观看| 国产成人一区二区在线| 99香蕉大伊视频| 欧美乱码精品一区二区三区| 亚洲伊人色综图| 99国产综合亚洲精品| 大码成人一级视频| 97精品久久久久久久久久精品| 人人妻人人澡人人爽人人夜夜| 丰满乱子伦码专区| 国产精品国产三级国产专区5o| 久久精品aⅴ一区二区三区四区| 制服丝袜香蕉在线| 欧美精品av麻豆av| 狠狠精品人妻久久久久久综合| 黑丝袜美女国产一区| 亚洲成国产人片在线观看| 天天躁日日躁夜夜躁夜夜| 免费黄网站久久成人精品| 狠狠婷婷综合久久久久久88av| 亚洲一级一片aⅴ在线观看| 国产精品久久久久久精品电影小说| 日韩欧美一区视频在线观看| 色精品久久人妻99蜜桃| 久久影院123| 女的被弄到高潮叫床怎么办| 国产一区二区激情短视频 | 亚洲精品第二区| 精品人妻熟女毛片av久久网站| 日韩一卡2卡3卡4卡2021年| 99久国产av精品国产电影| 1024香蕉在线观看| 欧美日韩视频精品一区| 精品一区二区三区av网在线观看 | 欧美精品av麻豆av| 老汉色∧v一级毛片| 国产在线视频一区二区| 18禁裸乳无遮挡动漫免费视频| 一级a爱视频在线免费观看| 人人妻人人爽人人添夜夜欢视频| 又大又黄又爽视频免费| 午夜福利视频精品| 国产野战对白在线观看| 大香蕉久久成人网| 91精品国产国语对白视频| 国产又爽黄色视频| 男女边摸边吃奶| 午夜免费鲁丝| 黑人巨大精品欧美一区二区蜜桃| 色网站视频免费| 久久久久视频综合| 侵犯人妻中文字幕一二三四区| 十八禁网站网址无遮挡| 一区二区av电影网| 老司机深夜福利视频在线观看 | 国产熟女午夜一区二区三区| 在线观看免费高清a一片| 久久精品国产a三级三级三级| 99国产精品免费福利视频| 亚洲免费av在线视频| 日韩免费高清中文字幕av| 国产成人系列免费观看| 看十八女毛片水多多多| 99香蕉大伊视频| 亚洲自偷自拍图片 自拍| 在线观看免费视频网站a站| 69精品国产乱码久久久| 在线 av 中文字幕| 免费看不卡的av| 亚洲美女黄色视频免费看| 最近手机中文字幕大全| 一区二区日韩欧美中文字幕| 黄片无遮挡物在线观看| 久久精品国产综合久久久| 国产xxxxx性猛交| 99热国产这里只有精品6| 五月天丁香电影| 99国产精品免费福利视频| 免费不卡黄色视频| 精品少妇一区二区三区视频日本电影 | 飞空精品影院首页| av.在线天堂| 国产亚洲最大av| 中文字幕制服av| 十八禁人妻一区二区| 久热爱精品视频在线9| 欧美精品人与动牲交sv欧美| 亚洲色图综合在线观看| 青春草视频在线免费观看| 免费在线观看黄色视频的| 曰老女人黄片| 黄色视频不卡| 国产精品 欧美亚洲| 久久久久久久久久久久大奶| 国产一区二区在线观看av| 97精品久久久久久久久久精品| 色94色欧美一区二区| 日韩av免费高清视频| 嫩草影视91久久| 最近最新中文字幕大全免费视频 | 又大又黄又爽视频免费| 最近2019中文字幕mv第一页| 捣出白浆h1v1| 中国三级夫妇交换| 国产精品国产三级国产专区5o| 亚洲av电影在线进入| 国产亚洲欧美精品永久| 国产爽快片一区二区三区| 久久免费观看电影| 啦啦啦视频在线资源免费观看| 久久久国产欧美日韩av| 日韩av在线免费看完整版不卡| 91精品国产国语对白视频| 国产色婷婷99| 如日韩欧美国产精品一区二区三区| 精品久久久精品久久久| 日韩视频在线欧美| 又大又黄又爽视频免费| 看免费av毛片| 久久精品aⅴ一区二区三区四区| 观看av在线不卡| 国产精品免费视频内射| 国产高清不卡午夜福利| 丰满迷人的少妇在线观看| 亚洲成人免费av在线播放| 国产 一区精品| 一边摸一边抽搐一进一出视频| 亚洲av日韩精品久久久久久密 | 另类亚洲欧美激情| 桃花免费在线播放| 亚洲专区中文字幕在线 | 我要看黄色一级片免费的| 国产精品二区激情视频| 亚洲av男天堂| 国产精品久久久久久久久免| 天堂中文最新版在线下载| 久久韩国三级中文字幕| 国产精品国产av在线观看| 少妇的丰满在线观看| 日韩一区二区三区影片| 大陆偷拍与自拍| av国产精品久久久久影院| 国产色婷婷99| 中国三级夫妇交换| 狠狠精品人妻久久久久久综合| 国产极品天堂在线| 国语对白做爰xxxⅹ性视频网站| 少妇被粗大的猛进出69影院| 极品人妻少妇av视频| 婷婷色av中文字幕| 在线观看免费日韩欧美大片| 在现免费观看毛片| 国产成人精品在线电影| 国产精品女同一区二区软件| 一个人免费看片子| 欧美日韩福利视频一区二区| 亚洲欧美激情在线| 色精品久久人妻99蜜桃| 我的亚洲天堂| 80岁老熟妇乱子伦牲交| 久久久久视频综合| 韩国精品一区二区三区| 欧美精品一区二区大全| 欧美人与性动交α欧美软件| 国产高清不卡午夜福利| 国产精品女同一区二区软件| 久久婷婷青草| 一本—道久久a久久精品蜜桃钙片| 丝袜在线中文字幕| 亚洲精品自拍成人| 在现免费观看毛片| 51午夜福利影视在线观看| 人妻人人澡人人爽人人| 欧美日韩亚洲综合一区二区三区_| 免费日韩欧美在线观看| 国产伦人伦偷精品视频| 日韩欧美精品免费久久| 九草在线视频观看| 亚洲精品久久午夜乱码| 亚洲,欧美,日韩| 一级片'在线观看视频| 免费少妇av软件| 爱豆传媒免费全集在线观看| 99久久人妻综合| 99久久精品国产亚洲精品| 女的被弄到高潮叫床怎么办| 1024视频免费在线观看| 9热在线视频观看99| 欧美激情高清一区二区三区 | 亚洲国产看品久久| 亚洲精品国产一区二区精华液| 免费少妇av软件| 丰满乱子伦码专区| 在线精品无人区一区二区三| 国产成人a∨麻豆精品| 叶爱在线成人免费视频播放| 一本久久精品| 欧美日韩一区二区视频在线观看视频在线| 热re99久久国产66热| 亚洲成人国产一区在线观看 | 久久这里只有精品19| 纯流量卡能插随身wifi吗| 亚洲欧洲国产日韩| 九九爱精品视频在线观看| 日韩精品有码人妻一区| 老熟女久久久| 成人国产麻豆网| 中文字幕亚洲精品专区| 日日撸夜夜添| 人妻 亚洲 视频| 精品少妇久久久久久888优播| 看免费成人av毛片| 看免费av毛片| 欧美老熟妇乱子伦牲交| 人人澡人人妻人| 亚洲精品美女久久久久99蜜臀 | 欧美国产精品一级二级三级| 精品一区二区三卡| 国产亚洲欧美精品永久| 久久国产精品男人的天堂亚洲| 十分钟在线观看高清视频www| 国产日韩欧美亚洲二区| 亚洲av成人精品一二三区| 亚洲美女搞黄在线观看| 久久久久精品久久久久真实原创| 99久久人妻综合| 日韩大片免费观看网站| 日韩 欧美 亚洲 中文字幕| 男女高潮啪啪啪动态图| 91精品三级在线观看| 高清不卡的av网站| 波野结衣二区三区在线| 亚洲欧美一区二区三区久久| 天天添夜夜摸| 男人爽女人下面视频在线观看| 欧美在线一区亚洲| 韩国av在线不卡| 如日韩欧美国产精品一区二区三区| 亚洲国产欧美日韩在线播放| 国产极品粉嫩免费观看在线| 国产乱人偷精品视频| 啦啦啦在线观看免费高清www| 在线观看免费视频网站a站| av一本久久久久| 91精品三级在线观看| 啦啦啦中文免费视频观看日本| 国产在线视频一区二区| 国产成人a∨麻豆精品|