• <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CEPSO-LSSVM的煤炭消費(fèi)量預(yù)測模型

    2013-07-20 07:55:42楊世杰周慶標(biāo)
    計算機(jī)工程與應(yīng)用 2013年18期
    關(guān)鍵詞:鯰魚消費(fèi)量適應(yīng)度

    楊世杰,龍 丹,周慶標(biāo)

    1.浙江工業(yè)職業(yè)技術(shù)學(xué)院 信息工程分院,浙江 紹興 312000

    2.浙江大學(xué)醫(yī)學(xué)院,杭州 310058

    基于CEPSO-LSSVM的煤炭消費(fèi)量預(yù)測模型

    楊世杰1,龍 丹2,周慶標(biāo)1

    1.浙江工業(yè)職業(yè)技術(shù)學(xué)院 信息工程分院,浙江 紹興 312000

    2.浙江大學(xué)醫(yī)學(xué)院,杭州 310058

    1 引言

    煤炭是我國的主要能源,在經(jīng)濟(jì)生活中具有不可替代的地位,但由于缺乏長期、科學(xué)的規(guī)劃,我國煤炭供需處于一種失衡狀態(tài),科學(xué)地對煤炭消費(fèi)量進(jìn)行預(yù)測,解決煤炭供需失衡問題,保證經(jīng)濟(jì)正常、快速發(fā)展,具有十分重要的意義[1]。

    針對煤炭消費(fèi)量預(yù)測問題,國內(nèi)外學(xué)者進(jìn)行了大量研究,有回歸分析、灰色系統(tǒng)和時間序列分析等傳統(tǒng)預(yù)測方法[2]。傳統(tǒng)方法假設(shè)煤炭消費(fèi)量是一種線性變化規(guī)律,但由于煤炭消費(fèi)量受到多種因素影響,實(shí)際上具有非平穩(wěn)性、時變性等特點(diǎn),因此,傳統(tǒng)方法預(yù)測效果并不理想[3]。20世紀(jì)80年代以來,非線性的神經(jīng)網(wǎng)絡(luò)算法在煤炭消費(fèi)量預(yù)測中得到了廣泛的應(yīng)用,提高了煤炭消費(fèi)量預(yù)測的精度[4],但是神經(jīng)網(wǎng)絡(luò)要求樣本數(shù)量大,而煤炭消費(fèi)量是一種小樣本數(shù)據(jù),難以滿足該條件,因此預(yù)測結(jié)果易出現(xiàn)過擬合現(xiàn)象[5]。最小二乘支持向量機(jī)(Least Square Support Vector Machines,LSSVM)是專門解決小樣本、非線性等難題的機(jī)器學(xué)習(xí)算法,泛化能力強(qiáng),為煤炭消費(fèi)量預(yù)測提供了一種新的研究方法[6]。LSSVM的預(yù)測性能與其參數(shù)密切相關(guān),粒子群優(yōu)化(PSO)算法的全局搜索能力強(qiáng),在LSSVM參數(shù)優(yōu)化中應(yīng)用最為廣泛[7-8]。但傳統(tǒng)PSO算法存在“早熟”收斂和陷入局部最優(yōu)等缺陷,難以獲得最優(yōu)的LSSVM參數(shù),從而對煤炭消費(fèi)量預(yù)測結(jié)果產(chǎn)生不利影響[9]。

    “鯰魚效應(yīng)”(catfish effect)模擬鯰魚對沙丁魚群體的驅(qū)趕機(jī)制,以改變沙丁魚的惰性,提高了沙丁魚群體活性[10]。基于此,針對PSO算法的不足,引入“鯰魚效應(yīng)”產(chǎn)生一種鯰魚粒子群優(yōu)化(CEPSO)算法,并采用CEPSO優(yōu)化LSSVM參數(shù),最后根據(jù)最優(yōu)參數(shù)的LSSVM建立煤炭消費(fèi)量預(yù)測模型,通過仿真測試檢驗?zāi)P偷男阅堋?/p>

    2 CEPSO優(yōu)化LSSVM的煤炭消費(fèi)量模型

    2.1 最小二乘支持向量機(jī)

    對于訓(xùn)練樣本{(xi,yi)},i=1,2,…,n,LSSVM通過非線性映射函數(shù)Φ(·)將樣本映射到高維特征空間,并進(jìn)行線性回歸,則有:

    式中,w為權(quán)值向量,b為偏置量。

    根據(jù)預(yù)測誤差和計算復(fù)雜折衷原則,式(2)變?yōu)椋?/p>

    式中,γ為正則化參數(shù),ei為預(yù)測誤差[11-12]。

    為簡化LSSVM求解過程,引入拉格朗日乘子,將式(2)變?yōu)閷ε純?yōu)化問題,即

    式中,αi為拉格朗日乘子。

    對于非線性預(yù)測問題,引入核函數(shù)轉(zhuǎn)變成為線性預(yù)測問題,選擇徑向基核函數(shù)作為LSSVM的核函數(shù),最后LSSVM回歸模型為:

    式中,σ表示徑向基核函數(shù)的寬度。

    2.2 CEPSO算法

    設(shè)粒子i的飛行速度和位置分別為:vi=(vi1,vi2,…,viD)T和xi=(xi1,xi2,…,xiD)T,粒子i的歷史最優(yōu)位置為pi=(pi1,pi2,…,piD),種群最優(yōu)位置為pg=(pg1,pg2,…,pgD),粒子i的位置和速度更新方式為:

    式中,c1、c2為加速系數(shù);rand()為[0,1]之間的隨機(jī)數(shù);t為當(dāng)前迭代次數(shù);w為慣性權(quán)值[13-14]。

    由式(6)可知,一旦PSO算法出現(xiàn)“早熟”現(xiàn)象,全局極值pg一定是局部最優(yōu)解,因此可以通過直接改變pg或間接改變pi,幫助粒子逃逸局部最優(yōu)解區(qū)域,進(jìn)入其他區(qū)域進(jìn)行搜索,最終找到全局最優(yōu)解[15]。根據(jù)“鯰魚效應(yīng)”啟示:當(dāng)粒子聚集在局部最優(yōu)解,搜索出現(xiàn)停滯時,用一條“鯰魚”去刺激粒子群,增加粒子活力,幫助其中逃出局部極值點(diǎn),這就是鯰魚粒子群算法(CEPSO)的基本思想。CEPSO算法通過偏差的閾值作為“鯰魚效應(yīng)”觸發(fā)條件,采用鯰魚算子對pg或pi進(jìn)行擾動,這樣粒子速度更新變?yōu)椋?/p>

    式中,c3表示鯰魚對個體最優(yōu)的沖撞強(qiáng)度,c4表示鯰魚對全局最優(yōu)的沖撞強(qiáng)度;c3×rand()和c4×rand()為鯰魚算子,分別定義為:

    式中,ep表示當(dāng)前值與當(dāng)前個體最優(yōu)值的偏差;eg表示當(dāng)前值與當(dāng)前全局最優(yōu)值的偏差;e0p和e0g分別表示當(dāng)前值與當(dāng)前局部最優(yōu)值、全局最優(yōu)值間偏差的閾值。

    2.3 LSSVM參數(shù)優(yōu)化的數(shù)學(xué)模型

    其中,f()表示LSSVM模型。

    要建立最優(yōu)的煤炭消費(fèi)量預(yù)測模型,首先要找到最優(yōu)的LSSVM參數(shù),然而LSSVM參數(shù)優(yōu)化的目標(biāo)是找到最優(yōu)參數(shù)組合,使LSSVM預(yù)測值與實(shí)際煤炭消費(fèi)量值之間的誤差最小,因此采用均方根誤差作為煤炭消費(fèi)量LSSVM參數(shù)優(yōu)化的目標(biāo)函數(shù),即

    式中,n為煤炭消費(fèi)量樣本個數(shù);yi和y?i分別表示第i個樣本實(shí)際值和預(yù)測值。

    2.4 CEPSO算法優(yōu)化支持向量機(jī)參數(shù)步驟

    艾司西酞普蘭與度洛西汀治療抑郁癥有效性與安全性的Meta分析 ……………………………………… 路淑淑等(10):1395

    (1)收集一維煤炭消費(fèi)量時間序列,并將其重構(gòu)成多維時間序列,產(chǎn)生LSSVM的訓(xùn)練集和驗證集。

    (2)預(yù)估計LSSVM參數(shù)γ、σ范圍,并設(shè)置CEPSO算法的相關(guān)參數(shù)值。

    (3)隨機(jī)產(chǎn)生粒子群,每一個粒子位置串包括γ、σ。

    (4)LSSVM根據(jù)初始粒子群的γ、σ對訓(xùn)練集進(jìn)行學(xué)習(xí),并通過式(12)計算每一個粒子的適應(yīng)度值,并將適應(yīng)度值最小者作為個體極值Pi和群體極值Pg。

    (5)根據(jù)式(8)、式(9)確定鯰魚算子,并更新粒子的速度和位置。

    (6)根據(jù)式(12)計算每個粒子在新位置上的適應(yīng)度值,粒子的適應(yīng)度值與Pi的適應(yīng)度值比較,如果優(yōu)于Pi的適應(yīng)度值,則用該粒子代替最優(yōu)適應(yīng)度值,并用該粒子位置代替Pi。

    (7)將粒子的適應(yīng)度值與Pg的適應(yīng)度值比較,如果優(yōu)于Pg的適應(yīng)度值,則該粒子為群體的最優(yōu)適應(yīng)度值,同時用該粒子的位置代替Pg。

    (8)若迭代次數(shù)超過最大允許迭代次數(shù),則訓(xùn)練結(jié)束,并輸出粒子群全局最優(yōu)位置相對應(yīng)的LSSVM的γ、σ,否則跳轉(zhuǎn)至步驟(5)繼續(xù)進(jìn)行參數(shù)優(yōu)化。

    (9)采用最優(yōu)γ、σ建立煤炭消費(fèi)量預(yù)測模型,并對驗證集進(jìn)行預(yù)測,對預(yù)測結(jié)果進(jìn)行分析。

    3 仿真實(shí)驗

    3.1 數(shù)據(jù)來源

    數(shù)據(jù)來自1990年—2012年中國煤炭消費(fèi)量,具體如圖1所示。前18個數(shù)據(jù)組成訓(xùn)練集用于尋找LSSVM最優(yōu)參數(shù),其余5個數(shù)據(jù)組成驗證集對參數(shù)有效性能和模型泛化能力進(jìn)行檢驗,仿真測試在CPU Intel 2.8 GHz,RAM 1 GB,Windows XP,Matlab 2009的平臺上編程實(shí)現(xiàn)。

    圖1 煤炭消費(fèi)量數(shù)據(jù)

    3.2 數(shù)據(jù)歸一化處理

    LSSVM對[0 1]之間的數(shù)據(jù)十分靈敏,煤炭消費(fèi)量具有突變性,數(shù)值差異較大,為此,在建模之前,進(jìn)行歸一化處理,具體為:

    式中,表示歸一化后煤炭消費(fèi)量值,xmax、xmin分別為煤炭消費(fèi)量的最大、最小值。

    3.3 模型評價指標(biāo)

    為了使CEPSO-LSSVM預(yù)測結(jié)果更具說服力,采用粒子群算法優(yōu)化LSSVM(PSO-LSSVM)、遺傳算法優(yōu)化LSSVM(GA-LSSVM)作為對比模型。采用均方根誤差(RMSE)和平均絕對百分誤差(MAPE)作為模型的評價指標(biāo),它們分別定義如下:

    3.4 LSSVM參數(shù)優(yōu)化過程

    煤炭消費(fèi)量數(shù)據(jù)是一種時間序列,因此數(shù)據(jù)之間有明顯的數(shù)據(jù)相關(guān)性,當(dāng)前時刻的煤炭消費(fèi)量與前段時間煤炭消費(fèi)量存在一定的聯(lián)系,這樣就可以利用歷史煤炭消費(fèi)量數(shù)據(jù)對未來時刻煤炭消費(fèi)量進(jìn)行預(yù)測,本研究選擇前12個時間點(diǎn)的數(shù)據(jù)對當(dāng)前煤炭消費(fèi)量進(jìn)行預(yù)測,那么要預(yù)測yi,其輸入為:{yi-1,yi-2,…,yi-12}。

    GA的交叉概率為Pc=0.9,變異概率為Pm=0.02;CEPSO的c1=c2=2,c3=1.2,c4=3.5,e0g=0,e0p=0.01,PSO參數(shù)與CEPSO設(shè)置相同,所有算法的種群大小均為10,最大迭代次數(shù)為500。LSSVM參數(shù)的范圍為:γ∈[1,1 000],σ∈[0.1,10],將煤炭消費(fèi)量訓(xùn)練集輸入到LSSVM進(jìn)行訓(xùn)練,在訓(xùn)練過程中用GA、PSO、CEPSO對參數(shù)(γ,σ)進(jìn)行在線優(yōu)化,根據(jù)訓(xùn)練集的10折交叉驗證誤差最小原則,參數(shù)優(yōu)化過程如圖2所示,得到的最優(yōu)參數(shù)結(jié)果見表1。從圖2可知,相對于PSO、GA,CEPSO可以更快地找到LSSVM參數(shù),且交叉驗證誤差更小,這表明CEPSO是一種有效的LSSVM參數(shù)優(yōu)化算法。

    圖2 各算法的LSSVM參數(shù)尋優(yōu)曲線對比

    表1 各算法優(yōu)化LSSVM的參數(shù)結(jié)果

    3.5 結(jié)果與分析

    3.5.1 擬合能力比較

    采用表1中的γ、σ值作為LSSVM參數(shù),對訓(xùn)練集進(jìn)行學(xué)習(xí),建立相應(yīng)的GA-LSSVM、PSO-LSSVM、CEPSOLSSVM的煤炭消費(fèi)量預(yù)測模型,并采用這些模型對訓(xùn)練集進(jìn)行擬合,得到的擬合結(jié)果見表2所示。從表2可知,在所有模型中,CEPSO-LSSVM的擬合誤差最小,擬合精度最高,根據(jù)擬合對比結(jié)果可知,CEPSO可以獲得更優(yōu)的LSSVM參數(shù),更加準(zhǔn)確地刻畫了煤炭消費(fèi)量變化趨勢。

    表2 各模型對訓(xùn)練集的擬合誤差

    3.5.2 泛化能力比較

    評價一個預(yù)測模型性能的優(yōu)劣,主要考察其預(yù)測能力,為此采用建立的煤炭消費(fèi)量模型對驗證集進(jìn)行預(yù)測,均采用一步預(yù)測,具體方式:采用前18個煤炭消費(fèi)量數(shù)據(jù)作為最原始訓(xùn)練集,對第19個數(shù)據(jù)進(jìn)行預(yù)測,然后采用滾動方式將第19個數(shù)據(jù)合到訓(xùn)練集,對第20個數(shù)據(jù)進(jìn)行預(yù)測,依此類推,最后得到第23個數(shù)據(jù)的預(yù)測結(jié)果,預(yù)測結(jié)果如圖3和表3所示。從圖3和表3可知,相對于對比模型,CEPSO-LSSVM的預(yù)測精度更高,說明CEPSO具有較好的全局搜索能力,通過引入“鯰魚效應(yīng)”,有助于跳出局部最優(yōu)值,從而找到了更優(yōu)的LSSVM參數(shù),建立的煤炭消費(fèi)量預(yù)測模型更加準(zhǔn)確地描述了煤炭消費(fèi)量時變、非平穩(wěn)變化趨勢。

    圖3 各模型對驗證集的預(yù)測結(jié)果對比

    表3 各模型對驗證集的預(yù)測誤差

    4 結(jié)語

    煤炭消費(fèi)量受到多種因素的影響,具有隨機(jī)性、時變性,針對LSSVM在煤炭消費(fèi)量預(yù)測中的參數(shù)優(yōu)化問題,提出一種CEPSO-LSSVM的煤炭消費(fèi)量預(yù)測模型。首先將LSSVM參數(shù)優(yōu)化視為一個組合優(yōu)化問題,并根據(jù)煤炭消費(fèi)量預(yù)測建立參數(shù)優(yōu)化的目標(biāo)函數(shù),然后基于煤炭消費(fèi)量預(yù)測結(jié)果的誤差最小原則,采用PSO算法對LSSVM最優(yōu)參數(shù)進(jìn)行尋優(yōu),并引入“鯰魚效應(yīng)”解決PSO算法存在的不足,最后采用實(shí)際煤炭消費(fèi)量進(jìn)行仿真實(shí)驗,并與其他模型進(jìn)行對比。結(jié)果表明,CEPSO-LSSVM可以獲得更優(yōu)的煤炭消費(fèi)量預(yù)測模型,提高了煤炭消費(fèi)量的預(yù)測精度,并擴(kuò)展了LSSVM在其他非線性預(yù)測領(lǐng)域的應(yīng)用范圍。

    [1]王延中.我國能源消費(fèi)政策的變遷及展望[J].中國工業(yè)經(jīng)濟(jì),2001(4):33-38.

    [2]李世祥,吳巧生.我國煤炭需求函數(shù)回歸模型的建立及需求預(yù)測[J].中國煤炭,2005,31(6):17-19.

    [3]孫國文,尹光志.基于灰色系統(tǒng)理論的重慶市煤炭消費(fèi)預(yù)測[J].重慶大學(xué)學(xué)報,2006,29(7):142-145.

    [4]寧云.煤炭需求預(yù)測的復(fù)合小波神經(jīng)網(wǎng)絡(luò)模型[J].煤炭學(xué)報,2003,28(1):108-112.

    [5]張宏,李仲學(xué).煤炭需求影響因素及前景分析[J].煤炭學(xué)報,2007,32(5):557-560.

    [6]韓超,車永才,王繼波.改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)煤炭需求預(yù)測模型[J].遼寧工程技術(shù)大學(xué)學(xué)報,2005(S1):121-126.

    [7]穆朝絮,張瑞民,孫長銀.基于粒群優(yōu)化的非線性系統(tǒng)最小二乘支持向量機(jī)預(yù)控制方法[J].控制理論與應(yīng)用,2010,27(2):164-167.

    [8]劉智國,張雅明,林立忠.基于粒子群LSSVM的網(wǎng)絡(luò)入侵[J].計算機(jī)仿真,2011,27(11):136-139.

    [9]張朝龍,江巨浪,李彥梅.基于云粒子群-最小二乘支持向量機(jī)的傳感器溫度補(bǔ)償[J].傳感技術(shù)學(xué)報,2012,25(4):472-477.

    [10]陳磊.遺傳最小二乘支持向量機(jī)法預(yù)測時用水量[J].浙江大學(xué)學(xué)報:工學(xué)版,2011,45(6).

    [11]梁昔明,閻綱,李山春,等.基于最小二乘支持向量機(jī)和混沌優(yōu)化的非線性預(yù)測控制[J].信息與控制,2010,39(2):129-135.

    [12]景龍,楊淑霞,劉承水.基于遺傳算法優(yōu)化參數(shù)的支持向量機(jī)短期負(fù)荷預(yù)測方法[J].中南大學(xué)學(xué)報:自然科學(xué)版,2009,40(1).

    [13]易文周.混沌鯰魚粒子群優(yōu)化和差分進(jìn)化混合算法[J].計算機(jī)工程與應(yīng)用,2012,48(15):54-58.

    [14]Hu X H,Eberhart R C.Multi-objective optimization using dynamic neighborhood particle swarm optimization[C]//Proceedings of the 2002 Congress on Evolutionary Computation.Honolulu:IEEE,2002.

    [15]Li Y,Wang C S,Yang C H.Chaotic catfish particle swarm optimization for solving global numerical optimization problems[J].Applied Mathematics and Computation,2011,217:6900-6916.

    YANG Shijie1,LONG Dan2,ZHOU Qingbiao1

    1.School of Computer Science,Zhejiang Industry Polytechnic College,Shaoxing,Zhejiang 312000,China
    2.Zhejiang University School of Medicine,Hangzhou 310058,China

    The coal consumption has time-varying and nonlinear characteristics.In order to improve the prediction accuracy of coal consumption,a coal consumption prediction model based on Catfish Particle Swarm algorithm and Least Squares Support Vector Machine(CEPSO-LSSVM)is proposed.LSSVM parameter is encoded into the position of the particle,and minimum of the cross validation error of network training set is taken as optimal target,and then the parameters of LSSVM are obtained by the exchange information among particles,and“catfish effect”is introduced to keep the diversity of particle swarm to overcome the local optimum of the traditional particle swarm optimization algorithm,and coal consumption prediction model is built according to the optimum parameters,and the simulation test is carried out on actual coal consumption data.The results show that,compared with other prediction models,the proposed model can get better parameters,and coal consumption prediction accuracy can be improved.It is more suitable for complex coal consumption prediction.

    coal consumption;Least Squares Support Vector Machine(LSSVM);Particle Swarm Optimization(PSO)algorithm; catfish effect

    針對煤炭消費(fèi)量的時變性、非平穩(wěn)性特點(diǎn),為了提高煤炭消費(fèi)量預(yù)測精度,提出了一種鯰魚粒子群算法優(yōu)化最小二乘支持向量機(jī)(LSSVM)的煤炭消費(fèi)量預(yù)測模型(CEPSO-LSSVM)。將LSSVM參數(shù)編碼成粒子位置串,并根據(jù)煤炭消費(fèi)量訓(xùn)練集的交叉驗證誤差最小作為參數(shù)優(yōu)化目標(biāo),通過粒子間信息交流找到最優(yōu)LSSVM參數(shù),并引入“鯰魚效應(yīng)”,保持粒子群的多樣性,克服傳統(tǒng)粒子群算法的局部最優(yōu),根據(jù)最優(yōu)參數(shù)建立煤炭消費(fèi)量預(yù)測模型,并采用實(shí)際煤炭消費(fèi)量數(shù)據(jù)進(jìn)行仿真測試。結(jié)果表明,相對于其他預(yù)測模型,CEPSO-LSSVM可以獲得更優(yōu)的LSSVM參數(shù),提高了煤炭消費(fèi)量預(yù)測精度,更加適用于復(fù)雜非線性的煤炭消費(fèi)量預(yù)測。

    煤炭消費(fèi)量;最小二乘支持向量機(jī);粒子群優(yōu)化算法;鯰魚效應(yīng)

    A

    TP391

    10.3778/j.issn.1002-8331.1305-0287

    YANG Shijie,LONG Dan,ZHOU Qingbiao.Coal consumption prediction based on LSSVM optimized by Catfish Particle Swarm Optimization algorithm.Computer Engineering and Applications,2013,49(18):108-111.

    浙江省教育技術(shù)研究規(guī)劃課題(No.JB083)。

    楊世杰(1979—),男,講師,主要研究領(lǐng)域為機(jī)器學(xué)習(xí)算法、模式識別、圖形圖像;龍丹(1975—),男,博士,主要研究領(lǐng)域為計算機(jī)應(yīng)用、機(jī)器學(xué)習(xí)算法;周慶標(biāo)(1972—),男,博士,副教授,主要研究領(lǐng)域為計算機(jī)應(yīng)用、時間序列預(yù)測。

    2013-05-22

    2013-06-17

    1002-8331(2013)18-0108-04

    猜你喜歡
    鯰魚消費(fèi)量適應(yīng)度
    改進(jìn)的自適應(yīng)復(fù)制、交叉和突變遺傳算法
    讓鯰魚慌起來
    基于空調(diào)導(dǎo)風(fēng)板成型工藝的Kriging模型適應(yīng)度研究
    中國塑料(2016年11期)2016-04-16 05:26:02
    2015年全球廢鋼消費(fèi)量同比下降
    上海金屬(2016年4期)2016-04-07 16:43:41
    2014年國際橡膠消費(fèi)量增加6.7%
    N2015083 中國銅鋁消費(fèi)量料在未來十年達(dá)到頂峰
    Space X會是攪局“鯰魚”?
    太空探索(2014年7期)2014-07-12 15:16:47
    陷 阱
    少數(shù)民族大學(xué)生文化適應(yīng)度調(diào)查
    2012年我國能源消費(fèi)量為36.2億噸標(biāo)準(zhǔn)煤
    中國煤炭(2013年2期)2013-01-26 22:12:55
    久久精品国产综合久久久| 日韩av在线免费看完整版不卡| 免费高清在线观看日韩| 在线天堂中文资源库| 99国产综合亚洲精品| 国产有黄有色有爽视频| 日韩,欧美,国产一区二区三区| 91成人精品电影| 丝袜喷水一区| 国产精品麻豆人妻色哟哟久久| 国产一区有黄有色的免费视频| 男女无遮挡免费网站观看| 一区福利在线观看| 男人添女人高潮全过程视频| 亚洲欧美成人精品一区二区| 欧美日本中文国产一区发布| 色94色欧美一区二区| 黄频高清免费视频| 国产精品人妻久久久影院| 99久久综合免费| 午夜精品国产一区二区电影| 亚洲国产日韩一区二区| 日韩不卡一区二区三区视频在线| 毛片一级片免费看久久久久| 国产深夜福利视频在线观看| 黄色一级大片看看| 精品一区二区免费观看| 高清不卡的av网站| 久久人人97超碰香蕉20202| 十八禁网站网址无遮挡| 国产欧美日韩综合在线一区二区| 精品少妇内射三级| 国产日韩欧美亚洲二区| 国产熟女欧美一区二区| 777米奇影视久久| av电影中文网址| 亚洲图色成人| 欧美最新免费一区二区三区| 亚洲国产av影院在线观看| 久久青草综合色| 久久精品久久久久久久性| 宅男免费午夜| 欧美日韩精品成人综合77777| 观看美女的网站| 久久久精品区二区三区| 国产一区二区三区综合在线观看| 免费播放大片免费观看视频在线观看| 啦啦啦视频在线资源免费观看| 999精品在线视频| 高清视频免费观看一区二区| 亚洲人成电影观看| 一区二区三区四区激情视频| 亚洲伊人色综图| 人人妻人人澡人人爽人人夜夜| 久久久久精品久久久久真实原创| 最近手机中文字幕大全| 国产精品香港三级国产av潘金莲 | 国产精品一二三区在线看| 久久毛片免费看一区二区三区| 男女啪啪激烈高潮av片| 在线观看国产h片| 国产一区亚洲一区在线观看| 欧美日韩精品网址| 亚洲第一青青草原| 久久精品久久久久久噜噜老黄| 日日摸夜夜添夜夜爱| 天堂俺去俺来也www色官网| 久久毛片免费看一区二区三区| 亚洲av中文av极速乱| 欧美国产精品一级二级三级| 免费看av在线观看网站| 久久精品国产亚洲av涩爱| 街头女战士在线观看网站| 亚洲国产精品一区三区| 亚洲精品国产av蜜桃| 大香蕉久久网| 精品一区二区免费观看| 男人爽女人下面视频在线观看| 精品国产一区二区三区四区第35| 亚洲精品视频女| 搡老乐熟女国产| 国产日韩欧美视频二区| 亚洲国产日韩一区二区| 极品人妻少妇av视频| 亚洲国产欧美网| 日日啪夜夜爽| 高清黄色对白视频在线免费看| 777米奇影视久久| 国产 精品1| 久久这里有精品视频免费| 亚洲av国产av综合av卡| 亚洲精品av麻豆狂野| 狠狠精品人妻久久久久久综合| 国产成人精品福利久久| 菩萨蛮人人尽说江南好唐韦庄| 王馨瑶露胸无遮挡在线观看| 国产亚洲av片在线观看秒播厂| 丝袜美腿诱惑在线| 国产一区亚洲一区在线观看| 一二三四在线观看免费中文在| 日韩在线高清观看一区二区三区| 日韩伦理黄色片| 精品少妇内射三级| 一区福利在线观看| av免费观看日本| 观看美女的网站| 一级黄片播放器| 中文字幕亚洲精品专区| 制服丝袜香蕉在线| 免费高清在线观看日韩| 天天操日日干夜夜撸| 婷婷色综合大香蕉| 精品午夜福利在线看| 国产精品女同一区二区软件| 亚洲av免费高清在线观看| 国产成人欧美| 久久婷婷青草| 精品少妇黑人巨大在线播放| 边亲边吃奶的免费视频| 一区二区av电影网| 久久影院123| 中文字幕精品免费在线观看视频| 欧美亚洲日本最大视频资源| 秋霞伦理黄片| 久久国产精品大桥未久av| 两性夫妻黄色片| 亚洲精品国产一区二区精华液| 天天躁日日躁夜夜躁夜夜| 黄网站色视频无遮挡免费观看| 伊人久久大香线蕉亚洲五| 波多野结衣av一区二区av| 精品酒店卫生间| 叶爱在线成人免费视频播放| 久久久久久久久久人人人人人人| 国产极品天堂在线| 成年女人毛片免费观看观看9 | 一本—道久久a久久精品蜜桃钙片| 久久99热这里只频精品6学生| 下体分泌物呈黄色| 在线观看人妻少妇| 看十八女毛片水多多多| 成人手机av| 色哟哟·www| 热99国产精品久久久久久7| 亚洲图色成人| 亚洲欧美一区二区三区黑人 | 欧美人与善性xxx| 国产国语露脸激情在线看| 国产1区2区3区精品| 丁香六月天网| 91国产中文字幕| 黄色毛片三级朝国网站| h视频一区二区三区| 免费高清在线观看视频在线观看| av卡一久久| 亚洲三级黄色毛片| 看非洲黑人一级黄片| 欧美 亚洲 国产 日韩一| 一区二区日韩欧美中文字幕| 91aial.com中文字幕在线观看| 免费观看无遮挡的男女| 久久婷婷青草| 国产精品秋霞免费鲁丝片| 超碰成人久久| 老汉色av国产亚洲站长工具| 国产男人的电影天堂91| 国产乱来视频区| 大香蕉久久网| 多毛熟女@视频| 香蕉精品网在线| 免费观看在线日韩| 日本爱情动作片www.在线观看| 国产日韩欧美亚洲二区| 午夜av观看不卡| av国产久精品久网站免费入址| 国产精品香港三级国产av潘金莲 | 国产成人精品久久二区二区91 | videossex国产| 午夜福利乱码中文字幕| 美女国产视频在线观看| 超碰97精品在线观看| 午夜福利在线免费观看网站| 精品一区在线观看国产| 亚洲国产精品国产精品| 免费人妻精品一区二区三区视频| 性色avwww在线观看| 精品人妻在线不人妻| 国产精品无大码| 一区二区三区乱码不卡18| 爱豆传媒免费全集在线观看| 妹子高潮喷水视频| 大陆偷拍与自拍| 夫妻午夜视频| 成年av动漫网址| 亚洲av日韩在线播放| 天堂8中文在线网| 涩涩av久久男人的天堂| 香蕉国产在线看| 丰满少妇做爰视频| 久久精品国产亚洲av涩爱| 亚洲成国产人片在线观看| 精品少妇一区二区三区视频日本电影 | 下体分泌物呈黄色| 国产av精品麻豆| 亚洲精品国产色婷婷电影| 九九爱精品视频在线观看| 亚洲精品aⅴ在线观看| 天堂8中文在线网| 国产精品麻豆人妻色哟哟久久| 91aial.com中文字幕在线观看| 夜夜骑夜夜射夜夜干| 久久av网站| 国产成人免费观看mmmm| 久久久久久人人人人人| 麻豆av在线久日| 99久久综合免费| 午夜福利乱码中文字幕| 国产精品亚洲av一区麻豆 | 免费在线观看完整版高清| av免费在线看不卡| 狠狠精品人妻久久久久久综合| av网站免费在线观看视频| 免费观看性生交大片5| 天天影视国产精品| 亚洲av成人精品一二三区| 午夜激情av网站| 国产成人精品在线电影| 国产人伦9x9x在线观看 | 色哟哟·www| 自线自在国产av| 1024视频免费在线观看| 久久午夜福利片| 亚洲精品一二三| 18禁裸乳无遮挡动漫免费视频| 国产无遮挡羞羞视频在线观看| 国产成人精品久久久久久| 日本av手机在线免费观看| 国产亚洲精品第一综合不卡| av福利片在线| 久久久精品区二区三区| 麻豆av在线久日| 欧美日韩国产mv在线观看视频| 1024香蕉在线观看| 国产精品三级大全| av在线老鸭窝| 精品国产一区二区久久| 成人二区视频| 欧美日韩成人在线一区二区| 亚洲欧美一区二区三区国产| 最近最新中文字幕大全免费视频 | 欧美少妇被猛烈插入视频| 老熟女久久久| 日韩伦理黄色片| 欧美日韩精品网址| 欧美人与善性xxx| 九草在线视频观看| 黑人巨大精品欧美一区二区蜜桃| 在线天堂中文资源库| 亚洲综合色惰| 春色校园在线视频观看| 欧美97在线视频| 肉色欧美久久久久久久蜜桃| 日本色播在线视频| av国产久精品久网站免费入址| 男女午夜视频在线观看| 国产av精品麻豆| 男女边吃奶边做爰视频| 亚洲国产成人一精品久久久| 黄频高清免费视频| 最近最新中文字幕免费大全7| 婷婷色综合www| 男人添女人高潮全过程视频| 电影成人av| 亚洲国产精品一区三区| 一边摸一边做爽爽视频免费| 亚洲第一av免费看| 成人毛片60女人毛片免费| 日本午夜av视频| 黑人欧美特级aaaaaa片| 老汉色∧v一级毛片| 伦理电影大哥的女人| 人人妻人人澡人人看| 国产精品嫩草影院av在线观看| 十八禁网站网址无遮挡| 高清av免费在线| 国产精品久久久久久久久免| 精品少妇黑人巨大在线播放| 男的添女的下面高潮视频| 精品国产一区二区久久| 久久久久久久精品精品| 丝袜在线中文字幕| 国产av一区二区精品久久| 国产精品无大码| 久久青草综合色| 亚洲国产色片| 亚洲三级黄色毛片| 如日韩欧美国产精品一区二区三区| 婷婷色综合www| 亚洲国产精品999| 中国三级夫妇交换| 热re99久久精品国产66热6| 美女脱内裤让男人舔精品视频| 国产极品粉嫩免费观看在线| 美女xxoo啪啪120秒动态图| 亚洲精品中文字幕在线视频| 看十八女毛片水多多多| 成年女人毛片免费观看观看9 | √禁漫天堂资源中文www| 麻豆乱淫一区二区| 国产一区二区激情短视频 | 99久久中文字幕三级久久日本| 欧美日韩国产mv在线观看视频| 亚洲美女搞黄在线观看| 女性生殖器流出的白浆| 看非洲黑人一级黄片| 日日爽夜夜爽网站| 久久久久久人人人人人| 美女脱内裤让男人舔精品视频| 精品一区二区三区四区五区乱码 | 精品视频人人做人人爽| 婷婷色麻豆天堂久久| 一级片'在线观看视频| 王馨瑶露胸无遮挡在线观看| 老司机亚洲免费影院| 国产野战对白在线观看| 国产精品不卡视频一区二区| 国产精品 国内视频| 夫妻午夜视频| 亚洲婷婷狠狠爱综合网| 三级国产精品片| 欧美激情极品国产一区二区三区| 一本—道久久a久久精品蜜桃钙片| 黄色视频在线播放观看不卡| 十八禁网站网址无遮挡| 日韩一本色道免费dvd| 在线观看国产h片| 久久久久久人人人人人| 久久精品国产亚洲av高清一级| 在线观看三级黄色| 国产精品免费视频内射| 大香蕉久久网| 高清av免费在线| 精品国产超薄肉色丝袜足j| 久久女婷五月综合色啪小说| 亚洲国产欧美在线一区| 一区二区三区激情视频| 黄频高清免费视频| 啦啦啦在线免费观看视频4| 国产亚洲精品第一综合不卡| 90打野战视频偷拍视频| 国产极品粉嫩免费观看在线| 成年人午夜在线观看视频| 免费少妇av软件| 久久精品国产亚洲av高清一级| 欧美精品av麻豆av| 超碰97精品在线观看| 久久女婷五月综合色啪小说| www.精华液| 欧美成人午夜精品| 亚洲精品美女久久av网站| 极品人妻少妇av视频| 精品少妇内射三级| 日韩精品免费视频一区二区三区| 在线观看免费日韩欧美大片| 91精品伊人久久大香线蕉| 精品国产一区二区三区四区第35| 伊人亚洲综合成人网| 亚洲av电影在线观看一区二区三区| 自线自在国产av| 老司机影院毛片| 精品一区二区三区四区五区乱码 | 人妻系列 视频| 久久这里有精品视频免费| 一级,二级,三级黄色视频| av电影中文网址| 国产精品二区激情视频| av网站在线播放免费| 婷婷色av中文字幕| 日韩,欧美,国产一区二区三区| av片东京热男人的天堂| 在现免费观看毛片| 亚洲精品美女久久久久99蜜臀 | 五月天丁香电影| 国产白丝娇喘喷水9色精品| 日韩中文字幕视频在线看片| 99久久精品国产国产毛片| 男人添女人高潮全过程视频| 亚洲精品日韩在线中文字幕| av在线播放精品| 在线亚洲精品国产二区图片欧美| 性高湖久久久久久久久免费观看| 亚洲国产av新网站| 美国免费a级毛片| 男女无遮挡免费网站观看| 亚洲精品久久久久久婷婷小说| 国产日韩一区二区三区精品不卡| 国产成人aa在线观看| 午夜福利一区二区在线看| 桃花免费在线播放| 亚洲一区中文字幕在线| 久久毛片免费看一区二区三区| 久久这里只有精品19| 免费日韩欧美在线观看| 国产欧美亚洲国产| 国产男人的电影天堂91| 国产成人欧美| 黄频高清免费视频| 国产视频首页在线观看| 国产爽快片一区二区三区| 看十八女毛片水多多多| 精品一区二区免费观看| 一本大道久久a久久精品| 国产又爽黄色视频| 中文天堂在线官网| 中文字幕最新亚洲高清| 久热久热在线精品观看| 看十八女毛片水多多多| 亚洲国产av影院在线观看| 最近手机中文字幕大全| 精品一区二区三卡| 亚洲一区二区三区欧美精品| 国产一区二区 视频在线| 香蕉精品网在线| 免费高清在线观看日韩| 亚洲成国产人片在线观看| 曰老女人黄片| 欧美老熟妇乱子伦牲交| 菩萨蛮人人尽说江南好唐韦庄| 婷婷色av中文字幕| 久久免费观看电影| 性色avwww在线观看| 一个人免费看片子| 久久久久久久久久久久大奶| 国产亚洲午夜精品一区二区久久| 精品少妇一区二区三区视频日本电影 | 亚洲天堂av无毛| 在线观看免费高清a一片| 老女人水多毛片| 亚洲一码二码三码区别大吗| 欧美精品av麻豆av| 久久久久久久大尺度免费视频| 黑丝袜美女国产一区| 欧美日韩亚洲国产一区二区在线观看 | 你懂的网址亚洲精品在线观看| 午夜激情久久久久久久| 一级a爱视频在线免费观看| 亚洲成av片中文字幕在线观看 | 青青草视频在线视频观看| 国产爽快片一区二区三区| 一级毛片黄色毛片免费观看视频| 日韩av免费高清视频| 九色亚洲精品在线播放| 高清视频免费观看一区二区| 亚洲国产av新网站| 亚洲国产精品成人久久小说| √禁漫天堂资源中文www| 久久久精品区二区三区| 国产成人精品在线电影| 日韩三级伦理在线观看| 免费黄色在线免费观看| 黄色一级大片看看| 母亲3免费完整高清在线观看 | 免费日韩欧美在线观看| 宅男免费午夜| 一本色道久久久久久精品综合| 中文字幕亚洲精品专区| 狠狠婷婷综合久久久久久88av| 国产精品三级大全| 18禁动态无遮挡网站| 欧美人与善性xxx| 日日撸夜夜添| 亚洲欧美日韩另类电影网站| 亚洲精品美女久久久久99蜜臀 | 亚洲国产成人一精品久久久| 亚洲欧美精品自产自拍| 丰满迷人的少妇在线观看| 韩国精品一区二区三区| 美女大奶头黄色视频| 中文字幕av电影在线播放| 日本欧美视频一区| 国产精品一国产av| 免费在线观看视频国产中文字幕亚洲 | 日本欧美国产在线视频| 熟女av电影| 女人精品久久久久毛片| 青春草国产在线视频| 99精国产麻豆久久婷婷| 男女高潮啪啪啪动态图| 九九爱精品视频在线观看| 成人毛片a级毛片在线播放| 亚洲精品av麻豆狂野| 成年女人在线观看亚洲视频| 婷婷色综合大香蕉| 成年人午夜在线观看视频| 看免费成人av毛片| 高清av免费在线| 久久人人97超碰香蕉20202| 电影成人av| 亚洲国产欧美网| 亚洲,欧美,日韩| 熟女少妇亚洲综合色aaa.| 在线亚洲精品国产二区图片欧美| 精品福利永久在线观看| 久久韩国三级中文字幕| 欧美变态另类bdsm刘玥| 少妇人妻 视频| 麻豆乱淫一区二区| 免费观看av网站的网址| 日本av手机在线免费观看| 亚洲国产看品久久| 99香蕉大伊视频| 国产精品99久久99久久久不卡 | 亚洲成av片中文字幕在线观看 | 亚洲成人手机| 国产午夜精品一二区理论片| 亚洲av.av天堂| 国产无遮挡羞羞视频在线观看| 最近最新中文字幕大全免费视频 | 欧美黄色片欧美黄色片| av又黄又爽大尺度在线免费看| 女的被弄到高潮叫床怎么办| 男女啪啪激烈高潮av片| 亚洲综合精品二区| 捣出白浆h1v1| 激情五月婷婷亚洲| 久久久a久久爽久久v久久| 午夜av观看不卡| 欧美精品亚洲一区二区| 国产av码专区亚洲av| 亚洲,一卡二卡三卡| 免费看不卡的av| 在线观看三级黄色| www.自偷自拍.com| 欧美日韩成人在线一区二区| 老司机亚洲免费影院| 国产精品一区二区在线观看99| 美女xxoo啪啪120秒动态图| 男人添女人高潮全过程视频| 亚洲欧洲国产日韩| 免费看av在线观看网站| 日韩人妻精品一区2区三区| 人妻人人澡人人爽人人| 黄色配什么色好看| 亚洲欧洲精品一区二区精品久久久 | 日本色播在线视频| 97在线视频观看| 天天躁狠狠躁夜夜躁狠狠躁| 日韩精品有码人妻一区| 另类精品久久| 91午夜精品亚洲一区二区三区| 我要看黄色一级片免费的| 岛国毛片在线播放| 人人澡人人妻人| 欧美变态另类bdsm刘玥| 亚洲av福利一区| 国产亚洲av片在线观看秒播厂| 最黄视频免费看| 欧美亚洲日本最大视频资源| 麻豆av在线久日| av女优亚洲男人天堂| 肉色欧美久久久久久久蜜桃| 男男h啪啪无遮挡| 免费在线观看完整版高清| 亚洲欧洲日产国产| 国产免费又黄又爽又色| 国产成人免费观看mmmm| 亚洲美女搞黄在线观看| 五月伊人婷婷丁香| 妹子高潮喷水视频| 日产精品乱码卡一卡2卡三| 97人妻天天添夜夜摸| 久久99一区二区三区| 一本大道久久a久久精品| 黑丝袜美女国产一区| 91精品伊人久久大香线蕉| 看免费成人av毛片| xxxhd国产人妻xxx| 99re6热这里在线精品视频| 久久影院123| 日韩在线高清观看一区二区三区| √禁漫天堂资源中文www| 精品国产一区二区三区四区第35| 亚洲精品乱久久久久久| 国产野战对白在线观看| 亚洲av男天堂| 十八禁高潮呻吟视频| 搡女人真爽免费视频火全软件| 在线亚洲精品国产二区图片欧美| 国产 一区精品| 999精品在线视频| 成人黄色视频免费在线看| 啦啦啦啦在线视频资源| 在线观看免费日韩欧美大片| 人妻系列 视频| 少妇熟女欧美另类| 麻豆av在线久日| 免费黄色在线免费观看| 亚洲激情五月婷婷啪啪| 97精品久久久久久久久久精品| 日韩一本色道免费dvd| 国产黄色视频一区二区在线观看| 男的添女的下面高潮视频| 丝袜脚勾引网站| 久久免费观看电影| 少妇 在线观看| 国产极品天堂在线| 麻豆乱淫一区二区| 汤姆久久久久久久影院中文字幕| 人妻系列 视频| 如日韩欧美国产精品一区二区三区| 妹子高潮喷水视频| 免费观看a级毛片全部| 在线亚洲精品国产二区图片欧美| 精品国产乱码久久久久久小说| 久久久久久久国产电影|