• <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 ?

    非平坦函數(shù)概率密度估計(jì)*

    2016-05-25 07:59:01汪洪橋蔡艷寧付光遠(yuǎn)王仕成
    計(jì)算機(jī)與生活 2016年4期
    關(guān)鍵詞:支持向量機(jī)

    汪洪橋,蔡艷寧,付光遠(yuǎn),王仕成

    1.第二炮兵工程大學(xué)信息工程系,西安7100252.第二炮兵工程大學(xué)理學(xué)院,西安7100253.第二炮兵工程大學(xué)控制工程系,西安710025

    ISSN 1673-9418 CODEN JKYTA8

    Journal of Frontiers of Computer Science and Technology

    1673-9418/2016/10(04)-0589-11

    ?

    非平坦函數(shù)概率密度估計(jì)*

    汪洪橋1+,蔡艷寧2,付光遠(yuǎn)1,王仕成3

    1.第二炮兵工程大學(xué)信息工程系,西安710025
    2.第二炮兵工程大學(xué)理學(xué)院,西安710025
    3.第二炮兵工程大學(xué)控制工程系,西安710025

    ISSN 1673-9418 CODEN JKYTA8

    Journal of Frontiers of Computer Science and Technology

    1673-9418/2016/10(04)-0589-11

    E-mail: fcst@vip.163.com

    http://www.ceaj.org

    Tel: +86-10-89056056

    * The National Natural Science Foundation for Young Scientists of China under Grant Nos. 61202332, 61403397 (國(guó)家自然科學(xué)青年基金); the Postdoctoral Science Foundation of China under Grant No. 2012M521905 (中國(guó)博士后科學(xué)基金); the Natural Science Foundation of Shaanxi Province under Grant No. 2015JM6313 (陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃項(xiàng)目).

    Received 2015-04,Accepted 2015-06.

    CNKI網(wǎng)絡(luò)優(yōu)先出版: 2015-06-10, http://www.cnki.net/kcms/detail/11.5602.TP.20150610.1708.003.html

    Key words: probability density estimation; support vector machine (SVM); multiple kernel learning; non-flat function

    摘要:針對(duì)非平坦函數(shù)的概率密度估計(jì)問(wèn)題,通過(guò)改進(jìn)支持向量機(jī)(support vector machine,SVM)概率密度估計(jì)模型約束條件的形式,并引入多尺度核方法,構(gòu)建了一種單松弛因子多尺度核支持向量機(jī)概率密度估計(jì)模型。該模型采用合并的單個(gè)松弛因子來(lái)控制支持向量機(jī)的學(xué)習(xí)誤差,減小了模型的計(jì)算復(fù)雜度;同時(shí)引入了多尺度核方法,使得模型既能適應(yīng)函數(shù)劇烈變化的區(qū)域,也能適應(yīng)平緩變化的區(qū)域?;趲追N典型非平坦函數(shù)進(jìn)行概率密度估計(jì)實(shí)驗(yàn),結(jié)果證明,單松弛因子概率密度估計(jì)模型比常規(guī)支持向量機(jī)概率密度估計(jì)模型具有更快的學(xué)習(xí)速度;且相比于單核方法,多尺度核支持向量機(jī)概率密度估計(jì)模型具有更優(yōu)的估計(jì)精度。

    關(guān)鍵詞:概率密度估計(jì);支持向量機(jī)(SVM);多核學(xué)習(xí);非平坦函數(shù)

    1 引言

    概率密度具有廣泛的應(yīng)用,比如可用于數(shù)據(jù)挖掘中的聚類分析以及電子器件壽命估計(jì)和排隊(duì)論。在一些情況下人們可以知道密度服從的分布,如電子器件壽命服從指數(shù)分布以及排隊(duì)理論服從泊松分布,它們的密度可以通過(guò)樣本矩估計(jì)或極大似然估計(jì)等參數(shù)估計(jì)方法得到概率密度。但在實(shí)際應(yīng)用中很多時(shí)候人們并不知道概率密度服從的分布,這時(shí)可根據(jù)樣本進(jìn)行回歸估計(jì)得到實(shí)際概率密度的一個(gè)近似估計(jì)。

    概率密度估計(jì)方法可分為參數(shù)估計(jì)和非參數(shù)估計(jì)兩大類。參數(shù)估計(jì)的代表方法為極大似然法,該方法有一定的局限性,比如無(wú)法估計(jì)幾個(gè)正態(tài)分布混合而成的概率密度函數(shù)[1-2]。相比之下,非參數(shù)概率密度估計(jì)具有更廣泛的應(yīng)用范圍,最具有代表性的方法為Parzen窗密度估計(jì)器[3],它是一類經(jīng)典的核密度估計(jì)器。該方法的缺點(diǎn)為不具備稀疏性,當(dāng)要預(yù)測(cè)新樣本的概率密度值時(shí),需要涉及樣本集中的所有樣本,計(jì)算量大。因此,長(zhǎng)期以來(lái)人們希望尋求一種方法,只使用訓(xùn)練樣本中的某一些對(duì)概率密度估計(jì)影響較大的樣本,而不是全部訓(xùn)練樣本來(lái)估計(jì)概率密度,即尋求一種稀疏解[4],以減少計(jì)算量,縮短運(yùn)算時(shí)間,增強(qiáng)實(shí)用性。

    支持向量機(jī)(support vector machine,SVM)的解只與訓(xùn)練樣本中的支持向量有關(guān),因此它提供了一種良好的得到稀疏解的方法[5]。該方法的思路很簡(jiǎn)單:首先從經(jīng)驗(yàn)累積的分布函數(shù)值估計(jì)一個(gè)近似的分布函數(shù),然后對(duì)它微分,即可得到密度函數(shù)。其中用到了SVM求解線性算子方程的方法,通過(guò)該方法可以得到形式類似于Parzen窗的稀疏概率密度估計(jì)[6-7]。基于簡(jiǎn)單核函數(shù)的支持向量估計(jì)在眾多的應(yīng)用領(lǐng)域有效并且實(shí)用,但都是基于單個(gè)特征空間的單核方法。由于不同的核函數(shù)具有的特性并不相同,從而使得在不同的應(yīng)用場(chǎng)合,核函數(shù)的性能表現(xiàn)差別很大,且核函數(shù)的構(gòu)造或選擇至今沒(méi)有完善的理論依據(jù)。此外,當(dāng)樣本特征分布含有異構(gòu)特性或數(shù)據(jù)在特征空間分布不平坦[8-9]時(shí),采用單個(gè)簡(jiǎn)單核進(jìn)行映射的方式對(duì)樣本特征統(tǒng)一進(jìn)行處理并不合理。對(duì)于密度估計(jì)問(wèn)題也是一樣,比如概率密度函數(shù)往往可能由多個(gè)函數(shù)混合而成,其結(jié)果是函數(shù)自身同時(shí)包含了快速變化和平緩變化,這樣的函數(shù)稱為非平坦函數(shù)(non-flat function)。因此,要解決非平坦函數(shù)的概率密度估計(jì)問(wèn)題,簡(jiǎn)單的單核函數(shù)支持向量機(jī)模型可能并不能獲得最優(yōu)的結(jié)果。

    為有效解決非平坦函數(shù)的概率密度估計(jì)問(wèn)題,本文采用改進(jìn)支持向量機(jī)概率密度估計(jì)模型約束條件形式的方法,構(gòu)建了一種單松弛因子支持向量機(jī)概率密度估計(jì)模型。在此基礎(chǔ)上,通過(guò)引入多尺度核方法,提出了單松弛因子多尺度核支持向量機(jī)模型,并將其用于非平坦函數(shù)的概率密度估計(jì)。仿真實(shí)驗(yàn)證明,單松弛因子概率密度估計(jì)模型比常規(guī)支持向量機(jī)概率密度估計(jì)模型具有更快的學(xué)習(xí)速度。同時(shí),相比于單核方法,多尺度核支持向量機(jī)概率密度估計(jì)模型具有更優(yōu)的估計(jì)精度。

    本文組織結(jié)構(gòu)如下:第2章對(duì)支持向量機(jī)概率密度估計(jì)的原理進(jìn)行簡(jiǎn)要介紹;第3章詳述了單松弛因子支持向量機(jī)和單松弛因子多尺度核支持向量機(jī)概率密度估計(jì)模型,并分析了算法復(fù)雜度;第4章構(gòu)建了幾組非平坦概率密度函數(shù)仿真實(shí)例,利用新建模型進(jìn)行了實(shí)驗(yàn);最后對(duì)全文進(jìn)行了總結(jié)。

    2 支持向量機(jī)概率密度估計(jì)

    其中,θ(u)的取值為:

    Kolmogorov-Smirnov分布解釋了真實(shí)分布F(x)與經(jīng)驗(yàn)分布Fl(x)間的關(guān)系[10]。

    設(shè)樣本集D={x1,x2,…,xl}中樣本的概率密度為p(x),令xi={xi,1,xi,2,…,xi,m}?Rm,i=1,2,…,l,滿足獨(dú)立同分布。支持向量機(jī)概率密度估計(jì)問(wèn)題的目標(biāo)為以核密度的形式估計(jì)未知的概率密度p(x),其形式為:

    約束條件為:

    其分布函數(shù)的估計(jì)形式為:

    其中,k(x,xi)和K(x,xi)滿足關(guān)系:

    在支持向量機(jī)概率密度估計(jì)方法中,欲尋求p(x)的一種稀疏表示,即大部分的βi為0,βi不為0的樣本xi決定了概率密度函數(shù)p(x)的形式。該函數(shù)所滿足的條件為:

    約束條件為:

    借鑒采用ε不敏感損失函數(shù)支持向量回歸機(jī)的思想,概率密度估計(jì)問(wèn)題轉(zhuǎn)化為以下二次規(guī)劃問(wèn)題[13]:

    核函數(shù)k(x,xi)和K(x,xi)常用的形式為:

    當(dāng)k(×,×)取式(12)的形式時(shí),K(×,×)應(yīng)滿足式(13):

    其中,Q(x)滿足:

    當(dāng)k(×,×)取式(15)的形式時(shí),相應(yīng)的K(×,×)如式(16)所示:

    3 單松弛因子多尺度核支持向量機(jī)概率密度估計(jì)

    3.1單松弛因子支持向量機(jī)概率密度估計(jì)模型

    文獻(xiàn)[14]針對(duì)支持向量機(jī)的分類和回歸的二次規(guī)劃和線性規(guī)劃問(wèn)題對(duì)松弛因子進(jìn)行了合并。借鑒這種思想,本文對(duì)支持向量機(jī)概率密度估計(jì)模型進(jìn)行了簡(jiǎn)化,提出了單松弛因子概率密度估計(jì)模型。支持向量機(jī)概率密度估計(jì)模型的對(duì)偶形式并不能提高優(yōu)化問(wèn)題的結(jié)構(gòu),因此采用的是對(duì)原模型直接進(jìn)行優(yōu)化的方式,松弛因子也在解的尋優(yōu)范圍內(nèi)。因此如能在不影響概率密度形式的前提下將兩類松弛因子進(jìn)行合并,那么模型的計(jì)算復(fù)雜度將會(huì)減小。在支持向量機(jī)概率密度估計(jì)問(wèn)題(11)中引入兩個(gè)松弛因子ξ和ξ*來(lái)控制誤差的大小。在單松弛因子概率密度估計(jì)模型中采用單個(gè)松弛因子ξ來(lái)控制誤差,給出單松弛因子概率密度估計(jì)模型如式(17)所示。

    定理1支持向量機(jī)概率密度估計(jì)模型(11)與單松弛因子支持向量機(jī)概率密度估計(jì)模型(17)等價(jià),且關(guān)于β=(β1,β2,…,βl)的最優(yōu)解相同。

    證明當(dāng)優(yōu)化問(wèn)題(11)取最優(yōu)解時(shí),有下式成立:

    式(11)的目標(biāo)函數(shù)可寫(xiě)成:

    該式等價(jià)于:

    當(dāng)單松弛因子支持向量機(jī)概率密度估計(jì)模型取最優(yōu)解時(shí),有下式成立:

    因此單松弛因子支持向量機(jī)概率密度估計(jì)模型與原模型的目標(biāo)函數(shù)等價(jià)。

    因此兩個(gè)問(wèn)題的約束條件也等價(jià)。

    其中,(ξ1')i=(|d1i|-εi,0)+,(ξ2')i=(-d2i-εi)+,(ξ*2')i= (d2i-εi)+。

    因?yàn)?β1,ξ1,ξ*1)為優(yōu)化問(wèn)題(11)的最優(yōu)解,所以有:

    將式(25)和(26)聯(lián)立,可以得出:

    因?yàn)?β2,ξ2)為優(yōu)化問(wèn)題(17)的最優(yōu)解,所以有下式成立:

    聯(lián)合式(27)和式(28)可以得出W2(β2,ξ2)=W2(β1,ξ1')。因?yàn)閮?yōu)化問(wèn)題(17)解唯一,所以有β1=β2成立?!?/p>

    將單松弛因子支持向量機(jī)概率密度估計(jì)模型寫(xiě)成矩陣的形式為:

    其中c、A、s、F的形式分別為:

    式(30)中,β=(β1,β2,…,βl),ξ=(ξ1,ξ2,…,ξl),1表示l′1的全1向量,I表示l′l的單位矩陣,ε=(ε1, ε2,…,εl)T,F(xiàn)l=(Fl(x1),Fl(x2),…,Fl(xl))T,ki,j=k(xi,xj),Ki,j=K(xi,xj),i,j=1,2,…,l。

    3.2單松弛因子多尺度核支持向量機(jī)概率密度估計(jì)模型

    基于多核學(xué)習(xí)方法[15-16]構(gòu)建的多核模型,是一類靈活性更強(qiáng)的基于核的學(xué)習(xí)模型。近來(lái)的理論和應(yīng)用已經(jīng)證明利用多核代替單核能增強(qiáng)決策函數(shù)的解釋能力(interpretability),并提高性能。構(gòu)造多核模型,最簡(jiǎn)單也最常用的一種方法就是考慮多個(gè)基本核函數(shù)的凸組合,形如:

    這里Kj是基本核函數(shù);m是基本核的總個(gè)數(shù);βj是權(quán)系數(shù)。因此,在多核框架下,樣本在特征空間中的表示問(wèn)題轉(zhuǎn)化成為基本核與權(quán)系數(shù)的選擇問(wèn)題。

    多核學(xué)習(xí)方法的一種特殊化情形就是將多個(gè)尺度的核進(jìn)行融合[17-18]。這種方法更具靈活性,并且能比合成核方法提供更完備的尺度選擇。此外,隨著多尺度分析理論的不斷成熟與完善,多尺度核方法通過(guò)引入尺度空間,使其具有很好的理論背景,對(duì)基于核方法的機(jī)器學(xué)習(xí)又是一次大的擴(kuò)展。多尺度核方法的基礎(chǔ)就是要找到一組具有多尺度表示能力的核函數(shù)。在被廣泛使用的核函數(shù)中,高斯徑向基核是最受歡迎的,因?yàn)樗哂型ㄓ闷毡榈慕颇芰?,同時(shí)也是一種典型的可多尺度化核。

    對(duì)于概率密度估計(jì)問(wèn)題中的合成概率密度,對(duì)應(yīng)的,可以構(gòu)建多尺度核支持向量機(jī)概率密度估計(jì)模型,其概率密度的形式為:

    其中kr(×,×)為具有多尺度表示能力的核函數(shù)。令與kr(×,×)相對(duì)應(yīng)的核寬度為ρr,則求取p(x)需要求解的線性規(guī)劃的形式為:

    定理2多尺度核支持向量機(jī)概率密度估計(jì)模型(33)可以簡(jiǎn)化為:

    定理2的證明思路與定理1類似,不再贅述?!?/p>

    式(34)即為單松弛因子多尺度核概率密度估計(jì)模型,將其寫(xiě)成矩陣的形式為:

    其中c、A、s、F的形式為:

    式(36)中,βr=(β1,r,β2,r,…,βl,r),ξ=(ξ1,ξ2,…,ξl),1表示l′1的全1向量,I表示l′l的單位矩陣,ε= (ε1,ε2,…,εl)T,F(xiàn)l=(Fl(x1),Fl(x2),…,Fl(xl))T,(Kr)i,j= Kr(xi,xj),i,j=1,2,…,l,r=1,2,…,n。

    3.3算法復(fù)雜度分析

    單松弛因子支持向量機(jī)概率密度估計(jì)模型(17)的本質(zhì)為二次規(guī)劃問(wèn)題。令訓(xùn)練集中樣本的個(gè)數(shù)為l,則該問(wèn)題含有2l個(gè)變量。求解該問(wèn)題的空間復(fù)雜度主要體現(xiàn)在對(duì)式(29)中k和A的存儲(chǔ)上,存儲(chǔ)k的空間復(fù)雜度為O(l2),存儲(chǔ)A的空間復(fù)雜度為O(4l2),時(shí)間復(fù)雜度為O(8l3)。該模型需優(yōu)化的變量的個(gè)數(shù)只為原模型(11)的2/3。單松弛因子多尺度核支持向量機(jī)概率密度估計(jì)模型的本質(zhì)為線性規(guī)劃問(wèn)題。令模型中含有n個(gè)核函數(shù),則需要優(yōu)化的變量個(gè)數(shù)為(n+1)l個(gè),而原優(yōu)化問(wèn)題(35)需要優(yōu)化的變量的個(gè)數(shù)為(n+2)l。因此選取的核函數(shù)越少,前者的優(yōu)勢(shì)越明顯。非耦合數(shù)據(jù)合成概率密度估計(jì)方法的本質(zhì)為利用數(shù)據(jù)樣本集合的先驗(yàn)知識(shí),將合成概率密度估計(jì)問(wèn)題轉(zhuǎn)化成一系列子問(wèn)題進(jìn)行求解,從而簡(jiǎn)化了優(yōu)化問(wèn)題的規(guī)模。

    4 仿真實(shí)驗(yàn)及結(jié)果分析

    下面通過(guò)3種典型的非平坦函數(shù),對(duì)單松弛因子多尺度核支持向量機(jī)概率密度估計(jì)模型進(jìn)行仿真實(shí)驗(yàn)。

    4.1非平坦高斯分布函數(shù)仿真實(shí)例

    由分布密度(37)構(gòu)建非平坦高斯分布函數(shù),并產(chǎn)生100個(gè)隨機(jī)樣本。

    取μ1=0,σ1=1,μ2=6,σ2=3。SVM模型訓(xùn)練時(shí),多尺度核選取兩尺度的高斯核函數(shù),其尺度參數(shù)分別為ρ1=2,ρ2=1,訓(xùn)練支持向量機(jī)模型時(shí)懲罰系數(shù)C=30,觀察式(37)可知,x以先驗(yàn)概率0.2和0.8所屬于兩類。首先按照先驗(yàn)概率和類分布情況已知的情形對(duì)p(x)進(jìn)行估計(jì),采用單松弛因子多尺度核概率密度估計(jì)結(jié)果如圖1所示。假定由概率密度(37)生成的樣本集合的子類分布及先驗(yàn)概率未知,選取兩個(gè)具有不同尺度的核函數(shù)(12),采用單松弛因子多尺度核概率密度估計(jì)方法(34)所得的估計(jì)結(jié)果如圖2所示。

    常規(guī)SVM概率密度估計(jì)模型、單松弛因子SVM概率密度估計(jì)模型和單松弛因子多尺度核概率密度估計(jì)模型各運(yùn)行20次,3種模型的運(yùn)行時(shí)間如圖3所示。通過(guò)取平均值,常規(guī)SVM算法的平均運(yùn)行時(shí)間為1.99 s,單松弛因子模型為1.31 s,單松弛因子多尺度核模型為1.33 s,可見(jiàn)改進(jìn)后的單松弛因子模型提高了運(yùn)算效率。雖然多尺度核模型增加了一個(gè)核函數(shù),但SVM的運(yùn)算量絕大部分都在其優(yōu)化過(guò)程,多核方法帶來(lái)的時(shí)間變化不大,損失可忽略不計(jì)。

    Fig.1 Probability distribution and probability density estimation results with known classification圖1 分類已知條件下概率分布和密度估計(jì)結(jié)果

    Fig.2 Probability distribution and probability density estimation results with unknown classification圖2 分類未知條件下概率分布和密度估計(jì)結(jié)果

    Fig.3 Time comparison of three models圖3 各模型運(yùn)行時(shí)間對(duì)比

    4.2非平坦瑞利分布函數(shù)仿真實(shí)例

    由分布密度(38)構(gòu)建非平坦瑞利分布函數(shù),產(chǎn)生300個(gè)隨機(jī)樣本進(jìn)行實(shí)驗(yàn),其中100個(gè)樣本進(jìn)行訓(xùn)練,200個(gè)樣本進(jìn)行測(cè)試。

    實(shí)驗(yàn)中,參數(shù)σ1=10,σ2=2;多尺度核選取兩尺度的高斯核函數(shù),其尺度參數(shù)分別為ρ1=3,ρ2=1,訓(xùn)練支持向量機(jī)模型時(shí)懲罰系數(shù)C=20。在實(shí)際情況中,往往并不知道混合密度中兩類函數(shù)的比例,因此實(shí)驗(yàn)中假定子類分布及先驗(yàn)概率未知。通過(guò)訓(xùn)練,采用單個(gè)尺度核函數(shù)ρ=1時(shí),單松弛因子模型的概率分布和密度估計(jì)結(jié)果如圖4所示,采用單松弛因子兩尺度核概率密度估計(jì)模型對(duì)測(cè)試樣本的概率分布和密度估計(jì)結(jié)果如圖5所示。

    Fig.4 Results of non-flat Rayleigh distribution using single kernel model圖4 單核模型的非平坦瑞利分布估計(jì)結(jié)果

    Fig.5 Results of non-flat Rayleigh distribution using multi-scale kernel model圖5 多尺度核模型的非平坦瑞利分布估計(jì)結(jié)果

    采用如下指標(biāo)來(lái)表征兩種算法的估計(jì)精度:

    Table 1 Estimation precision of probability distribution and probability density on non-flat Rayleigh distribution表1 非平坦瑞利分布概率分布和密度估計(jì)精度

    4.3非平坦對(duì)數(shù)正態(tài)分布函數(shù)仿真實(shí)例

    由分布密度(39)構(gòu)建非平坦對(duì)數(shù)正態(tài)分布函數(shù),采用同4.2節(jié)中類似的方法進(jìn)行實(shí)驗(yàn)。

    實(shí)驗(yàn)中,參數(shù)μ1=0,μ2=2,σ1=0.2,σ2=0.4;多尺度核選取兩尺度的高斯核函數(shù),其尺度參數(shù)分別為ρ1=0.8,ρ2=1.2,訓(xùn)練支持向量機(jī)模型時(shí)懲罰系數(shù)C=20;假定子類分布及先驗(yàn)概率未知。通過(guò)訓(xùn)練,采用單個(gè)尺度核函數(shù)ρ=0.8時(shí),單松弛因子模型的概率分布和密度估計(jì)結(jié)果如圖6所示,采用單松弛因子兩尺度核概率密度估計(jì)模型對(duì)測(cè)試樣本的概率分布和密度估計(jì)結(jié)果如圖7所示。從估計(jì)曲線和表2中數(shù)據(jù)可以看出,多尺度核模型的精度相對(duì)單核模型要高。但由于對(duì)數(shù)正態(tài)分布函數(shù)變量取較小值時(shí),其概率密度的變化非常劇烈,跳躍明顯,不適合采用連續(xù)函數(shù)模型擬合,從而誤差較大;隨著變量增大,正態(tài)分布函數(shù)的概率密度變化趨于平緩,因此估計(jì)精度有所提升。

    Table 2 Estimation precision of probability distribution and probability density on non-flat lognormal distribution表2 非平坦對(duì)數(shù)正態(tài)分布概率分布和密度估計(jì)精度

    5 結(jié)束語(yǔ)

    Fig.6 Results of non-flat lognormal distribution using single kernel model圖6 單核模型的非平坦對(duì)數(shù)正態(tài)分布估計(jì)結(jié)果

    非平坦函數(shù)是混合概率密度估計(jì)的一種典型情形。為了解決這類問(wèn)題,通過(guò)對(duì)支持向量機(jī)概率密度估計(jì)模型進(jìn)行改進(jìn),提出了單松弛因子多尺度核支持向量機(jī)概率密度估計(jì)模型,并證明了本文模型與原模型的等價(jià)性。仿真實(shí)驗(yàn)也證明本文模型減小了計(jì)算復(fù)雜度,具有更高的效率,同時(shí)估計(jì)精度也較高。本文模型還可應(yīng)用于復(fù)雜系統(tǒng)故障預(yù)測(cè)和可靠性評(píng)估領(lǐng)域,解決在沒(méi)有任何故障先驗(yàn)數(shù)據(jù)和故障先驗(yàn)知識(shí)情況下的系統(tǒng)異常程度衡量問(wèn)題。

    Fig.7 Results of non-flat lognormal distribution function using multi-scale kernel model圖7 多尺度核模型的非平坦對(duì)數(shù)正態(tài)分布估計(jì)結(jié)果

    References:

    [1] Kim H E, Tan AC C, Mathew J, et al. Bearing fault prognosis based on health state probability estimation[J]. Expert Systems with Applications, 2012, 39(5): 5200-5213.

    [2] He Yulin, Wang Ran, Kwong S, et al. Bayesian classifiers based on probability density estimation and their applications to simultaneous fault diagnosis[J]. Information Sciences, 2014, 259: 252-268.

    [3] Parzen E. On estimation of a probability density and mode[J]. Annals of Mathematical Statistics,1962,33(3): 1065-1076.

    [4] Motoki S, Voot T, Masashi S. Direct conditional probability density estimation with sparse feature selection[J]. Machine Learning, 2015, 100(2): 161-182.

    [5] Wang Shitong, Wang Jun, Chung Fulai. Kernel density estimation, kernel methods, and fast learning in large data sets[J]. IEEE Transactions on Cybernetics, 2014, 44(1): 1-20.

    [6] Mohamed R M, El-Baz A, Farag A A. Probability density estimation using advanced support vector machines and the EM algorithm[J]. International Journal of Computer, Electrical, Automation, Control and Information Engineering, 2007, 1(2): 441-444.

    [7] Girolami M, He Chao. Probability density estimation from optimally condensed data samples[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2003, 25(10): 1253-1264.

    [8] Zheng Danian, Wang Jiaxin, Zhao Yannan. Non-flat function estimation with a multi-scale support vector regession[J]. Neurocomputing, 2006, 70(1/3): 420-429.

    [9] JooSeuk K, Clayton D S. Robust kernel density estimation[J]. The Journal of Machine Learning Research, 2012, 13(1): 2529-2565.

    [10] Paramasamy S. On multivariate Kolmogoro-Smirnov distribution[J]. Statistics & Probability Letter, 1992, 15: 140-155.

    [11] Nischenko I, Jordaan E M. Confidence of SVM predictions using a strangeness measure[C]//Proceedings of the 2006 International Joint Conference on Neural Networks, Vancouver, Canada, 2006: 1239-1246.

    [12] Paolo M, Gabriele M, Sebastiano B S. Partially supervised classification of remote sensing images through SVM based probability density estimation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2005, 43(3): 559-570.

    [13] Weston J, Gammerman A, Stitson M O, et al. Support vector density estimation[M]//Advances in Kernel Methods. Cambridge, USA: MIT Press, 1999.

    [14] Sun Deshan. Research on support vector machine classification and regression methods[D]. Guangzhou: Sun Yat-sen University, 2004.

    [15] G?nen M, Alpaydin E. Multiple kernel learning algorithms[J]. The Journal of Machine Learning Research, 2011, 12: 2211-2268.

    [16] Bach F R. Consistency of the group Lasso and multiple kernel learning[J]. The Journal of Machine Learning Research, 2008, 9(6): 1179-1225.

    [17] Kingsbury N, Tay D B H, Palaniswami M. Multi-scale kernel methods for classification[C]//Proceedings of the 2005 IEEE Workshop on Machine Learning for Signal Processing, Mystic, USA, Sep 2005. Piscataway, USA: IEEE, 2005: 43-48.

    [18] Wang Hongqiao, Sun Fuchun, Cai Yanning, et al. On multiple kernel learning methods[J]. Acta Automatica Sinica, 2010, 36(8): 1037-1050.

    附中文參考文獻(xiàn):

    [14]孫德山.支持向量機(jī)分類與回歸方法研究[D].廣州:中山大學(xué), 2004.

    [18]汪洪橋,孫富春,蔡艷寧,等.多核學(xué)習(xí)方法[J].自動(dòng)化學(xué)報(bào), 2010, 36(8): 1037-1050.

    WANG Honqiao was born in 1979. He received the Ph.D. degree in computer application technologies from the Second Artillery Engineering University in 2010. Now he is a lecturer at the Second Artillery Engineering University. His research interests include machine learning, pattern recognition and intelligent information processing, etc.

    汪洪橋(1979—),男,湖北云夢(mèng)人,2010年于第二炮兵工程大學(xué)計(jì)算機(jī)應(yīng)用專業(yè)獲得博士學(xué)位,現(xiàn)為第二炮兵工程大學(xué)講師,主要研究領(lǐng)域?yàn)闄C(jī)器學(xué)習(xí),模式識(shí)別,智能信息處理等。發(fā)表學(xué)術(shù)論文20余篇,其中SCI檢索5篇,EI檢索12篇,先后承擔(dān)和參與國(guó)家、軍隊(duì)重點(diǎn)項(xiàng)目10余項(xiàng),獲得軍隊(duì)科技進(jìn)步二等獎(jiǎng)兩項(xiàng)。

    CAI Yanning was born in 1980. She received the Ph.D. degree in computer application technologies from the Second Artillery Engineering University in 2009. Now she is a lecturer at the Second Artillery Engineering University. Her research interests include machine learning and support vector machine, etc.

    蔡艷寧(1980—),女,遼寧瓦房店人,2009年于第二炮兵工程大學(xué)計(jì)算機(jī)應(yīng)用專業(yè)獲得博士學(xué)位,現(xiàn)為第二炮兵工程大學(xué)講師,主要研究領(lǐng)域?yàn)闄C(jī)器學(xué)習(xí),支持向量機(jī)等。發(fā)表學(xué)術(shù)論文20余篇,先后承擔(dān)和參與國(guó)家、軍隊(duì)重點(diǎn)項(xiàng)目10余項(xiàng),獲得軍隊(duì)科技進(jìn)步二等獎(jiǎng)1項(xiàng)。

    FU Guangyuan was born in 1966. He received the Ph.D. degree in navigation guidance and control from the Second Artillery Engineering University in 2004. Now he is a professor and Ph.D. supervisor at the Second Artillery Engineering University. His research interests include artificial intelligence and intelligent information processing, etc.

    付光遠(yuǎn)(1966—),男,四川成都人,2004年于第二炮兵工程大學(xué)獲得博士學(xué)位,現(xiàn)為第二炮兵工程大學(xué)教授、博士生導(dǎo)師,主要研究領(lǐng)域?yàn)槿斯ぶ悄?,智能信息處理等。發(fā)表學(xué)術(shù)論文50余篇,先后主持完成國(guó)家、軍隊(duì)重點(diǎn)課題20余項(xiàng),獲軍隊(duì)科技進(jìn)步二等獎(jiǎng)5項(xiàng)。

    WANG Shicheng was born in 1962. He received the Ph.D. degree in navigation guidance and control from the Second Artillery Engineering University in 1998. Now he is a professor and Ph.D. supervisor at the Second Artillery Engineering University. His research interests include precise guidance technologies and intelligent information processing, etc.

    王仕成(1962—),男,山東單縣人,1998年于第二炮兵工程大學(xué)獲得博士學(xué)位,現(xiàn)為第二炮兵工程大學(xué)教授、博士生導(dǎo)師,主要研究領(lǐng)域?yàn)榫_制導(dǎo)技術(shù),智能信息處理等。發(fā)表學(xué)術(shù)論文140余篇,先后獲國(guó)家科技進(jìn)步二等獎(jiǎng)3項(xiàng),軍隊(duì)科技進(jìn)步一等獎(jiǎng)4項(xiàng),軍隊(duì)科技進(jìn)步二等獎(jiǎng)4項(xiàng)。

    Probability Density Estimation for Non-flat Functions?

    WANG Hongqiao1+, CAI Yanning2, FU Guangyuan1, WANG Shicheng3
    1. Department of Information Engineering, the Second Artillery Engineering University, Xi’an 710025, China
    2. College of Science, the Second Artillery Engineering University, Xi’an 710025, China
    3. Department of Control Engineering, the Second Artillery Engineering University, Xi’an 710025, China

    + Corresponding author: E-mail: ep.hqwang@gmail.com

    WANG Hongqiao, CAI Yanning, FU Guangyuan, et al. Probability density estimation for non-flat functions. Journal of Frontiers of Computer Science and Technology, 2016, 10(4):589-599.

    Abstract:Aiming at the probability density estimation problem for non-flat functions, this paper constructs a single slack factor multi-scale kernel support vector machine (SVM) probability density estimation model, by improving the form of constraint condition of the traditional SVM model and introducing the multi-scale kernel method. In the model, a single slack factor instead of two types of slack factors is used to control the learning error of SVM, which reduces the computational complexity of model. At the same time, by introducing the multi-scale kernel method, the model can well fit the functions with both the fiercely changed region and the flatly changed region. Through several probability density estimation experiments with typical non-flat functions, the results show that the single slack probability density estimation model has faster learning speed than the common SVM model. And compared with the single kernel method, the multi-scale kernel SVM probability density estimation model has better estimation precision.

    文獻(xiàn)標(biāo)志碼:A

    中圖分類號(hào):TP301

    doi:10.3778/j.issn.1673-9418.1505046

    猜你喜歡
    支持向量機(jī)
    基于改進(jìn)支持向量機(jī)的船舶縱搖預(yù)報(bào)模型
    基于SVM的煙草銷售量預(yù)測(cè)
    動(dòng)態(tài)場(chǎng)景中的視覺(jué)目標(biāo)識(shí)別方法分析
    論提高裝備故障預(yù)測(cè)準(zhǔn)確度的方法途徑
    基于熵技術(shù)的公共事業(yè)費(fèi)最優(yōu)組合預(yù)測(cè)
    基于支持向量機(jī)的金融數(shù)據(jù)分析研究
    99国产综合亚洲精品| 女人爽到高潮嗷嗷叫在线视频| 国产精品国产三级国产专区5o| 无遮挡黄片免费观看| av有码第一页| 久久精品久久久久久噜噜老黄| 两个人看的免费小视频| av免费在线观看网站| 啦啦啦免费观看视频1| 国产一区二区三区综合在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| 国产99久久九九免费精品| 一区二区三区激情视频| 日韩欧美一区二区三区在线观看 | 韩国高清视频一区二区三区| 久热这里只有精品99| 中文字幕另类日韩欧美亚洲嫩草| 各种免费的搞黄视频| 黑人操中国人逼视频| 久久久久久久国产电影| 国产男女超爽视频在线观看| 两人在一起打扑克的视频| 国产av国产精品国产| 国产亚洲一区二区精品| 精品人妻熟女毛片av久久网站| 久久免费观看电影| 丰满迷人的少妇在线观看| 久热爱精品视频在线9| 日韩精品免费视频一区二区三区| 中国美女看黄片| 法律面前人人平等表现在哪些方面 | 亚洲精品久久成人aⅴ小说| 免费女性裸体啪啪无遮挡网站| 精品久久久久久电影网| 无限看片的www在线观看| 日本五十路高清| 视频区欧美日本亚洲| 午夜精品久久久久久毛片777| 高潮久久久久久久久久久不卡| 麻豆乱淫一区二区| 国产在线视频一区二区| 久久这里只有精品19| 窝窝影院91人妻| 飞空精品影院首页| 大香蕉久久网| 免费不卡黄色视频| 老司机深夜福利视频在线观看 | 欧美国产精品一级二级三级| 欧美成人午夜精品| 黄片小视频在线播放| 亚洲人成电影观看| 日日爽夜夜爽网站| 无遮挡黄片免费观看| 欧美日韩亚洲综合一区二区三区_| 亚洲伊人久久精品综合| a级毛片黄视频| avwww免费| 国产精品久久久久久人妻精品电影 | 正在播放国产对白刺激| 老汉色∧v一级毛片| 99re6热这里在线精品视频| 香蕉国产在线看| 人人澡人人妻人| 国产无遮挡羞羞视频在线观看| 欧美黑人欧美精品刺激| 如日韩欧美国产精品一区二区三区| 欧美久久黑人一区二区| 成人av一区二区三区在线看 | 亚洲自偷自拍图片 自拍| 欧美精品高潮呻吟av久久| 肉色欧美久久久久久久蜜桃| 一本色道久久久久久精品综合| 亚洲精品国产av成人精品| 久久久国产欧美日韩av| 亚洲一码二码三码区别大吗| 亚洲精品国产一区二区精华液| 午夜激情av网站| 国产av一区二区精品久久| 中亚洲国语对白在线视频| svipshipincom国产片| 九色亚洲精品在线播放| 久久久久精品人妻al黑| 亚洲欧美成人综合另类久久久| 91精品伊人久久大香线蕉| 91字幕亚洲| 老司机影院毛片| 亚洲免费av在线视频| 中文字幕精品免费在线观看视频| 热99久久久久精品小说推荐| 别揉我奶头~嗯~啊~动态视频 | 亚洲国产精品一区二区三区在线| 欧美另类一区| 纯流量卡能插随身wifi吗| 伊人亚洲综合成人网| 丰满人妻熟妇乱又伦精品不卡| 午夜两性在线视频| 亚洲精品美女久久久久99蜜臀| 亚洲熟女精品中文字幕| 中文字幕精品免费在线观看视频| kizo精华| 黄色片一级片一级黄色片| 正在播放国产对白刺激| 黑人操中国人逼视频| 我要看黄色一级片免费的| 91九色精品人成在线观看| 美国免费a级毛片| 成年人午夜在线观看视频| 亚洲专区字幕在线| 亚洲全国av大片| 国产免费现黄频在线看| 自拍欧美九色日韩亚洲蝌蚪91| 女性被躁到高潮视频| 人妻 亚洲 视频| 国产成人影院久久av| 淫妇啪啪啪对白视频 | 日韩大码丰满熟妇| 中文字幕av电影在线播放| 精品亚洲乱码少妇综合久久| 亚洲av日韩精品久久久久久密| 免费不卡黄色视频| 欧美成人午夜精品| 视频区欧美日本亚洲| 日韩大片免费观看网站| 日韩一区二区三区影片| 国产在线免费精品| 欧美黄色淫秽网站| 亚洲中文字幕日韩| 最近中文字幕2019免费版| 亚洲第一欧美日韩一区二区三区 | 亚洲精品国产av蜜桃| 美女脱内裤让男人舔精品视频| av又黄又爽大尺度在线免费看| 狂野欧美激情性bbbbbb| 黄色视频不卡| 久久久久久亚洲精品国产蜜桃av| 欧美中文综合在线视频| www.精华液| 欧美少妇被猛烈插入视频| 黑人猛操日本美女一级片| 亚洲精品av麻豆狂野| 国产一区二区 视频在线| 午夜成年电影在线免费观看| 制服人妻中文乱码| 无限看片的www在线观看| 天天躁夜夜躁狠狠躁躁| 亚洲,欧美精品.| 麻豆av在线久日| 中文精品一卡2卡3卡4更新| 真人做人爱边吃奶动态| 黄色 视频免费看| 欧美午夜高清在线| 最近最新中文字幕大全免费视频| 色婷婷av一区二区三区视频| 啦啦啦中文免费视频观看日本| 亚洲精品在线美女| 国产精品国产av在线观看| 纵有疾风起免费观看全集完整版| 一本—道久久a久久精品蜜桃钙片| 亚洲av片天天在线观看| 999久久久精品免费观看国产| 色94色欧美一区二区| 大码成人一级视频| 欧美 日韩 精品 国产| 精品国产一区二区三区久久久樱花| 亚洲国产中文字幕在线视频| 久久久久久久大尺度免费视频| 黄色视频,在线免费观看| 法律面前人人平等表现在哪些方面 | 免费观看av网站的网址| 色视频在线一区二区三区| 日韩制服丝袜自拍偷拍| 超色免费av| 9191精品国产免费久久| a级片在线免费高清观看视频| 久久精品久久久久久噜噜老黄| 在线十欧美十亚洲十日本专区| 亚洲第一青青草原| 日韩中文字幕视频在线看片| 午夜视频精品福利| 精品福利永久在线观看| av国产精品久久久久影院| 日本91视频免费播放| 久久天躁狠狠躁夜夜2o2o| 精品国内亚洲2022精品成人 | 女性被躁到高潮视频| 高清视频免费观看一区二区| 亚洲精品国产一区二区精华液| 蜜桃国产av成人99| 日韩人妻精品一区2区三区| 一级毛片精品| 精品视频人人做人人爽| 欧美日韩一级在线毛片| 一边摸一边做爽爽视频免费| 99国产综合亚洲精品| 国产人伦9x9x在线观看| 国产成人系列免费观看| 亚洲熟女精品中文字幕| 国产精品免费视频内射| 天堂中文最新版在线下载| 久久人人爽av亚洲精品天堂| av欧美777| 欧美日韩福利视频一区二区| 日韩一区二区三区影片| 日本精品一区二区三区蜜桃| 男女下面插进去视频免费观看| 大香蕉久久成人网| 女人精品久久久久毛片| 国产高清videossex| 一区二区三区乱码不卡18| 十八禁高潮呻吟视频| 一个人免费在线观看的高清视频 | 99久久99久久久精品蜜桃| 99久久人妻综合| 日韩视频一区二区在线观看| 日韩一卡2卡3卡4卡2021年| 9191精品国产免费久久| 久久精品国产a三级三级三级| 黑丝袜美女国产一区| 亚洲伊人久久精品综合| 欧美人与性动交α欧美软件| 精品国产一区二区三区四区第35| av超薄肉色丝袜交足视频| 美女扒开内裤让男人捅视频| 一级毛片精品| 一边摸一边抽搐一进一出视频| 男人舔女人的私密视频| 天天躁日日躁夜夜躁夜夜| 亚洲精品国产区一区二| 欧美变态另类bdsm刘玥| 亚洲性夜色夜夜综合| 18禁黄网站禁片午夜丰满| 啦啦啦在线免费观看视频4| 亚洲全国av大片| 国产男女超爽视频在线观看| 日本撒尿小便嘘嘘汇集6| 国产亚洲精品一区二区www | 9色porny在线观看| 欧美 日韩 精品 国产| 久久精品人人爽人人爽视色| 日本撒尿小便嘘嘘汇集6| 一本久久精品| 国产精品香港三级国产av潘金莲| 中国美女看黄片| 青青草视频在线视频观看| 精品国产超薄肉色丝袜足j| 精品一区二区三卡| 中文字幕另类日韩欧美亚洲嫩草| 日本wwww免费看| 久久久久久久久免费视频了| 黄色 视频免费看| 蜜桃在线观看..| 亚洲国产日韩一区二区| 69精品国产乱码久久久| 午夜福利视频精品| 午夜免费成人在线视频| 最近中文字幕2019免费版| 桃花免费在线播放| 下体分泌物呈黄色| 国产91精品成人一区二区三区 | 99香蕉大伊视频| 日本猛色少妇xxxxx猛交久久| 伊人久久大香线蕉亚洲五| 一级,二级,三级黄色视频| 国产亚洲精品一区二区www | 久久久水蜜桃国产精品网| 免费久久久久久久精品成人欧美视频| 国产精品久久久av美女十八| 日本wwww免费看| 韩国高清视频一区二区三区| av网站免费在线观看视频| 亚洲av片天天在线观看| 日韩熟女老妇一区二区性免费视频| 欧美大码av| 国产又爽黄色视频| 国产一区二区在线观看av| 在线观看www视频免费| 亚洲av日韩在线播放| 国产1区2区3区精品| 国产又色又爽无遮挡免| 黑人猛操日本美女一级片| 亚洲国产毛片av蜜桃av| 欧美黄色淫秽网站| 99国产极品粉嫩在线观看| 日韩大码丰满熟妇| 黑人巨大精品欧美一区二区mp4| 中文字幕另类日韩欧美亚洲嫩草| 91九色精品人成在线观看| 国产欧美亚洲国产| 精品一区二区三区av网在线观看 | 亚洲成av片中文字幕在线观看| 亚洲国产中文字幕在线视频| 男女无遮挡免费网站观看| av片东京热男人的天堂| 亚洲少妇的诱惑av| 菩萨蛮人人尽说江南好唐韦庄| 妹子高潮喷水视频| 香蕉国产在线看| 亚洲精品第二区| 黄频高清免费视频| 老司机深夜福利视频在线观看 | 亚洲精品一卡2卡三卡4卡5卡 | 亚洲国产欧美网| 99国产精品免费福利视频| 男女国产视频网站| 久久狼人影院| 中文精品一卡2卡3卡4更新| 精品亚洲乱码少妇综合久久| 老司机午夜十八禁免费视频| 99久久人妻综合| 美女主播在线视频| 美女视频免费永久观看网站| 嫁个100分男人电影在线观看| 欧美日韩精品网址| 日韩人妻精品一区2区三区| 热99国产精品久久久久久7| 91成年电影在线观看| 亚洲精品av麻豆狂野| 中文字幕人妻丝袜一区二区| svipshipincom国产片| 美女午夜性视频免费| 国产成人免费观看mmmm| 在线观看人妻少妇| 老司机午夜十八禁免费视频| 日韩欧美国产一区二区入口| 亚洲国产av影院在线观看| 久久久久久久大尺度免费视频| 欧美成狂野欧美在线观看| 一级a爱视频在线免费观看| cao死你这个sao货| 曰老女人黄片| 亚洲精华国产精华精| 岛国在线观看网站| 中文字幕人妻丝袜制服| 一本大道久久a久久精品| 亚洲性夜色夜夜综合| 国产成人a∨麻豆精品| 国产欧美日韩精品亚洲av| 久久久精品94久久精品| 久久久欧美国产精品| 国产亚洲午夜精品一区二区久久| avwww免费| 久久久国产一区二区| tube8黄色片| 最新在线观看一区二区三区| 国产精品久久久av美女十八| 亚洲综合色网址| 午夜福利视频在线观看免费| 一本—道久久a久久精品蜜桃钙片| 午夜免费成人在线视频| 欧美黄色淫秽网站| 国产xxxxx性猛交| 亚洲第一欧美日韩一区二区三区 | 亚洲国产精品999| 搡老乐熟女国产| 蜜桃在线观看..| 国产高清videossex| 在线永久观看黄色视频| 91大片在线观看| 日韩精品免费视频一区二区三区| 免费av中文字幕在线| 亚洲精品久久成人aⅴ小说| 欧美另类亚洲清纯唯美| 在线永久观看黄色视频| 9色porny在线观看| 日韩三级视频一区二区三区| 热re99久久国产66热| 午夜福利免费观看在线| av电影中文网址| 亚洲九九香蕉| 久久久久网色| 老鸭窝网址在线观看| 九色亚洲精品在线播放| 汤姆久久久久久久影院中文字幕| 欧美日韩黄片免| 男人操女人黄网站| 亚洲全国av大片| 三级毛片av免费| 国产在线一区二区三区精| 国产成人av教育| 久久久久久人人人人人| 亚洲伊人久久精品综合| 午夜影院在线不卡| 成年女人毛片免费观看观看9 | 亚洲国产精品成人久久小说| 中国美女看黄片| 亚洲成人免费电影在线观看| 成人黄色视频免费在线看| 飞空精品影院首页| 久久这里只有精品19| 国产精品1区2区在线观看. | 国产精品欧美亚洲77777| 动漫黄色视频在线观看| 午夜福利免费观看在线| 人人澡人人妻人| 精品一区二区三卡| 高清在线国产一区| 欧美黑人欧美精品刺激| 精品亚洲成国产av| 久久这里只有精品19| 女人高潮潮喷娇喘18禁视频| 色综合欧美亚洲国产小说| h视频一区二区三区| www.熟女人妻精品国产| 男女床上黄色一级片免费看| 99国产精品99久久久久| 国产亚洲精品久久久久5区| www日本在线高清视频| 亚洲黑人精品在线| 一区二区三区激情视频| 操出白浆在线播放| 日本91视频免费播放| 国产男人的电影天堂91| 久久久精品免费免费高清| 青春草亚洲视频在线观看| 91麻豆精品激情在线观看国产 | 日韩熟女老妇一区二区性免费视频| 色播在线永久视频| 高清黄色对白视频在线免费看| 国产精品一区二区精品视频观看| 男女边摸边吃奶| 在线观看www视频免费| 99精品久久久久人妻精品| 婷婷成人精品国产| 亚洲国产av影院在线观看| 丝袜喷水一区| 久久久精品94久久精品| 十八禁网站网址无遮挡| 在线观看舔阴道视频| 天堂中文最新版在线下载| 欧美日韩精品网址| tocl精华| 女人高潮潮喷娇喘18禁视频| 亚洲avbb在线观看| 久久亚洲国产成人精品v| 精品国内亚洲2022精品成人 | 欧美av亚洲av综合av国产av| 欧美少妇被猛烈插入视频| 美女高潮喷水抽搐中文字幕| 国产av国产精品国产| 日韩视频一区二区在线观看| 一边摸一边抽搐一进一出视频| 18在线观看网站| 亚洲成人国产一区在线观看| 免费在线观看日本一区| 国内毛片毛片毛片毛片毛片| 老司机在亚洲福利影院| 波多野结衣一区麻豆| 丝瓜视频免费看黄片| 国产成人免费观看mmmm| 人妻 亚洲 视频| 黄色a级毛片大全视频| 视频区欧美日本亚洲| 超碰成人久久| 1024视频免费在线观看| 丝袜在线中文字幕| 成人国语在线视频| 亚洲视频免费观看视频| 99国产精品99久久久久| 满18在线观看网站| 久久久久久免费高清国产稀缺| 99久久国产精品久久久| 亚洲国产看品久久| 天堂8中文在线网| 久久精品人人爽人人爽视色| a级毛片黄视频| 国产黄频视频在线观看| 99久久人妻综合| 久久久国产一区二区| 久久av网站| 99国产精品99久久久久| 纵有疾风起免费观看全集完整版| 日韩 亚洲 欧美在线| 交换朋友夫妻互换小说| 国产亚洲精品一区二区www | 黄色毛片三级朝国网站| 男女床上黄色一级片免费看| 伦理电影免费视频| 日韩视频一区二区在线观看| 久久人人爽av亚洲精品天堂| 在线永久观看黄色视频| 狂野欧美激情性xxxx| 极品少妇高潮喷水抽搐| 国产欧美日韩综合在线一区二区| 又紧又爽又黄一区二区| 男女免费视频国产| 一本久久精品| 国产精品.久久久| 精品国内亚洲2022精品成人 | 欧美国产精品一级二级三级| 久久av网站| netflix在线观看网站| 亚洲av欧美aⅴ国产| 热re99久久精品国产66热6| 日本撒尿小便嘘嘘汇集6| 人妻 亚洲 视频| 一级毛片精品| cao死你这个sao货| 亚洲国产成人一精品久久久| 中文精品一卡2卡3卡4更新| 一本一本久久a久久精品综合妖精| 精品卡一卡二卡四卡免费| 老鸭窝网址在线观看| 12—13女人毛片做爰片一| 中文字幕色久视频| 日本精品一区二区三区蜜桃| 我要看黄色一级片免费的| 欧美亚洲 丝袜 人妻 在线| 老熟女久久久| 亚洲精品国产色婷婷电影| 成人亚洲精品一区在线观看| 亚洲精品一卡2卡三卡4卡5卡 | 久久久精品区二区三区| 十分钟在线观看高清视频www| kizo精华| 国产亚洲精品一区二区www | 中亚洲国语对白在线视频| 亚洲精品国产av蜜桃| 国产亚洲欧美精品永久| 久久久久精品人妻al黑| 岛国在线观看网站| 亚洲人成电影免费在线| 在线观看免费视频网站a站| 日日夜夜操网爽| 国产成人精品无人区| 丝袜在线中文字幕| 国产亚洲欧美精品永久| 亚洲精品国产精品久久久不卡| a级毛片黄视频| 亚洲人成电影免费在线| 欧美黑人精品巨大| 精品少妇内射三级| 1024视频免费在线观看| 97在线人人人人妻| 丰满迷人的少妇在线观看| 精品国产乱码久久久久久男人| 建设人人有责人人尽责人人享有的| av片东京热男人的天堂| 午夜福利,免费看| 中文字幕精品免费在线观看视频| 91国产中文字幕| 天天躁狠狠躁夜夜躁狠狠躁| 精品一区二区三区av网在线观看 | 久久精品亚洲av国产电影网| 天天躁狠狠躁夜夜躁狠狠躁| 精品少妇久久久久久888优播| 日本a在线网址| 成人av一区二区三区在线看 | 亚洲国产日韩一区二区| 9热在线视频观看99| 国产极品粉嫩免费观看在线| 国产免费av片在线观看野外av| 亚洲av成人一区二区三| 超色免费av| 欧美av亚洲av综合av国产av| 久久青草综合色| 国产成人精品无人区| 狠狠精品人妻久久久久久综合| svipshipincom国产片| 老司机影院毛片| 建设人人有责人人尽责人人享有的| 首页视频小说图片口味搜索| 捣出白浆h1v1| a级毛片黄视频| 三级毛片av免费| 1024香蕉在线观看| 超碰成人久久| 国产欧美日韩综合在线一区二区| 80岁老熟妇乱子伦牲交| 精品久久久精品久久久| 亚洲色图 男人天堂 中文字幕| 久久狼人影院| 亚洲av片天天在线观看| 青草久久国产| 精品一区二区三卡| 精品少妇内射三级| 国产精品偷伦视频观看了| 国产又爽黄色视频| 91精品伊人久久大香线蕉| 18在线观看网站| 国产精品麻豆人妻色哟哟久久| 久久青草综合色| 中亚洲国语对白在线视频| 男女午夜视频在线观看| 精品少妇久久久久久888优播| 伊人亚洲综合成人网| 十八禁高潮呻吟视频| 黄色a级毛片大全视频| 人成视频在线观看免费观看| 人人妻,人人澡人人爽秒播| 人人澡人人妻人| 亚洲黑人精品在线| 国产日韩欧美亚洲二区| 午夜免费鲁丝| a级毛片在线看网站| 日本91视频免费播放| 国产免费视频播放在线视频| 久久天躁狠狠躁夜夜2o2o| 国产亚洲av片在线观看秒播厂| 久久99热这里只频精品6学生| 亚洲精华国产精华精| 无遮挡黄片免费观看| 日日爽夜夜爽网站| 十八禁人妻一区二区| 欧美97在线视频| 精品国产国语对白av| 男人操女人黄网站| 考比视频在线观看| 亚洲自偷自拍图片 自拍| 精品国产乱码久久久久久小说| 亚洲视频免费观看视频| 欧美国产精品va在线观看不卡| 女警被强在线播放| 久久av网站| 午夜激情av网站| 各种免费的搞黄视频|