• <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 ?

    基于自適應(yīng)遺傳算法的SVM參數(shù)優(yōu)化

    2016-11-17 08:56:25周新志雷印杰
    關(guān)鍵詞:懲罰遺傳算法準(zhǔn)確率

    孟 滔,周新志,雷印杰

    (四川大學(xué) 電子信息學(xué)院,成都 610065)

    ?

    基于自適應(yīng)遺傳算法的SVM參數(shù)優(yōu)化

    孟 滔,周新志,雷印杰

    (四川大學(xué) 電子信息學(xué)院,成都 610065)

    針對(duì)基于遺傳算法支持向量機(jī)(SVM)訓(xùn)練時(shí)間較長(zhǎng)以及分類精度較網(wǎng)格搜索法有所降低等問(wèn)題,通過(guò)重新定義遺傳算法參數(shù)的尋優(yōu)范圍,提出一種自適應(yīng)遺傳算法;該算法根據(jù)網(wǎng)格搜索法得到遺傳算法參數(shù)的最佳尋優(yōu)范圍,然后遺傳算法在這個(gè)范圍內(nèi)進(jìn)行參數(shù)的精確尋優(yōu),最后得到分類的結(jié)果;這樣不僅可以有效縮短訓(xùn)練時(shí)間,而且擁有更高的分類正確率;通過(guò)UCI中的10組經(jīng)典數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果可知,自適應(yīng)遺傳算法較之網(wǎng)格搜索法、 常規(guī)遺傳算法、粒子群算法在訓(xùn)練時(shí)間上有較大的提升,并且擁有較高的分類準(zhǔn)確率。

    支持向量機(jī);參數(shù)優(yōu)化;遺傳算法;網(wǎng)格搜索法

    0 引言

    支持向量機(jī)(SVM)是Corters和Vapnik等人[1]于1995年提出的一種新的機(jī)器學(xué)習(xí)方法,其根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則,最大程度地提高了其泛化能力[2],在解決小樣本、非線性和高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì),并能夠推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問(wèn)題中。但是支持向量機(jī)只是一個(gè)二分類器,實(shí)際應(yīng)用中的問(wèn)題大多數(shù)是多分類問(wèn)題,如何將其推廣到多分類,同時(shí)提高分類準(zhǔn)確度與分類計(jì)算速度一直是機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)。

    SVM進(jìn)行多分類時(shí),主要包括兩個(gè)階段,訓(xùn)練階段即參數(shù)尋優(yōu)階段以及利用分類模型進(jìn)行分類階段。參數(shù)尋優(yōu)主要包括核函數(shù)參數(shù)和分類模型參數(shù)的尋優(yōu),實(shí)際使用中核函數(shù)選用使用最廣泛的徑向基核函數(shù),分類模型常選用C-支持向量分類機(jī)(C-SVC)支持向量機(jī),其中核參數(shù)g和懲罰參數(shù)C是決定徑向基核函數(shù)和C-SVC的關(guān)鍵。g表示樣本映射特征空間的復(fù)雜程度,C是對(duì)錯(cuò)分樣本比例和算法復(fù)雜度的折衷,這兩個(gè)參數(shù)是可以人為調(diào)節(jié)的,取值不同,對(duì)應(yīng)的分類器性質(zhì)以及推廣識(shí)別率也將有很大差別[3]。這兩個(gè)階段中分類階段耗時(shí)很少一般在毫秒級(jí),而參數(shù)尋優(yōu)階段耗費(fèi)的時(shí)間卻遠(yuǎn)遠(yuǎn)大于其分類時(shí)間,一般是分類階段的上萬(wàn)倍以上。故找到最佳核參數(shù)g和懲罰參數(shù)C,是提高分類準(zhǔn)確度有效途徑。而快速找到這組參數(shù)則是提高參數(shù)尋優(yōu)速度的有效途徑。針對(duì)SVM的這兩個(gè)參數(shù),國(guó)內(nèi)外部分學(xué)者從多個(gè)方面提出了解決方法。例如XL Liu等人[4]提出基于網(wǎng)格搜索最佳核參數(shù)g和懲罰參數(shù)C,該方法通過(guò)遍歷網(wǎng)格中所有的點(diǎn)來(lái)尋找最優(yōu)解,由于尋找的點(diǎn)多,故得到的分類準(zhǔn)確率高,但分類的時(shí)間較長(zhǎng)。Chen P W等人[5]提出使用遺傳算法優(yōu)化核參數(shù)g和懲罰參數(shù)C,該方法屬于啟發(fā)式算法,不必遍歷網(wǎng)格內(nèi)所有的參數(shù)點(diǎn),也能找到全局最優(yōu)解。然而在實(shí)際應(yīng)用中,存在SVM模型參數(shù)尋優(yōu)范圍不確定的問(wèn)題,參數(shù)的尋優(yōu)范圍設(shè)置過(guò)大時(shí),訓(xùn)練的時(shí)間過(guò)長(zhǎng),參數(shù)的尋優(yōu)范圍設(shè)置過(guò)小時(shí),分類的準(zhǔn)確率難以得到保證。Eberhart R等人[6]提出使用粒子群算法來(lái)對(duì)這兩個(gè)參數(shù)進(jìn)行尋優(yōu),雖然分類的準(zhǔn)確率較遺傳算法有所提升,但由于復(fù)雜度提升了反而訓(xùn)練時(shí)間比遺傳算法長(zhǎng)。

    本文優(yōu)化了現(xiàn)有遺傳算法對(duì)核參數(shù)g和懲罰參數(shù)C的尋優(yōu)范圍,首先在大范圍中快速找到最佳參數(shù)組的粗值,然后通過(guò)縮小和放大這個(gè)參數(shù)組的粗值,得到遺傳算法參數(shù)的最小尋優(yōu)范圍,這樣不僅可以快速得到最佳的參數(shù)組,而且對(duì)不同的數(shù)據(jù)集不必每次都重新設(shè)定遺傳算法參數(shù)的尋優(yōu)范圍。并且由于通過(guò)網(wǎng)格搜索法得到的是最佳參數(shù)的最小值范圍,所以得到的懲罰參數(shù)C值較小,具有較好的泛化能力。實(shí)驗(yàn)表明該算法比網(wǎng)格搜索法、常規(guī)遺傳算法、粒子群算法具有更好的訓(xùn)練速度,并且分類精度較常規(guī)遺傳算法有所提升。

    1 支持向量機(jī)SVM

    支持向量機(jī)是由尋找線性可分情況下的最優(yōu)分類平面發(fā)展而來(lái)的[7],主要思想是建立一個(gè)分類超平面作為決策面,使得正例和反例之間的隔離邊緣被最大化。其中分類超平面就是求函數(shù):

    (1)

    s.t yi(w·xi+b)≥1,?i=1,2,...,n的最小值。其中w是超平面的法向量,b是超平面的常數(shù)項(xiàng),xi為訓(xùn)練樣本,yi為樣本的類別。

    支持向量機(jī)進(jìn)行多分類時(shí),數(shù)據(jù)集往往是非線性且不可分的,需要在約束條件中引入松弛因子,在目標(biāo)函數(shù)中加入懲罰參數(shù)C以及引入核函數(shù)將樣本映射到一個(gè)新的空間,使其在新的空間里可以實(shí)現(xiàn)線性可分來(lái)解決這一問(wèn)題。其中,懲罰參數(shù)C用于控制模型復(fù)雜度和逼近誤差的折中。若C過(guò)大,就會(huì)引起過(guò)學(xué)習(xí),影響分類器的泛化能力。

    目前實(shí)際工程中廣泛使用的核函數(shù)主要有線性核函數(shù)(Linear),多項(xiàng)式核函數(shù)(Poly),徑向基核函數(shù)(Radial Basis Function,RBF),兩層感知器核函數(shù)(Sigmoid)四類[8]。其中徑向基核函數(shù)是目前應(yīng)用最廣泛的核函數(shù),文中也將采用此核函數(shù)。其形式如下:

    (2)

    其中,g為核函數(shù)中的重要參數(shù),影響著SVM分類算法的復(fù)雜程度。

    2 自適應(yīng)遺傳算法尋優(yōu)方法

    遺傳算法是一種通過(guò)模擬自然進(jìn)化過(guò)程搜索最優(yōu)解的方法,經(jīng)過(guò)數(shù)代選擇、遺傳、變異,最后得到最適應(yīng)環(huán)境的種群[9]。將遺傳算法引入到SVM參數(shù)尋優(yōu)當(dāng)中,較之傳統(tǒng)的網(wǎng)格搜索法具有更高的分類速度,且當(dāng)參數(shù)的尋優(yōu)范圍設(shè)置恰當(dāng)時(shí),其分類準(zhǔn)確度也比較高。

    2.1 傳統(tǒng)遺傳算法

    傳統(tǒng)的遺傳算法對(duì)參數(shù)的尋優(yōu)范圍往往是基于學(xué)者的自身經(jīng)驗(yàn)進(jìn)行設(shè)定的。收斂速度慢且容易出現(xiàn)種群早熟現(xiàn)象或陷入局部極值點(diǎn),不能保證收斂到全局最優(yōu)解。在最大進(jìn)化代數(shù)和總?cè)簲?shù)相同的情況下,尋優(yōu)的范圍越小得到的結(jié)果越好,且尋優(yōu)的時(shí)間也越短。而當(dāng)尋優(yōu)的范圍足夠小但最佳的參數(shù)不在這個(gè)范圍時(shí),得到的結(jié)果卻不是最佳的。故如何確定這個(gè)范圍是提高遺傳算法尋優(yōu)的關(guān)鍵問(wèn)題。并且針對(duì)不同的數(shù)據(jù)集,尋優(yōu)范圍如果是固定在一個(gè)范圍,得到的結(jié)果不一定是最佳的。故能自適應(yīng)的設(shè)置參數(shù)尋優(yōu)的范圍是解決此問(wèn)題的關(guān)鍵。

    2.2 自適應(yīng)遺傳算法

    通過(guò)網(wǎng)格搜索法對(duì)wine數(shù)據(jù)(來(lái)自UCI)進(jìn)行預(yù)測(cè),可以得到圖1。由圖1可知,懲罰參數(shù)C和核函數(shù)參數(shù)g只有在一定的范圍內(nèi)對(duì)應(yīng)的訓(xùn)練集分類準(zhǔn)確率很高,但是絕大部分的范圍內(nèi),分類準(zhǔn)確率都比較低。如能先定位出比較好的參數(shù)尋優(yōu)區(qū)間,再進(jìn)行精確搜索,就能夠減少不必要的計(jì)算,提高尋優(yōu)的速度。針對(duì)以上問(wèn)題,提出一種自適應(yīng)遺傳算法。首先,網(wǎng)格搜索法在較大范圍內(nèi)采用較大步距進(jìn)行粗搜,選擇使分類準(zhǔn)確率最高的一組C和g。如果參數(shù)選擇過(guò)程中有多組的C和g對(duì)應(yīng)于最高的驗(yàn)證分類準(zhǔn)確率,則選擇能夠達(dá)到最高驗(yàn)證分類準(zhǔn)確率中參數(shù)C最小的這組C和g做為粗搜的基準(zhǔn)值。因?yàn)镃過(guò)大時(shí)會(huì)導(dǎo)致過(guò)學(xué)習(xí)狀態(tài)發(fā)生,即訓(xùn)練集分類準(zhǔn)確率很高而測(cè)試集分類準(zhǔn)確率很低,故選擇C最小的那組參數(shù)做為最佳的選擇對(duì)象,這樣就解決了參數(shù)尋優(yōu)范圍的問(wèn)題。圖2就是利用該方法后同樣通過(guò)網(wǎng)格搜索法得到的結(jié)果,可以看到參數(shù)的尋優(yōu)范圍大大縮小了。

    圖1 網(wǎng)格搜索法尋優(yōu)結(jié)果

    圖2 優(yōu)化后網(wǎng)格搜索法尋優(yōu)結(jié)果

    解決了參數(shù)尋優(yōu)的范圍,但如何保證最佳的參數(shù)在這個(gè)區(qū)間內(nèi)。為此首先來(lái)分析參數(shù)C和徑向基核參數(shù)g在SVM中存在的相互影響關(guān)系[10]。當(dāng)C值過(guò)小時(shí),SVM預(yù)測(cè)精度較低,易出現(xiàn)欠學(xué)習(xí)狀態(tài);隨著C值增大,預(yù)測(cè)精度逐漸提高,但當(dāng)C超過(guò)一定值時(shí)又會(huì)出現(xiàn)過(guò)學(xué)習(xí)狀態(tài);若此時(shí)g值亦隨之增大,則可平衡C值產(chǎn)生的影響。同理g值過(guò)大時(shí),也會(huì)出現(xiàn)過(guò)學(xué)習(xí)或欠學(xué)習(xí)狀態(tài)。因此,參數(shù)C和g共同作用時(shí),理論上存在一個(gè)有效區(qū)域,在該區(qū)域中存在一對(duì)預(yù)測(cè)結(jié)果最佳的參數(shù)組合。通過(guò)上述可知,這組參數(shù)存在著相互制約的關(guān)系,即可以認(rèn)為這組參數(shù)不會(huì)太大,通過(guò)UCI上10組經(jīng)典測(cè)試得到了驗(yàn)證,一般都小于100。為了更加有效的找到這組參數(shù),將C和g參數(shù)的粗尋優(yōu)范圍設(shè)置的足夠大,這樣就保證了最佳參數(shù)在粗尋優(yōu)的區(qū)間內(nèi)。

    2.3 基于自適應(yīng)遺傳算法的SVM參數(shù)優(yōu)化的具體算法實(shí)現(xiàn)

    自適應(yīng)遺傳算法的步驟如下:

    圖3 自適應(yīng)遺傳算法過(guò)程圖

    1) 載入需要進(jìn)行測(cè)試的數(shù)據(jù)集包括數(shù)據(jù)的特征屬性和分類類別;

    2) 隨機(jī)生成指定數(shù)據(jù)集的訓(xùn)練數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù);

    3) 對(duì)訓(xùn)練和預(yù)測(cè)數(shù)據(jù)按照式(3)進(jìn)行歸一化處理。

    (3)

    其中:xmin表示此列特征維中最小值;xmax表示此列特征維中最大值;y表示x被歸一化后結(jié)果。

    4)設(shè)定網(wǎng)格搜索的變量(C,g)的范圍以及搜索的步距。其中C的初始范圍設(shè)置為[2-5,25],g的初始范圍設(shè)置為[2-10,210]。傳統(tǒng)的網(wǎng)格搜索法的步距一般設(shè)置為0.1,而本文方法中采用步距為2,為傳統(tǒng)步距的20倍,大大提升了搜索的時(shí)間。

    5) 利用網(wǎng)格搜索法,初步求出變量(C,g)的值即bestc,bestg。此值作為遺傳算法參數(shù)C和g的基準(zhǔn)值。

    6) 設(shè)定遺傳算法的參量,其中C的范圍設(shè)定為[0.5*bestc,2*bestc],g的范圍設(shè)定為[0.5*bestg,2*bestg]。傳統(tǒng)的遺傳算法C和g的尋優(yōu)范圍都設(shè)定為[0,100]。

    7) 利用遺傳算法求取預(yù)測(cè)數(shù)據(jù)的分類準(zhǔn)確率。

    3 仿真結(jié)果分析

    實(shí)驗(yàn)使用的計(jì)算機(jī)平臺(tái)為windows 7(64位)系統(tǒng),處理器為Core(TM)i5,內(nèi)存為8 GB。使用的軟件仿真平臺(tái)為matlab2010b,采用臺(tái)灣大學(xué)林智仁(Chih-Jen Lin)博士等

    開(kāi)發(fā)設(shè)計(jì)的LIBSVM工具包進(jìn)行測(cè)試。核函數(shù)采用用于最廣泛的徑向基核函數(shù)(Radial Basis Function,RBF)。分別采用網(wǎng)格搜索法,傳統(tǒng)遺傳算法,粒子群算法,自適應(yīng)遺傳算法進(jìn)行對(duì)UCI上典型的10組數(shù)據(jù)(見(jiàn)表1所示)進(jìn)行測(cè)試。測(cè)試結(jié)果見(jiàn)表2和表3所示。

    表1 10組經(jīng)典數(shù)據(jù)集

    從時(shí)間效率方面,從表2可以明顯看出,傳統(tǒng)的網(wǎng)格搜索法耗時(shí)最長(zhǎng),因?yàn)樗潜闅v大范圍的所有點(diǎn)進(jìn)行尋優(yōu),且在該范圍內(nèi)大多數(shù)點(diǎn)都不是最佳的點(diǎn),故其尋優(yōu)時(shí)間最長(zhǎng)。而傳統(tǒng)的遺傳算法由于是固定參數(shù)的搜索范圍,往往范圍過(guò)大,導(dǎo)致故其搜索的時(shí)間也較長(zhǎng)。本文提出的自適應(yīng)遺傳算法耗時(shí)最少,因?yàn)槠鋮?shù)的尋優(yōu)范圍大大縮小了,特別是在數(shù)據(jù)集越加復(fù)雜時(shí),訓(xùn)練的速度更加明顯。

    從分類精度方面,從表3可以看出,網(wǎng)格搜索法在數(shù)據(jù)集較簡(jiǎn)單的情況下得到的分類準(zhǔn)確率往往較高,而當(dāng)數(shù)據(jù)集越加復(fù)雜時(shí)自適應(yīng)遺傳算法的分類準(zhǔn)確率較高,且往往比常規(guī)遺傳算法高,因?yàn)槌R?guī)遺傳算法是基于經(jīng)驗(yàn)設(shè)置的參數(shù)尋優(yōu)范圍,在相同的情況下搜索的不夠精細(xì),往往搜索到的C值過(guò)大,即容易導(dǎo)致過(guò)學(xué)習(xí)狀態(tài)的發(fā)生,而采用本文提出的自適應(yīng)遺傳算法因?yàn)閺木W(wǎng)格搜索法得到的參數(shù)范圍的值較小,可以有效的減小尋優(yōu)得到的參數(shù)C,從而改善這種情況,即對(duì)分類的準(zhǔn)確率有所提升。

    表2 預(yù)測(cè)結(jié)果對(duì)比

    表3 預(yù)測(cè)結(jié)果對(duì)比

    4 結(jié)論

    針對(duì)常規(guī)遺傳算法存在SVM模型參數(shù)搜索范圍不確定,導(dǎo)致參數(shù)搜索時(shí)間過(guò)長(zhǎng),分類準(zhǔn)確率較網(wǎng)格搜索法有所降低等問(wèn)題,基于核參數(shù)g和懲罰參數(shù)C之間的相互關(guān)系,通過(guò)網(wǎng)格搜索法確定最佳參數(shù)的最小尋優(yōu)范圍,有效地幫助常規(guī)遺傳算法避免陷入局部最優(yōu)解,為遺傳算法的參數(shù)范圍設(shè)置,提供了有效的方法,保證了搜索的效率,并改善了基于常規(guī)遺傳算法得到的懲罰參數(shù)C過(guò)大,導(dǎo)致的分類準(zhǔn)確率較低的問(wèn)題。最后通過(guò)網(wǎng)格搜索法、常規(guī)遺傳算法、粒子群算法以及自適應(yīng)遺傳算法對(duì)比實(shí)驗(yàn)。表明該算法具有更快的尋優(yōu)速度,能較好的解決常規(guī)遺傳算法參數(shù)設(shè)置不確定性導(dǎo)致的尋優(yōu)較慢以及分類精度較網(wǎng)格搜索法有所降低等問(wèn)題。

    [1] Cortes C,Vapnic V.Support-vector networks [J].Machine Learning.1995,20(3): 273-297.

    [2] Vapnik V,Levin E,Cun Y L.Measuring The VC-dimension of a learning machines[J]. Neural Computation,1994,6(5):851-876.

    [3] 王 鵬,朱小燕.基于RBF核的SVM的模型選擇及其應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用,2003,39(24):72-73.

    [4] Liu Xianglou, Jia Dongxu, Li Hui.Research on Kernel parameter optimization of support vector machine in speaker recognition[J]. Science Technology And Engineering,2010, 10(7):1669-1673.

    [5] Chen P W, Wang J Y,Lee H. Model selection of SVMs using GA approach[A].Proc of 2004 IEEE Int Joint Conf on Neural Networks[C].Piscataway,USA,2004:2035-2040.

    [6] Eberhart R,Kenney J. A new optimizer using particle swarm theory[A].Proc of the sixth Internation Symposium on Micro Machine and Human Science[C].Piscataway, USA,1995:39-43.

    [7] Cevikalp H.New clustering algorithms for the support vector machine based hierarchical classification[J].Pattern Recognition Letters, 2010,31:1285.

    [8] 楊志民,劉廣利.不確定性支持向量機(jī)-算法及應(yīng)用[M].北京:科技出版社,2012.

    [9] 朱慶生,程 柯.一種基于累積適應(yīng)度遺傳算法的SVM多分類決策樹(shù)[J].計(jì)算機(jī)應(yīng)用研究,2016,33(1):64-67.

    [10] Keerthiss,Lin C J.Asymptotic behaviors of support vector machines with Gaussian kernel[J].Neural Computation,2003,15(7): 1667-1689.

    A Parameters Optimization Method for an SVM Based on Adaptive Genetic Algorithm

    Meng Tao,Zhou Xinzhi,Lei Yinjie

    (College of Electronics and Information Engineering,Sichuan University,Chengdu 610065,China)

    Aiming at that training needs a long time and classification accuracy worse than grid algorithm which reduced the benefits of support vector machine (SVM) based on genetic algorithm.This paper redefined the optimal range of the parameters of genetic algorithm,and proposed an adaptive genetic algorithm.According to the grid search method to get the best optimization genetic algorithm parameter range, and then the genetic algorithm in this range for accurate optimization of parameters, get the final classification results. It can not only shorten the time effectively, and it has higher classification accuracy.Experimental results on the UCI 10 classical dataset verify that adaptive genetic algorithm is better than the grid search method、traditional genetic algorithm、particle swarm optimization (PSO) algorithm in the aspect of training time,and has higher classification accuracy.

    support vector machine;parameter optimization;genetic algorithm; grid search method

    2016-03-30;

    2016-04-18。

    國(guó)家“973計(jì)劃”資助項(xiàng)目(2013CB328903);國(guó)家自然科學(xué)基金資助項(xiàng)目(61403265)

    孟 滔(1987-),男,四川成都人,碩士研究生,主要從事智能控制方向的研究。

    周新志(1966-),男,四川德陽(yáng)人,教授,碩士研究生導(dǎo)師,主要從事智能控制方向的研究。

    1671-4598(2016)09-0215-03

    10.16526/j.cnki.11-4762/tp.2016.09.060

    TP181

    A

    猜你喜歡
    懲罰遺傳算法準(zhǔn)確率
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析
    神的懲罰
    小讀者(2020年2期)2020-03-12 10:34:06
    Jokes笑話
    高速公路車牌識(shí)別標(biāo)識(shí)站準(zhǔn)確率驗(yàn)證法
    懲罰
    基于自適應(yīng)遺傳算法的CSAMT一維反演
    一種基于遺傳算法的聚類分析方法在DNA序列比較中的應(yīng)用
    基于遺傳算法和LS-SVM的財(cái)務(wù)危機(jī)預(yù)測(cè)
    熟女av电影| 女人久久www免费人成看片| 一级爰片在线观看| 丝袜脚勾引网站| 啦啦啦在线免费观看视频4| 日韩制服骚丝袜av| 欧美精品一区二区大全| 亚洲成av片中文字幕在线观看 | 久久久久精品人妻al黑| tube8黄色片| 啦啦啦啦在线视频资源| 午夜福利影视在线免费观看| 男女国产视频网站| 99香蕉大伊视频| 成人毛片60女人毛片免费| 日本黄色日本黄色录像| 国产精品麻豆人妻色哟哟久久| 亚洲成人一二三区av| 不卡av一区二区三区| 国产av国产精品国产| 免费久久久久久久精品成人欧美视频| 欧美精品一区二区免费开放| 黄频高清免费视频| 不卡视频在线观看欧美| 精品国产一区二区三区四区第35| 国产精品蜜桃在线观看| 丝袜脚勾引网站| 9191精品国产免费久久| 欧美国产精品一级二级三级| 亚洲av男天堂| 欧美日韩视频精品一区| 亚洲av欧美aⅴ国产| 国产成人精品在线电影| 久久亚洲国产成人精品v| 国产一区有黄有色的免费视频| 欧美成人精品欧美一级黄| 97人妻天天添夜夜摸| 嫩草影院入口| 丰满迷人的少妇在线观看| av又黄又爽大尺度在线免费看| 婷婷色综合大香蕉| 电影成人av| 香蕉丝袜av| 五月开心婷婷网| 熟女av电影| 久久狼人影院| 亚洲av在线观看美女高潮| 建设人人有责人人尽责人人享有的| 精品久久久精品久久久| 天堂8中文在线网| 熟女少妇亚洲综合色aaa.| 亚洲综合色惰| 99香蕉大伊视频| 只有这里有精品99| 最近最新中文字幕大全免费视频 | 精品久久久精品久久久| 亚洲 欧美一区二区三区| av一本久久久久| xxx大片免费视频| 精品国产一区二区久久| 只有这里有精品99| 久久久久久久久久久久大奶| 国产精品av久久久久免费| 日韩,欧美,国产一区二区三区| 国产精品国产av在线观看| 国产又爽黄色视频| 精品亚洲乱码少妇综合久久| 香蕉精品网在线| 秋霞在线观看毛片| 国产精品嫩草影院av在线观看| 99九九在线精品视频| 国产免费视频播放在线视频| 青春草亚洲视频在线观看| 欧美日韩亚洲国产一区二区在线观看 | 久久国内精品自在自线图片| 亚洲精品av麻豆狂野| 亚洲av电影在线观看一区二区三区| 一级片'在线观看视频| 国产97色在线日韩免费| 国产国语露脸激情在线看| 国产一区二区三区av在线| 1024视频免费在线观看| 国产成人精品久久二区二区91 | 国产熟女午夜一区二区三区| 亚洲av国产av综合av卡| 国产成人精品久久二区二区91 | 精品一区二区三卡| 一个人免费看片子| 乱人伦中国视频| 午夜精品国产一区二区电影| 亚洲精品中文字幕在线视频| 日韩一区二区三区影片| 最近2019中文字幕mv第一页| 久久久久精品性色| www日本在线高清视频| 一本久久精品| 亚洲国产最新在线播放| 大片免费播放器 马上看| 中文字幕av电影在线播放| 天美传媒精品一区二区| 精品第一国产精品| 成人漫画全彩无遮挡| 亚洲国产精品一区三区| 18禁裸乳无遮挡动漫免费视频| 1024视频免费在线观看| 国产免费福利视频在线观看| 日韩熟女老妇一区二区性免费视频| kizo精华| 青春草视频在线免费观看| 亚洲欧美中文字幕日韩二区| 久久韩国三级中文字幕| 又粗又硬又长又爽又黄的视频| 欧美日韩精品成人综合77777| 肉色欧美久久久久久久蜜桃| 90打野战视频偷拍视频| 天天操日日干夜夜撸| 黄频高清免费视频| 国产av精品麻豆| 亚洲人成网站在线观看播放| 久久久久久人人人人人| 中文乱码字字幕精品一区二区三区| 久久午夜综合久久蜜桃| 桃花免费在线播放| 国产精品无大码| 久久99一区二区三区| 国产在线免费精品| 久久久欧美国产精品| 少妇精品久久久久久久| 天天躁夜夜躁狠狠躁躁| 欧美亚洲日本最大视频资源| 飞空精品影院首页| 精品99又大又爽又粗少妇毛片| 狠狠精品人妻久久久久久综合| 在线亚洲精品国产二区图片欧美| 亚洲精品国产av蜜桃| 久久久久久人妻| 九九爱精品视频在线观看| 熟妇人妻不卡中文字幕| 日韩制服丝袜自拍偷拍| av线在线观看网站| 丝袜喷水一区| 精品一区二区三卡| 赤兔流量卡办理| 亚洲精品一二三| 高清视频免费观看一区二区| 99国产精品免费福利视频| 精品人妻熟女毛片av久久网站| 国产一区二区三区综合在线观看| 岛国毛片在线播放| 黑丝袜美女国产一区| 肉色欧美久久久久久久蜜桃| 纵有疾风起免费观看全集完整版| 麻豆av在线久日| 国产 一区精品| 国产一区二区在线观看av| 女人精品久久久久毛片| 欧美日韩亚洲国产一区二区在线观看 | av有码第一页| 叶爱在线成人免费视频播放| 满18在线观看网站| 亚洲精品日韩在线中文字幕| 一区二区三区精品91| av免费观看日本| 日本wwww免费看| 可以免费在线观看a视频的电影网站 | 国产女主播在线喷水免费视频网站| 一级片免费观看大全| 街头女战士在线观看网站| 最新中文字幕久久久久| 色吧在线观看| 一边亲一边摸免费视频| 美女xxoo啪啪120秒动态图| 日日爽夜夜爽网站| 午夜91福利影院| 午夜激情av网站| 亚洲三区欧美一区| 777米奇影视久久| 欧美日韩精品成人综合77777| 精品国产一区二区久久| xxx大片免费视频| 青春草亚洲视频在线观看| 国产1区2区3区精品| av电影中文网址| 国产黄色视频一区二区在线观看| 一区二区三区激情视频| 午夜精品国产一区二区电影| av在线老鸭窝| 热99久久久久精品小说推荐| 不卡视频在线观看欧美| 香蕉丝袜av| 国产黄色免费在线视频| 免费播放大片免费观看视频在线观看| 精品久久蜜臀av无| 欧美少妇被猛烈插入视频| 91在线精品国自产拍蜜月| 亚洲欧美一区二区三区久久| 美女国产高潮福利片在线看| 久久久精品区二区三区| 久久精品国产亚洲av天美| 巨乳人妻的诱惑在线观看| 国产精品不卡视频一区二区| videosex国产| 国产女主播在线喷水免费视频网站| 成人手机av| 日韩一卡2卡3卡4卡2021年| 男女边吃奶边做爰视频| 美国免费a级毛片| 久久精品国产亚洲av天美| 久久精品国产亚洲av高清一级| 午夜激情久久久久久久| 日本av手机在线免费观看| 久久久久久久国产电影| 亚洲国产日韩一区二区| 午夜福利在线观看免费完整高清在| 18禁裸乳无遮挡动漫免费视频| 美国免费a级毛片| 精品亚洲成国产av| 欧美激情高清一区二区三区 | 久久久久视频综合| 国产精品熟女久久久久浪| 国产xxxxx性猛交| 永久网站在线| 啦啦啦在线观看免费高清www| 日本av手机在线免费观看| 精品亚洲成a人片在线观看| 国产在线免费精品| 亚洲伊人久久精品综合| 欧美 亚洲 国产 日韩一| 午夜福利乱码中文字幕| 免费观看av网站的网址| 日韩一卡2卡3卡4卡2021年| 亚洲色图综合在线观看| av线在线观看网站| 亚洲av电影在线进入| 美女国产视频在线观看| 亚洲国产欧美网| 在线亚洲精品国产二区图片欧美| 日韩,欧美,国产一区二区三区| 亚洲天堂av无毛| 观看美女的网站| 日韩制服丝袜自拍偷拍| 国产毛片在线视频| 男女啪啪激烈高潮av片| 777米奇影视久久| 成年人午夜在线观看视频| 巨乳人妻的诱惑在线观看| 色网站视频免费| 国产亚洲最大av| 亚洲一区中文字幕在线| 亚洲三级黄色毛片| 满18在线观看网站| 久久99热这里只频精品6学生| 黄色 视频免费看| 免费大片黄手机在线观看| 最新中文字幕久久久久| 91精品国产国语对白视频| 国产一级毛片在线| 人妻 亚洲 视频| 欧美日韩综合久久久久久| 亚洲精品久久久久久婷婷小说| 免费不卡的大黄色大毛片视频在线观看| 色视频在线一区二区三区| 一本大道久久a久久精品| 亚洲国产欧美日韩在线播放| 精品人妻在线不人妻| 国产av码专区亚洲av| 五月伊人婷婷丁香| 国产亚洲欧美精品永久| 精品少妇内射三级| 妹子高潮喷水视频| 精品视频人人做人人爽| 久久女婷五月综合色啪小说| 2022亚洲国产成人精品| 亚洲av福利一区| 毛片一级片免费看久久久久| 人妻系列 视频| 青春草视频在线免费观看| 成人亚洲欧美一区二区av| 午夜av观看不卡| 伦理电影免费视频| 99久国产av精品国产电影| 99久久人妻综合| 十八禁网站网址无遮挡| 国产黄色免费在线视频| 国产亚洲欧美精品永久| 日韩欧美精品免费久久| 亚洲国产成人一精品久久久| 久久av网站| 亚洲一区二区三区欧美精品| 精品午夜福利在线看| 热re99久久国产66热| 美女视频免费永久观看网站| 80岁老熟妇乱子伦牲交| 寂寞人妻少妇视频99o| 久久久久久伊人网av| 国产免费视频播放在线视频| 免费看av在线观看网站| 久久精品aⅴ一区二区三区四区 | 欧美激情极品国产一区二区三区| av网站免费在线观看视频| 国产精品人妻久久久影院| 99九九在线精品视频| 999久久久国产精品视频| 亚洲精品美女久久久久99蜜臀 | 亚洲精品中文字幕在线视频| 18+在线观看网站| 永久免费av网站大全| 中国三级夫妇交换| av国产久精品久网站免费入址| 欧美成人精品欧美一级黄| 人妻一区二区av| 丝袜人妻中文字幕| 国产精品免费大片| 久久久久网色| 少妇精品久久久久久久| 叶爱在线成人免费视频播放| 久久这里只有精品19| av国产精品久久久久影院| 超碰97精品在线观看| 1024香蕉在线观看| 日韩人妻精品一区2区三区| 亚洲内射少妇av| 亚洲国产色片| 男女无遮挡免费网站观看| 国产福利在线免费观看视频| av免费在线看不卡| 91精品国产国语对白视频| 18禁观看日本| 久久久久久久久久久免费av| 国产熟女午夜一区二区三区| 校园人妻丝袜中文字幕| 欧美亚洲日本最大视频资源| 久久精品国产亚洲av涩爱| 午夜av观看不卡| 久久青草综合色| 女的被弄到高潮叫床怎么办| 成年人免费黄色播放视频| 99香蕉大伊视频| 在线观看免费高清a一片| 亚洲伊人色综图| 超色免费av| 美女xxoo啪啪120秒动态图| 免费黄色在线免费观看| 午夜福利乱码中文字幕| 在线观看免费日韩欧美大片| 国产成人av激情在线播放| 午夜激情av网站| 久久精品aⅴ一区二区三区四区 | 中国三级夫妇交换| 丝袜美足系列| 伊人久久大香线蕉亚洲五| 亚洲,欧美,日韩| 亚洲av国产av综合av卡| 久久午夜综合久久蜜桃| av国产久精品久网站免费入址| 成人二区视频| 亚洲,欧美精品.| 久久99一区二区三区| 18禁裸乳无遮挡动漫免费视频| 好男人视频免费观看在线| 超碰97精品在线观看| 国产欧美亚洲国产| 亚洲av福利一区| 曰老女人黄片| 美女中出高潮动态图| 国产精品 国内视频| 国产片内射在线| 国产成人欧美| 九草在线视频观看| 亚洲av男天堂| 亚洲欧美中文字幕日韩二区| 国产成人午夜福利电影在线观看| 青草久久国产| 在线观看免费高清a一片| videos熟女内射| 久久人妻熟女aⅴ| 久久久国产一区二区| 亚洲欧美日韩另类电影网站| 亚洲久久久国产精品| 成人国产麻豆网| 欧美人与性动交α欧美软件| 日韩精品免费视频一区二区三区| 亚洲精品自拍成人| 久久综合国产亚洲精品| 国产精品蜜桃在线观看| 欧美日韩综合久久久久久| 一级片'在线观看视频| 亚洲五月色婷婷综合| 久久av网站| 免费播放大片免费观看视频在线观看| 王馨瑶露胸无遮挡在线观看| 97在线人人人人妻| 男女免费视频国产| 欧美精品av麻豆av| 国产精品久久久久久精品古装| 久久精品人人爽人人爽视色| 可以免费在线观看a视频的电影网站 | 大码成人一级视频| 侵犯人妻中文字幕一二三四区| 日韩,欧美,国产一区二区三区| 99久久中文字幕三级久久日本| 人妻少妇偷人精品九色| 午夜福利,免费看| 日韩中文字幕视频在线看片| 亚洲av综合色区一区| 精品国产露脸久久av麻豆| 91久久精品国产一区二区三区| 女人高潮潮喷娇喘18禁视频| 男的添女的下面高潮视频| 久久人人爽av亚洲精品天堂| 如何舔出高潮| 国产有黄有色有爽视频| 久久这里只有精品19| 久久国产亚洲av麻豆专区| 成年av动漫网址| 女性生殖器流出的白浆| 亚洲欧美成人综合另类久久久| 一区二区三区四区激情视频| 晚上一个人看的免费电影| 捣出白浆h1v1| 成人国产麻豆网| 中文字幕av电影在线播放| 丝瓜视频免费看黄片| 美女脱内裤让男人舔精品视频| 国产精品亚洲av一区麻豆 | 最近中文字幕高清免费大全6| 天天躁夜夜躁狠狠躁躁| 精品午夜福利在线看| 一级a爱视频在线免费观看| 国产在线视频一区二区| 99热网站在线观看| 侵犯人妻中文字幕一二三四区| 伦理电影大哥的女人| 日韩av免费高清视频| 欧美成人精品欧美一级黄| 国产免费福利视频在线观看| 欧美日韩视频高清一区二区三区二| 精品人妻一区二区三区麻豆| 麻豆av在线久日| 亚洲国产欧美网| 久久久欧美国产精品| 菩萨蛮人人尽说江南好唐韦庄| 久久久久国产精品人妻一区二区| 十八禁网站网址无遮挡| 爱豆传媒免费全集在线观看| 精品国产超薄肉色丝袜足j| 香蕉丝袜av| 欧美日韩视频高清一区二区三区二| 波多野结衣av一区二区av| 2022亚洲国产成人精品| 天天躁日日躁夜夜躁夜夜| 久久毛片免费看一区二区三区| 久久人人爽人人片av| 人人妻人人爽人人添夜夜欢视频| 国产精品秋霞免费鲁丝片| 亚洲欧美日韩另类电影网站| 亚洲av电影在线进入| 国产亚洲最大av| 国产日韩欧美亚洲二区| 亚洲精品,欧美精品| 婷婷色综合www| 国产探花极品一区二区| 午夜激情久久久久久久| 午夜精品国产一区二区电影| 国产女主播在线喷水免费视频网站| 啦啦啦在线免费观看视频4| 精品一品国产午夜福利视频| 人人妻人人澡人人看| 亚洲欧美日韩另类电影网站| 国产av精品麻豆| 综合色丁香网| 国产免费又黄又爽又色| 日韩中字成人| 少妇人妻精品综合一区二区| 亚洲中文av在线| 国产精品 欧美亚洲| 十八禁高潮呻吟视频| 亚洲美女黄色视频免费看| 亚洲精品日本国产第一区| 伦理电影大哥的女人| 亚洲精品国产色婷婷电影| 一个人免费看片子| 观看av在线不卡| 久久久久国产精品人妻一区二区| 国产av精品麻豆| 91在线精品国自产拍蜜月| 成人午夜精彩视频在线观看| 精品国产一区二区久久| 久久久精品区二区三区| 边亲边吃奶的免费视频| 王馨瑶露胸无遮挡在线观看| 高清视频免费观看一区二区| 日韩av免费高清视频| 新久久久久国产一级毛片| 成人黄色视频免费在线看| 国产成人aa在线观看| 国产精品av久久久久免费| 亚洲精品久久午夜乱码| 少妇的逼水好多| 在线观看三级黄色| 精品亚洲乱码少妇综合久久| 波多野结衣一区麻豆| 亚洲精品成人av观看孕妇| 男女免费视频国产| 亚洲国产欧美网| 不卡视频在线观看欧美| 男女国产视频网站| 欧美97在线视频| 一级毛片 在线播放| 久久久久久久国产电影| 黄片无遮挡物在线观看| 曰老女人黄片| 黄频高清免费视频| 午夜日韩欧美国产| 亚洲精品美女久久av网站| 中国国产av一级| 亚洲精品久久成人aⅴ小说| 少妇的丰满在线观看| 久久精品国产a三级三级三级| 这个男人来自地球电影免费观看 | av不卡在线播放| 久久久久久久久久人人人人人人| 看免费av毛片| 人妻一区二区av| 搡老乐熟女国产| 久久久精品免费免费高清| 国产男人的电影天堂91| 精品亚洲成a人片在线观看| 成人国产麻豆网| 香蕉精品网在线| 两性夫妻黄色片| 黄网站色视频无遮挡免费观看| 日韩一本色道免费dvd| 亚洲精品日本国产第一区| av.在线天堂| 国语对白做爰xxxⅹ性视频网站| 成人亚洲精品一区在线观看| av国产精品久久久久影院| 伦精品一区二区三区| 青春草亚洲视频在线观看| 考比视频在线观看| 欧美中文综合在线视频| 美女中出高潮动态图| 大码成人一级视频| 欧美av亚洲av综合av国产av | 一级毛片 在线播放| 乱人伦中国视频| 亚洲美女视频黄频| 欧美成人午夜免费资源| 国产欧美日韩综合在线一区二区| 婷婷成人精品国产| 日本av免费视频播放| 激情视频va一区二区三区| 一区二区三区精品91| 国产乱来视频区| 亚洲人成电影观看| 国产乱来视频区| 超色免费av| 久久精品久久久久久久性| 超色免费av| 韩国高清视频一区二区三区| 国产精品国产三级专区第一集| 久久人人爽人人片av| 亚洲人成电影观看| 青春草国产在线视频| 久久精品亚洲av国产电影网| 国产亚洲一区二区精品| 黄片无遮挡物在线观看| 亚洲av综合色区一区| 波多野结衣一区麻豆| 久热久热在线精品观看| 观看av在线不卡| 精品99又大又爽又粗少妇毛片| 免费播放大片免费观看视频在线观看| 国产爽快片一区二区三区| 亚洲欧美成人综合另类久久久| h视频一区二区三区| 欧美少妇被猛烈插入视频| 免费看不卡的av| 久久热在线av| 亚洲在久久综合| 亚洲色图综合在线观看| 女性生殖器流出的白浆| 亚洲婷婷狠狠爱综合网| 国产精品av久久久久免费| 又黄又粗又硬又大视频| 大话2 男鬼变身卡| 人妻少妇偷人精品九色| 亚洲精品视频女| 韩国高清视频一区二区三区| 国产精品无大码| 久久久久久久大尺度免费视频| 国产国语露脸激情在线看| 97在线人人人人妻| 久久久久视频综合| 久久精品熟女亚洲av麻豆精品| 国产精品欧美亚洲77777| 国产av一区二区精品久久| 亚洲av电影在线观看一区二区三区| 国产成人一区二区在线| 亚洲精品久久午夜乱码| 亚洲中文av在线| 人妻人人澡人人爽人人| 最近最新中文字幕大全免费视频 | 亚洲精品自拍成人| 国产亚洲一区二区精品| 欧美日韩一级在线毛片| 精品亚洲乱码少妇综合久久| 大码成人一级视频| av视频免费观看在线观看| 在线观看国产h片| 成年人免费黄色播放视频| 亚洲欧美一区二区三区久久| 寂寞人妻少妇视频99o| 久久精品夜色国产|