• <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 ?

    自動確定聚類中心的密度峰聚類*

    2016-11-22 02:07:28葛洪偉蘇樹智
    計算機與生活 2016年11期
    關鍵詞:排序

    李 濤,葛洪偉,2+,蘇樹智

    1.江南大學 物聯(lián)網(wǎng)工程學院,江蘇 無錫 214122

    2.輕工過程先進控制教育部重點實驗室(江南大學),江蘇 無錫 214122

    自動確定聚類中心的密度峰聚類*

    李 濤1,葛洪偉1,2+,蘇樹智1

    1.江南大學 物聯(lián)網(wǎng)工程學院,江蘇 無錫 214122

    2.輕工過程先進控制教育部重點實驗室(江南大學),江蘇 無錫 214122

    LI Tao,GE Hongwei,SU Shuzhi.Density peaks clustering by automatic determination of cluster centers. Journal of Frontiers of Computer Science and Technology,2016,10(11):1614-1622.

    密度峰聚類是一種新的基于密度的聚類算法,該算法不需要預先指定聚類數(shù)目,能夠發(fā)現(xiàn)非球形簇。針對密度峰聚類算法需要人工確定聚類中心的缺陷,提出了一種自動確定聚類中心的密度峰聚類算法。首先,計算每個數(shù)據(jù)點的局部密度和該點到具有更高密度數(shù)據(jù)點的最短距離;其次,根據(jù)排序圖自動確定聚類中心;最后,將剩下的每個數(shù)據(jù)點分配到比其密度更高且距其最近的數(shù)據(jù)點所屬的類別,并根據(jù)邊界密度識別噪聲點,得到聚類結(jié)果。將新算法與原密度峰算法進行對比,在人工數(shù)據(jù)集和UCI數(shù)據(jù)集上的實驗表明,新算法不僅能夠自動確定聚類中心,而且具有更高的準確率。

    聚類;密度峰;自動聚類;密度聚類

    1 引言

    聚類是按照某個特定標準,根據(jù)數(shù)據(jù)自身的信息相似度,把沒有給定劃分類的數(shù)據(jù)集分割成不同的類或簇,使不同簇間的數(shù)據(jù)對象具有最小相似性,同一簇內(nèi)的數(shù)據(jù)對象具有最大相似性[1]。聚類作為一種無監(jiān)督的數(shù)據(jù)分析方法,在數(shù)據(jù)挖掘、模式識別、機器學習、信息檢索等領域[2]已經(jīng)得到了廣泛研究和應用。

    目前,已經(jīng)有許多聚類算法被提出。比較典型的有:基于劃分的K-means[3]、K-medoids[4]等聚類;基于層次的CURE(clustering using representatives)[5]、Chameleon[6]等聚類;基于網(wǎng)格的STING(statistical information grid)[7]、WaveCluster[8]等聚類;基于模型的統(tǒng)計學聚類和神經(jīng)網(wǎng)絡聚類;基于圖論的譜聚類[9-10]以及基于密度的DBSCAN(density-based spatial clustering of applications with noise)[11]、OPTICS(ordering points to identify the clustering structure)[12]等聚類。

    2014年,Rodriguez等人在《Science》上提出了一種新的基于密度的密度峰聚類(density peaks clustering,DPC)算法[13]。DPC算法主要分兩步:首先,通過“決策圖”人工選取密度峰,也即聚類中心;其次,分配剩余數(shù)據(jù)點,得到聚類結(jié)果。

    DPC算法雖然簡單高效,但卻無法自動確定聚類中心。特別是針對一些特殊數(shù)據(jù)集,通過決策圖人工選取聚類中心時容易出錯。針對DPC算法這一缺陷,本文提出了一種自動確定聚類中心的密度峰聚類算法(automatically density peaks clustering,ADPC)。ADPC算法能夠根據(jù)排序圖自動確定聚類中心,具有更優(yōu)的聚類結(jié)果和更高的準確率。

    2 密度峰聚類及其缺陷

    密度峰聚類[13]算法只有一個輸入?yún)?shù),不需要預先指定聚類數(shù)目,能夠發(fā)現(xiàn)非球形的簇。算法基于數(shù)據(jù)點之間的距離測度,不需考慮概率分布或多維密度函數(shù),性能不受數(shù)據(jù)空間維度影響,可以處理高維數(shù)據(jù)。

    算法將具有如下特點的數(shù)據(jù)點視為聚類中心:該點被具有相對較低局部密度的鄰居點包圍,且與其他具有更高密度的數(shù)據(jù)點之間具有相對較大的距離。對于每個數(shù)據(jù)點 j,只需計算兩個變量,即點 j的局部密度ρj和該點到具有更高局部密度的點的最短距離δj。數(shù)據(jù)點j的局部密度ρj計算方式為:

    其中,djk是數(shù)據(jù)點之間的距離;dc是截斷距離。設數(shù)據(jù)點的鄰居點總數(shù)占數(shù)據(jù)集樣本點總數(shù)N的比例值為P∈(0,100),將M=N(N-1)/2個距離dmn(m

    δj為數(shù)據(jù)點 j到具有更高局部密度的點k的最短距離,其計算方式為:

    對于具有全局最高密度的數(shù)據(jù)點,令 δj= maxk(djk)。通常的,具有局部或全局最大密度的數(shù)據(jù)點的δj比其最近鄰距離要大。算法將同時具有相對較大ρ和δ的數(shù)據(jù)點視為聚類中心。

    聚類中心找到后,下一步將剩下的每個數(shù)據(jù)點分配到比其密度更高且距其最近的數(shù)據(jù)點所屬的簇。不像K-means等算法[2,14]需要對目標函數(shù)進行多次迭代優(yōu)化,數(shù)據(jù)點分配只需上述一步即可完成。為了識別噪聲點,DPC算法為每個簇定義邊界區(qū)域密度:屬于這個簇并且與其他簇的數(shù)據(jù)點之間的距離小于dc的數(shù)據(jù)點總數(shù)。局部密度ρ高于邊界區(qū)域密度的點被視為簇的核心點,否則被視為噪聲點。

    DPC算法雖然簡單高效,但卻需要通過決策圖人工選取聚類中心。這種方法對每個簇內(nèi)都有唯一密度峰或者簇數(shù)很少的數(shù)據(jù)集比較有效,因為此時從決策圖中比較容易判斷出具有相對較大ρ和δ的數(shù)據(jù)點。但針對以下情況,決策圖則表現(xiàn)出明顯的局限性:

    (1)如圖1所示,在決策圖上,除了明顯的密度峰點,一些具有相對較大ρ和較小δ,或者相對較小ρ和較大δ的數(shù)據(jù)點也可能是聚類中心,但這些點很容易被人為地忽略,使得少選了聚類中心,最終導致屬于不同簇的一些數(shù)據(jù)點被錯誤地合并為同一個簇。

    (2)如圖2所示,如果同一簇內(nèi)出現(xiàn)了多個密度峰,則這些點很容易被錯選為多余的聚類中心,導致同一個簇被錯誤地分割為多個子簇。

    (3)在處理具有較多聚類中心的數(shù)據(jù)集時,同樣比較容易出現(xiàn)上述錯選聚類中心的情況。

    可見,DPC算法對聚類中心的選擇比較敏感,容易出現(xiàn)人為地少選、多選聚類中心的問題。這種缺陷在處理一些特殊數(shù)據(jù)集時表現(xiàn)得更為突出。

    Fig.1 DPC gets less cluster centers by decision graph圖1 DPC算法通過決策圖少選聚類中心

    Fig.2 DPC gets redundant cluster centers by decision graph圖2 DPC算法通過決策圖多選聚類中心

    3 自動確定聚類中心的密度峰聚類算法

    3.1 自動確定聚類中心

    定義1γj為衡量點j是否為聚類中心的指標:

    顯然,當點 j為聚類中心時,ρj或δj具有較大值,則γj也具有較大值,因而γj較大的點很可能是聚類中心。對γ進行降序排列,記排序后的點編號為i,繪制γ關于點i的前個點的函數(shù)圖,稱之為“γ排序圖”。

    其中,

    P=8時,圖2(b)中數(shù)據(jù)集的決策圖與γ排序圖如圖3所示。從圖3中可以看出,聚類中心都位于拐點之前。整體而言,大多數(shù)數(shù)據(jù)點的γ值較小且彼此接近,只有拐點之前的少數(shù)數(shù)據(jù)點γ值較大且彼此差異也較大,將這少數(shù)點稱為潛在聚類中心。

    定義3潛在聚類中心定義為:

    Fig.3 Decision graph andγsorting graph for data in Fig.2(b)whenP=8(top-30 points 2 clusters)圖3 P=8時圖2(b)數(shù)據(jù)集的決策圖與γ排序圖(前30個點2個簇)

    準確確定拐點是算法的關鍵。根據(jù)定義2,拐點為γi值前后差值大于閾值θ的所有點中γ值最小的點,因而一種有效查找拐點的方法為:從右往左依次判斷γ排序圖中的點,查找第一個滿足定義2中條件的點,該點即為拐點。這種方法確定的拐點能夠保證拐點之前具有盡可能多的潛在聚類中心,從而防止后續(xù)處理時漏選任何一個可能的實際聚類中心。

    顯然,潛在聚類中心的個數(shù)一般多于實際聚類中心的個數(shù)。如果把所有潛在聚類中心都當作實際聚類中心進行聚類,則某些簇中可能會被指定多余的聚類中心,導致同一個簇被錯誤地分割為多個子簇。在DPC算法中,實際聚類中心通常都位于數(shù)據(jù)點分布相對比較稠密的區(qū)域,而且彼此之間都具有相對較大的距離。因而在一個具有高密度區(qū)域的簇中,若存在多個潛在聚類中心(密度峰點),則這些潛在聚類中心彼此之間通常會比較接近。把查找到的屬于某個簇的第一個潛在聚類中心當作該簇的唯一實際聚類中心;如果其他某個潛在聚類中心與該簇中已知實際聚類中心的最短距離小于dc,則將該潛在聚類中心視為被錯選的多余的聚類中心,并將其當作簇成員處理,否則將該潛在聚類中心當作另一個簇的實際聚類中心。最終,實現(xiàn)從潛在聚類中心中準確“篩選”出實際聚類中心的目的。

    3.2 ADPC算法步驟描述

    綜上所述,首先利用γ排序圖確定拐點及潛在聚類中心,然后從潛在聚類中心中自動確定實際聚類中心,最后分配剩余數(shù)據(jù)點,得到聚類結(jié)果。算法主要步驟描述如下。

    輸入:實驗數(shù)據(jù)集X={x1,x2,…,xn},數(shù)據(jù)點的鄰居點總數(shù)占數(shù)據(jù)集樣本總數(shù)的比例值P。

    輸出:聚類結(jié)果C={C1,C2,…,Ck},k為類數(shù)。

    (1)根據(jù)P計算dc,計算每個數(shù)據(jù)點i的局部密度ρi和該點到具有更高局部密度數(shù)據(jù)點的最短距離δi。

    (2)計算γi=ρiδi,將γ降序排列,繪制γ排序圖。根據(jù)γ排序圖自動查找拐點ap,找到潛在聚類中心。

    (3)默認具有最大γ值的第一個點為一個實際聚類中心。從已經(jīng)被確定為實際聚類中心的所有點中,找到距離點i最近的點 j,計算距離Dist(i,j),記MinDist=Dist(i,j)。如果MinDist>dc,則點i被確定為一個新的實際聚類中心,否則點i被視為點j所屬的簇的成員。其中,i=2,3,…,ap,j=1,2,…,i-1。

    (4)重復步驟(3),直到i=ap,自動確定聚類中心的過程結(jié)束。

    (5)將剩下的每個數(shù)據(jù)點分配到具有更大ρ的最近鄰點所屬的簇,計算邊界區(qū)域密度,根據(jù)邊界區(qū)域密度識別噪聲點。

    使用DS7數(shù)據(jù)集自動確定聚類中心的過程對算法原理做進一步解釋。P=3.5(dc=2.52)時DS7數(shù)據(jù)集的實驗結(jié)果如圖4所示。圖4(a)中為拐點之前(包括拐點)的9個潛在聚類中心按γ值從大到小進行了編號;圖4(b)為圖4(a)中9個潛在聚類中心的實際位置分布及錯誤聚類結(jié)果;圖4(c)標示出了算法最后自動確定的7個實際聚類中心;圖4(d)為圖4(c)對應的理想聚類結(jié)果。首先根據(jù)定義2,將γ值前后整體差異比較大的點9選作拐點,將點1至點9選作潛在聚類中心;然后依次判斷9個點能否作為實際聚類中心。默認具有最大γ值的點1為一個實際聚類中心,點2找到已經(jīng)被確定為實際聚類中心且距其最近的點1,計算點1與點2之間的距離 Dist(1,2)= 21.68,因為Dist(1,2)>dc,所以點2被確定為一個新的實際聚類中心;相似的,點3、4、5、6、7依次被確定為實際聚類中心;點8從已被確定為實際聚類中心的點中找到距其最近的點1,但Dist(1,8)

    Fig.4 Procedure of determining cluster centers on DS7 byADPC圖4 ADPC算法在DS7數(shù)據(jù)集上自動確定聚類中心的過程

    Fig.5 Decision graph and ideal clustering result of DS15 by DPC whenP=2(15 clusters)圖5 P=2時DPC算法在DS15數(shù)據(jù)集上的決策圖與理想聚類結(jié)果(15個類)

    3.3 ADPC算法時間復雜度分析

    設實驗數(shù)據(jù)集樣本總數(shù)為n,根據(jù)3.2節(jié)的描述,算法第(1)步根據(jù)P計算dc時,首先計算歐式距離矩陣的時間復雜度為O(n2),對歐式距離矩陣上三角n(n-1)/2個距離進行快速排序的時間復雜度為O(n2lbn),計算 ρ和δ的時間復雜度為O(n2);第(2)步中計算γ及自動查找拐點的時間復雜度為O(n),采用快速排序?qū)Ζ媒敌蚺帕械臅r間復雜度為O(n2lbn);第(3)、(4)步中自動確定聚類中心的時間復雜度綜合為O(n2);第(5)步中分配數(shù)據(jù)點的時間復雜度為O(n),識別噪聲點的時間復雜度為O(n2)。綜上所述,ADPC算法的時間復雜度為O(n2lbn)。

    4 實驗與分析

    為了驗證ADPC算法的性能,分別在人工數(shù)據(jù)集和UCI數(shù)據(jù)集上進行了實驗。

    4.1 人工數(shù)據(jù)集

    實驗中用到的人工數(shù)據(jù)集有兩個,數(shù)據(jù)集的相關信息見表1。使用表1中數(shù)據(jù)集,分別運行DPC與ADPC算法,實驗結(jié)果如圖5~圖12所示。

    Table 1 Synthetic data sets表1 人工數(shù)據(jù)集

    Fig.6 γsorting graph and ideal clustering result of DS15 byADPC whenP=2(15 clusters)圖6 P=2時ADPC算法在DS15數(shù)據(jù)集上的γ排序圖與理想聚類結(jié)果(15個類)

    Fig.7 Decision graph and wrong clustering result of DS15 by DPC whenP=3.5(11 clusters)圖7 P=3.5時DPC算法在DS15數(shù)據(jù)集上的決策圖與錯誤聚類結(jié)果(11個類)

    Fig.8 γsorting graph and ideal clustering result of DS15 byADPC whenP=3.5(15 clusters)圖8 P=3.5時ADPC算法在DS15數(shù)據(jù)集上的γ排序圖與理想聚類結(jié)果(15個類)

    Fig.9 Decision graph and ideal clustering result of DS31 by DPC whenP=2(31 clusters)圖9 P=2時DPC算法在DS31數(shù)據(jù)集上的決策圖與理想聚類結(jié)果(31個類)

    Fig.10 γsorting graph and ideal clustering result of DS31 byADPC whenP=2(31 clusters)圖10 P=2時ADPC算法在DS31數(shù)據(jù)集上的γ排序圖與理想聚類結(jié)果(31個類)

    Fig.11 Decision graph and wrong clustering result of DS31 by DPC whenP=2.4(23 clusters)圖11 P=2.4時DPC算法在DS31數(shù)據(jù)集上的決策圖與錯誤聚類結(jié)果(23個類)

    Fig.12 γsorting graph and ideal clustering result of DS31 byADPC whenP=2.4(31 clusters)圖12 P=2.4時ADPC算法在DS31數(shù)據(jù)集上的γ排序圖與理想聚類結(jié)果(31個類)

    針對DS15數(shù)據(jù)集,P∈[1.1,3.3]時,兩種算法雖然都能得到理想聚類結(jié)果,但DPC算法選取聚類中心時具有很大的不確定性;P∈[3.4,3.7]時,DPC算法已經(jīng)無法選取出準確的聚類中心,而ADPC算法依然可以自動確定全部15個聚類中心并得到理想聚類結(jié)果。其中P=2,P=3.5時,兩種算法在DS15數(shù)據(jù)集上的聚類結(jié)果分別如圖5~圖8所示。圖5表明,DPC算法雖然最終能夠得到15個類,但在圖5(a)中,因人工選擇具有主觀性,很可能會將聚類中心錯選為2個、3個等;而在圖6、圖8中,ADPC算法不存在錯選聚類中心的情況。相似的,針對DS31數(shù)據(jù)集,P∈[1.1,2.1]時,ADPC算法比DPC算法能夠更易且自動得到理想聚類結(jié)果;而P∈[2.2,2.4]時,DPC算法經(jīng)過多次嘗試,最多也只能得到錯誤的30個類,但ADPC算法依然可以自動確定全部31個聚類中心并得到理想的聚類結(jié)果。其中P=2,P=2.4時,兩種算法在DS31數(shù)據(jù)集上的聚類結(jié)果分別如圖9~圖12所示。上述實驗表明,ADPC算法避免了DPC算法通過決策圖人工選取聚類中心時出錯的可能性,特別是當DPC算法無法選取全部聚類中心時,ADPC算法不僅能夠基于γ排序圖自動準確地確定聚類中心,而且具有更優(yōu)的聚類結(jié)果。

    4.2 UCI數(shù)據(jù)集

    為了進一步驗證ADPC算法性能,使用表2中4個常用UCI數(shù)據(jù)集進行實驗。實驗采用F-measure[15]與NMI(normalized mutual information)[16]指標評價聚類結(jié)果。

    Table 2 UCI data sets表2 UCI數(shù)據(jù)集

    在最佳P值下,DPC算法與ADPC算法在表2中數(shù)據(jù)集上聚類所得F-measure與NMI指標值見表3。表3表明,除了在處理Seeds數(shù)據(jù)集時兩種算法具有相同的F-measure與NMI值,在其他3個數(shù)據(jù)集上,ADPC算法得到的兩個指標值均比DPC算法更優(yōu)。整體而言,ADPC算法能夠得到更優(yōu)的聚類結(jié)果,具有更高的準確度。

    Table 3 Comparison of F-measure and NMI表3 兩種算法的F-measure與NMI指標值對比

    4.3 算法運行效率分析對比

    根據(jù)3.3節(jié)描述,ADPC算法的時間復雜度為O(n2lbn)。根據(jù)文獻[13],DPC算法的時間復雜度為O(n2lbn)??梢?,ADPC算法雖然增加了自動確定聚類中心的能力,但時間復雜度仍與DPC算法在同一個數(shù)量級。表4為兩種算法在表1、表2中6個數(shù)據(jù)集上的運行時間對比,表中時間為算法在同一數(shù)據(jù)集上運行10次所用的平均時間,DPC算法忽略在決策圖上人工選取聚類中心環(huán)節(jié)所用時間。兩種算法均在Matlab R2013a上編程實現(xiàn),在同一PC機(Windows10 64位操作系統(tǒng),Intel Core i7 2.5 GHz CPU,4 GB內(nèi)存)上運行,時間單位為秒。

    Table 4 Comparison of running time on different data sets表4 兩種算法在不同數(shù)據(jù)集上的運行時間對比 s

    在表4中,ADPC算法只比DPC算法的運行時間多了約0.1 s,差值在0.067 3~0.102 3之間。整體而言,ADPC算法沒有顯著增加運行時間,這也驗證了兩種算法具有相同時間復雜度的結(jié)論。

    5 結(jié)束語

    針對密度峰聚類(DPC)算法人工難以準確選取聚類中心的缺陷,提出了一種自動確定聚類中心的密度峰聚類算法(ADPC)。與DPC算法相比,ADPC算法在人工數(shù)據(jù)集上具有更優(yōu)的結(jié)果,在UCI真實數(shù)據(jù)集上具有更高的準確度。由于ADPC算法主要是在選取聚類中心環(huán)節(jié)對DPC算法進行了改進,并沒有改變DPC算法的數(shù)據(jù)點分配機制,因而ADPC算法不僅增加了自動確定聚類中心的能力,而且保留了DPC算法的一些優(yōu)勢:即同樣只需一個輸入?yún)?shù),不需要預先指定聚類數(shù)目,可以識別非球形簇,并且沒有增加時間復雜度。

    然而,ADPC算法在面對一些簇內(nèi)沒有密度峰或同時具有多個密度峰的復雜流形結(jié)構(gòu)數(shù)據(jù)集時,會出現(xiàn)能夠自動確定聚類中心卻無法得到理想聚類結(jié)果的問題。這是因為對于流形結(jié)構(gòu)中的某個點a而言,密度更高且距其最近的點b很可能在另一個簇中,這就導致點a被錯誤地分配到點b所屬的簇,最終導致實際屬于不同簇的一些點被錯誤地合并為同一簇。針對這一問題,首先可以考慮使用能夠更好地反映數(shù)據(jù)分布結(jié)構(gòu)特點、簇內(nèi)與簇間蘊含結(jié)構(gòu)信息的新的距離測度,代替僅能反映聚類結(jié)構(gòu)局部一致性卻無法很好地反映全局一致性的歐氏距離;其次,改進算法的分配機制,使得算法能夠沿著流形結(jié)構(gòu)尋找密度更高的近鄰點,從而使得數(shù)據(jù)點分配更佳合理??傊绾问沟肁DPC算法能夠有效處理復雜流形結(jié)構(gòu)數(shù)據(jù)集,將是下一步的研究內(nèi)容。

    [1]Xu Rui,Wunsch D.Survey of clustering algorithms[J].IEEE Transactions on Neural Networks,2005,16(3):645-678.

    [2]Aggarwal C C,Reddy C K.Data clustering:algorithms and applications[M].Boca Raton,USA:CRC Press,2013.

    [3]Jain A K.Data clustering:50 years beyond K-means[J].Pattern Recognition Letters,2010,31(8):651-666.

    [4]Park H S,Jun C H.Asimple and fast algorithm for K-medoids clustering[J].Expert Systems with Applications,2009,36 (2):3336-3341.

    [5]Zhou Yajian,Xu Chen,Li Jiguo.Unsupervised anomaly detection method based on improved CURE clustering algorithm[J].Journal on Communications,2010,31(7):18-23.

    [6]Karypis G,Han E H,Kumar V.Chameleon:hierarchical clustering using dynamic modeling[J].Computer,1999,32 (8):68-75.

    [7]Ansari S,Chetlur S,Prabhu S,et al.An overview of clustering analysis techniques used in data mining[J].International Journal of Emerging Technology and Advanced Engineering, 2013,3(12):284-286.

    [8]Amini A,Wah T Y,Saybani M R,et al.A study of densitygrid based clustering algorithms on data streams[C]//Proceedings of the 2011 8th International Conference on Fuzzy Systems and Knowledge Discovery,Shanghai,Jul 26-28, 2011.Piscataway,USA:IEEE,2011,3:1652-1656.

    [9]Yang Peng,Zhu Qingsheng,Huang Biao.Spectral clustering with density sensitive similarity function[J].Knowledge-Based Systems,2011,24(5):621-628.

    [10]Guang Junye,Liu Mingxia,Zhang Daoqiang.Spectral clustering algorithm based on effective distance[J].Journal of Frontiers of Computer Science and Technology,2014,8 (11):1365-1372.

    [11]Yang Jing,Gao Jiawei,Liang Jiye,et al.An improved DBSCAN clustering algorithm based on data field[J].Journal of Frontiers of Computer Science and Technology,2012,6 (10):903-911.

    [12]Kalita H K,Bhattacharyya D K,Kar A.A new algorithm for ordering of points to identify clustering structure based on perimeter of triangle:OPTICS(BOPT)[C]//Proceedings of the 2007 International Conference on Advanced Computing and Communications,Guwahati,India,Dec 18-21,2007.Piscataway,USA:IEEE,2007:523-528.

    [13]Rodriguez A,Laio A.Clustering by fast search and find of density peaks[J].Science,2014,344(6191):1492-1496.

    [14]McLachlan G,Krishnan T.The EM algorithm and extensions[M].Hoboken,USA:John Wiley&Sons,2007.

    [15]Yang Yan,Jin Fan,Mohamed K.Survey of clustering validity evaluation[J].Application Research of Computers,2008,25 (6):1630-1632.

    [16]Cai Deng,He Xiaofei,Han Jiawei.Document clustering using locality preserving indexing[J].IEEE Transactions on Knowledge &Data Engineering,2005,17(12):1624-1637.

    附中文參考文獻:

    [5]周亞建,徐晨,李繼國.基于改進CURE聚類算法的無監(jiān)督異常檢測方法[J].通信學報,2010,31(7):18-23.

    [10]光俊葉,劉明霞,張道強.基于有效距離的譜聚類算法[J].計算機科學與探索,2014,8(11):1365-1372.

    [11]楊靜,高嘉偉,梁吉業(yè),等.基于數(shù)據(jù)場的改進DBSCAN聚類算法[J].計算機科學與探索,2012,6(10):903-911.

    [15]楊燕,靳蕃,Mohamed K.聚類有效性評價綜述[J].計算機應用研究,2008,25(6):1630-1632.

    LI Tao was born in 1991.He is an M.S.candidate at Jiangnan University,and the member of CCF.His research interests include artificial intelligence and data mining.

    李濤(1991—),男,河南商丘人,江南大學碩士研究生,CCF學生會員,主要研究領域為人工智能,數(shù)據(jù)挖掘。

    GE Hongwei was born in 1967.He received the M.S.degree in computer science from Nanjing University of Aeronautics and Astronautics in 1992,and the Ph.D.degree in control engineering from Jiangnan University in 2008. Now he is a professor and Ph.D.supervisor at School of Internet of Things Engineering,Jiangnan University.His research interests include artificial intelligence,machine learning,pattern recognition and their applications.

    葛洪偉(1967—),男,江蘇無錫人,1992年于南京航空航天大學計算機系獲得碩士學位,2008年于江南大學信息學院獲得博士學位,現(xiàn)為江南大學物聯(lián)網(wǎng)工程學院教授、博士生導師,主要研究領域為人工智能,模式識別,機器學習,圖像處理與分析。在國際權(quán)威期刊、國際會議和國內(nèi)核心期刊上發(fā)表論文70多篇,主持和承擔了國家自然科學基金等國家級項目和省部級項目近20項,獲省部級科技進步獎多項。

    SU Shuzhi was born in 1987.He is a Ph.D.candidate at Jiangnan University.His research interests include pattern recognition and machine learning.

    蘇樹智(1987—),男,山東泰安人,江南大學博士研究生,主要研究領域為模式識別,機器學習。

    Density Peaks Clustering byAutomatic Determination of Cluster Centers?

    LI Tao1,GE Hongwei1,2+,SU Shuzhi1
    1.School of Internet of Things Engineering,Jiangnan University,Wuxi,Jiangsu 214122,China
    2.Ministry of Education Key Laboratory of Advanced Process Control for Light Industry(Jiangnan University), Wuxi,Jiangsu 214122,China
    +Corresponding author:E-mail:ghw8601@163.com

    Density peaks clustering is a new density-based clustering algorithm.It can find nonspherical clusters without specifying the cluster number.Aiming at the defect that the density peaks clustering algorithm can only manually determine cluster centers,this paper proposes a density peaks clustering by automatic determination of cluster centers. Firstly,for each data point,two quantities are calculated:the local density and the distance from points of higher density. Then the algorithm automatically searches the clustering centers according to the sorting graph.Finally,each remaining data point is assigned to the same cluster as its nearest neighbor of higher density,and then the noises are recognized according to the border density.Comparing the new algorithm with the density peaks clustering algorithm,the experimental results on synthetic data sets and UCI data sets show that the new algorithm can not only automatically determine cluster centers,but also get better results with higher accuracy.

    clustering;density peaks;automatically clustering;density clustering

    10.3778/j.issn.1673-9418.1510049

    A

    TP181

    *The National Natural Science Foundation of China under Grant No.61402203(國家自然科學基金);the Research Innovation Program for College Graduates of Jiangsu Province under Grant No.KYLX15_1169(江蘇省普通高校研究生科研創(chuàng)新計劃項目).

    Received 2015-10,Accepted 2016-03.

    CNKI網(wǎng)絡優(yōu)先出版:2016-03-07,http://www.cnki.net/kcms/detail/11.5602.TP.20160307.1710.004.html

    猜你喜歡
    排序
    排排序
    排序不等式
    作者簡介
    名家名作(2021年9期)2021-10-08 01:31:36
    作者簡介
    名家名作(2021年4期)2021-05-12 09:40:02
    恐怖排序
    律句填空排序題的備考策略
    節(jié)日排序
    刻舟求劍
    兒童繪本(2018年5期)2018-04-12 16:45:32
    作者簡介(按文章先后排序)
    名家名作(2017年2期)2017-08-30 01:34:24
    按特定規(guī)律排序
    兒童與健康(2012年1期)2012-04-12 00:00:00
    日本av手机在线免费观看| 国产精品秋霞免费鲁丝片| 日韩 亚洲 欧美在线| 日韩成人av中文字幕在线观看| 国产亚洲午夜精品一区二区久久| 日本猛色少妇xxxxx猛交久久| 欧美bdsm另类| 成人黄色视频免费在线看| 哪个播放器可以免费观看大片| 电影成人av| 久久精品人人爽人人爽视色| 色网站视频免费| 久久人妻熟女aⅴ| 国产高清不卡午夜福利| 国产成人精品无人区| 日产精品乱码卡一卡2卡三| 国产成人91sexporn| 日本爱情动作片www.在线观看| 欧美精品亚洲一区二区| 两个人免费观看高清视频| 色94色欧美一区二区| 两性夫妻黄色片| 中文精品一卡2卡3卡4更新| 在线观看免费高清a一片| 久久精品夜色国产| 日韩精品免费视频一区二区三区| 中文字幕另类日韩欧美亚洲嫩草| 成人国产av品久久久| 亚洲精品aⅴ在线观看| 国产精品偷伦视频观看了| av免费在线看不卡| 国产免费一区二区三区四区乱码| 久久精品国产a三级三级三级| 亚洲精华国产精华液的使用体验| 亚洲精品自拍成人| 久久久精品94久久精品| 久久人人爽人人片av| 国产精品香港三级国产av潘金莲 | 日韩精品免费视频一区二区三区| 天堂中文最新版在线下载| 69精品国产乱码久久久| 免费观看无遮挡的男女| 老汉色∧v一级毛片| 考比视频在线观看| 麻豆av在线久日| 大码成人一级视频| 最近手机中文字幕大全| 香蕉精品网在线| 久久精品熟女亚洲av麻豆精品| 黑丝袜美女国产一区| 国产极品粉嫩免费观看在线| 综合色丁香网| 青春草国产在线视频| 一区二区日韩欧美中文字幕| 久久99精品国语久久久| 久久午夜综合久久蜜桃| 一级a爱视频在线免费观看| 丁香六月天网| 成人亚洲欧美一区二区av| 国产精品偷伦视频观看了| 可以免费在线观看a视频的电影网站 | 一级毛片我不卡| 亚洲欧美一区二区三区黑人 | 国产免费一区二区三区四区乱码| 丰满迷人的少妇在线观看| 中文字幕最新亚洲高清| 人人澡人人妻人| 黄色毛片三级朝国网站| 午夜91福利影院| 成人二区视频| 狠狠精品人妻久久久久久综合| 久久久久久久大尺度免费视频| 丝瓜视频免费看黄片| 午夜精品国产一区二区电影| 久久精品熟女亚洲av麻豆精品| 在线天堂最新版资源| 亚洲av.av天堂| 丝袜美足系列| 免费黄频网站在线观看国产| 肉色欧美久久久久久久蜜桃| 亚洲国产欧美在线一区| a级毛片黄视频| 精品亚洲成a人片在线观看| 尾随美女入室| 五月伊人婷婷丁香| 精品卡一卡二卡四卡免费| 伊人久久大香线蕉亚洲五| 成年人免费黄色播放视频| 青草久久国产| 久久97久久精品| 亚洲精品中文字幕在线视频| 女人久久www免费人成看片| 国产一区二区三区av在线| 亚洲av电影在线观看一区二区三区| 少妇 在线观看| 在线观看免费视频网站a站| 在线天堂最新版资源| 亚洲av.av天堂| 亚洲欧美清纯卡通| 亚洲少妇的诱惑av| 亚洲欧美一区二区三区黑人 | 欧美在线黄色| 久久久亚洲精品成人影院| 国产男女内射视频| 热re99久久精品国产66热6| 麻豆精品久久久久久蜜桃| 亚洲精品国产色婷婷电影| 国产在线视频一区二区| 两个人免费观看高清视频| 久久久欧美国产精品| 深夜精品福利| 人体艺术视频欧美日本| 丝袜人妻中文字幕| 日产精品乱码卡一卡2卡三| 菩萨蛮人人尽说江南好唐韦庄| 国产视频首页在线观看| 少妇猛男粗大的猛烈进出视频| 美女国产高潮福利片在线看| 国产精品蜜桃在线观看| 午夜免费男女啪啪视频观看| 人体艺术视频欧美日本| 中文字幕人妻熟女乱码| 激情五月婷婷亚洲| 一二三四在线观看免费中文在| 欧美97在线视频| 精品人妻偷拍中文字幕| 亚洲欧洲精品一区二区精品久久久 | 日韩一卡2卡3卡4卡2021年| 国产精品久久久久久av不卡| 亚洲国产精品国产精品| 亚洲人成77777在线视频| 日韩中字成人| 中文字幕最新亚洲高清| 国语对白做爰xxxⅹ性视频网站| 国产乱人偷精品视频| 欧美激情高清一区二区三区 | 在现免费观看毛片| 国产一区有黄有色的免费视频| 色网站视频免费| 菩萨蛮人人尽说江南好唐韦庄| 毛片一级片免费看久久久久| 精品一区二区三卡| 欧美亚洲 丝袜 人妻 在线| 人人澡人人妻人| 老汉色∧v一级毛片| 亚洲,欧美,日韩| 免费观看a级毛片全部| 日本爱情动作片www.在线观看| 欧美成人午夜免费资源| 一级片免费观看大全| 国产男人的电影天堂91| 久热久热在线精品观看| 90打野战视频偷拍视频| 国产男人的电影天堂91| 美女视频免费永久观看网站| 最近中文字幕2019免费版| 亚洲内射少妇av| 亚洲五月色婷婷综合| 亚洲精品美女久久av网站| 视频区图区小说| 王馨瑶露胸无遮挡在线观看| 精品国产一区二区三区四区第35| 黄片无遮挡物在线观看| 一本久久精品| 日韩欧美一区视频在线观看| 欧美日韩视频精品一区| 国产精品久久久久成人av| 少妇被粗大的猛进出69影院| 26uuu在线亚洲综合色| 日韩欧美精品免费久久| 蜜桃在线观看..| 亚洲天堂av无毛| 91精品国产国语对白视频| 日本欧美视频一区| 又大又黄又爽视频免费| 97人妻天天添夜夜摸| 宅男免费午夜| 菩萨蛮人人尽说江南好唐韦庄| 色婷婷久久久亚洲欧美| 黄色一级大片看看| 国产精品三级大全| 丝袜在线中文字幕| 色网站视频免费| 国产亚洲午夜精品一区二区久久| 久久精品国产a三级三级三级| 男的添女的下面高潮视频| 国产一区二区 视频在线| 久久精品国产亚洲av天美| 交换朋友夫妻互换小说| 免费观看无遮挡的男女| 考比视频在线观看| 一本—道久久a久久精品蜜桃钙片| 亚洲欧美一区二区三区国产| 美女高潮到喷水免费观看| 亚洲综合色网址| 国产成人欧美| 一级片免费观看大全| 亚洲精品av麻豆狂野| 一级爰片在线观看| 欧美激情高清一区二区三区 | www日本在线高清视频| 国产av一区二区精品久久| 26uuu在线亚洲综合色| av不卡在线播放| 国产野战对白在线观看| 看十八女毛片水多多多| 日韩一卡2卡3卡4卡2021年| 亚洲精品国产av成人精品| 久久久a久久爽久久v久久| 国产极品天堂在线| 午夜福利影视在线免费观看| 欧美人与善性xxx| 菩萨蛮人人尽说江南好唐韦庄| 久久久久网色| 久久国产精品大桥未久av| 成人影院久久| 久久精品国产a三级三级三级| 国产成人精品久久二区二区91 | 大片免费播放器 马上看| 国产一区有黄有色的免费视频| 超色免费av| 春色校园在线视频观看| 性高湖久久久久久久久免费观看| 日本猛色少妇xxxxx猛交久久| 成年av动漫网址| 男女啪啪激烈高潮av片| 婷婷色综合www| 欧美老熟妇乱子伦牲交| 亚洲av.av天堂| 妹子高潮喷水视频| 国产精品 国内视频| 王馨瑶露胸无遮挡在线观看| 18禁国产床啪视频网站| 国产亚洲欧美精品永久| 亚洲少妇的诱惑av| 26uuu在线亚洲综合色| 国产黄色视频一区二区在线观看| 丝袜美腿诱惑在线| 最近中文字幕高清免费大全6| 国产精品香港三级国产av潘金莲 | 午夜日本视频在线| 黑人猛操日本美女一级片| 欧美人与性动交α欧美软件| 在线 av 中文字幕| 国产深夜福利视频在线观看| 成年人免费黄色播放视频| 国产精品无大码| 久久影院123| 一二三四在线观看免费中文在| 人妻 亚洲 视频| 91午夜精品亚洲一区二区三区| 欧美精品av麻豆av| 亚洲欧美一区二区三区国产| 久久毛片免费看一区二区三区| 91午夜精品亚洲一区二区三区| 久久午夜综合久久蜜桃| 一区二区三区激情视频| 黄色配什么色好看| 哪个播放器可以免费观看大片| 亚洲精品av麻豆狂野| 亚洲伊人色综图| 欧美激情高清一区二区三区 | 中文字幕最新亚洲高清| 久久精品夜色国产| 久久精品国产亚洲av涩爱| 七月丁香在线播放| 久久综合国产亚洲精品| 日韩欧美一区视频在线观看| 国产一区亚洲一区在线观看| 18禁动态无遮挡网站| 国产成人精品久久二区二区91 | 欧美 亚洲 国产 日韩一| 在线精品无人区一区二区三| 国产视频首页在线观看| 亚洲三级黄色毛片| 各种免费的搞黄视频| 纯流量卡能插随身wifi吗| 2022亚洲国产成人精品| 国产成人aa在线观看| 国产有黄有色有爽视频| 免费观看性生交大片5| 欧美97在线视频| 色婷婷av一区二区三区视频| av线在线观看网站| 精品国产乱码久久久久久小说| 免费黄色在线免费观看| 91午夜精品亚洲一区二区三区| 中文字幕精品免费在线观看视频| 免费高清在线观看日韩| 精品少妇内射三级| 成人亚洲精品一区在线观看| 一二三四中文在线观看免费高清| 看免费成人av毛片| 免费观看性生交大片5| 亚洲欧美成人精品一区二区| 中文字幕最新亚洲高清| 久久这里有精品视频免费| 精品一区二区免费观看| 九九爱精品视频在线观看| 久久精品亚洲av国产电影网| 亚洲欧美日韩另类电影网站| 中文字幕人妻丝袜制服| 性色avwww在线观看| 久久久久国产网址| 国产av国产精品国产| a级片在线免费高清观看视频| 高清av免费在线| 国产日韩欧美亚洲二区| 国产成人免费观看mmmm| 丁香六月天网| 最近最新中文字幕免费大全7| 欧美 日韩 精品 国产| 在线观看免费日韩欧美大片| 日韩一区二区三区影片| 国产黄色免费在线视频| 最近的中文字幕免费完整| 亚洲欧美精品自产自拍| 一本大道久久a久久精品| 欧美激情极品国产一区二区三区| 制服人妻中文乱码| 国产毛片在线视频| 在线观看美女被高潮喷水网站| 少妇被粗大的猛进出69影院| 欧美中文综合在线视频| 成人午夜精彩视频在线观看| 亚洲国产欧美在线一区| 精品一区二区三卡| 有码 亚洲区| tube8黄色片| 日韩精品有码人妻一区| 久热久热在线精品观看| 少妇被粗大猛烈的视频| 久久久久久久大尺度免费视频| 亚洲美女黄色视频免费看| 韩国av在线不卡| 久久免费观看电影| 少妇熟女欧美另类| 久久99精品国语久久久| 国产无遮挡羞羞视频在线观看| 午夜日本视频在线| 建设人人有责人人尽责人人享有的| 亚洲国产精品一区二区三区在线| 老司机影院成人| 黄频高清免费视频| 又黄又粗又硬又大视频| 国产免费福利视频在线观看| 亚洲国产色片| 精品人妻偷拍中文字幕| 亚洲精品成人av观看孕妇| 天天躁夜夜躁狠狠久久av| 亚洲一区中文字幕在线| 亚洲欧美精品自产自拍| 久久久久精品性色| 一级,二级,三级黄色视频| 777久久人妻少妇嫩草av网站| 亚洲精品aⅴ在线观看| 五月天丁香电影| 永久网站在线| 欧美日韩精品网址| 日韩av不卡免费在线播放| a 毛片基地| 久久国产精品男人的天堂亚洲| 日韩制服骚丝袜av| 午夜福利视频在线观看免费| 日韩中文字幕视频在线看片| 成年女人在线观看亚洲视频| av一本久久久久| 成人午夜精彩视频在线观看| 制服人妻中文乱码| 久久精品国产亚洲av涩爱| 黄色怎么调成土黄色| 久久久久精品人妻al黑| 久久国产亚洲av麻豆专区| 五月开心婷婷网| 卡戴珊不雅视频在线播放| 国产精品.久久久| 一二三四中文在线观看免费高清| 久久国产精品大桥未久av| 午夜91福利影院| 美女脱内裤让男人舔精品视频| 一区二区三区乱码不卡18| 国产高清不卡午夜福利| 超碰成人久久| 天天躁夜夜躁狠狠久久av| 97精品久久久久久久久久精品| a级毛片在线看网站| 少妇人妻精品综合一区二区| 欧美精品一区二区免费开放| 中文字幕亚洲精品专区| 国产一区二区在线观看av| 精品人妻一区二区三区麻豆| 精品午夜福利在线看| 青春草视频在线免费观看| 午夜久久久在线观看| 精品人妻在线不人妻| 97在线视频观看| 少妇被粗大的猛进出69影院| 国产综合精华液| 久久久久精品人妻al黑| 色播在线永久视频| 亚洲第一区二区三区不卡| 亚洲av免费高清在线观看| 交换朋友夫妻互换小说| 青春草国产在线视频| 黄片无遮挡物在线观看| 久久人人97超碰香蕉20202| 亚洲国产av新网站| 免费少妇av软件| 一级片'在线观看视频| 秋霞伦理黄片| 亚洲国产精品一区三区| 九草在线视频观看| 午夜福利影视在线免费观看| 男的添女的下面高潮视频| 少妇熟女欧美另类| 中文字幕人妻熟女乱码| 丁香六月天网| √禁漫天堂资源中文www| 另类亚洲欧美激情| 欧美日韩视频高清一区二区三区二| 日韩,欧美,国产一区二区三区| 高清不卡的av网站| 亚洲精品美女久久av网站| 伦理电影免费视频| 欧美在线黄色| 欧美日韩成人在线一区二区| 男男h啪啪无遮挡| 久久精品aⅴ一区二区三区四区 | 精品少妇内射三级| 免费在线观看完整版高清| 18禁裸乳无遮挡动漫免费视频| 香蕉精品网在线| 欧美精品人与动牲交sv欧美| 嫩草影院入口| 国产又色又爽无遮挡免| 一级毛片 在线播放| 中文字幕制服av| 婷婷色麻豆天堂久久| 免费在线观看视频国产中文字幕亚洲 | 另类亚洲欧美激情| 啦啦啦在线观看免费高清www| 亚洲美女搞黄在线观看| 如日韩欧美国产精品一区二区三区| 中文字幕亚洲精品专区| 一本—道久久a久久精品蜜桃钙片| 我的亚洲天堂| 久久久欧美国产精品| 综合色丁香网| 大陆偷拍与自拍| 日本欧美国产在线视频| 汤姆久久久久久久影院中文字幕| 香蕉精品网在线| 99热网站在线观看| 秋霞伦理黄片| 久久青草综合色| 亚洲成色77777| av不卡在线播放| 亚洲av中文av极速乱| 黄色 视频免费看| 亚洲av男天堂| 午夜免费观看性视频| 亚洲国产精品一区三区| 亚洲av电影在线进入| 免费在线观看视频国产中文字幕亚洲 | 久久 成人 亚洲| 日本免费在线观看一区| 免费黄色在线免费观看| 日本色播在线视频| 在线观看人妻少妇| 成人影院久久| 国产成人精品在线电影| 成年人午夜在线观看视频| 一区二区三区精品91| 在线亚洲精品国产二区图片欧美| 国产一区亚洲一区在线观看| 亚洲国产精品999| 久久国产亚洲av麻豆专区| 永久网站在线| 在线观看www视频免费| 亚洲国产av影院在线观看| 日韩电影二区| 免费观看性生交大片5| 叶爱在线成人免费视频播放| 九色亚洲精品在线播放| 久久精品久久久久久噜噜老黄| 国产一区有黄有色的免费视频| 国产视频首页在线观看| 成人亚洲精品一区在线观看| 欧美日韩av久久| 国产精品成人在线| 91成人精品电影| 亚洲精品国产色婷婷电影| 国产成人精品福利久久| 免费日韩欧美在线观看| 国产精品成人在线| 在线观看人妻少妇| 亚洲国产精品一区三区| 国产av精品麻豆| 久久精品夜色国产| 搡女人真爽免费视频火全软件| 亚洲三级黄色毛片| 91在线精品国自产拍蜜月| 熟女电影av网| 久久人人爽人人片av| 少妇人妻 视频| 精品一区二区三卡| 亚洲色图综合在线观看| 午夜福利网站1000一区二区三区| 美女视频免费永久观看网站| 精品午夜福利在线看| 国产精品二区激情视频| 欧美人与性动交α欧美软件| 成人手机av| 精品亚洲成a人片在线观看| 国产亚洲最大av| 90打野战视频偷拍视频| 一二三四在线观看免费中文在| 国产极品粉嫩免费观看在线| 在线观看免费视频网站a站| 啦啦啦中文免费视频观看日本| 免费观看在线日韩| 青春草国产在线视频| 亚洲av.av天堂| 宅男免费午夜| 日韩免费高清中文字幕av| 欧美亚洲 丝袜 人妻 在线| 十八禁高潮呻吟视频| 亚洲欧洲精品一区二区精品久久久 | 亚洲欧美色中文字幕在线| 亚洲精品国产色婷婷电影| 美女高潮到喷水免费观看| 下体分泌物呈黄色| 人人妻人人澡人人看| 国产精品香港三级国产av潘金莲 | 国产一区二区在线观看av| h视频一区二区三区| av国产精品久久久久影院| 久久精品国产亚洲av高清一级| 欧美亚洲日本最大视频资源| 777米奇影视久久| 亚洲精品美女久久av网站| 老司机影院成人| 亚洲熟女精品中文字幕| 美女中出高潮动态图| 久久青草综合色| 永久网站在线| 麻豆乱淫一区二区| 日韩制服骚丝袜av| 黄片小视频在线播放| 又黄又粗又硬又大视频| 成人手机av| 国产又爽黄色视频| 亚洲 欧美一区二区三区| 精品福利永久在线观看| 亚洲美女搞黄在线观看| 丰满乱子伦码专区| 18禁观看日本| 少妇的丰满在线观看| 欧美人与善性xxx| 2021少妇久久久久久久久久久| 波多野结衣一区麻豆| 男女无遮挡免费网站观看| 日本爱情动作片www.在线观看| 男女下面插进去视频免费观看| 亚洲国产欧美日韩在线播放| 又粗又硬又长又爽又黄的视频| www.av在线官网国产| 9热在线视频观看99| 久久精品久久久久久噜噜老黄| 考比视频在线观看| 精品国产国语对白av| 欧美日韩成人在线一区二区| 精品亚洲成国产av| 在线观看美女被高潮喷水网站| 天堂中文最新版在线下载| 欧美亚洲日本最大视频资源| 亚洲内射少妇av| 女性生殖器流出的白浆| 秋霞在线观看毛片| 成人国产av品久久久| 国产一区二区三区av在线| 老女人水多毛片| 精品少妇久久久久久888优播| 国产福利在线免费观看视频| 九九爱精品视频在线观看| 多毛熟女@视频| 亚洲国产日韩一区二区| 99久久精品国产国产毛片| 中文欧美无线码| 国产精品香港三级国产av潘金莲 | 精品第一国产精品| 欧美日韩一区二区视频在线观看视频在线| 免费看av在线观看网站| www.精华液| 精品酒店卫生间| 秋霞在线观看毛片| 亚洲av.av天堂| 国产一区二区三区综合在线观看| 曰老女人黄片| 性少妇av在线| 亚洲,欧美,日韩| 亚洲一区中文字幕在线| 国产一区二区在线观看av| 1024香蕉在线观看| 国语对白做爰xxxⅹ性视频网站| 大香蕉久久成人网| 免费少妇av软件| 亚洲色图综合在线观看| 亚洲精品日韩在线中文字幕| 久久久久久久国产电影| 最新中文字幕久久久久| 国产色婷婷99| 久久久久人妻精品一区果冻| 亚洲久久久国产精品| 午夜日韩欧美国产|