• <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(dòng)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(jì)算機(jī)與生活 2016年11期
    關(guān)鍵詞:排序

    李 濤,葛洪偉,2+,蘇樹智

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

    2.輕工過程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室(江南大學(xué)),江蘇 無錫 214122

    自動(dòng)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(xué) 物聯(lián)網(wǎng)工程學(xué)院,江蘇 無錫 214122

    2.輕工過程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室(江南大學(xué)),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(yù)先指定聚類數(shù)目,能夠發(fā)現(xiàn)非球形簇。針對(duì)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(dòng)確定聚類中心的密度峰聚類算法。首先,計(jì)算每個(gè)數(shù)據(jù)點(diǎn)的局部密度和該點(diǎn)到具有更高密度數(shù)據(jù)點(diǎn)的最短距離;其次,根據(jù)排序圖自動(dòng)確定聚類中心;最后,將剩下的每個(gè)數(shù)據(jù)點(diǎn)分配到比其密度更高且距其最近的數(shù)據(jù)點(diǎn)所屬的類別,并根據(jù)邊界密度識(shí)別噪聲點(diǎn),得到聚類結(jié)果。將新算法與原密度峰算法進(jìn)行對(duì)比,在人工數(shù)據(jù)集和UCI數(shù)據(jù)集上的實(shí)驗(yàn)表明,新算法不僅能夠自動(dòng)確定聚類中心,而且具有更高的準(zhǔn)確率。

    聚類;密度峰;自動(dòng)聚類;密度聚類

    1 引言

    聚類是按照某個(gè)特定標(biāo)準(zhǔn),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(duì)象具有最小相似性,同一簇內(nèi)的數(shù)據(jù)對(duì)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(shí)別、機(jī)器學(xué)習(xí)、信息檢索等領(lǐng)域[2]已經(jīng)得到了廣泛研究和應(yīng)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(jì)學(xué)聚類和神經(jīng)網(wǎng)絡(luò)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(diǎn),得到聚類結(jié)果。

    DPC算法雖然簡(jiǎn)單高效,但卻無法自動(dòng)確定聚類中心。特別是針對(duì)一些特殊數(shù)據(jù)集,通過決策圖人工選取聚類中心時(shí)容易出錯(cuò)。針對(duì)DPC算法這一缺陷,本文提出了一種自動(dòng)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(dòng)確定聚類中心,具有更優(yōu)的聚類結(jié)果和更高的準(zhǔn)確率。

    2 密度峰聚類及其缺陷

    密度峰聚類[13]算法只有一個(gè)輸入?yún)?shù),不需要預(yù)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(diǎn)之間的距離測(cè)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(diǎn)的數(shù)據(jù)點(diǎn)視為聚類中心:該點(diǎn)被具有相對(duì)較低局部密度的鄰居點(diǎn)包圍,且與其他具有更高密度的數(shù)據(jù)點(diǎn)之間具有相對(duì)較大的距離。對(duì)于每個(gè)數(shù)據(jù)點(diǎn) j,只需計(jì)算兩個(gè)變量,即點(diǎn) j的局部密度ρj和該點(diǎn)到具有更高局部密度的點(diǎn)的最短距離δj。數(shù)據(jù)點(diǎn)j的局部密度ρj計(jì)算方式為:

    其中,djk是數(shù)據(jù)點(diǎn)之間的距離;dc是截?cái)嗑嚯x。設(shè)數(shù)據(jù)點(diǎn)的鄰居點(diǎn)總數(shù)占數(shù)據(jù)集樣本點(diǎn)總數(shù)N的比例值為P∈(0,100),將M=N(N-1)/2個(gè)距離dmn(m

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

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

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

    DPC算法雖然簡(jiǎn)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(duì)每個(gè)簇內(nèi)都有唯一密度峰或者簇?cái)?shù)很少的數(shù)據(jù)集比較有效,因?yàn)榇藭r(shí)從決策圖中比較容易判斷出具有相對(duì)較大ρ和δ的數(shù)據(jù)點(diǎn)。但針對(duì)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(diǎn),一些具有相對(duì)較大ρ和較小δ,或者相對(duì)較小ρ和較大δ的數(shù)據(jù)點(diǎn)也可能是聚類中心,但這些點(diǎn)很容易被人為地忽略,使得少選了聚類中心,最終導(dǎo)致屬于不同簇的一些數(shù)據(jù)點(diǎn)被錯(cuò)誤地合并為同一個(gè)簇。

    (2)如圖2所示,如果同一簇內(nèi)出現(xiàn)了多個(gè)密度峰,則這些點(diǎn)很容易被錯(cuò)選為多余的聚類中心,導(dǎo)致同一個(gè)簇被錯(cuò)誤地分割為多個(gè)子簇。

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

    可見,DPC算法對(duì)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(shí)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(dòng)確定聚類中心的密度峰聚類算法

    3.1 自動(dòng)確定聚類中心

    定義1γj為衡量點(diǎn)j是否為聚類中心的指標(biāo):

    顯然,當(dāng)點(diǎn) j為聚類中心時(shí),ρj或δj具有較大值,則γj也具有較大值,因而γj較大的點(diǎn)很可能是聚類中心。對(duì)γ進(jìn)行降序排列,記排序后的點(diǎn)編號(hào)為i,繪制γ關(guān)于點(diǎn)i的前個(gè)點(diǎn)的函數(shù)圖,稱之為“γ排序圖”。

    其中,

    P=8時(shí),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(diǎn)之前。整體而言,大多數(shù)數(shù)據(jù)點(diǎn)的γ值較小且彼此接近,只有拐點(diǎn)之前的少數(shù)數(shù)據(jù)點(diǎn)γ值較大且彼此差異也較大,將這少數(shù)點(diǎn)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(shí)圖2(b)數(shù)據(jù)集的決策圖與γ排序圖(前30個(gè)點(diǎn)2個(gè)簇)

    準(zhǔn)確確定拐點(diǎn)是算法的關(guān)鍵。根據(jù)定義2,拐點(diǎn)為γi值前后差值大于閾值θ的所有點(diǎn)中γ值最小的點(diǎn),因而一種有效查找拐點(diǎn)的方法為:從右往左依次判斷γ排序圖中的點(diǎn),查找第一個(gè)滿足定義2中條件的點(diǎn),該點(diǎn)即為拐點(diǎn)。這種方法確定的拐點(diǎn)能夠保證拐點(diǎn)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(shí)漏選任何一個(gè)可能的實(shí)際聚類中心。

    顯然,潛在聚類中心的個(gè)數(shù)一般多于實(shí)際聚類中心的個(gè)數(shù)。如果把所有潛在聚類中心都當(dāng)作實(shí)際聚類中心進(jìn)行聚類,則某些簇中可能會(huì)被指定多余的聚類中心,導(dǎo)致同一個(gè)簇被錯(cuò)誤地分割為多個(gè)子簇。在DPC算法中,實(shí)際聚類中心通常都位于數(shù)據(jù)點(diǎn)分布相對(duì)比較稠密的區(qū)域,而且彼此之間都具有相對(duì)較大的距離。因而在一個(gè)具有高密度區(qū)域的簇中,若存在多個(gè)潛在聚類中心(密度峰點(diǎn)),則這些潛在聚類中心彼此之間通常會(huì)比較接近。把查找到的屬于某個(gè)簇的第一個(gè)潛在聚類中心當(dāng)作該簇的唯一實(shí)際聚類中心;如果其他某個(gè)潛在聚類中心與該簇中已知實(shí)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(cuò)選的多余的聚類中心,并將其當(dāng)作簇成員處理,否則將該潛在聚類中心當(dāng)作另一個(gè)簇的實(shí)際聚類中心。最終,實(shí)現(xiàn)從潛在聚類中心中準(zhǔn)確“篩選”出實(shí)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(diǎn)及潛在聚類中心,然后從潛在聚類中心中自動(dòng)確定實(shí)際聚類中心,最后分配剩余數(shù)據(jù)點(diǎn),得到聚類結(jié)果。算法主要步驟描述如下。

    輸入:實(shí)驗(yàn)數(shù)據(jù)集X={x1,x2,…,xn},數(shù)據(jù)點(diǎn)的鄰居點(diǎn)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(jì)算dc,計(jì)算每個(gè)數(shù)據(jù)點(diǎn)i的局部密度ρi和該點(diǎn)到具有更高局部密度數(shù)據(jù)點(diǎn)的最短距離δi。

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

    (3)默認(rèn)具有最大γ值的第一個(gè)點(diǎn)為一個(gè)實(shí)際聚類中心。從已經(jīng)被確定為實(shí)際聚類中心的所有點(diǎn)中,找到距離點(diǎn)i最近的點(diǎn) j,計(jì)算距離Dist(i,j),記MinDist=Dist(i,j)。如果MinDist>dc,則點(diǎn)i被確定為一個(gè)新的實(shí)際聚類中心,否則點(diǎn)i被視為點(diǎn)j所屬的簇的成員。其中,i=2,3,…,ap,j=1,2,…,i-1。

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

    (5)將剩下的每個(gè)數(shù)據(jù)點(diǎn)分配到具有更大ρ的最近鄰點(diǎn)所屬的簇,計(jì)算邊界區(qū)域密度,根據(jù)邊界區(qū)域密度識(shí)別噪聲點(diǎn)。

    使用DS7數(shù)據(jù)集自動(dòng)確定聚類中心的過程對(duì)算法原理做進(jìn)一步解釋。P=3.5(dc=2.52)時(shí)DS7數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果如圖4所示。圖4(a)中為拐點(diǎn)之前(包括拐點(diǎn))的9個(gè)潛在聚類中心按γ值從大到小進(jìn)行了編號(hào);圖4(b)為圖4(a)中9個(gè)潛在聚類中心的實(shí)際位置分布及錯(cuò)誤聚類結(jié)果;圖4(c)標(biāo)示出了算法最后自動(dòng)確定的7個(gè)實(shí)際聚類中心;圖4(d)為圖4(c)對(duì)應(yīng)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(diǎn)9選作拐點(diǎn),將點(diǎn)1至點(diǎn)9選作潛在聚類中心;然后依次判斷9個(gè)點(diǎn)能否作為實(shí)際聚類中心。默認(rèn)具有最大γ值的點(diǎn)1為一個(gè)實(shí)際聚類中心,點(diǎn)2找到已經(jīng)被確定為實(shí)際聚類中心且距其最近的點(diǎn)1,計(jì)算點(diǎn)1與點(diǎn)2之間的距離 Dist(1,2)= 21.68,因?yàn)镈ist(1,2)>dc,所以點(diǎn)2被確定為一個(gè)新的實(shí)際聚類中心;相似的,點(diǎn)3、4、5、6、7依次被確定為實(shí)際聚類中心;點(diǎn)8從已被確定為實(shí)際聚類中心的點(diǎn)中找到距其最近的點(diǎn)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(dòng)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(shí)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(gè)類)

    3.3 ADPC算法時(shí)間復(fù)雜度分析

    設(shè)實(shí)驗(yàn)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(jì)算dc時(shí),首先計(jì)算歐式距離矩陣的時(shí)間復(fù)雜度為O(n2),對(duì)歐式距離矩陣上三角n(n-1)/2個(gè)距離進(jìn)行快速排序的時(shí)間復(fù)雜度為O(n2lbn),計(jì)算 ρ和δ的時(shí)間復(fù)雜度為O(n2);第(2)步中計(jì)算γ及自動(dòng)查找拐點(diǎn)的時(shí)間復(fù)雜度為O(n),采用快速排序?qū)Ζ媒敌蚺帕械臅r(shí)間復(fù)雜度為O(n2lbn);第(3)、(4)步中自動(dòng)確定聚類中心的時(shí)間復(fù)雜度綜合為O(n2);第(5)步中分配數(shù)據(jù)點(diǎn)的時(shí)間復(fù)雜度為O(n),識(shí)別噪聲點(diǎn)的時(shí)間復(fù)雜度為O(n2)。綜上所述,ADPC算法的時(shí)間復(fù)雜度為O(n2lbn)。

    4 實(shí)驗(yàn)與分析

    為了驗(yàn)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(jìn)行了實(shí)驗(yàn)。

    4.1 人工數(shù)據(jù)集

    實(shí)驗(yàn)中用到的人工數(shù)據(jù)集有兩個(gè),數(shù)據(jù)集的相關(guān)信息見表1。使用表1中數(shù)據(jù)集,分別運(yùn)行DPC與ADPC算法,實(shí)驗(yàn)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(shí)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(gè)類)

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

    Fig.8 γsorting graph and ideal clustering result of DS15 byADPC whenP=3.5(15 clusters)圖8 P=3.5時(shí)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(gè)類)

    Fig.9 Decision graph and ideal clustering result of DS31 by DPC whenP=2(31 clusters)圖9 P=2時(shí)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(gè)類)

    Fig.10 γsorting graph and ideal clustering result of DS31 byADPC whenP=2(31 clusters)圖10 P=2時(shí)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(gè)類)

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

    Fig.12 γsorting graph and ideal clustering result of DS31 byADPC whenP=2.4(31 clusters)圖12 P=2.4時(shí)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(gè)類)

    針對(duì)DS15數(shù)據(jù)集,P∈[1.1,3.3]時(shí),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(shí)具有很大的不確定性;P∈[3.4,3.7]時(shí),DPC算法已經(jīng)無法選取出準(zhǔn)確的聚類中心,而ADPC算法依然可以自動(dòng)確定全部15個(gè)聚類中心并得到理想聚類結(jié)果。其中P=2,P=3.5時(shí),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(gè)類,但在圖5(a)中,因人工選擇具有主觀性,很可能會(huì)將聚類中心錯(cuò)選為2個(gè)、3個(gè)等;而在圖6、圖8中,ADPC算法不存在錯(cuò)選聚類中心的情況。相似的,針對(duì)DS31數(shù)據(jù)集,P∈[1.1,2.1]時(shí),ADPC算法比DPC算法能夠更易且自動(dòng)得到理想聚類結(jié)果;而P∈[2.2,2.4]時(shí),DPC算法經(jīng)過多次嘗試,最多也只能得到錯(cuò)誤的30個(gè)類,但ADPC算法依然可以自動(dòng)確定全部31個(gè)聚類中心并得到理想的聚類結(jié)果。其中P=2,P=2.4時(shí),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(shí)驗(yàn)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(shí)出錯(cuò)的可能性,特別是當(dāng)DPC算法無法選取全部聚類中心時(shí),ADPC算法不僅能夠基于γ排序圖自動(dòng)準(zhǔn)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(jìn)一步驗(yàn)證ADPC算法性能,使用表2中4個(gè)常用UCI數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)采用F-measure[15]與NMI(normalized mutual information)[16]指標(biāo)評(píng)價(jià)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(biāo)值見表3。表3表明,除了在處理Seeds數(shù)據(jù)集時(shí)兩種算法具有相同的F-measure與NMI值,在其他3個(gè)數(shù)據(jù)集上,ADPC算法得到的兩個(gè)指標(biāo)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(zhǔn)確度。

    Table 3 Comparison of F-measure and NMI表3 兩種算法的F-measure與NMI指標(biāo)值對(duì)比

    4.3 算法運(yùn)行效率分析對(duì)比

    根據(jù)3.3節(jié)描述,ADPC算法的時(shí)間復(fù)雜度為O(n2lbn)。根據(jù)文獻(xiàn)[13],DPC算法的時(shí)間復(fù)雜度為O(n2lbn)??梢姡珹DPC算法雖然增加了自動(dòng)確定聚類中心的能力,但時(shí)間復(fù)雜度仍與DPC算法在同一個(gè)數(shù)量級(jí)。表4為兩種算法在表1、表2中6個(gè)數(shù)據(jù)集上的運(yùn)行時(shí)間對(duì)比,表中時(shí)間為算法在同一數(shù)據(jù)集上運(yùn)行10次所用的平均時(shí)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(shí)間。兩種算法均在Matlab R2013a上編程實(shí)現(xiàn),在同一PC機(jī)(Windows10 64位操作系統(tǒng),Intel Core i7 2.5 GHz CPU,4 GB內(nèi)存)上運(yùn)行,時(shí)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(yùn)行時(shí)間對(duì)比 s

    在表4中,ADPC算法只比DPC算法的運(yùn)行時(shí)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(yùn)行時(shí)間,這也驗(yàn)證了兩種算法具有相同時(shí)間復(fù)雜度的結(jié)論。

    5 結(jié)束語

    針對(duì)密度峰聚類(DPC)算法人工難以準(zhǔn)確選取聚類中心的缺陷,提出了一種自動(dòng)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(shí)數(shù)據(jù)集上具有更高的準(zhǔn)確度。由于ADPC算法主要是在選取聚類中心環(huán)節(jié)對(duì)DPC算法進(jìn)行了改進(jìn),并沒有改變DPC算法的數(shù)據(jù)點(diǎn)分配機(jī)制,因而ADPC算法不僅增加了自動(dòng)確定聚類中心的能力,而且保留了DPC算法的一些優(yōu)勢(shì):即同樣只需一個(gè)輸入?yún)?shù),不需要預(yù)先指定聚類數(shù)目,可以識(shí)別非球形簇,并且沒有增加時(shí)間復(fù)雜度。

    然而,ADPC算法在面對(duì)一些簇內(nèi)沒有密度峰或同時(shí)具有多個(gè)密度峰的復(fù)雜流形結(jié)構(gòu)數(shù)據(jù)集時(shí),會(huì)出現(xiàn)能夠自動(dòng)確定聚類中心卻無法得到理想聚類結(jié)果的問題。這是因?yàn)閷?duì)于流形結(jié)構(gòu)中的某個(gè)點(diǎn)a而言,密度更高且距其最近的點(diǎn)b很可能在另一個(gè)簇中,這就導(dǎo)致點(diǎn)a被錯(cuò)誤地分配到點(diǎn)b所屬的簇,最終導(dǎo)致實(shí)際屬于不同簇的一些點(diǎn)被錯(cuò)誤地合并為同一簇。針對(duì)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(diǎn)、簇內(nèi)與簇間蘊(yùn)含結(jié)構(gòu)信息的新的距離測(cè)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(jìn)算法的分配機(jī)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(diǎn),從而使得數(shù)據(jù)點(diǎn)分配更佳合理??傊绾问沟肁DPC算法能夠有效處理復(fù)雜流形結(jié)構(gòu)數(shù)據(jù)集,將是下一步的研究?jī)?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(xiàn):

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

    [10]光俊葉,劉明霞,張道強(qiáng).基于有效距離的譜聚類算法[J].計(jì)算機(jī)科學(xué)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(chǎng)的改進(jìn)DBSCAN聚類算法[J].計(jì)算機(jī)科學(xué)與探索,2012,6(10):903-911.

    [15]楊燕,靳蕃,Mohamed K.聚類有效性評(píng)價(jià)綜述[J].計(jì)算機(jī)應(yīng)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(xué)碩士研究生,CCF學(xué)生會(huì)員,主要研究領(lǐng)域?yàn)槿斯ぶ悄?,?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(xué)計(jì)算機(jī)系獲得碩士學(xué)位,2008年于江南大學(xué)信息學(xué)院獲得博士學(xué)位,現(xiàn)為江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院教授、博士生導(dǎo)師,主要研究領(lǐng)域?yàn)槿斯ぶ悄?,模式識(shí)別,機(jī)器學(xué)習(xí),圖像處理與分析。在國(guó)際權(quán)威期刊、國(guó)際會(huì)議和國(guó)內(nèi)核心期刊上發(fā)表論文70多篇,主持和承擔(dān)了國(guó)家自然科學(xué)基金等國(guó)家級(jí)項(xiàng)目和省部級(jí)項(xiàng)目近20項(xiàng),獲省部級(jí)科技進(jìn)步獎(jiǎng)多項(xiàng)。

    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(xué)博士研究生,主要研究領(lǐng)域?yàn)槟J阶R(shí)別,機(jī)器學(xué)習(xí)。

    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(guó)家自然科學(xué)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(jì)劃項(xiàng)目).

    Received 2015-10,Accepted 2016-03.

    CNKI網(wǎng)絡(luò)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(jiǎn)介
    名家名作(2021年9期)2021-10-08 01:31:36
    作者簡(jiǎn)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(jiǎn)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
    人妻夜夜爽99麻豆av| 欧美+亚洲+日韩+国产| 丝袜喷水一区| 别揉我奶头~嗯~啊~动态视频| 噜噜噜噜噜久久久久久91| 男女下面进入的视频免费午夜| 成年女人看的毛片在线观看| 欧美人与善性xxx| 亚洲第一电影网av| 一级黄片播放器| 一级毛片我不卡| 在线观看美女被高潮喷水网站| 国产精品国产三级国产av玫瑰| 亚洲美女黄片视频| 永久网站在线| 精品少妇黑人巨大在线播放 | 日本黄大片高清| 精品少妇黑人巨大在线播放 | 五月伊人婷婷丁香| 1000部很黄的大片| 欧美区成人在线视频| 国产成人freesex在线 | 国产一区二区亚洲精品在线观看| 国内揄拍国产精品人妻在线| 亚洲欧美日韩无卡精品| 大型黄色视频在线免费观看| 欧美日韩综合久久久久久| 欧美绝顶高潮抽搐喷水| 国产精品野战在线观看| 国产 一区 欧美 日韩| 欧美极品一区二区三区四区| 午夜激情福利司机影院| 国产亚洲av嫩草精品影院| 免费搜索国产男女视频| 亚洲精品久久国产高清桃花| 亚洲va在线va天堂va国产| 深爱激情五月婷婷| 亚洲美女视频黄频| 亚洲成人中文字幕在线播放| 日产精品乱码卡一卡2卡三| 中文字幕av成人在线电影| 插逼视频在线观看| 亚洲欧美日韩东京热| 18+在线观看网站| 国产色婷婷99| 久久久久久久久久久丰满| 99热这里只有是精品在线观看| 简卡轻食公司| 国产精华一区二区三区| 午夜免费激情av| 国产成人a∨麻豆精品| 亚洲av熟女| 免费搜索国产男女视频| 一个人免费在线观看电影| 久久精品影院6| 五月玫瑰六月丁香| eeuss影院久久| 亚洲成av人片在线播放无| 直男gayav资源| 国产单亲对白刺激| 国产一区二区亚洲精品在线观看| 日本免费一区二区三区高清不卡| 亚洲成人av在线免费| 大香蕉久久网| 真人做人爱边吃奶动态| 人妻丰满熟妇av一区二区三区| 午夜福利成人在线免费观看| 亚洲成a人片在线一区二区| 久久久久性生活片| 99久国产av精品| 高清毛片免费看| 亚洲人与动物交配视频| 久久久精品欧美日韩精品| 国产精品人妻久久久影院| 亚洲av免费在线观看| 亚州av有码| 五月玫瑰六月丁香| 国产高清视频在线观看网站| 日韩三级伦理在线观看| 国产蜜桃级精品一区二区三区| 国产精品无大码| 此物有八面人人有两片| 国产高清不卡午夜福利| 国产精品1区2区在线观看.| 国产精品乱码一区二三区的特点| 尾随美女入室| 久久亚洲国产成人精品v| 午夜免费男女啪啪视频观看 | 婷婷色综合大香蕉| 欧美日本亚洲视频在线播放| 亚洲乱码一区二区免费版| 亚洲美女黄片视频| 美女免费视频网站| 搡老岳熟女国产| 91av网一区二区| 3wmmmm亚洲av在线观看| 国产 一区精品| 国产午夜精品久久久久久一区二区三区 | 国产单亲对白刺激| 欧美高清性xxxxhd video| 亚洲欧美精品综合久久99| 99久久成人亚洲精品观看| 在线播放国产精品三级| 能在线免费观看的黄片| 日韩高清综合在线| 国产亚洲精品久久久com| 国产黄色小视频在线观看| 两个人视频免费观看高清| 18禁在线无遮挡免费观看视频 | 日韩欧美在线乱码| 免费看光身美女| 亚洲色图av天堂| 成年版毛片免费区| 伦理电影大哥的女人| 老熟妇乱子伦视频在线观看| 亚洲精品一卡2卡三卡4卡5卡| 一个人看视频在线观看www免费| 亚洲欧美日韩东京热| 亚洲色图av天堂| 亚洲成人av在线免费| 亚洲电影在线观看av| 身体一侧抽搐| 老熟妇仑乱视频hdxx| 一进一出抽搐gif免费好疼| 亚洲av五月六月丁香网| 大香蕉久久网| 欧美日韩综合久久久久久| 你懂的网址亚洲精品在线观看 | 国产黄色小视频在线观看| 日本爱情动作片www.在线观看 | 国产成人一区二区在线| 久久精品国产亚洲av涩爱 | 亚洲三级黄色毛片| 桃色一区二区三区在线观看| 亚洲国产精品成人久久小说 | 夜夜爽天天搞| 亚洲婷婷狠狠爱综合网| 在线观看午夜福利视频| 成人三级黄色视频| 日韩欧美 国产精品| 亚洲美女黄片视频| 久久精品久久久久久噜噜老黄 | 国产淫片久久久久久久久| 少妇熟女欧美另类| 免费大片18禁| 男女之事视频高清在线观看| 欧美激情在线99| 夜夜爽天天搞| 国产中年淑女户外野战色| 国产亚洲精品久久久com| 熟女人妻精品中文字幕| 欧美xxxx性猛交bbbb| 能在线免费观看的黄片| 熟女人妻精品中文字幕| 日日摸夜夜添夜夜爱| 可以在线观看的亚洲视频| 精品无人区乱码1区二区| 国产麻豆成人av免费视频| 99热这里只有是精品50| 九九久久精品国产亚洲av麻豆| 亚洲精品成人久久久久久| 久久婷婷人人爽人人干人人爱| 国产私拍福利视频在线观看| 变态另类丝袜制服| 天美传媒精品一区二区| 禁无遮挡网站| 在线免费观看不下载黄p国产| 一卡2卡三卡四卡精品乱码亚洲| 国产精品美女特级片免费视频播放器| 成人二区视频| 国产成人a区在线观看| 国产午夜精品论理片| 亚洲成人av在线免费| 日本免费一区二区三区高清不卡| 亚洲av中文av极速乱| 精品人妻视频免费看| 久久这里只有精品中国| 亚洲无线在线观看| 一本久久中文字幕| 欧美成人免费av一区二区三区| 国产大屁股一区二区在线视频| 欧美日韩国产亚洲二区| 免费av不卡在线播放| 99久久久亚洲精品蜜臀av| 欧美日本亚洲视频在线播放| 国产私拍福利视频在线观看| 最近视频中文字幕2019在线8| 国产成人影院久久av| 欧美3d第一页| 亚洲人成网站高清观看| 搞女人的毛片| 我的老师免费观看完整版| 免费看a级黄色片| 婷婷六月久久综合丁香| 国产精品爽爽va在线观看网站| 99久久无色码亚洲精品果冻| 国产黄色视频一区二区在线观看 | 一级毛片aaaaaa免费看小| 欧美日本视频| 久久久久国产网址| 国内精品一区二区在线观看| h日本视频在线播放| 国产午夜福利久久久久久| 日本 av在线| 欧美性猛交黑人性爽| 日韩高清综合在线| 国产视频内射| 国产在线精品亚洲第一网站| 欧美不卡视频在线免费观看| 三级国产精品欧美在线观看| av在线亚洲专区| 男女之事视频高清在线观看| 日本a在线网址| 成人性生交大片免费视频hd| 国产91av在线免费观看| 日韩在线高清观看一区二区三区| 国产高清不卡午夜福利| 国产精品久久久久久亚洲av鲁大| av天堂中文字幕网| 欧美激情国产日韩精品一区| 变态另类成人亚洲欧美熟女| 99精品在免费线老司机午夜| 欧美不卡视频在线免费观看| 我的老师免费观看完整版| 看非洲黑人一级黄片| 亚洲内射少妇av| 日日干狠狠操夜夜爽| 国产欧美日韩一区二区精品| 午夜精品国产一区二区电影 | 亚洲欧美日韩高清在线视频| 久久久久久久亚洲中文字幕| 天堂网av新在线| 久久久久久久久久成人| 大型黄色视频在线免费观看| 国产免费男女视频| 国产成人freesex在线 | 女人被狂操c到高潮| 99久国产av精品国产电影| 亚洲人成网站在线播| 国产成人a区在线观看| 天堂av国产一区二区熟女人妻| 亚洲av成人精品一区久久| 丝袜喷水一区| 国产大屁股一区二区在线视频| 精品少妇黑人巨大在线播放 | 男女之事视频高清在线观看| 综合色av麻豆| 美女内射精品一级片tv| 国产欧美日韩一区二区精品| 久久精品国产亚洲网站| 成年av动漫网址| 国产成人a区在线观看| 久久九九热精品免费| 两个人视频免费观看高清| 色综合亚洲欧美另类图片| 中文亚洲av片在线观看爽| 亚洲av成人精品一区久久| 一本久久中文字幕| 亚洲人成网站在线播| 久久久久性生活片| 国产高清三级在线| 亚洲国产精品成人综合色| 最后的刺客免费高清国语| 久久精品夜色国产| 亚洲在线自拍视频| 啦啦啦啦在线视频资源| 国产日本99.免费观看| 国产 一区 欧美 日韩| 天堂av国产一区二区熟女人妻| 日日摸夜夜添夜夜添小说| .国产精品久久| 国产精品一区二区性色av| 亚洲自偷自拍三级| 一进一出好大好爽视频| 免费电影在线观看免费观看| 卡戴珊不雅视频在线播放| 亚洲av不卡在线观看| 婷婷精品国产亚洲av| 亚洲美女视频黄频| 亚洲高清免费不卡视频| 亚洲在线自拍视频| 大型黄色视频在线免费观看| 久久精品综合一区二区三区| 国产欧美日韩一区二区精品| 亚洲精华国产精华液的使用体验 | 亚洲专区国产一区二区| 男人舔奶头视频| 看非洲黑人一级黄片| 亚洲av成人av| 久久九九热精品免费| 中文字幕久久专区| 大型黄色视频在线免费观看| 国产黄色小视频在线观看| 亚洲一区高清亚洲精品| 成人欧美大片| 一区二区三区高清视频在线| 噜噜噜噜噜久久久久久91| 啦啦啦啦在线视频资源| 黄色日韩在线| 国产精品免费一区二区三区在线| 国内精品宾馆在线| 免费看日本二区| 日日摸夜夜添夜夜添av毛片| 国内少妇人妻偷人精品xxx网站| 99在线人妻在线中文字幕| 非洲黑人性xxxx精品又粗又长| 欧美+日韩+精品| 全区人妻精品视频| 亚洲欧美日韩无卡精品| 男女做爰动态图高潮gif福利片| 久久国产乱子免费精品| 精品午夜福利在线看| 国国产精品蜜臀av免费| 五月伊人婷婷丁香| 国产伦一二天堂av在线观看| 日韩av在线大香蕉| 淫妇啪啪啪对白视频| 色吧在线观看| 91麻豆精品激情在线观看国产| 18禁裸乳无遮挡免费网站照片| 精品人妻一区二区三区麻豆 | 精品人妻视频免费看| 六月丁香七月| 真人做人爱边吃奶动态| 3wmmmm亚洲av在线观看| 给我免费播放毛片高清在线观看| 久久久久国产网址| 淫秽高清视频在线观看| 成人亚洲精品av一区二区| 欧美区成人在线视频| 神马国产精品三级电影在线观看| 欧美不卡视频在线免费观看| 免费av毛片视频| 亚洲最大成人手机在线| 91狼人影院| 亚洲综合色惰| 69av精品久久久久久| 亚洲精品乱码久久久v下载方式| 在线a可以看的网站| 精品久久久久久久久av| 99热6这里只有精品| 网址你懂的国产日韩在线| 久久中文看片网| 午夜激情欧美在线| 伊人久久精品亚洲午夜| 色吧在线观看| 欧美中文日本在线观看视频| 免费观看在线日韩| 欧美一区二区亚洲| 又黄又爽又刺激的免费视频.| 欧美日韩精品成人综合77777| 国产精品美女特级片免费视频播放器| 国内精品一区二区在线观看| 麻豆国产97在线/欧美| 精品99又大又爽又粗少妇毛片| 国产成人一区二区在线| 少妇的逼水好多| 久久精品久久久久久噜噜老黄 | 亚洲最大成人手机在线| 又黄又爽又刺激的免费视频.| 亚洲国产精品sss在线观看| 成人av在线播放网站| 久久久欧美国产精品| 久久中文看片网| 午夜福利成人在线免费观看| 成人av一区二区三区在线看| av在线播放精品| 男女那种视频在线观看| 18禁黄网站禁片免费观看直播| 舔av片在线| 成人亚洲精品av一区二区| 成人高潮视频无遮挡免费网站| 亚洲18禁久久av| 极品教师在线视频| 又粗又爽又猛毛片免费看| 国产成人影院久久av| 久久鲁丝午夜福利片| 亚洲国产欧美人成| 久久久精品大字幕| 欧美日韩精品成人综合77777| 99热6这里只有精品| 色哟哟哟哟哟哟| 美女内射精品一级片tv| 色5月婷婷丁香| 国产一区二区在线av高清观看| 成年av动漫网址| 蜜臀久久99精品久久宅男| 国产精品久久久久久av不卡| 99久久精品一区二区三区| www日本黄色视频网| 亚洲最大成人手机在线| 欧美不卡视频在线免费观看| a级毛片a级免费在线| 国产精品永久免费网站| 亚洲成人av在线免费| 赤兔流量卡办理| 国产一区二区三区av在线 | 俄罗斯特黄特色一大片| 老女人水多毛片| 村上凉子中文字幕在线| 国模一区二区三区四区视频| 欧美人与善性xxx| 91久久精品国产一区二区三区| 最近最新中文字幕大全电影3| 村上凉子中文字幕在线| 精品一区二区三区视频在线| 欧美区成人在线视频| 久久韩国三级中文字幕| 日韩欧美在线乱码| 国产一区二区在线av高清观看| 日本一本二区三区精品| 丰满人妻一区二区三区视频av| 岛国在线免费视频观看| av专区在线播放| 日韩三级伦理在线观看| 欧美高清性xxxxhd video| 日韩欧美精品v在线| 国产成人aa在线观看| 日本黄大片高清| 成人无遮挡网站| 日韩精品中文字幕看吧| 俄罗斯特黄特色一大片| 国产精品野战在线观看| 日日撸夜夜添| 男人狂女人下面高潮的视频| 日韩精品青青久久久久久| 日韩高清综合在线| 国产成人freesex在线 | 观看免费一级毛片| 亚洲成人精品中文字幕电影| 成人性生交大片免费视频hd| 亚洲色图av天堂| 18禁在线播放成人免费| 成人综合一区亚洲| 搡女人真爽免费视频火全软件 | 久久久久国产网址| 亚洲性夜色夜夜综合| 国产av麻豆久久久久久久| 精品乱码久久久久久99久播| 国产91av在线免费观看| 国产一区二区三区av在线 | 蜜桃久久精品国产亚洲av| 国产一区二区三区av在线 | 国产精品久久电影中文字幕| 午夜影院日韩av| 国产成人aa在线观看| 身体一侧抽搐| 亚洲精品国产av成人精品 | 69av精品久久久久久| 成人永久免费在线观看视频| 国产精品日韩av在线免费观看| 国产综合懂色| 国产成人91sexporn| 国产人妻一区二区三区在| 成人永久免费在线观看视频| 露出奶头的视频| 99久久精品一区二区三区| 国产一区亚洲一区在线观看| 国产91av在线免费观看| 三级男女做爰猛烈吃奶摸视频| 国产精品亚洲美女久久久| 久久人人精品亚洲av| 精品无人区乱码1区二区| 亚洲国产高清在线一区二区三| 少妇猛男粗大的猛烈进出视频 | 简卡轻食公司| 欧美三级亚洲精品| 69av精品久久久久久| 久久久久久久久久成人| 久久久精品欧美日韩精品| 国产精品野战在线观看| 五月玫瑰六月丁香| 国产色爽女视频免费观看| 国产精品久久久久久精品电影| 色av中文字幕| 亚洲成人中文字幕在线播放| 女人被狂操c到高潮| 日本与韩国留学比较| 国产中年淑女户外野战色| 午夜福利高清视频| 久久午夜亚洲精品久久| 亚洲精品亚洲一区二区| 久久久国产成人精品二区| 2021天堂中文幕一二区在线观| 51国产日韩欧美| 午夜日韩欧美国产| 欧美三级亚洲精品| 男女视频在线观看网站免费| 国产乱人偷精品视频| 免费看a级黄色片| aaaaa片日本免费| 日本免费一区二区三区高清不卡| 男女视频在线观看网站免费| 欧美人与善性xxx| 午夜亚洲福利在线播放| 91在线观看av| a级毛片a级免费在线| 赤兔流量卡办理| 欧美一区二区国产精品久久精品| 国产大屁股一区二区在线视频| 一a级毛片在线观看| 人妻久久中文字幕网| 村上凉子中文字幕在线| 国产精品一区www在线观看| 久久精品91蜜桃| 99久久精品国产国产毛片| 你懂的网址亚洲精品在线观看 | 亚洲经典国产精华液单| 欧美成人a在线观看| 成年版毛片免费区| 男女视频在线观看网站免费| 亚洲色图av天堂| 夜夜爽天天搞| 亚洲色图av天堂| 亚洲精品影视一区二区三区av| 婷婷精品国产亚洲av| 国产精品久久视频播放| .国产精品久久| 99riav亚洲国产免费| 全区人妻精品视频| 免费观看的影片在线观看| 亚洲精品一卡2卡三卡4卡5卡| 成人特级av手机在线观看| 最近最新中文字幕大全电影3| 久久中文看片网| 一级毛片aaaaaa免费看小| 成年女人永久免费观看视频| 久久久久久久久久成人| 亚洲aⅴ乱码一区二区在线播放| 黄色一级大片看看| 日日摸夜夜添夜夜爱| 三级男女做爰猛烈吃奶摸视频| 男女视频在线观看网站免费| 又黄又爽又免费观看的视频| 综合色丁香网| 午夜日韩欧美国产| 久久久精品欧美日韩精品| 久久久久久久久久成人| а√天堂www在线а√下载| 熟妇人妻久久中文字幕3abv| 在线观看美女被高潮喷水网站| 一个人看视频在线观看www免费| 一个人免费在线观看电影| 欧美人与善性xxx| 91在线精品国自产拍蜜月| 婷婷亚洲欧美| 色播亚洲综合网| 国产黄片美女视频| 国产成人影院久久av| 亚洲一区二区三区色噜噜| 人妻少妇偷人精品九色| 波多野结衣高清无吗| 久久久久性生活片| 欧美日韩在线观看h| 欧美极品一区二区三区四区| 男女做爰动态图高潮gif福利片| 最近最新中文字幕大全电影3| 国产高清视频在线观看网站| 日韩一区二区视频免费看| 成年女人永久免费观看视频| 亚洲成av人片在线播放无| 亚洲七黄色美女视频| 成人亚洲欧美一区二区av| 在现免费观看毛片| 国产精品久久久久久亚洲av鲁大| 熟女人妻精品中文字幕| 特大巨黑吊av在线直播| 久久精品国产自在天天线| 中文在线观看免费www的网站| 99在线人妻在线中文字幕| 亚洲成av人片在线播放无| 久久6这里有精品| 国产熟女欧美一区二区| 简卡轻食公司| 国产精品无大码| 国产综合懂色| 亚洲国产欧美人成| 成人精品一区二区免费| 免费观看人在逋| 人人妻人人澡人人爽人人夜夜 | 天美传媒精品一区二区| 黄色配什么色好看| 久久久久国内视频| 国产精品一区二区性色av| 国产精品一区www在线观看| 久久欧美精品欧美久久欧美| 成年免费大片在线观看| 99久久久亚洲精品蜜臀av| 国产私拍福利视频在线观看| av黄色大香蕉| 国产精品一区二区三区四区久久| 国内精品久久久久精免费| 国产精品三级大全| 亚洲国产日韩欧美精品在线观看| 搡老妇女老女人老熟妇| 国产老妇女一区| 最近在线观看免费完整版| 免费看a级黄色片| 亚洲精品乱码久久久v下载方式| 深夜精品福利| 97超碰精品成人国产| 69人妻影院| 久久鲁丝午夜福利片| 男插女下体视频免费在线播放| ponron亚洲| 一级av片app| 一进一出好大好爽视频| 啦啦啦韩国在线观看视频| 黄色视频,在线免费观看| 国产白丝娇喘喷水9色精品| 一级毛片我不卡| 久久精品人妻少妇| 欧美成人精品欧美一级黄| 国产精品免费一区二区三区在线| 午夜视频国产福利|