• <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 ?

    引入結構信息的模糊支持向量機

    2017-04-26 05:26:15李凱顧麗鳳張雷
    河北大學學報(自然科學版) 2017年2期
    關鍵詞:結構型正確率聚類

    李凱,顧麗鳳,張雷

    (1.河北大學 計算機科學與技術學院,河北 保定 071002;2.中國聯(lián)合網(wǎng)絡通信有限公司保定市分公司 網(wǎng)絡與信息安全部,河北 保定 071051)

    ?

    引入結構信息的模糊支持向量機

    李凱1,顧麗鳳1,張雷2

    (1.河北大學 計算機科學與技術學院,河北 保定 071002;2.中國聯(lián)合網(wǎng)絡通信有限公司保定市分公司 網(wǎng)絡與信息安全部,河北 保定 071051)

    模糊支持向量機是在支持向量機的基礎上,通過考慮不同樣本對支持向量機的作用而提出的一種分類方法,然而,該方法卻忽視了給定樣本集的結構信息.為此,將樣本集中的結構信息引入到模糊支持向量機中,給出了一種結構型模糊支持向量機模型,利用拉格朗日求解方法,將其轉換為一個具有約束條件的優(yōu)化問題,通過求解該對偶問題,獲得了結構型模糊支持向量機分類器.實驗中選取標準數(shù)據(jù)集,驗證了提出方法的有效性.

    支持向量機;模糊支持向量機;結構信息;類內(nèi)離散度

    支持向量機SVM (support vector machine)是由Vapnik等[1]提出的一種機器學習方法,其理論基礎是統(tǒng)計學習理論的VC (vapnik chervonenkis)維和結構風險最小化原理.SVM的基本思想是尋找具有最大間隔且將2類樣本正確分開的超平面,為此,研究人員對其進行了深入的研究,并提出了很多不同的支持向量機,例如υ-SVM(υ-support vector machines)[2]和LS-SVM(least squares support vector machine)[3].由于支持向量機對噪聲或異常點具有較強的敏感性,使得它的訓練易產(chǎn)生過擬合現(xiàn)象,從而導致支持向量機的泛化性能降低.為了解決該問題,研究人員提出了模糊支持向量機FSVM (fuzzy support vector machine)[4],該方法主要將模糊理論引入到支持向量機中,通過考慮不同樣本對支持向量機的作用,較好地解決了噪聲或異常點對支持向量機的影響.然而,如何確定不同樣本的作用,即合理設置樣本的模糊隸屬度是模糊支持向量機的主要問題.之后,研究人員依據(jù)訓練樣本的分布獲得了模糊隸屬度的確定方法[5-7]. 另外,一些研究人員通過研究模糊隸屬度的確定方法也獲得了不同類型的模糊支持向量機[8-10]. 可以看到,對于以上介紹的支持向量機或模糊支持向量機,主要利用了數(shù)據(jù)集的類間的可分性,但忽視了數(shù)據(jù)集中類內(nèi)的結構信息,為此,人們提出了結構支持向量機[11-16],進一步提高了支持向量機的泛化性能.目前,關于結構支持向量機,人們主要在傳統(tǒng)支持向量機的基礎上并結合結構信息進行了研究.鑒于模糊支持向量機的影響之深,本文對基于結構信息的模糊支持向量機進行了研究,給出了結構型模糊支持向量機模型,利用拉格朗日方法獲得了結構型模糊支持向量機分類器,實驗驗證了提出方法的有效性.

    1 模糊支持向量機

    模糊支持向量機是由Lin等[4]提出的一種分類方法,它主要針對數(shù)據(jù)樣本點的重要性不同,將每個數(shù)據(jù)樣本點xi賦予一個合適的模糊隸屬值si(0≤si≤1),以此克服噪聲或異常點對支持向量機的影響.為此,在模糊支持向量機中,給定的數(shù)據(jù)樣本集是具有模糊隸屬度的一個數(shù)據(jù)集合.假設X={(x1,y1,s1),(x2,y2,s2),…,(xl,yl,sl)},其中xi∈Rn,yi∈{+1,-1},i=1,2,…,l,si是樣本xi屬于類yi的模糊隸屬度.

    模糊支持向量機的優(yōu)化問題如下:

    s.t yi(wTxi+b)+ξi≥1,i=1,2,…,l,

    (1)

    ξi≥0,i=1,2,…,l,

    其中ξi是松弛變量,ξ=(ξ1,ξ2,…,ξl)是由松弛變量構成的向量,C是懲罰因子,siξi度量不同變量的重要性.原優(yōu)化問題(1)的對偶問題為

    (2)

    0≤αi≤Csi,i=1,2,…,l.

    2 結構型模糊支持向量機

    2.1 結構型模糊支持向量機模型

    在結構型模糊支持向量機SFSVM (structural fuzzy support vector machine)中,不僅尋找具有最大間隔的超平面,而且使得每類具有較小的離散度,為此,將數(shù)據(jù)集中的結構信息引入到模糊支持向量機中,從而得到結構型模糊支持向量機模型,其優(yōu)化問題如下:

    s.t yi(xi·w+b)+ξi≥1,i=1,2,…,l,

    (3)

    ξi≥0,i=1,2,…,l.

    其中par≥0為參數(shù),Sw為給定數(shù)據(jù)的總類內(nèi)離散度矩陣.

    令I為單位矩陣,∑=par·Sw+I,則(3)進一步變?yōu)槿缦碌膬?yōu)化問題:

    s.t yi(xi·w+b)+ξi≥1,i=1,2,…,l,

    (4)

    ξi≥0,i=1,2,…,l.

    使用拉格朗日方法求解(4),為此構造如下拉格朗日函數(shù):

    (5)

    其中α≥0和β≥0為拉格朗日乘子向量,即α=(α1,α2,…,αl) ,β=(β1,β2,…,βl),函數(shù)L的極值應滿足如下條件:

    (6)

    (7)

    (8)

    將式(6)、(7)和(8)帶入(5),由此得到如下優(yōu)化問題:

    0≤αi≤Csi,i=1,2,…,l.

    (9)

    可以看到,式(9)為二次規(guī)劃問題,可以對其直接求解,設獲得的解為α*=(α*1,α*2,…,α*l),將其帶入(6),從而得到最優(yōu)超平面的法線方向w=∑-1·∑li=1α*iyixi,由此進一步得到如下的決策函數(shù):

    其中b可由K-T條件獲得.

    2.2 結構信息的獲取

    假設樣本集X中的2類樣本構成的集合分別為X+和X-,即X=X+∪X-,m1和m2分別為X+和X-的均值向量,則樣本集X的結構信息,即樣本集X的類內(nèi)離散度為

    對于樣本集X的結構信息,除了使用類內(nèi)離散度方法獲取外,也可利用聚類方法得到. 假設對每類樣本聚類的簇數(shù)為k個,其聚類結果分別為X+和X-,即

    其中X+i和X-i(i=1,2,…,k)分別為對正類樣本和負類樣本聚類后得到的第i個簇;然后對每個簇X+i和X-i(i=1,2,…,k),分別計算類內(nèi)離散度S+i和S-i,從而獲得每類的類內(nèi)離散度S+和S-,即S+=∑ki=1S+i,S-=∑ki=1S-i,則樣本集X的結構信息為Sw=S++S-.

    可以看到,對于結構信息的獲取,給出的2種方法可以統(tǒng)一為使用聚類方法獲取樣本集的結構信息,也就是說,當聚類方法中的簇數(shù)k=1時,則聚類方法獲取的結構信息變?yōu)橹苯邮褂妹款惖念悆?nèi)離散度方法.

    2.3 模糊隸屬度的確定方法

    對于給定的數(shù)據(jù)集,如何確定每個樣本的隸屬度呢?關于該問題,研究人員提出了一些方法.在本文中,使用了Lin等[4]提出的樣本隸屬度的確定方法,即通過計算每個樣本到其類中心的距離來獲取樣本隸屬度,從而減少異常點或噪聲對支持向量機的影響.下面給出計算樣本模糊隸屬度的具體步驟:

    1)分別計算正類和負類樣本的類中心,設為x+和x-.

    3)根據(jù)樣本類均值和類半徑獲得每個樣本的模糊隸屬度

    其中,δ>0主要用來避免si=0.

    3 實驗研究

    為了驗證提出方法的有效性,實驗中選取了11個數(shù)據(jù)集,分別來自于UCI和Statlog數(shù)據(jù)庫,所有數(shù)據(jù)集均為2類,具體特性如表1所示.值得說明的是Wine數(shù)據(jù)集為3類,但在實驗中將其轉換為2類數(shù)據(jù)集.在下面的實驗中,對于每個數(shù)據(jù)集,使用隨機方法分別抽取90%和70%比例的數(shù)據(jù)作為訓練集,剩余的10%和30%數(shù)據(jù)作為測試集,實驗結果為執(zhí)行10次實驗后得到的平均值,結構信息的獲取主要研究了直接計算每類的類內(nèi)離散度方法,同時與使用聚類方法獲取結構信息進行了比較.

    為了表明結構信息對支持向量機的影響,實驗中選取參數(shù)par=9.5進行了研究,隨機選取的訓練集比例為90%,實驗結果如圖1所示,其中縱坐標表示10次實驗結果的均值和標準差.另外,與模糊支持向量機FSVM的實驗結果進行了比較,如圖2所示.

    表1 數(shù)據(jù)集的特性

    圖1 不同數(shù)據(jù)集的平均正確率與標準差Fig.1 Average accuracy and standard deviation on each data set

    圖2 固定參數(shù)后的2種不同方法的平均正確率的比較 Fig.2 Comparison of average accuracy for SFSVM and FSVM on each data set with par=9.5

    由圖2可以看到,在選取的11個數(shù)據(jù)集中,當選取參數(shù)par=9.5時,在8個數(shù)據(jù)集中,提出的方法SFSVM的性能優(yōu)于模糊支持向量機FSVM,在另外的3個數(shù)據(jù)集Australian、Bupa和Wpbc的性能劣于模糊支持向量機FSVM.但是,可以通過合理設置參數(shù)par的值,使得提出的方法SFSVM在大部分數(shù)據(jù)集上優(yōu)于模糊支持向量機FSVM,為了表明此種情況,對參數(shù)par的不同取值進行了實驗研究,其取值范圍為[3,10],實驗結果如圖3與圖4所示,其中圖3標出了取得較好結果的參數(shù)值,圖4給出了對應參數(shù)的10次運行結果的平均值及FSVM的平均值.可以看到,除了Bupa數(shù)據(jù)集稍有下降外,在其他數(shù)據(jù)集都獲得了較好的性能.

    圖3 選取較好參數(shù)的每個數(shù)據(jù)集的平均正確率與標準差Fig.3 Average accuracy and standard deviation on each data set with better parameter value

    圖4 選取較好參數(shù)的2種不同方法的平均正確率的比較Fig.4 Comparison of average accuracy for SFSVM and FSVM on each data set with better parameter value

    為了表明不同比例的訓練數(shù)據(jù)對分類的影響,針對選取的70%的訓練數(shù)據(jù)進行了實驗,參數(shù)par的取值分別為4,4.5,5,5.5和6,實驗結果如圖5和圖6所示.由實驗結果可以看到,在9個數(shù)據(jù)集中,提出的方法SFSVM的性能優(yōu)于模糊支持向量機,而在Bupa和Wine數(shù)據(jù)集上劣于FSVM,然而對于Wine數(shù)據(jù)集的性能,2種方法的正確率基本上保持一致.

    另外,通過選取90%的數(shù)據(jù)作為訓練集,聚類數(shù)目k=3且C=10,利用聚類技術獲取數(shù)據(jù)集的結構信息也進行了實驗,同時與FSVM及SFSVM 2種方法進行了比較,為了區(qū)分2種不同獲取結構信息的方法,用SFSVM-1和SFSVM-2分別表示直接使用類內(nèi)離散度和聚類技術獲取結構信息的SFSVM,實驗結果如圖7所示. 可以看到,使用結構信息的SFSVM的分類正確率在大部分數(shù)據(jù)集上優(yōu)于FSVM,而使用2種方法獲取結構信息的分類正確率在不同的數(shù)據(jù)集上各有千秋,實際上,可以針對不同的數(shù)據(jù)集,通過設置合理的參數(shù)獲得較好的分類性能.

    圖5 SFSVM在不同參數(shù)下的平均正確率Fig.5 Average accuracy for SFSVM on each data set with different parameter value

    圖6 選取較好參數(shù)下SFSVM與FSVM的平均正確率比較Fig.6 Comparison of average accuracy for SFSVM and FSVM on each data set with better parameter value

    圖7 3種不同方法的平均正確率比較Fig.7 Comparison of average accuracy with three different methods

    綜上所述,在模糊支持向量機中通過引入結構信息,在一定程度上提高了支持向量機的泛化性能,然而,在一些數(shù)據(jù)集,例如Bupa等,引入結構信息后反而使得支持向量機的性能有所下降,這主要是由于實驗中par的參數(shù)取值確定為[3,10],該問題的解決可以通過進一步調(diào)整參數(shù)值獲得較好的性能.

    4 結論

    模糊支持向量機是在支持向量機的基礎上,通過考慮不同樣本的作用而提出的一種機器學習方法,然而,該方法只關注了類間的可分性,并未考慮樣本集中的結構信息.在本文中,將樣本中的結構信息引入到模糊支持向量機中,獲得了結構型模糊支持向量機模型,利用拉格朗日方法,將其轉換為一個具有約束條件的優(yōu)化問題,通過求解該對偶問題,從而獲得結構型模糊支持向量機分類器.通過選取標準數(shù)據(jù)集,實驗驗證了提出方法的有效性,在以后的工作中,進一步研究使用聚類技術方法獲取結構信息的模糊支持向量機.

    [1] VAPNIK V N. The nature of statistical learning theory [M]. New York:Springer, 1995.

    [2] SCHOLKOPF B, SMOLA A J, WILLIAMSON R C, et al. New support vector algorithms [J]. Neural Computation, 2000, 12(5):1207-1245. DOI:10.1162/089976600300015565.

    [3] SUYKENS J, VANDEWALLE J. Least squares support vector machine classifiers [J]. Neural Processing Letters, 1999, 9(3):293-300. DOI:10.1023/ A:1018628609742.

    [4] LIN C F, WANG S D. Fuzzy support vector machines [J]. IEEE Transaction on Neural Networks, 2002, 13(2):464-471. DOI:10.1109/72.991432.

    [5] LIN C F, WANG S D. Fuzzy support vector machines with automatic membership setting [J]. Studies in Fuzziness and Soft Computing, 2005, 177:233-254. DOI:10.1007/10984697_11.

    [6] JIANG X F, YI Z, LV J C. Fuzzy SVM with a new fuzzy membership function [J]. Neural Computing and Application, 2006, 15(3-4):268-276. DOI:10.1007/s00521-006-0028-z.

    [7] 楊志民.模糊支持向量機及其應用研究[D].北京:中國農(nóng)業(yè)大學, 2005. DOI:10.7666/d.y773695. YANG Z M. Fuzzy support vector machine and its application [D]. Beijing:China Agricultural University, 2005. DOI:10.7666/d.y773695.

    [8] SHILTON A, LAI D T H. Iterative fuzzy support vector machine classification[Z]. IEEE International Conference on Fuzzy Systems, London, UK, 2007. DOI:10.1109/FUZZY.2007.4295570.

    [9] HONG D H, HWANG C H. Support vector fuzzy regression machines [J]. Fuzzy Sets and System, 2003, 138(2):271-281. DOI:10.1016/S0165-0114(02)00514-6.

    [10] YANG X W, ZHANG G Q, LU J. A kernel fuzzy C-means clustering-based fuzzy support vector machine algorithm for classfication problems with outliers or noises [J]. IEEE Transactions on Fuzzy Systems, 2011, 19(1):105-115. DOI:10.1109/TFUZZ.2010.2087382.

    [11] YEUNG D, WANG D, NG W, et al. Structured large margin machines:sensitive to data distributions [J]. Machine Learning, 2007, 68(2):171-200. DOI:10.1007/s10994-007-5015-9.

    [12] XUE H, CHEN S C, YANG Q. Structural regularized support vector machine:a framework for structural large margin classifier [J]. IEEE Transactions on Neural Networks, 2011, 22(4):573-587. DOI:10.1109/TNN.2011.2108315.

    [13] XIONG T, CHERKASSKY V. A combined SVM and LDA approach for classification[Z]. International Joint Conference on Neural Networks, Montreal, Canada, 2005. DOI:10.1109/IJCNN.2005.1556089.

    [14] ZHANG L, ZHOU W D. Fisher-regularized support vector machine [J]. Information Sciences, 2016,343-344:79-93. DOI:10.1016/j.ins.2016.01.053.

    [15] HOUTHOOFT R, TURCK F D. Integrated inference and learning of neural factors in structural support vector machines[J]. Pattern Recognition, 2016, 59:292-301. DOI:10.1016/j.patcog.2016.03.014.

    [16] HOU Q L, ZHEN L, DENG N Y, et al. Novel grouping method-based support vector machine plus for structured data[J]. Neurocomputing, 2016, 211:191-201. DOI:10.1016/j.neucom.2016.03.086.

    (責任編輯:孟素蘭)

    Fuzzy support vector machine based on structural information

    LI Kai1, GU Lifeng1,ZHANG Lei2

    (1.College of Computer Science and Technology, Hebei University, Baoding 071002, China;2.Department of Network and Information Security,Baoding City Branch of China United Network Communication Corporation Limited,Baoding 071051,China)

    By considering the role of different samples on support vector machine, fuzzy support vector machine is presented based on support vector machine. However, it ignores the structural information of the given sample set. To this end, structural information of the given sample set is introduced into fuzzy support vector machine and obtained a structural fuzzy support vector machine model. It is converted to dual problem with quadratic programming using Lagrange method. Through solving this dual problem,the fuzzy support vector machine classifier is obtained. Experimental results in selected standard data sets demonstrate the effectiveness of the proposed method.

    support vector machines;fuzzy support vector machine;structure information;within class scatter

    10.3969/j.issn.1000-1565.2017.02.013

    2016-08-04

    國家自然科學基金資助項目(61375075)

    李凱 (1963—),男,河北滿城人,河北大學教授,博士,主要從事機器學習、數(shù)據(jù)挖掘和模式識別研究.E-mail:likai@hbu.edu.cn

    TP 319

    A

    1000-1565(2017)02-0187-07

    猜你喜歡
    結構型正確率聚類
    門診分診服務態(tài)度與正確率對護患關系的影響
    自愈合薄膜的研究進展
    西部論叢(2020年8期)2020-08-31 22:44:28
    體育社團結構型社會資本的培育研究
    基于DBSACN聚類算法的XML文檔聚類
    電子測試(2017年15期)2017-12-18 07:19:27
    淺議科技論文結構型英文摘要的句型特點和表達方式
    新時期計算機程序的設計模式
    生意
    品管圈活動在提高介入手術安全核查正確率中的應用
    天津護理(2016年3期)2016-12-01 05:40:01
    生意
    故事會(2016年15期)2016-08-23 13:48:41
    基于改進的遺傳算法的模糊聚類算法
    精品免费久久久久久久清纯| 99在线人妻在线中文字幕| 国产精品日韩av在线免费观看| 欧美又色又爽又黄视频| 久久久国产成人精品二区| 美女 人体艺术 gogo| 妹子高潮喷水视频| 亚洲成av人片免费观看| 亚洲精品美女久久av网站| 久久人人精品亚洲av| 国产一级毛片七仙女欲春2| 欧美 亚洲 国产 日韩一| 高潮久久久久久久久久久不卡| 中出人妻视频一区二区| 一本久久中文字幕| 天天添夜夜摸| 色综合亚洲欧美另类图片| 人人妻,人人澡人人爽秒播| 亚洲电影在线观看av| netflix在线观看网站| √禁漫天堂资源中文www| 久久久久九九精品影院| 久久久水蜜桃国产精品网| 超碰成人久久| 又爽又黄无遮挡网站| 一夜夜www| 亚洲av美国av| 国产爱豆传媒在线观看 | 天天一区二区日本电影三级| 激情在线观看视频在线高清| 日韩欧美在线二视频| 亚洲免费av在线视频| 欧美人与性动交α欧美精品济南到| a级毛片a级免费在线| 国产黄片美女视频| 亚洲av五月六月丁香网| 脱女人内裤的视频| 极品教师在线免费播放| 久久久久久久久中文| 色播亚洲综合网| 久久久国产精品麻豆| 午夜福利高清视频| 在线观看舔阴道视频| 亚洲第一欧美日韩一区二区三区| 一本一本综合久久| 午夜福利在线观看吧| 一级a爱片免费观看的视频| 亚洲国产精品合色在线| 人妻久久中文字幕网| 国产精品久久久久久精品电影| 午夜日韩欧美国产| 美女扒开内裤让男人捅视频| 午夜福利在线在线| 日本五十路高清| 亚洲成人久久性| 男人舔奶头视频| 女人被狂操c到高潮| 精品久久久久久久末码| 日韩三级视频一区二区三区| 亚洲美女视频黄频| 色噜噜av男人的天堂激情| 久久欧美精品欧美久久欧美| 亚洲熟女毛片儿| 国产黄片美女视频| 一级黄色大片毛片| 两性午夜刺激爽爽歪歪视频在线观看 | 村上凉子中文字幕在线| 女同久久另类99精品国产91| 久久国产精品影院| 熟女电影av网| 99精品在免费线老司机午夜| 欧美乱妇无乱码| 中文字幕熟女人妻在线| 18禁美女被吸乳视频| 免费搜索国产男女视频| 欧美色视频一区免费| 青草久久国产| 亚洲av电影在线进入| 每晚都被弄得嗷嗷叫到高潮| 亚洲一区二区三区不卡视频| 制服人妻中文乱码| 国产精品久久电影中文字幕| 欧美另类亚洲清纯唯美| 操出白浆在线播放| 亚洲av美国av| 天天添夜夜摸| 99久久无色码亚洲精品果冻| 村上凉子中文字幕在线| 久久久久性生活片| 午夜福利在线观看吧| 男女视频在线观看网站免费 | 人成视频在线观看免费观看| 色综合站精品国产| 日本精品一区二区三区蜜桃| 长腿黑丝高跟| 99精品欧美一区二区三区四区| 麻豆国产97在线/欧美 | 18禁观看日本| 国产精品亚洲美女久久久| 成人18禁高潮啪啪吃奶动态图| 级片在线观看| 精品久久久久久久久久久久久| 欧美日韩亚洲国产一区二区在线观看| 婷婷丁香在线五月| 国产v大片淫在线免费观看| 一本一本综合久久| 最近最新免费中文字幕在线| 黄色视频不卡| av中文乱码字幕在线| 久久 成人 亚洲| 精品久久蜜臀av无| 亚洲五月婷婷丁香| 久久天躁狠狠躁夜夜2o2o| 男女之事视频高清在线观看| 在线观看美女被高潮喷水网站 | 夜夜躁狠狠躁天天躁| 久久 成人 亚洲| 久久热在线av| 午夜精品久久久久久毛片777| 啦啦啦免费观看视频1| 国产一级毛片七仙女欲春2| 黄色毛片三级朝国网站| 国产激情欧美一区二区| 国产激情久久老熟女| www国产在线视频色| 欧美黄色淫秽网站| www国产在线视频色| 女人被狂操c到高潮| 欧美大码av| 久久热在线av| 亚洲欧美日韩高清在线视频| 中文字幕av在线有码专区| 国产激情偷乱视频一区二区| 亚洲av美国av| 999久久久国产精品视频| 国产午夜精品论理片| 可以在线观看的亚洲视频| 亚洲av电影在线进入| 日本免费一区二区三区高清不卡| 此物有八面人人有两片| 伊人久久大香线蕉亚洲五| 国产精华一区二区三区| 国产精品久久久人人做人人爽| 美女大奶头视频| 美女午夜性视频免费| 99久久精品热视频| 精品国产美女av久久久久小说| 国产欧美日韩一区二区三| 国产精品一及| 亚洲激情在线av| 亚洲精品美女久久久久99蜜臀| 久久精品综合一区二区三区| 两个人视频免费观看高清| 麻豆国产97在线/欧美 | 一本大道久久a久久精品| 桃色一区二区三区在线观看| 免费看十八禁软件| 亚洲国产精品999在线| 欧美日本亚洲视频在线播放| 亚洲国产看品久久| 日韩欧美精品v在线| 在线观看一区二区三区| 黄色女人牲交| 淫秽高清视频在线观看| 国产亚洲欧美在线一区二区| 欧美日韩中文字幕国产精品一区二区三区| 最近最新中文字幕大全免费视频| 这个男人来自地球电影免费观看| 一进一出抽搐动态| 桃红色精品国产亚洲av| 男人的好看免费观看在线视频 | 国产激情偷乱视频一区二区| 久久久久国产一级毛片高清牌| 亚洲人成网站高清观看| 最新美女视频免费是黄的| а√天堂www在线а√下载| 99久久无色码亚洲精品果冻| 精品欧美国产一区二区三| 欧美黑人巨大hd| 麻豆av在线久日| 国产野战对白在线观看| 亚洲天堂国产精品一区在线| 亚洲人成网站高清观看| 精品久久久久久久久久久久久| 精品国产乱子伦一区二区三区| 免费一级毛片在线播放高清视频| 久久久久免费精品人妻一区二区| www日本在线高清视频| 国产主播在线观看一区二区| 久久久久久人人人人人| 人人妻人人澡欧美一区二区| 久久中文看片网| 黄色视频不卡| 久久久久久久精品吃奶| 在线观看免费日韩欧美大片| 老司机福利观看| 国产精品久久电影中文字幕| 欧美中文综合在线视频| 亚洲av电影不卡..在线观看| 成年免费大片在线观看| 两人在一起打扑克的视频| 黄片大片在线免费观看| 热99re8久久精品国产| 久久久久精品国产欧美久久久| 国产人伦9x9x在线观看| 男女视频在线观看网站免费 | 国产成人啪精品午夜网站| 国产一区二区在线av高清观看| 看非洲黑人一级黄片| 国产欧美日韩精品一区二区| 黄色配什么色好看| 日本五十路高清| 国产精品人妻久久久影院| 嫩草影院精品99| 一个人免费在线观看电影| 99国产精品一区二区蜜桃av| 一本久久精品| 简卡轻食公司| a级毛色黄片| 中文字幕免费在线视频6| 国产精品麻豆人妻色哟哟久久 | 色5月婷婷丁香| 三级经典国产精品| 久久99蜜桃精品久久| 少妇被粗大猛烈的视频| 黑人高潮一二区| 麻豆国产97在线/欧美| 日日干狠狠操夜夜爽| 能在线免费观看的黄片| 成人鲁丝片一二三区免费| 天堂影院成人在线观看| 国产精品人妻久久久久久| 日本-黄色视频高清免费观看| 精品人妻视频免费看| 丰满人妻一区二区三区视频av| av又黄又爽大尺度在线免费看 | 国内精品一区二区在线观看| 免费无遮挡裸体视频| 99久久久亚洲精品蜜臀av| 久久精品夜夜夜夜夜久久蜜豆| 黄片wwwwww| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | or卡值多少钱| 18禁在线无遮挡免费观看视频| 桃色一区二区三区在线观看| 国产大屁股一区二区在线视频| 日韩欧美在线乱码| 亚洲人成网站在线播放欧美日韩| 欧美bdsm另类| 成年女人永久免费观看视频| 日本av手机在线免费观看| 国产人妻一区二区三区在| .国产精品久久| 寂寞人妻少妇视频99o| 亚洲精品亚洲一区二区| 少妇人妻一区二区三区视频| av又黄又爽大尺度在线免费看 | 国产精品麻豆人妻色哟哟久久 | 久久精品久久久久久噜噜老黄 | 一边亲一边摸免费视频| 欧美成人a在线观看| 毛片女人毛片| 婷婷色av中文字幕| 精品久久久噜噜| 人妻夜夜爽99麻豆av| 国产伦精品一区二区三区视频9| 精品免费久久久久久久清纯| 99热6这里只有精品| 精品国内亚洲2022精品成人| 一个人看的www免费观看视频| 最好的美女福利视频网| 日韩三级伦理在线观看| av视频在线观看入口| 99久国产av精品国产电影| 99热这里只有是精品在线观看| 国产在视频线在精品| 熟女电影av网| 国产一区二区激情短视频| 99热6这里只有精品| 亚洲国产日韩欧美精品在线观看| 国产午夜精品久久久久久一区二区三区| 综合色丁香网| 婷婷色av中文字幕| 国产高清三级在线| 国产精品.久久久| 又粗又爽又猛毛片免费看| 精品国产三级普通话版| 亚洲内射少妇av| 午夜福利在线观看吧| 蜜桃亚洲精品一区二区三区| 国内久久婷婷六月综合欲色啪| kizo精华| 大型黄色视频在线免费观看| 99热只有精品国产| 男女视频在线观看网站免费| 啦啦啦啦在线视频资源| 日韩成人伦理影院| 久久精品国产自在天天线| 男女做爰动态图高潮gif福利片| 永久网站在线| 国产精品av视频在线免费观看| 性插视频无遮挡在线免费观看| 少妇人妻一区二区三区视频| 成年女人永久免费观看视频| 久久韩国三级中文字幕| 99热这里只有是精品在线观看| 亚洲丝袜综合中文字幕| 国产熟女欧美一区二区| 搡女人真爽免费视频火全软件| 一个人免费在线观看电影| 最近的中文字幕免费完整| 日韩大尺度精品在线看网址| 日韩精品青青久久久久久| 91麻豆精品激情在线观看国产| 亚洲欧美日韩高清专用| 中文字幕av在线有码专区| 成年女人看的毛片在线观看| www日本黄色视频网| 毛片一级片免费看久久久久| 男人狂女人下面高潮的视频| 日韩国内少妇激情av| www日本黄色视频网| av卡一久久| 亚洲在线自拍视频| 国产女主播在线喷水免费视频网站 | av福利片在线观看| 国产蜜桃级精品一区二区三区| 日韩高清综合在线| av在线老鸭窝| 99久久久亚洲精品蜜臀av| 亚洲欧洲日产国产| 成年免费大片在线观看| 欧美激情国产日韩精品一区| 久久人人精品亚洲av| 深爱激情五月婷婷| 成人鲁丝片一二三区免费| 国产探花极品一区二区| www日本黄色视频网| 色播亚洲综合网| 国产色爽女视频免费观看| 22中文网久久字幕| 日韩成人av中文字幕在线观看| 日本在线视频免费播放| 老熟妇乱子伦视频在线观看| 91麻豆精品激情在线观看国产| 99久久无色码亚洲精品果冻| 色尼玛亚洲综合影院| 亚洲成人av在线免费| 深夜精品福利| 成人av在线播放网站| 美女被艹到高潮喷水动态| 成人毛片60女人毛片免费| 欧美性感艳星| 一级黄片播放器| 国产精品不卡视频一区二区| 久久99蜜桃精品久久| 一夜夜www| 校园春色视频在线观看| 国产91av在线免费观看| 人人妻人人澡人人爽人人夜夜 | 欧美成人a在线观看| 日本在线视频免费播放| 一级黄色大片毛片| 免费不卡的大黄色大毛片视频在线观看 | 校园春色视频在线观看| 一个人观看的视频www高清免费观看| 欧美色欧美亚洲另类二区| 亚洲精华国产精华液的使用体验 | 亚洲七黄色美女视频| 极品教师在线视频| av福利片在线观看| 国产成人福利小说| 午夜激情欧美在线| 欧美激情国产日韩精品一区| 国产真实伦视频高清在线观看| 国产高清有码在线观看视频| av黄色大香蕉| ponron亚洲| 欧美一区二区国产精品久久精品| 日韩亚洲欧美综合| 青春草视频在线免费观看| 人妻夜夜爽99麻豆av| 青春草亚洲视频在线观看| 色尼玛亚洲综合影院| 国产高清不卡午夜福利| 我要看日韩黄色一级片| 国产成人a区在线观看| 国产av在哪里看| 成人午夜高清在线视频| 国产精品蜜桃在线观看 | 网址你懂的国产日韩在线| 色哟哟·www| 日本撒尿小便嘘嘘汇集6| 小蜜桃在线观看免费完整版高清| 欧美日韩在线观看h| 欧美在线一区亚洲| 老师上课跳d突然被开到最大视频| 日本-黄色视频高清免费观看| 国产av不卡久久| 干丝袜人妻中文字幕| 一个人看的www免费观看视频| 国产精品国产三级国产av玫瑰| 午夜激情欧美在线| 久久鲁丝午夜福利片| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 美女黄网站色视频| 最近2019中文字幕mv第一页| 中文字幕av在线有码专区| 自拍偷自拍亚洲精品老妇| 色播亚洲综合网| 亚洲av不卡在线观看| 国产精品不卡视频一区二区| 最新中文字幕久久久久| 一个人观看的视频www高清免费观看| 国产在线精品亚洲第一网站| 欧美+亚洲+日韩+国产| 一夜夜www| 亚洲在线自拍视频| 蜜臀久久99精品久久宅男| 99riav亚洲国产免费| 国产免费男女视频| 国产一区二区激情短视频| 国产又黄又爽又无遮挡在线| 久久亚洲精品不卡| 婷婷色av中文字幕| 天天躁夜夜躁狠狠久久av| 永久网站在线| 我要看日韩黄色一级片| 精品久久久噜噜| 我的老师免费观看完整版| av卡一久久| 欧美日本视频| 国产一区二区在线观看日韩| 国产精品福利在线免费观看| 最近中文字幕高清免费大全6| 在线播放国产精品三级| 欧美一区二区精品小视频在线| 欧美在线一区亚洲| 欧美变态另类bdsm刘玥| 日日撸夜夜添| a级毛色黄片| 免费观看在线日韩| 18禁在线播放成人免费| 国产精品久久电影中文字幕| 欧美最黄视频在线播放免费| 久久精品综合一区二区三区| 特大巨黑吊av在线直播| 国产精品久久久久久久电影| 免费电影在线观看免费观看| 禁无遮挡网站| 女人被狂操c到高潮| 日韩欧美国产在线观看| 欧美最新免费一区二区三区| 综合色av麻豆| 简卡轻食公司| 成年版毛片免费区| 一边亲一边摸免费视频| 99久国产av精品国产电影| 亚洲av中文字字幕乱码综合| 国产老妇女一区| 一个人看视频在线观看www免费| 2022亚洲国产成人精品| 丰满人妻一区二区三区视频av| 欧美色欧美亚洲另类二区| 国产精品野战在线观看| 免费观看a级毛片全部| 日本爱情动作片www.在线观看| 精品久久久久久久久久免费视频| 国产精品1区2区在线观看.| 男人舔女人下体高潮全视频| 1024手机看黄色片| 国产精品久久视频播放| 99在线视频只有这里精品首页| 国产在视频线在精品| 在线国产一区二区在线| 久久精品久久久久久噜噜老黄 | 麻豆国产97在线/欧美| 亚洲国产高清在线一区二区三| 久久精品人妻少妇| 久久6这里有精品| 最近2019中文字幕mv第一页| 日韩在线高清观看一区二区三区| 国产精品综合久久久久久久免费| 美女国产视频在线观看| 日本免费a在线| 亚洲图色成人| 中文欧美无线码| 偷拍熟女少妇极品色| 亚洲天堂国产精品一区在线| 婷婷亚洲欧美| 久久久久久国产a免费观看| 狂野欧美白嫩少妇大欣赏| 少妇高潮的动态图| 日韩制服骚丝袜av| 欧美xxxx性猛交bbbb| 99久久成人亚洲精品观看| 日本熟妇午夜| 亚洲av免费在线观看| 亚洲欧美清纯卡通| 在线播放无遮挡| 人人妻人人澡欧美一区二区| 国产精品爽爽va在线观看网站| 国产真实乱freesex| 国模一区二区三区四区视频| 成人综合一区亚洲| 国产 一区精品| 日韩av在线大香蕉| 国产成人一区二区在线| 成人高潮视频无遮挡免费网站| 少妇的逼好多水| 国产精品永久免费网站| av天堂中文字幕网| 成人三级黄色视频| 在现免费观看毛片| 精品久久久噜噜| 搡女人真爽免费视频火全软件| 给我免费播放毛片高清在线观看| 国产午夜精品论理片| 久久国产乱子免费精品| 亚洲精品国产av成人精品| 九九爱精品视频在线观看| 91午夜精品亚洲一区二区三区| 亚洲精品国产成人久久av| 久久人人爽人人片av| 亚洲中文字幕日韩| av免费在线看不卡| 人妻少妇偷人精品九色| 国产精品不卡视频一区二区| 国产乱人视频| av卡一久久| 男女那种视频在线观看| 男人舔女人下体高潮全视频| 自拍偷自拍亚洲精品老妇| 99热全是精品| 身体一侧抽搐| 99久国产av精品国产电影| 天天一区二区日本电影三级| 九九久久精品国产亚洲av麻豆| 韩国av在线不卡| 尾随美女入室| 国产一区二区在线av高清观看| 欧美色欧美亚洲另类二区| 在线观看av片永久免费下载| 一区二区三区四区激情视频 | 悠悠久久av| 欧美性猛交黑人性爽| 国产综合懂色| 少妇丰满av| 国产精品伦人一区二区| a级毛色黄片| 亚洲精品自拍成人| 国产亚洲精品久久久com| 成年版毛片免费区| 五月玫瑰六月丁香| 精品久久久久久久久久久久久| 黄色一级大片看看| 成人漫画全彩无遮挡| 亚洲人成网站在线播| 蜜臀久久99精品久久宅男| 久久久久九九精品影院| 欧美最新免费一区二区三区| 国产高清激情床上av| 91精品国产九色| 国产老妇女一区| 岛国在线免费视频观看| 日韩视频在线欧美| 日韩三级伦理在线观看| 在线免费观看不下载黄p国产| 全区人妻精品视频| 男人舔女人下体高潮全视频| 色视频www国产| 欧美不卡视频在线免费观看| 中国国产av一级| 亚洲国产精品成人久久小说 | 亚洲国产高清在线一区二区三| 69人妻影院| 老女人水多毛片| 久久99热这里只有精品18| 国产精品一区www在线观看| 色哟哟哟哟哟哟| www.色视频.com| 欧美xxxx性猛交bbbb| 日韩人妻高清精品专区| 深爱激情五月婷婷| 国产免费男女视频| 精品久久国产蜜桃| 欧美另类亚洲清纯唯美| 久久99精品国语久久久| 久久久久九九精品影院| 亚洲成人久久性| 国产黄a三级三级三级人| 成人欧美大片| 日韩制服骚丝袜av| 中文在线观看免费www的网站| 丰满的人妻完整版| 国产亚洲欧美98| 波多野结衣高清无吗| 卡戴珊不雅视频在线播放| 成人永久免费在线观看视频| 久久精品国产亚洲av香蕉五月| 最近的中文字幕免费完整| 变态另类成人亚洲欧美熟女| 亚洲av第一区精品v没综合| 啦啦啦韩国在线观看视频| 日韩三级伦理在线观看| 日韩一区二区三区影片| 国产极品天堂在线| 又爽又黄无遮挡网站| 此物有八面人人有两片| 午夜激情福利司机影院| 伦理电影大哥的女人| 最近中文字幕高清免费大全6| 午夜精品国产一区二区电影 | 亚洲无线在线观看| 国产又黄又爽又无遮挡在线|