• <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 ?

    基于判別信息的正則極端學(xué)習(xí)機(jī)在人臉識(shí)別中的應(yīng)用

    2017-09-05 23:56:24張海英閆德勤楚永賀
    軟件導(dǎo)刊 2017年7期

    張海英+閆德勤+楚永賀

    摘 要:極端學(xué)習(xí)機(jī)作為傳統(tǒng)單隱層前饋神經(jīng)網(wǎng)絡(luò)(Single-Hidden Layer Feedforward Networks,SLFNs)的拓展在模式識(shí)別領(lǐng)域成為新的研究熱點(diǎn)之一,然而已有的極端學(xué)習(xí)機(jī)算法及其改進(jìn)不能較好地利用數(shù)據(jù)蘊(yùn)含的判別信息。針對(duì)該問題,提出一種基于判別信息的正則極端學(xué)習(xí)機(jī)(Discriminative Information Regularized Extreme Learning Machine,IELM)。對(duì)于模式識(shí)別問題,IELM引入同類離散度和異類離散度的概念,體現(xiàn)輸入空間數(shù)據(jù)的判別信息,通過最大化異類離散度和最小化同類離散度,優(yōu)化極端學(xué)習(xí)機(jī)的輸出權(quán)值,從而在一定程度上提高ELM的分類性能和泛化能力。為了評(píng)價(jià)和驗(yàn)證所提出方法的有效性,使用Yale、Yale B、ORL、UMIST人臉數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。結(jié)果表明,該算法能夠顯著提高ELM的分類性能和泛化能力。

    關(guān)鍵詞:極端學(xué)習(xí)機(jī);單隱層前饋神經(jīng)網(wǎng)絡(luò);判別信息;同類離散度;異類離散度

    DOIDOI:10.11907/rjdk.171232

    中圖分類號(hào):TP317.4

    文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1672-7800(2017)007-0187-04

    0 引言

    近來,極端學(xué)習(xí)機(jī)(Extreme Learning Machine, ELM)吸引了越來越多學(xué)者的關(guān)注,Huang等[1-2]基于單隱層前饋神經(jīng)網(wǎng)絡(luò)(Single-Hidden Layer Feedforward Networks, SLFNs)結(jié)構(gòu)提出了極端學(xué)習(xí)機(jī)。ELM不同于傳統(tǒng)的單隱層前饋神經(jīng)網(wǎng)絡(luò)(SLFNs),而是在最小化訓(xùn)練誤差的同時(shí)最小化輸出權(quán)值[3]。ELM隨機(jī)選擇輸入權(quán)值并分析確定SLFNs的輸出權(quán)值,避免了傳統(tǒng)SLFNs學(xué)習(xí)方法收斂速度慢及陷入局部極小解的可能。ELM具有更好的泛化能力和更快的學(xué)習(xí)速度,使其在在線和實(shí)時(shí)應(yīng)用中具有較高效率。由于ELM高效及易于實(shí)施的特點(diǎn),適用于分類和回歸等問題[4-5]。ELM現(xiàn)已成功運(yùn)用到不平衡數(shù)據(jù)學(xué)習(xí)[6]、人臉識(shí)別[7]、噪音數(shù)據(jù)學(xué)習(xí)[8]、在線連續(xù)數(shù)據(jù)學(xué)習(xí)[9]等實(shí)際問題中。

    然而,ELM在學(xué)習(xí)過程中并未充分考慮到數(shù)據(jù)樣本間的幾何特征和數(shù)據(jù)蘊(yùn)含的判別信息,因而在一定程度上限制了ELM的分類性能和泛化能力。為了克服ELM的上述缺陷,Alexandros Iosifidis等[10]提出了最小類方差極端學(xué)習(xí)機(jī)(Minimum Class Variance Extreme Learning Machine, MCVELM)。MCVELM通過最小化類內(nèi)方差正則化ELM,不僅繼承了ELM的優(yōu)點(diǎn),還在一定程度上克服了ELM學(xué)習(xí)過程中訓(xùn)練不充分及小樣本問題,同時(shí)在學(xué)習(xí)過程中考慮到數(shù)據(jù)的類內(nèi)分布特性及判別信息,體現(xiàn)出類間的判別信息。然而對(duì)于模式識(shí)別問題,不同類的數(shù)據(jù)樣本位于不同的流形結(jié)構(gòu)中,導(dǎo)致運(yùn)用MCVELM時(shí),數(shù)據(jù)樣本出現(xiàn)信息重疊的現(xiàn)象,降低了ELM的分類性能和泛化能力。MCVELM在一定程度上未考慮到數(shù)據(jù)樣本間的差異判別信息,同時(shí)MCVELM是在激活函數(shù)所在空間求得數(shù)據(jù)樣本的離散度矩陣,而非數(shù)據(jù)樣本的原始輸入空間。文獻(xiàn)[11]通過分析提出,在數(shù)據(jù)樣本的原始輸入空間求得數(shù)據(jù)樣本的分布結(jié)構(gòu)信息,使ELM獲得了良好的泛化能力。因此,針對(duì)MCVELM存在的上述問題,本文提出一種基于判別信息的正則極端學(xué)習(xí)機(jī)(IELM)。對(duì)于分類問題,IELM同時(shí)考慮到數(shù)據(jù)樣本的幾何特征和數(shù)據(jù)蘊(yùn)含的判別信息,通過最大化異類離散度和最小化同類離散度,優(yōu)化極端學(xué)習(xí)機(jī)的輸出權(quán)值,從而在一定程度上提高ELM的分類性能和泛化能力。

    IELM方法的優(yōu)勢(shì)在于:①繼承了ELM和MCVELM的優(yōu)點(diǎn),還在一定程度上避免了ELM學(xué)習(xí)不充分的問題;②在數(shù)據(jù)樣本的原始輸入空間求得異類離散度和同類離散度矩陣而非激活函數(shù)所在空間;③將異類離散度和同類離散度引入到ELM中,不僅充分利用了數(shù)據(jù)樣本的差異判別信息,還避免了運(yùn)用MCVELM方法時(shí)出現(xiàn)數(shù)據(jù)樣本信息重疊的現(xiàn)象;④利用MMC[12]方法有效解決了最大化異類離散度和最小化同類離散度矩陣奇異問題。

    為了評(píng)價(jià)和驗(yàn)證所提出的方法,實(shí)驗(yàn)使用Yale、Yale B、ORL、UMIST人臉數(shù)據(jù),并將本文提出的方法與ELM、MCVELM[10]、RAF-ELM[13]、GELM[7]進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明,本文提出的算法能夠顯著提高ELM的分類準(zhǔn)確率和泛化能力,效果優(yōu)于其它算法。

    1 ELM

    黃廣斌等基于單隱層前饋神經(jīng)網(wǎng)絡(luò)提出了ELM,ELM良好的逼近能力和分類準(zhǔn)確率已被證實(shí),統(tǒng)一框架下的ELM為不同的神經(jīng)網(wǎng)絡(luò)提供了一種統(tǒng)一形式。ELM隱層節(jié)點(diǎn)的輸入權(quán)值和節(jié)點(diǎn)偏置值是隨機(jī)產(chǎn)生的,只有連接隱層節(jié)點(diǎn)和輸出節(jié)點(diǎn)的權(quán)值是經(jīng)過計(jì)算求出的。與傳統(tǒng)的單隱層前饋神經(jīng)網(wǎng)絡(luò)相比,參數(shù)的計(jì)算量大大降低,從而使訓(xùn)練速度大幅提升。N個(gè)不同的樣本(xi,ti)可表示為X=(x1,x2,…,xN)∈RD×N,其中ti=(ti1,ti2,…,tiD),期望輸出矩陣T=(t1,t2,…,tD)∈RD×N,網(wǎng)絡(luò)中含有L個(gè)隱層節(jié)點(diǎn),激活函數(shù)為f(x)。

    ∑Li=1wif(ai·xj+bj)=tj(1)其中j=1,2,…,N,ai=(ai1,ai2,…,ain)為連接第i個(gè)隱層節(jié)點(diǎn)與輸入節(jié)點(diǎn)的輸入權(quán)值向量,wi=(wi1,wi2,…,win)為連接第i個(gè)隱層節(jié)點(diǎn)的輸出權(quán)值向量,bi為第i個(gè)隱層節(jié)點(diǎn)的偏置值,ai·xj表示ai和xj的內(nèi)積。令隱層節(jié)點(diǎn)為L,上述方程(1)可寫成矩陣形式:HW=T,W是輸出權(quán)值矩陣,其中H是網(wǎng)絡(luò)隱層輸出矩陣:H=f(a1·x1+b1)…f(aN·x1+bN)f(a1·xN+b1)…f(aN·xN+bN)N×LW=w1wNL×M,T=t1tNN×M傳統(tǒng)的SLFNs希望能夠找到一些合適的ai,bi,β,i=1,2,…,N,使得:endprint

    ‖H(a1,…,aL,b1,…,bL)W-T‖=mina,b,W‖H(a1,…,aL,b1,…,bL)W-T‖(2)式(2)可利用梯度下降算法求解,huang等證明了輸入隱層的權(quán)值及偏置值不需要像傳統(tǒng)的SLFNs學(xué)習(xí)方法一樣不斷調(diào)整,當(dāng)網(wǎng)絡(luò)的激活函數(shù)連續(xù)可微時(shí),可隨機(jī)選取輸入權(quán)值ai和隱層的偏置值bi。由式(2)可知,SLFNs網(wǎng)絡(luò)的解可通過線性系統(tǒng)HW=T的最小二乘解得到。若隱層節(jié)點(diǎn)L等于訓(xùn)練樣本數(shù)N,即L=N,此時(shí)矩陣H可直接求逆,但在大多數(shù)情況下L<

    j=1,2,…,N(3)其中ε為訓(xùn)練誤差,式(3)的優(yōu)化模型可通過拉格朗日乘子法轉(zhuǎn)化為無條件最優(yōu)化問題進(jìn)行求解,進(jìn)而求得W=(HHT+IC)HTT,其中I為單位矩陣,C為懲罰參數(shù)。給定訓(xùn)練樣本X=(x1,x2,…,xN)和訓(xùn)練樣本的期望輸出矩陣T=(t1,t2,…,tD)∈RD×N,激活函數(shù)為f(x),隱層結(jié)點(diǎn)數(shù)為L,ELM算法可總結(jié)步驟如下:①初始化訓(xùn)練樣本集;②隨機(jī)指定網(wǎng)絡(luò)輸入權(quán)值ai和偏置值bi;③通過激活函數(shù)計(jì)算隱層節(jié)點(diǎn)輸出矩陣H;④計(jì)算輸出權(quán)值W=H+T,其中T=(t1,t2,…,tN)∈RN×M。

    2 IELM

    為了克服ELM學(xué)習(xí)過程中訓(xùn)練不充分及MCVELM學(xué)習(xí)過程中出現(xiàn)數(shù)據(jù)樣本信息重疊的現(xiàn)象,提出一種基于判別信息的正則極端學(xué)習(xí)機(jī)(IELM)。

    設(shè)SB為數(shù)據(jù)樣本的同類離散度矩陣,SW為數(shù)據(jù)樣本的異類離散度矩陣,SB和SW可表示為:

    SW=∑Ci=1(ui-u)(ui-u)T(5)上述定義中C為數(shù)據(jù)樣本的類別個(gè)數(shù),ui為數(shù)據(jù)樣本的類內(nèi)樣本均值,u為數(shù)據(jù)樣本的總體均值,異類離散度矩陣和同類離散度矩陣分別體現(xiàn)了輸入數(shù)據(jù)樣本空間的分布特征和判別信息。同時(shí),定義S=SB-(1-η)SW(0≤ε≤1),S稱為信息差距陣,η為大于零的常量。上述定義中,參數(shù)η起調(diào)節(jié)類內(nèi)判別信息和類間判別信息的作用,當(dāng)參數(shù)η增大時(shí)偏向于類內(nèi)信息,反之加大懲罰類間差異信息。因此,在適當(dāng)?shù)摩窍?,IELM較好地利用了數(shù)據(jù)蘊(yùn)含的判別信息,增強(qiáng)了ELM模式的分類能力。綜上所述,IELM的優(yōu)化問題可描述為:

    3 實(shí)驗(yàn)結(jié)果及分析

    在本節(jié)中將IELM與ELM、MCVELM、RAFELM、GELM進(jìn)行對(duì)比,IELM與ELM、MCVELM、RAFELM、GELM均采用Sigmoid函數(shù)作為激活函數(shù),隱層節(jié)點(diǎn)個(gè)數(shù)設(shè)置為人臉圖像數(shù)據(jù)的維數(shù)。 為了實(shí)驗(yàn)的公平性,本文中的懲罰參數(shù)C都是一樣的(本文嘗試選擇C的參數(shù),這可以使所有實(shí)驗(yàn)都有很好的結(jié)果)。在Yale、ORL實(shí)驗(yàn)中隨機(jī)選取訓(xùn)練集個(gè)數(shù)為L={4,5,6,7},剩余部分為測(cè)試集,在Yale B試驗(yàn)中隨機(jī)選取訓(xùn)練集個(gè)數(shù)為L={25,30,35,40},剩余部分為測(cè)試集,每個(gè)實(shí)驗(yàn)分別重復(fù)10次以獲取一個(gè)更好的識(shí)別率。不同人臉圖像的訓(xùn)練集如圖1所示,4個(gè)不同人臉數(shù)據(jù)庫在人臉識(shí)別實(shí)驗(yàn)中的設(shè)置如表1所示。IELM與ELM、MCVELM、RAFELM、GELM的識(shí)別率如表2~4所示。

    圖2~4給出了5種不同的ELM算法在Yale、Yale B、ORL數(shù)據(jù)上的識(shí)別率曲線。由圖可知,本文提出的方法IELM的識(shí)別率曲線顯著高于其它算法,主要是由于IELM考慮到數(shù)據(jù)樣本的幾何特征和數(shù)據(jù)蘊(yùn)含的判別信息。IELM不僅考慮到同類數(shù)據(jù)樣本間的判別信息,而且考慮到了不同類數(shù)據(jù)樣本間的差異判別信息,避免了運(yùn)用MCVELM方法時(shí)造成數(shù)據(jù)樣本信息重疊的現(xiàn)象,同時(shí)在數(shù)據(jù)樣本的原始輸入空間求得異類離散度和同類離散度矩陣,而非激活函數(shù)所在空間,優(yōu)化了極端學(xué)習(xí)機(jī)的輸出權(quán)值,從而在一定程度上提高了ELM的分類性能和泛化能力;在圖2和圖4中發(fā)現(xiàn)當(dāng)訓(xùn)練集個(gè)數(shù)為6和7時(shí),MCVELM出現(xiàn)了很大波動(dòng),主要是由于ELM算法自身的不穩(wěn)定性,以及MCVELM造成數(shù)據(jù)樣本信息重疊的現(xiàn)象,降低了ELM的穩(wěn)定性和泛化能力;圖3給出了5種不同算法在Yale B數(shù)據(jù)上的識(shí)別率曲線,當(dāng)訓(xùn)練集個(gè)數(shù)為25時(shí),MCVELM算法的識(shí)別率曲線低于ELM的識(shí)別率曲線,而當(dāng)訓(xùn)練集個(gè)數(shù)增大時(shí),MCVELM表現(xiàn)出較好的識(shí)別率。由此可以看出,當(dāng)訓(xùn)練集個(gè)數(shù)較少時(shí),并不適合使用MCVELM算法;在圖2~4中,GELM算法的識(shí)別率曲線取得了良好效果,在圖3和圖4中GELM算法的識(shí)別率曲線還表現(xiàn)出了穩(wěn)定的性質(zhì),這是由于GELM算法考慮到同類數(shù)據(jù)樣本在具有相似性的同時(shí),將該相似性利用拉普拉斯特征映射結(jié)構(gòu)進(jìn)行表示,進(jìn)而引入到ELM的優(yōu)化模型;RAFELM算法的識(shí)別率曲線高于ELM的識(shí)別率曲線,然而明顯低于IELM、GELM、MCVELM的識(shí)別率曲線,這是由于RAFELM僅從激活函數(shù)的角度改進(jìn)了ELM算法,而沒有考慮到數(shù)據(jù)樣本的幾何特征和數(shù)據(jù)蘊(yùn)含的判別信息。表2~4給出了識(shí)別率曲線對(duì)應(yīng)的識(shí)別率,從表中可以看出,IELM的識(shí)別率明顯高于其它算法。

    4 結(jié)語

    為了提高極端學(xué)習(xí)機(jī)在人臉圖像識(shí)別中的分類性能和泛化能力,本文提出了一種基于判別信息的正則極端學(xué)習(xí)機(jī)(IELM)。本文的創(chuàng)新之處是考慮到人臉圖像數(shù)據(jù)的聯(lián)系和差異信息。因此IELM引入了同類離散度和異類離散度的概念,體現(xiàn)出輸入空間數(shù)據(jù)的判別信息,通過最大化異類離散度和最小化同類離散度,優(yōu)化極端學(xué)習(xí)機(jī)的輸出權(quán)值。通過與ELM、MVELM、RAF-ELM、GELM算法的對(duì)比實(shí)驗(yàn)表明,本文提出的方法顯著提高了極端學(xué)習(xí)機(jī)的分類性能和泛化能力,性能優(yōu)于其它算法。

    參考文獻(xiàn):

    [1]WANG DIANHUI,HUANG GUANGBIN. Protein sequence classification using extreme learning machine[C]. Proceedings of International Joint Conference on Neural Networks,2005(3):1406-1411.

    [2]TANG J, DENG C, HUANG G B. Extreme learning machine for multilayer perceptron[J]. IEEE Transactions on Neural Networks & Learning Systems,2016,27(4):809.

    [3]HUANG G B, ZHOU H, DING X, et al. Extreme learning machine for regression and multiclass classification[J]. IEEE TransSyst Man Cybern B,2012,42(2):513-529.

    [4]HUANG G B, ZHU Q Y, SIEW C K. Extreme learning machine: a new learning scheme of feedforward neural networks[C].Proceedings of International Joint Conference on Neural Networks (IJCNN2004), 2004: 985-990.

    [5]MICHE Y, SORJAMAA A, BAS P, et al.OP-ELM: optimally pruned extreme learning machine[J]. IEEE Trans Neural Netw, 2010,21(1):158-162.

    [6]W W ZONG, G B HUANG, Y CHEN.Weighted extreme learning machine for imbalance learning[J]. Neurocomputing, 2013,101(3):229-242.

    [7]YONG PENG, BAOLIANG LU. Discriminative graph regularized extreme learning machine and its application to face recognition[J]. Neurocomputing,2015.

    [8]Q YU, Y MICHE, E EIROLA, et al. Lendasse, regularized extreme learning machine for regression with missing data[J]. Neurocomputing ,2013,102(2):45-51.

    [9]J W ZHAO, Z H WANG, D S PARK. Online sequential extreme learning machine with forgetting mechanism[J]. Neurocomputing, 2012,87(15):79-89.

    [10]ALEXANDROS IOSIFIDIS, ANASTASIOS TEFAS.Minimum class variance extreme learning machine for human action recognition[J]. IEEE Transactions on Circuits and Systems for Video Technology,2013, 23(11):1968-1979.

    [11]GAO HUANG, SHIJI SONG.Semi-supervised and unsupervised extreme learning machines[J]. IEEE Transactions on Cybernetics,2014,44(12):2405.

    [12]LI H, JIANG T, ZHANG K. Efficient robust feature extraction by maximum margin criterion[C]. Advances in Neural Information Processing Systems, 2003.

    [13]SHENGLAN LIU, LIN FENG, YAO XIAO. Robust activation function and its application: semi-supervised kernel extreme learning method[J]. Neurocomputing, 2014,144(1):318-328.

    [14]V N VAPNIK. Statistical learning theory[M]. Wiley, NY, 1998.endprint

    久久久久国内视频| 丝袜人妻中文字幕| 免费久久久久久久精品成人欧美视频| 久久精品国产综合久久久| 建设人人有责人人尽责人人享有的| av在线老鸭窝| 丝袜美腿诱惑在线| 老司机午夜十八禁免费视频| 精品国产国语对白av| 每晚都被弄得嗷嗷叫到高潮| 亚洲精品中文字幕在线视频| 国产91精品成人一区二区三区 | 色婷婷av一区二区三区视频| 9191精品国产免费久久| 91字幕亚洲| 中文字幕人妻丝袜一区二区| 久久香蕉激情| 亚洲精品av麻豆狂野| 黄色视频在线播放观看不卡| 日韩欧美一区二区三区在线观看 | videos熟女内射| 国产在线免费精品| 精品国产一区二区久久| 黑人操中国人逼视频| 久久久久久久国产电影| 亚洲av日韩精品久久久久久密| 波多野结衣一区麻豆| 成人影院久久| 丝袜脚勾引网站| 十八禁高潮呻吟视频| 五月开心婷婷网| 成人黄色视频免费在线看| 欧美大码av| 亚洲精品一卡2卡三卡4卡5卡 | 色婷婷av一区二区三区视频| 欧美精品啪啪一区二区三区 | 国产欧美日韩综合在线一区二区| 午夜福利视频精品| 精品人妻1区二区| 视频区欧美日本亚洲| 最黄视频免费看| 50天的宝宝边吃奶边哭怎么回事| 女人被躁到高潮嗷嗷叫费观| 久久女婷五月综合色啪小说| 十分钟在线观看高清视频www| 91精品伊人久久大香线蕉| 欧美日韩亚洲高清精品| 久久国产精品大桥未久av| 亚洲国产av影院在线观看| 日日爽夜夜爽网站| 亚洲精品一区蜜桃| 日本a在线网址| 中文字幕色久视频| 老司机在亚洲福利影院| 亚洲第一青青草原| 欧美日韩成人在线一区二区| 久久99热这里只频精品6学生| 亚洲精品中文字幕在线视频| 国产男女超爽视频在线观看| 老司机午夜福利在线观看视频 | 精品少妇一区二区三区视频日本电影| 日本精品一区二区三区蜜桃| 18禁黄网站禁片午夜丰满| 中文字幕av电影在线播放| 悠悠久久av| 日韩三级视频一区二区三区| av片东京热男人的天堂| 女性被躁到高潮视频| 亚洲欧美色中文字幕在线| 成年美女黄网站色视频大全免费| 午夜久久久在线观看| 欧美日韩精品网址| 99国产精品免费福利视频| 制服诱惑二区| 99久久综合免费| 国产深夜福利视频在线观看| 狠狠婷婷综合久久久久久88av| 久久久久久亚洲精品国产蜜桃av| 亚洲国产精品成人久久小说| 宅男免费午夜| 欧美亚洲 丝袜 人妻 在线| 欧美大码av| 妹子高潮喷水视频| 国产免费现黄频在线看| 日本撒尿小便嘘嘘汇集6| 99久久99久久久精品蜜桃| 精品人妻1区二区| 91av网站免费观看| 黑人猛操日本美女一级片| 狂野欧美激情性bbbbbb| 亚洲国产日韩一区二区| 桃花免费在线播放| 国产精品99久久99久久久不卡| 国产主播在线观看一区二区| 日本av免费视频播放| 精品国产乱子伦一区二区三区 | 18禁裸乳无遮挡动漫免费视频| 老司机深夜福利视频在线观看 | 精品国产乱子伦一区二区三区 | 欧美日韩亚洲国产一区二区在线观看 | 人人妻人人爽人人添夜夜欢视频| 美女主播在线视频| 一本大道久久a久久精品| 搡老岳熟女国产| 天天操日日干夜夜撸| 男女高潮啪啪啪动态图| 老熟妇仑乱视频hdxx| 欧美日韩中文字幕国产精品一区二区三区 | 中国美女看黄片| 国产精品一区二区在线不卡| 亚洲精品中文字幕在线视频| 日韩欧美一区二区三区在线观看 | 性色av乱码一区二区三区2| 日本精品一区二区三区蜜桃| 午夜福利在线免费观看网站| 久久毛片免费看一区二区三区| 成在线人永久免费视频| 久久免费观看电影| 国产成人av教育| 欧美另类一区| 国产在视频线精品| 少妇精品久久久久久久| 成人手机av| 啦啦啦视频在线资源免费观看| 黑人巨大精品欧美一区二区蜜桃| 国产成人精品无人区| 亚洲欧洲精品一区二区精品久久久| 韩国高清视频一区二区三区| 黄色视频不卡| 人妻久久中文字幕网| 狂野欧美激情性bbbbbb| 欧美另类亚洲清纯唯美| 国产精品一二三区在线看| 精品少妇黑人巨大在线播放| 成年女人毛片免费观看观看9 | 高清在线国产一区| 国产欧美日韩一区二区三区在线| 亚洲国产精品一区二区三区在线| 天堂8中文在线网| 三上悠亚av全集在线观看| 天天添夜夜摸| 午夜久久久在线观看| 在线观看www视频免费| 欧美激情极品国产一区二区三区| 欧美中文综合在线视频| 激情视频va一区二区三区| 久久久水蜜桃国产精品网| 精品久久久久久电影网| 国产精品99久久99久久久不卡| 欧美黑人欧美精品刺激| av片东京热男人的天堂| 欧美精品亚洲一区二区| 女性生殖器流出的白浆| 多毛熟女@视频| 每晚都被弄得嗷嗷叫到高潮| av网站免费在线观看视频| 淫妇啪啪啪对白视频 | a在线观看视频网站| 亚洲欧美日韩高清在线视频 | 黑丝袜美女国产一区| 欧美日韩亚洲国产一区二区在线观看 | 日本一区二区免费在线视频| 国产精品久久久久久精品电影小说| 亚洲av美国av| 久久久久视频综合| 欧美亚洲日本最大视频资源| 最近最新中文字幕大全免费视频| 国产成人免费无遮挡视频| 免费少妇av软件| 最新的欧美精品一区二区| 黄色毛片三级朝国网站| av视频免费观看在线观看| 制服诱惑二区| 精品福利观看| 99国产综合亚洲精品| 国产亚洲午夜精品一区二区久久| 999久久久精品免费观看国产| 大陆偷拍与自拍| √禁漫天堂资源中文www| 黄频高清免费视频| 看免费av毛片| 久久毛片免费看一区二区三区| 欧美日韩福利视频一区二区| 久久国产精品影院| 国产精品av久久久久免费| √禁漫天堂资源中文www| 午夜视频精品福利| 久久天躁狠狠躁夜夜2o2o| 亚洲 欧美一区二区三区| 精品亚洲成国产av| 欧美人与性动交α欧美精品济南到| 丰满少妇做爰视频| 在线永久观看黄色视频| 中国美女看黄片| 久久久久精品国产欧美久久久 | 精品人妻在线不人妻| 久久香蕉激情| 国产亚洲av高清不卡| 国产精品一区二区在线观看99| 法律面前人人平等表现在哪些方面 | 精品免费久久久久久久清纯 | 一级毛片电影观看| 少妇精品久久久久久久| 黄色片一级片一级黄色片| 精品福利观看| 精品国产乱码久久久久久男人| 国产片内射在线| 成年av动漫网址| 69av精品久久久久久 | 丝瓜视频免费看黄片| 在线看a的网站| 青青草视频在线视频观看| 精品亚洲成a人片在线观看| 国产黄色免费在线视频| 夜夜骑夜夜射夜夜干| 亚洲av美国av| svipshipincom国产片| 久久久久久人人人人人| 汤姆久久久久久久影院中文字幕| 在线十欧美十亚洲十日本专区| 老汉色av国产亚洲站长工具| 丰满人妻熟妇乱又伦精品不卡| 国产在线一区二区三区精| 中国美女看黄片| 亚洲国产欧美网| 国产av一区二区精品久久| 色精品久久人妻99蜜桃| 成人影院久久| 黄网站色视频无遮挡免费观看| 日韩欧美一区二区三区在线观看 | 淫妇啪啪啪对白视频 | 久久中文看片网| 桃红色精品国产亚洲av| 午夜成年电影在线免费观看| 午夜激情av网站| 在线观看人妻少妇| 久久国产精品大桥未久av| 免费不卡黄色视频| 亚洲成人手机| 十八禁高潮呻吟视频| 亚洲七黄色美女视频| 别揉我奶头~嗯~啊~动态视频 | a 毛片基地| 久久国产精品影院| 亚洲精品一二三| 母亲3免费完整高清在线观看| 少妇猛男粗大的猛烈进出视频| 在线观看免费视频网站a站| 99热国产这里只有精品6| 下体分泌物呈黄色| 91av网站免费观看| 9191精品国产免费久久| 亚洲中文av在线| svipshipincom国产片| 女人高潮潮喷娇喘18禁视频| 亚洲色图 男人天堂 中文字幕| 美女国产高潮福利片在线看| 丝袜美腿诱惑在线| 男男h啪啪无遮挡| 热99久久久久精品小说推荐| 国产精品免费大片| 久久国产精品男人的天堂亚洲| 两性夫妻黄色片| 亚洲午夜精品一区,二区,三区| 亚洲中文av在线| 国产高清国产精品国产三级| 国产精品久久久av美女十八| 夜夜夜夜夜久久久久| 动漫黄色视频在线观看| 日韩大码丰满熟妇| 国产精品一区二区在线观看99| 国产日韩一区二区三区精品不卡| 午夜福利乱码中文字幕| 亚洲伊人久久精品综合| 自线自在国产av| 91国产中文字幕| 国产精品久久久久成人av| 国产在线免费精品| 脱女人内裤的视频| 亚洲成av片中文字幕在线观看| 午夜激情久久久久久久| 久久久国产欧美日韩av| 色婷婷av一区二区三区视频| 老熟女久久久| 99热国产这里只有精品6| 建设人人有责人人尽责人人享有的| 欧美xxⅹ黑人| 老司机深夜福利视频在线观看 | 热99国产精品久久久久久7| 美女高潮到喷水免费观看| 精品第一国产精品| 久久毛片免费看一区二区三区| 中文字幕色久视频| 欧美av亚洲av综合av国产av| 日本撒尿小便嘘嘘汇集6| 久久久精品区二区三区| 视频在线观看一区二区三区| 狂野欧美激情性bbbbbb| 国产精品 国内视频| 中文字幕精品免费在线观看视频| 天天添夜夜摸| 丰满少妇做爰视频| 99国产综合亚洲精品| 免费一级毛片在线播放高清视频 | 亚洲熟女精品中文字幕| 建设人人有责人人尽责人人享有的| 国产精品久久久久久人妻精品电影 | 国产精品久久久久久精品电影小说| 叶爱在线成人免费视频播放| 午夜日韩欧美国产| 女人久久www免费人成看片| 精品第一国产精品| 亚洲av美国av| 我的亚洲天堂| 深夜精品福利| 久久综合国产亚洲精品| 宅男免费午夜| 两个人看的免费小视频| 美女高潮喷水抽搐中文字幕| 中国国产av一级| 久久亚洲精品不卡| 黑人猛操日本美女一级片| 欧美97在线视频| 国产精品亚洲av一区麻豆| 亚洲av成人不卡在线观看播放网 | 天天躁狠狠躁夜夜躁狠狠躁| 国产成人免费观看mmmm| 十八禁高潮呻吟视频| 99久久国产精品久久久| av线在线观看网站| 国产精品偷伦视频观看了| 一区二区三区乱码不卡18| 欧美国产精品va在线观看不卡| 亚洲成人手机| 国产精品影院久久| 久久热在线av| 免费观看av网站的网址| 国产精品免费大片| 婷婷成人精品国产| 午夜福利在线免费观看网站| 国产男人的电影天堂91| 建设人人有责人人尽责人人享有的| 成人免费观看视频高清| 首页视频小说图片口味搜索| 精品少妇一区二区三区视频日本电影| 美女高潮喷水抽搐中文字幕| 国产麻豆69| 欧美日韩av久久| 美女高潮喷水抽搐中文字幕| 两人在一起打扑克的视频| 欧美国产精品va在线观看不卡| av欧美777| 如日韩欧美国产精品一区二区三区| 中文字幕精品免费在线观看视频| 亚洲人成77777在线视频| 丁香六月欧美| 日韩视频一区二区在线观看| 亚洲欧美一区二区三区久久| 免费女性裸体啪啪无遮挡网站| 一本综合久久免费| 肉色欧美久久久久久久蜜桃| 99国产精品一区二区三区| 久久中文字幕一级| 欧美精品啪啪一区二区三区 | 爱豆传媒免费全集在线观看| 精品国产一区二区三区四区第35| 国产精品 欧美亚洲| 青春草视频在线免费观看| 亚洲综合色网址| 啦啦啦免费观看视频1| 91麻豆av在线| av欧美777| 国产精品 欧美亚洲| 欧美变态另类bdsm刘玥| 黑人欧美特级aaaaaa片| 国产欧美亚洲国产| 亚洲国产欧美网| 黄色视频,在线免费观看| 在线观看舔阴道视频| 国产一区二区三区在线臀色熟女 | 又大又爽又粗| 性色av一级| 一区二区三区精品91| 动漫黄色视频在线观看| 国产欧美日韩综合在线一区二区| 日本五十路高清| 最新在线观看一区二区三区| 男人添女人高潮全过程视频| 伦理电影免费视频| www.999成人在线观看| 精品少妇久久久久久888优播| 亚洲国产日韩一区二区| 99久久99久久久精品蜜桃| 俄罗斯特黄特色一大片| 男人爽女人下面视频在线观看| 久久久久久久久久久久大奶| 韩国高清视频一区二区三区| 日韩有码中文字幕| 女人高潮潮喷娇喘18禁视频| 色综合欧美亚洲国产小说| 精品视频人人做人人爽| 中国国产av一级| 99精品欧美一区二区三区四区| 久久人人爽av亚洲精品天堂| 日韩三级视频一区二区三区| 欧美日韩国产mv在线观看视频| videosex国产| av不卡在线播放| 69av精品久久久久久 | 久久亚洲国产成人精品v| 成人18禁高潮啪啪吃奶动态图| 中文字幕人妻丝袜一区二区| 99久久综合免费| 欧美激情高清一区二区三区| 五月天丁香电影| 亚洲av欧美aⅴ国产| 亚洲欧美精品综合一区二区三区| 国产精品偷伦视频观看了| 免费在线观看影片大全网站| 日本wwww免费看| 国产野战对白在线观看| 国产成人啪精品午夜网站| 欧美变态另类bdsm刘玥| 看免费av毛片| 国产精品一区二区在线观看99| 中文字幕av电影在线播放| 欧美激情极品国产一区二区三区| 一区二区三区乱码不卡18| 最近最新中文字幕大全免费视频| 国产亚洲av高清不卡| 欧美日韩视频精品一区| 精品亚洲乱码少妇综合久久| 老司机福利观看| 热99久久久久精品小说推荐| 黄色怎么调成土黄色| 欧美日韩中文字幕国产精品一区二区三区 | 久久 成人 亚洲| 久久女婷五月综合色啪小说| 女性被躁到高潮视频| 视频在线观看一区二区三区| 悠悠久久av| 日本vs欧美在线观看视频| 免费黄频网站在线观看国产| 亚洲欧洲日产国产| 老汉色av国产亚洲站长工具| av电影中文网址| 最近最新中文字幕大全免费视频| 曰老女人黄片| 亚洲色图 男人天堂 中文字幕| 丝瓜视频免费看黄片| 日韩中文字幕视频在线看片| 国产91精品成人一区二区三区 | 好男人电影高清在线观看| 久久久久久亚洲精品国产蜜桃av| 久热这里只有精品99| 淫妇啪啪啪对白视频 | 一级毛片女人18水好多| 老司机影院毛片| 不卡av一区二区三区| 国产精品 国内视频| 亚洲精品国产区一区二| 操美女的视频在线观看| 美女中出高潮动态图| 久久国产精品人妻蜜桃| 成人免费观看视频高清| 精品久久久精品久久久| 久久天躁狠狠躁夜夜2o2o| 欧美亚洲日本最大视频资源| 久久久久久亚洲精品国产蜜桃av| 在线永久观看黄色视频| 真人做人爱边吃奶动态| 国产成人精品久久二区二区91| 午夜两性在线视频| 精品一区二区三区四区五区乱码| h视频一区二区三区| 高潮久久久久久久久久久不卡| 老司机影院毛片| 精品福利观看| 欧美日韩福利视频一区二区| 欧美在线黄色| 精品一区二区三区av网在线观看 | 麻豆av在线久日| 欧美日韩亚洲高清精品| av又黄又爽大尺度在线免费看| 91麻豆精品激情在线观看国产 | 亚洲国产欧美一区二区综合| 婷婷成人精品国产| 18禁裸乳无遮挡动漫免费视频| 久久毛片免费看一区二区三区| 啦啦啦在线免费观看视频4| 99国产综合亚洲精品| 狂野欧美激情性bbbbbb| 黄色片一级片一级黄色片| 国产真人三级小视频在线观看| 9色porny在线观看| 国产有黄有色有爽视频| 午夜两性在线视频| 免费不卡黄色视频| 蜜桃在线观看..| 国产成人免费无遮挡视频| 男女免费视频国产| 精品国产超薄肉色丝袜足j| 性少妇av在线| 亚洲视频免费观看视频| 精品卡一卡二卡四卡免费| 伊人亚洲综合成人网| 欧美日韩黄片免| 国产区一区二久久| 欧美老熟妇乱子伦牲交| 美女福利国产在线| 欧美激情极品国产一区二区三区| 日日爽夜夜爽网站| www.av在线官网国产| 久久午夜综合久久蜜桃| 天天影视国产精品| 老司机午夜十八禁免费视频| 欧美+亚洲+日韩+国产| 极品人妻少妇av视频| 国产av一区二区精品久久| 国产成人免费无遮挡视频| 亚洲欧美一区二区三区黑人| 999久久久精品免费观看国产| 亚洲免费av在线视频| 宅男免费午夜| 一本久久精品| 国产成人影院久久av| www.自偷自拍.com| av一本久久久久| 国产精品.久久久| 97人妻天天添夜夜摸| 日韩有码中文字幕| 一区二区日韩欧美中文字幕| 亚洲中文日韩欧美视频| 久久久久久久久久久久大奶| www.自偷自拍.com| 高清在线国产一区| 亚洲性夜色夜夜综合| 亚洲欧美日韩另类电影网站| 操美女的视频在线观看| 蜜桃在线观看..| 色播在线永久视频| 亚洲激情五月婷婷啪啪| 日本五十路高清| 制服人妻中文乱码| 欧美日韩亚洲综合一区二区三区_| 午夜两性在线视频| 国产成人欧美在线观看 | 在线观看免费视频网站a站| 日日爽夜夜爽网站| 伊人亚洲综合成人网| 韩国精品一区二区三区| 久久ye,这里只有精品| 美女脱内裤让男人舔精品视频| 秋霞在线观看毛片| 成人国语在线视频| 老汉色av国产亚洲站长工具| 老熟妇乱子伦视频在线观看 | 国产亚洲一区二区精品| 狂野欧美激情性xxxx| 亚洲精品美女久久av网站| 手机成人av网站| 免费在线观看黄色视频的| 久久精品国产亚洲av香蕉五月 | av在线播放精品| 最近最新中文字幕大全免费视频| 亚洲精品国产av蜜桃| 久久久精品94久久精品| 亚洲九九香蕉| 美女视频免费永久观看网站| 国产激情久久老熟女| 久久女婷五月综合色啪小说| 日韩中文字幕欧美一区二区| 精品久久蜜臀av无| 亚洲国产日韩一区二区| 一级a爱视频在线免费观看| 99久久精品国产亚洲精品| 亚洲成人国产一区在线观看| 热99国产精品久久久久久7| 免费在线观看黄色视频的| 在线永久观看黄色视频| 一本大道久久a久久精品| 亚洲美女黄色视频免费看| 精品视频人人做人人爽| 国产免费一区二区三区四区乱码| 欧美亚洲 丝袜 人妻 在线| 国产精品久久久av美女十八| 啦啦啦视频在线资源免费观看| 亚洲精品自拍成人| 涩涩av久久男人的天堂| 久久99热这里只频精品6学生| 国产精品 国内视频| 12—13女人毛片做爰片一| 日韩制服骚丝袜av| 成年动漫av网址| www.熟女人妻精品国产| 十八禁网站网址无遮挡| 亚洲成人手机| 在线看a的网站| 91字幕亚洲| 成人影院久久| 免费观看人在逋| 999久久久国产精品视频| 久久午夜综合久久蜜桃| 男女之事视频高清在线观看| 久久久久久久大尺度免费视频| av一本久久久久| 精品免费久久久久久久清纯 | 超碰97精品在线观看| 国产成人啪精品午夜网站| 叶爱在线成人免费视频播放| 激情视频va一区二区三区| 狂野欧美激情性xxxx| 精品人妻熟女毛片av久久网站| 亚洲专区国产一区二区| 老司机午夜福利在线观看视频 |