• <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

    全区人妻精品视频| 一个人看视频在线观看www免费 | 欧美不卡视频在线免费观看| 日日摸夜夜添夜夜添小说| 亚洲男人的天堂狠狠| 国产成人欧美在线观看| 国产日本99.免费观看| 女人被狂操c到高潮| svipshipincom国产片| 51国产日韩欧美| 两个人视频免费观看高清| 亚洲激情在线av| 亚洲av成人不卡在线观看播放网| 免费在线观看影片大全网站| 国产毛片a区久久久久| 久久精品国产99精品国产亚洲性色| 给我免费播放毛片高清在线观看| 精品免费久久久久久久清纯| 天堂√8在线中文| 久久精品夜夜夜夜夜久久蜜豆| 国产午夜精品久久久久久一区二区三区 | 好看av亚洲va欧美ⅴa在| 99热这里只有精品一区| 久久精品综合一区二区三区| 99久久精品热视频| 亚洲乱码一区二区免费版| 亚洲欧美日韩东京热| 欧美3d第一页| 日本 欧美在线| 18禁黄网站禁片免费观看直播| 精品国产超薄肉色丝袜足j| 老司机在亚洲福利影院| 亚洲国产欧美网| 亚洲人成网站在线播| 热99re8久久精品国产| 18禁美女被吸乳视频| 国产欧美日韩一区二区三| 亚洲精品在线美女| 三级男女做爰猛烈吃奶摸视频| 亚洲成人久久性| 久久久久亚洲av毛片大全| 我的老师免费观看完整版| 国产乱人视频| 嫩草影视91久久| 一进一出抽搐gif免费好疼| 在线视频色国产色| 日韩人妻高清精品专区| 麻豆成人av在线观看| 麻豆成人av在线观看| 日本在线视频免费播放| 国产主播在线观看一区二区| 亚洲国产精品sss在线观看| 国产三级在线视频| 午夜免费观看网址| 亚洲av电影在线进入| 国产成人影院久久av| 成人性生交大片免费视频hd| 欧美中文日本在线观看视频| 午夜福利成人在线免费观看| 99热精品在线国产| 国产黄片美女视频| 成人av一区二区三区在线看| 午夜两性在线视频| 国产精品1区2区在线观看.| 很黄的视频免费| 亚洲成人免费电影在线观看| 久久久久国内视频| 亚洲无线在线观看| 在线免费观看的www视频| 男女做爰动态图高潮gif福利片| 琪琪午夜伦伦电影理论片6080| 女人十人毛片免费观看3o分钟| 日本一二三区视频观看| 可以在线观看的亚洲视频| 又爽又黄无遮挡网站| 又爽又黄无遮挡网站| 久久国产精品人妻蜜桃| 欧美日韩国产亚洲二区| 国内精品一区二区在线观看| 波野结衣二区三区在线 | 又爽又黄无遮挡网站| 国产三级中文精品| 久久久久久人人人人人| 嫩草影视91久久| 午夜福利高清视频| 91av网一区二区| 大型黄色视频在线免费观看| 亚洲乱码一区二区免费版| 午夜免费观看网址| 日本免费a在线| 啪啪无遮挡十八禁网站| 白带黄色成豆腐渣| 噜噜噜噜噜久久久久久91| 亚洲 国产 在线| 特级一级黄色大片| 欧美区成人在线视频| 国产真实伦视频高清在线观看 | 国产精品日韩av在线免费观看| 国产一区二区三区在线臀色熟女| 国产一区二区在线av高清观看| 中文字幕高清在线视频| 99精品在免费线老司机午夜| 亚洲中文日韩欧美视频| 亚洲va日本ⅴa欧美va伊人久久| 亚洲专区中文字幕在线| 草草在线视频免费看| 中文字幕熟女人妻在线| 婷婷六月久久综合丁香| 特大巨黑吊av在线直播| 99热这里只有精品一区| 怎么达到女性高潮| 成人欧美大片| 老汉色∧v一级毛片| 午夜福利18| 88av欧美| 亚洲国产欧美人成| 国产精品精品国产色婷婷| 俄罗斯特黄特色一大片| 超碰av人人做人人爽久久 | 啦啦啦免费观看视频1| 国产真人三级小视频在线观看| 亚洲,欧美精品.| 最近视频中文字幕2019在线8| 51午夜福利影视在线观看| 在线观看午夜福利视频| 在线观看免费午夜福利视频| 桃红色精品国产亚洲av| 最近在线观看免费完整版| 在线观看美女被高潮喷水网站 | 亚洲精品成人久久久久久| 欧美bdsm另类| 美女高潮喷水抽搐中文字幕| 欧美一区二区国产精品久久精品| 高清毛片免费观看视频网站| 欧美黄色淫秽网站| 欧美一级毛片孕妇| 淫妇啪啪啪对白视频| 亚洲国产日韩欧美精品在线观看 | 听说在线观看完整版免费高清| 免费看美女性在线毛片视频| 99热这里只有精品一区| 热99re8久久精品国产| 99热6这里只有精品| x7x7x7水蜜桃| 好男人在线观看高清免费视频| 久久久国产成人免费| x7x7x7水蜜桃| 少妇的丰满在线观看| 欧美成人免费av一区二区三区| 国产亚洲欧美98| 亚洲av第一区精品v没综合| 综合色av麻豆| 久久久国产精品麻豆| 琪琪午夜伦伦电影理论片6080| 国产一区二区激情短视频| 国产av在哪里看| 精品电影一区二区在线| 美女高潮喷水抽搐中文字幕| 久久精品影院6| 久久精品综合一区二区三区| 九色成人免费人妻av| 欧美激情在线99| 好男人在线观看高清免费视频| 成人鲁丝片一二三区免费| 久久午夜亚洲精品久久| 国产精华一区二区三区| 亚洲最大成人中文| 99久久成人亚洲精品观看| 99久久综合精品五月天人人| 久久精品国产综合久久久| 嫩草影视91久久| 亚洲精品国产精品久久久不卡| 最后的刺客免费高清国语| 精华霜和精华液先用哪个| 精品电影一区二区在线| 88av欧美| 久久午夜亚洲精品久久| 最新美女视频免费是黄的| 99久久九九国产精品国产免费| 成人特级黄色片久久久久久久| 好男人电影高清在线观看| 亚洲av成人不卡在线观看播放网| 久久精品人妻少妇| 欧美黄色片欧美黄色片| 亚洲精品久久国产高清桃花| 国产69精品久久久久777片| 成人一区二区视频在线观看| av天堂中文字幕网| 此物有八面人人有两片| 亚洲精品色激情综合| 久久亚洲真实| 成年免费大片在线观看| 亚洲在线自拍视频| 在线十欧美十亚洲十日本专区| 狂野欧美白嫩少妇大欣赏| av在线天堂中文字幕| 国产伦人伦偷精品视频| 国产精品久久视频播放| 色尼玛亚洲综合影院| 欧美区成人在线视频| 国产精品免费一区二区三区在线| 在线观看午夜福利视频| 高清在线国产一区| 亚洲欧美日韩东京热| 九九在线视频观看精品| 美女免费视频网站| 香蕉av资源在线| 天堂√8在线中文| 久久久久久大精品| 99精品久久久久人妻精品| 中文字幕人妻熟人妻熟丝袜美 | 久久人人精品亚洲av| 精品国产美女av久久久久小说| or卡值多少钱| 久久6这里有精品| 免费人成在线观看视频色| 亚洲久久久久久中文字幕| 精品人妻一区二区三区麻豆 | 最近视频中文字幕2019在线8| 美女高潮喷水抽搐中文字幕| 亚洲18禁久久av| 国产精品自产拍在线观看55亚洲| 国产精品精品国产色婷婷| 99riav亚洲国产免费| 熟女少妇亚洲综合色aaa.| 国产 一区 欧美 日韩| 成人精品一区二区免费| 韩国av一区二区三区四区| 精品不卡国产一区二区三区| 久久久精品大字幕| 成年人黄色毛片网站| 国产精华一区二区三区| 亚洲成a人片在线一区二区| 亚洲最大成人中文| 亚洲美女视频黄频| 18禁在线播放成人免费| 欧美日韩亚洲国产一区二区在线观看| 欧美日韩瑟瑟在线播放| 亚洲精品在线美女| 哪里可以看免费的av片| 操出白浆在线播放| 欧美乱色亚洲激情| eeuss影院久久| 午夜福利在线观看吧| 蜜桃久久精品国产亚洲av| 无限看片的www在线观看| 国产精品99久久久久久久久| aaaaa片日本免费| 国产在线精品亚洲第一网站| 黄色成人免费大全| 日本五十路高清| 夜夜爽天天搞| xxx96com| 伊人久久大香线蕉亚洲五| 极品教师在线免费播放| 亚洲成人久久爱视频| 久久久久久久亚洲中文字幕 | 国产探花在线观看一区二区| 99久久久亚洲精品蜜臀av| 国产成人福利小说| 午夜激情福利司机影院| 校园春色视频在线观看| 日韩精品中文字幕看吧| 亚洲乱码一区二区免费版| 久久久久久国产a免费观看| 1024手机看黄色片| 亚洲在线自拍视频| av天堂中文字幕网| 日韩欧美精品v在线| 午夜免费观看网址| av视频在线观看入口| 精品久久久久久久末码| 内地一区二区视频在线| av天堂中文字幕网| 久久久久久久久大av| 天堂av国产一区二区熟女人妻| 日本三级黄在线观看| 黄色日韩在线| 黄色女人牲交| 我要搜黄色片| 欧美成人免费av一区二区三区| 岛国在线观看网站| www日本黄色视频网| 亚洲av一区综合| 成人鲁丝片一二三区免费| 看免费av毛片| 国产老妇女一区| 香蕉久久夜色| 91久久精品电影网| 久久久久久国产a免费观看| 日韩有码中文字幕| 久久久久久久久中文| 在线视频色国产色| 99久久无色码亚洲精品果冻| 99热这里只有精品一区| 国产老妇女一区| 老汉色av国产亚洲站长工具| 操出白浆在线播放| 又黄又粗又硬又大视频| 国产精品久久久久久精品电影| 一本一本综合久久| 看片在线看免费视频| 国内精品美女久久久久久| 亚洲欧美日韩东京热| 男女做爰动态图高潮gif福利片| 一进一出抽搐动态| 男女那种视频在线观看| 老汉色∧v一级毛片| 精品久久久久久久毛片微露脸| 欧美色欧美亚洲另类二区| netflix在线观看网站| 五月伊人婷婷丁香| 午夜福利在线观看吧| 一级毛片女人18水好多| 嫩草影视91久久| 黄色女人牲交| 男女午夜视频在线观看| 成人特级av手机在线观看| 无人区码免费观看不卡| 看片在线看免费视频| 日本黄色视频三级网站网址| 2021天堂中文幕一二区在线观| 人人妻人人看人人澡| 99久久久亚洲精品蜜臀av| 午夜免费观看网址| 欧美日韩一级在线毛片| 天堂av国产一区二区熟女人妻| 国产一区二区在线观看日韩 | 色精品久久人妻99蜜桃| 亚洲国产欧美网| 国产伦精品一区二区三区视频9 | 久久久久久久亚洲中文字幕 | 成人国产综合亚洲| 免费看a级黄色片| 国产精品女同一区二区软件 | 国产蜜桃级精品一区二区三区| 在线免费观看不下载黄p国产 | 69av精品久久久久久| 在线观看免费午夜福利视频| 亚洲国产欧洲综合997久久,| 最近最新中文字幕大全免费视频| 日韩欧美在线二视频| 国产av麻豆久久久久久久| 久久久久久人人人人人| 岛国在线免费视频观看| 国产色婷婷99| 国产一区在线观看成人免费| 欧美成狂野欧美在线观看| a级一级毛片免费在线观看| 18禁黄网站禁片免费观看直播| av视频在线观看入口| av专区在线播放| 男女做爰动态图高潮gif福利片| 久久久久性生活片| 白带黄色成豆腐渣| 国产高清视频在线观看网站| 桃色一区二区三区在线观看| 18+在线观看网站| 嫩草影视91久久| 长腿黑丝高跟| 久久九九热精品免费| 亚洲av电影不卡..在线观看| 欧美不卡视频在线免费观看| 99精品欧美一区二区三区四区| 免费看十八禁软件| 久久久久久久亚洲中文字幕 | 亚洲国产高清在线一区二区三| 亚洲无线在线观看| 99久久综合精品五月天人人| 亚洲一区二区三区色噜噜| av视频在线观看入口| 一级毛片女人18水好多| 美女大奶头视频| 给我免费播放毛片高清在线观看| 亚洲午夜理论影院| 日本与韩国留学比较| 岛国在线观看网站| 国产精品影院久久| 久久亚洲真实| 国产探花在线观看一区二区| 女人高潮潮喷娇喘18禁视频| www.www免费av| 成人国产综合亚洲| 欧美黑人巨大hd| 国产成人a区在线观看| 欧美日本亚洲视频在线播放| 别揉我奶头~嗯~啊~动态视频| 特级一级黄色大片| 中文字幕人妻丝袜一区二区| 色av中文字幕| 国产午夜福利久久久久久| 亚洲av熟女| 在线观看舔阴道视频| 国产一区二区在线av高清观看| 99热这里只有精品一区| 成年女人看的毛片在线观看| 国产精品三级大全| 午夜福利成人在线免费观看| 手机成人av网站| 中文字幕人妻丝袜一区二区| e午夜精品久久久久久久| 特级一级黄色大片| 国内揄拍国产精品人妻在线| 亚洲最大成人手机在线| 欧美日韩国产亚洲二区| 日韩欧美一区二区三区在线观看| 两人在一起打扑克的视频| 亚洲av五月六月丁香网| 床上黄色一级片| 欧美另类亚洲清纯唯美| 久久人人精品亚洲av| 麻豆成人午夜福利视频| 手机成人av网站| 免费看美女性在线毛片视频| 9191精品国产免费久久| 性色av乱码一区二区三区2| 日本熟妇午夜| 欧美一区二区亚洲| 在线国产一区二区在线| 一个人免费在线观看电影| 亚洲午夜理论影院| 岛国视频午夜一区免费看| 午夜激情欧美在线| 网址你懂的国产日韩在线| 亚洲最大成人中文| 免费高清视频大片| 国产高清videossex| 精华霜和精华液先用哪个| 欧美3d第一页| 亚洲 国产 在线| 日韩欧美精品免费久久 | 午夜福利成人在线免费观看| 一区二区三区高清视频在线| 听说在线观看完整版免费高清| av专区在线播放| 黄片小视频在线播放| 国内久久婷婷六月综合欲色啪| 最好的美女福利视频网| 一级作爱视频免费观看| 日本黄色视频三级网站网址| 69av精品久久久久久| 国产亚洲精品综合一区在线观看| 日本精品一区二区三区蜜桃| 又爽又黄无遮挡网站| 婷婷亚洲欧美| 叶爱在线成人免费视频播放| 窝窝影院91人妻| www.色视频.com| 婷婷丁香在线五月| 悠悠久久av| 一本久久中文字幕| 在线十欧美十亚洲十日本专区| 琪琪午夜伦伦电影理论片6080| 久久久久精品国产欧美久久久| 一级a爱片免费观看的视频| 中文字幕精品亚洲无线码一区| 久久精品91蜜桃| 久久亚洲真实| 99国产精品一区二区三区| 亚洲一区二区三区不卡视频| 蜜桃久久精品国产亚洲av| 午夜免费成人在线视频| 十八禁人妻一区二区| 韩国av一区二区三区四区| 久久精品影院6| 精品人妻一区二区三区麻豆 | 久久久久亚洲av毛片大全| 好男人在线观看高清免费视频| 免费av观看视频| 精品国产三级普通话版| 禁无遮挡网站| av专区在线播放| 在线视频色国产色| 91久久精品国产一区二区成人 | 亚洲人成网站高清观看| 一进一出抽搐gif免费好疼| 18禁在线播放成人免费| 校园春色视频在线观看| 小说图片视频综合网站| 19禁男女啪啪无遮挡网站| 精品无人区乱码1区二区| 欧美不卡视频在线免费观看| 国产高清视频在线观看网站| 国内精品久久久久久久电影| 成年版毛片免费区| 在线观看一区二区三区| 在线观看午夜福利视频| 亚洲av中文字字幕乱码综合| 啦啦啦免费观看视频1| 性色avwww在线观看| 亚洲天堂国产精品一区在线| 日韩免费av在线播放| 日本免费a在线| 人人妻人人看人人澡| 国产一区二区激情短视频| 看免费av毛片| 十八禁网站免费在线| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 国产伦一二天堂av在线观看| 久久久国产精品麻豆| 午夜视频国产福利| 麻豆国产97在线/欧美| 中文字幕久久专区| 亚洲精品色激情综合| 亚洲人成网站高清观看| 黄片小视频在线播放| 日本一本二区三区精品| 黄片小视频在线播放| 最新美女视频免费是黄的| 美女黄网站色视频| 国产高清三级在线| 99热只有精品国产| 国产成人av激情在线播放| 国产高清视频在线观看网站| 国产成人av激情在线播放| www.999成人在线观看| 观看免费一级毛片| 欧美黄色片欧美黄色片| 两个人看的免费小视频| 在线免费观看的www视频| 亚洲国产精品久久男人天堂| 日韩欧美一区二区三区在线观看| 中文字幕人妻熟人妻熟丝袜美 | 亚洲国产中文字幕在线视频| 国产真人三级小视频在线观看| 成人亚洲精品av一区二区| 精品欧美国产一区二区三| 免费一级毛片在线播放高清视频| 亚洲av免费在线观看| 黑人欧美特级aaaaaa片| 国产成年人精品一区二区| 久久久久久久亚洲中文字幕 | 丰满乱子伦码专区| 国产精品电影一区二区三区| 女生性感内裤真人,穿戴方法视频| 国产av麻豆久久久久久久| 色综合站精品国产| 一级毛片高清免费大全| 舔av片在线| 欧美精品啪啪一区二区三区| 久久久久久久精品吃奶| 国产乱人伦免费视频| 色精品久久人妻99蜜桃| 国产精品久久久久久久电影 | 成人特级黄色片久久久久久久| 一本久久中文字幕| 麻豆久久精品国产亚洲av| 99精品久久久久人妻精品| 日韩精品青青久久久久久| 国产69精品久久久久777片| 国产真人三级小视频在线观看| 精品人妻一区二区三区麻豆 | 日韩高清综合在线| 老熟妇仑乱视频hdxx| 欧美3d第一页| www.色视频.com| 可以在线观看毛片的网站| 制服丝袜大香蕉在线| 一个人看的www免费观看视频| 亚洲成av人片免费观看| 国产乱人视频| 女人被狂操c到高潮| 亚洲美女视频黄频| 日韩大尺度精品在线看网址| 叶爱在线成人免费视频播放| 国产精品1区2区在线观看.| 亚洲成av人片免费观看| 99国产极品粉嫩在线观看| 婷婷丁香在线五月| 亚洲,欧美精品.| 真人做人爱边吃奶动态| 日本a在线网址| 欧美区成人在线视频| 国产麻豆成人av免费视频| www日本黄色视频网| 国产在线精品亚洲第一网站| a级毛片a级免费在线| www日本在线高清视频| 18禁裸乳无遮挡免费网站照片| 色哟哟哟哟哟哟| 黄色片一级片一级黄色片| 国产三级中文精品| 国产69精品久久久久777片| 国产主播在线观看一区二区| 国产色爽女视频免费观看| 亚洲av日韩精品久久久久久密| 一个人看视频在线观看www免费 | 色老头精品视频在线观看| 免费搜索国产男女视频| 成人特级黄色片久久久久久久| 午夜精品久久久久久毛片777| 久久久久亚洲av毛片大全| 人妻久久中文字幕网| 国产精品一及| 久久久精品大字幕| 中文字幕熟女人妻在线| 网址你懂的国产日韩在线| 国产精品嫩草影院av在线观看 | 久久久色成人| 波多野结衣高清无吗| 午夜福利成人在线免费观看| www.色视频.com| 国产精品电影一区二区三区| 日本免费a在线| 成人国产综合亚洲| 青草久久国产| 久久欧美精品欧美久久欧美| 成熟少妇高潮喷水视频| 97超视频在线观看视频| 日韩大尺度精品在线看网址| 深爱激情五月婷婷| 国产精品98久久久久久宅男小说| 禁无遮挡网站| 女人高潮潮喷娇喘18禁视频| 欧美中文综合在线视频|