• <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 ?

    基于聯(lián)合局域相關(guān)向量機(jī)的雷達(dá)導(dǎo)引頭狀態(tài)預(yù)測方法

    2018-01-15 05:28:56徐廷學(xué)
    關(guān)鍵詞:證據(jù)向量預(yù)測

    逯 程, 徐廷學(xué), 王 虹

    (1. 海軍航空大學(xué)岸防兵學(xué)院, 山東 煙臺 264001; 2. 中央軍委聯(lián)合參謀部第55研究所, 北京 100094)

    0 引 言

    狀態(tài)預(yù)測技術(shù)是視情維修(condition based maintenance, CBM)策略的關(guān)鍵技術(shù)之一,它通過整合裝備當(dāng)前及歷史狀態(tài)監(jiān)測數(shù)據(jù),判斷其在未來一段時間內(nèi)的狀態(tài)發(fā)展趨勢,從而為維修保障提供決策信息。

    目前,裝備的退化狀態(tài)預(yù)測方法主要分為3類[1]:基于經(jīng)驗、基于模型和基于數(shù)據(jù)驅(qū)動的預(yù)測?;诮?jīng)驗的預(yù)測方法通常針對狀態(tài)信息獲取困難的裝備,該方法實現(xiàn)簡單,但是預(yù)測結(jié)果往往不夠理想;基于模型的預(yù)測方法需要對裝備狀態(tài)進(jìn)行精確的數(shù)學(xué)建模,而這一點對于復(fù)雜的機(jī)電裝備難度較大;而基于數(shù)據(jù)驅(qū)動的預(yù)測方法[2-4]靈活性較強(qiáng),適用于各類型裝備的退化狀態(tài)預(yù)測,具有很可觀的工程實用價值。當(dāng)前,人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)、灰色系統(tǒng)理論(grey system theory, GST)和支持向量機(jī)(support vector machine, SVM)已被廣泛用于這一領(lǐng)域的研究,并表現(xiàn)出不錯的性能。但它們也存在一些固有缺陷,如ANN在優(yōu)化過程中易陷入局部最優(yōu)值,且性能受到訓(xùn)練樣本量的限制;GST極易受到數(shù)據(jù)序列波動性的影響,且長期預(yù)測精度不佳;SVM模型參數(shù)設(shè)置復(fù)雜,稀疏性有限,輸出結(jié)果沒有概率輸出,忽視了預(yù)測的不確定性問題。這些不足極大限制了它們在工程上的實際應(yīng)用。

    相關(guān)向量機(jī)(relevance vector machine, RVM)是文獻(xiàn)[5-6]于2001年提出的一種基于稀疏Bayesian學(xué)習(xí)理論的機(jī)器學(xué)習(xí)算法。與SVM相比,其核函數(shù)不受Mercer條件的限制,選取更加靈活;參數(shù)設(shè)置簡單,避免了復(fù)雜的附加參數(shù);解的稀疏性也遠(yuǎn)高于SVM,具有較好的泛化能力;其概率式的輸出也能有效提供更多決策信息,降低預(yù)測風(fēng)險[5-6]。目前,已在壽命預(yù)測[7]、可靠性預(yù)測[8]及時間序列預(yù)測[9]等領(lǐng)域取得了不錯的應(yīng)用效果,是當(dāng)前小樣本預(yù)測建模問題的研究熱點。

    所以本文結(jié)合裝備保障實際,在RVM回歸模型的基礎(chǔ)上,提出了一種基于聯(lián)合局域相關(guān)向量機(jī)(united local relevance vector machine, U-LRVM)的預(yù)測方法。通過構(gòu)建一種方差高斯核函數(shù)來提高核函數(shù)的全局性能和泛化能力;通過借鑒混沌序列局域預(yù)測法中鄰近點個數(shù)的選取方法,利用Hannan-Quinn(H-Q)準(zhǔn)則對訓(xùn)練空間預(yù)測嵌入維數(shù)進(jìn)行優(yōu)化,避免了主觀選取的盲目性,完成了改進(jìn)局域相關(guān)向量機(jī)(local relevance vector machine, LRVM)模型的構(gòu)建;針對傳統(tǒng)預(yù)測方法僅考慮單一性能指標(biāo)變化趨勢的不足,利用具有近似退化規(guī)律的同源裝備測試數(shù)據(jù)對LRVM進(jìn)行了改進(jìn),結(jié)合Dempster-Shafer (D-S)證據(jù)理論在數(shù)據(jù)融合領(lǐng)域的優(yōu)良性能,對傳統(tǒng)和改進(jìn)LRVM兩種模型進(jìn)行了融合,建立了U-LRVM模型,如圖1所示。

    圖1 U-LRVM 預(yù)測模型Fig.1 Prediction model of U-LRVM

    1 RVM預(yù)測模型

    1.1 RVM回歸原理

    RVM是一種非線性稀疏Bayesian學(xué)習(xí)理論,其良好的泛化性能和較少的相關(guān)向量使其在預(yù)測領(lǐng)域取得了較好的應(yīng)用,其回歸模型原理如下。

    ti=y(xi,ω)+εi

    (1)

    式中,樣本高斯噪聲εi~N(0,σ2)。類似于SVM的表達(dá)式,將式(1)用一系列核函數(shù)可以表示為

    (2)

    式中,ω=[ω0,ω1,…,ωN]T為權(quán)參數(shù)向量;K(·,·)為核函數(shù)。因此可以推斷出p(ti|xi)=N(ti|y(xi,ω),σ2),即ti滿足ti~N(y(xi,ω),σ2)。為方便表達(dá),引入超參數(shù)β=σ-2,則整個訓(xùn)練樣本數(shù)據(jù)組的似然函數(shù)表示為

    (3)

    式中,t=[t1,t2,…,tN]T;Φ∈RN×(N+1)是設(shè)計矩陣,定義為Φ=[φ(x1),φ(x2),…,φ(xN)]T,基函數(shù)向量。

    (4)

    式中,在超參數(shù)α=[α1,α2,…,αN]中的每個αj都相互獨立且只與對應(yīng)的權(quán)值ωj相關(guān)。利用式(3)和式(4),根據(jù)Bayesian公式即可得到ω后驗分布的均值矩陣μ和協(xié)方差矩陣Σ分別為

    Σ=(βΦTΦ+A)-1

    (5)

    μ=βΣΦTt

    (6)

    式中,Α=diag(α0,α1,…,αN)。若要得到ω的后驗分布,必須對兩個影響參數(shù)β和αj進(jìn)行優(yōu)化,具體方法為最大化邊緣似然函數(shù)p(t|α,β)。對p(t|α,β)等號兩邊取對數(shù)得到目標(biāo)函數(shù)后,再根據(jù)目標(biāo)函數(shù)分別對αj和β求偏導(dǎo)并令導(dǎo)數(shù)為0,得到兩個參數(shù)的迭代計算公式為

    (7)

    (8)

    γj=1-αjΣjj

    (9)

    式中,μj為μ的第j個元素;Σjj是協(xié)方差矩陣Σ第j個對角元。

    y*=μTφ(x*)

    (10)

    (11)

    1.2 RVM預(yù)測置信區(qū)間計算

    (12)

    若置信度設(shè)為1-θ,則

    (13)

    式(13)即p{y*-σ*zθ/2,y*-σ*zθ/2}=1-θ,所以t*置信度為1-θ的雙側(cè)置信區(qū)間為[y*-σ*zθ/2,y*-σ*zθ/2],上位數(shù)zθ/2可以通過標(biāo)準(zhǔn)正態(tài)分布表查找獲取。

    2 RVM回歸模型參數(shù)優(yōu)化

    2.1 高斯核函數(shù)的改進(jìn)

    通過在SVM基礎(chǔ)上把基于高斯過程中的Bayesian推理應(yīng)用到核理論上,RVM算法在先驗參數(shù)的結(jié)構(gòu)下利用自相關(guān)判定理論(automatic relevance determination, ARD)移除不相關(guān)的樣本點,從而實現(xiàn)了模型的稀疏化[10]。雖然與SVM相比,RVM的核函數(shù)由于稀疏、較少的超參數(shù)而計算量大減,且脫離了Mercer條件的限制,但是預(yù)先確定的核函數(shù)性能依然會直接影響到RVM回歸預(yù)測的精度。

    作為一種基于距離方程的核函數(shù),高斯核函數(shù)的測試點在由源空間映射到高維特征空間后往往會變得稀疏。只有當(dāng)核函數(shù)不僅能在測試點保持較快的衰減,而且在無限遠(yuǎn)處也能保持一定的衰減時,上述情況才能得到改變。然而,高斯核函數(shù)只滿足前者,所以它是一種典型的局部核函數(shù)。近年來,很多學(xué)者通過構(gòu)造高斯核函數(shù)與全局性核函數(shù)組成的混合核來提高核函數(shù)的性能[11-16],但在這個過程中又引入了多個參數(shù)變量,大大增加了RVM的計算復(fù)雜度。本文在高斯核函數(shù)的基礎(chǔ)上,通過構(gòu)造一種改進(jìn)的方差高斯核函數(shù)來提高RVM的性能。

    在高斯核函數(shù)的標(biāo)準(zhǔn)形式里,所有的特征元素都利用相同的尺度因子來衡量,這一特性也使得具有大數(shù)值尺度范圍的特征要更占優(yōu)勢,這一局限性也嚴(yán)重影響了其在實用中的性能。為克服這一問題,使各特征元素進(jìn)行零均值歸一化并將其標(biāo)為單位標(biāo)準(zhǔn)差形式,即

    (14)

    式中,μi和σi是特征向量的均值與標(biāo)準(zhǔn)差。將式(14)代入標(biāo)準(zhǔn)形式,將得到的結(jié)果改寫成核函數(shù)的形式,就產(chǎn)生了一個新的核函數(shù),即

    (15)

    (16)

    這樣構(gòu)造的核函數(shù)不僅滿足前文提到的兩個條件,而且成功避免了未知參數(shù)的引入,另外在模型數(shù)據(jù)的輸入前也不需要數(shù)據(jù)的歸一化過程。文獻(xiàn)[17]中的研究指出,調(diào)整唯一的帶寬參數(shù)b對提高核函數(shù)的性能效果并不明顯,可以視為正態(tài)分布中的標(biāo)準(zhǔn)差σ。

    2.2 訓(xùn)練樣本空間維數(shù)的優(yōu)化

    實現(xiàn)時間序列{x1,x2,…,xn}預(yù)測的關(guān)鍵在于尋找到滑動時間窗口Xt={xt-1,xt-2,…,xt-m}與輸出Yt={Xt}之間的準(zhǔn)確映射f:Rm→R,其中,t=m+1,m+2,…,n,m為預(yù)測嵌入維數(shù)。因此,參數(shù)m的確定對于預(yù)測建模的準(zhǔn)確性至關(guān)重要。為了克服m選取的主觀盲目性,本文基于混沌時序的局域預(yù)測法[18-19]中鄰近點個數(shù)選取的思想,對RVM的訓(xùn)練樣本空間最優(yōu)嵌入維數(shù)進(jìn)行了優(yōu)化,該方法適合小數(shù)據(jù)量的情況,具有計算簡單和精度高的特點。

    在鄰近點個數(shù)的確定過程中,本文基于H-Q準(zhǔn)則[23],過程如下:

    對d給定一個寬泛的范圍d∈[dmin,dmax],依次計算每個d值下的H-Q準(zhǔn)則值:

    (17)

    (18)

    3 基于數(shù)據(jù)融合的U-LRVM預(yù)測模型

    3.1 聯(lián)合相關(guān)向量機(jī)思想

    導(dǎo)彈在進(jìn)行末制導(dǎo)雷達(dá)單元測試后,會得到雷達(dá)多個指標(biāo)的性能測試數(shù)據(jù)。傳統(tǒng)采用RVM對性能參數(shù)進(jìn)行預(yù)測是通過該參數(shù)的歷史測試數(shù)據(jù)預(yù)測其未來時刻的狀態(tài)參數(shù)值,但這種預(yù)測模型太過單一,預(yù)測結(jié)果也并不能十分令人信服??紤]到在導(dǎo)彈的實際貯存過程中,每季度正常情況下往往會對同批次的多個導(dǎo)彈同時進(jìn)行檢測維護(hù),這些同一生產(chǎn)批次導(dǎo)彈來自相同的工業(yè)生產(chǎn)廠家,統(tǒng)一列裝部隊后一直處于相同的貯存環(huán)境下,每次進(jìn)行導(dǎo)彈貯存檢測時都會有數(shù)枚彈一起參與測試并記錄數(shù)據(jù),也就是說,它們具有同源相近性的特點,本文統(tǒng)一稱其為同源裝備。所以,同源導(dǎo)彈往往具有相同的狀態(tài)退化規(guī)律,即其他導(dǎo)彈的性能參數(shù)變化也能從一定程度上反映待預(yù)測導(dǎo)彈的某一性能參數(shù)變化情況?;谝陨戏治?為充分利用同源導(dǎo)彈的性能退化數(shù)據(jù),提出了一種聯(lián)合相關(guān)向量機(jī)(united relevance vector machine, U-RVM)的預(yù)測模型。

    圖2 U-RVM 預(yù)測模型Fig.2 Prediction model of U-RVM

    3.2 D-S證據(jù)組合規(guī)則

    證據(jù)融合規(guī)則可以使來自不同信息源的證據(jù)融合成為更準(zhǔn)確可靠的信息,也是D-S證據(jù)理論的核心[25]。Dempster證據(jù)組合規(guī)則如下:設(shè)Bel1和Bel2是識別框架U上的兩個信度函數(shù),m1和m2分別是其對應(yīng)的基本概率賦值(basic probability assignment,BPA),焦元分別為A1,…,Ak和B1,…,Br,則有

    (19)

    3.3 BPA的選取

    在預(yù)測問題中,以第3.1節(jié)提到的兩種模型構(gòu)建識別框架U={f1,f2},若它們進(jìn)行q次預(yù)測則產(chǎn)生證據(jù)集E=(e1,e2,…,eq),mk(fj)為第k(k=1,2,…,q)次預(yù)測后證據(jù)ek對P-RVM或C-RVM預(yù)測模型的信任程度,即對第j(j=1,2)種模型的BPA值。本文基于模型預(yù)測效果的思想設(shè)計BPA計算公式,當(dāng)模型預(yù)測偏差較大時,相對應(yīng)的BPA值也會越小,基于這一原則,具體計算方法為

    (20)

    mk(U)=0

    (21)

    (22)

    在預(yù)測過程中,基于新陳代謝的思想,每次產(chǎn)生的新證據(jù)會與之前的證據(jù)進(jìn)行動態(tài)融合,有效增強(qiáng)了模型對新信息的適應(yīng)能力和利用率。

    3.4 權(quán)重系數(shù)的確定

    根據(jù)P-RVM和C-RVM的組合模型U-RVM在t+1時刻對性能參數(shù)vi進(jìn)行預(yù)測:

    (23)

    從式(23)可以看出,權(quán)重的分配將是影響U-RVM預(yù)測結(jié)果的關(guān)鍵因素。傳統(tǒng)的基于專家經(jīng)驗的權(quán)重分配方式具有很大的主觀盲目性,所以本文利用D-S證據(jù)理論能夠根據(jù)證據(jù)累加來處理不確定性因素的優(yōu)點,通過證據(jù)集的融合處理進(jìn)行權(quán)重分配,具體計算方法為

    (24)

    式中,ωk,j為第k次預(yù)測后第j種模型所分配的權(quán)重值;m(fj)為證據(jù)融合后的第j種模型的BPA值。

    3.5 U-LRVM預(yù)測算法

    將改進(jìn)的LRVM算法與U-RVM算法進(jìn)行結(jié)合,構(gòu)成了本文設(shè)計的U-LRVM算法,具體步驟如下。

    步驟1確定某裝備待預(yù)測的I種性能指標(biāo),給定某性能指標(biāo)測試序列vi=(vi,1,vi,2,…,vi,N),1≤i≤I,vi,j為j(1≤j≤N)時刻的參數(shù)值。同時確定p個同源測試裝備的性能指標(biāo)矩陣

    步驟2設(shè)定預(yù)測步數(shù)q。對P-RVM模型,訓(xùn)練數(shù)據(jù)進(jìn)行相空間重構(gòu)得

    C-LRVM重構(gòu)后的訓(xùn)練數(shù)據(jù)為

    步驟5利用式(19)計算本次預(yù)測與之前預(yù)測的模型融合BPA值。

    步驟6對之前的預(yù)測步數(shù)k進(jìn)行判斷。若達(dá)到,則利用式(24)計算得到組合預(yù)測模型的權(quán)重ωk,j;否則返回步驟4繼續(xù)下一步預(yù)測。

    U-LRVM預(yù)測算法的流程圖如圖3所示。

    圖3 U-RVM算法流程圖Fig.3 Flow chart of U-RVM algorithm

    4 實例分析

    雷達(dá)導(dǎo)引頭是導(dǎo)彈武器系統(tǒng)中最為復(fù)雜的關(guān)鍵設(shè)備之一,其性能狀態(tài)的優(yōu)劣直接影響到導(dǎo)彈的作戰(zhàn)效能能否正常發(fā)揮,因而對其進(jìn)行狀態(tài)預(yù)測是十分必要的。

    以某岸導(dǎo)團(tuán)面向貯存任務(wù)的一批同源導(dǎo)彈為基礎(chǔ),選取某導(dǎo)彈雷達(dá)導(dǎo)引頭為預(yù)測研究對象。通過對導(dǎo)彈定期按季度進(jìn)行雷達(dá)單元測試,從2009年初至2016年9月,獲得4個關(guān)鍵參數(shù)的31組數(shù)據(jù),如表1所示。本文限于篇幅,表中只列出了部分?jǐn)?shù)據(jù),同源裝備測試數(shù)據(jù)沒有列出。表1中前28組數(shù)據(jù)用于訓(xùn)練學(xué)習(xí),2016年的3組數(shù)據(jù)用于檢驗預(yù)測效果。

    表1 關(guān)鍵指標(biāo)參數(shù)測試數(shù)據(jù)

    確定訓(xùn)練嵌入維數(shù)m=3后,將訓(xùn)練預(yù)測次數(shù)設(shè)定為2,運用前28組數(shù)據(jù)對P-LRVM和C-LRVM進(jìn)行訓(xùn)練預(yù)測,將預(yù)測結(jié)果代入式(20)、式(21),得到每次預(yù)測時兩種模型的BPA,進(jìn)一步利用式(19)得到預(yù)測結(jié)束后二者的融合BPA值,將其代入式(24),得到U-LRVM中P-LRVM和C-LRVM模型的權(quán)重分配,如表2所示。

    表2 權(quán)重的分配

    為驗證本文所提預(yù)測方法的有效性,針對雷達(dá)導(dǎo)引頭的4個關(guān)鍵指標(biāo)分別運用5折交叉驗證的最小二乘支持向量機(jī)(least squares-support vector machine,LS-SVM)、RVM和本文提出的U-LRVM方法進(jìn)行預(yù)測,預(yù)測結(jié)果如圖4~圖7所示。

    圖4 參數(shù)v1的預(yù)測曲線Fig.4 Prediction curves of parameter v1

    圖5 參數(shù)v2的預(yù)測曲線Fig.5 Prediction curves of parameter v2

    為了更直觀地觀察最后3組數(shù)據(jù)的預(yù)測效果,圖4~圖7的橫坐標(biāo)從第15組數(shù)據(jù)開始選取,可以明顯看出,針對各關(guān)鍵指標(biāo)的預(yù)測,RVM的性能都要優(yōu)于LS-SVM,這說明在預(yù)測回歸領(lǐng)域,RVM是一種比LS-SVM更為先進(jìn)的智能學(xué)習(xí)算法。而通過對RVM進(jìn)行改進(jìn)并融合同源裝備的信息后,U-LRVM較傳統(tǒng)RVM取得了更佳的預(yù)測效果。為進(jìn)一步對各方法的預(yù)測精度準(zhǔn)確地進(jìn)行分析,采用平均絕對百分比誤差(mean absolute percentage error, MAPE)作為預(yù)測性能評價指標(biāo),該指標(biāo)避免了求和時的正負(fù)抵消問題,且不受量綱的影響,其結(jié)果如表3所示。

    圖6 參數(shù)v3的預(yù)測曲線Fig.6 Prediction curves of parameter v3

    圖7 參數(shù)v4的預(yù)測曲線Fig.7 Prediction curves of parameter v4

    由表3可知,針對各狀態(tài)參數(shù)的預(yù)測,U-LRVM的結(jié)果MAPE都比另外兩種方法要低,這說明其預(yù)測精度顯著高于另外兩種方法,從而驗證了該預(yù)測方法的有效性和優(yōu)越性。本文設(shè)計的U-LRVM模型并沒有忽略同源裝備信息,具有較好的動態(tài)融合性,且計算簡便,有很好的工程應(yīng)用前景。

    下面結(jié)合預(yù)測值的置信區(qū)間討論U-LRVM方法概率式預(yù)測的意義。圖8為4個指標(biāo)的預(yù)測值與其置信度為90%和95%的置信區(qū)間。

    從圖8中可以看出,指標(biāo)的測試真實值均落于置信度為95%的區(qū)間內(nèi),且預(yù)測值與參數(shù)實際變化趨勢也較為一致。針對點預(yù)測可能由于不可靠的預(yù)測結(jié)果而導(dǎo)致欠維修或過維修的嚴(yán)重后果,這種概率式的輸出可以有效規(guī)避確定性預(yù)測風(fēng)險,為未來雷達(dá)導(dǎo)引頭健康狀態(tài)的評估及后續(xù)的維修保障決策提供更為合理有效的判斷。

    圖8 各參數(shù)的預(yù)測值及置信區(qū)間Fig.8 Predicted value and the confidence interval of each parameter

    5 結(jié)束語

    通過對雷達(dá)導(dǎo)引頭關(guān)鍵指標(biāo)進(jìn)行準(zhǔn)確地預(yù)測可以合理計劃和優(yōu)化維修活動,實現(xiàn)導(dǎo)彈的精細(xì)化保障目標(biāo)。在分析當(dāng)前狀態(tài)預(yù)測技術(shù)和相關(guān)向量機(jī)理論發(fā)展的基礎(chǔ)上,本文提出了U-RVM模型的雷達(dá)導(dǎo)引頭裝備狀態(tài)預(yù)測方法。通過設(shè)計一種新的高斯方差核函數(shù)和優(yōu)化預(yù)測訓(xùn)練嵌入維數(shù)來增強(qiáng)RVM的泛化能力和非線性擬合能力,構(gòu)建了LRVM模型。在此基礎(chǔ)上,通過D-S證據(jù)理論對P-LRVM和C-LRVM模型的預(yù)測結(jié)果進(jìn)行了融合,建立了U-LRVM模型。該模型充分利用了具有近似退化特性的同源關(guān)聯(lián)裝備豐富的檢測信息,基于客觀預(yù)測誤差動態(tài)確定模型權(quán)重,有效避免了人為因素的干擾。實例分析結(jié)果表明,該預(yù)測方法精度更高,計算簡便,且概率式的輸出結(jié)果可以為裝備健康狀態(tài)評估提供更為可靠的判斷,其應(yīng)用前景十分廣闊。

    [1] 趙建忠,歐陽中輝,張磊,等.基于多智能體遺傳算法優(yōu)化的航空電子設(shè)備狀態(tài)組合預(yù)測[J].兵工學(xué)報,2016,37(4): 727-734.

    ZHAO J Z, OUYANG Z H, ZHANG L, et al. Combined prediction on avionics state opimized by MAGA[J]. Acta Armamentarii, 2016, 37(4): 727-734.

    [2] 李穎峰. 改進(jìn)灰色模型在電力負(fù)荷預(yù)測中的應(yīng)用[J]. 電網(wǎng)與清潔能源, 2009, 25(3):10-11.

    LI Y F. The application of improved grey model in power system load forecast[J].Power System and Clean Energy,2009,25(3):10-11.

    [3] DONG Q L. Application of support vector machine regression method in prediction of ship’s price index[J]. Ship & Ocean Engineering, 2009, 38(2): 104-106.

    [4] 朱建平. 神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測中的應(yīng)用研究[J]. 科技資訊, 2015, 13(23): 32-34.

    ZHU J P. Research on application of neural network in power load forecasting[J]. Science and Technology Information, 2015, 13 (23): 32-34.

    [5] TIPPING M E. Sparse Bayesian learning and the relevance vector machine[J]. Journal of Machine Learning Research,2001,1: 211-244.

    [6] SAMUI P, DIXON B. Application of support vector machine and relevance vector machine to determine evaporative losses in reservoirs[J].Hydrological Processes,2012,26(9):1361-1369.

    [7] 雷亞國, 陳吳, 李乃鵬,等. 自適應(yīng)多核組合相關(guān)向量機(jī)預(yù)測方法及其在機(jī)械設(shè)備剩余壽命預(yù)測中的應(yīng)用[J]. 機(jī)械工程學(xué)報, 2016, 52(1):87-93.

    LEI Y G, CHEN W, LI N P, et al. Adaptive multi kernel combined correlation vector machine prediction method and its application in prediction of residual life of mechanical equipment[J]. Journal of Mechanical Engineering, 2016, 52(1): 87-93.

    [8] 馮鵬飛, 朱永生, 王培功,等. 基于相關(guān)向量機(jī)模型的設(shè)備運行可靠性預(yù)測[J]. 振動與沖擊, 2017, 36(12):146-149.

    FENG P F, ZHU Y S, WANG P G, et al. Reliability prediction of equipment based on correlation vector machine model [J]. Vibration and Shock, 2017, 36(12): 146-149.

    [9] 范庚,馬登武,吳明輝,等.電子系統(tǒng)狀態(tài)時間序列預(yù)測的優(yōu)化相關(guān)向量機(jī)方法[J].系統(tǒng)工程與電子技術(shù),2013,35(9):2011-2015.

    FAN G, MA D W, WU M H, et al. Optimized correlation vector machine method for prediction of state time series of electronic systems[J].Systems Engineering and Electronics,2013,35(9): 2011-2015.

    [10] 周建寶. 基于 RVM 的鋰離子電池剩余壽命預(yù)測方法研究[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2013.

    ZHOU J B. Research on prediction method of remaining life of lithium ion battery based on RVM[D]. Harbin: Harbin Institute of Technology, 2013.

    [11] YU J. A nonlinear kernel Gaussian mixture model based inferential monitoring approach for fault detection and diagnosis of chemical processes[J]. Chemical Engineering Science, 2012, 68(1): 506-519.

    [12] WEI L, WEI B, WANG B. Text classification using support vector machine with mixture of kernel[J]. Journal of Software Engineering and Applications, 2013, 5(12): 55-58.

    [13] MIAO S, XIE K, YANG H, et al. A mixture kernel density model for wind speed probability distribution estimation[J]. Energy Conversion and Management, 2016, 126: 1066-1083.

    [14] LIU K H, LIN Y Y, CHEN C S. Linear spectral mixture analysis via multiple-kernel learning for hyperspectral image classification[J]. IEEE Trans.on Geoscience and Remote Sensing, 2015, 53(4): 2254-2269.

    [15] YU J, CHEN K, MORI J, et al. A Gaussian mixture copula model based localized Gaussian process regression approach for long-term wind speed prediction[J].Energy,2013,61(6):673-686.

    [16] OHISHI Y, MOCHIHASHI D, KAMEOKA H, et al. Mixture of Gaussian process experts for predicting sung melodic contour with expressive dynamic fluctuations[C]∥Proc.of the IEEE International Conference on Acoustics, Speech and Signal Processing, 2014: 3714-3718.

    [17] REMAKI L, CHERIET M. KCS-new kernel family with compact support in scale space: formulation and impact[J]. IEEE Trans.on Image Processing, 2000, 9(6): 970-981.

    [18] LI H C, ZHANG J S. Local prediction of chaotic time series based on support vector machine[J]. Chinese Physics Letters, 2005, 22(11): 2776-2779.

    [19] 杜杰,曹一家,劉志堅,等.混沌時間序列的局域高階Volterra濾波器多步預(yù)測模型[J].物理學(xué)報,2009,58(9):5997-6005.

    DU J, CAO Y J, LIU Z J, et al. A multi-step prediction model of local high order Volterra filters with chaotic time series[J]. Acta Physica Sinica, 2009, 58(9): 5997-6005.

    [20] MENG Q F, CHEN Y H, FENG Y H. Small-time scale network traffic prediction based on a local support vector machine regression model[J]. Chinese Physics B, 2009, 18(6): 2194-2199.

    [21] BING Q, GONG B, YANG Z, et al. Short-term traffic flow local prediction based on combined kernel function relevance vector machine model[J]. Mathematical Problems in Engineering, 2015, 154703: 1-9.

    [22] MENG Q F, CHEN Y H, FENG Y H, et al. Nonlinear prediction of small scale network traffic based on local relevance vector machine regression model[J]. Acta Physica Sinica, 2013,62(15):150-189.

    [23] HANNAN E J, QUINN B G. The determination of the order of an autoregression[J].Journal of the Royal Statistical Society, Series B (Methodological), 1979,41(2): 190-195.

    [24] 孟慶芳, 彭玉華, 曲懷敬, 等. 基于信息準(zhǔn)則的局域預(yù)測法鄰近點的選取方法[J]. 物理學(xué)報, 2008, 57(3): 1423-1430.

    MENG Q F, PENG Y H, QU H J, et al. Local information criterion prediction selection method based on the adjacent point[J]. Acta Physisc Sinica, 2008, 57 (3): 1423-1430.

    [25] 蘇曉燕. 關(guān)聯(lián)證據(jù)融合研究[D]. 上海:上海交通大學(xué), 2014.

    SU X Y. Study on correlation evidence fusion[D]. Shanghai: Shanghai Jiaotong University, 2014.

    猜你喜歡
    證據(jù)向量預(yù)測
    無可預(yù)測
    黃河之聲(2022年10期)2022-09-27 13:59:46
    選修2-2期中考試預(yù)測卷(A卷)
    選修2-2期中考試預(yù)測卷(B卷)
    向量的分解
    聚焦“向量與三角”創(chuàng)新題
    不必預(yù)測未來,只需把握現(xiàn)在
    對于家庭暴力應(yīng)當(dāng)如何搜集證據(jù)
    紅土地(2016年3期)2017-01-15 13:45:22
    手上的證據(jù)
    向量垂直在解析幾何中的應(yīng)用
    “大禹治水”有了新證據(jù)
    久久久久人妻精品一区果冻| 精品国产乱码久久久久久小说| 人人妻人人爽人人添夜夜欢视频 | 久久综合国产亚洲精品| 成人毛片a级毛片在线播放| 国产精品国产av在线观看| 久久精品国产鲁丝片午夜精品| 亚洲欧美一区二区三区国产| av国产精品久久久久影院| 九色成人免费人妻av| 美女大奶头黄色视频| 成年人免费黄色播放视频 | 黑丝袜美女国产一区| 蜜桃在线观看..| 丰满饥渴人妻一区二区三| 一区二区三区乱码不卡18| 18禁在线播放成人免费| 交换朋友夫妻互换小说| 黄色一级大片看看| 久久狼人影院| 中文字幕亚洲精品专区| 在线观看美女被高潮喷水网站| 99久久精品热视频| 美女主播在线视频| 午夜免费观看性视频| 18禁在线无遮挡免费观看视频| 日本与韩国留学比较| 久久久久久久久久人人人人人人| 欧美97在线视频| 晚上一个人看的免费电影| 欧美xxxx性猛交bbbb| 精品一区二区三区视频在线| 国产乱来视频区| 内地一区二区视频在线| 精品亚洲成国产av| 亚洲欧美成人精品一区二区| 麻豆成人av视频| 亚洲欧美成人精品一区二区| kizo精华| 99久久人妻综合| 黄色视频在线播放观看不卡| 免费观看的影片在线观看| 9色porny在线观看| 99久久精品热视频| 亚洲欧洲国产日韩| 日本色播在线视频| 日韩人妻高清精品专区| 九九在线视频观看精品| 国产伦在线观看视频一区| 最近中文字幕2019免费版| 久久久国产欧美日韩av| 一级av片app| 国产片特级美女逼逼视频| 久久久久久久精品精品| 国产亚洲欧美精品永久| 国产极品粉嫩免费观看在线 | 日韩一区二区三区影片| 国模一区二区三区四区视频| 精品久久国产蜜桃| 精品一区二区免费观看| 2022亚洲国产成人精品| 国产免费福利视频在线观看| 久久女婷五月综合色啪小说| 亚洲国产精品999| 美女中出高潮动态图| 一级毛片我不卡| 欧美精品国产亚洲| 纵有疾风起免费观看全集完整版| 免费av不卡在线播放| 国产一区二区三区综合在线观看 | 亚洲一级一片aⅴ在线观看| 国产熟女午夜一区二区三区 | .国产精品久久| 99国产精品免费福利视频| 亚洲丝袜综合中文字幕| 高清在线视频一区二区三区| 大香蕉97超碰在线| 美女福利国产在线| 国产高清国产精品国产三级| 日韩中文字幕视频在线看片| 国内揄拍国产精品人妻在线| 国产精品无大码| 一级,二级,三级黄色视频| 午夜福利在线观看免费完整高清在| 久久久国产精品麻豆| 欧美日本中文国产一区发布| 日韩欧美一区视频在线观看 | 美女主播在线视频| 国产精品福利在线免费观看| 精品人妻偷拍中文字幕| 日本-黄色视频高清免费观看| 久久久久久久久久久免费av| 99热这里只有是精品50| 日韩电影二区| 亚洲欧美成人精品一区二区| 成人免费观看视频高清| 熟女av电影| 国产黄片美女视频| 女人久久www免费人成看片| 日本黄色日本黄色录像| 少妇的逼水好多| 国产日韩欧美在线精品| 国产爽快片一区二区三区| 99热6这里只有精品| 久久6这里有精品| 校园人妻丝袜中文字幕| 国产成人精品婷婷| √禁漫天堂资源中文www| 少妇的逼好多水| 多毛熟女@视频| 2018国产大陆天天弄谢| 91久久精品国产一区二区三区| 精品久久国产蜜桃| 99九九线精品视频在线观看视频| 伦理电影免费视频| 日本猛色少妇xxxxx猛交久久| 国产欧美另类精品又又久久亚洲欧美| 久久久久久伊人网av| 亚洲欧美精品专区久久| 人妻夜夜爽99麻豆av| 久久久久国产网址| 伦理电影大哥的女人| 午夜福利,免费看| 国产精品.久久久| 免费av不卡在线播放| 亚洲欧美一区二区三区黑人 | 成年人免费黄色播放视频 | 中国三级夫妇交换| 在线观看三级黄色| 多毛熟女@视频| 最近中文字幕高清免费大全6| 久久久久人妻精品一区果冻| 99久久精品热视频| av福利片在线| 九九久久精品国产亚洲av麻豆| 国产一区二区在线观看av| 亚洲综合色惰| 亚洲精品,欧美精品| 一级,二级,三级黄色视频| 久久久久久久久大av| 十分钟在线观看高清视频www | 久久ye,这里只有精品| 久久99热这里只频精品6学生| 婷婷色综合www| 国产中年淑女户外野战色| 国产爽快片一区二区三区| 日韩精品免费视频一区二区三区 | 九九在线视频观看精品| 婷婷色麻豆天堂久久| 国产成人精品无人区| 国产精品一区二区性色av| 大话2 男鬼变身卡| 日本wwww免费看| 狂野欧美激情性xxxx在线观看| 欧美 亚洲 国产 日韩一| videos熟女内射| 久久国产精品男人的天堂亚洲 | 精品国产一区二区久久| 爱豆传媒免费全集在线观看| 国产成人精品婷婷| 一级二级三级毛片免费看| 热re99久久国产66热| av不卡在线播放| 如何舔出高潮| 国产色婷婷99| 99精国产麻豆久久婷婷| 大话2 男鬼变身卡| 亚洲激情五月婷婷啪啪| 亚洲精品自拍成人| 国产精品成人在线| 国产精品无大码| 观看av在线不卡| 国内揄拍国产精品人妻在线| 99久久精品热视频| 中国三级夫妇交换| 国产亚洲91精品色在线| 午夜激情久久久久久久| 免费久久久久久久精品成人欧美视频 | 亚洲色图综合在线观看| 国产黄片视频在线免费观看| 久久97久久精品| 六月丁香七月| 免费观看的影片在线观看| 亚洲精品日本国产第一区| 免费黄色在线免费观看| 色视频www国产| 少妇精品久久久久久久| 日本欧美视频一区| 久久久精品免费免费高清| 日韩成人伦理影院| 欧美激情极品国产一区二区三区 | 在线观看免费高清a一片| 插阴视频在线观看视频| 精品人妻熟女av久视频| 日本黄色片子视频| 久久精品国产鲁丝片午夜精品| 久久狼人影院| 亚洲久久久国产精品| 夜夜看夜夜爽夜夜摸| 免费高清在线观看视频在线观看| 久久精品国产自在天天线| xxx大片免费视频| 午夜免费鲁丝| 热99国产精品久久久久久7| 热re99久久精品国产66热6| 国产亚洲av片在线观看秒播厂| 国产在线男女| 国产精品.久久久| 婷婷色麻豆天堂久久| 久久久久视频综合| 9色porny在线观看| 一本久久精品| 日韩一区二区三区影片| av在线app专区| 欧美激情国产日韩精品一区| av在线观看视频网站免费| 97在线视频观看| 精品少妇内射三级| 国产中年淑女户外野战色| 免费黄频网站在线观看国产| 中文资源天堂在线| 插逼视频在线观看| 日韩一本色道免费dvd| 精品国产一区二区久久| 国国产精品蜜臀av免费| 久久韩国三级中文字幕| a级毛色黄片| 亚洲第一av免费看| 欧美激情极品国产一区二区三区 | 大片免费播放器 马上看| 99久久精品国产国产毛片| 久久精品国产亚洲网站| 老女人水多毛片| 国产成人精品福利久久| 日产精品乱码卡一卡2卡三| 午夜福利视频精品| 人妻系列 视频| 成人综合一区亚洲| 最近中文字幕2019免费版| 国产 一区精品| 啦啦啦在线观看免费高清www| 一级毛片我不卡| 99热这里只有是精品在线观看| 精品亚洲成a人片在线观看| 99国产精品免费福利视频| 亚洲av国产av综合av卡| 一级片'在线观看视频| 亚洲成人手机| 亚洲欧美日韩另类电影网站| 亚洲精品一区蜜桃| 伊人久久精品亚洲午夜| 中文天堂在线官网| 亚洲国产av新网站| 久久ye,这里只有精品| 国产亚洲精品久久久com| 国产成人aa在线观看| 男女无遮挡免费网站观看| 久久99一区二区三区| 亚洲av成人精品一二三区| 91在线精品国自产拍蜜月| 亚洲精品第二区| 内地一区二区视频在线| 国产精品人妻久久久久久| 高清午夜精品一区二区三区| 久久久久精品久久久久真实原创| 视频中文字幕在线观看| 国产精品久久久久久精品电影小说| 国产精品国产三级国产专区5o| 成年av动漫网址| 欧美一级a爱片免费观看看| 久久这里有精品视频免费| 三级国产精品欧美在线观看| 内地一区二区视频在线| 国产av一区二区精品久久| 久久99一区二区三区| 日日撸夜夜添| 国产成人免费无遮挡视频| 在线亚洲精品国产二区图片欧美 | 在线观看免费日韩欧美大片 | 18禁裸乳无遮挡动漫免费视频| 黄色怎么调成土黄色| 少妇猛男粗大的猛烈进出视频| 亚洲精品中文字幕在线视频 | 午夜福利网站1000一区二区三区| 国产 一区精品| 偷拍熟女少妇极品色| 精品少妇内射三级| 久久精品久久久久久久性| 日韩电影二区| 亚洲成人av在线免费| 国产午夜精品久久久久久一区二区三区| 国产一区亚洲一区在线观看| 9色porny在线观看| 精品人妻熟女av久视频| 丝袜喷水一区| 亚洲成色77777| 最新中文字幕久久久久| 观看美女的网站| 国产日韩欧美亚洲二区| 老司机影院毛片| 哪个播放器可以免费观看大片| 搡老乐熟女国产| 国产美女午夜福利| 少妇被粗大的猛进出69影院 | 大香蕉97超碰在线| 精品一品国产午夜福利视频| 久久国产乱子免费精品| 国产黄片视频在线免费观看| 国产精品伦人一区二区| 高清在线视频一区二区三区| 国产午夜精品一二区理论片| 午夜福利网站1000一区二区三区| 欧美激情极品国产一区二区三区 | 免费高清在线观看视频在线观看| 成人漫画全彩无遮挡| a级毛色黄片| 日日啪夜夜爽| 国产av码专区亚洲av| 亚洲av福利一区| 国产片特级美女逼逼视频| 日韩精品免费视频一区二区三区 | 又大又黄又爽视频免费| 在线观看美女被高潮喷水网站| 亚洲精品国产av蜜桃| 国产伦理片在线播放av一区| 日韩av不卡免费在线播放| 一级片'在线观看视频| 秋霞在线观看毛片| 国产日韩欧美在线精品| 国产一区二区三区综合在线观看 | 99久久综合免费| 国产精品麻豆人妻色哟哟久久| 永久网站在线| 久久久久视频综合| 最近2019中文字幕mv第一页| 另类亚洲欧美激情| 国产精品无大码| 一本大道久久a久久精品| 男女无遮挡免费网站观看| 国产欧美亚洲国产| 街头女战士在线观看网站| 91精品伊人久久大香线蕉| 成人美女网站在线观看视频| 亚洲欧美精品专区久久| 亚洲国产色片| 国产精品人妻久久久久久| 熟妇人妻不卡中文字幕| 亚洲经典国产精华液单| 亚洲欧美成人综合另类久久久| av卡一久久| 美女cb高潮喷水在线观看| 黄色欧美视频在线观看| 最近中文字幕2019免费版| 免费播放大片免费观看视频在线观看| av国产久精品久网站免费入址| 中文字幕人妻熟人妻熟丝袜美| 日本黄大片高清| 一级a做视频免费观看| 麻豆精品久久久久久蜜桃| 精品人妻熟女毛片av久久网站| 五月伊人婷婷丁香| 国精品久久久久久国模美| 国产精品伦人一区二区| 欧美日本中文国产一区发布| 少妇丰满av| 毛片一级片免费看久久久久| 亚洲人成网站在线播| 国产一区二区三区综合在线观看 | 精品卡一卡二卡四卡免费| 亚洲av在线观看美女高潮| 久久女婷五月综合色啪小说| 亚洲国产精品专区欧美| 国语对白做爰xxxⅹ性视频网站| 久久精品国产鲁丝片午夜精品| .国产精品久久| 99久久中文字幕三级久久日本| 午夜91福利影院| 乱码一卡2卡4卡精品| 久久人妻熟女aⅴ| 日韩av免费高清视频| 久久精品夜色国产| 亚洲,欧美,日韩| 亚洲熟女精品中文字幕| 六月丁香七月| 99热这里只有是精品50| 91午夜精品亚洲一区二区三区| 18禁在线播放成人免费| 最近的中文字幕免费完整| 亚洲,欧美,日韩| 草草在线视频免费看| 好男人视频免费观看在线| 亚洲第一av免费看| 91午夜精品亚洲一区二区三区| 天堂8中文在线网| 蜜桃久久精品国产亚洲av| 精品熟女少妇av免费看| 一级a做视频免费观看| 国产69精品久久久久777片| 少妇高潮的动态图| 国产成人免费观看mmmm| 亚洲av免费高清在线观看| 亚洲精华国产精华液的使用体验| av福利片在线| 国产乱来视频区| 一级毛片黄色毛片免费观看视频| 狂野欧美激情性xxxx在线观看| 在线观看人妻少妇| 欧美日韩精品成人综合77777| 乱系列少妇在线播放| 亚洲av二区三区四区| 国产伦精品一区二区三区视频9| 少妇熟女欧美另类| 亚洲av日韩在线播放| 好男人视频免费观看在线| 亚洲在久久综合| 又粗又硬又长又爽又黄的视频| 在线观看人妻少妇| 3wmmmm亚洲av在线观看| 妹子高潮喷水视频| 日本-黄色视频高清免费观看| 国模一区二区三区四区视频| 国产成人午夜福利电影在线观看| 日本wwww免费看| 午夜福利视频精品| 国产一区有黄有色的免费视频| 成人黄色视频免费在线看| 曰老女人黄片| 波野结衣二区三区在线| 午夜免费鲁丝| 国产又色又爽无遮挡免| 亚洲av福利一区| 亚洲精品日本国产第一区| 内射极品少妇av片p| 啦啦啦在线观看免费高清www| 欧美日韩亚洲高清精品| 亚洲激情五月婷婷啪啪| 王馨瑶露胸无遮挡在线观看| 日日摸夜夜添夜夜添av毛片| 男女边吃奶边做爰视频| 欧美精品高潮呻吟av久久| 国产精品成人在线| 欧美日韩国产mv在线观看视频| 人人妻人人爽人人添夜夜欢视频 | 久久精品久久精品一区二区三区| 免费人成在线观看视频色| 少妇丰满av| 亚洲欧美日韩另类电影网站| 亚洲成人av在线免费| 99九九线精品视频在线观看视频| 亚洲国产毛片av蜜桃av| 日本午夜av视频| 性色av一级| av在线观看视频网站免费| 国内少妇人妻偷人精品xxx网站| 久久人妻熟女aⅴ| 黄色怎么调成土黄色| 成人午夜精彩视频在线观看| 91aial.com中文字幕在线观看| 国产精品一区www在线观看| 大香蕉久久网| 国国产精品蜜臀av免费| 又黄又爽又刺激的免费视频.| 黄片无遮挡物在线观看| 亚洲欧美中文字幕日韩二区| a级片在线免费高清观看视频| 亚洲av男天堂| 亚洲国产精品国产精品| 亚洲精品久久久久久婷婷小说| 在线观看免费高清a一片| 中国美白少妇内射xxxbb| 国产亚洲午夜精品一区二区久久| 免费黄频网站在线观看国产| 国产伦精品一区二区三区视频9| 久久精品久久久久久久性| 国产亚洲5aaaaa淫片| 2021少妇久久久久久久久久久| 看免费成人av毛片| www.色视频.com| 另类精品久久| 中文天堂在线官网| 国产片特级美女逼逼视频| 在线天堂最新版资源| 一本久久精品| 天天操日日干夜夜撸| 亚洲欧美中文字幕日韩二区| 人妻一区二区av| 偷拍熟女少妇极品色| 亚洲精品一二三| 精品一区在线观看国产| 91精品一卡2卡3卡4卡| 亚洲国产精品一区三区| 日韩成人伦理影院| 亚洲精品久久午夜乱码| 欧美激情国产日韩精品一区| 亚洲精品久久午夜乱码| www.av在线官网国产| 免费观看无遮挡的男女| 波野结衣二区三区在线| 成人影院久久| 赤兔流量卡办理| 国产视频首页在线观看| 久久亚洲国产成人精品v| 亚洲精品国产成人久久av| 日韩在线高清观看一区二区三区| 日韩av免费高清视频| 又爽又黄a免费视频| 国产伦精品一区二区三区视频9| 高清毛片免费看| 亚洲国产av新网站| av在线app专区| 国产精品国产三级国产av玫瑰| 十八禁高潮呻吟视频 | 国产视频内射| 国产精品无大码| 晚上一个人看的免费电影| 看非洲黑人一级黄片| 午夜精品国产一区二区电影| 搡女人真爽免费视频火全软件| 亚洲av在线观看美女高潮| 亚洲怡红院男人天堂| av黄色大香蕉| 精品午夜福利在线看| 国产欧美日韩精品一区二区| 成人影院久久| 日韩一区二区视频免费看| 国产亚洲最大av| 人人妻人人看人人澡| 久久综合国产亚洲精品| www.av在线官网国产| videossex国产| 我的老师免费观看完整版| 丝袜脚勾引网站| 男女边摸边吃奶| 欧美3d第一页| 美女主播在线视频| av黄色大香蕉| 午夜激情久久久久久久| 久久久欧美国产精品| 久久青草综合色| 欧美最新免费一区二区三区| 国产精品久久久久成人av| 国产永久视频网站| 超碰97精品在线观看| 看非洲黑人一级黄片| 久久精品国产鲁丝片午夜精品| 国产一区二区在线观看av| 日本91视频免费播放| av又黄又爽大尺度在线免费看| 男女无遮挡免费网站观看| 丰满乱子伦码专区| 伦精品一区二区三区| av卡一久久| 久久人妻熟女aⅴ| 日韩 亚洲 欧美在线| 日本与韩国留学比较| 内地一区二区视频在线| 女人精品久久久久毛片| 日韩视频在线欧美| 国产视频首页在线观看| 伦精品一区二区三区| 国产成人免费无遮挡视频| 你懂的网址亚洲精品在线观看| 久久久久网色| 欧美亚洲 丝袜 人妻 在线| 国产精品久久久久久精品古装| 日本与韩国留学比较| 99热这里只有精品一区| 18禁裸乳无遮挡动漫免费视频| 国产午夜精品一二区理论片| 91在线精品国自产拍蜜月| 插逼视频在线观看| 精品人妻熟女av久视频| 午夜av观看不卡| 精品99又大又爽又粗少妇毛片| 国产伦精品一区二区三区视频9| 日日啪夜夜爽| 午夜激情久久久久久久| 亚洲无线观看免费| 国产成人免费无遮挡视频| 久久人妻熟女aⅴ| 乱系列少妇在线播放| 精华霜和精华液先用哪个| 高清毛片免费看| 免费久久久久久久精品成人欧美视频 | 亚洲精品乱久久久久久| 日本欧美视频一区| 又粗又硬又长又爽又黄的视频| 久热这里只有精品99| 久久久精品94久久精品| 国产精品人妻久久久久久| 中国国产av一级| 亚洲,欧美,日韩| 99久久综合免费| 亚洲欧美一区二区三区黑人 | 一级av片app| 日本与韩国留学比较| 国产91av在线免费观看| 我的女老师完整版在线观看| 99热这里只有是精品50| 国产成人精品婷婷| 国产欧美日韩精品一区二区| 激情五月婷婷亚洲| kizo精华| 久久精品久久精品一区二区三区| 伦理电影大哥的女人| 日韩免费高清中文字幕av| a级毛片在线看网站| 极品教师在线视频| 日韩大片免费观看网站| 亚洲精品一二三| 欧美少妇被猛烈插入视频| 精品少妇黑人巨大在线播放| 午夜免费鲁丝| 亚洲中文av在线| 性色avwww在线观看|