• <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)
    国产精品女同一区二区软件| 新久久久久国产一级毛片| 人人妻人人看人人澡| 夜夜看夜夜爽夜夜摸| 亚洲熟女精品中文字幕| 国产高清有码在线观看视频| 啦啦啦啦在线视频资源| 蜜桃在线观看..| 日韩欧美 国产精品| 搡女人真爽免费视频火全软件| 亚洲av电影在线观看一区二区三区| 久久久久网色| 精品一品国产午夜福利视频| 免费观看av网站的网址| av免费在线看不卡| 欧美日韩国产mv在线观看视频| 特大巨黑吊av在线直播| 人人妻人人澡人人爽人人夜夜| 欧美日韩精品成人综合77777| 亚洲av电影在线观看一区二区三区| 精品人妻熟女av久视频| 国产淫语在线视频| 午夜日本视频在线| 人人澡人人妻人| 水蜜桃什么品种好| 亚洲欧美成人精品一区二区| 欧美日韩在线观看h| 午夜激情久久久久久久| 水蜜桃什么品种好| 午夜福利,免费看| 久久久午夜欧美精品| 免费久久久久久久精品成人欧美视频 | 一二三四中文在线观看免费高清| 中文字幕亚洲精品专区| 欧美最新免费一区二区三区| 十分钟在线观看高清视频www | 国产精品99久久久久久久久| 69精品国产乱码久久久| 大片免费播放器 马上看| 99热这里只有精品一区| av福利片在线观看| 爱豆传媒免费全集在线观看| 欧美日韩av久久| 精品一区二区三卡| 国产黄色免费在线视频| 黄色怎么调成土黄色| 色视频www国产| 亚洲欧美成人精品一区二区| 少妇人妻一区二区三区视频| 少妇猛男粗大的猛烈进出视频| 如何舔出高潮| 波野结衣二区三区在线| 免费不卡的大黄色大毛片视频在线观看| 18禁在线无遮挡免费观看视频| 久久久久久久国产电影| 精品国产一区二区三区久久久樱花| 国产精品秋霞免费鲁丝片| 国产成人免费无遮挡视频| 晚上一个人看的免费电影| 国产探花极品一区二区| 国产伦精品一区二区三区视频9| 卡戴珊不雅视频在线播放| 亚洲av不卡在线观看| 99国产精品免费福利视频| 日本与韩国留学比较| 成人漫画全彩无遮挡| 国产视频内射| 不卡视频在线观看欧美| 亚洲怡红院男人天堂| 国产精品久久久久久av不卡| 观看免费一级毛片| 日韩欧美 国产精品| √禁漫天堂资源中文www| 国产 精品1| 午夜免费观看性视频| av网站免费在线观看视频| 少妇的逼好多水| av女优亚洲男人天堂| 在线观看免费视频网站a站| 亚洲av欧美aⅴ国产| 日韩av免费高清视频| 国产精品久久久久久精品电影小说| 免费人成在线观看视频色| 国产永久视频网站| 人人澡人人妻人| 如何舔出高潮| 五月开心婷婷网| 亚洲伊人久久精品综合| 国语对白做爰xxxⅹ性视频网站| 极品少妇高潮喷水抽搐| 91久久精品电影网| 黄色怎么调成土黄色| 三上悠亚av全集在线观看 | 一本一本综合久久| 国产精品人妻久久久久久| 国产黄频视频在线观看| 精品少妇内射三级| 国产免费又黄又爽又色| 在线观看免费日韩欧美大片 | 欧美日韩亚洲高清精品| 九九在线视频观看精品| 久久久久视频综合| 国产黄色视频一区二区在线观看| 高清视频免费观看一区二区| 人人妻人人澡人人看| 亚洲高清免费不卡视频| 成年女人在线观看亚洲视频| 91aial.com中文字幕在线观看| 人人妻人人添人人爽欧美一区卜| 中文字幕人妻熟人妻熟丝袜美| av.在线天堂| 在线观看三级黄色| 韩国高清视频一区二区三区| 久久精品国产亚洲av涩爱| 欧美日韩精品成人综合77777| 嫩草影院入口| 在线观看免费视频网站a站| freevideosex欧美| 嫩草影院入口| 日韩一区二区视频免费看| 亚洲精品自拍成人| 中文字幕av电影在线播放| 亚洲图色成人| 久久热精品热| 国产av国产精品国产| 亚洲精品乱码久久久v下载方式| 精品国产露脸久久av麻豆| 亚洲av男天堂| 青春草亚洲视频在线观看| 人人妻人人添人人爽欧美一区卜| 老司机影院毛片| 国产亚洲5aaaaa淫片| 国产精品三级大全| av国产久精品久网站免费入址| 狂野欧美白嫩少妇大欣赏| 在线观看免费视频网站a站| 日韩av在线免费看完整版不卡| 欧美少妇被猛烈插入视频| 久久久久国产精品人妻一区二区| 91精品一卡2卡3卡4卡| 国产黄色免费在线视频| 国产精品欧美亚洲77777| 亚洲综合精品二区| 99热这里只有是精品50| 国产成人精品无人区| 少妇的逼好多水| 春色校园在线视频观看| 国产色婷婷99| a级毛片在线看网站| 国产成人免费观看mmmm| 中文字幕精品免费在线观看视频 | 插逼视频在线观看| av免费观看日本| 99热网站在线观看| 日日爽夜夜爽网站| 国产日韩欧美视频二区| 久久精品国产鲁丝片午夜精品| 国产免费又黄又爽又色| 女性生殖器流出的白浆| 国产精品偷伦视频观看了| 国产男人的电影天堂91| 美女内射精品一级片tv| 国产精品久久久久久精品古装| 少妇被粗大的猛进出69影院 | 国产黄片视频在线免费观看| 国产精品99久久99久久久不卡 | 麻豆精品久久久久久蜜桃| 国产成人精品一,二区| 亚洲成色77777| 精品久久久久久久久亚洲| 国产在视频线精品| 欧美+日韩+精品| 九九久久精品国产亚洲av麻豆| 男人和女人高潮做爰伦理| 久久婷婷青草| 免费播放大片免费观看视频在线观看| 精品人妻熟女av久视频| av有码第一页| 久久ye,这里只有精品| 欧美成人午夜免费资源| 亚洲一区二区三区欧美精品| 性色avwww在线观看| 99久久精品一区二区三区| 午夜av观看不卡| 最后的刺客免费高清国语| 秋霞伦理黄片| 日韩大片免费观看网站| 欧美成人精品欧美一级黄| 国产精品久久久久久久电影| 一级毛片久久久久久久久女| 一级爰片在线观看| 久久久久精品久久久久真实原创| 欧美精品亚洲一区二区| 亚洲国产日韩一区二区| 国产精品欧美亚洲77777| 纯流量卡能插随身wifi吗| 亚洲欧美一区二区三区黑人 | 黄色日韩在线| 国产精品女同一区二区软件| 亚洲丝袜综合中文字幕| 哪个播放器可以免费观看大片| 一本久久精品| www.av在线官网国产| av又黄又爽大尺度在线免费看| 人妻系列 视频| 免费av不卡在线播放| 国产精品欧美亚洲77777| 成年av动漫网址| 美女大奶头黄色视频| 国产高清有码在线观看视频| 少妇被粗大的猛进出69影院 | av.在线天堂| 欧美日韩视频高清一区二区三区二| av在线app专区| 亚洲av中文av极速乱| 亚洲成人手机| 欧美+日韩+精品| xxx大片免费视频| 超碰97精品在线观看| 制服丝袜香蕉在线| 99九九在线精品视频 | 好男人视频免费观看在线| 午夜免费男女啪啪视频观看| 大码成人一级视频| 亚洲精品国产av蜜桃| 交换朋友夫妻互换小说| av卡一久久| 欧美变态另类bdsm刘玥| 国产欧美另类精品又又久久亚洲欧美| 久久精品国产亚洲av天美| 久久久午夜欧美精品| 婷婷色综合www| 国产探花极品一区二区| 国产成人91sexporn| 亚洲情色 制服丝袜| 99热国产这里只有精品6| 夫妻午夜视频| 日韩 亚洲 欧美在线| 亚洲丝袜综合中文字幕| 成人毛片a级毛片在线播放| 免费久久久久久久精品成人欧美视频 | 黄色视频在线播放观看不卡| 一级毛片aaaaaa免费看小| 国内少妇人妻偷人精品xxx网站| 久久久精品94久久精品| 国产精品久久久久久精品电影小说| 久久久国产欧美日韩av| 国产免费福利视频在线观看| 777米奇影视久久| 国产淫片久久久久久久久| 赤兔流量卡办理| 九九久久精品国产亚洲av麻豆| 国产精品国产三级国产专区5o| 久久人妻熟女aⅴ| 一区二区三区四区激情视频| 亚洲,欧美,日韩| 啦啦啦在线观看免费高清www| 晚上一个人看的免费电影| 男女啪啪激烈高潮av片| 麻豆成人午夜福利视频| 你懂的网址亚洲精品在线观看| 人人澡人人妻人| h视频一区二区三区| 国产伦精品一区二区三区视频9| a级毛色黄片| 成人毛片60女人毛片免费| 黄色毛片三级朝国网站 | 亚洲婷婷狠狠爱综合网| 欧美日本中文国产一区发布| 欧美日韩视频高清一区二区三区二| 日韩精品免费视频一区二区三区 | 亚洲电影在线观看av| 日本爱情动作片www.在线观看| 精品一品国产午夜福利视频| 啦啦啦在线观看免费高清www| 亚洲图色成人| 亚洲欧美成人综合另类久久久| 一级黄片播放器| 肉色欧美久久久久久久蜜桃| 国产免费视频播放在线视频| 不卡视频在线观看欧美| 人人妻人人添人人爽欧美一区卜| 国产成人一区二区在线| 中国国产av一级| 国产色婷婷99| 国产亚洲91精品色在线| 欧美一级a爱片免费观看看| 国产伦精品一区二区三区视频9| 热re99久久精品国产66热6| av网站免费在线观看视频| 最近手机中文字幕大全| 国产男女超爽视频在线观看| 大片免费播放器 马上看| 国产探花极品一区二区| 亚洲欧洲精品一区二区精品久久久 | 晚上一个人看的免费电影| 这个男人来自地球电影免费观看 | 午夜视频国产福利| 亚洲内射少妇av| 观看免费一级毛片| 18禁裸乳无遮挡动漫免费视频| 久久久久久人妻| 黄片无遮挡物在线观看| 国产成人aa在线观看| 永久网站在线| 久久国内精品自在自线图片| 欧美区成人在线视频| av在线播放精品| 欧美老熟妇乱子伦牲交| 在线观看国产h片| 男女无遮挡免费网站观看| 日本vs欧美在线观看视频 | 亚洲国产欧美在线一区| 欧美一级a爱片免费观看看| 桃花免费在线播放| 97在线人人人人妻| 一级毛片 在线播放| 国产深夜福利视频在线观看| 99久久精品热视频| 亚洲不卡免费看| 久久精品国产自在天天线| 麻豆精品久久久久久蜜桃| 91午夜精品亚洲一区二区三区| 热99国产精品久久久久久7| 国产高清三级在线| 国产精品国产三级专区第一集| 国产高清有码在线观看视频| 熟妇人妻不卡中文字幕| 性高湖久久久久久久久免费观看| 日韩大片免费观看网站| 精品人妻熟女av久视频| 欧美人与善性xxx| 婷婷色综合大香蕉| 一级毛片我不卡| 亚洲精华国产精华液的使用体验| 欧美日韩视频精品一区| 亚洲欧美清纯卡通| a级片在线免费高清观看视频| 搡女人真爽免费视频火全软件| 日韩免费高清中文字幕av| 国产成人精品一,二区| 最新的欧美精品一区二区| 免费大片18禁| 亚洲人成网站在线播| 一级毛片黄色毛片免费观看视频| 国产一区二区在线观看av| 狂野欧美白嫩少妇大欣赏| 国产一区二区三区综合在线观看 | 青春草国产在线视频| 亚洲国产最新在线播放| 伊人久久国产一区二区| 欧美三级亚洲精品| 七月丁香在线播放| 国产无遮挡羞羞视频在线观看| 22中文网久久字幕| 人人妻人人添人人爽欧美一区卜| 成年女人在线观看亚洲视频| 色婷婷av一区二区三区视频| 香蕉精品网在线| 国产女主播在线喷水免费视频网站| 99九九在线精品视频 | 国产精品偷伦视频观看了| 国产精品久久久久久av不卡| 亚洲性久久影院| 大片电影免费在线观看免费| 熟妇人妻不卡中文字幕| 亚洲av中文av极速乱| 日韩av免费高清视频| 亚洲国产成人一精品久久久| 天天躁夜夜躁狠狠久久av| 国产视频首页在线观看| 高清毛片免费看| 汤姆久久久久久久影院中文字幕| 婷婷色综合www| 国产精品.久久久| 国产高清国产精品国产三级| 久久国产精品男人的天堂亚洲 | 亚洲经典国产精华液单| 亚洲精品国产色婷婷电影| 日日啪夜夜爽| 午夜av观看不卡| 国产精品久久久久久精品电影小说| 性高湖久久久久久久久免费观看| 国产亚洲91精品色在线| 亚洲精品国产av蜜桃| 男女啪啪激烈高潮av片| 丰满少妇做爰视频| 18+在线观看网站| 99热网站在线观看| 建设人人有责人人尽责人人享有的| 国产黄片美女视频| 伦理电影免费视频| 国产在线一区二区三区精| 国产极品天堂在线| 国模一区二区三区四区视频| 国产精品人妻久久久久久| 一级毛片 在线播放| 国产精品一二三区在线看| 成人亚洲欧美一区二区av| 国产亚洲最大av| 精品亚洲成国产av| 少妇人妻一区二区三区视频| 色婷婷久久久亚洲欧美| 国产白丝娇喘喷水9色精品| 中文精品一卡2卡3卡4更新| 十八禁高潮呻吟视频 | 欧美成人午夜免费资源| 欧美日韩在线观看h| 狂野欧美白嫩少妇大欣赏| 在线天堂最新版资源| 美女内射精品一级片tv| 十八禁网站网址无遮挡 | 亚洲在久久综合| 亚洲欧洲精品一区二区精品久久久 | 99久久精品热视频| 国产精品伦人一区二区| 欧美亚洲 丝袜 人妻 在线| 丝袜脚勾引网站| 欧美三级亚洲精品| 亚洲精品国产av成人精品| 欧美区成人在线视频| 精品卡一卡二卡四卡免费| 亚洲欧美日韩东京热| 亚洲国产精品一区三区| 在线观看一区二区三区激情| 国产成人免费观看mmmm| 女的被弄到高潮叫床怎么办| 一区二区三区精品91| 秋霞在线观看毛片| freevideosex欧美| 下体分泌物呈黄色| 麻豆成人av视频| 亚洲欧洲精品一区二区精品久久久 | 亚洲欧洲日产国产| 99热国产这里只有精品6| 丝袜脚勾引网站| 天堂中文最新版在线下载| 欧美日韩视频高清一区二区三区二| 久久精品熟女亚洲av麻豆精品| 各种免费的搞黄视频| 少妇精品久久久久久久| 免费播放大片免费观看视频在线观看| 啦啦啦啦在线视频资源| 日韩人妻高清精品专区| 精品国产国语对白av| 日韩在线高清观看一区二区三区| 丝袜在线中文字幕| 欧美xxⅹ黑人| 久久午夜福利片| 一个人看视频在线观看www免费| 久久人人爽人人爽人人片va| 亚洲精品乱码久久久v下载方式| 午夜av观看不卡| 亚洲欧美日韩另类电影网站| 国产成人精品久久久久久| 啦啦啦中文免费视频观看日本| 免费看不卡的av| 国产视频内射| 免费观看av网站的网址| 日日摸夜夜添夜夜爱| 尾随美女入室| 夫妻午夜视频| a级一级毛片免费在线观看| 18禁裸乳无遮挡动漫免费视频| 国产在线一区二区三区精| 国产精品秋霞免费鲁丝片| 香蕉精品网在线| 99热国产这里只有精品6| 亚洲精品第二区| 一级,二级,三级黄色视频| 精品人妻熟女av久视频| 欧美精品人与动牲交sv欧美| 亚洲国产精品成人久久小说| 寂寞人妻少妇视频99o| 一本大道久久a久久精品| 永久网站在线| 热99国产精品久久久久久7| 熟女电影av网| 午夜老司机福利剧场| 亚洲av二区三区四区| 人人澡人人妻人| 久久精品国产亚洲av涩爱| 国产亚洲最大av| 中文字幕久久专区| 丰满人妻一区二区三区视频av| 涩涩av久久男人的天堂| 菩萨蛮人人尽说江南好唐韦庄| 纯流量卡能插随身wifi吗| 欧美日韩在线观看h| 天堂俺去俺来也www色官网| 日韩av在线免费看完整版不卡| 在线 av 中文字幕| 亚洲经典国产精华液单| 国模一区二区三区四区视频| 精品国产露脸久久av麻豆| 丰满迷人的少妇在线观看| 午夜视频国产福利| av一本久久久久| 少妇被粗大的猛进出69影院 | 亚洲国产精品国产精品| 国产一区二区在线观看av| 国产深夜福利视频在线观看| 极品人妻少妇av视频| 黑人巨大精品欧美一区二区蜜桃 | 九草在线视频观看| 日日爽夜夜爽网站| 看十八女毛片水多多多| 中文字幕av电影在线播放| 国产白丝娇喘喷水9色精品| 91久久精品国产一区二区成人| 国产黄片美女视频| 王馨瑶露胸无遮挡在线观看| 久久久久久久久久久免费av| 91精品伊人久久大香线蕉| 黄色一级大片看看| 国产日韩一区二区三区精品不卡 | 狂野欧美激情性bbbbbb| 日韩成人伦理影院| 自拍欧美九色日韩亚洲蝌蚪91 | 国产精品国产三级国产av玫瑰| 中文字幕人妻熟人妻熟丝袜美| 成人国产av品久久久| 亚洲在久久综合| 亚洲内射少妇av| 伊人久久国产一区二区| 免费人妻精品一区二区三区视频| 一本久久精品| 欧美激情国产日韩精品一区| www.色视频.com| 久久精品夜色国产| 午夜福利在线观看免费完整高清在| 久久久久久久精品精品| 国产又色又爽无遮挡免| 爱豆传媒免费全集在线观看| 国产欧美日韩一区二区三区在线 | 欧美日本中文国产一区发布| a级毛片免费高清观看在线播放| av黄色大香蕉| 亚洲天堂av无毛| 99热6这里只有精品| 午夜福利网站1000一区二区三区| 91精品国产国语对白视频| 国产精品人妻久久久久久| 爱豆传媒免费全集在线观看| 伊人久久国产一区二区| 日本午夜av视频| 国产成人aa在线观看| 天堂中文最新版在线下载| 热re99久久国产66热| 黄色配什么色好看| 美女xxoo啪啪120秒动态图| av专区在线播放| 女人精品久久久久毛片| 国产欧美日韩一区二区三区在线 | 久久久国产精品麻豆| 在线观看美女被高潮喷水网站| 国产av一区二区精品久久| xxx大片免费视频| 欧美成人午夜免费资源| 少妇被粗大猛烈的视频| 国产无遮挡羞羞视频在线观看| a级毛片在线看网站| 欧美 亚洲 国产 日韩一| 人人妻人人澡人人爽人人夜夜| 国产高清有码在线观看视频| 亚洲国产精品999| av一本久久久久| 精品一品国产午夜福利视频| 99热网站在线观看| 亚洲国产成人一精品久久久| 深夜a级毛片| 三级国产精品片| 亚洲精品亚洲一区二区| 亚洲国产精品成人久久小说| 久久热精品热| 日本-黄色视频高清免费观看| videossex国产| 欧美日韩综合久久久久久| 一本一本综合久久| 男人舔奶头视频| 国产视频内射| 免费观看在线日韩| 老司机亚洲免费影院| 婷婷色麻豆天堂久久| 日本黄色片子视频| 人人妻人人澡人人看| 国产成人精品一,二区| 国产精品免费大片| 亚洲,欧美,日韩| 久久午夜福利片| 男女免费视频国产| 性色av一级| 草草在线视频免费看| 欧美97在线视频| 亚洲精品久久午夜乱码| 免费av不卡在线播放| av国产久精品久网站免费入址| 高清午夜精品一区二区三区| 在现免费观看毛片| 黄片无遮挡物在线观看| 极品少妇高潮喷水抽搐| 大码成人一级视频| 久久久久久久亚洲中文字幕| 国产男女内射视频| 久久毛片免费看一区二区三区| 亚洲国产精品一区三区| 熟女av电影| 男男h啪啪无遮挡| 国产免费福利视频在线观看| 最近的中文字幕免费完整| 最黄视频免费看| 久久久久久久亚洲中文字幕| 久久午夜综合久久蜜桃| 精品人妻熟女毛片av久久网站| 搡老乐熟女国产|