• <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 ?

    基于粒子群優(yōu)化的SVM供水管道泄漏診斷方法

    2018-04-04 09:10:16王學(xué)淵陳志剛鐘新榮盧寧
    現(xiàn)代電子技術(shù) 2018年7期

    王學(xué)淵 陳志剛 鐘新榮 盧寧

    摘 要: 供水管道泄漏會造成水資源浪費(fèi)和經(jīng)濟(jì)損失,傳統(tǒng)支持向量機(jī)泄漏診斷模型中存在參數(shù)選擇不確定的問題,導(dǎo)致其分類結(jié)果不穩(wěn)定。提出將粒子群進(jìn)化算法應(yīng)用于泄漏診斷支持向量機(jī)模型中的參數(shù)優(yōu)化選擇,利用粒子群群體智能優(yōu)化搜索從全局迅速地迭代出合理的支持向量機(jī)的懲罰參數(shù)以及核參數(shù),使建立的PSO?SVM管道泄漏診斷模型達(dá)到最優(yōu)。實(shí)驗(yàn)測試表明,通過結(jié)合粒子群算法全局搜索收斂速度快的優(yōu)點(diǎn),有效地解決了支持向量機(jī)模型中兩個重要參數(shù)優(yōu)化選擇的問題,提升了支持向量機(jī)分類的準(zhǔn)確率和效率。

    關(guān)鍵詞: 供水管道; 泄漏診斷; 支持向量機(jī); 粒子群算法; 參數(shù)優(yōu)化; PSO?SVM

    中圖分類號: TN911.1?34; TP274.2 文獻(xiàn)標(biāo)識碼: A 文章編號: 1004?373X(2018)07?0156?04

    PSO?SVM based leakage diagnosis method of water supply pipeline

    WANG Xueyuan1, 2, CHEN Zhigang1, 2, ZHONG Xinrong3, LU Ning1, 2

    (1. School of Mechanical?electronic and Vehicle Engineering, Beijing University of Civil Engineering and Architecture, Beijing 100044, China;

    2. Beijing Engineering Research Center of Monitoring for Construction Safety, Beijing 100044, China;

    3. Changqing Downhole Technology Company, Xian 710000, China)

    Abstract: The leakage of water supply pipeline will cause the water resource waste and economic losses. The traditional leakage diagnosis model based on support vector machine (SVM) has the problem of uncertain parameter selection, which may cause the unstable classification result. The particle swarm optimization (PSO) algorithm is proposed for parameter optimization selection in leakage diagnosis model based on SVM. The particle swarm intelligent optimization search is used to quickly iterate the reasonable penalty parameter and kernel parameter of SVM in the overall situation, so as to make the pipeline leakage diagnosis model based on PSO?SVM optimal. The experimental results show that, in combination with the fast convergence speed of PSO global search, the method can solve the two important parameters optimization selection problem in SVM model, and improve the accuracy and efficiency of SVM classification.

    Keywords: water supply pipeline; leakage diagnosis; SVM; PSO; parameter optimization; PSO?SVM

    0 引 言

    隨著我國城市化水平不斷提高,供水管道長度呈現(xiàn)加速增長趨勢,但供水管網(wǎng)道的漏損現(xiàn)象卻十分普遍。對于城市供水管道的漏失診斷,如何從復(fù)雜干擾中識別泄漏是整個技術(shù)的關(guān)鍵難點(diǎn)[1]。針對這一關(guān)鍵點(diǎn),文獻(xiàn)[2]提出基于神經(jīng)網(wǎng)絡(luò)的管道泄漏檢測識別方法,很大程度上提升了泄漏檢測的準(zhǔn)確率。但是,神經(jīng)網(wǎng)絡(luò)存在訓(xùn)練樣本需求多、收斂速度慢等問題,文獻(xiàn)[3]提出基于結(jié)構(gòu)風(fēng)險最小化的SVM理論應(yīng)用于管道泄漏診斷領(lǐng)域,它在小樣本及非線性的情形下有獨(dú)特優(yōu)勢,可以實(shí)現(xiàn)對管道泄漏進(jìn)行比較精確的診斷。但有研究表明,在成熟的條件下核函數(shù)對SVM識別性能的影響不大,其中對SVM性能起到關(guān)鍵作用的因素[4]是核參數(shù)和懲罰因子[C。]常規(guī)支持向量機(jī)核參數(shù)和懲罰因子的選擇一般采用試湊法、經(jīng)驗(yàn)法或單目標(biāo)優(yōu)化法,上述方法不能達(dá)到全局優(yōu)化的效果,而且耗費(fèi)時間。

    本文提出將粒子群進(jìn)化算法應(yīng)用于支持向量機(jī)的核參數(shù)和懲罰因子的選擇中。粒子群優(yōu)化算法在每次迭代中都考慮了全局搜索和局部搜索,與支持向量機(jī)結(jié)合后可獲得診斷效果更佳的PSO?SVM模型,提高了供水管道工況識別的準(zhǔn)確率。

    1 支持向量機(jī)

    1.1 支持向量機(jī)的基本原理

    支持向量機(jī)是一種實(shí)現(xiàn)結(jié)構(gòu)風(fēng)險最小化原則的分類學(xué)習(xí)算法,它利用核函數(shù)把樣本映射到高維特征空間,然后在此空間中構(gòu)造分類間隔最大的線性分類超平面,因而向量機(jī)比較適合于小樣本數(shù)據(jù)的分類[5]。

    支持向量機(jī)方法的最優(yōu)分類面是在線性可分的情況下提出的。圖1為最優(yōu)分類界限,圖中的[H]為兩種樣本的分類線,[H1,H2]分別為各類中離分類線最近且平行的直線,[H1,H2]之間的距離稱為分類間隔。最優(yōu)分類線即為分類間隔最大的分類線,使兩類樣本正確分離。

    在線性不可分的情況下,圖1所示的最優(yōu)分類面在實(shí)際應(yīng)用中可能存在某些樣本不能被超平面正確分類的情況,超平面約束條件為:

    式中:[b]為閾值;[ω]為分類面的法向量。對于非線性最優(yōu)分類面的求解需要引入拉格朗日乘子,廣義最優(yōu)分類面問題可以轉(zhuǎn)化為在約束條件下的最小化[iaii,jaiajxixjyiyj,]其中約束為[0≤ai≤C;][iaiyi=0;]懲罰參數(shù)[C]為非負(fù)常數(shù)。

    對于支持向量機(jī)的非線性劃分,可通過非線性變換將其轉(zhuǎn)換為高維空間中的線性劃分。這里只需要將原來空間的函數(shù)在高維特征空間通過內(nèi)積運(yùn)算的方式引入核函數(shù),并且采用適當(dāng)?shù)膬?nèi)積核函數(shù)[Kxi,yi]使核函數(shù)滿足Mercer條件,就可實(shí)現(xiàn)此非線性變換,并且算法的復(fù)雜程度也不會有所增加,此時分類函數(shù)為:

    其中,影響識別準(zhǔn)確率的兩個重要因素為:

    1) 核參數(shù)

    核參數(shù)的改變本質(zhì)上是映射函數(shù)的改變,從而改變了空間樣本集分布的復(fù)雜程度。所以,只有使用適合的核函數(shù)以及核參數(shù)才能夠?qū)颖緮?shù)據(jù)映射到適合的特征空間。即選擇機(jī)器學(xué)習(xí)實(shí)際風(fēng)險最小的特征空間,才可以獲得泛化能力優(yōu)秀的支持向量機(jī)分類器。

    常用的核函數(shù)有徑向基函數(shù)(其中函數(shù)寬度為核參數(shù))、多項(xiàng)式核函數(shù)(其中多項(xiàng)式系數(shù)為核參數(shù))以及Sigmoid核函數(shù)(其中尺度和衰減系數(shù)為核參數(shù))。

    2) 懲罰因子

    懲罰因子[C]的數(shù)值表示對經(jīng)驗(yàn)誤差的敏感程度,懲罰因子與SVM的復(fù)雜度成正比,而與經(jīng)驗(yàn)風(fēng)險成反比。在確定的數(shù)據(jù)子空間內(nèi)至少存在一個適合的懲罰因子使得SVM的泛化能力達(dá)到最好。

    1.2 多元支持向量機(jī)

    支持向量機(jī)是兩類分類器,而現(xiàn)實(shí)中管道泄漏診斷結(jié)果的分類通常是多個種類,如正常輸送、調(diào)閥、停泵和泄漏。常用構(gòu)建多元支持向量機(jī)的方法有一對一、一對多以及采用決策樹的支持向量機(jī)。

    在少量的工況分類情況下,三種方法效果相當(dāng),但考慮到擴(kuò)增工況識別的可能,本文采用文獻(xiàn)[6]中的決策樹方法構(gòu)建多元支持向量機(jī)用以判別管道泄漏和各種工況操作。其訓(xùn)練效果與一對一多元支持向量機(jī)相當(dāng),但學(xué)習(xí)訓(xùn)練和測試用時方面比常規(guī)支持向量機(jī)更短,隨著分類數(shù)量的增加,效果更加明顯,效率更高。多元支持向量機(jī)分類器的構(gòu)建如圖2所示。

    2 粒子群算法優(yōu)化支持向量機(jī)

    2.1 粒子群優(yōu)化算法

    粒子群優(yōu)化算法的基本思想為:需要被優(yōu)化問題的潛在解就是在空間中搜索最優(yōu)粒子,將PSO算法隨機(jī)初始化為隨機(jī)粒子群,每個單獨(dú)粒子都有一個函數(shù)決定它所對應(yīng)的適應(yīng)度,并且還有一個決定它們運(yùn)行軌跡的速度向量,然后粒子群會依據(jù)當(dāng)前的最優(yōu)粒子在空間中進(jìn)行搜索,直到通過迭代尋優(yōu)找到最優(yōu)解[7]。

    粒子群優(yōu)化算法核心迭代公式如下:

    式中:[vk+1i]表示第[i]個粒子在第[k+1]代時的飛行速度;[xk+1i]表示第[i]個粒子在第[k+1]代時的位置;[pki]表示第[i]個粒子到第[k]代為止所找到的最優(yōu)位置;[pkg]表示當(dāng)前種群到目前為止所找到的最優(yōu)位置;[pki-xki]表示個體認(rèn)知;[pkg-xki]表示社會認(rèn)知;[ω]為慣性系數(shù),表示相信自己的程度;學(xué)習(xí)因子[c1,c2]為非負(fù)常數(shù),前者表示對經(jīng)驗(yàn)的信服程度,后者表示對周圍個體的信服程度;[r1,r2]表示[(0,1)]的隨機(jī)數(shù)。

    在整個粒子群的迭代中體現(xiàn)了粒子群優(yōu)化在尋找最優(yōu)解的過程中既保持了粒子自身的慣性,又利用個性以及社會性不斷修改和移動自身方向,最終使群體朝著最優(yōu)解靠近,并且避免了復(fù)雜的遺傳操作。

    2.2 基于粒子群優(yōu)化的支持向量機(jī)

    根據(jù)粒子群優(yōu)化算法的全局搜索優(yōu)勢進(jìn)行支持向量機(jī)的改進(jìn),其步驟如下:

    步驟1:初始化。對樣本數(shù)據(jù)進(jìn)行歸一化處理并讀取樣本數(shù)據(jù)。設(shè)定參數(shù)運(yùn)動范圍,設(shè)定學(xué)習(xí)因子[c1,c2、]進(jìn)化代數(shù)[(E)、]懲罰因子[C]和核參數(shù)[g](本文采用徑向基核函數(shù),其核參數(shù)為函數(shù)寬度[σ])。

    步驟2:適應(yīng)度評價。計(jì)算個體的適應(yīng)度值,初始化個體和全局最優(yōu)位置。

    步驟3:比較尋優(yōu)。根據(jù)式(3)更新粒子的速度和位置產(chǎn)生新種群,計(jì)算新種群的個體適應(yīng)度值。分別比較當(dāng)前參數(shù)[C]和[σ]的適應(yīng)值和自身歷史最優(yōu)值及種群最優(yōu)值,更新種群參數(shù)[C]和[σ]的全局最優(yōu)值。

    步驟4:檢查結(jié)束條件。尋優(yōu)達(dá)到最大進(jìn)化代數(shù),結(jié)束尋優(yōu),否則返回步驟2,輸出最佳參數(shù)[C]和[σ]。

    隨后將優(yōu)化的參數(shù)[C]和[σ]代入SVM模型并檢測SVM的建模精度。PSO?SVM工作流程如圖3所示。

    3 應(yīng) 用

    3.1 實(shí)驗(yàn)預(yù)處理

    在實(shí)際生產(chǎn)中,除了泄漏可能引起壓力波動外,其他的一些工況操作,如啟停泵、調(diào)泵、閥門切換、調(diào)閥等同樣也會引起壓力波動信號,而且某些工況下的波動信號與泄漏引發(fā)的波動信號非常相似。

    從圖4中可以看出,信號中的背景十分嘈雜,波動的特征被淹沒在噪聲中,不便于后期的機(jī)器學(xué)習(xí)分類。管道泄漏分析中必須對泄漏、停泵、調(diào)泵、調(diào)閥等引起的壓力波動信號加以準(zhǔn)確區(qū)別。首先要對采集的信號進(jìn)行濾波,本文采用小波降噪方法進(jìn)行降噪處理,得到比較純凈的波形,以便于管道的泄漏診斷。

    其次,泄漏波形特征參數(shù)的選擇對泄漏診斷的準(zhǔn)確率和可靠性有一定的影響。文獻(xiàn)[8]中數(shù)據(jù)挖掘方法從描述供水管道壓力波動的特征參數(shù)中選擇平均幅值、均方根、方根幅值、裕度因子和峭度作為支持向量機(jī)的輸入特征。輸入特征值如表1所示。

    3.2 參數(shù)的確定

    本文采用Matlab進(jìn)行模型的建造,其中核函數(shù)選擇在泄漏檢測領(lǐng)域支持向量機(jī)常用的RBF徑向基[9?10]核函數(shù):[K(x,y)=exp-x-y2σ2]。

    按照本文2.2節(jié)步驟建立PSO?SVM模型,核參數(shù)及懲罰參數(shù)的迭代如圖5所示。得出最優(yōu)參數(shù)為:函數(shù)寬度[σ=30,]懲罰參數(shù)[C=1.5。]

    由圖5可以看出,隨著粒子群算法迭代的進(jìn)行,模型的準(zhǔn)確率在87%~98%的區(qū)間內(nèi)震蕩,粒子群記錄下最優(yōu)的參數(shù)組合。相比以往的交叉驗(yàn)證和網(wǎng)格搜索,粒子群算法在搜索范圍及速度方面都有比較明顯的優(yōu)勢。

    3.3 測試結(jié)果

    為了驗(yàn)證本文PSO?SVM分類模型的泛化能力,用經(jīng)過訓(xùn)練的PSO?SVM分類器對4種運(yùn)行工況下不同的樣本波形進(jìn)行識別分類的檢測實(shí)驗(yàn)。將待測試樣本的特征值列表按照規(guī)定的輸入格式輸入經(jīng)過PSO?SVM訓(xùn)練的模型進(jìn)行工況識別。為了體現(xiàn)基于粒子群算法的支持向量機(jī)的優(yōu)缺點(diǎn),建立BP神經(jīng)網(wǎng)絡(luò)以及傳統(tǒng)的SVM模型,并將他們與PSO?SVM進(jìn)行性能比較。測試結(jié)果如表2所示。

    由表2可以看出,PSO?SVM相對于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和SVM不僅識別的準(zhǔn)確率有所提升,而且訓(xùn)練用時相對較少,并且管道工況識別準(zhǔn)確率分別提高了12%和3.5%。

    為了降低常規(guī)操作導(dǎo)致的供水管道泄漏檢測的錯誤識別,采用SVM分類器從不同的工作環(huán)境中識別出泄漏的存在;采用PSO算法對模型參數(shù)進(jìn)行優(yōu)化,提高了SVM分類器的泄漏識別準(zhǔn)確率。試驗(yàn)結(jié)果表明,PSO比較適用于優(yōu)化SVM,PSO?SVM算法對供水管道工況識別具有很高的辨識精度,可以很好地應(yīng)用于相關(guān)的管道泄漏診斷中。

    4 結(jié) 論

    本文使用粒子群優(yōu)化算法的全局優(yōu)化特性優(yōu)化支持向量機(jī)的核參數(shù)和懲罰參數(shù),建立供水管道泄漏診斷模型。通過粒子群優(yōu)化算法的全局搜索優(yōu)勢對支持向量機(jī)進(jìn)行改進(jìn),使得支持向量機(jī)的參數(shù)選擇更加合理。實(shí)驗(yàn)表明,基于改進(jìn)的支持向量機(jī)的管道泄漏診斷模型在測試中準(zhǔn)確率相對于以往的支持向量機(jī)以及神經(jīng)網(wǎng)絡(luò)模型有較明顯提升,有效地解決了傳統(tǒng)支持向量機(jī)中參數(shù)選擇對檢測準(zhǔn)確率的影響,提升了對管道工況的辨識程度,同時也避免了復(fù)雜的遺傳操作,在訓(xùn)練時間上有可觀的改進(jìn)。

    注:本文通訊作者為陳志剛。

    參考文獻(xiàn)

    [1] 文玉梅,張雪園,文靜,等.依據(jù)聲信號頻率分布和復(fù)雜度的供水管道泄漏辨識[J].儀器儀表學(xué)報(bào),2014,35(6):1223?1229.

    WEN Y M, ZHANG X Y, WEN J, et al. Identification of water pipeline leakage based on acoustic signal frequency distribution and complexity [J]. Chinese journal of scientific instrument, 2014, 35(6): 1223?1229.

    [2] 唐秀家.管道系統(tǒng)泄漏檢測神經(jīng)網(wǎng)絡(luò)與模式識別方法[J].核科學(xué)與工程,1998(3):33?40.

    TANG X J. Fluid pipeline system leak detection based on neural network and pattern recognition [J]. Chinese journal of nuclearence & engineering, 1998(3): 33?40.

    [3] 陳志剛,張來斌,梁偉,等.復(fù)雜工況下熱油管道泄漏識別與定位方法研究[J].西南石油大學(xué)學(xué)報(bào),2008,30(6):157?160.

    CHEN Z G, ZHANG L B, LIANG W, et al. Leak detection and positioning for hot oil pipeline under complicated conditions [J]. Journal of Southwest Petroleum University, 2008, 30(6): 157?160.

    [4] VAPNIK V N. The nature of statistical learning theory [M]. 2nd ed. New York: Springer, 2000.

    [5] CHEN Peng, YUAN Lifen, HE Yigang, et al. An improved SVM classifier based on double chains quantum genetic algorithm and its application in analogue circuit diagnosis [J]. Neurocomputing, 2015, 211: 202?211.

    [6] 張亮,陳志剛,楊建偉,等.基于決策樹與多元支持向量機(jī)的齒輪箱早期故障診斷方法[J].計(jì)算機(jī)測量與控制,2016(1):12?15.

    ZHANG L, CHEN Z G, YANG J W, et al. Early fault diagnosis of gearbox based on multiclass support vector machine and decision tree [J]. Computer measurement & control, 2016(1): 12?15.

    [7] TUNGADIO D H, JORDAAN J A, SITI M W. Power system state estimation solution using modified models of PSO algorithm: comparative study [J]. Measurement, 2016, 92: 508?523.

    [8] 梁偉,張來斌,王朝暉.基于數(shù)據(jù)挖掘的負(fù)壓波特征參數(shù)優(yōu)化方法[J].石油機(jī)械,2008,36(12):38?42.

    LIANG W, ZHANG L B, WANG Z H. Study of optimization method of characteristic parameters of negative pressure wave based on data mining [J]. China petroleum machinery, 2008, 36(12): 38?42.

    [9] YIN Shen, YIN Jiapeng. Tuning kernel parameters for SVM based on expected square distance ratio [J]. Information sciences, 2016(2): 370?371.

    [10] LIU Chao, YIN Shiqun, ZHANG Miao, et al. An improved grid search algorithm for parameters optimization on SVM [J]. Applied mechanics and materials, 2014, 644: 2216?2219.

    日韩中字成人| 高清在线视频一区二区三区| 婷婷色综合www| 在线观看免费高清a一片| 男女高潮啪啪啪动态图| 久久精品国产自在天天线| 国产精品一国产av| 日韩人妻精品一区2区三区| 国产熟女欧美一区二区| 夫妻性生交免费视频一级片| 久久久久久久久久成人| 18+在线观看网站| 精品一品国产午夜福利视频| 国产日韩欧美亚洲二区| 亚洲少妇的诱惑av| 丝瓜视频免费看黄片| 欧美成人精品欧美一级黄| 99热这里只有是精品在线观看| 一级黄片播放器| 三级国产精品片| 久久精品久久久久久久性| 国产亚洲一区二区精品| 丝袜脚勾引网站| 久久久久网色| 国内精品宾馆在线| 国产亚洲精品久久久com| 亚洲成人手机| 啦啦啦视频在线资源免费观看| 日日爽夜夜爽网站| 午夜福利视频精品| 高清不卡的av网站| av在线播放精品| 午夜福利视频精品| 精品少妇内射三级| 日韩免费高清中文字幕av| 日韩欧美精品免费久久| 最后的刺客免费高清国语| 国语对白做爰xxxⅹ性视频网站| 嫩草影院入口| 精品久久久精品久久久| 国产亚洲精品久久久com| 亚洲国产精品成人久久小说| 一二三四在线观看免费中文在 | 最近手机中文字幕大全| 一级毛片我不卡| 亚洲欧美清纯卡通| 亚洲精品日本国产第一区| 51国产日韩欧美| 国产成人aa在线观看| 在线观看www视频免费| 三级国产精品片| 国产 精品1| 女性被躁到高潮视频| 欧美日韩av久久| 侵犯人妻中文字幕一二三四区| 少妇 在线观看| 国产无遮挡羞羞视频在线观看| 欧美亚洲日本最大视频资源| 中文字幕制服av| 新久久久久国产一级毛片| 国产免费又黄又爽又色| 午夜免费男女啪啪视频观看| 日韩,欧美,国产一区二区三区| 夫妻性生交免费视频一级片| 性色avwww在线观看| av天堂久久9| 久久99热这里只频精品6学生| 卡戴珊不雅视频在线播放| 咕卡用的链子| av不卡在线播放| 日本欧美国产在线视频| 老司机亚洲免费影院| 国产黄色视频一区二区在线观看| 少妇 在线观看| 另类精品久久| 午夜精品国产一区二区电影| 亚洲精品国产av蜜桃| 欧美日韩亚洲高清精品| 成年av动漫网址| 涩涩av久久男人的天堂| 成年动漫av网址| 午夜视频国产福利| 国产精品人妻久久久久久| 99re6热这里在线精品视频| 国产精品.久久久| 国产av码专区亚洲av| 中文字幕人妻丝袜制服| 国产精品久久久久久久电影| 国产成人精品久久久久久| 一级,二级,三级黄色视频| 日本与韩国留学比较| 少妇被粗大猛烈的视频| 亚洲国产av新网站| av免费在线看不卡| 国产亚洲欧美精品永久| 97在线视频观看| 午夜免费鲁丝| 卡戴珊不雅视频在线播放| 亚洲精品av麻豆狂野| 91精品伊人久久大香线蕉| 一本久久精品| 欧美日韩av久久| 香蕉精品网在线| av线在线观看网站| 久久国产精品男人的天堂亚洲 | av免费观看日本| av免费观看日本| 草草在线视频免费看| 少妇的丰满在线观看| 爱豆传媒免费全集在线观看| 国产激情久久老熟女| 欧美另类一区| 国产成人av激情在线播放| 9色porny在线观看| av国产久精品久网站免费入址| 五月天丁香电影| 国产日韩欧美视频二区| 妹子高潮喷水视频| 日韩制服丝袜自拍偷拍| h视频一区二区三区| 久久久欧美国产精品| www.av在线官网国产| 欧美最新免费一区二区三区| 亚洲一码二码三码区别大吗| 免费高清在线观看视频在线观看| 欧美日韩精品成人综合77777| 欧美日韩精品成人综合77777| 黑人高潮一二区| 欧美另类一区| 亚洲 欧美一区二区三区| 大片免费播放器 马上看| av不卡在线播放| 美女国产高潮福利片在线看| 日韩 亚洲 欧美在线| 欧美xxxx性猛交bbbb| 超碰97精品在线观看| 韩国精品一区二区三区 | 婷婷色综合大香蕉| 欧美精品国产亚洲| 中文字幕人妻熟女乱码| 中文字幕人妻熟女乱码| 亚洲伊人久久精品综合| 色哟哟·www| 免费大片18禁| 又黄又粗又硬又大视频| 人妻少妇偷人精品九色| 欧美丝袜亚洲另类| 久久久久久人人人人人| 天天影视国产精品| 午夜免费观看性视频| 中文字幕另类日韩欧美亚洲嫩草| 国产探花极品一区二区| 99精国产麻豆久久婷婷| 精品人妻偷拍中文字幕| 搡女人真爽免费视频火全软件| 中文精品一卡2卡3卡4更新| 久久热在线av| 午夜91福利影院| 99热6这里只有精品| 亚洲国产成人一精品久久久| 久久精品aⅴ一区二区三区四区 | 国产日韩欧美视频二区| 美女视频免费永久观看网站| 新久久久久国产一级毛片| 国产精品女同一区二区软件| 国产片内射在线| 国产免费视频播放在线视频| 免费日韩欧美在线观看| 婷婷成人精品国产| 欧美精品高潮呻吟av久久| 亚洲,欧美,日韩| 亚洲人成77777在线视频| 日韩av不卡免费在线播放| 日韩不卡一区二区三区视频在线| 精品久久蜜臀av无| 久久午夜综合久久蜜桃| 国产1区2区3区精品| 午夜福利影视在线免费观看| 秋霞在线观看毛片| 国产爽快片一区二区三区| 久久久欧美国产精品| 女性生殖器流出的白浆| 男女免费视频国产| 亚洲av中文av极速乱| 波多野结衣一区麻豆| 777米奇影视久久| 最近中文字幕高清免费大全6| videossex国产| 亚洲精品第二区| 国产亚洲精品第一综合不卡 | 免费久久久久久久精品成人欧美视频 | 交换朋友夫妻互换小说| 波多野结衣一区麻豆| 国产欧美另类精品又又久久亚洲欧美| 青春草亚洲视频在线观看| 日韩欧美精品免费久久| 亚洲五月色婷婷综合| 18禁观看日本| 亚洲欧美色中文字幕在线| av在线app专区| xxx大片免费视频| h视频一区二区三区| 人人妻人人爽人人添夜夜欢视频| 日本猛色少妇xxxxx猛交久久| 青春草亚洲视频在线观看| 99久国产av精品国产电影| 久久久久久久亚洲中文字幕| 制服丝袜香蕉在线| 亚洲精品色激情综合| 人妻人人澡人人爽人人| 蜜桃国产av成人99| 久久久久精品久久久久真实原创| 777米奇影视久久| 精品少妇内射三级| 亚洲精品成人av观看孕妇| 巨乳人妻的诱惑在线观看| 欧美日本中文国产一区发布| 天天操日日干夜夜撸| 国产国语露脸激情在线看| 久久久久人妻精品一区果冻| 国产亚洲精品久久久com| 18禁观看日本| 在线精品无人区一区二区三| 交换朋友夫妻互换小说| 国产成人91sexporn| 日本av手机在线免费观看| 99热全是精品| 久久婷婷青草| 亚洲第一区二区三区不卡| 日韩制服骚丝袜av| 午夜免费鲁丝| 国产乱来视频区| 一级爰片在线观看| 成人免费观看视频高清| 蜜臀久久99精品久久宅男| 欧美精品国产亚洲| 王馨瑶露胸无遮挡在线观看| 啦啦啦啦在线视频资源| 亚洲人成网站在线观看播放| 满18在线观看网站| 女人精品久久久久毛片| 久久 成人 亚洲| 免费看av在线观看网站| 在线观看免费视频网站a站| 寂寞人妻少妇视频99o| 一区二区av电影网| 国产成人a∨麻豆精品| 国产乱来视频区| 欧美变态另类bdsm刘玥| 永久免费av网站大全| 在线观看三级黄色| 亚洲av免费高清在线观看| 熟妇人妻不卡中文字幕| 国产欧美亚洲国产| 婷婷色综合大香蕉| 国产精品一区二区在线不卡| 久久精品夜色国产| 男女无遮挡免费网站观看| 天堂中文最新版在线下载| 最近最新中文字幕免费大全7| 少妇猛男粗大的猛烈进出视频| 免费看av在线观看网站| 中国美白少妇内射xxxbb| 超色免费av| 九九在线视频观看精品| 国产 一区精品| 久久人人爽av亚洲精品天堂| 97精品久久久久久久久久精品| 免费黄频网站在线观看国产| 亚洲人成77777在线视频| 美女主播在线视频| 成人漫画全彩无遮挡| 一边摸一边做爽爽视频免费| 巨乳人妻的诱惑在线观看| 免费女性裸体啪啪无遮挡网站| 亚洲国产av新网站| 国产免费视频播放在线视频| 婷婷成人精品国产| 尾随美女入室| 国产极品天堂在线| 777米奇影视久久| 在线 av 中文字幕| 在线观看一区二区三区激情| 亚洲第一区二区三区不卡| 爱豆传媒免费全集在线观看| 王馨瑶露胸无遮挡在线观看| 国产精品久久久久久精品古装| 考比视频在线观看| 男女啪啪激烈高潮av片| 国产一区亚洲一区在线观看| 我要看黄色一级片免费的| 国产日韩欧美在线精品| 狠狠婷婷综合久久久久久88av| 亚洲国产av影院在线观看| 9191精品国产免费久久| 99久久人妻综合| 国产熟女欧美一区二区| 国产成人91sexporn| 精品国产国语对白av| av黄色大香蕉| 亚洲经典国产精华液单| 观看av在线不卡| 观看美女的网站| 久久人人爽人人片av| 久久这里有精品视频免费| 欧美精品人与动牲交sv欧美| 少妇的丰满在线观看| 热99国产精品久久久久久7| 日本欧美视频一区| 亚洲国产精品一区二区三区在线| 亚洲成国产人片在线观看| 婷婷色综合www| 国产xxxxx性猛交| 精品福利永久在线观看| 激情五月婷婷亚洲| 97精品久久久久久久久久精品| 国产又色又爽无遮挡免| 亚洲精品久久久久久婷婷小说| 人人澡人人妻人| 晚上一个人看的免费电影| 国产在线免费精品| 免费播放大片免费观看视频在线观看| 国产成人a∨麻豆精品| 丝瓜视频免费看黄片| videosex国产| 久久这里只有精品19| 欧美人与性动交α欧美软件 | 免费av不卡在线播放| 国产精品国产三级国产av玫瑰| 又黄又粗又硬又大视频| 日本欧美视频一区| 亚洲av中文av极速乱| 青青草视频在线视频观看| 免费看av在线观看网站| 久久鲁丝午夜福利片| 精品一区二区免费观看| 99久国产av精品国产电影| 午夜视频国产福利| 欧美亚洲 丝袜 人妻 在线| 人人妻人人添人人爽欧美一区卜| 天堂俺去俺来也www色官网| 99re6热这里在线精品视频| 日韩中字成人| 99久久精品国产国产毛片| 欧美97在线视频| 午夜日本视频在线| 中国国产av一级| 久久久久久久国产电影| 久久久久久久久久人人人人人人| av免费在线看不卡| 在现免费观看毛片| 人妻 亚洲 视频| 视频在线观看一区二区三区| 两个人看的免费小视频| 18禁动态无遮挡网站| 99国产综合亚洲精品| 亚洲国产欧美在线一区| 久久人人爽人人片av| 亚洲久久久国产精品| 日本wwww免费看| 在线 av 中文字幕| 18+在线观看网站| 日本av免费视频播放| 丰满少妇做爰视频| 日韩欧美一区视频在线观看| 超色免费av| 美女福利国产在线| 精品亚洲成a人片在线观看| 国产免费一级a男人的天堂| 精品一区在线观看国产| 丝袜在线中文字幕| 中文字幕另类日韩欧美亚洲嫩草| 在线观看三级黄色| 麻豆乱淫一区二区| 女人久久www免费人成看片| 爱豆传媒免费全集在线观看| 欧美亚洲日本最大视频资源| 满18在线观看网站| 午夜福利视频精品| 亚洲国产精品国产精品| 丝袜喷水一区| 亚洲熟女精品中文字幕| 亚洲成人手机| 日韩在线高清观看一区二区三区| 亚洲综合色惰| av在线播放精品| 成年人午夜在线观看视频| 黄色配什么色好看| 国国产精品蜜臀av免费| 女人被躁到高潮嗷嗷叫费观| 亚洲精品久久久久久婷婷小说| 人人妻人人添人人爽欧美一区卜| 日韩视频在线欧美| 久久精品久久久久久噜噜老黄| 看免费av毛片| 两个人免费观看高清视频| 最新中文字幕久久久久| 国产在视频线精品| 亚洲高清免费不卡视频| av在线老鸭窝| 久久精品国产自在天天线| 午夜福利影视在线免费观看| 在线观看人妻少妇| 1024视频免费在线观看| 免费观看无遮挡的男女| 国产精品麻豆人妻色哟哟久久| 丝袜人妻中文字幕| 亚洲高清免费不卡视频| 成年动漫av网址| 日韩精品有码人妻一区| 成年人午夜在线观看视频| 97超碰精品成人国产| 99热网站在线观看| a级毛色黄片| 老司机影院毛片| 午夜久久久在线观看| 国产成人欧美| 交换朋友夫妻互换小说| 免费观看无遮挡的男女| 免费人成在线观看视频色| 国产一区二区三区av在线| 9191精品国产免费久久| 国产伦理片在线播放av一区| 日韩大片免费观看网站| 一级黄片播放器| 插逼视频在线观看| av天堂久久9| av黄色大香蕉| freevideosex欧美| 人妻人人澡人人爽人人| 午夜视频国产福利| 亚洲综合色惰| 热re99久久精品国产66热6| 全区人妻精品视频| 久久久久久久精品精品| 久久国产精品男人的天堂亚洲 | 青青草视频在线视频观看| 在线观看一区二区三区激情| 五月伊人婷婷丁香| 在线 av 中文字幕| 国产白丝娇喘喷水9色精品| av又黄又爽大尺度在线免费看| 国产成人欧美| 成人毛片a级毛片在线播放| 好男人视频免费观看在线| av视频免费观看在线观看| 少妇人妻 视频| 亚洲人与动物交配视频| 大香蕉久久网| av一本久久久久| 乱码一卡2卡4卡精品| 欧美精品一区二区免费开放| 18禁在线无遮挡免费观看视频| 国产成人午夜福利电影在线观看| 亚洲综合色惰| 久久精品久久久久久久性| 免费女性裸体啪啪无遮挡网站| xxxhd国产人妻xxx| 亚洲欧美色中文字幕在线| 少妇被粗大猛烈的视频| 最近的中文字幕免费完整| 欧美日韩综合久久久久久| 久久青草综合色| 在线观看免费视频网站a站| 亚洲美女视频黄频| 久久久久国产精品人妻一区二区| 欧美最新免费一区二区三区| 国产高清国产精品国产三级| 亚洲欧洲精品一区二区精品久久久 | 成人国产麻豆网| 9热在线视频观看99| 99精国产麻豆久久婷婷| 午夜免费鲁丝| 成年女人在线观看亚洲视频| 亚洲欧洲国产日韩| 国产日韩欧美视频二区| 成人毛片60女人毛片免费| 毛片一级片免费看久久久久| 欧美+日韩+精品| 少妇人妻久久综合中文| 久热久热在线精品观看| 午夜日本视频在线| 热99国产精品久久久久久7| 国产一区二区激情短视频 | 亚洲精华国产精华液的使用体验| 黑人高潮一二区| 国产深夜福利视频在线观看| 男人操女人黄网站| 国产精品国产三级国产专区5o| 国产成人精品无人区| 亚洲精品国产av成人精品| 九草在线视频观看| av天堂久久9| 精品视频人人做人人爽| 亚洲国产精品专区欧美| 青春草国产在线视频| 人成视频在线观看免费观看| 国产免费一区二区三区四区乱码| 国产在线视频一区二区| 夫妻午夜视频| 一个人免费看片子| 成人国产麻豆网| 久久99热6这里只有精品| 国产成人精品久久久久久| 久久午夜福利片| 久久久久久久久久成人| 黑人高潮一二区| av黄色大香蕉| 久久精品久久久久久噜噜老黄| 久久久久精品性色| 色网站视频免费| 国产精品久久久久久av不卡| 免费看光身美女| 欧美另类一区| 午夜免费观看性视频| 日韩制服骚丝袜av| 亚洲国产欧美日韩在线播放| 免费高清在线观看视频在线观看| 亚洲国产色片| 肉色欧美久久久久久久蜜桃| 日韩欧美精品免费久久| 久久亚洲国产成人精品v| 777米奇影视久久| 国产日韩欧美亚洲二区| 国产麻豆69| 丝袜在线中文字幕| 最新的欧美精品一区二区| 亚洲精品国产av成人精品| 黄色一级大片看看| 丰满迷人的少妇在线观看| 国产又色又爽无遮挡免| 九色成人免费人妻av| 久热久热在线精品观看| 18在线观看网站| 欧美xxxx性猛交bbbb| 最近最新中文字幕大全免费视频 | 观看av在线不卡| 免费黄色在线免费观看| 国产免费福利视频在线观看| 中国国产av一级| 亚洲图色成人| 肉色欧美久久久久久久蜜桃| 国产高清国产精品国产三级| 老女人水多毛片| 亚洲欧美成人综合另类久久久| 国产精品久久久久久久久免| 18在线观看网站| 国产精品99久久99久久久不卡 | 一本大道久久a久久精品| 人人妻人人澡人人爽人人夜夜| 国产成人免费无遮挡视频| 亚洲精品美女久久av网站| 欧美国产精品一级二级三级| 男人添女人高潮全过程视频| 七月丁香在线播放| 亚洲美女搞黄在线观看| 久久精品国产自在天天线| 女的被弄到高潮叫床怎么办| 久久99蜜桃精品久久| 99热6这里只有精品| 母亲3免费完整高清在线观看 | 少妇的丰满在线观看| 一个人免费看片子| 色吧在线观看| 午夜福利视频在线观看免费| 国产黄频视频在线观看| 韩国高清视频一区二区三区| av播播在线观看一区| 麻豆精品久久久久久蜜桃| 亚洲一区二区三区欧美精品| 天堂俺去俺来也www色官网| 成人手机av| 亚洲成人一二三区av| 黄片无遮挡物在线观看| 久久人人爽人人片av| 日本av免费视频播放| 婷婷色av中文字幕| 欧美bdsm另类| 欧美成人午夜免费资源| 日韩不卡一区二区三区视频在线| 丝袜在线中文字幕| 99热国产这里只有精品6| 中文字幕亚洲精品专区| 免费播放大片免费观看视频在线观看| 久久久久久人妻| 亚洲国产av新网站| 新久久久久国产一级毛片| 色婷婷av一区二区三区视频| 老女人水多毛片| 亚洲精品色激情综合| 国产色婷婷99| 夫妻午夜视频| 日韩成人伦理影院| 欧美性感艳星| 国产欧美亚洲国产| 嫩草影院入口| 国产av精品麻豆| 免费日韩欧美在线观看| 永久免费av网站大全| 在线免费观看不下载黄p国产| 日韩av不卡免费在线播放| 久久精品久久久久久久性| 制服诱惑二区| 熟妇人妻不卡中文字幕| 十分钟在线观看高清视频www| 国产成人精品一,二区| 又粗又硬又长又爽又黄的视频| 成年动漫av网址| 国产国拍精品亚洲av在线观看| 一区二区日韩欧美中文字幕 | 国产片特级美女逼逼视频| 亚洲精品视频女| 啦啦啦啦在线视频资源| 99热国产这里只有精品6| 国产亚洲精品第一综合不卡 |