• <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 ?

    圖松弛優(yōu)化聚類的快速近似提升方法*

    2018-04-08 00:49:16王士同
    計(jì)算機(jī)與生活 2018年4期
    關(guān)鍵詞:代表聚類精度

    謝 磊,王士同

    江南大學(xué) 數(shù)字媒體學(xué)院,江蘇 無錫 214122

    1 引言

    聚類是數(shù)據(jù)挖掘、統(tǒng)計(jì)機(jī)器學(xué)習(xí)和科學(xué)發(fā)現(xiàn)的首要問題。在過去幾十年中,已經(jīng)開發(fā)了各種各樣的方法來解決聚類問題[1-4]。例如在完成一些圖像分割任務(wù)時(shí),其中的數(shù)據(jù)聚類問題便是通過高階相關(guān)聚類[5]來解決。作為解決NP-hard組合優(yōu)化問題的替代方案,半定規(guī)劃松弛被提出?;诎攵ㄒ?guī)劃松弛的方法相比于光譜/特征向量方法具有一定優(yōu)勢(shì)[6-7],因?yàn)樵摲椒ǖ母郊蛹s束迫使優(yōu)化過程找到效果更好的解決方案。然而,這一約束也帶來了很大的負(fù)面效果:迭代終止標(biāo)準(zhǔn)對(duì)聚類結(jié)果有顯著影響。與之相比,基于圖松弛優(yōu)化聚類(graph-based relaxed clustering,GRC)[8]算法表現(xiàn)出很好效果。通過歸一化剪切改進(jìn)[6]中引入的歸一化目標(biāo),簡化了計(jì)算,使得聚類任務(wù)可以作為二次規(guī)劃解決。聚類效果在處理復(fù)雜的集群時(shí)有所改善,且實(shí)現(xiàn)也非常簡單。

    雖然GRC算法有許多優(yōu)點(diǎn),但其并不能和經(jīng)典算法相媲美,例如層次聚類以及k-means算法,它們都在大規(guī)模數(shù)據(jù)挖掘中得到很好的應(yīng)用。原因很簡單,此算法由于計(jì)算矩陣的逆會(huì)消耗多項(xiàng)式計(jì)算時(shí)間,在計(jì)算高維大數(shù)據(jù)時(shí)會(huì)顯得非常吃力甚至不可行。

    本文主要專注于設(shè)計(jì)對(duì)GRC算法的快速近似改進(jìn)算法,即主要對(duì)GRC算法做速度提升。正如在涉及計(jì)算瓶頸的數(shù)據(jù)挖掘中的許多情況一樣,本文的目標(biāo)是找到一種有效的預(yù)處理器,減少輸入到該瓶頸的數(shù)據(jù)結(jié)構(gòu)的大?。▍⒁娢墨I(xiàn)[9-10])。此預(yù)處理步驟可以考慮許多方式,例如,可以對(duì)數(shù)據(jù)進(jìn)行多種形式的二次采樣,隨機(jī)選擇數(shù)據(jù)點(diǎn)或根據(jù)某種形式進(jìn)行分層選取。另一個(gè)選擇是用少量點(diǎn)(即“代表點(diǎn)”)替換原始數(shù)據(jù)集,目的是捕獲數(shù)據(jù)相關(guān)結(jié)構(gòu)。本文主要提供了兩個(gè)這樣的預(yù)處理方式。第一個(gè)是將k-means應(yīng)用于對(duì)初始數(shù)據(jù)的縮減步驟,第二個(gè)是使用文獻(xiàn)[11]中的隨機(jī)投影樹(random projection tree,RPTree)。實(shí)驗(yàn)顯示,通過這兩種預(yù)處理,彌補(bǔ)了GRC算法的不足,尤其在速度方面有顯著改進(jìn)。同樣,在處理一些較大規(guī)模數(shù)據(jù)時(shí)性能得到了提高。

    2 相關(guān)準(zhǔn)備

    2.1 GRC算法

    給定n個(gè)數(shù)據(jù)點(diǎn)X1,X2,…,Xn,每個(gè)Xi∈Rd。令鄰接圖G=(V,E)定義為無向圖,其中第i個(gè)頂點(diǎn)對(duì)應(yīng)于數(shù)據(jù)點(diǎn)Xi。對(duì)于每個(gè)邊緣(i,j)∈E,本文用權(quán)重aij來表示數(shù)據(jù)點(diǎn)Xi和Xj的親和度(或相似度)。并將矩陣作為鄰接矩陣。

    GRC算法的目的同樣是將數(shù)據(jù)分為多個(gè)類,使得每一數(shù)據(jù)樣本屬于且僅屬于某一類。各種聚類算法用不同的方式將這種分割問題形式化。作為解決NP-hard組合優(yōu)化問題的一個(gè)替代方案,文獻(xiàn)[12]提出了半定規(guī)劃松弛方法。同樣的,Lee等人在文獻(xiàn)[8]中提出了基于圖松弛優(yōu)化算法,需要注意的是,其中歸一化剪切(normalized cut,NC)[13]被寬限到廣義特征值系統(tǒng):

    其中e′=(1,1,…,1),L=D-A作為拉普拉斯矩陣。e的維度為數(shù)據(jù)點(diǎn)的數(shù)目,D、A分別為圖的度矩陣和鄰接矩陣。

    式(1)中的兩個(gè)約束將最優(yōu)解限制在二進(jìn)制分區(qū)上。為了克服這個(gè)短缺,Lee等人進(jìn)一步松弛式(1)得:

    其中Q=e′,ζ為常數(shù),這就是所謂的GRC算法。式(2)是它的二次規(guī)劃(quadratic programming,QP)形式。作者通過使用拉格朗日乘數(shù)法又進(jìn)一步將其簡化為如下形式:

    本文聚類問題的優(yōu)化以封閉形式求解,無需任何迭代即可找到L的特征屬性。但如果L是半正定,會(huì)出現(xiàn)一些問題,所以通過在L中的對(duì)角線項(xiàng)添加正值α來近似替代L,以此來保證L是正定的。當(dāng)然,在式(3)之前還可以根據(jù)對(duì)數(shù)據(jù)的了解做更多約束條件,增強(qiáng)對(duì)聚類的區(qū)分。通過y,可以很容易地知道有多少個(gè)聚類存在,直觀地區(qū)分它們。為了最后方便對(duì)比,可以對(duì)y進(jìn)行k-means運(yùn)算得到比較統(tǒng)一的聚類標(biāo)簽??梢姡珿RC算法是自適應(yīng)的(即它不需要預(yù)先設(shè)定聚類的數(shù)量)和直接的(即所有聚類的區(qū)分可以僅通過一次單一的計(jì)算完成)。但是此方法在計(jì)算矩陣的逆時(shí),消耗多項(xiàng)式時(shí)間,不難想象,隨著數(shù)據(jù)量的增多,矩陣維度的增大,時(shí)間消耗將逐漸變得不可接受。因此,在下節(jié)將給出快速近似提升方面的內(nèi)容。

    關(guān)于GRC算法具體過程詳解如下所示。需要注意的是,在σ的選值方面,不同數(shù)據(jù)集則選值不同,一般可對(duì)各維度計(jì)算標(biāo)準(zhǔn)差后求均值得出。本文方法則是在循環(huán)計(jì)算每一維度時(shí),根據(jù)所得數(shù)據(jù)實(shí)時(shí)運(yùn)算求出標(biāo)準(zhǔn)差。

    算法1基于圖松弛優(yōu)化(GRC)算法

    輸入:n個(gè)數(shù)據(jù)點(diǎn)

    輸出:輸入數(shù)據(jù)的簇標(biāo)記。

    1.計(jì)算出鄰接矩陣A:

    2.2 快速近似方法介紹

    文獻(xiàn)[17]巧妙地選擇以與其規(guī)范成比例的值對(duì)Gram矩陣的列進(jìn)行采樣的方案,從而代替均勻采樣這一步驟。因?yàn)檫@對(duì)Gram矩陣在近似誤差的約束上做出讓步,所以該方法可能需要選擇較多的列以實(shí)現(xiàn)較小的近似誤差。其誤差界限可由如下公式表示:

    其中,Gk是G秩為k的最佳近似,這形成了用于近似Gram矩陣的約束。由于來自G的數(shù)量為n的采樣列,數(shù)量級(jí)為且該算法具有級(jí)的計(jì)算復(fù)雜度。從式(4)的右側(cè)可看出,為了獲得較小的近似誤差則需要非常小的ε,這也使得將要選擇的行數(shù)變大。例如,當(dāng)使用高斯內(nèi)核時(shí)會(huì)按照O(n)的量級(jí)增長,因此預(yù)期采樣列數(shù)為O(n)。本文的快速近似方法則做了相對(duì)改進(jìn),避免像Nystro?m方法的較高內(nèi)存需求,且在處理平衡性較低的數(shù)據(jù)集時(shí),因較小聚類被遺漏所導(dǎo)致的數(shù)值穩(wěn)定性問題也得到較好解決。

    3 GRC算法的快速近似改進(jìn)

    本章將介紹對(duì)GRC算法的快速近似提升的算法框架。對(duì)于這一算法的改進(jìn),重點(diǎn)放在其建立鄰接矩陣和矩陣求逆的時(shí)間優(yōu)化上。對(duì)于此問題的解決,最為直接有效的方式便是通過縮小數(shù)據(jù)量來實(shí)現(xiàn)。文中算法主要是由預(yù)處理步驟和GRC算法步驟組成。根據(jù)GRC算法輸出的錯(cuò)誤聚類率與輸入失真之間的量化關(guān)系,便可在執(zhí)行GRC算法之前,選取合適的預(yù)處理方式,使得調(diào)用原始數(shù)據(jù)的失真最小化。本文給出兩種處理方法:第一種是基于k-means的數(shù)據(jù)預(yù)處理方式,第二種則基于RPTree。此外,這兩種方式主要具有有利的計(jì)算性質(zhì)和實(shí)現(xiàn)簡單等優(yōu)點(diǎn)。算法過程可簡單概括為圖1所示。

    3.1 k-means對(duì)GRC算法的快速提升

    矢量量化是為了在最小化失真度量的情況下,選出表示數(shù)據(jù)集的最佳代表點(diǎn)集合[22]。當(dāng)失真測量使用均方誤差時(shí),矢量量化中最常用的算法是kmeans,因其具有理論支持以及簡單等多方面的優(yōu)點(diǎn)。k-means算法采用迭代過程,在每次迭代時(shí),算法將每個(gè)數(shù)據(jù)點(diǎn)分配給最近的質(zhì)心,并重新計(jì)算聚類質(zhì)心。當(dāng)均方誤差的總和穩(wěn)定時(shí),則程序停止,以此可得到很好的聚類中心作為數(shù)據(jù)代表點(diǎn)。使用kmeans作為聚類的預(yù)處理器,選出數(shù)據(jù)代表點(diǎn)來進(jìn)行之后的GRC運(yùn)算。以此,提出了一種“基于k-means的快速近似GRC算法”(KAGRC)算法。算法過程如下所示。

    算法2KAGRC:(x1,x2,…,xn,k)

    輸入:n個(gè)數(shù)據(jù)點(diǎn)k個(gè)代表點(diǎn)。

    2017年,我國甘薯總產(chǎn)量7 057.1萬t,按照55%的加工比例和20%的產(chǎn)品原料比,當(dāng)年我國甘薯加工品產(chǎn)量約為780萬t.戴起偉等[5]估算結(jié)果顯示,當(dāng)前我國國內(nèi)甘薯加工產(chǎn)品消費(fèi)量約在500萬t以上,因此,粗略估算,我國甘薯加工品的年出口水平應(yīng)在200~280萬t之間.

    輸出:輸入數(shù)據(jù)的聚類標(biāo)簽label。

    1.將x1,x2,…,xn數(shù)據(jù)類別定義為k,進(jìn)行k-means計(jì)算。

    (1)計(jì)算得出的聚類中心為y1,y2,…,yk,將其作為k個(gè)代表點(diǎn)。

    (2)構(gòu)建一個(gè)對(duì)應(yīng)表,將每個(gè)xi與最近的聚類質(zhì)心yi相關(guān)聯(lián)。

    2.對(duì)聚類質(zhì)心y1,y2,…,yk進(jìn)行GRC算法運(yùn)算,從而得到每一yi對(duì)應(yīng)的聚類簇標(biāo)記y,于是可直觀得到聚類情況,了解聚類數(shù)目以及大體數(shù)量。

    3.通過建立的對(duì)應(yīng)表以及yi對(duì)應(yīng)的聚類簇標(biāo)記得到每一xi所對(duì)應(yīng)的聚類簇標(biāo)記label。

    在KAGRC算法中,第一步k-means的計(jì)算復(fù)雜度是O(knt),其中t表示迭代次數(shù)。第二步的復(fù)雜度不小于O(k3),第三步復(fù)雜度為O(n),則可知KAGRC的復(fù)雜度為O(k3)+O(knt)。

    3.2 RPTree對(duì)GRC算法的快速提升

    在這一方法中,則是用RPTree對(duì)k-means進(jìn)行替代,即通過隨機(jī)投影這一方式來減少失真[11]。RPTree給出了數(shù)據(jù)空間的分區(qū),分區(qū)的每個(gè)單元格中的中心點(diǎn)作為該單元格中大量數(shù)據(jù)點(diǎn)的代表點(diǎn)。RPTree是基于k維樹(k-dimensional tree,k-d樹)的,這種空間數(shù)據(jù)結(jié)構(gòu)[23]是通過每次沿著一個(gè)坐標(biāo)遞歸地分割數(shù)據(jù)空間所得到,并非沿著坐標(biāo)方向分割,其根據(jù)選擇的方向進(jìn)行隨機(jī)投影分割。當(dāng)前單元格中的所有點(diǎn)都沿隨機(jī)方向投影,然后被分割開來。雖然古典kd樹由于對(duì)軸平行分裂的限制而縮小了數(shù)據(jù)空間的維度,但RPTree在處理數(shù)據(jù)的固有維度方面更加適合,故使用RPTree作為局部失真最小化變換不失為一種不錯(cuò)的選擇。由此可見,本文的第二種算法將KAGRC算法的步驟1替換為如下的部分內(nèi)容:

    在x1,x2,…,xn上構(gòu)建一個(gè)h級(jí)隨機(jī)投影樹;將各單元格中數(shù)據(jù)點(diǎn)的質(zhì)心y1,y2,…,yk作為k個(gè)代表點(diǎn)。

    得到本文的第二種改進(jìn)算法“基于RPTree的快速近似GRC算法”(RAGRC)。

    該算法的時(shí)間消耗主要是RPTree在進(jìn)行數(shù)據(jù)預(yù)處理時(shí)的建樹部分以及GRC部分,算法的復(fù)雜度為O(k3)+O(hn),其中O(hn)是建立h級(jí)隨機(jī)投影樹所需的復(fù)雜度。

    至此,以上內(nèi)容即為本文算法的主要內(nèi)容,首先通過k-means或者RPTree對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理,再通過GRC算法對(duì)預(yù)處理所得的代表點(diǎn)進(jìn)行聚類,之后再映射到各點(diǎn),從而得到數(shù)據(jù)標(biāo)簽的快速近似提升方法。

    4 實(shí)驗(yàn)分析

    實(shí)驗(yàn)中,主要使用兩個(gè)量來評(píng)估聚類性能:運(yùn)行時(shí)間,以及通過每個(gè)數(shù)據(jù)集的真實(shí)簇標(biāo)記和算法所得簇標(biāo)記計(jì)算出的聚類精度。運(yùn)行時(shí)間即對(duì)某一數(shù)據(jù)集運(yùn)行一次聚類算法所用時(shí)間(在此使用計(jì)算機(jī)時(shí)間)。則在同樣數(shù)據(jù)集及環(huán)境的情況下,耗時(shí)越短且聚類精度越高表明算法性能越好。聚類精度的計(jì)算方法很多,本文采用較為通俗的做法,這里需要搜索類的排列,則可令表示類情況,和分別表示數(shù)據(jù)點(diǎn)的真實(shí)簇標(biāo)記和采用聚類算法后所得簇標(biāo)記??捎霉綄⒕垲惥圈露x為:

    其中,Ι表示指標(biāo)函數(shù);Πz是z上的所有置換集合??紤]到當(dāng)聚類數(shù)量較多時(shí),式(5)在計(jì)算方面受到限制,在這種情況下,從集合Πz中采樣,逐一計(jì)算后取出最佳結(jié)果使之作為β的最終估計(jì)值。在實(shí)驗(yàn)中,如果k<8,窮舉Πz,否則就從中取10 000個(gè)樣例。

    4.1 實(shí)驗(yàn)平臺(tái)及數(shù)據(jù)集

    本文實(shí)驗(yàn)中,所有實(shí)驗(yàn)均使用單一機(jī)器作為實(shí)驗(yàn)平臺(tái),同時(shí)保證CPU在進(jìn)行運(yùn)算時(shí),嚴(yán)格控制其他程序?qū)ζ滟Y源的消耗。實(shí)驗(yàn)平臺(tái)的詳細(xì)信息如表1所示。本文共9個(gè)實(shí)驗(yàn)數(shù)據(jù)集,分別為5個(gè)人造平面數(shù)據(jù)集DS1、DS2、DS3、DS4、DS5以及4個(gè)選自UCI(http://archive.ics.uci.edu/ml/datasets.html)的復(fù)雜數(shù)據(jù)集 mGamma、musk、sensorreadings和 PokerHand。數(shù)據(jù)集的具體信息如表2所示。需要說明的是,PokerHand數(shù)據(jù)集由10個(gè)類別組成,共有100萬個(gè)實(shí)例。然而,原始數(shù)據(jù)集是非常不平衡,其中有6類的總量少于總樣本的1%。本文將較小類別合并在一起,同時(shí)保持其中較大類別不變。操作之后,數(shù)據(jù)集共分為3類,分別對(duì)應(yīng)于樣本總數(shù)的50.12%,42.25%和7.63%。

    Table 1 Experimental platform表1 實(shí)驗(yàn)平臺(tái)

    Table 2 Experimental datasets表2 數(shù)據(jù)集

    4.2 速度提升實(shí)驗(yàn)

    本節(jié)將使用人造數(shù)據(jù)集DS1、DS2、DS3、DS4,DS5來進(jìn)行實(shí)驗(yàn)。需要注意的是,本節(jié)用到的5個(gè)數(shù)據(jù)集為了在時(shí)間上形成對(duì)比,都采取了較多數(shù)據(jù)點(diǎn)。此外,為了證明算法的普遍適用性,這些數(shù)據(jù)集也具有不同聚類形式,從簡單到復(fù)雜,覆蓋面較為廣泛,選取具有代表性。

    首先,圖2~圖6給出了原圖及運(yùn)行GRC算法后和KAGRC算法后的圖解。

    從圖中可以看出,相對(duì)于GRC算法,KAGRC算法對(duì)于各種圖形數(shù)據(jù)集聚類的效果都非常好。在運(yùn)行KAGRC算法時(shí),其所對(duì)應(yīng)的縮減率γ為1/8,即各數(shù)據(jù)集的代表點(diǎn)k為3 750、812、1 250、750和525,其運(yùn)行時(shí)間分別為12 s、0.8 s、1.3 s、0.7 s和0.5 s。相對(duì)于直接使用GRC的259 s、8 s、28 s、6.4 s和3 s,速度都有顯著提升。本文實(shí)驗(yàn)具體的情況如表3至表7所示。

    Fig.2 Original graph and experimental graph of DS1圖2 DS1原圖及實(shí)驗(yàn)圖

    Fig.3 Original graph and experimental graph of DS2圖3 DS2原圖及實(shí)驗(yàn)圖

    Fig.4 Original graph and experimental graph of DS3圖4 DS3原圖及實(shí)驗(yàn)圖

    Fig.5 Original graph and experimental graph of DS4圖5 DS4原圖及實(shí)驗(yàn)圖

    Fig.6 Original graph and experimental graph of DS5圖6 DS5原圖及實(shí)驗(yàn)圖

    Table 3 Experimental results on dataset DS1表3 數(shù)據(jù)集DS1的實(shí)驗(yàn)結(jié)果

    Table 4 Experimental results on dataset DS2表4 數(shù)據(jù)集DS2的實(shí)驗(yàn)結(jié)果

    Table 5 Experimental results on dataset DS3表5 數(shù)據(jù)集DS3的實(shí)驗(yàn)結(jié)果

    表中,γ為縮減率,k為代表點(diǎn)數(shù)。對(duì)DS1、DS3等數(shù)據(jù)樣本量大于10 000的數(shù)據(jù)集分別進(jìn)行KAGRC和RAGRC算法實(shí)驗(yàn)。需要注意的是,在隨機(jī)投影樹建樹選取代表點(diǎn)時(shí),不能做到和KAGRC算法中所選代表點(diǎn)數(shù)目完全相同。因此,RAGRC算法在代表點(diǎn)選取時(shí)選擇與KAGRC算法代表點(diǎn)相近數(shù)量。在實(shí)驗(yàn)中,由于選點(diǎn)時(shí)存在隨機(jī)的情況,則會(huì)造成每次實(shí)驗(yàn)結(jié)果出現(xiàn)小范圍內(nèi)波動(dòng)。為此,實(shí)驗(yàn)數(shù)據(jù)則選取均值作為數(shù)據(jù)結(jié)果,以上每組實(shí)驗(yàn)所記錄數(shù)據(jù)都是在運(yùn)行數(shù)十次之后計(jì)算均值得到。從實(shí)驗(yàn)數(shù)據(jù)可以明顯看出,同預(yù)想一樣,本文提出的KAGRC算法及RAGRC算法同GRC算法相比較,在準(zhǔn)確率幾乎不變的情況下,速度明顯提高。當(dāng)然,隨著縮減率γ逐漸地減小,其代表點(diǎn)隨之增多,算法在時(shí)間消耗上也會(huì)相應(yīng)增加。從以上實(shí)驗(yàn)來看,本文算法在保證精度情況下,速度有了非常大的提升,完全達(dá)到期望值。

    下面的內(nèi)容主要針對(duì)來自UCI的3個(gè)真實(shí)數(shù)據(jù)集mGamma、sensorreadings及musk進(jìn)行實(shí)驗(yàn)。對(duì)于sensorreadings數(shù)據(jù)集,本文選取其中24維度的數(shù)據(jù)樣本進(jìn)行實(shí)驗(yàn),并對(duì)其字符進(jìn)行數(shù)字化地處理。實(shí)驗(yàn)中也都對(duì)GRC以及k-means算法進(jìn)行詳細(xì)的比較。詳細(xì)的實(shí)驗(yàn)結(jié)果在表8~表10中分別給出。

    Table 6 Experimental results on dataset DS4表6 數(shù)據(jù)集DS4的實(shí)驗(yàn)結(jié)果

    Table 7 Experimental results on dataset DS5表7 數(shù)據(jù)集DS5的實(shí)驗(yàn)結(jié)果

    Table 8 Experimental results on dataset mGamma表8 數(shù)據(jù)集mGamma的實(shí)驗(yàn)結(jié)果

    從表中數(shù)據(jù)可看出,本文算法對(duì)于真實(shí)數(shù)據(jù)集,相對(duì)于GRC算法在速度上顯著改善。對(duì)于不同的縮減率,耗時(shí)方面會(huì)隨著代表點(diǎn)增加而增加,但速度也都遠(yuǎn)快于GRC。相對(duì)于k-means算法,KAGRC在精度方面同樣表現(xiàn)得非常優(yōu)秀。

    musk數(shù)據(jù)集的維度為166維,相比于文中的其他數(shù)據(jù)集,在維度上有所提升。接下來的實(shí)驗(yàn)中,為了進(jìn)一步展現(xiàn)本文算法的優(yōu)秀性能,在musk數(shù)據(jù)集分別對(duì)KAGRC、RAGRC以及GRC、k-means等算法的運(yùn)行結(jié)果進(jìn)行比較。詳細(xì)的實(shí)驗(yàn)情況如表10所示。

    Table 9 Experimental results on dataset sensorreadings表9 數(shù)據(jù)集sensorreadings的實(shí)驗(yàn)結(jié)果

    Table 10 Experimental results on dataset musk表10 數(shù)據(jù)集musk的實(shí)驗(yàn)結(jié)果

    從表10的實(shí)驗(yàn)結(jié)果不難看出,KAGRC和RAGRC算法在精度方面已經(jīng)遠(yuǎn)遠(yuǎn)甩開k-means算法。也可注意到,兩種算法在縮減率γ減小,即代表點(diǎn)k的數(shù)量增大時(shí),其準(zhǔn)確率也同樣是穩(wěn)步提升??梢悦黠@看到,在KAGRC算法中,當(dāng)縮減率γ為2時(shí),其對(duì)應(yīng)的精度已經(jīng)同GRC精度完全相同。同樣,在RAGRC算法中,當(dāng)代表點(diǎn)k為2 048時(shí),其精度也和GRC精度非常相近。反觀時(shí)間消耗,KAGRC以及RAGRC算法無論縮減率及代表點(diǎn)如何取值,都遠(yuǎn)小于GRC算法。同樣,隨著縮減率γ減小,或者代表點(diǎn)k的數(shù)量增大時(shí),算法的消耗時(shí)間也在合理地隨之增加。同之前實(shí)驗(yàn)相同,本節(jié)實(shí)驗(yàn)所得數(shù)據(jù)結(jié)果也是多組實(shí)驗(yàn)后取均值得到。

    4.3 百萬級(jí)數(shù)據(jù)可行性實(shí)驗(yàn)

    本節(jié)將對(duì)百萬量級(jí)的PokerHand數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)分析,以說明本文算法對(duì)百萬量級(jí)數(shù)據(jù)操作的可行性。由于數(shù)據(jù)集樣本量過大,受實(shí)驗(yàn)環(huán)境的限制,無法在同等條件下進(jìn)行GRC運(yùn)算作為實(shí)驗(yàn)的對(duì)比選項(xiàng),但是可以用其他方式來提供一個(gè)粗略的上限。在此,可將聚類問題作為一個(gè)分類問題去看待,并且選取最先進(jìn)的分類算法,即隨機(jī)森林(random forest,RF)算法[24],以此算法所得結(jié)果來作為對(duì)比的取值。對(duì)于RF算法,選取其訓(xùn)練數(shù)據(jù)集的大小為25 010,測試數(shù)據(jù)集大小為1 000 000。同樣,在實(shí)驗(yàn)中也用k-means算法同本文算法進(jìn)行對(duì)比,其中需適量增加k-means的迭代次數(shù),以便運(yùn)行時(shí)間與文中算法的運(yùn)行時(shí)間相同,從而保證遵循實(shí)驗(yàn)對(duì)比的單一變量原則。表11是詳細(xì)的實(shí)驗(yàn)結(jié)果。

    Table 11 Experimental results on dataset PokerHand表11 數(shù)據(jù)集PokerHand的實(shí)驗(yàn)結(jié)果

    實(shí)驗(yàn)表明,k-means算法在增加迭代次數(shù)后并沒有顯著提高準(zhǔn)確率。同時(shí),結(jié)果顯示,算法KAGRC和RAGRC中的數(shù)據(jù)減少并沒有嚴(yán)重降低聚類的精度,且在幾分鐘內(nèi)完成算法計(jì)算。另一方面,相對(duì)而言,KAGRC算法一定程度上稍優(yōu)于RAGRC算法。

    5 結(jié)束語

    本文提出了兩種對(duì)基于圖松弛優(yōu)化聚類的快速近似優(yōu)化方法。文中算法利用k-means和RPTree首先對(duì)數(shù)據(jù)點(diǎn)進(jìn)行預(yù)分組,并產(chǎn)生一組用于GRC算法的代表點(diǎn)。在實(shí)驗(yàn)階段,對(duì)多種樣本量、維度以及類別數(shù)數(shù)據(jù)集的實(shí)驗(yàn)表明,本文算法可以在聚類精度上下小范圍浮動(dòng)的情況下使GRC算法在速度上得到大幅提升。值得注意的是,本文近似算法能夠使單個(gè)機(jī)器為大型數(shù)據(jù)集運(yùn)行GRC算法。

    [1]Dong Qi,Wang Shitong.Improved latent sub-space clustering algorithm and its incremental version[J].Journal of Frontiers of Computer Science and Technology,2017,11(5):802-813.

    [2]Gold S,RangarajanA,Mjolsness E.Learning with preknowledge:clustering with point and graph matching distance measures[J].Neural Computation,1996,8(4):787-804.

    [3]Li Tao,Wang Shitong.Incremental fuzzy(c+p)-means clustering for large data[J].CAAI Transactions on Intelligent Systems,2016,11(2):188-199.

    [4]Cheng Yang,Wang Shitong.A multiple alternative clusterings mining algorithm using locality preserving projections[J].CAAI Transactions on Intelligent Systems,2016,11(5):600-607.

    [5]Kim S,Nowozin S,Kohli P,et al.Higher-order correlation clustering for image segmentation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2011,36(36):1761-1774.

    [6]Sáez A,Serrano C,Acha B.Normalized cut optimization based on color perception findings:a comparative study[J].Machine Vision&Applications,2014,25(7):1813-1823.

    [7]Sookhanaphibarn K,Thawonmas R.Exhibition-area segmentation using eigenvectors[J].International Journal of Digital Content Technology&ItsApplications,2013,7(2):533-540.

    [8]Lee C H,Ane O R,Park H H,et al.Clustering high dimensional data:a graph-based relaxed optimization approach[J].Information Sciences,2008,178(23):4501-4511.

    [9]Madigan D,Raghavan N,Dumouchel W,et al.Likelihoodbased data squashing:a modeling approach to instance construction[J].Data Mining and Knowledge Discovery,2002,6(2):173-190.

    [10]Mitra P,Murthy C A,Pal S K.Density-based multiscale data condensation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(6):734-747.

    [11]Dasgupta S,Freund Y.Random projection trees and low dimensional manifolds[C]//Proceedings of the 40th Annual ACM Symposium on Theory of Computing,Victoria,May 17-20,2008.New York:ACM,2008:537-546.

    [12]Keuchel J.Image partitioning based on semidefinite programming[D].Mannheim:University of Mannheim,2004.

    [13]Shi J,Malik J.Normalized cuts and image segmentation[J].IEEE Transactions on Pattern Analysis and Machine Intelli-gence,2000,22(8):888-905.

    [14]Deveci M,Kaya K,U?ar B,et al.Hypergraph partitioning for multiple communication cost metrics:model and methods[J].Journal of Parallel&Distributed Computing,2015,77:69-83.

    [15]Karypis G,Kumar V.A fast and high quality multilevel scheme for partitioning irregular graphs[J].SIAM Journal on Scientific Computing,2006,20(1):359-392.

    [16]Bādoiu M,Har-Peled S,Indyk P.Approximate clustering via core-sets[C]//Proceedings of the 34th Annual ACM Symposium on Theory of Computing,Montréal,May 19-21,2002.New York:ACM,2002:250-257.

    [17]Drineas P,Mahoney M W.On the Nystr?m method for approximating a gram matrix for improved kernel-based learning[J].Journal of Machine Learning Research,2005,6:2153-2175.

    [18]Williams C K I,Seeger M.Using the Nystr?m method to speed up kernel machines[C]//Proceedings of the Neural Information Processing Systems,Denver.Cambridge:MIT Press,2001:682-688.

    [19]Fine S,Scheinberg K.Efficient SVM training using low-rank kernel representations[J].Journal of Machine Learning Research,2002,2(2):243-264.

    [20]Hao P,Wang L,Niu Z.Comparison of hybrid classifiers for crop classification using normalized difference vegetation index time series:a case study for major crops in North Xinjiang,China[J].PLOS One,2015,10(9):e0137748.

    [21]Fowlkes C C,Belongie S J,Chung F R K,et al.Spectral grouping using the Nystr?m method[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2004,26(2):214-225.

    [22]Gray R M,Neuhoff D L.Quantization[J].IEEE Transactions on Information Theory,1998,44(6):2325-2383.

    [23]Buaba R,HomaifarA,Kihn E.Optimal load factor for approximate nearest neighbor search under exact Euclidean locality sensitive hashing[J].International Journal of Computer Applications,2013,69(21):22-31.

    [24]Breiman L.Random forest[J].Machine Learning,2001,45(1):5-32.

    附中文參考文獻(xiàn):

    [1]董琪,王士同.隱子空間聚類算法的改進(jìn)及其增量式算法[J].計(jì)算機(jī)科學(xué)與探索,2017,11(5):802-813.

    [3]李滔,王士同.適合大規(guī)模數(shù)據(jù)集的增量式模糊聚類算法[J].智能系統(tǒng)學(xué)報(bào),2016,11(2):188-199.

    [4]程旸,王士同.基于局部保留投影的多可選聚類發(fā)掘算法[J].智能系統(tǒng)學(xué)報(bào),2016,11(5):600-607.

    猜你喜歡
    代表聚類精度
    詮釋代表初心 踐行人大使命
    四季的代表
    “代表通道”新觀察
    這個(gè)代表咋這么拗
    基于DSPIC33F微處理器的采集精度的提高
    電子制作(2018年11期)2018-08-04 03:25:38
    基于DBSACN聚類算法的XML文檔聚類
    電子測試(2017年15期)2017-12-18 07:19:27
    GPS/GLONASS/BDS組合PPP精度分析
    基于改進(jìn)的遺傳算法的模糊聚類算法
    一種層次初始的聚類個(gè)數(shù)自適應(yīng)的聚類方法研究
    改進(jìn)的Goldschmidt雙精度浮點(diǎn)除法器
    亚洲综合色惰| av中文乱码字幕在线| 日韩高清综合在线| av在线天堂中文字幕| 欧美bdsm另类| 成人国产麻豆网| 色噜噜av男人的天堂激情| 久久精品国产亚洲av香蕉五月| av天堂在线播放| 此物有八面人人有两片| 在线观看一区二区三区| 97在线视频观看| 久久久久久久久久黄片| 国产一区二区三区在线臀色熟女| 九九久久精品国产亚洲av麻豆| 亚洲成人中文字幕在线播放| 成人亚洲欧美一区二区av| 国产黄片美女视频| 欧美激情国产日韩精品一区| 欧美+日韩+精品| 国产毛片a区久久久久| 老熟妇乱子伦视频在线观看| 成人av一区二区三区在线看| 午夜影院日韩av| 久久精品久久久久久噜噜老黄 | 国产国拍精品亚洲av在线观看| 亚洲18禁久久av| 哪里可以看免费的av片| 欧美一区二区国产精品久久精品| 99在线人妻在线中文字幕| 偷拍熟女少妇极品色| 深爱激情五月婷婷| 亚洲av一区综合| 91久久精品国产一区二区成人| 亚洲av第一区精品v没综合| 午夜爱爱视频在线播放| 一级黄片播放器| 成年女人毛片免费观看观看9| 男人的好看免费观看在线视频| videossex国产| 欧美成人a在线观看| 国产一区亚洲一区在线观看| or卡值多少钱| 91久久精品国产一区二区成人| 亚洲欧美清纯卡通| 99久久精品国产国产毛片| 狂野欧美白嫩少妇大欣赏| 色av中文字幕| 欧美成人免费av一区二区三区| 97热精品久久久久久| 日韩亚洲欧美综合| 免费观看的影片在线观看| 人妻少妇偷人精品九色| 在线看三级毛片| 超碰av人人做人人爽久久| 国国产精品蜜臀av免费| 色哟哟·www| 国产男靠女视频免费网站| 麻豆久久精品国产亚洲av| 啦啦啦韩国在线观看视频| 亚洲欧美日韩东京热| 人妻制服诱惑在线中文字幕| 12—13女人毛片做爰片一| 国产熟女欧美一区二区| 自拍偷自拍亚洲精品老妇| 亚洲美女视频黄频| 亚洲av.av天堂| АⅤ资源中文在线天堂| 九九热线精品视视频播放| 亚洲欧美日韩卡通动漫| 亚洲精品国产av成人精品 | 不卡视频在线观看欧美| 国产激情偷乱视频一区二区| 免费一级毛片在线播放高清视频| 午夜日韩欧美国产| 亚洲成av人片在线播放无| 尾随美女入室| av福利片在线观看| 你懂的网址亚洲精品在线观看 | 99久国产av精品国产电影| 国产成人aa在线观看| 国产麻豆成人av免费视频| 免费观看的影片在线观看| 欧美色视频一区免费| 国产片特级美女逼逼视频| 欧美3d第一页| 国产v大片淫在线免费观看| 欧美3d第一页| 真实男女啪啪啪动态图| 天堂av国产一区二区熟女人妻| 国产av麻豆久久久久久久| 少妇熟女aⅴ在线视频| 精品人妻偷拍中文字幕| 波多野结衣高清无吗| 亚洲电影在线观看av| 亚洲性久久影院| 狂野欧美白嫩少妇大欣赏| 亚洲七黄色美女视频| 日本爱情动作片www.在线观看 | 亚洲最大成人中文| 两个人的视频大全免费| 91av网一区二区| 免费高清视频大片| 天美传媒精品一区二区| 两个人视频免费观看高清| 国产美女午夜福利| 亚洲天堂国产精品一区在线| 一进一出抽搐动态| 变态另类成人亚洲欧美熟女| 小说图片视频综合网站| 久久人人精品亚洲av| 国产高清视频在线观看网站| 91久久精品国产一区二区成人| 成人鲁丝片一二三区免费| 午夜日韩欧美国产| 精品一区二区三区视频在线观看免费| 五月伊人婷婷丁香| 嫩草影院精品99| 国产精品美女特级片免费视频播放器| 尾随美女入室| 真人做人爱边吃奶动态| .国产精品久久| av中文乱码字幕在线| 黑人高潮一二区| 久久久精品欧美日韩精品| 国产精华一区二区三区| 九九爱精品视频在线观看| 熟妇人妻久久中文字幕3abv| 91在线观看av| 国产伦在线观看视频一区| 精品少妇黑人巨大在线播放 | 校园人妻丝袜中文字幕| 1024手机看黄色片| 日本黄色片子视频| 亚洲天堂国产精品一区在线| 成人精品一区二区免费| 国产免费一级a男人的天堂| 久久精品夜夜夜夜夜久久蜜豆| 久久综合国产亚洲精品| 美女cb高潮喷水在线观看| 国产黄色视频一区二区在线观看 | a级毛片免费高清观看在线播放| 国产亚洲av嫩草精品影院| 99热全是精品| 日本在线视频免费播放| 日韩成人伦理影院| 在线a可以看的网站| 免费看a级黄色片| 国产蜜桃级精品一区二区三区| 亚洲无线在线观看| 日韩欧美免费精品| 日本欧美国产在线视频| 国内久久婷婷六月综合欲色啪| 国产成人freesex在线 | 嫩草影院入口| 特大巨黑吊av在线直播| 国产欧美日韩精品一区二区| 亚洲成av人片在线播放无| 波野结衣二区三区在线| 97人妻精品一区二区三区麻豆| 97超视频在线观看视频| 成人特级av手机在线观看| 天天躁日日操中文字幕| 麻豆成人午夜福利视频| 国产精品久久电影中文字幕| 看片在线看免费视频| 午夜免费男女啪啪视频观看 | 午夜久久久久精精品| ponron亚洲| 日本免费a在线| 精品久久久久久久久久久久久| 1000部很黄的大片| 18禁在线播放成人免费| 国产久久久一区二区三区| 国产精品一区二区性色av| av在线天堂中文字幕| 色尼玛亚洲综合影院| 午夜福利高清视频| 亚洲五月天丁香| 男人狂女人下面高潮的视频| 熟女电影av网| 两个人视频免费观看高清| 老女人水多毛片| 男女啪啪激烈高潮av片| 日韩欧美精品免费久久| 日本熟妇午夜| 久久久久久国产a免费观看| 99久国产av精品| 插逼视频在线观看| 91久久精品国产一区二区三区| 一卡2卡三卡四卡精品乱码亚洲| 日本-黄色视频高清免费观看| 中文字幕熟女人妻在线| 欧美一级a爱片免费观看看| 国产精品福利在线免费观看| 麻豆成人午夜福利视频| 国产精品99久久久久久久久| 十八禁网站免费在线| 久久精品国产99精品国产亚洲性色| 熟女电影av网| 欧美在线一区亚洲| 久久亚洲国产成人精品v| 精品一区二区免费观看| 91精品国产九色| 色哟哟哟哟哟哟| 精品免费久久久久久久清纯| 精品久久久久久久人妻蜜臀av| 国产不卡一卡二| 亚洲国产色片| av福利片在线观看| 亚洲av第一区精品v没综合| 亚洲在线观看片| 美女大奶头视频| 久久久色成人| 亚洲精品一卡2卡三卡4卡5卡| 有码 亚洲区| 中文字幕免费在线视频6| 久久久久久九九精品二区国产| 欧美zozozo另类| 成人欧美大片| 日韩欧美三级三区| 校园春色视频在线观看| 蜜臀久久99精品久久宅男| 成人无遮挡网站| 在线播放无遮挡| 亚洲av.av天堂| 亚洲一区高清亚洲精品| 在线观看av片永久免费下载| 国产亚洲精品久久久com| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲精品国产成人久久av| 久久久久精品国产欧美久久久| 免费看a级黄色片| 99久久精品国产国产毛片| 欧美绝顶高潮抽搐喷水| 中文字幕熟女人妻在线| 国产欧美日韩精品一区二区| 久久久久久久久久黄片| 国产精品永久免费网站| 国产一区二区在线观看日韩| a级毛色黄片| 亚洲一区二区三区色噜噜| 日日干狠狠操夜夜爽| 国产激情偷乱视频一区二区| 亚洲国产欧洲综合997久久,| 在线播放国产精品三级| 乱系列少妇在线播放| 91在线观看av| 色综合站精品国产| 最近最新中文字幕大全电影3| 日本五十路高清| 亚洲av免费高清在线观看| 国产精品国产高清国产av| 九色成人免费人妻av| 欧美国产日韩亚洲一区| 国产真实伦视频高清在线观看| 一本一本综合久久| 你懂的网址亚洲精品在线观看 | 久久久久久久午夜电影| 男女那种视频在线观看| 国产蜜桃级精品一区二区三区| 成年免费大片在线观看| 日日啪夜夜撸| 麻豆国产av国片精品| 看十八女毛片水多多多| 两个人视频免费观看高清| 波多野结衣巨乳人妻| 在线免费观看的www视频| 欧美3d第一页| 日日啪夜夜撸| 久久精品夜色国产| 亚洲成人久久性| 国产成人a∨麻豆精品| 国产亚洲精品av在线| 亚洲熟妇中文字幕五十中出| 国内久久婷婷六月综合欲色啪| 亚洲欧美日韩无卡精品| 免费在线观看成人毛片| 22中文网久久字幕| 久久久色成人| 午夜福利在线观看免费完整高清在 | 最新中文字幕久久久久| 国产v大片淫在线免费观看| 国产三级中文精品| 亚洲成人久久爱视频| 久久精品91蜜桃| 男女视频在线观看网站免费| 大香蕉久久网| 亚洲欧美日韩卡通动漫| 看免费成人av毛片| 一夜夜www| 亚洲中文日韩欧美视频| 国产一区二区在线av高清观看| 中文在线观看免费www的网站| 日本色播在线视频| 性欧美人与动物交配| 精品人妻偷拍中文字幕| 老司机影院成人| 女同久久另类99精品国产91| 欧美zozozo另类| 国产成人一区二区在线| 97在线视频观看| 成人亚洲精品av一区二区| 国产伦在线观看视频一区| 久久精品夜色国产| 成人美女网站在线观看视频| 国产毛片a区久久久久| 丰满人妻一区二区三区视频av| 成人av在线播放网站| 啦啦啦观看免费观看视频高清| 成人毛片a级毛片在线播放| 亚洲国产欧美人成| 欧美色欧美亚洲另类二区| 色5月婷婷丁香| 一a级毛片在线观看| 亚洲高清免费不卡视频| 丝袜喷水一区| 国产精品久久久久久亚洲av鲁大| 俄罗斯特黄特色一大片| 91精品国产九色| 亚洲精品一卡2卡三卡4卡5卡| 十八禁网站免费在线| 最近的中文字幕免费完整| 色5月婷婷丁香| 久久精品久久久久久噜噜老黄 | 免费无遮挡裸体视频| 长腿黑丝高跟| 成人二区视频| 欧美区成人在线视频| 女人十人毛片免费观看3o分钟| 国产精品亚洲美女久久久| 欧美一区二区国产精品久久精品| 中文字幕av在线有码专区| 免费高清视频大片| 美女被艹到高潮喷水动态| 久久久久久久久久黄片| 一夜夜www| 尾随美女入室| 午夜亚洲福利在线播放| 亚洲最大成人中文| 91久久精品国产一区二区成人| 亚洲最大成人中文| 免费人成视频x8x8入口观看| av福利片在线观看| 高清毛片免费观看视频网站| 亚洲人成网站在线播放欧美日韩| 俺也久久电影网| 国产老妇女一区| 日本a在线网址| 欧美激情国产日韩精品一区| av在线播放精品| 伊人久久精品亚洲午夜| 岛国在线免费视频观看| 成年版毛片免费区| 久久久久国内视频| 午夜福利在线观看免费完整高清在 | 18禁裸乳无遮挡免费网站照片| 欧美最新免费一区二区三区| 久久午夜福利片| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲av熟女| 日本熟妇午夜| 六月丁香七月| 九九在线视频观看精品| 成人无遮挡网站| 国产高清不卡午夜福利| 99久久精品国产国产毛片| 日本-黄色视频高清免费观看| 99久久精品国产国产毛片| 亚洲中文字幕日韩| 国产欧美日韩一区二区精品| 日韩人妻高清精品专区| 麻豆乱淫一区二区| 97人妻精品一区二区三区麻豆| 久久草成人影院| 精华霜和精华液先用哪个| 91精品国产九色| eeuss影院久久| 午夜福利成人在线免费观看| 精品一区二区免费观看| 久久久久久久亚洲中文字幕| 少妇的逼好多水| 国产探花在线观看一区二区| 十八禁网站免费在线| 久久久精品大字幕| 天堂√8在线中文| 亚洲丝袜综合中文字幕| 我要看日韩黄色一级片| 欧美激情国产日韩精品一区| 一区二区三区四区激情视频 | av在线亚洲专区| 九色成人免费人妻av| 嫩草影视91久久| 有码 亚洲区| 国产亚洲av嫩草精品影院| 如何舔出高潮| 赤兔流量卡办理| 嫩草影视91久久| 亚洲无线在线观看| 一卡2卡三卡四卡精品乱码亚洲| 免费无遮挡裸体视频| 日本 av在线| 一本久久中文字幕| 国产综合懂色| 成人三级黄色视频| 成人亚洲精品av一区二区| 欧美日韩精品成人综合77777| 久久精品国产亚洲网站| 无遮挡黄片免费观看| 成人鲁丝片一二三区免费| 免费看a级黄色片| 国产亚洲欧美98| 日本色播在线视频| 午夜福利成人在线免费观看| 国产蜜桃级精品一区二区三区| 国产在视频线在精品| 午夜a级毛片| 国产精品永久免费网站| 97超视频在线观看视频| 亚洲丝袜综合中文字幕| 国产精品日韩av在线免费观看| 看黄色毛片网站| 噜噜噜噜噜久久久久久91| 91在线观看av| 一个人免费在线观看电影| 变态另类成人亚洲欧美熟女| 一级毛片我不卡| 国产麻豆成人av免费视频| 乱码一卡2卡4卡精品| 国产伦一二天堂av在线观看| 欧美激情国产日韩精品一区| av国产免费在线观看| 午夜免费激情av| 啦啦啦韩国在线观看视频| 久久久久久九九精品二区国产| 99在线人妻在线中文字幕| 最后的刺客免费高清国语| 内地一区二区视频在线| 婷婷精品国产亚洲av| 亚洲欧美成人综合另类久久久 | 全区人妻精品视频| 国产av不卡久久| 亚洲一区高清亚洲精品| 亚洲无线观看免费| 亚洲乱码一区二区免费版| av在线天堂中文字幕| 九九爱精品视频在线观看| 看十八女毛片水多多多| 一级a爱片免费观看的视频| 性插视频无遮挡在线免费观看| 亚洲国产精品国产精品| 又粗又爽又猛毛片免费看| 91久久精品国产一区二区成人| 日韩欧美在线乱码| 综合色丁香网| 亚洲专区国产一区二区| 男人和女人高潮做爰伦理| 91久久精品电影网| 97超级碰碰碰精品色视频在线观看| 日本色播在线视频| 天堂影院成人在线观看| 变态另类丝袜制服| 国产av麻豆久久久久久久| 日韩制服骚丝袜av| videossex国产| 午夜精品国产一区二区电影 | 99在线人妻在线中文字幕| 亚洲不卡免费看| 国产高清视频在线播放一区| 精品免费久久久久久久清纯| av福利片在线观看| 国产欧美日韩一区二区精品| 人人妻人人澡欧美一区二区| 成年av动漫网址| 久久久久久久久久黄片| 中文字幕av在线有码专区| 欧美日韩乱码在线| 国产老妇女一区| 成人av在线播放网站| 国产三级在线视频| 免费黄网站久久成人精品| 亚洲av美国av| 亚洲精华国产精华液的使用体验 | 日本三级黄在线观看| 亚洲一级一片aⅴ在线观看| 黄色欧美视频在线观看| 免费不卡的大黄色大毛片视频在线观看 | 成人高潮视频无遮挡免费网站| 国产不卡一卡二| 日韩 亚洲 欧美在线| 精品福利观看| 欧美性猛交╳xxx乱大交人| 精品久久久久久成人av| 免费av不卡在线播放| 久久人人爽人人爽人人片va| 99久国产av精品| 国产成人精品久久久久久| 天美传媒精品一区二区| 亚洲av中文字字幕乱码综合| 日韩欧美一区二区三区在线观看| 中文字幕久久专区| 观看美女的网站| 成人亚洲欧美一区二区av| 一本久久中文字幕| 免费看a级黄色片| 欧美高清性xxxxhd video| 国产国拍精品亚洲av在线观看| 中国美白少妇内射xxxbb| 亚洲婷婷狠狠爱综合网| 22中文网久久字幕| 精品午夜福利视频在线观看一区| 国产精品国产三级国产av玫瑰| 亚洲中文日韩欧美视频| 丝袜美腿在线中文| 精品一区二区三区人妻视频| 女人被狂操c到高潮| 亚洲综合色惰| 人人妻人人看人人澡| 欧美在线一区亚洲| 身体一侧抽搐| 国产单亲对白刺激| 免费不卡的大黄色大毛片视频在线观看 | 日韩欧美一区二区三区在线观看| 真人做人爱边吃奶动态| 欧美zozozo另类| 国产成人精品久久久久久| 干丝袜人妻中文字幕| 我的女老师完整版在线观看| 麻豆一二三区av精品| 久久6这里有精品| 亚洲中文字幕一区二区三区有码在线看| 99热全是精品| 国产成人91sexporn| 精品久久久久久久人妻蜜臀av| 色播亚洲综合网| ponron亚洲| 色av中文字幕| 九色成人免费人妻av| 日韩,欧美,国产一区二区三区 | 天天躁日日操中文字幕| 成人毛片a级毛片在线播放| 久久草成人影院| 97超视频在线观看视频| 成人永久免费在线观看视频| 久久久久九九精品影院| 亚洲真实伦在线观看| 久久精品国产鲁丝片午夜精品| 欧美一区二区国产精品久久精品| 三级经典国产精品| 久久精品夜色国产| 一进一出好大好爽视频| 91在线观看av| 久久久久九九精品影院| 精品人妻视频免费看| 狂野欧美白嫩少妇大欣赏| 欧美日韩精品成人综合77777| 国内精品久久久久精免费| 一夜夜www| 身体一侧抽搐| 中文字幕免费在线视频6| 亚洲熟妇熟女久久| 日韩精品中文字幕看吧| 国产精品一区www在线观看| 在线观看一区二区三区| 国产伦精品一区二区三区四那| av卡一久久| 久久精品人妻少妇| 国产精品永久免费网站| 噜噜噜噜噜久久久久久91| 波野结衣二区三区在线| 日本欧美国产在线视频| 亚洲精品成人久久久久久| 国产探花在线观看一区二区| 男女视频在线观看网站免费| 91午夜精品亚洲一区二区三区| 精品人妻一区二区三区麻豆 | 国产探花在线观看一区二区| 久久韩国三级中文字幕| 久久精品人妻少妇| 一本精品99久久精品77| 久久综合国产亚洲精品| 精品一区二区三区视频在线观看免费| 蜜桃亚洲精品一区二区三区| 久久精品影院6| 成年版毛片免费区| 秋霞在线观看毛片| 久久中文看片网| 亚洲欧美日韩东京热| 亚洲国产精品成人久久小说 | 成人无遮挡网站| 日本与韩国留学比较| 99热这里只有是精品50| 岛国在线免费视频观看| 天天躁夜夜躁狠狠久久av| 久久久久精品国产欧美久久久| 18禁在线播放成人免费| 日本黄色视频三级网站网址| 中出人妻视频一区二区| 国产黄a三级三级三级人| 人人妻人人澡人人爽人人夜夜 | 午夜福利高清视频| 午夜久久久久精精品| 超碰av人人做人人爽久久| 1000部很黄的大片| 国产av一区在线观看免费| 超碰av人人做人人爽久久| 一进一出抽搐gif免费好疼| 亚洲美女搞黄在线观看 | 一级黄色大片毛片| 夜夜夜夜夜久久久久| 亚洲熟妇熟女久久| 小说图片视频综合网站| 欧美3d第一页| 麻豆国产97在线/欧美| 亚洲成人av在线免费|