• <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 ?

    基于小波支持向量機(jī)特征分類的日徑流組合預(yù)測(cè)
    ----以宜昌三峽水庫(kù)為例

    2018-07-09 12:32:04黃景光程璐瑤
    中國(guó)農(nóng)村水利水電 2018年6期
    關(guān)鍵詞:分類方法模型

    黃景光,吳 巍,程璐瑤,于 楠,3,陳 波,3

    (1.三峽大學(xué)電氣與新能源學(xué)院,湖北 宜昌 443002;2. 三峽大學(xué) 梯級(jí)水電站運(yùn)行與控制湖北省重點(diǎn)實(shí)驗(yàn)室,湖北 宜昌 443002;3. 三峽大學(xué) 新能源微電網(wǎng)湖北省協(xié)同創(chuàng)新中心,湖北 宜昌 443002)

    1 研究背景

    河流徑流作為水文學(xué)一個(gè)重要的組成部分,主導(dǎo)著水文系統(tǒng)的變化,其受天文、氣象、地理等多因素影響,具有很強(qiáng)隨機(jī)性、非線性、突變性等復(fù)雜特性。而徑流預(yù)測(cè)是制定合理的水庫(kù)運(yùn)行策略的重要依據(jù),直接影響水庫(kù)防洪設(shè)施設(shè)置、發(fā)電運(yùn)行方式,通過合理的徑流預(yù)測(cè)可以大大提高工程綜合效益[1-4]。近年來,隨著計(jì)算機(jī)和數(shù)學(xué)方法的發(fā)展,以歷史徑流為基礎(chǔ)的徑流預(yù)測(cè)方法越來越多,其中ANN與SVM以及其組合方法成為目前研究熱點(diǎn)。根據(jù)水文特點(diǎn),徑流預(yù)測(cè)通常采用BP神經(jīng)網(wǎng)絡(luò)模型,僅需三層結(jié)構(gòu)就能滿足一般水文預(yù)測(cè)需求,泛化和容錯(cuò)能力強(qiáng),但收斂速度慢,容易陷入局部最優(yōu)[5-7]。由Vapnik等根據(jù)VC維理論與結(jié)構(gòu)風(fēng)險(xiǎn)最小原理提出的SVM能夠很好地解決收斂速度慢、易陷入局部最優(yōu)等缺點(diǎn),對(duì)于小樣本、高維度數(shù)據(jù)同樣有良好的處理能力[8]。

    ANN和SVM已經(jīng)應(yīng)用于多個(gè)水文預(yù)測(cè)工程[9-13],但徑流與多種自然因素具有強(qiáng)相關(guān)性,其本身非線性強(qiáng),時(shí)間空間尺度上變化復(fù)雜,利用單一數(shù)學(xué)模型預(yù)測(cè)困難,誤差較大。水文序列含有多種頻率成分,不同頻率成分對(duì)預(yù)測(cè)精度有著一定影響,小波分析能對(duì)水文序列“由粗到細(xì)”展示其變化規(guī)律,同時(shí)能夠獲得不同頻率序列。因此,利用小波分析與其他數(shù)學(xué)方法建立耦合模型為徑流預(yù)測(cè)提供了一種新途徑。黃巧玲等[14]將小波分析與支持向量機(jī)結(jié)合建立WSVR回歸模型提高了徑流預(yù)測(cè)精度。Patil S K等[15]研究了多層感知器和模糊神經(jīng)網(wǎng)絡(luò)對(duì)徑流預(yù)測(cè)精度與穩(wěn)定性的影響。紀(jì)昌明等[16]將小波分解和投影尋蹤法建立耦合模型,提高了預(yù)測(cè)精度也增加穩(wěn)定性。王秀杰等[17]將小波分解的高低頻分量用ARMA模型預(yù)測(cè),重構(gòu)后預(yù)測(cè)合格率提升至90%。

    以上文獻(xiàn)均以單一方法對(duì)徑流序列進(jìn)行預(yù)測(cè),未考慮徑流序列隨機(jī)程度對(duì)于預(yù)測(cè)方法的選擇性。本文將SVM分類器與小波分析技術(shù)組合提出一種基于徑流特征和小波高低頻能量譜分類的ARMA、ANN組合預(yù)測(cè)方法。在保證ARMA模型預(yù)測(cè)精度的前提上進(jìn)行特征分類,之后通過小波分解和SVM對(duì)預(yù)測(cè)周期內(nèi)不同類型序列采用不同預(yù)測(cè)方法預(yù)測(cè),并對(duì)重構(gòu)后的徑流預(yù)測(cè)精度進(jìn)行分析。在風(fēng)電、光伏組合預(yù)測(cè)中,該方法已被證實(shí)能夠極大地提高預(yù)測(cè)精度[18,19]。本文以2013-2017年宜昌站徑流為例,驗(yàn)證了本文預(yù)測(cè)方法的可行性和有效性。

    2 徑流組合預(yù)測(cè)模型原理

    河川徑流受極端天氣、氣候變暖、水利工程等影響,在一個(gè)水文年中汛期徑流有明顯增長(zhǎng)趨勢(shì),使徑流曲線呈強(qiáng)非線性,在非汛期變化平緩,在一些研究中通常對(duì)汛期和非汛期采用不同方法預(yù)測(cè)[14],但這樣通常忽略了汛期中“平穩(wěn)型”徑流和非汛期的“突變型”徑流(主要受極端天氣影響[2]),為此需對(duì)徑流序列進(jìn)行自適應(yīng)分類,避免誤分類情況發(fā)生。

    在多數(shù)研究中,對(duì)于短時(shí)間變化較大的序列常常利用ANN進(jìn)行預(yù)測(cè),其容錯(cuò)效果好,預(yù)測(cè)誤差較?。悔呌谄椒€(wěn)的序列則采用ARMA模型進(jìn)行預(yù)測(cè),其較于ANN在同等的預(yù)測(cè)精度下,計(jì)算量較小。因此對(duì)于某一徑流序列,在預(yù)測(cè)期內(nèi)將序列分為“平穩(wěn)”和“突變”兩種類型,“平穩(wěn)型”序列使用ARMA模型預(yù)測(cè),“突變型”序列使用ANN預(yù)測(cè)[20],具體分類方法見3.2節(jié)。本文則通過小波分解與SVM建立組合分類器來完成這一過程。

    基于以上原理設(shè)計(jì)的組合預(yù)測(cè)模型,其工作步驟如圖1所示。首先,通過3.1節(jié)方法對(duì)原始徑流序列提取高頻系數(shù)能量譜,通過3.2節(jié)方法確定序列特征類型,再將兩者作為樣本標(biāo)記和特征信息輸入至SVM分類器中來預(yù)測(cè)預(yù)測(cè)期內(nèi)序列的特征類型,實(shí)際中,預(yù)測(cè)期內(nèi)的徑流序列類型未知,但是可以通過歷史徑流數(shù)據(jù)對(duì)下一時(shí)段的序列類型進(jìn)行預(yù)測(cè),SVM具有根據(jù)原特征信息對(duì)未來特征預(yù)測(cè)的能力,其分類預(yù)測(cè)方法具體見3.3節(jié)。

    圖1 組合預(yù)測(cè)流程Fig.1 Combination forecasting process

    本文分別選取汛期與非汛期徑流進(jìn)行預(yù)測(cè)效果對(duì)比,將原始徑流前95%作為訓(xùn)練集,后5%作為預(yù)測(cè)集,前95%的序列進(jìn)行小波分解得到小波系數(shù)的能量譜,之后將能量譜輸入至SVM分類器預(yù)測(cè)后5%的徑流曲線類型,最后根據(jù)預(yù)測(cè)期內(nèi)序列類型的不同選用對(duì)應(yīng)的預(yù)測(cè)方法預(yù)測(cè)。

    3 研究方法

    3.1 徑流序列小波變換分解

    對(duì)于f(x)滿足f(x)∈L2(R),L2(R)為R平方上可積函數(shù)構(gòu)成的函數(shù)空間,Ψ(t)為一個(gè)基小波或母小波,連續(xù)小波變換為:

    (1)

    對(duì)于離散信號(hào)f(nΔt),WΨf(a,b)變換形式為:

    (2)

    式中:Δt為采樣時(shí)間間隔;n為樣本序列,n=1,2,…,N;N為樣本容量。

    在實(shí)際工程中,一般采用離散的時(shí)間序列,對(duì)于任意原始序列,可以使用Mallet算法進(jìn)行分解。Mallet算法是一種快速小波方法,分為分解和重構(gòu)兩類算法。

    Mallet快速分解算法為:

    (3)

    Mallet重構(gòu)算法為:

    cj=Hcj+1+Gdj+1j=J-1,J-2,…,0

    (4)

    式中:H、G分別為高低通濾波器;J為尺度數(shù)。

    通過式(3)可以將一原始序列分解為aJ和d1,d2,…,dJ,aJ為原始信號(hào)的近似部分,dJ為原始信號(hào)的細(xì)節(jié)部分。

    本文利用Mallet算法采用正交不對(duì)稱db4小波包函數(shù)對(duì)徑流序列進(jìn)行2層分解來獲取其近似和細(xì)節(jié)信號(hào)。分解尺度雖對(duì)預(yù)測(cè)結(jié)果影響不大,但尺度過大或過小會(huì)導(dǎo)致數(shù)據(jù)提取不完整,影響模型性能,因此分解尺度需在預(yù)測(cè)時(shí)進(jìn)行測(cè)試再逐一比較進(jìn)行選取?,F(xiàn)以長(zhǎng)江宜昌站2016年實(shí)測(cè)日徑流作為樣本進(jìn)行分析。

    圖2為徑流序列經(jīng)小波分解后的能量譜圖,從圖2可以看出在中間時(shí)段徑流序列變化頻率和幅度較大,序列產(chǎn)生“突變”,對(duì)應(yīng)時(shí)段的高頻信號(hào)能量譜有著明顯的陡增現(xiàn)象,該現(xiàn)象能夠很好地反映徑流的變化情況。因此,本文將徑流序列的能量譜作為SVM分類器的訓(xùn)練樣本特征以及訓(xùn)練完成后的輸入變量。

    圖2 徑流序列及小波分解能量譜Fig.2 Runoff series and wavelet decomposition energy spectrum

    3.2 徑流序列特征分類

    徑流序列可以依據(jù)在一段時(shí)間內(nèi),其突變陡度(即導(dǎo)函數(shù))是否存在過零點(diǎn),以及斜率變化范圍進(jìn)行劃分。若在這段時(shí)間內(nèi),曲線導(dǎo)函數(shù)不存在過零點(diǎn),或斜率變換范圍不大,則認(rèn)為這段時(shí)間徑流序列屬于“平穩(wěn)”型,反之則屬于“突變”型。徑流特征分類的判決條件如下:

    (5)

    式中:sgn為符號(hào)函數(shù);sgn(smax)、sgn(smin)分別為徑流曲線導(dǎo)函數(shù)最大最小值;K為曲線類型,K=1,則曲線類型為“平穩(wěn)型”,此段曲線采用ARMA模型進(jìn)行預(yù)測(cè),K=0,則為“突變型”,采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。d1、d2作為曲線類型的判別參數(shù),其物理意義為徑流序列變化程度與周圍環(huán)境對(duì)應(yīng)關(guān)系。

    同時(shí),d1、d2應(yīng)滿足ARMA在預(yù)測(cè)過程中平均誤差εave盡量小于20%,即:

    (6)

    式中:εave為ARMA平均預(yù)測(cè)誤差;εi、Ki分別為第i個(gè)預(yù)測(cè)周期的誤差和序列類型;n為本次預(yù)測(cè)總周期數(shù)。

    對(duì)于式(6)采用遺傳算法求解,其適應(yīng)度函數(shù)為:

    (7)

    該特征類型作為SVM訓(xùn)練樣本標(biāo)記,不會(huì)因?yàn)檫z傳算法求解時(shí)長(zhǎng)而影響預(yù)測(cè)精度。對(duì)于d1、d2的數(shù)值選取,首先根據(jù)式(5)采用ARMA進(jìn)行預(yù)測(cè),對(duì)預(yù)測(cè)誤差絕對(duì)值求和后,取平均得到式(6),最后通過求解式(7),可得到d1、d2。

    3.3 SVM分類

    利用歷史徑流數(shù)據(jù)建立SVM分類器,其具體結(jié)構(gòu)如圖3所示。首先,對(duì)一年中各日徑流利用3.1節(jié)方法進(jìn)行小波分解,并將小波分解系數(shù)能量譜作為SVM分類訓(xùn)練特征;之后,采用3.2節(jié)方法對(duì)各日徑流序列進(jìn)行分類,各分類類型作為SVM訓(xùn)練樣本標(biāo)記。進(jìn)行訓(xùn)練后,即可作為本模型所需的SVM分類器。

    圖3 SVM分類器建立Fig.3 Establishment of SVM classifier

    利用2016年1-6月和9-12月徑流數(shù)據(jù)對(duì)SVM分類器進(jìn)行訓(xùn)練,為提高預(yù)測(cè)精度,需對(duì)輸入數(shù)據(jù)進(jìn)行對(duì)數(shù)化和歸一化處理。圖4為SVM分類訓(xùn)練結(jié)果。

    圖4 支持向量機(jī)分類Fig.4 Classification of support vector machine

    利用2016年7月和8月徑流數(shù)據(jù)作為測(cè)試集來驗(yàn)證SVM分類器的預(yù)測(cè)分類精度,分類號(hào)“0”和“1”分別代表“突變型”和“平穩(wěn)型”,驗(yàn)證結(jié)果見表1。從表1可知,SVM在16至19時(shí)段發(fā)生誤判,分類準(zhǔn)確度為87%以上,說明SVM分類能通過小波能量譜對(duì)一定時(shí)序內(nèi)的徑流曲線進(jìn)行較為準(zhǔn)確的分類,同時(shí)SVM分類結(jié)果將作為選取不同徑流序列類型預(yù)測(cè)方法的依據(jù)。

    表1 SVM判定分類結(jié)果Tab.1 SVM determines classification results

    4 徑流預(yù)測(cè)方法

    4.1 ARMA模型

    ARMA模型由自回歸模型(AR)和滑動(dòng)平均模型(MA)混合構(gòu)成,其一般形式為:xt-φ1xt-1-K-φpxt-p=at-θ1at-1-K-θqat-q。用Bk表示k步推移算子,即Bkxt=xt-k,Bkat=at-k,Bkc=c,c為常數(shù)。并令:

    φ(B)=1-φ1B-φ2B2-K-φpBp

    (8)

    θ(B)=1-θ1B-θ2B2-K-θpBp

    (9)

    則可簡(jiǎn)記為:φ(B)xt=θ(B)at。該模型通常以ARMA(p,q)表示,計(jì)算公式如下:

    (10)

    式中:aj和p分別為AR的系數(shù)和階數(shù);bj和q分別為MA的系數(shù)和階數(shù);εt為滯后因子。

    ARMA適用于當(dāng)前時(shí)序系統(tǒng)變化規(guī)律在未來的變化趨勢(shì)不變或變化較小的情況,在式(5)對(duì)徑流序列進(jìn)行判定,“平穩(wěn)型”徑流在某一時(shí)序內(nèi)具有單調(diào)遞增或遞減性質(zhì),且有較小的斜率變化,同時(shí)在遞增或遞減時(shí)幅度有一定變化,說明徑流具有隨機(jī)波動(dòng)性。因此,該情況適合使用ARMA進(jìn)行時(shí)序分析,其一般步驟如圖5所示。

    圖5 ARMA預(yù)測(cè)流程Fig.5 ARMA prediction process

    4.2 ANN模型

    對(duì)于式(5)判定的“突變型”徑流序列,在某一時(shí)序內(nèi)變化規(guī)律不明顯,無單調(diào)情況或斜率變化范圍較大,此時(shí)使用ARMA進(jìn)行預(yù)測(cè)誤差較大,而BP神經(jīng)網(wǎng)絡(luò)作為使用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一,其對(duì)強(qiáng)非線性數(shù)據(jù)具有高精度擬合的優(yōu)點(diǎn)[21],使用BP神經(jīng)網(wǎng)絡(luò)對(duì)“突變型”徑流序列預(yù)測(cè)效果更好。

    以3.1節(jié)方法對(duì)“突變型”徑流采用db4小波分解成近似和細(xì)節(jié)信號(hào),近似信號(hào)可看作在一定序列內(nèi)原始信號(hào)的大致變化規(guī)律,細(xì)節(jié)信號(hào)可看作對(duì)近似信號(hào)的隨機(jī)擾動(dòng)。本文通過對(duì)2層小波分解的低頻和高頻信號(hào)采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè),后對(duì)預(yù)測(cè)信號(hào)進(jìn)行小波重構(gòu)獲得時(shí)域預(yù)測(cè)徑流,會(huì)比直接對(duì)時(shí)域徑流預(yù)測(cè)精度高,其一般預(yù)測(cè)步驟如圖6所示。

    圖6 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)流程Fig.6 BP neural network prediction process

    4.3 模型效果評(píng)價(jià)

    為更明確判別本文模型預(yù)測(cè)精度和有效性,本文選用平均絕對(duì)百分比誤差(Mean Absolute Percentage Error,MAPE)、均方根誤差(Root Mean Square Error,RMSE)、希爾不等式系數(shù)(Theil Inequality Coefficient,TIC)[22,23]對(duì)模型分析,其具體公式如下:

    (11)

    (12)

    (13)

    5 算例結(jié)果分析

    考慮數(shù)據(jù)的時(shí)效性本文采用長(zhǎng)江宜昌站2013-2017年三峽入庫(kù)徑流作為研究數(shù)據(jù)(2017年數(shù)據(jù)為1-11月),其中2016年6、7月和2017年10、11月徑流作為預(yù)測(cè)數(shù)據(jù),以對(duì)比豐枯水期預(yù)測(cè)差異。通過Matlab 2014a與Libsvm-3.22工具箱來實(shí)現(xiàn)本文預(yù)測(cè)方法,并與ANN和ARMA單一預(yù)測(cè)模型作比較。小波分解將徑流時(shí)間序列分解為{a2(t),d2(t),d1(t)}高低頻序列,如圖7所示。

    圖7 小波系數(shù)譜Fig.7 Wavelet coefficient spectrum

    從圖7可看出2013-2017年三峽入庫(kù)徑流規(guī)律,豐水期為6-10月,枯水期為11-2月,小波分解的低頻系數(shù)與原始序列具有強(qiáng)相關(guān)性,高頻信號(hào)與原始序列相關(guān)性很差,在預(yù)測(cè)過程中高頻信號(hào)可視為無效序列不進(jìn)行預(yù)測(cè),但本文也采用BP神經(jīng)網(wǎng)絡(luò)對(duì)高頻信號(hào)進(jìn)行預(yù)測(cè)以提高預(yù)測(cè)精度,同時(shí),如3.1節(jié)所述,高頻信號(hào)能量譜(見圖2)也可以作為SVM分類器的特征樣本。

    本文根據(jù)SBC準(zhǔn)則采用以5階自回歸-3階滑動(dòng)平均系數(shù)的ARMA(5,3)作為ARMA預(yù)測(cè)模型。對(duì)于BP神經(jīng)網(wǎng)絡(luò),采用個(gè)輸入層節(jié)點(diǎn)數(shù)6,隱含層數(shù)10,輸出層數(shù)1的6-10-1三層結(jié)構(gòu)模型,訓(xùn)練算法為Bayesian-Regularization(該訓(xùn)練算法雖比Levenberg-Marquardt訓(xùn)練時(shí)間長(zhǎng),但預(yù)測(cè)精度更高,且由于日徑流預(yù)測(cè)時(shí)間較長(zhǎng),訓(xùn)練時(shí)間可以忽略不計(jì))。經(jīng)3種方法預(yù)測(cè)后,結(jié)果如圖8~圖10所示。

    圖8 ARMA預(yù)測(cè)結(jié)果Fig.8 Prediction result of ARMA

    圖9 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果Fig.9 Prediction result of BP-ANN

    從圖8和圖9可以看出,ARMA和ANN模型預(yù)測(cè)效果較為接近,為更好地評(píng)價(jià)模型預(yù)測(cè)的有效性,采用4.3節(jié)的評(píng)價(jià)函數(shù)模型誤差進(jìn)行統(tǒng)計(jì),ARMA模型總擬合度誤差MAPE=6.51%,RMSE=2 153.9 ,TIC=7.51%;ANN模型總擬合度誤差MAPE=6.19%,RMSE=1770.5 ,TIC=5.87%。由于徑流序列隨機(jī)性較強(qiáng),ARMA對(duì)“突變型”序列預(yù)測(cè)誤差較大,因此總擬合誤差大于ANN擬合誤差,ANN雖對(duì)“突變型”序列預(yù)測(cè)效果優(yōu)于ARMA模型,但ANN模型需要不斷進(jìn)行訓(xùn)練尋求最優(yōu)預(yù)測(cè)值,預(yù)測(cè)時(shí)間較長(zhǎng)。

    從圖10可看出本文模型擬合度遠(yuǎn)高于ARMA和ANN模型,總擬合度誤差MAPE=1.30%,RMSE=276.4 ,TIC=0.91%。通過對(duì)徑流序列進(jìn)行小波分解和SVM特征分類,“平穩(wěn)型”序列采用ARMA模型預(yù)測(cè),“突變型”序列采用ANN模型預(yù)測(cè),比單一模型預(yù)測(cè)精度更高。

    圖10 小波-SVM特征分類組合預(yù)測(cè)模型Fig.10 Combination forecasting model based on wavelet -SVM feature classification

    2016年6、7月為三峽水庫(kù)豐水期,從圖11看出其徑流變化幅度較大,每隔2~3 d,曲線斜率在正負(fù)之間發(fā)生轉(zhuǎn)變,這是作為分類標(biāo)記的重要一部分信息,其預(yù)測(cè)后評(píng)價(jià)模型結(jié)果見表2。結(jié)合圖表信息可以看出,ARMA預(yù)測(cè)序列波動(dòng)明顯,輸出不穩(wěn)定,預(yù)測(cè)誤差最大。BP神經(jīng)網(wǎng)絡(luò)相對(duì)于“突變”序列具有強(qiáng)容錯(cuò)性,其預(yù)測(cè)誤差比ARMA平均少4%,但本文模型通過小波分解過濾掉細(xì)節(jié)信號(hào),增加了近似信號(hào)的平滑程度,使特征分類準(zhǔn)確性提高,其預(yù)測(cè)誤差又比BP模型平均提高6%。

    圖11 2016年6、7月預(yù)測(cè)徑流序列Fig.11 Prediction of runoff series in June and July 2016

    預(yù)測(cè)方法MAPE/%RMSE/(m3·s-1)TIC/%ARMA12.325147.210.35ANN8.773167.46.38本文模型1.84548.51.10

    2017年10、11月為三峽水庫(kù)枯水期,徑流序列斜率逐漸平穩(wěn),變化幅度降低(見圖12)。從12月預(yù)測(cè)徑流序列可以看出本文模型預(yù)測(cè)序列與原始序列最為接近,評(píng)價(jià)模型統(tǒng)計(jì)結(jié)果見表3。由于徑流序列變化程度降低,相比于豐水期,ARMA預(yù)測(cè)精度約提高3.5%,與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度只相差0.9%,但本文預(yù)測(cè)模型在所有評(píng)價(jià)指標(biāo)仍遠(yuǎn)優(yōu)于前兩種模型,相對(duì)于ARMA和ANN模型,本文模型預(yù)測(cè)MAPE平均減少6%,RMSE減少1 900 ,TIC減少5.5%,且預(yù)測(cè)序列波動(dòng)最為平滑,模型預(yù)測(cè)穩(wěn)定性最高。

    圖12 2017年10、11月預(yù)測(cè)徑流序列Fig.12 Prediction of runoff series in October and November 2017

    預(yù)測(cè)方法MAPE/%RMSE/(m3·s-1)TIC/%ARMA7.962661.57.45ANN7.072166.06.11本文模型1.12225.70.63

    6 結(jié) 語(yǔ)

    本文通過構(gòu)建徑流特征樣本模型、利用小波分解提取小波系數(shù)能量譜作為樣本標(biāo)記,采用SVM分類器將徑流序列分為“平穩(wěn)型”和“突變型”,根據(jù)不同徑流序列類型分別采樣ARMA和ANN模型預(yù)測(cè),該模型顯著特點(diǎn)是利用小波分析的多尺度分解能力和SVM泛化分類的特點(diǎn),實(shí)現(xiàn)徑流內(nèi)部特征分類預(yù)測(cè)的目的。以2013-2017年宜昌站日徑流為例,采用MAPE、RMSE、TIC3個(gè)性能指標(biāo)對(duì)模型進(jìn)行評(píng)價(jià)。結(jié)果表明,相對(duì)于以ARMA或ANN單一模型進(jìn)行預(yù)測(cè),預(yù)測(cè)精度和穩(wěn)定性明顯提高。本文模型復(fù)雜度雖比單一模型要高,但日徑流預(yù)測(cè)時(shí)間較長(zhǎng),不會(huì)因時(shí)間長(zhǎng)度和模型復(fù)雜度而影響預(yù)測(cè)精度。另外本文主要依賴于宜昌站歷史徑流,由于徑流受氣象、地質(zhì)等多方面因素影響,該方法不能完全反映徑流序列未來變化趨勢(shì)。下一步,將著重研究并結(jié)合流域因素對(duì)徑流影響的機(jī)理,進(jìn)一步提高預(yù)測(cè)精度和穩(wěn)定性。

    參考文獻(xiàn):

    [1] Antonetti M, Scherrer S, Kienzler P M, et al. Process-based hydrological modelling: the potential of a bottom-up approach for runoff predictions in ungauged catchments [J]. Hydrological Processes, 2017,31:2 902-2 920.

    [2] 孟二浩,黃生志,黃 強(qiáng),等.融合大氣環(huán)流異常因子的徑流預(yù)報(bào)研究[J].水力發(fā)電學(xué)報(bào),2017,36(8):34-42.

    [3] 于瑞宏,張宇瑾,張笑欣,等.無測(cè)站流域徑流預(yù)測(cè)區(qū)域化方法研究進(jìn)展[J].水利學(xué)報(bào),2016,47(12):1 528-1 539.

    [4] 尹鑫衛(wèi),李曉玲,康燕霞,等.基于SCS-CN模型的溝壟微型集雨系統(tǒng)徑流預(yù)測(cè)[J].生態(tài)學(xué)雜志,2015,34(12):3 502-3 508.

    [5] 劉國(guó)東,丁 晶.BP網(wǎng)絡(luò)用于水文預(yù)測(cè)的幾個(gè)問題探討[J].水利學(xué)報(bào),1999,(1):65-70.

    [6] Shoaib M, Shamseldin A Y, Melville B W, et al. A comparison between wavelet based static and dynamic neural network approaches for runoff prediction[J]. Journal of Hydrology, 2016,535:211-225.

    [7] 周 婭,郭 萍,古今今.基于BP神經(jīng)網(wǎng)絡(luò)的概率徑流預(yù)測(cè)模型[J].水力發(fā)電學(xué)報(bào),2014,33(2):45-50.

    [8] Vapnik V N. The nature of statistical learning theory[M]. New York: Springer, 2000.

    [9] 葉碎高,彭 勇,周惠成.基于PSO參數(shù)辨識(shí)SVM的中長(zhǎng)期徑流預(yù)測(cè)研究[J].大連理工大學(xué)學(xué)報(bào),2011,51(1):115-120.

    [10] Meng X, Yin M, Ning L, et al. A threshold artificial neural network model for improving runoff prediction in a karst watershed[J]. Environmental Earth Sciences, 2015,74(6):1-10.

    [11] 衛(wèi)太祥,馬光文,黃煒斌.基于懲罰加權(quán)支持向量機(jī)回歸的徑流預(yù)測(cè)模型[J].水力發(fā)電學(xué)報(bào),2012,31(6):35-38.

    [12] 聶 敏,劉志輝,劉 洋,等.基于PCA和BP神經(jīng)網(wǎng)絡(luò)的徑流預(yù)測(cè)[J].中國(guó)沙漠,2016,36(4):1 144-1 152.

    [13] 李 嬌,姜明媛,孫文超,等.基于BP神經(jīng)網(wǎng)絡(luò)的泉州市山美水庫(kù)降雨徑流模擬研究[J].北京師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,49(2):170-174.

    [14] 黃巧玲,粟曉玲,楊家田.基于小波分解的日徑流支持向量機(jī)回歸預(yù)測(cè)模型[J].西北農(nóng)林科技大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,44(4):211-217.

    [15] Patil S K, Valunjkar S S. Utility of coactive neuro-fuzzy inference system for runoff prediction in comparison with multilayer perception[J]. International Journal of Engineering Research, 2016,5(1):156-160.

    [16] 紀(jì)昌明,李榮波,張驗(yàn)科.等.基于小波分解的投影尋蹤自回歸組合模型及其在年徑流預(yù)測(cè)中的應(yīng)用[J]. 水力發(fā)電學(xué)報(bào),2015,34(7):27-35.

    [17] 王秀杰,封桂敏,耿慶柱.小波分析組合模型在日徑流預(yù)測(cè)中的應(yīng)用研究[J].自然資源學(xué)報(bào),2014,(5):885-893.

    [18] Shi J, Liu Y, Yang Y, et al. Short-term wind power prediction based on wavelet transform-support vector machine and statistic characteristics analysis[C]∥ Industrial and Commercial Power Systems Technical Conference, IEEE, 2011:1 136-1 141.

    [19] 高 陽(yáng),張碧玲,毛京麗,等.基于機(jī)器學(xué)習(xí)的自適應(yīng)光伏超短期出力預(yù)測(cè)模型[J].電網(wǎng)技術(shù),2015,39(2):307-311.

    [20] Hartman E, Keeler J D, Kowalski J M. Layered neural networks with gaussian hidden units as universal approximations [J]. Neural Computation, 1990, 2(2):210-215.

    [21] 王秀杰,練繼建,費(fèi)守明.基于小波消噪的混沌神經(jīng)網(wǎng)絡(luò)徑流預(yù)報(bào)模型[J].水力發(fā)電學(xué)報(bào),2008,27(5):37-40.

    [22] 易丹輝.?dāng)?shù)據(jù)分析與EViews應(yīng)用[M].2版.北京:中國(guó)人民大學(xué)出版社,2014.

    [23] 謝中華.MATLAB統(tǒng)計(jì)分析與應(yīng)用[M].北京:北京航空航天大學(xué)出版社,2010.

    猜你喜歡
    分類方法模型
    一半模型
    分類算一算
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
    分類討論求坐標(biāo)
    數(shù)據(jù)分析中的分類討論
    教你一招:數(shù)的分類
    可能是方法不對(duì)
    3D打印中的模型分割與打包
    用對(duì)方法才能瘦
    Coco薇(2016年2期)2016-03-22 02:42:52
    尤物成人国产欧美一区二区三区| 国产精品麻豆人妻色哟哟久久 | 亚洲精品乱码久久久v下载方式| 国产成人午夜福利电影在线观看| 亚洲中文字幕一区二区三区有码在线看| 国产av在哪里看| 精品久久久久久久久av| 国产成人aa在线观看| 日本一本二区三区精品| 日本黄色视频三级网站网址| 99久久精品热视频| 欧美性感艳星| 日日干狠狠操夜夜爽| 成人漫画全彩无遮挡| h日本视频在线播放| 看片在线看免费视频| 亚洲人成网站在线播| 国产在线精品亚洲第一网站| 99久久精品一区二区三区| 日韩一区二区视频免费看| 国语自产精品视频在线第100页| 欧美日韩在线观看h| or卡值多少钱| 久久人人爽人人片av| av专区在线播放| 色哟哟哟哟哟哟| 丰满人妻一区二区三区视频av| 国内久久婷婷六月综合欲色啪| 欧美最新免费一区二区三区| 中出人妻视频一区二区| 一夜夜www| 免费电影在线观看免费观看| 男人舔奶头视频| 黄色日韩在线| 三级男女做爰猛烈吃奶摸视频| 白带黄色成豆腐渣| 男的添女的下面高潮视频| 久久欧美精品欧美久久欧美| 国产一区二区在线观看日韩| 深夜精品福利| 国产黄片视频在线免费观看| 国产淫片久久久久久久久| 欧美成人免费av一区二区三区| av在线亚洲专区| 此物有八面人人有两片| 免费观看人在逋| 成人鲁丝片一二三区免费| 亚洲,欧美,日韩| 亚洲欧美精品专区久久| 一个人免费在线观看电影| 日本黄色片子视频| 亚洲国产精品合色在线| 久久久久久伊人网av| 欧美成人一区二区免费高清观看| 国内精品久久久久精免费| 国内精品美女久久久久久| 亚洲av成人av| 秋霞在线观看毛片| 亚洲最大成人中文| 亚洲av男天堂| 久久久国产成人免费| 欧美最黄视频在线播放免费| 只有这里有精品99| 免费搜索国产男女视频| 亚洲在线自拍视频| 2022亚洲国产成人精品| 久久6这里有精品| 成人亚洲精品av一区二区| 亚洲国产精品合色在线| 丰满人妻一区二区三区视频av| 禁无遮挡网站| 日韩欧美在线乱码| 26uuu在线亚洲综合色| 女人十人毛片免费观看3o分钟| 如何舔出高潮| 国产精品.久久久| 国产蜜桃级精品一区二区三区| 在线观看午夜福利视频| 一级毛片aaaaaa免费看小| 国产爱豆传媒在线观看| 听说在线观看完整版免费高清| 亚洲成a人片在线一区二区| 中文资源天堂在线| 婷婷色综合大香蕉| 日韩欧美精品免费久久| 国产色婷婷99| 亚洲乱码一区二区免费版| 日本免费a在线| 特大巨黑吊av在线直播| 黄色日韩在线| 亚洲国产欧美人成| 欧美丝袜亚洲另类| 成人高潮视频无遮挡免费网站| 亚洲精品成人久久久久久| 日韩av在线大香蕉| 天堂网av新在线| 国产精品综合久久久久久久免费| or卡值多少钱| 欧美高清性xxxxhd video| 黄色日韩在线| 床上黄色一级片| 熟女人妻精品中文字幕| 国产亚洲精品av在线| 国产精品无大码| av视频在线观看入口| 亚洲国产精品久久男人天堂| 国产一级毛片七仙女欲春2| 久久人人爽人人爽人人片va| 亚洲成a人片在线一区二区| 伦精品一区二区三区| 黄片wwwwww| 亚洲婷婷狠狠爱综合网| 99精品在免费线老司机午夜| av免费观看日本| 亚洲aⅴ乱码一区二区在线播放| 久久久久久久久久久丰满| h日本视频在线播放| 久久久久久伊人网av| 亚洲欧美日韩高清专用| 国产成人午夜福利电影在线观看| 精品国产三级普通话版| 老司机影院成人| 青春草视频在线免费观看| 国产精品久久久久久亚洲av鲁大| 日本爱情动作片www.在线观看| 国产精品久久电影中文字幕| 悠悠久久av| 亚洲国产欧美人成| 亚洲美女搞黄在线观看| 在线观看av片永久免费下载| 日日摸夜夜添夜夜爱| 级片在线观看| 亚洲激情五月婷婷啪啪| 夜夜爽天天搞| 99久久精品一区二区三区| 91aial.com中文字幕在线观看| 狠狠狠狠99中文字幕| 99久久成人亚洲精品观看| 不卡一级毛片| 欧美性猛交╳xxx乱大交人| 又爽又黄无遮挡网站| 看免费成人av毛片| 欧美又色又爽又黄视频| 亚洲人与动物交配视频| 午夜激情福利司机影院| 亚洲国产精品国产精品| 熟妇人妻久久中文字幕3abv| 久久欧美精品欧美久久欧美| 国产av不卡久久| 18禁裸乳无遮挡免费网站照片| 欧美另类亚洲清纯唯美| 中国美白少妇内射xxxbb| 久久精品人妻少妇| 国产精品人妻久久久影院| 亚洲精品影视一区二区三区av| 免费看日本二区| 欧美日本视频| 欧美一区二区精品小视频在线| 亚州av有码| 久久久精品欧美日韩精品| 欧美色欧美亚洲另类二区| 舔av片在线| 午夜亚洲福利在线播放| 日韩亚洲欧美综合| 色尼玛亚洲综合影院| 亚洲中文字幕日韩| 精品免费久久久久久久清纯| 99热精品在线国产| 精品久久久久久久久亚洲| 亚洲精品国产av成人精品| 亚洲av中文字字幕乱码综合| 婷婷六月久久综合丁香| 国产中年淑女户外野战色| 亚洲国产精品合色在线| 综合色av麻豆| 亚洲精品乱码久久久v下载方式| 精品一区二区三区人妻视频| 一级毛片久久久久久久久女| 日韩视频在线欧美| 欧美日韩精品成人综合77777| 午夜福利视频1000在线观看| 一个人看视频在线观看www免费| 久久久成人免费电影| 国产精品久久久久久精品电影小说 | 色视频www国产| 成人亚洲欧美一区二区av| 亚洲内射少妇av| 精品日产1卡2卡| 成人特级黄色片久久久久久久| 91久久精品国产一区二区三区| 成人亚洲精品av一区二区| 三级国产精品欧美在线观看| 嫩草影院新地址| 尤物成人国产欧美一区二区三区| 亚洲精品久久久久久婷婷小说 | 国产人妻一区二区三区在| 搞女人的毛片| 亚洲18禁久久av| 欧美3d第一页| 久久热精品热| 禁无遮挡网站| 亚洲经典国产精华液单| 久久综合国产亚洲精品| 精品久久久噜噜| 久久国产乱子免费精品| 日本欧美国产在线视频| 国产精品.久久久| 国产一区二区激情短视频| 美女高潮的动态| 在线天堂最新版资源| 欧美性感艳星| av在线老鸭窝| 久久婷婷人人爽人人干人人爱| 最近2019中文字幕mv第一页| 欧美三级亚洲精品| 嫩草影院入口| 国产探花极品一区二区| 97在线视频观看| 亚洲第一电影网av| 五月伊人婷婷丁香| 国产精品一区www在线观看| 99久久九九国产精品国产免费| 有码 亚洲区| 亚洲美女搞黄在线观看| 亚洲国产精品sss在线观看| 午夜精品在线福利| 夫妻性生交免费视频一级片| 亚洲av第一区精品v没综合| 免费观看精品视频网站| 美女黄网站色视频| 直男gayav资源| 免费看a级黄色片| 免费观看的影片在线观看| 国产免费男女视频| 激情 狠狠 欧美| 国产 一区 欧美 日韩| 村上凉子中文字幕在线| 精品人妻熟女av久视频| 国产成人精品久久久久久| 亚洲av第一区精品v没综合| 欧美潮喷喷水| 亚州av有码| 中文字幕免费在线视频6| 国内少妇人妻偷人精品xxx网站| 免费搜索国产男女视频| 精品少妇黑人巨大在线播放 | 国产人妻一区二区三区在| 欧美最新免费一区二区三区| 欧美激情在线99| 中文字幕av在线有码专区| 免费av毛片视频| 一级av片app| 成人毛片a级毛片在线播放| 丝袜美腿在线中文| 日韩国内少妇激情av| 国国产精品蜜臀av免费| 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 | 欧美日韩乱码在线| 国产亚洲精品av在线| 国产精品一区二区三区四区久久| 国产亚洲av片在线观看秒播厂 | 久久鲁丝午夜福利片| 精品久久国产蜜桃| 国产在线精品亚洲第一网站| 国产私拍福利视频在线观看| 亚洲国产精品国产精品| 国产高清激情床上av| 中文字幕精品亚洲无线码一区| 美女脱内裤让男人舔精品视频 | 亚洲国产日韩欧美精品在线观看| 精品午夜福利在线看| 国产精品久久电影中文字幕| 3wmmmm亚洲av在线观看| 麻豆av噜噜一区二区三区| 悠悠久久av| 能在线免费看毛片的网站| 黄色配什么色好看| 午夜亚洲福利在线播放| 亚洲,欧美,日韩| 成年女人永久免费观看视频| 黄色欧美视频在线观看| 色综合亚洲欧美另类图片| 成人鲁丝片一二三区免费| 在线观看av片永久免费下载| 成人性生交大片免费视频hd| av在线蜜桃| 18禁裸乳无遮挡免费网站照片| 久久久久免费精品人妻一区二区| 精品人妻视频免费看| 欧美精品国产亚洲| 色哟哟哟哟哟哟| 亚洲av.av天堂| 狠狠狠狠99中文字幕| 国产在视频线在精品| 国产女主播在线喷水免费视频网站 | 国产黄色视频一区二区在线观看 | 国产亚洲精品久久久久久毛片| 精品久久国产蜜桃| 如何舔出高潮| 日本-黄色视频高清免费观看| 噜噜噜噜噜久久久久久91| 午夜精品国产一区二区电影 | 亚洲乱码一区二区免费版| 丝袜美腿在线中文| 日本熟妇午夜| 日日干狠狠操夜夜爽| 日日摸夜夜添夜夜添av毛片| or卡值多少钱| 欧美日本视频| 深爱激情五月婷婷| 中文资源天堂在线| 久久综合国产亚洲精品| 成人永久免费在线观看视频| 精品久久国产蜜桃| 看片在线看免费视频| 国产男人的电影天堂91| 中文字幕久久专区| 亚洲内射少妇av| 国产成人a区在线观看| 久久婷婷人人爽人人干人人爱| 欧美成人免费av一区二区三区| 亚洲欧美精品专区久久| 欧美xxxx性猛交bbbb| 久久精品国产亚洲av涩爱 | 免费av观看视频| 午夜a级毛片| 久99久视频精品免费| 国产一级毛片七仙女欲春2| 国产成人影院久久av| 波野结衣二区三区在线| 午夜老司机福利剧场| 人人妻人人澡人人爽人人夜夜 | 99久久精品热视频| 亚洲第一电影网av| 99久久中文字幕三级久久日本| 99久久人妻综合| 久久精品久久久久久噜噜老黄 | 特级一级黄色大片| а√天堂www在线а√下载| 国产午夜精品论理片| a级毛片a级免费在线| 亚洲丝袜综合中文字幕| 国产精品日韩av在线免费观看| 亚洲欧美日韩高清在线视频| 九色成人免费人妻av| 亚洲欧美日韩高清在线视频| 精品久久久久久久久av| 看黄色毛片网站| 国产一区二区在线av高清观看| 日韩视频在线欧美| 久久久久久久久久黄片| 久久草成人影院| 午夜福利在线观看免费完整高清在 | av黄色大香蕉| 99久久中文字幕三级久久日本| 久久精品国产鲁丝片午夜精品| 亚洲美女视频黄频| 国产大屁股一区二区在线视频| 亚洲av男天堂| 成人美女网站在线观看视频| 有码 亚洲区| 国产欧美日韩精品一区二区| a级毛片a级免费在线| 人人妻人人看人人澡| 成人特级av手机在线观看| 亚洲人成网站在线观看播放| 国产精品爽爽va在线观看网站| 看黄色毛片网站| or卡值多少钱| 两性午夜刺激爽爽歪歪视频在线观看| 69人妻影院| 黄色配什么色好看| 18禁在线无遮挡免费观看视频| 人人妻人人澡人人爽人人夜夜 | 亚洲精品色激情综合| 99热这里只有是精品50| 国产高清视频在线观看网站| 亚洲av中文字字幕乱码综合| 欧美性猛交╳xxx乱大交人| 尾随美女入室| 一区二区三区四区激情视频 | 亚洲国产色片| 亚洲av中文av极速乱| 免费在线观看成人毛片| 欧美日韩在线观看h| 91精品国产九色| 国产一区二区在线观看日韩| 高清在线视频一区二区三区 | 黄色视频,在线免费观看| 国产伦理片在线播放av一区 | 国产午夜精品一二区理论片| 成人漫画全彩无遮挡| 国产免费男女视频| 天天躁日日操中文字幕| 成年女人看的毛片在线观看| 国产成人aa在线观看| 国产精品久久久久久亚洲av鲁大| 免费看日本二区| 黄片wwwwww| 日本在线视频免费播放| 国产高清视频在线观看网站| 小蜜桃在线观看免费完整版高清| 青青草视频在线视频观看| 免费看光身美女| 一个人观看的视频www高清免费观看| 黄色日韩在线| 国产精品嫩草影院av在线观看| 国产免费一级a男人的天堂| 精品人妻熟女av久视频| 黄片无遮挡物在线观看| 亚洲不卡免费看| 亚洲av.av天堂| 天堂网av新在线| 国产一区二区亚洲精品在线观看| 国产伦在线观看视频一区| av在线播放精品| av天堂中文字幕网| 老司机影院成人| 91午夜精品亚洲一区二区三区| 久久久久性生活片| 免费观看a级毛片全部| 精品99又大又爽又粗少妇毛片| 亚洲综合色惰| 成人欧美大片| 美女xxoo啪啪120秒动态图| 特级一级黄色大片| videossex国产| 天堂中文最新版在线下载 | 寂寞人妻少妇视频99o| 国产人妻一区二区三区在| 99国产极品粉嫩在线观看| 91精品国产九色| 国产伦精品一区二区三区视频9| 老女人水多毛片| 国产精品一区二区三区四区久久| 国产精品人妻久久久久久| 嫩草影院新地址| 国产精品1区2区在线观看.| 久久国内精品自在自线图片| 男人舔奶头视频| 亚洲精品456在线播放app| 婷婷六月久久综合丁香| 国产探花在线观看一区二区| 深爱激情五月婷婷| 夫妻性生交免费视频一级片| 国产精品久久久久久精品电影小说 | 国产高清激情床上av| av在线老鸭窝| 噜噜噜噜噜久久久久久91| 久久久久免费精品人妻一区二区| 久久精品综合一区二区三区| 色尼玛亚洲综合影院| 国内久久婷婷六月综合欲色啪| 人人妻人人澡欧美一区二区| 1024手机看黄色片| 少妇熟女aⅴ在线视频| 中文字幕熟女人妻在线| 天堂网av新在线| 亚洲av免费在线观看| 蜜桃久久精品国产亚洲av| 国产一区二区三区av在线 | 深爱激情五月婷婷| 日韩大尺度精品在线看网址| 久久午夜福利片| 熟妇人妻久久中文字幕3abv| 国产一区二区亚洲精品在线观看| 久久人妻av系列| 男人舔女人下体高潮全视频| 又爽又黄无遮挡网站| 亚洲精品久久久久久婷婷小说 | 一个人观看的视频www高清免费观看| 亚洲在久久综合| 久久久久久久午夜电影| 99热这里只有是精品50| 99久久中文字幕三级久久日本| 日本在线视频免费播放| 久久99精品国语久久久| 国产91av在线免费观看| 国产精品一区www在线观看| 国产午夜福利久久久久久| 午夜福利在线观看吧| 国产黄片美女视频| av在线播放精品| 搞女人的毛片| 美女xxoo啪啪120秒动态图| 国产在线男女| 一边亲一边摸免费视频| 久久久精品大字幕| 婷婷六月久久综合丁香| 国产久久久一区二区三区| 美女国产视频在线观看| 乱码一卡2卡4卡精品| 26uuu在线亚洲综合色| 一卡2卡三卡四卡精品乱码亚洲| 亚洲自拍偷在线| 美女 人体艺术 gogo| 日韩一本色道免费dvd| 好男人在线观看高清免费视频| 亚洲人成网站在线播放欧美日韩| 99riav亚洲国产免费| 全区人妻精品视频| 插阴视频在线观看视频| 人体艺术视频欧美日本| videossex国产| 九九在线视频观看精品| 国产精华一区二区三区| 国产午夜福利久久久久久| 午夜精品在线福利| 三级国产精品欧美在线观看| 亚洲va在线va天堂va国产| 人妻夜夜爽99麻豆av| 成人二区视频| 精品午夜福利在线看| 国产伦一二天堂av在线观看| 禁无遮挡网站| 亚洲欧美精品自产自拍| 国内精品宾馆在线| 精品国内亚洲2022精品成人| 国产精品不卡视频一区二区| 中文字幕熟女人妻在线| 亚洲欧美成人精品一区二区| 欧美日韩乱码在线| 国内精品一区二区在线观看| 亚洲五月天丁香| 天堂中文最新版在线下载 | 1024手机看黄色片| 久久精品91蜜桃| 国产精品美女特级片免费视频播放器| 亚洲真实伦在线观看| 99热全是精品| 少妇丰满av| 国产高清三级在线| 久久久久久久午夜电影| 精品少妇黑人巨大在线播放 | 亚洲精品国产av成人精品| 你懂的网址亚洲精品在线观看 | 男人狂女人下面高潮的视频| 久久精品夜夜夜夜夜久久蜜豆| 亚洲第一电影网av| 在线免费观看的www视频| 国产欧美日韩精品一区二区| 嫩草影院精品99| 国产伦理片在线播放av一区 | 国产亚洲av片在线观看秒播厂 | 中文字幕免费在线视频6| 亚洲av.av天堂| av专区在线播放| 亚洲精品国产成人久久av| 精品少妇黑人巨大在线播放 | 亚洲欧美清纯卡通| 亚洲第一区二区三区不卡| 欧美xxxx性猛交bbbb| 国产 一区精品| 久久精品国产鲁丝片午夜精品| 久久精品国产自在天天线| av在线老鸭窝| 成人特级av手机在线观看| 久久久久久久久久久丰满| 国产精品人妻久久久影院| 成人午夜精彩视频在线观看| 偷拍熟女少妇极品色| 日日摸夜夜添夜夜添av毛片| 嫩草影院新地址| 波野结衣二区三区在线| 99久国产av精品国产电影| 免费观看在线日韩| 久久久国产成人免费| 亚洲精品久久久久久婷婷小说 | 午夜精品在线福利| 国产高潮美女av| 少妇熟女欧美另类| 国产三级中文精品| 国产v大片淫在线免费观看| 男女做爰动态图高潮gif福利片| 国产亚洲av片在线观看秒播厂 | 亚洲欧美日韩高清在线视频| 综合色av麻豆| 九草在线视频观看| 日本一二三区视频观看| 日本免费一区二区三区高清不卡| 夜夜夜夜夜久久久久| 看非洲黑人一级黄片| 国产高清三级在线| or卡值多少钱| 99久久九九国产精品国产免费| 高清毛片免费观看视频网站| 22中文网久久字幕| 国产一级毛片在线| www.色视频.com| 日韩一区二区视频免费看| 久久综合国产亚洲精品| 国产精品.久久久| 给我免费播放毛片高清在线观看| 一进一出抽搐gif免费好疼| 精品无人区乱码1区二区| 少妇被粗大猛烈的视频| 中文在线观看免费www的网站| 99在线人妻在线中文字幕| 91精品一卡2卡3卡4卡| 日韩av在线大香蕉| 在线观看66精品国产| 亚洲国产色片| 亚洲欧美精品专区久久| 亚洲国产精品国产精品| 有码 亚洲区| 精品少妇黑人巨大在线播放 | 99久久无色码亚洲精品果冻| 欧美三级亚洲精品| 少妇熟女欧美另类| 婷婷六月久久综合丁香| 国产欧美日韩精品一区二区| 日本免费a在线| 高清午夜精品一区二区三区 | 亚洲成人久久性|