• <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 ?

    一種基于自適應(yīng)相似矩陣的譜聚類算法

    2018-09-10 07:22:44王貝貝楊明燕慧超孫笑仙
    河北工業(yè)科技 2018年2期
    關(guān)鍵詞:應(yīng)用數(shù)學(xué)密度

    王貝貝 楊明 燕慧超 孫笑仙

    摘?要:為了消除在構(gòu)建譜聚類算法的相似矩陣時(shí),高斯核函數(shù)中尺度參數(shù)的波動(dòng)影響,構(gòu)建了一種自適應(yīng)相似矩陣,并應(yīng)用到譜聚類算法中。自適應(yīng)相似矩陣中數(shù)據(jù)點(diǎn)間的距離度量采用測(cè)地距離算法,相距較近的兩點(diǎn)間的距離近似于歐氏距離,相距較遠(yuǎn)的兩點(diǎn)則先根據(jù)歐氏距離得到每個(gè)數(shù)據(jù)點(diǎn)的k個(gè)近鄰點(diǎn),然后累加近鄰點(diǎn)的測(cè)地距離,由此得到每對(duì)數(shù)據(jù)點(diǎn)間的最短距離。兩點(diǎn)間的局部密度用共享近鄰的定義來表示,更好地刻畫了數(shù)據(jù)集的本征結(jié)構(gòu)。在5個(gè)人工數(shù)據(jù)集和國際通用UCI數(shù)據(jù)庫中的5個(gè)真實(shí)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,所提算法的聚類準(zhǔn)確率高于對(duì)比算法的準(zhǔn)確率,對(duì)復(fù)雜分布數(shù)據(jù)有很強(qiáng)的自適應(yīng)能力。研究成果為數(shù)據(jù)挖掘及機(jī)器學(xué)習(xí)提供了思路和方法。

    關(guān)鍵詞:應(yīng)用數(shù)學(xué);相似矩陣;譜聚類;密度;測(cè)地距離

    中圖分類號(hào):TP391???文獻(xiàn)標(biāo)志碼:A

    doi: 10.7535/hbgykj.2018yx02001

    A spectral clustering algorithm based on

    adaptive similarity matrix

    WANG Beibei1, YANG Ming1, YAN Huichao1, SUN Xiaoxian2

    (1.School of Science, North University of China, Taiyuan, Shanxi? 030051, China;

    2.Faculty of Science and Technology, Communication University of China, Beijing 100024, China)

    Abstract:

    In order to eliminate the fluctuation of the scale parameters in gaussian kernel function in constructing the similarity matrix of spectral clustering algorithm, a self-adaptive similarity matrix is constructed and applied in the spectral clustering algorithm. Geodesic distance measure is used in distance measure between data points in the adaptive similarity matrix. Distance between points closer to each other is approximately equal to the Euclidean distance, while for distance between two points farther away, each data's k-nearest neighbors are firstly obtained by Euclidean distance, then the geodesic distances of the nearest neighbors are accumulated, thus, the shortest distance between each pair of data can be get. The local density of two points is defined by the shared neighbor, reflecting the eigen structure of the data set better. Finally, experiments on both five artificial data sets and five UCI data sets show that the proposed method is more accurate than the others, and has a strong adaptive ability for complex distribution data. The research provides idea and method for data mining and machine learning.

    Keywords:

    applied mathematics; similar matrix; spectral clustering; density; geodesic distance

    聚類分析在數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)領(lǐng)域都有非常廣泛的應(yīng)用,它是根據(jù)數(shù)據(jù)點(diǎn)之間相似度的不同,將待聚類的數(shù)據(jù)集劃分成不同類的方法,源于很多領(lǐng)域,包括數(shù)學(xué)、計(jì)算機(jī)科學(xué)、統(tǒng)計(jì)學(xué)、生物學(xué)和經(jīng)濟(jì)學(xué)[1]。在不同的應(yīng)用領(lǐng)域,很多聚類技術(shù)都得到了發(fā)展,這些技術(shù)方法被用作描述數(shù)據(jù),衡量不同數(shù)據(jù)源間的相似性,以及把數(shù)據(jù)源分類到不同的簇中。其中譜聚類算法[2]是在譜圖劃分理論基礎(chǔ)上發(fā)展起來的,不僅能識(shí)別任意形狀的樣本空間,應(yīng)用在非塊狀和非凸形數(shù)據(jù)的聚類問題上,而且收斂于全局最優(yōu)解,目前已在圖像分割[3]、文本挖掘[4]、計(jì)算機(jī)視覺[5]等領(lǐng)域得到較好的應(yīng)用。

    譜聚類算法的核心是對(duì)特征向量的聚類,而該特征向量是由待聚類數(shù)據(jù)集的相似矩陣(拉普拉斯矩陣)特征分解得到的。因此,譜聚類算法性能的好壞取決于構(gòu)建的相似矩陣。然而傳統(tǒng)譜聚類算法中的高斯核函數(shù)只考慮數(shù)據(jù)點(diǎn)間的歐式距離,符合局部一致性,不符合全局一致性。文獻(xiàn)[6]提出一種近鄰自適應(yīng)局部尺度的譜聚類算法,局部尺度的值取為樣本點(diǎn)k個(gè)近鄰的距離和,解決了單一全局尺度參數(shù)局限的問題。文獻(xiàn)[7]用共享近鄰表征兩兩數(shù)據(jù)點(diǎn)間的局部密度,并應(yīng)用于相似度度量,提出一種基于共享近鄰的自適應(yīng)譜聚類算法(SNN-ASC)。文獻(xiàn)[8]提出一種密度敏感的相似性度量,并結(jié)合特征間隙,能根據(jù)數(shù)據(jù)的實(shí)際分布情況進(jìn)行聚類。文獻(xiàn)[9]提出一種基于無參相似矩陣的譜聚類,考慮數(shù)據(jù)集中點(diǎn)的密度、距離、連通性3個(gè)信息,然后構(gòu)造出一個(gè)無參相似圖并構(gòu)建相應(yīng)的相似矩陣。文獻(xiàn)[10]采用一種基于k-means算法的密度估計(jì)法構(gòu)造相似矩陣,其過程提高了密度估計(jì)的準(zhǔn)確性,但是卻需要6個(gè)超參數(shù),且當(dāng)數(shù)據(jù)集中有較相似的結(jié)構(gòu)時(shí),聚類效果不理想。

    本研究在分析數(shù)據(jù)特征的基礎(chǔ)上,構(gòu)建了一種自適應(yīng)的相似矩陣。選用測(cè)地距離函數(shù)表征數(shù)據(jù)間的距離度量,相距較近的兩點(diǎn)間的距離近似于歐氏距離,相距較遠(yuǎn)的兩點(diǎn)則先根據(jù)歐氏距離得到每個(gè)數(shù)據(jù)點(diǎn)的k個(gè)近鄰點(diǎn),然后累加近鄰點(diǎn)的測(cè)地距離,這樣便得到了每對(duì)數(shù)據(jù)點(diǎn)間的最短距離,不僅消除了高斯核函數(shù)中尺度參數(shù)的波動(dòng)影響,而且克服了歐式距離的局限性。根據(jù)每個(gè)點(diǎn)所處鄰域的稠密程度,用兩點(diǎn)間的共享近鄰數(shù)來表征,進(jìn)而得到待聚類數(shù)據(jù)點(diǎn)的[WT]基于測(cè)地距離和共享近鄰數(shù)的相似度,應(yīng)用到譜聚類算法中。最后在密度分布不均以及非塊狀(弧形、圓圈形、線形等)的人工數(shù)據(jù)集上、通用國際UCI實(shí)際數(shù)據(jù)集上都進(jìn)行實(shí)驗(yàn),并與k-均值算法(k-means)和基于規(guī)范化拉普拉斯矩陣的譜聚類算法(NJW)進(jìn)行比較。結(jié)果表明,本文算法對(duì)復(fù)雜分布數(shù)據(jù)有更強(qiáng)的自適應(yīng)能力和更高的準(zhǔn)確率。

    1 譜聚類算法的基本原理及現(xiàn)存問題

    本節(jié)以傳統(tǒng)的譜聚類算法為基礎(chǔ)進(jìn)行分析,譜聚類的實(shí)現(xiàn)方法有很多種,其中主要研究對(duì)象是NJW譜聚類算法,其具體實(shí)現(xiàn)過程可以歸納為4步:

    譜聚類算法的主要技巧是通過拉普拉斯矩陣將數(shù)據(jù)點(diǎn)映射到一個(gè)較低維的空間。在低維的數(shù)據(jù)空間中,數(shù)據(jù)點(diǎn)具有更好的聚類特性且滿足一致性假設(shè)。

    1)局部一致性 在空間位置上相鄰的數(shù)據(jù)點(diǎn)具有更高的相似性;

    2)全局一致性 同一結(jié)構(gòu)上(同類中)的數(shù)據(jù)點(diǎn)具有更高的相似性。

    傳統(tǒng)譜聚類算法中的高斯核函數(shù)[WT]exp([SX(]-‖xi-xj‖22σ2[SX)])只考慮數(shù)據(jù)點(diǎn)間的歐式距離,符合局部一致性,不符合全局一致性,且當(dāng)尺度參數(shù)σ[WT]選取不同值時(shí),聚類結(jié)果也不相同。圖1顯示了在歐氏距離的測(cè)度下,選取不同的尺度參數(shù)時(shí)在“Twomoons”數(shù)據(jù)集上的測(cè)試實(shí)驗(yàn)。

    可以看出,尺度參數(shù)[WTBX]σ取不同數(shù)值時(shí)得到的聚類結(jié)果也不相同。當(dāng)σ=0.1時(shí),聚類結(jié)果是最理想的;當(dāng)σ=0.22時(shí),聚類結(jié)果出現(xiàn)了微小的偏差;當(dāng)σ=0.3時(shí),聚類結(jié)果誤差較大;當(dāng)σ=25時(shí),聚類結(jié)果完全錯(cuò)誤。針對(duì)不同的[WT]數(shù)據(jù)集,尺度參數(shù)的選擇范圍也不相同。

    2 基于測(cè)地距離和密度的自適應(yīng)譜聚類算法

    2.1 測(cè)地距離

    在構(gòu)建相似度測(cè)度時(shí),距離函數(shù)占著至關(guān)重要的地位,沒有任何一種距離測(cè)度適合所有的數(shù)據(jù)集。傳統(tǒng)的歐式距離做測(cè)度度量時(shí),只是單純的計(jì)算連接兩點(diǎn)的直線段的長度,如圖2 a),如若這兩點(diǎn)間存在障礙物或者說存在另一個(gè)結(jié)構(gòu)中的樣本,此時(shí)的歐式距離是沒有實(shí)際意義的,這就是歐氏距離的局限性,圖2 b)是要得到的真實(shí)距離效果。越來越多的文獻(xiàn)都在做距離測(cè)度方法的改進(jìn),文獻(xiàn)[11]提出用有效距離函數(shù)代替?zhèn)鹘y(tǒng)的地理距離函數(shù),刻畫了目標(biāo)樣本和其他所有數(shù)據(jù)樣本之間的距離信息,具有全局特性。文獻(xiàn)[12]提出一種基于電阻距離的中文文本譜聚類算法,把文本表示成二分圖形式,使用電阻值表示兩點(diǎn)間的相似度值,電阻值隨著節(jié)點(diǎn)間路徑減小而減小,從而計(jì)算出任意節(jié)點(diǎn)間的有效電阻距離更具有實(shí)際意義。

    測(cè)地距離是數(shù)學(xué)形態(tài)學(xué)中的一個(gè)重要概念,最早是TENENBAUM等[13]在研究非線性降維時(shí)提出的,能很好地表示流形結(jié)構(gòu)上樣本之間的真實(shí)距離。如圖3中的點(diǎn)[WTBX]A,B,C位于同一流形結(jié)構(gòu)上,[WTBX]dAB,dAC,dBC分[WTBX]別表示點(diǎn)A和點(diǎn)B,點(diǎn)A和點(diǎn)C,點(diǎn)B和點(diǎn)C之間的歐式距離,[WTBX]gAC,gBC[WTBX]分別表示點(diǎn)A和點(diǎn)C,點(diǎn)B和點(diǎn)C之間的測(cè)地距離,假設(shè)點(diǎn)A和點(diǎn)B之間存在障礙物不能直接計(jì)算歐式距離,在同一結(jié)構(gòu)中,從點(diǎn)A到達(dá)點(diǎn)B的路徑有很多條,最短的一條測(cè)地弧的長度稱為點(diǎn)A和點(diǎn)B間的測(cè)地距離。由圖3可以看出,當(dāng)A,C兩點(diǎn)非常近時(shí),取[WTBX]gAC≈dAC,[WTBX]即認(rèn)為A,C兩點(diǎn)間的測(cè)地距離近似等于其歐氏距離。而當(dāng)A,B兩點(diǎn)之間相距較遠(yuǎn)時(shí),則取兩點(diǎn)間的測(cè)地距離等于其近鄰點(diǎn)間的測(cè)地距離累加和,即[WTBX]gAB=gAC+gCB≈dAC+dCB,從而得到待聚類數(shù)據(jù)集中每對(duì)數(shù)據(jù)點(diǎn)之間的實(shí)際最短距離。

    測(cè)地距離具體算法如下。

    1)輸入數(shù)據(jù)集X=[x1,x2,…,xi,…,xn],根據(jù)歐式距離計(jì)算點(diǎn)xi的k個(gè)近鄰。

    2)初始化測(cè)地距離:

    dG(xi,xj)=

    d(xi,xj),點(diǎn)xj是點(diǎn)xi的k近鄰之一,∞ ,其他,

    其中d(xi,xj)表示的是點(diǎn)xi和點(diǎn)xj之間的歐氏距離。

    3)計(jì)算任意兩點(diǎn)間最短路徑:

    For m=1:n

    dG(xi,xj)=min{dG(xi,xj),

    dG(xi,xm)+dG(xm,xj)}

    End

    2.2密度

    僅用距離來描述數(shù)據(jù)之間的相似性遠(yuǎn)遠(yuǎn)不夠,特別是對(duì)密度分布不均的數(shù)據(jù)集,好的相似性度量不僅不依賴于尺度參數(shù)σ,而且能夠根據(jù)每個(gè)點(diǎn)所處鄰域的稠密程度得到正確的聚類結(jié)果。JARVIS等[14]曾提出一種基于共享近鄰相似度測(cè)量方法的聚類,本研究借鑒其中的共享近鄰的定義來表征兩點(diǎn)間的局部密度,進(jìn)而影響兩點(diǎn)間的相似度。共享近鄰的定義如下。

    定義1數(shù)據(jù)集X={x1,x2,…,xn}中任意兩點(diǎn)xi和xj的共享近鄰定義為

    SNN(xi,xj)=|n(xi)∩n(xj)|?? ,

    其中n(xi)表示離點(diǎn)xi距離最近的前p個(gè)點(diǎn),n(xj)表示離點(diǎn)xj距離最近的前p個(gè)點(diǎn)。一般地,參數(shù)p=20,本研究取數(shù)據(jù)集中樣本點(diǎn)數(shù)的5%。

    2.3所提算法

    譜聚類算法是依托譜圖劃分理論發(fā)展起來的,能在任意形狀的樣本空間上得到全局最優(yōu)解。其主要核心是對(duì)特征向量的聚類,而特征向量是由樣本數(shù)據(jù)的相似矩陣特征分解得到的,構(gòu)建一個(gè)性能優(yōu)越的相似矩陣至關(guān)重要。本研究構(gòu)建了一種自適應(yīng)的相似矩陣,首先選用測(cè)地距離函數(shù)表征數(shù)據(jù)間的距離度量,相距較近的兩點(diǎn)間的距離近似于歐式度量,相距較遠(yuǎn)的兩點(diǎn)間的距離則是通過最近鄰點(diǎn)間的歐式度量疊加得到的,這樣得到的距離度量克服了歐式距離的局限性,實(shí)際意義較明顯。然后根據(jù)每個(gè)點(diǎn)所處鄰域的稠密程度,用兩點(diǎn)間的共享近鄰數(shù)表征其密度,進(jìn)而得到待聚類數(shù)據(jù)點(diǎn)的基于測(cè)地距離和共享近鄰數(shù)的相似度,構(gòu)建對(duì)應(yīng)的相似矩陣,對(duì)其特征分解后得到的特征向量進(jìn)行聚類。算法流程如下。

    輸入:待聚類數(shù)據(jù)集X={x1,x2,…,xn},聚類個(gè)數(shù)k,共享近鄰數(shù)p;

    1)根據(jù)2.1節(jié)計(jì)算數(shù)據(jù)集X={x1,x2,…,xn}中數(shù)據(jù)點(diǎn)之間的測(cè)地距離dG(xi,xj);

    2)根據(jù)定義1計(jì)算任意兩點(diǎn)xi和xj的前p個(gè)共同近鄰數(shù)SNN(xi,xj);

    3)計(jì)算基于測(cè)地距離和共享近鄰的數(shù)據(jù)點(diǎn)之間的相似度,構(gòu)造相應(yīng)的相似矩陣W=[wij]n×n,其中:

    wij=exp(-d2G(xi,xj)σiσj(SNN(xi,xj)+1)),i≠j,1,i=j,

    式中σi和σj分別表示點(diǎn)xi和xj到各自第l個(gè)近鄰的歐式距離,參見文獻(xiàn)[15],建議l=7。

    4)構(gòu)建規(guī)范化Laplacian矩陣L=D-1/2WD-1/2,其中D=diag(d1, d2,…, di,…,dn),di=∑nj=1wij 。

    5)計(jì)算矩陣L的前k個(gè)最大特征值及其對(duì)應(yīng)的特征向量v1,v2,…,vk,可以得到特征矩陣V=[v1,v2,…,vk]∈Rn×k;

    6)將矩陣V的行向量規(guī)范為單位向量,得到新矩陣為U,則uij=vij/(∑kv2ik)1/2;

    7)將矩陣U的每一行對(duì)應(yīng)回原數(shù)據(jù)集中的相應(yīng)點(diǎn),利用kmeans算法將其聚成k類C1,C2,…,Ck。

    3實(shí)驗(yàn)與分析

    為了驗(yàn)證本研究算法的性能,對(duì)比算法為k均值算法(kmeans)和基于規(guī)范化拉普拉斯矩陣的譜聚類算法(NJW),實(shí)驗(yàn)數(shù)據(jù)集為5個(gè)人工數(shù)據(jù)集和5個(gè)真實(shí)UCI數(shù)據(jù)集。

    實(shí)驗(yàn)的操作平臺(tái)為64位win7系統(tǒng)、CPU為Intel(R) Core(TM)i52450M(2.50 GHz)、4G內(nèi)存的計(jì)算機(jī)和Matlab R2014a。

    3.1評(píng)價(jià)指標(biāo)

    對(duì)聚類結(jié)果的評(píng)價(jià)是檢驗(yàn)聚類算法結(jié)果好壞的重要環(huán)節(jié),不同的評(píng)價(jià)標(biāo)準(zhǔn)會(huì)突出聚類算法不同的特性。本研究選取Rand指標(biāo)[16]作為評(píng)價(jià)標(biāo)準(zhǔn),即根據(jù)本研究算法得到的決策數(shù)的正確率來評(píng)價(jià)算法的性能。定義決策數(shù)的正確率如下:

    RI=a+da+b+c+d。

    假設(shè)待聚類數(shù)據(jù)集有n個(gè)樣本,任意2個(gè)樣本可組成一個(gè)樣本對(duì),則有n(n-1)/2個(gè)樣本對(duì),即有n(n-1)/2個(gè)決策數(shù)目。式中:a表示同一類的樣本對(duì)被聚類到同一簇中;b表示不同類的樣本對(duì)被聚類到同一簇中;c表示同一類的樣本對(duì)被聚類到不同簇中;d表示不同類的樣本對(duì)被聚類到不同類的簇中,即a+d表示聚類正確的決策數(shù),a+b+c+d表示總決策數(shù)n(n-1)/2。可知RI ∈(0,1),當(dāng)RI的值越大,則說明決策數(shù)的正確率越高。當(dāng)RI=1時(shí),則說明聚類算法的聚類結(jié)果完全正確。

    3.2數(shù)據(jù)集及實(shí)驗(yàn)結(jié)果分析

    3.2.1人工數(shù)據(jù)集

    5個(gè)人工實(shí)驗(yàn)二維數(shù)據(jù)集的詳細(xì)信息如下:

    Twomoons數(shù)據(jù)集:由2個(gè)弧形結(jié)構(gòu)構(gòu)成,1 502個(gè)樣本,2個(gè)類。

    LineBlobs數(shù)據(jù)集:笑臉形,包含266個(gè)樣本,3個(gè)類。

    Spiral數(shù)據(jù)集:螺旋形,包含944個(gè)樣本,2個(gè)類。

    Sticks數(shù)據(jù)集:由4個(gè)線形結(jié)構(gòu)構(gòu)成,包含512個(gè)樣本,4個(gè)類。

    Threecircles數(shù)據(jù)集:由同心圓構(gòu)成,包含299個(gè)樣本,3個(gè)類。

    實(shí)驗(yàn)結(jié)果在圖4中給出,本研究所提算法在密度分布不均和非塊狀(弧形、圓圈形、線形等)數(shù)據(jù)集上都得到最優(yōu)劃分,證明了基于自適應(yīng)相似度矩陣的譜聚類算法的強(qiáng)大聚類功能。而kmeans算法和NJW算法都或多或少的出現(xiàn)了不同程度的聚類錯(cuò)誤。試驗(yàn)中NJW算法中σ的取值為數(shù)據(jù)點(diǎn)距離差值Δd的10%~20%時(shí)較理想[17](Δd=maxi≠j Dij-mini≠j Dij,這里的D為歐式距離矩陣),統(tǒng)一取σ=0.1Δd。

    3.2.2標(biāo)準(zhǔn)UCI數(shù)據(jù)集

    5個(gè)真實(shí)實(shí)驗(yàn)數(shù)據(jù)集來自UCI數(shù)據(jù)庫,分別是:

    鳶尾花數(shù)據(jù)集——Iris Data Set,后文簡(jiǎn)稱Iris;

    葡萄酒數(shù)據(jù)集——Wine Data Set,后文簡(jiǎn)稱Wine;

    玻璃鑒定數(shù)據(jù)集——Glass Identification Data Set,后文簡(jiǎn)稱Glass;

    澳大利亞信貸審批數(shù)據(jù)集——Statlog (Australian Credit Approval) Data Set,后文簡(jiǎn)稱Acd;

    鈔票驗(yàn)證數(shù)據(jù)集——Banknote Authentication Data Set,后文簡(jiǎn)稱Bna。

    數(shù)據(jù)特征如表1所示。

    表2給出的是k-means、NJW和本研究算法的聚類準(zhǔn)確率,在NJW算法中的最后一步會(huì)用到k-means算法劃分,而在應(yīng)用該算法時(shí),不同的初始類中心會(huì)產(chǎn)生不同的聚類結(jié)果,為了降低此影響,本研究的k-means和NJW算法的取值都是程序運(yùn)行20次的平均值。上節(jié)提到NJW算法中σ的取值為數(shù)據(jù)點(diǎn)距離差值的10%~20%較理想,不失一般性,取δ=0.1d和δ=0.2d兩種情況下進(jìn)行驗(yàn)證實(shí)驗(yàn)。

    從表2給出的準(zhǔn)確率的對(duì)比分析可知,在Wine數(shù)據(jù)集和Bna數(shù)據(jù)集上的聚類效果k-means算法優(yōu)于NJW算法,在Iris數(shù)據(jù)集和Acd數(shù)據(jù)集上的聚類結(jié)果,不論NJW算法取哪個(gè)參數(shù)都要比k-means算法高,而在Glass數(shù)據(jù)集上,k-means算法的聚類結(jié)果則介于NJW算法的2個(gè)不同參數(shù)得到的聚類準(zhǔn)確率之間,這表明對(duì)具有不同結(jié)構(gòu)的數(shù)據(jù)集,不同算法都有其優(yōu)缺點(diǎn)。而本研究所提算法在這5個(gè)實(shí)際數(shù)據(jù)集上的聚類準(zhǔn)確率都是最高的,再一次證明了本研究算法的魯棒性。

    4結(jié)語

    聚類結(jié)果對(duì)高斯核函數(shù)中尺度參數(shù)的選取極其敏感,距離函數(shù)在相似矩陣的構(gòu)建中同樣占據(jù)至關(guān)重要的地位,沒有一種距離函數(shù)適合所有類型的數(shù)據(jù)集。本研究在充分分析數(shù)據(jù)聚類一致性特征的基礎(chǔ)上,選用測(cè)地距離函數(shù)表征數(shù)據(jù)間的距離度量,同時(shí)引入共享近鄰的定義來表征兩點(diǎn)間的局部密度,進(jìn)而構(gòu)建了一種自適應(yīng)的相似矩陣,更好地刻畫數(shù)據(jù)集的本征結(jié)構(gòu),應(yīng)用到譜聚類算法后,在密度分布不均以及非塊狀(弧形、圓圈形、線形等)的人工數(shù)據(jù)集上、通用國際UCI實(shí)際數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),表明了本文算法對(duì)復(fù)雜分布數(shù)據(jù)有很強(qiáng)的自適應(yīng)能力,且準(zhǔn)確率較高。下一步的研究重心將放在運(yùn)行效率的提高以及在高維數(shù)據(jù)集上的準(zhǔn)確性研究方面。

    參考文獻(xiàn)/References:

    [1]楊英,李海萍,于向東,等.基于因子和聚類分析的中國各省市競(jìng)爭(zhēng)力分析與研究[J].河北工業(yè)科技, 2013, 30(5): 347-351.

    YANG Ying,LI Haiping,YU Xiangdong,et al. Research of competitive power of provinces and cities in China based on factor analysis and cluster analysis[J]. Hebei Journal of Industrial Science and Technology, 2013, 30(5): 347-351.

    [2]LUXBURG U. A tutorial on spectral clustering[J]. Statistics and Computing, 2007,17(4): 395-416.

    [3]劉仲民, 李戰(zhàn)明, 李博皓,等. 基于稀疏矩陣的譜聚類圖像分割算法[J].吉林大學(xué)學(xué)報(bào)(工學(xué)版), 2017, 47(4):1308-1313.

    LIU Zhongmin, LI Zhanming, LI Bohao,et al. Spectral clustering image segmentation algorithm based on sparse matrix[J]. Journal of Jilin University(Engineering and Technology Edition), 2017, 47(4):1308-1313.

    [4]MIJANGOS V, SIERRA G, MONTES A. Sentence level matrix representation for document spectral clustering[J]. Pattern Recognition Letters, 2017, 85:29-34.

    [5]RODRGUEZ-PULIDO F J, GORDILLO B, LOURDES GONZLEZ-MIRET M, et al. Analysis of food appearance properties by computer vision applying ellipsoids to colour data[J]. Computers & Electronics in Agriculture, 2013, 99(99):108-115.

    [6]孔萬增, 孫昌思核, 張建海,等. 近鄰自適應(yīng)局部尺度的譜聚類算法[J]. 中國圖象圖形學(xué)報(bào), 2012; 17(4): 523-529.

    KONG Wanzeng, SUNCHANG Sihe, ZHANG Jianhai,et al. Spectral clustering based on neighboring adaptive local scale[J]. Journal of Image and Graphics, 2012, 17(4): 523-529.

    [7]劉馨月, 李靜偉, 于紅,等. 基于共享近鄰的自適應(yīng)譜聚類[J]. 小型微型計(jì)算機(jī)系統(tǒng), 2011, 32(9): 1876-1880.

    LIU Xinyue, LI Jingwei, YU Hong,et al. Adaptive spectral clustering based on shared nearest neighbors[J]. Journal of Chinese Mini-Micro Computer Systems, 2011, 32(9): 1876-1880.

    [8]張亞平, 楊明. 一種基于密度敏感的自適應(yīng)譜聚類算法[J]. 數(shù)學(xué)的實(shí)踐與認(rèn)識(shí), 2013, 43(20): 150-156.

    ZHANG Yaping, YANG Ming. A kind of density sensitive adaptive spectral clusting algorithm[J]. Mathematics in Practice and Theory, 2013, 43(20): 150-156.

    [9]INKAYA T. A parameter-free similarity graph for spectral clustering[J]. Expert Systems with Applications, 2015, 42(24): 9489-9498.

    [10]BEAUCHEMIN M. A density-based similarity matrix construction for spectral clustering[J]. Neurocomputing, 2015, 151(151): 835-844.

    [11]BROCKMANN D, HELBING D. The hidden geometry of complex, network-driven contagion phenomena[J]. Science, 2013, 342(6164): 1337-1342.

    [12]李方源. 基于電阻距離的中文文本譜聚類算法研究[D].廣州:華南理工大學(xué), 2013.

    LI Fangyuan. Study of Spectral Clustering for Chinese Document Base on Resistance Distance[D]. Guangzhou: South China University of Technology, 2013.

    [13]TENENBAUM J B, de SILVA V, LANGFORD J C. A global geometric framework for nonlinear dimensionality reduction[J]. Science, 2000, 290(5500): 2319-2323.

    [14]JARVIS R A, PATRICK E A. Clustering using a similarity measure based on shared nearest neighbors[J]. IEEE Transactions on Computers, 1973, 22(11): 1025-1034.

    [15]ZELNIK-MANOR L, PERONA P. Self-tuning spectral clustering[J]. In Proceeding of NIPS, 2005, 1601-1608.

    [16]YEH C C, YANG M S. Evaluation measures for cluster ensembles based on a fuzzy generalized Rand index[J]. Applied Soft Computing, 2017, 57:225-234.

    [17]ERTZ L, STEINBACH M, KUMAR V. A new shared nearest neighbor clustering algorithm and its applications[C]// Workshop on Clustering High Dimensional Data and Its Applications, at Siam International Conference on Data Mining.[S.l.]:[s.n.], 2002, 105-115.

    猜你喜歡
    應(yīng)用數(shù)學(xué)密度
    『密度』知識(shí)鞏固
    密度在身邊 應(yīng)用隨處見
    “玩轉(zhuǎn)”密度
    密度應(yīng)用知多少
    密度應(yīng)用進(jìn)行時(shí)……
    密度“四問”
    高考全國卷背景下的數(shù)學(xué)復(fù)習(xí)策略芻議
    淺談應(yīng)用數(shù)學(xué)與數(shù)學(xué)建模思想的分析
    未來英才(2016年13期)2017-01-13 06:55:52
    淺析應(yīng)用數(shù)學(xué)在經(jīng)濟(jì)學(xué)中的作用
    初中數(shù)學(xué)應(yīng)用題教學(xué)存在的問題及解決策略分析
    全区人妻精品视频| 亚洲aⅴ乱码一区二区在线播放| 亚洲va在线va天堂va国产| a级毛色黄片| 国产激情偷乱视频一区二区| 亚洲电影在线观看av| 久久精品夜夜夜夜夜久久蜜豆| 成年女人永久免费观看视频| 一本一本综合久久| 亚洲在线观看片| 亚洲成色77777| 婷婷色综合大香蕉| 91久久精品国产一区二区成人| 桃色一区二区三区在线观看| 欧美变态另类bdsm刘玥| 国产精品综合久久久久久久免费| 又粗又硬又长又爽又黄的视频| 日韩av在线大香蕉| 中文乱码字字幕精品一区二区三区 | 久久精品夜夜夜夜夜久久蜜豆| 综合色丁香网| 欧美极品一区二区三区四区| 亚洲在久久综合| 亚洲精品日韩在线中文字幕| 一边亲一边摸免费视频| 1024手机看黄色片| 波多野结衣巨乳人妻| 永久免费av网站大全| 丰满人妻一区二区三区视频av| 国产精品久久久久久av不卡| 高清在线视频一区二区三区 | or卡值多少钱| 啦啦啦啦在线视频资源| 久久久久国产网址| 久久久成人免费电影| av在线播放精品| 啦啦啦啦在线视频资源| 国产精品国产高清国产av| 国产真实伦视频高清在线观看| 舔av片在线| 热99re8久久精品国产| 久久精品熟女亚洲av麻豆精品 | 欧美日本亚洲视频在线播放| 激情 狠狠 欧美| 在线免费观看不下载黄p国产| 精品国内亚洲2022精品成人| 午夜福利高清视频| 亚洲av电影在线观看一区二区三区 | 黑人高潮一二区| 最后的刺客免费高清国语| 高清毛片免费看| 天天一区二区日本电影三级| 久久精品国产自在天天线| 青青草视频在线视频观看| 青春草国产在线视频| 亚洲人成网站在线观看播放| 中文欧美无线码| 亚洲av电影在线观看一区二区三区 | 淫秽高清视频在线观看| 51国产日韩欧美| 亚洲av中文字字幕乱码综合| 中文欧美无线码| 青青草视频在线视频观看| 国产亚洲一区二区精品| 国产精品不卡视频一区二区| 少妇人妻一区二区三区视频| 一区二区三区四区激情视频| 亚洲久久久久久中文字幕| 国产毛片a区久久久久| www日本黄色视频网| 日韩成人av中文字幕在线观看| 成人鲁丝片一二三区免费| 国产成人一区二区在线| 3wmmmm亚洲av在线观看| 卡戴珊不雅视频在线播放| 老司机福利观看| 岛国毛片在线播放| 最近最新中文字幕免费大全7| 国产在视频线精品| 国产欧美日韩精品一区二区| 波多野结衣高清无吗| 淫秽高清视频在线观看| 嘟嘟电影网在线观看| 国产精品乱码一区二三区的特点| 九九久久精品国产亚洲av麻豆| 美女内射精品一级片tv| 欧美97在线视频| 边亲边吃奶的免费视频| 国产精品女同一区二区软件| 久久久久久久国产电影| 高清午夜精品一区二区三区| 99在线人妻在线中文字幕| 高清av免费在线| 国产真实乱freesex| 国产色婷婷99| 日本免费一区二区三区高清不卡| 免费大片18禁| 高清毛片免费看| 人体艺术视频欧美日本| 国产精品日韩av在线免费观看| 非洲黑人性xxxx精品又粗又长| 日韩欧美在线乱码| 男人舔女人下体高潮全视频| 搡老妇女老女人老熟妇| 亚洲图色成人| 国产乱人视频| 亚洲av熟女| 国产久久久一区二区三区| 夫妻性生交免费视频一级片| 变态另类丝袜制服| 少妇熟女欧美另类| 亚洲成色77777| 日韩大片免费观看网站 | 伦理电影大哥的女人| 久久精品夜夜夜夜夜久久蜜豆| 欧美xxxx黑人xx丫x性爽| videos熟女内射| 我的老师免费观看完整版| 男女边吃奶边做爰视频| 国产一级毛片在线| 人人妻人人澡人人爽人人夜夜 | 日韩强制内射视频| 亚洲欧美精品综合久久99| 女人久久www免费人成看片 | 日本熟妇午夜| 亚州av有码| 成人性生交大片免费视频hd| 国产成人freesex在线| 日韩精品有码人妻一区| 国产淫片久久久久久久久| 亚洲人成网站在线观看播放| 亚洲欧美成人综合另类久久久 | 午夜福利在线在线| 亚洲五月天丁香| 99热这里只有是精品50| 亚洲乱码一区二区免费版| 天美传媒精品一区二区| 观看免费一级毛片| 久久久亚洲精品成人影院| 超碰av人人做人人爽久久| 国产91av在线免费观看| 国产免费一级a男人的天堂| 男女国产视频网站| 中文字幕亚洲精品专区| 人妻夜夜爽99麻豆av| or卡值多少钱| 亚洲国产精品国产精品| 亚洲精品日韩在线中文字幕| videossex国产| 亚洲在线观看片| 久久久午夜欧美精品| av在线播放精品| 老师上课跳d突然被开到最大视频| av在线蜜桃| 亚洲最大成人av| 如何舔出高潮| 大话2 男鬼变身卡| 国产黄色小视频在线观看| 高清毛片免费看| 1000部很黄的大片| 一二三四中文在线观看免费高清| 国产 一区 欧美 日韩| 在线观看av片永久免费下载| 一二三四中文在线观看免费高清| 国产精品野战在线观看| 亚洲av成人精品一二三区| 男人的好看免费观看在线视频| 国产精品野战在线观看| 九九久久精品国产亚洲av麻豆| 禁无遮挡网站| 亚洲性久久影院| 3wmmmm亚洲av在线观看| 国产精品熟女久久久久浪| 亚洲人成网站在线观看播放| 日日撸夜夜添| 人妻系列 视频| 国产精品不卡视频一区二区| av免费在线看不卡| 久久精品国产亚洲网站| 国产高清不卡午夜福利| 中国国产av一级| 午夜精品国产一区二区电影 | 午夜精品一区二区三区免费看| 亚洲激情五月婷婷啪啪| 六月丁香七月| 国产成人午夜福利电影在线观看| 美女黄网站色视频| 国产片特级美女逼逼视频| 18+在线观看网站| 午夜a级毛片| 日韩亚洲欧美综合| 久久久久国产网址| 淫秽高清视频在线观看| 国产av一区在线观看免费| 永久免费av网站大全| 一个人免费在线观看电影| 高清在线视频一区二区三区 | 亚洲国产最新在线播放| 国产伦一二天堂av在线观看| 国产成年人精品一区二区| 久久人人爽人人片av| 少妇高潮的动态图| 亚洲国产欧美人成| 日韩欧美国产在线观看| 国产一区二区三区av在线| 能在线免费看毛片的网站| 赤兔流量卡办理| eeuss影院久久| 国内精品宾馆在线| 国产精品一区二区三区四区免费观看| 九色成人免费人妻av| 啦啦啦啦在线视频资源| 国产女主播在线喷水免费视频网站 | 欧美激情在线99| 国产成人a区在线观看| 2022亚洲国产成人精品| 最近手机中文字幕大全| 国产精品乱码一区二三区的特点| 亚洲国产欧美人成| 级片在线观看| 国产午夜精品久久久久久一区二区三区| 欧美成人一区二区免费高清观看| 高清视频免费观看一区二区 | 国产亚洲av嫩草精品影院| 麻豆一二三区av精品| 少妇丰满av| 人妻少妇偷人精品九色| 欧美最新免费一区二区三区| 日韩成人av中文字幕在线观看| 成人美女网站在线观看视频| 亚洲欧美成人综合另类久久久 | 成人国产麻豆网| 亚洲欧美一区二区三区国产| 成年女人看的毛片在线观看| 久久韩国三级中文字幕| 国产伦在线观看视频一区| 国产成年人精品一区二区| 国产中年淑女户外野战色| 网址你懂的国产日韩在线| 淫秽高清视频在线观看| 免费人成在线观看视频色| 久久精品久久久久久噜噜老黄 | 国内少妇人妻偷人精品xxx网站| 国产黄色小视频在线观看| 一级爰片在线观看| 亚洲国产精品专区欧美| 中文字幕亚洲精品专区| 男女啪啪激烈高潮av片| 国产精品久久视频播放| 国产毛片a区久久久久| 久久久久久久午夜电影| 亚洲在线自拍视频| 黄片wwwwww| 日韩 亚洲 欧美在线| 美女脱内裤让男人舔精品视频| 一级毛片久久久久久久久女| 亚洲人成网站在线观看播放| АⅤ资源中文在线天堂| 亚洲av成人精品一区久久| 少妇被粗大猛烈的视频| 欧美3d第一页| 精品熟女少妇av免费看| 久久婷婷人人爽人人干人人爱| 色哟哟·www| 人妻少妇偷人精品九色| 国产伦在线观看视频一区| 国产午夜精品久久久久久一区二区三区| 色哟哟·www| 卡戴珊不雅视频在线播放| 国产麻豆成人av免费视频| 日韩视频在线欧美| 成人毛片60女人毛片免费| 色哟哟·www| 青春草国产在线视频| 亚洲最大成人中文| 久久精品国产自在天天线| 久久午夜福利片| 一级爰片在线观看| 波多野结衣高清无吗| 搡老妇女老女人老熟妇| 亚洲av不卡在线观看| 欧美最新免费一区二区三区| 久久人人爽人人爽人人片va| 亚洲欧美一区二区三区国产| 青春草视频在线免费观看| 久久欧美精品欧美久久欧美| 久99久视频精品免费| 一级黄色大片毛片| 丝袜美腿在线中文| 日韩,欧美,国产一区二区三区 | 久久久久久久久久久免费av| 最近中文字幕高清免费大全6| 亚洲av中文字字幕乱码综合| 精品久久久久久久久av| 啦啦啦韩国在线观看视频| 久久99热这里只有精品18| 又爽又黄无遮挡网站| 22中文网久久字幕| 国产老妇伦熟女老妇高清| 免费av不卡在线播放| 国产黄色小视频在线观看| 午夜免费男女啪啪视频观看| 国产精品日韩av在线免费观看| 99热这里只有是精品50| 国产一区亚洲一区在线观看| 国产精品麻豆人妻色哟哟久久 | 欧美zozozo另类| 久久这里有精品视频免费| 97超视频在线观看视频| 国产又黄又爽又无遮挡在线| 亚洲怡红院男人天堂| 欧美3d第一页| 国产午夜精品久久久久久一区二区三区| 乱系列少妇在线播放| 亚洲第一区二区三区不卡| 精品久久久久久久末码| 人人妻人人澡人人爽人人夜夜 | 午夜精品在线福利| 亚洲第一区二区三区不卡| videossex国产| 少妇高潮的动态图| 午夜亚洲福利在线播放| 国产成人一区二区在线| 日本免费a在线| 国产午夜精品一二区理论片| 国产成人福利小说| 国产精品野战在线观看| 一级毛片电影观看 | 国产精品久久久久久精品电影| 国产精品伦人一区二区| 欧美日韩在线观看h| 免费在线观看成人毛片| 亚洲精品日韩在线中文字幕| 韩国av在线不卡| 日本免费一区二区三区高清不卡| 狂野欧美白嫩少妇大欣赏| 久久亚洲国产成人精品v| 亚洲最大成人中文| 亚洲不卡免费看| 日本一本二区三区精品| 色综合色国产| 亚洲伊人久久精品综合 | 国产美女午夜福利| 国产伦精品一区二区三区四那| 边亲边吃奶的免费视频| av又黄又爽大尺度在线免费看 | 韩国高清视频一区二区三区| 午夜视频国产福利| 久久久久久九九精品二区国产| 免费大片18禁| 国产大屁股一区二区在线视频| 永久免费av网站大全| 免费观看人在逋| 精品久久久久久成人av| av在线蜜桃| 青青草视频在线视频观看| 精品人妻一区二区三区麻豆| 国产高潮美女av| 超碰av人人做人人爽久久| 中文字幕人妻熟人妻熟丝袜美| 午夜福利高清视频| 丝袜美腿在线中文| 欧美潮喷喷水| 国产伦精品一区二区三区视频9| 精品人妻熟女av久视频| 欧美日韩综合久久久久久| 免费观看人在逋| 精品99又大又爽又粗少妇毛片| 久久久久久九九精品二区国产| 老司机影院成人| 天堂中文最新版在线下载 | 亚洲av成人av| 国产伦精品一区二区三区四那| 国产成人福利小说| 秋霞伦理黄片| 国产高清国产精品国产三级 | 六月丁香七月| 精品不卡国产一区二区三区| 午夜福利视频1000在线观看| 我的老师免费观看完整版| 中文乱码字字幕精品一区二区三区 | 欧美一区二区精品小视频在线| 精品欧美国产一区二区三| 成年女人看的毛片在线观看| 国产老妇伦熟女老妇高清| 纵有疾风起免费观看全集完整版 | 久久草成人影院| a级毛色黄片| 91久久精品电影网| 免费在线观看成人毛片| 91午夜精品亚洲一区二区三区| 国产老妇伦熟女老妇高清| 国产一级毛片七仙女欲春2| 日本欧美国产在线视频| 国产免费一级a男人的天堂| av女优亚洲男人天堂| 国产女主播在线喷水免费视频网站 | 丰满少妇做爰视频| av.在线天堂| 一边摸一边抽搐一进一小说| 大话2 男鬼变身卡| 丝袜美腿在线中文| 亚洲不卡免费看| 精品国产一区二区三区久久久樱花 | 国产色爽女视频免费观看| 亚洲乱码一区二区免费版| 最近手机中文字幕大全| 高清视频免费观看一区二区 | 五月玫瑰六月丁香| 99久国产av精品| ponron亚洲| 欧美成人一区二区免费高清观看| kizo精华| 黑人高潮一二区| 国产单亲对白刺激| 永久免费av网站大全| 18禁在线无遮挡免费观看视频| 91精品一卡2卡3卡4卡| 美女国产视频在线观看| 色视频www国产| 小说图片视频综合网站| 亚洲av男天堂| 国产高清有码在线观看视频| 欧美成人精品欧美一级黄| 1000部很黄的大片| av视频在线观看入口| 秋霞伦理黄片| 亚洲怡红院男人天堂| 麻豆乱淫一区二区| 色网站视频免费| 综合色丁香网| 成人一区二区视频在线观看| 男女下面进入的视频免费午夜| 日韩亚洲欧美综合| h日本视频在线播放| 舔av片在线| 国产成人a区在线观看| 男女下面进入的视频免费午夜| 非洲黑人性xxxx精品又粗又长| 国产白丝娇喘喷水9色精品| 日韩欧美精品v在线| 日韩av在线大香蕉| 狂野欧美白嫩少妇大欣赏| 精品国产露脸久久av麻豆 | 中文字幕熟女人妻在线| 国产精品不卡视频一区二区| 嫩草影院新地址| 亚洲精品影视一区二区三区av| 蜜桃久久精品国产亚洲av| 人妻夜夜爽99麻豆av| 美女内射精品一级片tv| 国产伦一二天堂av在线观看| 国产精品三级大全| 国产精品麻豆人妻色哟哟久久 | 日韩三级伦理在线观看| 欧美成人午夜免费资源| 91aial.com中文字幕在线观看| 欧美xxxx性猛交bbbb| 麻豆久久精品国产亚洲av| 一级毛片我不卡| 白带黄色成豆腐渣| 亚洲av一区综合| 看片在线看免费视频| 婷婷六月久久综合丁香| 国产美女午夜福利| 精品国产一区二区三区久久久樱花 | 久久久午夜欧美精品| 国产精品一区www在线观看| 国产午夜福利久久久久久| 成人无遮挡网站| 九草在线视频观看| 69人妻影院| 搞女人的毛片| 在线观看美女被高潮喷水网站| 小蜜桃在线观看免费完整版高清| 又粗又硬又长又爽又黄的视频| 十八禁国产超污无遮挡网站| 亚洲怡红院男人天堂| 久久草成人影院| 国产精品无大码| 99热这里只有是精品在线观看| 午夜福利网站1000一区二区三区| 一二三四中文在线观看免费高清| 看黄色毛片网站| 亚洲熟妇中文字幕五十中出| 国产av一区在线观看免费| 26uuu在线亚洲综合色| 男人狂女人下面高潮的视频| 国产亚洲5aaaaa淫片| 亚洲人与动物交配视频| 1000部很黄的大片| 国产亚洲精品久久久com| 波野结衣二区三区在线| 丝袜美腿在线中文| 成人高潮视频无遮挡免费网站| 一个人免费在线观看电影| 尾随美女入室| 中国国产av一级| 在线播放无遮挡| 丰满乱子伦码专区| 国产精品电影一区二区三区| 国产av不卡久久| 欧美潮喷喷水| 亚洲欧洲日产国产| 国产激情偷乱视频一区二区| 99在线人妻在线中文字幕| 啦啦啦观看免费观看视频高清| 七月丁香在线播放| 99热这里只有精品一区| 国产精品福利在线免费观看| 热99re8久久精品国产| 国产精品综合久久久久久久免费| 久久久国产成人免费| 国产免费一级a男人的天堂| 精品欧美国产一区二区三| 两个人的视频大全免费| 久久久国产成人免费| 中文天堂在线官网| 国产精品美女特级片免费视频播放器| 纵有疾风起免费观看全集完整版 | 少妇丰满av| 别揉我奶头 嗯啊视频| 九九久久精品国产亚洲av麻豆| av线在线观看网站| 亚洲国产精品专区欧美| 天堂影院成人在线观看| 美女黄网站色视频| 国产日韩欧美在线精品| 亚洲av.av天堂| 中文在线观看免费www的网站| 丰满人妻一区二区三区视频av| 十八禁国产超污无遮挡网站| 久久久久久久久久黄片| 精品一区二区三区人妻视频| 1024手机看黄色片| 身体一侧抽搐| 国产真实乱freesex| 久久精品人妻少妇| 一本久久精品| 永久网站在线| 国产成人aa在线观看| 婷婷色麻豆天堂久久 | 久久99精品国语久久久| 人妻少妇偷人精品九色| 午夜福利网站1000一区二区三区| 亚洲欧美清纯卡通| 国产老妇女一区| 性色avwww在线观看| 精品国产露脸久久av麻豆 | av在线天堂中文字幕| 亚洲性久久影院| 两个人视频免费观看高清| 三级经典国产精品| 欧美成人一区二区免费高清观看| 中文亚洲av片在线观看爽| 久久国内精品自在自线图片| 亚洲电影在线观看av| 欧美色视频一区免费| 久久久久久九九精品二区国产| 三级毛片av免费| av播播在线观看一区| 女的被弄到高潮叫床怎么办| 国产精品av视频在线免费观看| 99久久人妻综合| 亚洲精品乱久久久久久| 联通29元200g的流量卡| 欧美一区二区国产精品久久精品| 亚洲成av人片在线播放无| 久久99热这里只频精品6学生 | 99久久中文字幕三级久久日本| 联通29元200g的流量卡| 日本猛色少妇xxxxx猛交久久| 成人欧美大片| 成人特级av手机在线观看| 免费av观看视频| 搡老妇女老女人老熟妇| 成人高潮视频无遮挡免费网站| 丝袜美腿在线中文| 插逼视频在线观看| 老司机影院成人| 久久欧美精品欧美久久欧美| 国产v大片淫在线免费观看| 亚洲伊人久久精品综合 | 国产高潮美女av| 成年免费大片在线观看| 男女下面进入的视频免费午夜| 国产大屁股一区二区在线视频| 日本猛色少妇xxxxx猛交久久| 久久久久免费精品人妻一区二区| 少妇裸体淫交视频免费看高清| 亚洲色图av天堂| 亚洲最大成人手机在线| 日本免费一区二区三区高清不卡| 免费看av在线观看网站| 精品久久久久久电影网 | 有码 亚洲区| 伦精品一区二区三区| 嫩草影院入口| 亚洲欧美精品自产自拍| 国产麻豆成人av免费视频| 久久99精品国语久久久| 午夜福利成人在线免费观看| 色综合亚洲欧美另类图片| 国产亚洲av片在线观看秒播厂 | 国产午夜精品久久久久久一区二区三区| 精品99又大又爽又粗少妇毛片| 爱豆传媒免费全集在线观看| 少妇的逼水好多| 最近中文字幕高清免费大全6| 高清午夜精品一区二区三区| 国产黄色视频一区二区在线观看 | 18禁动态无遮挡网站| 日韩大片免费观看网站 | 日本色播在线视频| 观看免费一级毛片|