• <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
    a级毛片免费高清观看在线播放| .国产精品久久| .国产精品久久| 黄片wwwwww| 久久久久久久午夜电影| 国产美女午夜福利| 亚洲国产精品久久男人天堂| 特级一级黄色大片| 日本五十路高清| 国产国拍精品亚洲av在线观看| 亚洲精品影视一区二区三区av| 青春草国产在线视频 | 精品久久久久久久久亚洲| 综合色av麻豆| 人妻系列 视频| 可以在线观看毛片的网站| 在线天堂最新版资源| 久久亚洲精品不卡| 岛国在线免费视频观看| 一卡2卡三卡四卡精品乱码亚洲| 欧美日本视频| 日本与韩国留学比较| 一级黄片播放器| 99久久人妻综合| 亚洲国产精品合色在线| 26uuu在线亚洲综合色| 99九九线精品视频在线观看视频| 桃色一区二区三区在线观看| 亚洲国产日韩欧美精品在线观看| 久久99蜜桃精品久久| 少妇的逼好多水| 最后的刺客免费高清国语| 蜜桃久久精品国产亚洲av| 亚洲最大成人中文| 久久精品国产亚洲av香蕉五月| 欧美性猛交╳xxx乱大交人| 可以在线观看的亚洲视频| 又黄又爽又刺激的免费视频.| 99久久九九国产精品国产免费| 欧美日韩在线观看h| 淫秽高清视频在线观看| 美女高潮的动态| 免费av观看视频| 欧美精品一区二区大全| 亚州av有码| 欧美成人a在线观看| 国产精品蜜桃在线观看 | 亚洲精品色激情综合| 欧美xxxx黑人xx丫x性爽| 成熟少妇高潮喷水视频| h日本视频在线播放| 日本五十路高清| 欧美精品国产亚洲| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | av在线天堂中文字幕| 国产伦精品一区二区三区视频9| 色综合站精品国产| 美女黄网站色视频| 激情 狠狠 欧美| 国产视频首页在线观看| 一边亲一边摸免费视频| 高清日韩中文字幕在线| 一级毛片电影观看 | 男女视频在线观看网站免费| av在线天堂中文字幕| 成人漫画全彩无遮挡| 国产麻豆成人av免费视频| 欧美变态另类bdsm刘玥| 国产一级毛片七仙女欲春2| 国产精品一及| 给我免费播放毛片高清在线观看| 国产色婷婷99| 国内精品美女久久久久久| 免费电影在线观看免费观看| 人妻少妇偷人精品九色| 精品久久久久久成人av| 免费av观看视频| 久久热精品热| 久久综合国产亚洲精品| 国产精品久久电影中文字幕| 国产精品一区二区三区四区免费观看| 婷婷色综合大香蕉| 国产黄片视频在线免费观看| 日韩av在线大香蕉| 久久精品夜色国产| 18+在线观看网站| 国产乱人视频| av在线播放精品| 晚上一个人看的免费电影| 国产伦在线观看视频一区| 国产三级在线视频| 欧美在线一区亚洲| 国产色爽女视频免费观看| 全区人妻精品视频| 日本-黄色视频高清免费观看| 26uuu在线亚洲综合色| 日本av手机在线免费观看| 日本黄色片子视频| 日本熟妇午夜| 久久中文看片网| 欧美日本亚洲视频在线播放| 亚洲欧美精品专区久久| 深爱激情五月婷婷| 亚洲久久久久久中文字幕| 少妇熟女aⅴ在线视频| 国产不卡一卡二| 久久韩国三级中文字幕| 国产在线精品亚洲第一网站| 国产爱豆传媒在线观看| 国产黄片视频在线免费观看| 亚洲在线观看片| 欧美精品一区二区大全| 成人午夜高清在线视频| 国产综合懂色| 久久久午夜欧美精品| 免费观看人在逋| 特大巨黑吊av在线直播| 在线天堂最新版资源| АⅤ资源中文在线天堂| 韩国av在线不卡| 欧美激情国产日韩精品一区| 我的女老师完整版在线观看| 美女 人体艺术 gogo| 国产成人一区二区在线| 日韩制服骚丝袜av| 国产精品嫩草影院av在线观看| 联通29元200g的流量卡| 国产不卡一卡二| 一本久久中文字幕| 啦啦啦韩国在线观看视频| 男女啪啪激烈高潮av片| 亚洲aⅴ乱码一区二区在线播放| 日本三级黄在线观看| 亚洲欧美精品自产自拍| 免费看美女性在线毛片视频| 久久精品国产鲁丝片午夜精品| 亚洲欧美精品自产自拍| 狠狠狠狠99中文字幕| 日本在线视频免费播放| 久久精品人妻少妇| 天天躁日日操中文字幕| 国产黄a三级三级三级人| av女优亚洲男人天堂| 午夜视频国产福利| 国内揄拍国产精品人妻在线| 午夜爱爱视频在线播放| 看免费成人av毛片| 亚洲18禁久久av| 亚洲成人久久爱视频| 欧美日本视频| 国产成年人精品一区二区| 日韩 亚洲 欧美在线| 中国美白少妇内射xxxbb| 精品久久久久久久久亚洲| 一本久久精品| av在线亚洲专区| 国产不卡一卡二| 亚洲四区av| 久久久久久久久中文| 91av网一区二区| 国产成人a∨麻豆精品| 国产日韩欧美在线精品| av免费观看日本| 午夜福利在线观看吧| 成人综合一区亚洲| 大型黄色视频在线免费观看| 精品久久久久久久久亚洲| 久久久久久久久久成人| 国产黄片美女视频| 麻豆久久精品国产亚洲av| 看非洲黑人一级黄片| 精品久久久久久久久av| 简卡轻食公司| 国产成人a区在线观看| 国产精品一区二区三区四区免费观看| 看非洲黑人一级黄片| 91久久精品国产一区二区成人| 欧美色视频一区免费| 大又大粗又爽又黄少妇毛片口| av福利片在线观看| 日韩欧美精品v在线| 六月丁香七月| 精品99又大又爽又粗少妇毛片| h日本视频在线播放| 亚洲美女视频黄频| 国产成人a∨麻豆精品| 欧美另类亚洲清纯唯美| 国产午夜精品论理片| 国产极品精品免费视频能看的| 有码 亚洲区| 久久久国产成人精品二区| 中文亚洲av片在线观看爽| 亚洲最大成人av| 九九爱精品视频在线观看| 亚洲中文字幕一区二区三区有码在线看| 日韩强制内射视频| 久久久a久久爽久久v久久| 人人妻人人澡欧美一区二区| 中国国产av一级| 51国产日韩欧美| 亚洲美女搞黄在线观看| 国产精品一区二区在线观看99 | 国产精品嫩草影院av在线观看| 99热精品在线国产| 色哟哟哟哟哟哟| 欧美一区二区亚洲| 欧美另类亚洲清纯唯美| 黄色日韩在线| 色噜噜av男人的天堂激情| 亚洲av一区综合| 成熟少妇高潮喷水视频| 好男人视频免费观看在线| 免费人成视频x8x8入口观看| 亚洲第一电影网av| 亚洲欧美精品自产自拍| 精品久久国产蜜桃| 人妻少妇偷人精品九色| 日韩一区二区视频免费看| 两性午夜刺激爽爽歪歪视频在线观看| 看非洲黑人一级黄片| 超碰av人人做人人爽久久| 免费看av在线观看网站| 国产毛片a区久久久久| 日韩中字成人| 夜夜爽天天搞| 级片在线观看| 日韩av不卡免费在线播放| 午夜亚洲福利在线播放| 亚洲精品456在线播放app| 色5月婷婷丁香| 国产三级在线视频| 欧美一区二区国产精品久久精品| 一本一本综合久久| 亚洲三级黄色毛片| 少妇丰满av| 狂野欧美白嫩少妇大欣赏| 看十八女毛片水多多多| 99九九线精品视频在线观看视频| 中出人妻视频一区二区| 色5月婷婷丁香| 欧美+亚洲+日韩+国产| 国产高清视频在线观看网站| 好男人在线观看高清免费视频| 国产久久久一区二区三区| 黄色一级大片看看| 一区福利在线观看| 亚洲七黄色美女视频| 欧美丝袜亚洲另类| 午夜视频国产福利| 久久热精品热| 亚洲内射少妇av| 午夜爱爱视频在线播放| 99久久精品一区二区三区| 国产爱豆传媒在线观看| 最近视频中文字幕2019在线8| 婷婷色av中文字幕| 国产成人freesex在线| 人人妻人人澡欧美一区二区| 超碰av人人做人人爽久久| 亚洲一区高清亚洲精品| 亚洲无线观看免费| АⅤ资源中文在线天堂| 老师上课跳d突然被开到最大视频| 最好的美女福利视频网| 欧美xxxx性猛交bbbb| 在线天堂最新版资源| av在线播放精品| 午夜免费男女啪啪视频观看| 色哟哟·www| 中文在线观看免费www的网站| 亚洲欧美精品专区久久| 免费在线观看成人毛片| 国产女主播在线喷水免费视频网站 | 别揉我奶头 嗯啊视频| 亚洲精品日韩在线中文字幕 | 日韩中字成人| 人妻系列 视频| 三级国产精品欧美在线观看| 精品久久久久久久末码| 国内精品一区二区在线观看| 日本av手机在线免费观看| 看片在线看免费视频| 免费电影在线观看免费观看| 欧洲精品卡2卡3卡4卡5卡区| 亚洲成人中文字幕在线播放| 久久精品国产99精品国产亚洲性色| 我的老师免费观看完整版| а√天堂www在线а√下载| 午夜免费男女啪啪视频观看| av免费在线看不卡| 亚洲第一电影网av| 精品久久久久久久久亚洲| 精品人妻熟女av久视频| 91久久精品电影网| 午夜老司机福利剧场| 欧美激情久久久久久爽电影| 欧美日韩乱码在线| 久久亚洲国产成人精品v| 97超视频在线观看视频| 最近最新中文字幕大全电影3| 97人妻精品一区二区三区麻豆| 国产精品美女特级片免费视频播放器| 成人特级黄色片久久久久久久| 日日干狠狠操夜夜爽| 亚洲欧美成人精品一区二区| 国国产精品蜜臀av免费| 联通29元200g的流量卡| 久久精品影院6| 国产乱人偷精品视频| 成人三级黄色视频| 国产69精品久久久久777片| 日韩一本色道免费dvd| 男人的好看免费观看在线视频| 欧美激情久久久久久爽电影| 一区二区三区四区激情视频 | 美女内射精品一级片tv| 天天一区二区日本电影三级| 狠狠狠狠99中文字幕| 国产伦理片在线播放av一区 | 真实男女啪啪啪动态图| 久久中文看片网| 别揉我奶头 嗯啊视频| 3wmmmm亚洲av在线观看| 女的被弄到高潮叫床怎么办| 国产一区二区在线观看日韩| 欧美极品一区二区三区四区| 18禁黄网站禁片免费观看直播| 日韩 亚洲 欧美在线| av在线蜜桃| 性色avwww在线观看| 波野结衣二区三区在线| 欧美成人一区二区免费高清观看| 国产精品一区二区在线观看99 | 精品国产三级普通话版| 日本三级黄在线观看| 少妇丰满av| 欧美成人精品欧美一级黄| 国产av在哪里看| 少妇人妻精品综合一区二区 | 99riav亚洲国产免费| 亚洲av二区三区四区| 日韩av在线大香蕉| 岛国毛片在线播放| 亚洲av熟女| 国产精品99久久久久久久久| 国产精品女同一区二区软件| 久久久久免费精品人妻一区二区| 丰满乱子伦码专区| 国产精品野战在线观看| 中文精品一卡2卡3卡4更新| 精品久久久久久成人av| 国产伦精品一区二区三区视频9| 中文字幕免费在线视频6| 深夜a级毛片| 国产视频内射| 国产三级在线视频| 嘟嘟电影网在线观看| 国产av在哪里看| 久久久久性生活片| 人人妻人人澡欧美一区二区| 国产精品伦人一区二区| 亚洲精品日韩av片在线观看| 国产精品久久久久久久久免| 精品国产三级普通话版| 级片在线观看| av又黄又爽大尺度在线免费看 | 色5月婷婷丁香| 听说在线观看完整版免费高清| 成人午夜精彩视频在线观看| 久久久久久国产a免费观看| 中文字幕久久专区| 久久精品综合一区二区三区| 成人午夜精彩视频在线观看| 听说在线观看完整版免费高清| 91精品一卡2卡3卡4卡| 久久久久久久午夜电影| 尾随美女入室| 国产一区二区三区在线臀色熟女| 亚洲欧美成人精品一区二区| 日韩成人av中文字幕在线观看| 久久久久免费精品人妻一区二区| 国产黄片视频在线免费观看| 欧美激情久久久久久爽电影| videossex国产| 国产老妇女一区| 久久久久九九精品影院| 成人毛片60女人毛片免费| av女优亚洲男人天堂| 成人毛片60女人毛片免费| 亚洲欧美中文字幕日韩二区| 久久欧美精品欧美久久欧美| 婷婷色av中文字幕| 一区福利在线观看| 国产亚洲av片在线观看秒播厂 | 一进一出抽搐gif免费好疼| 老司机影院成人| 日韩欧美 国产精品| 可以在线观看的亚洲视频| 国产三级中文精品| 国产亚洲欧美98| 精品人妻视频免费看| 亚洲av不卡在线观看| 3wmmmm亚洲av在线观看| 国产乱人偷精品视频| 久久中文看片网| 亚洲欧美日韩高清在线视频| 淫秽高清视频在线观看| 伊人久久精品亚洲午夜| 少妇猛男粗大的猛烈进出视频 | 日韩 亚洲 欧美在线| 久久欧美精品欧美久久欧美| 国产一级毛片在线| 最新中文字幕久久久久| 精品人妻一区二区三区麻豆| 国产成年人精品一区二区| 成人一区二区视频在线观看| 99九九线精品视频在线观看视频| 岛国毛片在线播放| 亚洲va在线va天堂va国产| 欧美日韩一区二区视频在线观看视频在线 | 久久人妻av系列| 丰满人妻一区二区三区视频av| 欧美一级a爱片免费观看看| 麻豆国产97在线/欧美| 99热精品在线国产| 久久久久久伊人网av| 99热这里只有精品一区| 日本与韩国留学比较| 久99久视频精品免费| 人妻夜夜爽99麻豆av| 国产精华一区二区三区| 人妻制服诱惑在线中文字幕| 一级二级三级毛片免费看| 人人妻人人看人人澡| 中文精品一卡2卡3卡4更新| 99久久人妻综合| 18禁黄网站禁片免费观看直播| 亚洲欧美中文字幕日韩二区| 99视频精品全部免费 在线| 天美传媒精品一区二区| 麻豆一二三区av精品| 在线免费观看的www视频| 色尼玛亚洲综合影院| 少妇丰满av| 嘟嘟电影网在线观看| 亚洲激情五月婷婷啪啪| 亚洲最大成人手机在线| 国产黄片美女视频| 激情 狠狠 欧美| 亚洲人成网站高清观看| 国产成人精品婷婷| 日韩成人伦理影院| 日韩av在线大香蕉| 不卡一级毛片| 成年免费大片在线观看| 国产精品精品国产色婷婷| 小蜜桃在线观看免费完整版高清| 深爱激情五月婷婷| 中文在线观看免费www的网站| 国产精品一及| 波多野结衣巨乳人妻| 听说在线观看完整版免费高清| 黄色一级大片看看| 99久久精品国产国产毛片| 人妻夜夜爽99麻豆av| 久久久久性生活片| 国内揄拍国产精品人妻在线| 亚洲欧美日韩高清在线视频| 免费看美女性在线毛片视频| 网址你懂的国产日韩在线| 给我免费播放毛片高清在线观看| 99国产极品粉嫩在线观看| 嘟嘟电影网在线观看| 日日撸夜夜添| 中文字幕av在线有码专区| 搡老妇女老女人老熟妇| 熟女电影av网| 久久精品国产亚洲网站| 男女下面进入的视频免费午夜| 亚洲天堂国产精品一区在线| 淫秽高清视频在线观看| 看十八女毛片水多多多| 国产淫片久久久久久久久| av天堂在线播放| 人妻久久中文字幕网| av免费在线看不卡| 18+在线观看网站| 色播亚洲综合网| 亚洲色图av天堂| 性插视频无遮挡在线免费观看| 真实男女啪啪啪动态图| 人妻制服诱惑在线中文字幕| 久久久精品94久久精品| 亚洲人成网站高清观看| 爱豆传媒免费全集在线观看| 啦啦啦观看免费观看视频高清| 色综合亚洲欧美另类图片| 日韩欧美精品免费久久| 内射极品少妇av片p| 欧美性猛交╳xxx乱大交人| 尾随美女入室| 狂野欧美激情性xxxx在线观看| 波多野结衣巨乳人妻| 97超视频在线观看视频| 久久久a久久爽久久v久久| eeuss影院久久| 啦啦啦啦在线视频资源| 男人舔奶头视频| 在现免费观看毛片| 美女脱内裤让男人舔精品视频 | 在线免费观看不下载黄p国产| 蜜臀久久99精品久久宅男| 可以在线观看的亚洲视频| ponron亚洲| 亚洲国产精品成人久久小说 | 男人和女人高潮做爰伦理| 又爽又黄a免费视频| 色综合亚洲欧美另类图片| 午夜精品一区二区三区免费看| 哪里可以看免费的av片| 一卡2卡三卡四卡精品乱码亚洲| 免费观看a级毛片全部| 亚洲精品乱码久久久v下载方式| 久久这里只有精品中国| 校园春色视频在线观看| 久久精品国产自在天天线| 欧美高清性xxxxhd video| 免费电影在线观看免费观看| 久久久精品大字幕| 国产成人福利小说| 国产伦理片在线播放av一区 | 国产乱人偷精品视频| 久久精品国产清高在天天线| 国产精品麻豆人妻色哟哟久久 | av.在线天堂| 日韩欧美精品免费久久| 赤兔流量卡办理| 一边亲一边摸免费视频| 国产午夜精品论理片| 69人妻影院| 国产高清不卡午夜福利| 国产片特级美女逼逼视频| 只有这里有精品99| 99久国产av精品| 久久精品国产自在天天线| 蜜桃久久精品国产亚洲av| 精品一区二区免费观看| 国产又黄又爽又无遮挡在线| 日韩三级伦理在线观看| 一级毛片aaaaaa免费看小| 嫩草影院精品99| 色综合色国产| 美女内射精品一级片tv| 日本黄色视频三级网站网址| 一进一出抽搐动态| 久久99蜜桃精品久久| 成年av动漫网址| 一区福利在线观看| 又黄又爽又刺激的免费视频.| 97超视频在线观看视频| 亚洲在线观看片| 久久人人爽人人爽人人片va| 99热这里只有是精品50| 亚洲熟妇中文字幕五十中出| 美女被艹到高潮喷水动态| 淫秽高清视频在线观看| 欧美激情国产日韩精品一区| 女人十人毛片免费观看3o分钟| 99久久九九国产精品国产免费| 亚洲国产精品成人综合色| 国产精品1区2区在线观看.| 午夜福利视频1000在线观看| 国产爱豆传媒在线观看| 桃色一区二区三区在线观看| 26uuu在线亚洲综合色| 日本三级黄在线观看| av又黄又爽大尺度在线免费看 | 欧美成人精品欧美一级黄| 菩萨蛮人人尽说江南好唐韦庄 | 女人被狂操c到高潮| www日本黄色视频网| 精品久久久久久久久久久久久| 中文精品一卡2卡3卡4更新| 人妻制服诱惑在线中文字幕| 精品人妻熟女av久视频| 亚洲av男天堂| 国产伦一二天堂av在线观看| 久久九九热精品免费| 亚洲成人中文字幕在线播放| 天堂av国产一区二区熟女人妻| 国产精品久久久久久av不卡| 此物有八面人人有两片| 亚洲人成网站高清观看| 亚洲aⅴ乱码一区二区在线播放| 欧美+亚洲+日韩+国产| 十八禁国产超污无遮挡网站| 亚洲欧美日韩卡通动漫| 欧美又色又爽又黄视频| 国产日韩欧美在线精品| 一个人观看的视频www高清免费观看| 99国产极品粉嫩在线观看| 国产成人精品一,二区 | 中文亚洲av片在线观看爽| 99久国产av精品| 九九热线精品视视频播放| 美女脱内裤让男人舔精品视频 | 人人妻人人澡欧美一区二区| 亚洲三级黄色毛片| 久久韩国三级中文字幕| 欧美日本亚洲视频在线播放| 成人一区二区视频在线观看| 日韩欧美精品免费久久| 欧美日韩精品成人综合77777| 国产午夜精品一二区理论片| 久久九九热精品免费|