• <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 ?

    數(shù)據(jù)流挖掘抑制概念漂移不良影響研究

    2018-12-10 09:13:16卞舒逸
    軟件導(dǎo)刊 2018年9期

    卞舒逸

    摘要:提升基于數(shù)據(jù)流的數(shù)據(jù)挖掘正確率并克服概念漂移的影響是當(dāng)前的研究熱點之一。相對于傳統(tǒng)意義上的數(shù)據(jù)挖據(jù),基于數(shù)據(jù)流的數(shù)據(jù)挖掘具有動態(tài)、數(shù)量多、持續(xù)性強(qiáng)等特點。由于傳統(tǒng)的數(shù)據(jù)挖掘算法都是應(yīng)用于靜態(tài)數(shù)據(jù),挖掘結(jié)果并不完全匹配動態(tài)變化。將樣本數(shù)據(jù)流進(jìn)行數(shù)據(jù)塊化處理后使用集成算法,可提升流數(shù)據(jù)挖掘的準(zhǔn)確性。其中集成算法基分類器包括決策樹和KNNModel算法等。對于不同算法的效果給予不同權(quán)值,提升算法相比于基分類器,能夠更加準(zhǔn)確地判定概念漂移的發(fā)生。實驗結(jié)果表明,通過集成學(xué)習(xí)方法可以有效提升學(xué)習(xí)效果及分類判定準(zhǔn)確率,非同質(zhì)類型的集成算法對于抑制概念漂移的不良影響可起到一定作用。

    關(guān)鍵詞:數(shù)據(jù)流挖掘; 概念漂移; 數(shù)據(jù)塊; 集成算法

    DOIDOI:10.11907/rjdk.181079

    中圖分類號:TP3-0

    文獻(xiàn)標(biāo)識碼:A文章編號文章編號:16727800(2018)009006403

    英文標(biāo)題Research on Data Flow Learning Suppression of Concept Drift Adverse Effects

    ——副標(biāo)題

    英文作者BIAN Shuyi

    英文作者單位(School of Computer, Nanjing University of Posts and Telecommunications, Nanjing 210003, China)

    英文摘要Abstract:It is an important research hotspot to improve the accuracy of data mining based on data mining and to deal with the impact of conceptual drift.Compared with data mining in the traditional sense,data mining of the data stream has such characteristics as dynamic, large amount and continuity.As the traditional data mining algorithms are applied to static data, the data mining results do not exactly match.In this paper, we improve the accuracy of streaming data mining by using an integrated algorithm.The integrated algorithm base classifier includes decision tree and KNNModel algorithm.Different weights are given to the corresponding algorithms.Compared with the base classifier, the lifting algorithm can determine the occurrence of concept drift more accurately.The integrated learning method can effectively improve the learning effect.The nonhomogeneous type of integration algorithm plays a certain role in suppressing the adverse effects of concept drift.

    英文關(guān)鍵詞Key Words:data mining; concept drift; data block; integrated algorithm

    0引言

    如今,數(shù)據(jù)流挖掘在越來越多的領(lǐng)域得到大量應(yīng)用,常見應(yīng)用有銀行業(yè)務(wù)中的信用卡欺詐判別、阿里巴巴等在線平臺對客戶消費的推薦與預(yù)測,百度、谷歌等公司對于大量搜索信息的挖掘,電信、移動等運營商的通訊信息處理等。數(shù)據(jù)流挖掘已經(jīng)成為當(dāng)前的研究熱點之一[1]。然而,由于數(shù)據(jù)流本身的動態(tài)特性,特別是其中存在的概念漂移問題,使傳統(tǒng)意義上的數(shù)據(jù)挖掘算法無法達(dá)到令人滿意的效果。由于概念漂移現(xiàn)象的影響,數(shù)據(jù)流挖掘需要在數(shù)據(jù)特性隨時間變化時能夠自適應(yīng)地跟隨變化,從而保證流數(shù)據(jù)挖掘的性能[2]。

    最早提出的針對概念漂移的數(shù)據(jù)流分類方法是2001年Hulten等[3]提出的CVFDT算法,其將VFDT算法進(jìn)行改進(jìn),通過構(gòu)建替代子樹的方法克服概念漂移的影響。當(dāng)檢測到概念漂移時,CVFDT使用所構(gòu)建的替代子樹替換原有VFDT樹中的子樹,使VFDT能夠及時更新,從而適應(yīng)新數(shù)據(jù)環(huán)境。因此,CVFDT算法不僅繼承了VFDT分類效率高的特點,而且能夠克服概念漂移對模型造成的影響,以保持分類的準(zhǔn)確與穩(wěn)定。隨著研究的深入,利用增量式學(xué)習(xí)思想對模型進(jìn)行實時更新成為新的研究熱點。Aboalsamh等[4]提出一種使用增量式學(xué)習(xí)方法的數(shù)據(jù)流分類模型,通過將分類模型學(xué)習(xí)過程進(jìn)行增量式處理,能夠加快模型的自我更新速度,從而通過不斷更新模型的方式解決概念漂移問題;Kuncheva等[5]對數(shù)據(jù)流分類模型進(jìn)行研究,發(fā)現(xiàn)分類模型的準(zhǔn)確率不僅受到概念漂移及數(shù)據(jù)本身質(zhì)量的影響,而且還與滑動窗口大小有關(guān)。因此,基于以上觀察,提出一種可變滑動窗口的數(shù)據(jù)流分類模型。當(dāng)發(fā)生概念漂移時,滑動窗口能夠自動放大或縮小窗口,使分類模型能夠有效地檢測概念漂移,以保證分類模型的及時更新,提高分類過程的準(zhǔn)確率;Seo等[6]對多變量數(shù)據(jù)流進(jìn)行研究,使用時間變量挖掘數(shù)據(jù)流中各屬性之間的關(guān)聯(lián)關(guān)系,進(jìn)而使用這些關(guān)系對數(shù)據(jù)流分類進(jìn)行指導(dǎo)。

    根據(jù)強(qiáng)可學(xué)習(xí)和弱可學(xué)習(xí)的概念,由于在實際應(yīng)用中,弱可學(xué)習(xí)算法更容易被發(fā)現(xiàn),而其又可以被證明與強(qiáng)可學(xué)習(xí)算法等價[7],所以使用集成學(xué)習(xí)方法,對應(yīng)不同應(yīng)用條件,相對賦予其中算法不同權(quán)值,可以得到更好的學(xué)習(xí)效果。本文主要研究非同質(zhì)型集成算法對于概念漂移自適應(yīng)能力的提升。

    1基礎(chǔ)分類器算法介紹

    1.1基于增量的KNNModel算法

    KNNModel算法與傳統(tǒng)的KNN算法相比,k值的確定更為容易,而且KNNModel能較好地滿足數(shù)據(jù)流挖掘工作對效率的要求。KNNModel算法的核心思想與KNN相近,以一個特征點為圓心作為分類區(qū)域,一方面盡可能包括相同樣本,另一方面要避免包括異類,使圓盡量大[8]。保存下來比較有效的模型簇形式是四元組和五元組,包括類別、半徑、數(shù)量和圓心。通過不斷迭代,最終達(dá)到分類目的[9]。

    層次糾錯輸出編碼相對于傳統(tǒng)算法事先構(gòu)造出同一編碼矩陣進(jìn)行分割,其能使用簇描述數(shù)據(jù)分布,是一種構(gòu)建層次的方法。層次糾錯輸出編碼的核心思想是,通過對同類簇采用一一對應(yīng)的方式編碼,使相同簇合并,并按照由多到少、由下到上的順序?qū)⒆罱咏膬蓚€簇合并起來[10]。上述方法的通用性在于其可以與其它算法相融合,擴(kuò)大算法適用范圍,從而使該算法在分類和糾錯方面具有突出效果。

    在此基礎(chǔ)上發(fā)展而來的基于增量的KNNModel動態(tài)層次糾錯輸出編碼算法可以處理概念漂移問題,其核心思想為:首先將數(shù)據(jù)流劃分為數(shù)據(jù)塊,在第一個數(shù)據(jù)塊上進(jìn)行學(xué)習(xí);然后建立類別規(guī)則區(qū)域,之后建立層次樹層次碼,并以中心點和邊界距離為依據(jù);最后采用可增量學(xué)習(xí)分類算法進(jìn)行學(xué)習(xí),生成分類器集合。分類器集合生成過程的終點利用活躍程度進(jìn)行判斷[11]。

    基于增量的KNNModel算法學(xué)習(xí)過程具體步驟如下:

    (1)在數(shù)據(jù)塊上進(jìn)行預(yù)學(xué)習(xí),建立規(guī)則區(qū)域,選擇合適的代表簇,建立層次樹層次編碼,利用學(xué)習(xí)算法學(xué)習(xí)后生成分類器集。

    (2)開始進(jìn)行增量學(xué)習(xí),具體步驟為:①數(shù)據(jù)到來后,根據(jù)代表簇對層次樹進(jìn)行更新;②有新類別出現(xiàn)時,依次計算已有類別的漂移度;③從漂移度最小的類別開始,根據(jù)情況進(jìn)行更新。

    (3)根據(jù)編碼矩陣訓(xùn)練單分類器。

    (4)學(xué)習(xí)后檢查編碼個數(shù),對編碼進(jìn)行修剪。

    1.2CVFDT決策樹算法

    該算法中最重要的步驟是對概念漂移的判斷與處理,在接收到數(shù)據(jù)時,解決窗口內(nèi)的概念差異。該算法將窗口劃分為若干個基本窗口,然后選擇最新概念的數(shù)據(jù)。為了保證準(zhǔn)確性,算法記錄了滑動窗口的歷史分類[12]。若模型判斷發(fā)生了概念漂移,則選用集成分類器,去掉沒有價值的決策樹分支子樹并進(jìn)行重建。因為概率分布不均,若滑動窗口概念混亂將造成決策樹分類錯誤,所以不一致的分類屬性需要暫時緩存。決定對決策樹中各個節(jié)點進(jìn)行分類或替代需要等待一段時間進(jìn)行處理[13],該處理方法可以在數(shù)據(jù)處理過程中減少噪聲的影響。

    決策樹處理過程如下:

    輸入:W={D1,D2,…,Dm}是滑動窗口數(shù)據(jù)塊集合;

    輸出:Tree是用來分類的決策樹;

    過程:For W 中的每個實例K

    用Tree將K排入葉子節(jié)點L中

    For 實例K所經(jīng)過的每個節(jié)點L

    更新流入L節(jié)點實例概要結(jié)構(gòu)的N

    For L節(jié)點替代子樹ALT中的每一個子樹

    遞歸調(diào)用該過程處理決策樹的子樹

    若L節(jié)點觀察的實例不全屬于同一類,且在當(dāng)前節(jié)點觀察的實例數(shù)大于數(shù)據(jù)塊

    借助概要結(jié)構(gòu)N找到最佳分裂屬性Xa和次佳分類屬性Xb

    若Xa與Xb間的信息熵之差滿足在閾值內(nèi)

    則可認(rèn)為Xa是最佳分裂屬性,并在L點進(jìn)行分裂

    初始化各個分裂節(jié)點的ALT樹與概要結(jié)構(gòu)N

    2非同質(zhì)型集成算法

    在集成算法中,分為同質(zhì)型集成算法即基分類器類別相同,以及非同質(zhì)型集成算法即基分類器類型不同。當(dāng)個體分類器差異變小時,不易提高集成分類器的準(zhǔn)確率,所以嘗試將KNN和決策樹兩種不同模型進(jìn)行混合,以期達(dá)到更好的學(xué)習(xí)性能[14]。

    在集成策略中,使用最廣泛的是經(jīng)典提升算法Adaboost。Adaboost算法與Bagging算法類似,都有放回抽樣,不同的是訓(xùn)練數(shù)據(jù)權(quán)重不同。在Adaboost算法中,每個訓(xùn)練數(shù)據(jù)被賦予相同的初始權(quán)值。隨著分類訓(xùn)練的進(jìn)行,錯誤樣本會得到更高的權(quán)重,而正確分類的數(shù)據(jù)則會被降低權(quán)重。對于分類器,樣本權(quán)重越高,分類難度越大[15]。由于所有訓(xùn)練數(shù)據(jù)都被更新過一次,因此需要再次對其進(jìn)行規(guī)范化處理。

    算法過程如下:

    輸入:

    訓(xùn)練數(shù)據(jù)集D

    成員分類模型個數(shù)k

    學(xué)習(xí)算法SM

    輸出:集成分類模型M

    方法:

    將訓(xùn)練數(shù)據(jù)集D中的每條數(shù)據(jù)初始化權(quán)重置為1/d;

    For i=1…k

    從訓(xùn)練數(shù)據(jù)集D中挑出高權(quán)重樣本并產(chǎn)生訓(xùn)練子集D1;

    對訓(xùn)練子集Di使用選定算法得到成員分類器Mi;

    通過計算成員分類Mi的分類誤差;

    If成員分類器Mi的分類誤差>0.5

    重新將訓(xùn)練子集數(shù)據(jù)的初始化權(quán)重置為1/d;

    再對抽樣訓(xùn)練數(shù)據(jù)子集產(chǎn)生新的成員分類器Mi;

    End if

    For 訓(xùn)練子集Di中被正確分類的數(shù)據(jù)

    更新權(quán)重,用現(xiàn)有權(quán)重乘以error(Mi)/(1-error(Mi))

    對更新完權(quán)重的數(shù)據(jù)作規(guī)范化處理;

    Return M;

    通過集成算法可以更加準(zhǔn)確地發(fā)現(xiàn)概念漂移現(xiàn)象,并及時調(diào)整分類模型,提高分類正確率。改進(jìn)的KNN和CVFDT都對概念漂移有一定自適應(yīng)能力,將這兩個模型作為弱分類器,采用集成算法結(jié)合生成混合模型。新模型對數(shù)據(jù)流變化有更好的適應(yīng)能力,同時也可通過混合模型方式減少決策樹算法對樣本的過度依賴。

    3仿真驗證

    為了驗證非同質(zhì)型集成算法的自適應(yīng)能力與應(yīng)對概念漂移的有效性,采用MATLAB仿真工具對新集成算法的有效性進(jìn)行檢測與分析,測試該方法在多種數(shù)據(jù)集下的效果。該仿真數(shù)據(jù)集由MATLAB仿真工具隨機(jī)生成,生成的數(shù)據(jù)集特征如表1所示。

    從以上實驗結(jié)果可以看出,相對于改進(jìn)的KNN和決策樹,其集成后的模型性能得到提升。KNN對概念漂移的自適應(yīng)是最慢的,最后穩(wěn)定效果也最差;改進(jìn)的決策樹初始效果超過了KNN,最后的穩(wěn)定性能也比KNN好,但有可能出現(xiàn)過度依賴樣本的狀況;集成算法開始時的自適應(yīng)效果比決策樹略差,但之后逐漸提升,最后穩(wěn)定在比決策樹略高的水平上。由此可得,這種差異化的集成算法在應(yīng)對概念漂移方面具有更好的性能。

    4結(jié)語

    混合模型吸取了集成算法的優(yōu)點,將弱學(xué)習(xí)模型通過一定比例組合,以提升模型性能,并通過試驗進(jìn)行了驗證,但模型復(fù)雜度也相對變大。在決策樹算法中由罰函數(shù)抑制過擬合問題,可防止決策樹模型過于復(fù)雜,但只能適應(yīng)樣本,無法適應(yīng)新數(shù)據(jù)。對于該項研究的下一階段目標(biāo)是仿照決策樹方法,構(gòu)建合適的罰函數(shù)模型,以檢測該混合模型是否出現(xiàn)了過擬合現(xiàn)象。

    參考文獻(xiàn)參考文獻(xiàn):

    [1]李思男,李寧,李戰(zhàn)懷.多標(biāo)簽數(shù)據(jù)挖掘技術(shù)研究綜述[J].計算機(jī)科學(xué),2013,40(4):1421.

    [2]ELWELL R,POLIKAR R.Incremental learning of concept drift in nonstationary environments [J].Neural Networks,IEEE Transactions on,2011,22(10):15171531.

    [3]KOTSIANTIS S B,PINTELAS P E.Recent advances in clustering:a brief survey [J].WSEAS Trans on Information Science and Application,2004,11(1):7381.

    [4]WANG S,MINKU L L,GHEZZI D,et al.Concept drift detection for online class imbalance learning[C].Neural Networks (IJCNN),The 2013 International Joint Conference on.IEEE,2013:110.

    [5]GUO G,WANG H,BELL D,et al.Using KNN model for automatic text categorization [J].Soft Computing,2006,10(5):423430.

    [6]李培培.數(shù)據(jù)流中概念漂移檢測與分類方法研究[D].合肥:合肥工業(yè)大學(xué),2012.

    [7]TSYMBAL A,PECHENIZKIY M,CUNNINGHAM P,et al.Dynamic integration of classifiers for handling concept drift [J].Information Fusion,2008,9(1):5668.

    [8]KOLTER J Z,MALOOF M A.Dynamic weighted majority:an ensemble method for drifting concepts [J].Journal of Machine Research,2007,8(12):27552790.

    80岁老熟妇乱子伦牲交| 国产亚洲一区二区精品| 亚洲欧美成人综合另类久久久| 国产在线男女| 一级爰片在线观看| 天天躁日日操中文字幕| 精品人妻视频免费看| 免费av不卡在线播放| 国产片特级美女逼逼视频| 国产一区二区亚洲精品在线观看| 精品不卡国产一区二区三区| 亚洲丝袜综合中文字幕| 又爽又黄无遮挡网站| 成人漫画全彩无遮挡| 免费av毛片视频| 纵有疾风起免费观看全集完整版 | 午夜激情福利司机影院| 国产精品久久久久久精品电影| 久久久久久九九精品二区国产| 久久久精品免费免费高清| 成人鲁丝片一二三区免费| 久久99热这里只有精品18| 纵有疾风起免费观看全集完整版 | 1000部很黄的大片| av在线亚洲专区| 99久久人妻综合| 人妻少妇偷人精品九色| 国产高清有码在线观看视频| 国产爱豆传媒在线观看| 不卡视频在线观看欧美| 国产精品麻豆人妻色哟哟久久 | 国产一级毛片七仙女欲春2| 久久久久国产网址| 国产日韩欧美在线精品| 国产综合懂色| 亚洲图色成人| 欧美极品一区二区三区四区| 啦啦啦中文免费视频观看日本| 亚洲自偷自拍三级| 久久精品久久久久久噜噜老黄| 亚洲自拍偷在线| 成人毛片a级毛片在线播放| 国产精品一区二区在线观看99 | 中文资源天堂在线| 成人欧美大片| 国产色婷婷99| 中文字幕av在线有码专区| 又爽又黄无遮挡网站| 久99久视频精品免费| 午夜精品在线福利| 男人和女人高潮做爰伦理| 亚洲高清免费不卡视频| 一级a做视频免费观看| 国内揄拍国产精品人妻在线| 免费观看av网站的网址| 99re6热这里在线精品视频| 夜夜爽夜夜爽视频| 欧美极品一区二区三区四区| 亚洲成人久久爱视频| videossex国产| 成人漫画全彩无遮挡| 成人漫画全彩无遮挡| 国产亚洲91精品色在线| 婷婷色综合大香蕉| 五月玫瑰六月丁香| 日韩制服骚丝袜av| 身体一侧抽搐| 精品熟女少妇av免费看| 九九在线视频观看精品| 日本熟妇午夜| 秋霞伦理黄片| 老师上课跳d突然被开到最大视频| 国产69精品久久久久777片| 久99久视频精品免费| 婷婷色综合www| 免费观看性生交大片5| 一夜夜www| 一夜夜www| 激情五月婷婷亚洲| 国产精品一区二区三区四区久久| av免费在线看不卡| 日本爱情动作片www.在线观看| 又粗又硬又长又爽又黄的视频| 国产成年人精品一区二区| 久久99蜜桃精品久久| 神马国产精品三级电影在线观看| 最近中文字幕2019免费版| 国产成人精品福利久久| 少妇高潮的动态图| 搞女人的毛片| 免费大片黄手机在线观看| 久久久久免费精品人妻一区二区| 精品国内亚洲2022精品成人| 国产色爽女视频免费观看| 久久精品国产亚洲av天美| 欧美成人午夜免费资源| 亚洲精品成人av观看孕妇| 成年人午夜在线观看视频 | 最后的刺客免费高清国语| 午夜激情久久久久久久| 国产成人91sexporn| 国产精品无大码| 日韩av不卡免费在线播放| 欧美日韩一区二区视频在线观看视频在线 | 高清午夜精品一区二区三区| 成人高潮视频无遮挡免费网站| 国产激情偷乱视频一区二区| 国产在视频线在精品| 国产精品蜜桃在线观看| 色视频www国产| 97精品久久久久久久久久精品| 男人爽女人下面视频在线观看| 久久久色成人| 国产片特级美女逼逼视频| 狂野欧美白嫩少妇大欣赏| 97精品久久久久久久久久精品| 亚洲精品国产av成人精品| av在线播放精品| 一夜夜www| 大片免费播放器 马上看| 欧美xxxx黑人xx丫x性爽| 欧美成人一区二区免费高清观看| 少妇猛男粗大的猛烈进出视频 | 日韩欧美三级三区| 亚洲国产av新网站| 免费av毛片视频| 最近最新中文字幕免费大全7| 国产成人免费观看mmmm| 男人舔女人下体高潮全视频| 中文欧美无线码| 久久99精品国语久久久| 天天躁夜夜躁狠狠久久av| 人妻夜夜爽99麻豆av| 色网站视频免费| 欧美xxⅹ黑人| 一个人看视频在线观看www免费| 国产淫语在线视频| 精品一区二区三卡| 精品一区二区三卡| 精品一区二区三卡| 精品一区二区三卡| 中文字幕久久专区| 欧美一级a爱片免费观看看| 又黄又爽又刺激的免费视频.| 联通29元200g的流量卡| 欧美变态另类bdsm刘玥| 亚洲人成网站在线观看播放| 亚洲性久久影院| 国产老妇女一区| 亚洲欧美一区二区三区黑人 | 在线观看美女被高潮喷水网站| 午夜福利在线观看免费完整高清在| 夜夜看夜夜爽夜夜摸| 男的添女的下面高潮视频| 欧美日韩在线观看h| 美女国产视频在线观看| 97在线视频观看| 国产精品日韩av在线免费观看| 麻豆国产97在线/欧美| 18禁在线播放成人免费| av在线播放精品| 亚洲最大成人手机在线| 99热全是精品| 久久久久久久国产电影| 色尼玛亚洲综合影院| 亚洲在线自拍视频| 真实男女啪啪啪动态图| 免费少妇av软件| 尾随美女入室| www.av在线官网国产| 九九在线视频观看精品| 三级国产精品欧美在线观看| 三级国产精品欧美在线观看| 国产av在哪里看| 久久精品国产自在天天线| 我的女老师完整版在线观看| 欧美精品国产亚洲| 成人特级av手机在线观看| 欧美zozozo另类| 成人午夜高清在线视频| 精品欧美国产一区二区三| 亚洲精品456在线播放app| 丝瓜视频免费看黄片| 日韩欧美一区视频在线观看 | 婷婷色av中文字幕| 国产精品蜜桃在线观看| 99久久人妻综合| 欧美一级a爱片免费观看看| av专区在线播放| 免费看不卡的av| 天天一区二区日本电影三级| 成年版毛片免费区| 夜夜看夜夜爽夜夜摸| 午夜福利高清视频| 日产精品乱码卡一卡2卡三| 精品人妻视频免费看| 亚洲怡红院男人天堂| 色哟哟·www| 乱人视频在线观看| 午夜福利在线观看吧| 51国产日韩欧美| 高清毛片免费看| 精品亚洲乱码少妇综合久久| 啦啦啦韩国在线观看视频| 亚洲精华国产精华液的使用体验| 欧美日韩综合久久久久久| 午夜日本视频在线| 婷婷色综合大香蕉| 97超视频在线观看视频| 青春草亚洲视频在线观看| 一夜夜www| 日本欧美国产在线视频| 简卡轻食公司| 晚上一个人看的免费电影| 男女那种视频在线观看| 97超碰精品成人国产| 波野结衣二区三区在线| 日本-黄色视频高清免费观看| 中文字幕av成人在线电影| av国产免费在线观看| 丰满人妻一区二区三区视频av| 国产亚洲午夜精品一区二区久久 | 日韩欧美三级三区| 一级毛片电影观看| 成人无遮挡网站| 午夜爱爱视频在线播放| 欧美成人精品欧美一级黄| 免费看不卡的av| 身体一侧抽搐| 久久精品久久久久久噜噜老黄| 草草在线视频免费看| 国产成年人精品一区二区| 嫩草影院新地址| 久久久久网色| av线在线观看网站| 黄色配什么色好看| 一级毛片黄色毛片免费观看视频| 日韩一本色道免费dvd| 国产不卡一卡二| 午夜激情久久久久久久| 搡老妇女老女人老熟妇| 美女cb高潮喷水在线观看| 人妻系列 视频| 最近最新中文字幕大全电影3| 麻豆成人av视频| 人妻夜夜爽99麻豆av| 欧美bdsm另类| 国产精品女同一区二区软件| 大香蕉97超碰在线| 特大巨黑吊av在线直播| 国产色爽女视频免费观看| 黄色一级大片看看| 久久久久久久久久久免费av| 国产精品一区二区在线观看99 | 国产伦精品一区二区三区四那| 少妇高潮的动态图| 亚洲精品456在线播放app| 国产 一区 欧美 日韩| 中文资源天堂在线| 亚洲欧美一区二区三区黑人 | 三级国产精品片| 老女人水多毛片| 国产白丝娇喘喷水9色精品| 男的添女的下面高潮视频| 97超视频在线观看视频| 在线观看免费高清a一片| 三级毛片av免费| 中文在线观看免费www的网站| 免费看光身美女| 91午夜精品亚洲一区二区三区| 亚洲av.av天堂| 免费观看性生交大片5| 久久人人爽人人片av| 国产色婷婷99| 亚洲色图av天堂| 成人毛片60女人毛片免费| 又大又黄又爽视频免费| 国国产精品蜜臀av免费| 美女内射精品一级片tv| 麻豆精品久久久久久蜜桃| 一级爰片在线观看| 老司机影院毛片| 欧美日韩精品成人综合77777| 国产高清国产精品国产三级 | 亚洲成色77777| 亚洲精品自拍成人| 在线免费观看的www视频| 日本爱情动作片www.在线观看| 国产亚洲一区二区精品| 日韩在线高清观看一区二区三区| av网站免费在线观看视频 | 亚洲国产精品成人综合色| 国产麻豆成人av免费视频| 乱码一卡2卡4卡精品| 免费无遮挡裸体视频| 日本与韩国留学比较| 久久精品综合一区二区三区| 男插女下体视频免费在线播放| 欧美 日韩 精品 国产| 国产伦在线观看视频一区| 亚洲av国产av综合av卡| 国产精品三级大全| 亚洲高清免费不卡视频| 免费看av在线观看网站| av专区在线播放| 国产精品久久久久久久电影| 免费观看a级毛片全部| 久久久精品94久久精品| 亚洲av免费高清在线观看| 亚洲人成网站在线播| 亚洲性久久影院| 久久精品人妻少妇| 亚洲精品乱久久久久久| 91精品伊人久久大香线蕉| 成人鲁丝片一二三区免费| 80岁老熟妇乱子伦牲交| 国产一级毛片七仙女欲春2| 九九久久精品国产亚洲av麻豆| 在线观看美女被高潮喷水网站| 国产美女午夜福利| 国产成人精品一,二区| 国产老妇女一区| 最新中文字幕久久久久| 视频中文字幕在线观看| 一级黄片播放器| 秋霞伦理黄片| 国产精品一区二区性色av| 亚洲av男天堂| 最后的刺客免费高清国语| 国产91av在线免费观看| 国产伦在线观看视频一区| 日韩精品青青久久久久久| 国产精品日韩av在线免费观看| 禁无遮挡网站| 亚洲av成人精品一区久久| 99久久九九国产精品国产免费| 精品久久久久久久久亚洲| 久久久精品欧美日韩精品| 亚洲国产色片| av在线老鸭窝| av.在线天堂| av又黄又爽大尺度在线免费看| 大片免费播放器 马上看| 欧美 日韩 精品 国产| 久久久久久久久久成人| 亚洲真实伦在线观看| 91久久精品国产一区二区三区| 三级国产精品片| 成人高潮视频无遮挡免费网站| 久久99精品国语久久久| 一级毛片电影观看| 国产精品一区www在线观看| 中文字幕久久专区| 国产一级毛片七仙女欲春2| 国产 亚洲一区二区三区 | 搡老乐熟女国产| 国产成人aa在线观看| 免费观看精品视频网站| 国产精品一区二区性色av| 精品一区在线观看国产| 日本黄色片子视频| 欧美人与善性xxx| av国产免费在线观看| 91久久精品国产一区二区成人| 熟妇人妻不卡中文字幕| 黄色日韩在线| 亚洲怡红院男人天堂| 大片免费播放器 马上看| 亚洲国产精品国产精品| 国产午夜福利久久久久久| 一级片'在线观看视频| 一级黄片播放器| 91精品一卡2卡3卡4卡| av免费观看日本| 成人无遮挡网站| 久久久久精品性色| 97超碰精品成人国产| 国产一区二区三区av在线| 国产免费视频播放在线视频 | 22中文网久久字幕| 欧美性猛交╳xxx乱大交人| 晚上一个人看的免费电影| 国产一区二区三区综合在线观看 | 一级黄片播放器| 亚洲欧美一区二区三区黑人 | 国产 一区精品| av卡一久久| 中文字幕亚洲精品专区| 国产极品天堂在线| 一本一本综合久久| 黄色一级大片看看| 国产黄a三级三级三级人| 女的被弄到高潮叫床怎么办| 国产成人精品久久久久久| 亚洲精品久久午夜乱码| 日本三级黄在线观看| 久久久亚洲精品成人影院| 欧美zozozo另类| 国产成人a区在线观看| av在线观看视频网站免费| 国产高清有码在线观看视频| 观看免费一级毛片| 久久99精品国语久久久| 天天躁日日操中文字幕| 国产免费又黄又爽又色| 日本午夜av视频| 一本久久精品| 内射极品少妇av片p| 97超视频在线观看视频| 麻豆av噜噜一区二区三区| 肉色欧美久久久久久久蜜桃 | 国产男人的电影天堂91| 欧美丝袜亚洲另类| 国产黄片美女视频| 午夜亚洲福利在线播放| 免费av观看视频| 中文精品一卡2卡3卡4更新| 亚洲国产成人一精品久久久| 精品人妻偷拍中文字幕| 一本久久精品| 岛国毛片在线播放| 一级毛片电影观看| 午夜精品一区二区三区免费看| 久久国产乱子免费精品| 简卡轻食公司| 老司机影院毛片| 国精品久久久久久国模美| 亚洲,欧美,日韩| 少妇人妻一区二区三区视频| 毛片女人毛片| 内射极品少妇av片p| 有码 亚洲区| 狠狠精品人妻久久久久久综合| 我的老师免费观看完整版| 国产精品日韩av在线免费观看| 18禁动态无遮挡网站| 国产免费一级a男人的天堂| 丰满乱子伦码专区| 特大巨黑吊av在线直播| 亚洲电影在线观看av| 舔av片在线| 亚洲成人一二三区av| 在线天堂最新版资源| 欧美性猛交╳xxx乱大交人| av黄色大香蕉| 22中文网久久字幕| 日韩成人av中文字幕在线观看| 又爽又黄a免费视频| 自拍偷自拍亚洲精品老妇| videossex国产| 91精品一卡2卡3卡4卡| 热99在线观看视频| 在线免费十八禁| 伊人久久精品亚洲午夜| 久久精品国产自在天天线| 大香蕉97超碰在线| 国产伦在线观看视频一区| 色综合亚洲欧美另类图片| 国产精品一区www在线观看| 国产成人freesex在线| 日韩欧美三级三区| 麻豆精品久久久久久蜜桃| 三级男女做爰猛烈吃奶摸视频| 国产成人福利小说| 国产精品蜜桃在线观看| 午夜福利在线观看免费完整高清在| 中国国产av一级| 日韩欧美国产在线观看| 婷婷色麻豆天堂久久| 欧美zozozo另类| 国产淫语在线视频| 国产亚洲5aaaaa淫片| 久久韩国三级中文字幕| 久久久欧美国产精品| 国产一区亚洲一区在线观看| 国产一级毛片在线| 寂寞人妻少妇视频99o| 一区二区三区四区激情视频| 午夜精品一区二区三区免费看| 最新中文字幕久久久久| 三级毛片av免费| 夫妻性生交免费视频一级片| 狂野欧美激情性xxxx在线观看| 精品久久久久久久久久久久久| 亚洲成人精品中文字幕电影| 最近手机中文字幕大全| 中文字幕av在线有码专区| 七月丁香在线播放| 亚洲av不卡在线观看| 午夜福利在线在线| 国产亚洲av嫩草精品影院| 久久鲁丝午夜福利片| 国产亚洲91精品色在线| 亚洲av不卡在线观看| 国内少妇人妻偷人精品xxx网站| 国产成人a∨麻豆精品| 久久久久久久久中文| 99热网站在线观看| 一边亲一边摸免费视频| 国产精品伦人一区二区| 国产女主播在线喷水免费视频网站 | 国产一区亚洲一区在线观看| 国产v大片淫在线免费观看| 日韩av不卡免费在线播放| 国产片特级美女逼逼视频| 亚洲成色77777| 视频中文字幕在线观看| 成年女人在线观看亚洲视频 | 男女边摸边吃奶| 美女内射精品一级片tv| 特级一级黄色大片| 久久久精品欧美日韩精品| 亚洲在线观看片| 国产午夜精品久久久久久一区二区三区| 国产精品熟女久久久久浪| 成年版毛片免费区| 亚洲av电影在线观看一区二区三区 | 深爱激情五月婷婷| 亚洲在线观看片| 亚洲国产av新网站| 国产单亲对白刺激| 91午夜精品亚洲一区二区三区| 一本久久精品| 欧美不卡视频在线免费观看| 噜噜噜噜噜久久久久久91| 黄色欧美视频在线观看| 久久这里只有精品中国| 免费看av在线观看网站| 日韩av不卡免费在线播放| 国产亚洲精品久久久com| 看十八女毛片水多多多| 欧美日韩视频高清一区二区三区二| 日韩一区二区视频免费看| 在线免费观看的www视频| 亚洲久久久久久中文字幕| 亚洲自拍偷在线| 亚洲精品第二区| 国产高潮美女av| 亚洲婷婷狠狠爱综合网| 免费看光身美女| av在线天堂中文字幕| 天堂av国产一区二区熟女人妻| av又黄又爽大尺度在线免费看| 高清在线视频一区二区三区| 日韩精品有码人妻一区| 欧美 日韩 精品 国产| 亚洲欧美日韩无卡精品| 97精品久久久久久久久久精品| 身体一侧抽搐| 高清欧美精品videossex| 精品不卡国产一区二区三区| 欧美成人a在线观看| 一个人看视频在线观看www免费| 国产高清国产精品国产三级 | 免费不卡的大黄色大毛片视频在线观看 | 天堂网av新在线| 菩萨蛮人人尽说江南好唐韦庄| 免费黄网站久久成人精品| 最新中文字幕久久久久| 特大巨黑吊av在线直播| 亚洲国产精品sss在线观看| 99热这里只有是精品在线观看| 亚洲精品乱码久久久久久按摩| 亚洲国产精品成人久久小说| 欧美三级亚洲精品| 日韩欧美精品免费久久| 国产精品.久久久| 一个人观看的视频www高清免费观看| 日韩国内少妇激情av| 亚洲av电影在线观看一区二区三区 | 久久久久九九精品影院| 久久久久久久久久人人人人人人| 女人十人毛片免费观看3o分钟| 欧美+日韩+精品| 欧美日韩视频高清一区二区三区二| 91狼人影院| 免费大片18禁| 亚洲国产日韩欧美精品在线观看| 久久久久久久午夜电影| 国产激情偷乱视频一区二区| 国产精品日韩av在线免费观看| 成人午夜精彩视频在线观看| 亚洲欧洲日产国产| 青春草视频在线免费观看| 免费电影在线观看免费观看| 极品少妇高潮喷水抽搐| av免费在线看不卡| 十八禁国产超污无遮挡网站| 亚洲精品乱久久久久久| 国产高清三级在线| 国产成年人精品一区二区| 亚洲人成网站高清观看| 免费不卡的大黄色大毛片视频在线观看 | 亚洲人成网站在线观看播放| 国产黄a三级三级三级人| 可以在线观看毛片的网站| 国产国拍精品亚洲av在线观看| 精品国内亚洲2022精品成人| 亚洲av成人av| 国产伦精品一区二区三区四那| 久久久久久久午夜电影| 看黄色毛片网站| 舔av片在线| 国产伦一二天堂av在线观看| 深爱激情五月婷婷| 伊人久久精品亚洲午夜| 免费观看无遮挡的男女| 网址你懂的国产日韩在线| 美女内射精品一级片tv| 精品国产一区二区三区久久久樱花 | 啦啦啦中文免费视频观看日本| 免费看不卡的av| 青青草视频在线视频观看| 免费看光身美女| av卡一久久|