• <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 ?

    基于異常檢測(cè)的K-means改進(jìn)算法研究

    2019-06-09 10:36薛晨杰林婷薇
    軟件導(dǎo)刊 2019年4期
    關(guān)鍵詞:異常檢測(cè)means算法聚類算法

    薛晨杰 林婷薇

    摘 要:K-means算法作為較為普遍的聚類算法,聚類效果受孤立點(diǎn)、噪聲點(diǎn)和初始聚類中心影響較大。結(jié)合Isolation Forest算法計(jì)算數(shù)據(jù)中每個(gè)樣本的異常度系數(shù),根據(jù)離群值過濾比例計(jì)算得到異常度系數(shù)閾值,對(duì)高度異常值加以隔離,并對(duì)隔離后的數(shù)據(jù)集使用平均插值法求得初始聚類中心。運(yùn)用改進(jìn)K-means算法對(duì)真實(shí)數(shù)據(jù)集進(jìn)行聚類分析,與此同時(shí),通過比較多個(gè)離群值過濾比例下的聚類結(jié)果,找到離群值過濾比例的最優(yōu)取值。仿真結(jié)果表明,相比于原始算法,新算法顯著提升了聚類準(zhǔn)確性,聚類效果更佳。

    關(guān)鍵詞:K-means算法;聚類算法;異常檢測(cè);異常度系數(shù);離群過濾比例

    DOI:10. 11907/rjdk. 182467

    中圖分類號(hào):TP312文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1672-7800(2019)004-0074-05

    0 引言

    隨著數(shù)據(jù)挖掘技術(shù)的迅速發(fā)展,日常生活產(chǎn)生的海量數(shù)據(jù)中隱含的信息及商業(yè)價(jià)值越來越多地被挖掘與展現(xiàn)出來。聚類分析是數(shù)據(jù)挖掘中的常用分析方法[1],其目的是將輸入的數(shù)據(jù)樣本通過聚類找到數(shù)據(jù)特征,然后根據(jù)樣本相似程度將數(shù)據(jù)集合分成若干個(gè)簇,使每一個(gè)簇中的數(shù)據(jù)點(diǎn)達(dá)到最大同質(zhì)化,而使不同簇之間的差異最大化。聚類算法研究歷史悠久,早在1975年Hartigan[2]即在其專著《Clustering Algorithms》中對(duì)聚類算法進(jìn)行了系統(tǒng)論述。研究者通過觀察聚類分析結(jié)果可以發(fā)現(xiàn)數(shù)據(jù)中隱藏的聯(lián)系與差異,從而將該數(shù)據(jù)分析結(jié)果作為新研究中的依據(jù)[3]。

    K-means[4]聚類算法是目前最基本且被廣泛應(yīng)用的聚類分析方法之一,是由MacQueen總結(jié)Cox[5]、Fisher[6]、Sebestyen[7]等研究成果而提出的一種經(jīng)典的以數(shù)據(jù)點(diǎn)到簇中心距離作為優(yōu)化目標(biāo)的函數(shù)聚類方法,但其仍然存在一些缺陷,比如受孤立點(diǎn)、噪聲點(diǎn)以及初始聚類中心影響較大等。因此,學(xué)者們對(duì)此進(jìn)行了大量研究。Metropolis等[8]提出的模擬物理學(xué)上固體退火過程的優(yōu)化算法,有著更好的聚類效果,但會(huì)增加算法復(fù)雜度;Dong 等[9]首先通過二分K-means算法將數(shù)據(jù)集分為 K 個(gè)大類,再利用模擬退火算法優(yōu)化聚類中心,從而提高了聚類準(zhǔn)確度;Bhuyan等[10]提出可用遺傳算法改進(jìn)聚類效果,隨后Jones等[11]、Babu等[12]也相繼提出應(yīng)用遺傳算法改進(jìn)K-means算法初始聚類中心的思路。以上改進(jìn)算法都是基于優(yōu)化算法,與此同時(shí)也有不少學(xué)者基于密度分布情況選擇聚類中心。Katsavounidis等[13]提出一種通過盡可能分散初始聚類中心的解決方法,從而有效避免了被選擇的聚類中心過于密集的情況;Khan等[14]提出的 CCIA 算法,利用數(shù)據(jù)點(diǎn)的均值、標(biāo)準(zhǔn)差、百分位數(shù)等統(tǒng)計(jì)信息提供數(shù)據(jù)點(diǎn)密度分布信息,從而得到初始聚類中心;牛琨等[15]提出基于密度指針的初始聚類中心選擇算法DP,根據(jù)密度差異確定密度指針方向,并計(jì)算出聚集因子,最后將具有較大局部聚集因子的重心作為初始聚類中心。

    本文結(jié)合Isolation Forest算法[16]計(jì)算數(shù)據(jù)異常度系數(shù)后對(duì)高度異常值加以隔離,并使用平均插值法求得初始聚類中心,以減少孤立點(diǎn)和噪聲點(diǎn)對(duì)算法聚類效果的影響,從而對(duì)算法加以改進(jìn)。最后選取若干個(gè)現(xiàn)實(shí)數(shù)據(jù)集對(duì)改進(jìn)前后的算法進(jìn)行實(shí)驗(yàn),并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析檢驗(yàn)。驗(yàn)證結(jié)果表明,改進(jìn)的K-means算法相較于原始算法具有更好的性能及聚類效果。

    1 K-means聚類算法簡介

    K-means算法選擇期望的簇中心K,通過不斷迭代和重新計(jì)算聚類中心,以極小化整個(gè)簇內(nèi)方差,將得到緊湊且相互獨(dú)立的簇作為算法最終目標(biāo)。利用函數(shù)的求極值方法,調(diào)整迭代次數(shù)閾值獲得最佳聚類效果。

    原始K-means算法具體流程如下:

    (4)重復(fù)執(zhí)行步驟(2)-(4),直到聚類中心不再發(fā)生變化為止。

    K-means算法作為經(jīng)典聚類算法,有著高效簡潔的優(yōu)點(diǎn),但同時(shí)傳統(tǒng)K-means算法也存在較為明顯的缺陷[17]。筆者總結(jié)列出以下兩點(diǎn)較為普遍的缺陷:

    (1)孤立點(diǎn)和噪聲點(diǎn)對(duì)算法聚類效果影響較大。傳統(tǒng)K-means算法不適合應(yīng)用于樣本差異過大的簇,其對(duì)于孤立點(diǎn)和噪聲點(diǎn)數(shù)據(jù)十分敏感,即使是少量孤立數(shù)據(jù)都會(huì)對(duì)算法性能與結(jié)果造成很大影響,從而使平均值產(chǎn)生偏離。

    (2)初始聚類中心選取對(duì)聚類效果影響較大[18]。在K-means算法中需要先根據(jù)初始聚類中心確定初始簇的劃分,再對(duì)簇進(jìn)行優(yōu)化。算法聚類結(jié)果對(duì)初值選取的依賴性很強(qiáng),一旦初始聚類中心選擇不佳,可能無法得到最好的聚類結(jié)果。

    2 算法改進(jìn)

    針對(duì)K-means算法存在的問題,提出如下改進(jìn)方案:

    (1)在使用K-means算法進(jìn)行聚類之前,首先根據(jù)Isolation Forest異常檢測(cè)算法,得到每個(gè)數(shù)據(jù)樣本的異常度系數(shù),將異常度系數(shù)值大于閾值的所有樣本標(biāo)記為異常離群點(diǎn),然后對(duì)這些點(diǎn)進(jìn)行過濾,在進(jìn)行簇中心計(jì)算時(shí)不再使用這些異常數(shù)據(jù)點(diǎn)和離群數(shù)據(jù)點(diǎn)。

    (2)在初始化簇中心時(shí),不采用隨機(jī)初始化方法,而是首先統(tǒng)計(jì)出除異常值和離群值外的數(shù)據(jù)樣本在每個(gè)維度上的取值范圍,再根據(jù)需要計(jì)算類簇?cái)?shù),使用平均差值法得到初始聚類中心。

    2.1 Isolation Forest算法

    Isolation Forest算法采用二叉樹對(duì)數(shù)據(jù)進(jìn)行切分,數(shù)據(jù)點(diǎn)在二叉樹當(dāng)中所處的深度反應(yīng)了該數(shù)據(jù)在集合中的離散程度。該算法性能好、效率高,能有效處理多維數(shù)據(jù)及海量數(shù)據(jù)。算法流程可大致分為以下兩步:①構(gòu)建。抽取一批數(shù)據(jù)樣本,構(gòu)建多棵二叉樹并組合成森林;②計(jì)算。綜合每個(gè)二叉樹結(jié)果,計(jì)算集合中每個(gè)數(shù)據(jù)點(diǎn)異常值。

    (1)構(gòu)建:對(duì)給定的數(shù)據(jù)集D,隨機(jī)選擇一個(gè)屬性,并在該屬性最大值與最小值之間隨機(jī)選擇一個(gè)值,將數(shù)據(jù)集中小于該值的數(shù)據(jù)劃分到二叉樹左分支,大于等于該值的數(shù)據(jù)劃分到右分支。重復(fù)上述步驟直到數(shù)據(jù)集只有一條或多條相同記錄,或二叉樹達(dá)到限定高度,算法流程如下:

    算法1 生成樹

    輸入: 數(shù)據(jù)樣本集合[D],當(dāng)前樹高[h],限定高度[l]

    輸出: 生成的二叉樹

    1: 檢測(cè)樹高是否大于限定高度,D中是否只包含一條數(shù)據(jù)或全部數(shù)據(jù)相同

    2: 若是則輸出節(jié)點(diǎn)數(shù)

    3: 否則隨機(jī)選取包含于樣本集合D的數(shù)據(jù)屬性

    4: 隨機(jī)在該屬性最大值和最小值之間選取一個(gè)參數(shù)值

    5: 將樣本中小于該值的劃分到左分支

    6: 將樣本中大于該值的劃分到右分支

    7: [重復(fù)上述]步驟直到滿足步驟1條件為止

    8: 結(jié)束,返回二叉樹

    (2)計(jì)算:由于異常點(diǎn)對(duì)于數(shù)據(jù)集而言十分稀有,所以可以通過根節(jié)點(diǎn)和葉節(jié)點(diǎn)的路徑[h(x)]判斷一個(gè)數(shù)據(jù)點(diǎn)[x]是否為異常點(diǎn),采用公式(3)進(jìn)行計(jì)算。

    從異常度系數(shù)公式中可以發(fā)現(xiàn),數(shù)據(jù)點(diǎn)在每棵樹中的平均路徑越短,公式值越接近1,則表示數(shù)據(jù)是異常點(diǎn)的可能性高;反之,數(shù)據(jù)在每棵樹中平均路徑越長,公式值越接近0,表示數(shù)據(jù)是正常點(diǎn)的可能性較高。如果大部分樣本系數(shù)都趨近于0.5,說明整個(gè)數(shù)據(jù)集沒有明顯異常值。

    2.2 改進(jìn)K-means算法

    通過使用上述Isolation Forest算法得到每個(gè)樣本異度系數(shù)之后,選取所需的類簇?cái)?shù)[k]和離群值過濾比例[r]。離群值過濾比例是指過濾數(shù)據(jù)個(gè)數(shù)占總數(shù)據(jù)樣本個(gè)數(shù)的百分比,即使用改進(jìn)K-means算法需要過濾多少比例的離群點(diǎn)后再進(jìn)行聚類,默認(rèn)為0.1。由于需要聚類的數(shù)據(jù)樣本集合中的數(shù)據(jù)個(gè)數(shù)通常有限,因此直接將離群過濾比例值基于樣本個(gè)數(shù)進(jìn)行隔離,通常會(huì)造成隔離數(shù)據(jù)量過大而產(chǎn)生不必要的誤差。針對(duì)該問題,筆者根據(jù)異常度系數(shù)[θ]和離群過濾比例r,擬定異常度系數(shù)閾值公式:[t=θmax-(θmax-][θmin)×r],即對(duì)異常度系數(shù)[θ]大于t的數(shù)據(jù)加以隔離,以避免由于隔離數(shù)據(jù)數(shù)目過大造成的誤差。

    聚類算法結(jié)果對(duì)初值選取的依賴性很強(qiáng)[19],因此選取優(yōu)質(zhì)的初始聚類中心是改進(jìn)算法的重要一步。本文通過統(tǒng)計(jì)樣本在各維度上的取值范圍,結(jié)合平均插值法思想進(jìn)行初始聚類中心選取,即盡可能將初值均勻選取在數(shù)據(jù)集合內(nèi)部,減少邊界值對(duì)初始聚類中心選取的影響。對(duì)于取值范圍為[i,j]的屬性T,根據(jù)所需類簇?cái)?shù)k,應(yīng)用公式(5)計(jì)算初始聚類中心。

    獲得高質(zhì)量的初值之后,將過濾的異常樣本歸入剩余樣本集合中,進(jìn)行多次迭代,直至函數(shù)收斂,改進(jìn)算法如下:

    3 實(shí)驗(yàn)仿真

    本節(jié)通過對(duì)多個(gè)真實(shí)數(shù)據(jù)集分別使用原始K-means算法及改進(jìn)后的K-means算法進(jìn)行聚類,獲得兩種聚類算法得到的結(jié)果并加以對(duì)比,再根據(jù)多種聚類效果評(píng)估算法對(duì)結(jié)果進(jìn)行評(píng)估,直觀展示改進(jìn)聚類算法的聚類效果。

    3.1 數(shù)據(jù)準(zhǔn)備及預(yù)處理

    實(shí)驗(yàn)選擇8個(gè)真實(shí)數(shù)據(jù)集進(jìn)行聚類,分別為動(dòng)物數(shù)據(jù)集、紅酒數(shù)據(jù)集、森林類型數(shù)據(jù)集、鳶尾花數(shù)據(jù)集、小麥種子數(shù)據(jù)集、脊柱數(shù)據(jù)集、ILDP(印度肝臟患者)數(shù)據(jù)集和病樹數(shù)據(jù)集,具體如表1所示。

    聚類算法目標(biāo)是實(shí)現(xiàn)簇內(nèi)相似度最高且簇之間相似度最低[20],這是一個(gè)集群質(zhì)量內(nèi)部標(biāo)準(zhǔn),但是良好的內(nèi)部標(biāo)準(zhǔn)并不一定在應(yīng)用中轉(zhuǎn)化效果最好,因此需要對(duì)聚類結(jié)果的應(yīng)用效果進(jìn)行直接評(píng)估。本次實(shí)驗(yàn)準(zhǔn)備采用如下幾種評(píng)估聚類質(zhì)量算法:

    (1)purity是一種簡單、透明的評(píng)價(jià)方法,每個(gè)簇都被分配給最頻繁出現(xiàn)的類,然后通過計(jì)算正確數(shù)目測(cè)量準(zhǔn)確性,如式(6)所示。

    (2)Rand Index假設(shè)數(shù)據(jù)集合中存在N個(gè)樣本,則有[N(N-1)2]個(gè)集合對(duì),并將同一類樣本分配到同一個(gè)簇和不同簇分別定義為TP和FN,將不同類樣本分配到同一個(gè)簇和不同簇分別定義為FP和TN。Rand Index計(jì)算公式如式(7)所示。

    Rand Index存在的缺陷是對(duì)假陽性和假陰性給出了相同權(quán)重,分離相似樣本有時(shí)比在同一個(gè)簇中放置成對(duì)的不同樣本效果更差。對(duì)此可以使用F測(cè)量方法通過選擇一個(gè)值對(duì)假陰性結(jié)果進(jìn)行更強(qiáng)的懲罰,從而加大召回權(quán)重,以提高評(píng)估準(zhǔn)確性。F測(cè)量方法如式(8)-式(10)所示,其中Presicion和Recall數(shù)值分別由P和R表示。

    3.2 實(shí)驗(yàn)及結(jié)果分析

    本文首先采用動(dòng)物園數(shù)據(jù)集,該數(shù)據(jù)集包含動(dòng)物園中生活的101種動(dòng)物,并根據(jù)動(dòng)物們具有的如水陸生、胎卵生、哺乳類還是兩棲類、是否有毒等17個(gè)特征屬性,將全部動(dòng)物集分為7個(gè)大類。

    處理完數(shù)據(jù)集之后,利用改進(jìn)前后的兩種算法分別對(duì)數(shù)據(jù)集進(jìn)行聚類,設(shè)置離群值過濾比例[r]為0.1,獲得的聚類結(jié)果如圖1、圖2所示。

    觀察圖1、圖2可以發(fā)現(xiàn),原始K-menas算法雖然對(duì)數(shù)據(jù)集進(jìn)行了聚類,但總體仍十分雜亂。運(yùn)用改進(jìn)算法進(jìn)行聚類后,絕大部分相同屬性的樣本被歸到同一類簇中,而不同屬性樣本被分開在不同簇中,分類效果較原始結(jié)果有明顯提升。

    僅通過觀察圖得出結(jié)論并不十分可靠,所以采用上文提到的聚類算法評(píng)價(jià)指標(biāo)對(duì)結(jié)果進(jìn)行評(píng)估。分別使用原始K-means算法和改進(jìn)K-means算法聚類后的結(jié)果進(jìn)行多項(xiàng)指標(biāo)評(píng)估,得到如表2所示評(píng)價(jià)結(jié)果,其中Pro-Kmeans算法為改進(jìn)后的K-means算法。

    將實(shí)驗(yàn)數(shù)據(jù)繪制成折線圖,如圖3所示。

    比較上述聚類算法評(píng)價(jià)結(jié)果可以發(fā)現(xiàn),改進(jìn)K-means算法較原始算法對(duì)數(shù)據(jù)集有著更好的聚類效果,算法性能更佳。為驗(yàn)證算法的改進(jìn)效果,對(duì)剩余的被選數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),得到實(shí)驗(yàn)結(jié)果如表3所示。

    為使改進(jìn)算法的結(jié)果更具有說服力,將改進(jìn)算法中的離群值過濾比例[r]在[0.1,0.5]范圍內(nèi)選取多個(gè)不同數(shù)值,根據(jù)不同離群值過濾比例再次對(duì)算法聚類效果進(jìn)行實(shí)驗(yàn),獲得結(jié)果如表4所示。

    將4個(gè)數(shù)據(jù)集在不同離群值過濾比例下的F值繪制成折線圖,與對(duì)應(yīng)的原始K-means進(jìn)行對(duì)比,如圖4所示。

    猜你喜歡
    異常檢測(cè)means算法聚類算法
    基于K?均值與AGNES聚類算法的校園網(wǎng)行為分析系統(tǒng)研究
    成人特级黄色片久久久久久久| 午夜久久久久精精品| 亚洲无线在线观看| 日韩欧美三级三区| 91成人精品电影| 夜夜看夜夜爽夜夜摸| 色婷婷久久久亚洲欧美| 欧美最黄视频在线播放免费| 成年女人毛片免费观看观看9| 无人区码免费观看不卡| 久久午夜亚洲精品久久| 欧美zozozo另类| 国产精品久久久久久人妻精品电影| 国产av不卡久久| 美女高潮喷水抽搐中文字幕| 一级a爱片免费观看的视频| 国产精品综合久久久久久久免费| 国产激情偷乱视频一区二区| www.精华液| 国产区一区二久久| 亚洲人成电影免费在线| www.www免费av| 老鸭窝网址在线观看| 亚洲人成77777在线视频| 国产黄a三级三级三级人| 久久婷婷人人爽人人干人人爱| 亚洲欧美日韩无卡精品| 成人三级黄色视频| 国产男靠女视频免费网站| 中文字幕精品免费在线观看视频| 久久久国产成人精品二区| 给我免费播放毛片高清在线观看| 高清毛片免费观看视频网站| 十八禁人妻一区二区| 午夜福利在线观看吧| 啪啪无遮挡十八禁网站| 色播亚洲综合网| 色播亚洲综合网| 国产成人精品久久二区二区91| 亚洲av电影在线进入| 啦啦啦 在线观看视频| 亚洲久久久国产精品| 久久99热这里只有精品18| 精品国产乱码久久久久久男人| 国产高清视频在线播放一区| 少妇熟女aⅴ在线视频| 成人精品一区二区免费| svipshipincom国产片| 一区二区三区精品91| 亚洲国产精品成人综合色| 男女视频在线观看网站免费 | www国产在线视频色| 黄片大片在线免费观看| 免费女性裸体啪啪无遮挡网站| 欧美黑人欧美精品刺激| 亚洲激情在线av| 久久精品国产清高在天天线| 波多野结衣av一区二区av| 91成人精品电影| 村上凉子中文字幕在线| 日本五十路高清| 免费高清在线观看日韩| www日本黄色视频网| 亚洲真实伦在线观看| 日韩欧美国产一区二区入口| 色哟哟哟哟哟哟| 亚洲精品中文字幕在线视频| 亚洲中文字幕一区二区三区有码在线看 | 久久草成人影院| 禁无遮挡网站| 99riav亚洲国产免费| 欧美日韩亚洲综合一区二区三区_| 欧美黑人欧美精品刺激| 精品国产美女av久久久久小说| 色哟哟哟哟哟哟| 香蕉久久夜色| 啦啦啦韩国在线观看视频| 高潮久久久久久久久久久不卡| 欧美大码av| 精品第一国产精品| 国产激情偷乱视频一区二区| 国产高清videossex| 在线播放国产精品三级| 欧美成人免费av一区二区三区| 国产精品亚洲av一区麻豆| 精品欧美一区二区三区在线| 婷婷丁香在线五月| 精品久久蜜臀av无| av片东京热男人的天堂| 性欧美人与动物交配| 可以免费在线观看a视频的电影网站| 女人被狂操c到高潮| 人妻久久中文字幕网| 色av中文字幕| 亚洲欧美精品综合久久99| 国产视频内射| 成人国语在线视频| 精品午夜福利视频在线观看一区| 免费看日本二区| 首页视频小说图片口味搜索| 两性夫妻黄色片| 午夜精品在线福利| 亚洲成av人片免费观看| 中国美女看黄片| 国产国语露脸激情在线看| 久久性视频一级片| 亚洲成国产人片在线观看| 99精品在免费线老司机午夜| 天天一区二区日本电影三级| 亚洲 欧美 日韩 在线 免费| 婷婷精品国产亚洲av在线| 人人妻,人人澡人人爽秒播| 婷婷精品国产亚洲av在线| 亚洲精品一区av在线观看| 丰满的人妻完整版| 久久天堂一区二区三区四区| 午夜福利18| 日本 av在线| 婷婷六月久久综合丁香| 久久国产精品男人的天堂亚洲| 精品国产美女av久久久久小说| 亚洲男人天堂网一区| 视频区欧美日本亚洲| 天天添夜夜摸| 免费人成视频x8x8入口观看| 嫩草影院精品99| 国产高清有码在线观看视频 | 日本五十路高清| 国产成人系列免费观看| 91麻豆精品激情在线观看国产| 深夜精品福利| 一二三四社区在线视频社区8| 国产一区二区三区在线臀色熟女| 亚洲国产精品成人综合色| 男人操女人黄网站| 国产成人av教育| 成人三级做爰电影| 91老司机精品| 亚洲专区字幕在线| 国产精品99久久99久久久不卡| 老熟妇仑乱视频hdxx| 男女午夜视频在线观看| 91成人精品电影| 国产一卡二卡三卡精品| 日韩视频一区二区在线观看| 亚洲欧美一区二区三区黑人| 亚洲男人天堂网一区| 在线永久观看黄色视频| 国产亚洲精品第一综合不卡| 国产高清激情床上av| 欧美午夜高清在线| 亚洲精品色激情综合| 听说在线观看完整版免费高清| 男女视频在线观看网站免费 | a级毛片在线看网站| 亚洲一卡2卡3卡4卡5卡精品中文| 首页视频小说图片口味搜索| 午夜久久久久精精品| 亚洲av成人一区二区三| 手机成人av网站| 亚洲熟女毛片儿| 伊人久久大香线蕉亚洲五| 午夜a级毛片| 欧美日韩中文字幕国产精品一区二区三区| 免费看十八禁软件| 中文字幕另类日韩欧美亚洲嫩草| 母亲3免费完整高清在线观看| 久久久久国内视频| 非洲黑人性xxxx精品又粗又长| 天堂影院成人在线观看| 午夜免费鲁丝| 国产伦一二天堂av在线观看| 亚洲欧美精品综合一区二区三区| 国产一区二区三区视频了| 91成人精品电影| 国产av一区二区精品久久| 亚洲熟妇中文字幕五十中出| 国产三级黄色录像| 欧美日韩乱码在线| 桃红色精品国产亚洲av| 国产97色在线日韩免费| 日本在线视频免费播放| 50天的宝宝边吃奶边哭怎么回事| 亚洲国产日韩欧美精品在线观看 | 欧美最黄视频在线播放免费| 中文字幕久久专区| 欧美日本视频| 麻豆成人av在线观看| 悠悠久久av| 男人舔女人下体高潮全视频| 黄色视频不卡| 久久久久久久精品吃奶| 免费在线观看黄色视频的| 亚洲人成伊人成综合网2020| 成人三级做爰电影| 中文字幕av电影在线播放| 日本熟妇午夜| 日韩免费av在线播放| 国产免费av片在线观看野外av| 女生性感内裤真人,穿戴方法视频| av超薄肉色丝袜交足视频| 婷婷亚洲欧美| 看免费av毛片| 亚洲av五月六月丁香网| 国产乱人伦免费视频| 妹子高潮喷水视频| 久久精品aⅴ一区二区三区四区| 午夜福利免费观看在线| 午夜福利在线观看吧| 国产成人av教育| 中文在线观看免费www的网站 | 国产亚洲精品一区二区www| 一边摸一边做爽爽视频免费| 精品国产超薄肉色丝袜足j| 女人高潮潮喷娇喘18禁视频| 免费av毛片视频| 成人午夜高清在线视频 | 老汉色∧v一级毛片| 国产不卡一卡二| 国产精品av久久久久免费| 久久性视频一级片| 老司机福利观看| 窝窝影院91人妻| 黑人巨大精品欧美一区二区mp4| 亚洲精品在线观看二区| 国产高清激情床上av| 亚洲中文av在线| 99riav亚洲国产免费| 非洲黑人性xxxx精品又粗又长| 99热这里只有精品一区 | av中文乱码字幕在线| 国产欧美日韩精品亚洲av| 午夜福利在线观看吧| 欧美中文日本在线观看视频| 啦啦啦观看免费观看视频高清| 久久久久久久久中文| 亚洲电影在线观看av| 日韩 欧美 亚洲 中文字幕| 国产黄a三级三级三级人| 69av精品久久久久久| 女人被狂操c到高潮| 一区二区三区国产精品乱码| 国产精品亚洲一级av第二区| 精华霜和精华液先用哪个| 亚洲精品美女久久av网站| 色精品久久人妻99蜜桃| 欧美一级毛片孕妇| 精品国产国语对白av| 国产一级毛片七仙女欲春2 | 十分钟在线观看高清视频www| 国内精品久久久久精免费| 亚洲专区国产一区二区| 99re在线观看精品视频| 90打野战视频偷拍视频| av福利片在线| 精品久久久久久久久久久久久 | 婷婷精品国产亚洲av在线| 国产欧美日韩一区二区三| 丝袜美腿诱惑在线| x7x7x7水蜜桃| 久久久久久久久中文| 999精品在线视频| 国产高清激情床上av| 丝袜美腿诱惑在线| 久久这里只有精品19| 淫妇啪啪啪对白视频| 亚洲精品一卡2卡三卡4卡5卡| 最好的美女福利视频网| 亚洲熟妇中文字幕五十中出| 在线观看午夜福利视频| 欧美成人一区二区免费高清观看 | 老司机靠b影院| 99久久精品国产亚洲精品| 99re在线观看精品视频| 国产成人欧美| 91字幕亚洲| 日韩欧美三级三区| a在线观看视频网站| 人妻久久中文字幕网| netflix在线观看网站| 成人特级黄色片久久久久久久| 午夜a级毛片| 成在线人永久免费视频| 国产真实乱freesex| 丰满人妻熟妇乱又伦精品不卡| 国产伦在线观看视频一区| 中文字幕人妻熟女乱码| 国产久久久一区二区三区| 欧美日韩瑟瑟在线播放| 18禁观看日本| 18禁国产床啪视频网站| 人成视频在线观看免费观看| 美女扒开内裤让男人捅视频| 欧美绝顶高潮抽搐喷水| av天堂在线播放| 成在线人永久免费视频| 国产亚洲欧美98| 亚洲午夜理论影院| 97碰自拍视频| 午夜福利免费观看在线| 成人手机av| 亚洲欧洲精品一区二区精品久久久| 变态另类成人亚洲欧美熟女| 在线观看一区二区三区| 两个人视频免费观看高清| 这个男人来自地球电影免费观看| 制服丝袜大香蕉在线| 中亚洲国语对白在线视频| 免费在线观看黄色视频的| 国产精品一区二区免费欧美| 国产精品98久久久久久宅男小说| 久久婷婷人人爽人人干人人爱| cao死你这个sao货| 在线av久久热| 一级毛片精品| 日韩中文字幕欧美一区二区| 男人舔女人下体高潮全视频| 成在线人永久免费视频| 欧美丝袜亚洲另类 | 99国产精品99久久久久| 亚洲精品在线美女| 天堂动漫精品| 欧美色视频一区免费| 久久伊人香网站| 国产精品99久久99久久久不卡| 午夜免费观看网址| 高清毛片免费观看视频网站| 免费看日本二区| 啦啦啦韩国在线观看视频| 久久久久久人人人人人| 久久久久久大精品| 亚洲片人在线观看| 日本三级黄在线观看| 一本综合久久免费| 97人妻精品一区二区三区麻豆 | 国产精华一区二区三区| 日本一本二区三区精品| 日本成人三级电影网站| 99精品欧美一区二区三区四区| 大香蕉久久成人网| 精品国产乱子伦一区二区三区| 亚洲一区二区三区色噜噜| 久久香蕉国产精品| 在线观看日韩欧美| 国产1区2区3区精品| 老熟妇仑乱视频hdxx| 久久中文字幕人妻熟女| 国产97色在线日韩免费| 国产伦一二天堂av在线观看| 精品人妻1区二区| 久久精品夜夜夜夜夜久久蜜豆 | 日韩欧美国产一区二区入口| 亚洲精品美女久久久久99蜜臀| 国产国语露脸激情在线看| 日日爽夜夜爽网站| 18禁观看日本| 国产黄色小视频在线观看| 午夜久久久在线观看| 国产一区二区三区视频了| 91成年电影在线观看| av片东京热男人的天堂| 色老头精品视频在线观看| 国产91精品成人一区二区三区| 女警被强在线播放| 免费在线观看视频国产中文字幕亚洲| 久久亚洲精品不卡| 久久性视频一级片| 男男h啪啪无遮挡| 亚洲真实伦在线观看| 亚洲av熟女| 男女那种视频在线观看| 伊人久久大香线蕉亚洲五| 搡老妇女老女人老熟妇| 成人亚洲精品av一区二区| 亚洲国产高清在线一区二区三 | а√天堂www在线а√下载| 欧美国产日韩亚洲一区| 少妇 在线观看| 亚洲国产欧洲综合997久久, | 精品一区二区三区视频在线观看免费| 国产三级黄色录像| 精品日产1卡2卡| 熟女电影av网| 淫秽高清视频在线观看| 亚洲精品国产一区二区精华液| 亚洲精品一卡2卡三卡4卡5卡| 在线免费观看的www视频| 在线观看日韩欧美| 超碰成人久久| 国产成年人精品一区二区| 三级毛片av免费| 在线十欧美十亚洲十日本专区| 国产不卡一卡二| a在线观看视频网站| 亚洲国产欧美网| 美女大奶头视频| 这个男人来自地球电影免费观看| 99精品在免费线老司机午夜| 男女午夜视频在线观看| 久久香蕉国产精品| 可以免费在线观看a视频的电影网站| 午夜两性在线视频| 色综合站精品国产| 精品一区二区三区四区五区乱码| 婷婷亚洲欧美| 亚洲熟妇熟女久久| 精品国产国语对白av| 一边摸一边做爽爽视频免费| 国产精品二区激情视频| 久久久国产成人免费| 在线十欧美十亚洲十日本专区| 欧美黄色片欧美黄色片| av福利片在线| 亚洲午夜精品一区,二区,三区| 长腿黑丝高跟| 欧美成人免费av一区二区三区| 岛国在线观看网站| 丰满的人妻完整版| 国产精品美女特级片免费视频播放器 | 成人国语在线视频| 99久久99久久久精品蜜桃| 久久国产乱子伦精品免费另类| 中国美女看黄片| 亚洲av成人一区二区三| 少妇被粗大的猛进出69影院| 99久久国产精品久久久| 韩国av一区二区三区四区| 亚洲激情在线av| 日本一区二区免费在线视频| 757午夜福利合集在线观看| 久久精品影院6| 久久久国产成人精品二区| 日本黄色视频三级网站网址| 免费观看人在逋| 一级毛片女人18水好多| 波多野结衣高清无吗| 又大又爽又粗| 91九色精品人成在线观看| 宅男免费午夜| 可以免费在线观看a视频的电影网站| 悠悠久久av| 欧美zozozo另类| 国产激情欧美一区二区| 两个人免费观看高清视频| x7x7x7水蜜桃| 久热爱精品视频在线9| 美女高潮到喷水免费观看| 国产精品 欧美亚洲| 欧美+亚洲+日韩+国产| 男女视频在线观看网站免费 | 九色国产91popny在线| 波多野结衣av一区二区av| 欧美乱妇无乱码| 成年版毛片免费区| 久久久国产精品麻豆| 最新美女视频免费是黄的| 久久久国产欧美日韩av| 一级作爱视频免费观看| 黄网站色视频无遮挡免费观看| 制服丝袜大香蕉在线| 一级毛片精品| 高潮久久久久久久久久久不卡| 亚洲 欧美一区二区三区| 人人妻人人澡欧美一区二区| www.www免费av| 国产免费男女视频| 黄色视频不卡| 国产高清videossex| 午夜影院日韩av| 国产亚洲av嫩草精品影院| 婷婷精品国产亚洲av| 精品久久久久久久毛片微露脸| 午夜久久久久精精品| 午夜福利18| 中文字幕精品亚洲无线码一区 | 日本 av在线| 女人被狂操c到高潮| 国产精品久久久久久亚洲av鲁大| 嫁个100分男人电影在线观看| www日本在线高清视频| 琪琪午夜伦伦电影理论片6080| 国产激情久久老熟女| 国内少妇人妻偷人精品xxx网站 | 亚洲中文字幕一区二区三区有码在线看 | 欧美中文日本在线观看视频| 在线观看www视频免费| 亚洲九九香蕉| 人妻丰满熟妇av一区二区三区| 午夜福利一区二区在线看| 成人三级做爰电影| 欧美日本亚洲视频在线播放| 操出白浆在线播放| 在线观看66精品国产| 日本a在线网址| 9191精品国产免费久久| 亚洲男人天堂网一区| 精品久久久久久久久久久久久 | 制服丝袜大香蕉在线| 成人一区二区视频在线观看| 亚洲av美国av| 国产av一区在线观看免费| 日韩精品免费视频一区二区三区| 成人国语在线视频| 国产精品影院久久| 在线观看免费日韩欧美大片| 免费在线观看视频国产中文字幕亚洲| 久久久久久久午夜电影| 看免费av毛片| 国产成年人精品一区二区| 一本精品99久久精品77| 久久婷婷人人爽人人干人人爱| 两人在一起打扑克的视频| 此物有八面人人有两片| 91国产中文字幕| 又紧又爽又黄一区二区| 大型av网站在线播放| 搞女人的毛片| 国产精品精品国产色婷婷| 丁香六月欧美| 亚洲精品色激情综合| 国产aⅴ精品一区二区三区波| 午夜福利一区二区在线看| 欧美一级毛片孕妇| 韩国精品一区二区三区| 国产真实乱freesex| 亚洲精品国产区一区二| 久久精品91无色码中文字幕| 少妇熟女aⅴ在线视频| 免费观看人在逋| 又黄又粗又硬又大视频| 久久久久久大精品| 成人精品一区二区免费| 国产成年人精品一区二区| 欧美久久黑人一区二区| 久久精品国产清高在天天线| 日本在线视频免费播放| 国产主播在线观看一区二区| 精品久久久久久成人av| 精品福利观看| 久久精品国产亚洲av高清一级| 国产免费男女视频| 制服丝袜大香蕉在线| 搡老熟女国产l中国老女人| 成人亚洲精品一区在线观看| 精品久久久久久久人妻蜜臀av| 欧美激情 高清一区二区三区| 丰满人妻熟妇乱又伦精品不卡| 久久婷婷人人爽人人干人人爱| 色av中文字幕| 亚洲自拍偷在线| 99久久精品国产亚洲精品| 精品国产亚洲在线| 大香蕉久久成人网| 国产午夜福利久久久久久| 中国美女看黄片| 国产亚洲精品久久久久久毛片| 精品久久久久久久末码| 熟女电影av网| 午夜免费激情av| 99久久99久久久精品蜜桃| 俄罗斯特黄特色一大片| 亚洲国产日韩欧美精品在线观看 | av在线天堂中文字幕| 国产亚洲精品av在线| 亚洲性夜色夜夜综合| 国产亚洲精品一区二区www| 精品国产乱码久久久久久男人| 国产激情欧美一区二区| 国产欧美日韩精品亚洲av| 日韩大尺度精品在线看网址| 老汉色av国产亚洲站长工具| 可以在线观看毛片的网站| 啦啦啦 在线观看视频| 精品久久久久久久人妻蜜臀av| 成在线人永久免费视频| 国产精品亚洲美女久久久| 啦啦啦 在线观看视频| 真人做人爱边吃奶动态| 女性生殖器流出的白浆| 亚洲av片天天在线观看| 午夜福利免费观看在线| 亚洲一区二区三区不卡视频| 精品免费久久久久久久清纯| 欧美绝顶高潮抽搐喷水| 午夜视频精品福利| 亚洲成人久久爱视频| 神马国产精品三级电影在线观看 | 国产麻豆成人av免费视频| 国内少妇人妻偷人精品xxx网站 | 97人妻精品一区二区三区麻豆 | 久久精品亚洲精品国产色婷小说| 制服丝袜大香蕉在线| 亚洲午夜精品一区,二区,三区| 午夜福利在线观看吧| 中文亚洲av片在线观看爽| 大香蕉久久成人网| 国产精品综合久久久久久久免费| 无人区码免费观看不卡| 在线视频色国产色| 国产久久久一区二区三区| 国产私拍福利视频在线观看| 免费在线观看日本一区| 久久久国产精品麻豆| 亚洲中文日韩欧美视频| 亚洲av第一区精品v没综合| 婷婷亚洲欧美| a在线观看视频网站| 日韩欧美 国产精品| 在线看三级毛片| 国产不卡一卡二| 午夜成年电影在线免费观看| 丁香欧美五月| 国产视频内射| 国产成人系列免费观看| 久久伊人香网站|