• <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 ?

    面向概念漂移問題的漸進(jìn)多核學(xué)習(xí)方法

    2019-10-31 09:21白東穎易亞星王慶超余志勇
    計算機(jī)應(yīng)用 2019年9期
    關(guān)鍵詞:支持向量機(jī)

    白東穎 易亞星 王慶超 余志勇

    摘 要:針對概念漂移問題,構(gòu)建數(shù)據(jù)特性隨時間發(fā)生漸進(jìn)變化特點的分類學(xué)習(xí)模型,提出一種基于漸進(jìn)支持向量機(jī)(G-SVM)的漸進(jìn)多核學(xué)習(xí)方法(G-MKL)。該方法采用支持向量機(jī)(SVM)為基本分類器,進(jìn)行多區(qū)間上的子分類器耦合訓(xùn)練,并通過約束子分類器增量方式使模型適應(yīng)數(shù)據(jù)漸進(jìn)變化特性,最終將多個核函數(shù)以線性組合方式融入SVM求解框架。該方法綜合發(fā)揮了各個核函數(shù)的優(yōu)勢,大大提高了模型適應(yīng)性和有效性。最后在具有漸變特性的模擬數(shù)據(jù)集和真實數(shù)據(jù)集上將所提算法與多種經(jīng)典算法進(jìn)行了對比,驗證了所提算法在處理非靜態(tài)數(shù)據(jù)問題的有效性。

    關(guān)鍵詞:概念漂移;支持向量機(jī);多核學(xué)習(xí);子分類器;KKT條件

    中圖分類號:TP311

    文獻(xiàn)標(biāo)志碼:A

    Gradual multi-kernel learning method for concept drift

    BAI Dongying1,2, YI Yaxing1*, WANG Qingchao1, YU Zhiyong1

    1.Institute of Combat and Support. Xian Institute of High-Tech, Xian Shaanxi 710025, China;

    2.Institute of Air and Missile Defense, Air Force Engineering University, Xian Shaanxi 710051, China

    Abstract:

    Aiming at the concept drift problem, a classification learning model with the characteristics of data changing progressively over time was constructed, and a Gradual Multiple Kenerl Learning method (G-MKL) based on Gradual Support Vector Machine (G-SVM) was proposed. In this method, with Support Vector Machine (SVM) used as the basic classifier, multi-interval sub-classifier coupling training was carried out and the incremental method of constraining sub-classifier was used to adapt the model to the gradual change of data. Finally, multiple kernels were integrated into SVM solution framework in a linear combination manner. This method integrated the advantages of different kernel functions and greatly improved the adaptability and validity of the model. Finally, the comparison experiments between the proposed algorithm and several classical algorithms were carried out on the simulated and real datasets with gradual characteristics, verifying the effectiveness of the proposed algorithm in dealing with non-stationary data problems.

    Key words:

    concept drift; Support Vector Machine (SVM); multi-kernel learning; sub-classifier; Karush-Kuhn-Tucher (KKT) condition

    0 引言

    概念漂移問題[1-3]大致可以分為兩類:一種是數(shù)據(jù)的某種特征或分布方式發(fā)生突然變化從而導(dǎo)致數(shù)據(jù)分類模型的突然變化問題;另一種則是數(shù)據(jù)分布發(fā)生著逐漸而又緩慢的變化[4],本文的研究內(nèi)容為漸變性的概念漂移問題。

    對漸變數(shù)據(jù)進(jìn)行分類的重點在于分類模型不僅要在每一特定時間內(nèi)對現(xiàn)有數(shù)據(jù)達(dá)到最優(yōu),而且要使得分類模型能夠平穩(wěn)遞進(jìn)地變化。這是由于數(shù)據(jù)分布的稀疏性決定的,在較短的時間片段內(nèi)獲取的少量數(shù)據(jù)通常不足以建立可靠的模型,反而非常容易使得模型過擬合,因此需要合理利用時間相近的數(shù)據(jù)為當(dāng)前時刻構(gòu)建分類模型[5-6]。

    Grinblat等[7]提出時間自適應(yīng)支持向量機(jī)(Time Adaptive Support Vector Machine, TA-SVM),將數(shù)據(jù)按照時間順序劃分為若干區(qū)間,并在不同區(qū)間上求解子分類器;其最大的特點在于子分類器間的耦合,即不僅要使子分類器在相應(yīng)區(qū)間內(nèi)盡量達(dá)到最優(yōu),而且將相鄰子分類器間的變化在目標(biāo)函數(shù)中進(jìn)行了約束,從而使得分類器能夠較好地平衡分類模型在不同時間區(qū)間的全局優(yōu)化和局部優(yōu)化。

    雖然TA-SVM方法可以通過子分類器耦合的方式處理漸變式的概念漂移問題,然而其求解過程并不簡單,并且其中涉及到求矩陣的逆和偽逆等問題。Shi等[8]在TA-SVM的基礎(chǔ)上提出改進(jìn)的時間自適應(yīng)支持向量機(jī)(Improved TA-SVM, ITA-SVM),使用增量的概念表示相鄰分類器間的變化,將基礎(chǔ)分類器與增量序列結(jié)合構(gòu)成各個子分類器。雖然ITA-SVM解決了TA-SVM難以求解的問題,但是ITA-SVM本質(zhì)是一種核心向量機(jī)模型,雖然易于優(yōu)化,但是在有效性上與支持向量機(jī)有一定差距。

    為此本文提出了基于漸進(jìn)支持向量機(jī)(Gradual Support Vector Machine,G-SVM)的漸進(jìn)多核學(xué)習(xí)方法(Gradual Multiple Kernel Learning, G-MKL),以支持向量機(jī)為基本分類器,通過子分類器耦合的方式處理漸變式的概念漂移問題,通過分類器增量的方式使得模型適應(yīng)數(shù)據(jù)特性的漸進(jìn)變化,通過將分類器學(xué)習(xí)和多核自適應(yīng)優(yōu)化置于統(tǒng)一的優(yōu)化框架,在一組基核上充分發(fā)揮各個核的優(yōu)勢,得出最優(yōu)的組合方式,進(jìn)一步提高模型的適應(yīng)性和有效性。

    根據(jù)上述推導(dǎo)過程,多核漸進(jìn)支持向量機(jī)模型(G-MKL)訓(xùn)練階段的計算流程可描述為:

    步驟1 將按照時間排序的樣本序列{x1,x2,…,xN}劃分為L個子區(qū)間。

    步驟2 計算核矩陣K和樣本間關(guān)系矩陣G。

    步驟3 初始化核權(quán)值θm=1/m,m。

    步驟4 使用序列最小化(Sequential Minimal Optimization, SMO)算法解式(13)所示的QP問題。

    步驟5 使用式(24)更新核權(quán)重。

    步驟6 判斷是否滿足迭代停止條件,若滿足,則訓(xùn)練結(jié)束;若不滿足,重復(fù)步驟4~6,直到滿足停止條件。

    2 實驗與結(jié)果分析

    為評估本文所提多核漸進(jìn)支持向量機(jī)模型的有效性和可行性,通過實驗的方式進(jìn)行比較分析。實驗選擇ITA-SVM[8],TA-SVM[10]和G-SVM算法作為基準(zhǔn)算法進(jìn)行對比。實驗使用Matlab 2012a作為編程環(huán)境,使用SMO算法解SVM。本章的實驗內(nèi)容安排如下:首先在使用人工數(shù)據(jù)集模擬數(shù)據(jù)分布模型隨時間逐漸變化的情況,在模擬數(shù)據(jù)集上分析算法跟隨數(shù)據(jù)變化的能力,然后在真實數(shù)據(jù)集上進(jìn)行對比分析。

    2.1 模擬數(shù)據(jù)集實驗與結(jié)果分析

    為驗證本文所提出漸進(jìn)支持向量機(jī)和漸進(jìn)多核學(xué)習(xí)方法在概念漂移問題處理上的有效性,按照和文獻(xiàn)[8,10]相同的方法構(gòu)造了兩個人工數(shù)據(jù)集,以模擬現(xiàn)實世界中數(shù)據(jù)分布模型隨時間變化的情形。兩個數(shù)據(jù)集分別命名為Sliding和Rotating。

    數(shù)據(jù)集Sliding是一個兩分類數(shù)據(jù)集,數(shù)據(jù)包含兩個維度。兩個類別的樣本都服從高斯分布,并沿著一個二維空間上的正弦函數(shù)緩慢漂移,樣本點根據(jù)式(28)生成:

    xi=2πin-π+0.2yi+ε1,sin2πin-π+0.2yi+ε2(28)

    其中i=1,2,…,N(N為樣本數(shù)量);ε1和ε2都取自于均值為0,方差為0.1的正態(tài)分布;yi∈{-1,+1}為樣本xi的標(biāo)簽。圖1所示為數(shù)據(jù)集Sliding在時刻t(i∈[1,t])分別為25,175,325,475時樣本分布情況。其中t時刻最近產(chǎn)生的25個樣本使用實心點標(biāo)記。

    Sliding的兩類樣本在每一較短的時間段內(nèi)基本上是可分的。但是隨著時間的變化,兩類樣本沿著正弦曲線不斷漂移,從整體上看兩類樣本混淆在一起難以分辨。由于這個數(shù)據(jù)集具有如此特點,因此也常用來模擬概念漂移問題驗證算法對于非靜態(tài)數(shù)據(jù)處理的能力。

    數(shù)據(jù)集Rotating是一個旋轉(zhuǎn)數(shù)據(jù)集,模擬的是正負(fù)兩類樣本的分界面以原點為中心,沿逆時針旋轉(zhuǎn)的情況下的數(shù)據(jù)分布。兩類樣本的分界面法向量定義為v,v的變化情況可以用式(29)表示:

    v1(t)=cos(2πt/n)10

    v2(t)=sin(2πt/n)

    v3,4,…,d(t)=0(29)

    樣本xi的每一維度均服從[-1,1]上的均勻分布,其所屬類別為yi=sign(xiv(ti))。在實際實驗中每一時刻只生成一個樣本點,與文獻(xiàn)[8]相同。

    按照上面描述的數(shù)據(jù)產(chǎn)生方式,分別為兩個數(shù)據(jù)集生成數(shù)據(jù)。按照相同的方式分別產(chǎn)生三組數(shù)據(jù),其中第一組為訓(xùn)練集,用于模型訓(xùn)練;第二組為校驗集,用于參數(shù)選擇;第三組為測試集,用于評估算法。為了能更加深入地評估漸進(jìn)支持

    向量機(jī)和漸進(jìn)多核學(xué)習(xí)算法的優(yōu)劣,實驗共分兩步。首先在

    校驗集上訓(xùn)練模型以檢驗?zāi)P椭行略鰠?shù)對算法的性能的影響,然后使用優(yōu)化后的參數(shù)訓(xùn)練分類模型,使用訓(xùn)練好的決策函數(shù)在測試集上對算法的性能進(jìn)行對比分析。

    懲罰因子C∈{0.1,1,10,100,1000},通過交叉驗證的方式選擇最優(yōu)參數(shù)C。單核支持向量機(jī)模型分別使用線性核和高斯核,高斯核寬度通過交叉驗證的方式從{0.01,0.1,1,5,10,20,50,100}選擇最優(yōu)值,多核方法G-MKL同時使用線性核,一階多項式核以及高斯核進(jìn)行訓(xùn)練,高斯核的寬度σ∈{0.01,0.1,1,5,10,20,50,100},因此共計10個核。

    在本節(jié)實驗中將本文算法與TA-SVM、ITA-SVM、G-SVM在兩個數(shù)據(jù)集上進(jìn)行對比以評估本文G-MKL的分類效果。因數(shù)據(jù)生成得較為稀疏,故具有較大的隨機(jī)性,需要多次實驗取平均值。實驗過程參照文獻(xiàn)[15]的方式進(jìn)行,首先按照式(24)和式(25)的模型分別生成訓(xùn)練集、校驗集以及測試集各100組。將訓(xùn)練集分為L個數(shù)據(jù)子集,使用訓(xùn)練集和校驗集選擇該數(shù)據(jù)集上最優(yōu)的C,λ和σ。在訓(xùn)練集上訓(xùn)練模型,在測試集上驗證模型,重復(fù)100次實驗取平均值。表1分別記錄了不同算法在Sliding數(shù)據(jù)集和Rotating數(shù)據(jù)集上的平均分類準(zhǔn)確率和標(biāo)準(zhǔn)差。

    根據(jù)表1可以看出無論使用線性核還是使用高斯核,G-SVM算法的分類準(zhǔn)確率均高于TA-SVM和ITA-SVM算法,體現(xiàn)了它在數(shù)據(jù)分布模型發(fā)生變化時可以更好地擬合數(shù)據(jù),通過全局優(yōu)化和局部優(yōu)化方式學(xué)習(xí)到良好的分類分界線;而其多核方式G-MKL則在分類準(zhǔn)確率上有進(jìn)一步的提高,體現(xiàn)了本文多核學(xué)習(xí)方法在優(yōu)化多核上的優(yōu)勢。

    2.2 真實數(shù)據(jù)集實驗與結(jié)果分析

    1)Spam_corpus數(shù)據(jù)集

    Spam_corpus數(shù)據(jù)集為垃圾郵件數(shù)據(jù)集,記錄了大約為期18個月發(fā)送給指定地址的郵件語料,包含9324個樣本。在Spam_corpus數(shù)據(jù)集中,隨著時間推移垃圾郵件的語料特征也隨之逐漸變化,因此該數(shù)據(jù)集是一個常用于檢驗概念漂移問題的數(shù)據(jù)集。實驗方式與文獻(xiàn)[8]相同,按照時間關(guān)系將數(shù)據(jù)等分為36組,每組包含259個樣本。每組樣本中隨機(jī)選取一半作為訓(xùn)練集,另外一半作為測試集,在訓(xùn)練集上通過交叉驗證的選擇各方法的模型參數(shù)。使用訓(xùn)練好的模型在測試集上進(jìn)行測試,實驗結(jié)果如表2和表3所示。

    從表3可以看出ITA-SVM算法在所有月份中共有5次達(dá)到最佳,G-SVM和本文所提的G-MKL則分別有5次和8次達(dá)到最佳,總體來看四種算法的預(yù)測準(zhǔn)確率相差不是特別大。

    表3記錄了在所有月份的平均預(yù)測錯誤率。從表中可以看出,TA-SVM算法錯誤率略高于其他三種算法,ITA-SVM在預(yù)測錯誤率上較之略有降低,本文的多核學(xué)習(xí)方法G-MKL表現(xiàn)最優(yōu),通常情況下錯誤率低于其他三種算法,體現(xiàn)了多核組合學(xué)習(xí)的優(yōu)勢。

    3 結(jié)語

    本文研究了非靜態(tài)數(shù)據(jù)的分類問題,提出了漸進(jìn)多核學(xué)習(xí)方法。通過將數(shù)據(jù)劃分為若干子數(shù)據(jù)集,在約束子分類器間的變化的同時優(yōu)化各子分類器,實現(xiàn)分類模型隨數(shù)據(jù)分布逐漸變化,使用多個核函數(shù)進(jìn)行數(shù)據(jù)度量,并將多核線性組合的方式求解融入支持向量機(jī)求解框架,充分發(fā)揮各個核函數(shù)的優(yōu)勢。在模擬數(shù)據(jù)集和真實數(shù)據(jù)集上的實驗結(jié)果驗證了本文提出的算法在處理概念漂移問題時的有效性。

    參考文獻(xiàn)

    [1]LIOBAITE I, PECHENIZKIY M, GAMA J. An overview of concept drift applications[M]// JAPKOWICZ N, STEFANOWSKI J. Big Data Analysis: New Algorithms for a New Society, SBD 16. Berlin: Springer, 2016: 91-114.

    [2]孫宇.針對含有概念漂移問題的增量學(xué)習(xí)算法研究[D].合肥:中國科學(xué)技術(shù)大學(xué),2017:12-18.(SUN Y. Research on incremental learning algorithms for conceptual drift problem [D]. Hefei: University of Science and Technology of China, 2017: 12-18).

    [3]HEWAHI N M, KOHAIL S N. Learning concept drift using adaptive training set formation strategy [J]. International Journal of Technology Diffusion, 2013, 4(1):33-55.

    [4]ALIPPI C, BORACCHI G, ROVERI M. An effective just-in-time adaptive classifier for gradual concept drifts[C] // Proceedings of the 2011 International Joint Conference on Neural Networks. Piscataway, NJ: IEEE, 2011: 1675-1682.

    [5]史熒中.耦合的支持向量學(xué)習(xí)方法及應(yīng)用研究[D].無錫:江南大學(xué),2016:89-106.(SHI Y Z. Study on coupled supported vector method and its application [D]. Wuxi: Jiangnan University, 2016: 89-106.)

    [6]PALIVELA H, KUBAL D, NIRMALA C R. Multiple kernel learning techniques for ligand based virtual screening [C]// Proceedings of the 2017 International Conference on Computer Communication and Informatics. Piscataway, NJ: IEEE, 2017: 1-6.

    [7]GRINBLAT G L, UZAL L C, CECCATTO H A, et al. Solving nonstationary classification problems with coupled support vector machines [J]. IEEE Transactions on Neural Networks, 2011, 22(1): 37-51.

    [8]SHI Y, CHUNG F, WANG S. An improved TA-SVM method without matrix inversion and its fast implementation for nonstationary datasets [J]. IEEE Transactions on Neural Networks and Learning Systems, 2015, 26(9): 2005-2018.

    [9]汪洪橋,孫富春,蔡艷寧,等.多核學(xué)習(xí)方法[J].自動化學(xué)報,2010,36(8):1037-1050.(WANG H Q, SUN F C, CAI Y N, et al. On multiple kernel learning methods [J]. Acta Automatica Sinica, 2010, 36(8): 1037-1050.)

    [10]GNEN M, ALPAYDIN E. Multiple kernel learning algorithms [J]. Journal of Machine Learning Research, 2011, 12: 2211-2268.

    GNEN M, ALPAYDIN E. Multiple kernel learning algorithms [EB/OL]. [2018-12-21]. http://delivery.acm.org/10.1145/2030000/2021071/p2211-gonen.pdf?ip=171.221.175.194&id=2021071&acc=OPEN&key=4D4702B0C3E38B35%2E4D4702B0C3E38B35%2E4D4702B0C3E38B35%2E6D218144511F3437&__acm__=1562746429_892bd32fdc36440e5615efc0f82c56b2.

    [11]MANOGARAN G, VARATHARAJAN R, PRIYAN M K. Hybrid recommendation system for heart disease diagnosis based on multiple kernel learning with adaptive neuro-fuzzy inference system [J]. Multimedia Tools and Applications, 2018, 77(4): 4379-4399.

    [12]MARCINIAK M, AREVALO H, TFELT-HANSEN J, et al. A multiple kernel learning framework to investigate the relationship between ventricular fibrillation and first myocardial infarction [C]// Proceedings of the 2017 International Conference on Functional Imaging and Modeling of the Heart, LNCS 10263. Berlin: Springer, 2017: 161-171.

    [13]LIU T, JIN X, GU Y. Sparse multiple kernel learning for hyperspectral image classification using spatial-spectral features [C]// Proceedings of the 6th International Conference on Instrumentation and Measurement, Computer, Communication and Control. Piscataway, NJ: IEEE, 2016: 614-618.

    [14]VAPNIK V N. The Nature of Statistical Learning Theory[M]. New York: Springer, 1995: 24-30.

    [15]HAN Y, YANG K, YANG Y, et al. Localized multiple kernel learning with dynamical clustering and matrix regularization [J]. IEEE Transactions on Neural Networks and Learning Systems, 2018, 29(6): 486-499.

    This work is partially supported by the National Natural Science Foundation of China for Young Scholars (61806219).

    BAI Dongying, born in 1982, M. S., lecturer. Her research interests include intelligent information processing, integrated command and control.

    YI Yaxing, born in 1966, Ph. D., professor. His research interests include system modeling and simulation.

    WANG Qingchao, born in 1988, Ph. D., lecturer. His research interests include remote sensing image analysis.

    YU Zhiyong, born in 1972, Ph. D., professor. His research interests include electromagnetic compatibility.

    猜你喜歡
    支持向量機(jī)
    基于支持向量回歸機(jī)的電能質(zhì)量評估
    基于智能優(yōu)化算法選擇特征的網(wǎng)絡(luò)入侵檢測
    數(shù)據(jù)挖掘技術(shù)在電廠經(jīng)濟(jì)性分析系統(tǒng)中的應(yīng)用Q
    基于改進(jìn)支持向量機(jī)的船舶縱搖預(yù)報模型
    基于SVM的煙草銷售量預(yù)測
    動態(tài)場景中的視覺目標(biāo)識別方法分析
    論提高裝備故障預(yù)測準(zhǔn)確度的方法途徑
    基于熵技術(shù)的公共事業(yè)費最優(yōu)組合預(yù)測
    基于支持向量機(jī)的金融數(shù)據(jù)分析研究
    管理類研究生支持向量機(jī)預(yù)測決策實驗教學(xué)研究
    久久久久国产精品人妻一区二区| 亚洲av男天堂| 观看美女的网站| 国产黄色视频一区二区在线观看| 久久国产精品男人的天堂亚洲 | 免费看光身美女| 两个人的视频大全免费| 国产成人精品婷婷| 国产在视频线精品| 黑人巨大精品欧美一区二区蜜桃 | 最新的欧美精品一区二区| 中国三级夫妇交换| videossex国产| 欧美成人精品欧美一级黄| 国产精品人妻久久久久久| av网站免费在线观看视频| 一本色道久久久久久精品综合| 91精品国产国语对白视频| 国产乱来视频区| 国产高清三级在线| 天堂中文最新版在线下载| 国产伦精品一区二区三区视频9| 久久综合国产亚洲精品| 最近的中文字幕免费完整| 精品久久久噜噜| 美女脱内裤让男人舔精品视频| 久久久久精品久久久久真实原创| 亚洲高清免费不卡视频| 国产深夜福利视频在线观看| 老司机影院毛片| 少妇被粗大猛烈的视频| 久久97久久精品| 国产69精品久久久久777片| 少妇的逼水好多| 我的老师免费观看完整版| 久久久久久久久大av| 日日爽夜夜爽网站| av线在线观看网站| 99视频精品全部免费 在线| 少妇丰满av| 日韩成人av中文字幕在线观看| 国产乱来视频区| kizo精华| 中文欧美无线码| 激情五月婷婷亚洲| 久久久精品区二区三区| 久久久欧美国产精品| 国产成人精品无人区| 各种免费的搞黄视频| videossex国产| 熟妇人妻不卡中文字幕| 九九在线视频观看精品| xxx大片免费视频| 一本大道久久a久久精品| 亚洲精品乱码久久久v下载方式| 亚洲国产日韩一区二区| 日本黄色片子视频| 亚洲av不卡在线观看| 久久av网站| 蜜臀久久99精品久久宅男| 少妇的逼好多水| 一本一本综合久久| av在线app专区| 夫妻性生交免费视频一级片| 亚洲怡红院男人天堂| xxxhd国产人妻xxx| 久久精品国产鲁丝片午夜精品| 免费高清在线观看日韩| av又黄又爽大尺度在线免费看| 美女福利国产在线| 国产乱人偷精品视频| 亚洲精品一二三| 2022亚洲国产成人精品| 91在线精品国自产拍蜜月| 女性被躁到高潮视频| 日本91视频免费播放| 老司机影院成人| 狠狠精品人妻久久久久久综合| 亚洲人与动物交配视频| 亚洲无线观看免费| av网站免费在线观看视频| 菩萨蛮人人尽说江南好唐韦庄| 毛片一级片免费看久久久久| 中文字幕制服av| 赤兔流量卡办理| 亚洲av日韩在线播放| 国产国拍精品亚洲av在线观看| 亚洲高清免费不卡视频| 又黄又爽又刺激的免费视频.| 少妇高潮的动态图| 国产精品国产三级国产av玫瑰| 午夜免费鲁丝| 蜜桃久久精品国产亚洲av| 人人妻人人爽人人添夜夜欢视频| 男的添女的下面高潮视频| 国产精品三级大全| 人妻少妇偷人精品九色| 国产成人一区二区在线| 男女边摸边吃奶| 久久久久久伊人网av| 我要看黄色一级片免费的| 亚洲成人一二三区av| 国产成人精品福利久久| 18禁裸乳无遮挡动漫免费视频| 国产视频首页在线观看| 熟妇人妻不卡中文字幕| 久久女婷五月综合色啪小说| 十分钟在线观看高清视频www| 午夜福利视频精品| 一个人免费看片子| 亚洲av二区三区四区| 国产一区二区三区av在线| 免费大片18禁| 国产av国产精品国产| 免费看av在线观看网站| 国产成人freesex在线| 又大又黄又爽视频免费| 亚洲色图综合在线观看| 特大巨黑吊av在线直播| 制服丝袜香蕉在线| 午夜激情久久久久久久| 91久久精品国产一区二区成人| 99久久人妻综合| 看免费成人av毛片| 国产 一区精品| 国国产精品蜜臀av免费| 国产精品99久久99久久久不卡 | 在线观看免费日韩欧美大片 | 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 午夜福利影视在线免费观看| 午夜福利视频在线观看免费| 久久久久久久久久人人人人人人| 午夜久久久在线观看| 婷婷色综合www| 精品亚洲乱码少妇综合久久| 成人毛片60女人毛片免费| 99久久中文字幕三级久久日本| 天美传媒精品一区二区| 精品亚洲成国产av| 亚洲欧美一区二区三区黑人 | 日本免费在线观看一区| 亚洲精品色激情综合| 狂野欧美白嫩少妇大欣赏| 欧美一级a爱片免费观看看| 色94色欧美一区二区| 国产一区二区在线观看日韩| 毛片一级片免费看久久久久| 午夜免费男女啪啪视频观看| 三级国产精品欧美在线观看| 最近中文字幕高清免费大全6| 春色校园在线视频观看| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 亚洲人成网站在线播| 麻豆成人av视频| 久久99精品国语久久久| av在线播放精品| 国产精品久久久久久精品古装| 亚洲性久久影院| 日韩人妻高清精品专区| 欧美性感艳星| 99热这里只有精品一区| 国产精品 国内视频| 免费不卡的大黄色大毛片视频在线观看| 国产成人a∨麻豆精品| 在线观看www视频免费| 久久女婷五月综合色啪小说| 大码成人一级视频| 美女内射精品一级片tv| 午夜免费男女啪啪视频观看| 91久久精品电影网| 99久久中文字幕三级久久日本| 97精品久久久久久久久久精品| 久久这里有精品视频免费| 午夜免费男女啪啪视频观看| 国产成人91sexporn| 亚洲婷婷狠狠爱综合网| 一个人免费看片子| 精品酒店卫生间| 美女主播在线视频| 91在线精品国自产拍蜜月| a级毛片黄视频| 一个人免费看片子| 国产av码专区亚洲av| 婷婷色麻豆天堂久久| 国产免费视频播放在线视频| 91成人精品电影| 国产成人精品福利久久| 亚洲精品国产色婷婷电影| 少妇人妻精品综合一区二区| 97超碰精品成人国产| 视频在线观看一区二区三区| 国产精品免费大片| 三级国产精品片| .国产精品久久| 99热网站在线观看| 国产老妇伦熟女老妇高清| 999精品在线视频| 精品国产露脸久久av麻豆| 有码 亚洲区| 亚洲欧洲精品一区二区精品久久久 | 少妇人妻 视频| 丝袜美足系列| 97在线人人人人妻| 69精品国产乱码久久久| 欧美性感艳星| 亚洲国产精品国产精品| 精品熟女少妇av免费看| av卡一久久| 久久久久久久国产电影| 人妻夜夜爽99麻豆av| 国产亚洲午夜精品一区二区久久| 在线免费观看不下载黄p国产| 亚洲久久久国产精品| 欧美日韩视频精品一区| 熟女人妻精品中文字幕| 伊人久久精品亚洲午夜| 久久久久人妻精品一区果冻| 欧美 日韩 精品 国产| av有码第一页| 亚洲情色 制服丝袜| 婷婷成人精品国产| 在线天堂最新版资源| 久久综合国产亚洲精品| 新久久久久国产一级毛片| 色网站视频免费| 精品一区在线观看国产| 亚洲五月色婷婷综合| 久久久欧美国产精品| 色婷婷av一区二区三区视频| av电影中文网址| 午夜福利,免费看| 又大又黄又爽视频免费| 国产在视频线精品| 国产白丝娇喘喷水9色精品| 日韩制服骚丝袜av| 高清欧美精品videossex| 国产成人一区二区在线| av免费在线看不卡| 国产黄片视频在线免费观看| 亚洲欧美色中文字幕在线| 伦理电影大哥的女人| 91久久精品国产一区二区三区| 午夜激情福利司机影院| 国产精品一区二区在线观看99| 国产国语露脸激情在线看| 精品卡一卡二卡四卡免费| 免费看不卡的av| 婷婷色综合大香蕉| 夜夜骑夜夜射夜夜干| 大又大粗又爽又黄少妇毛片口| 纵有疾风起免费观看全集完整版| 亚洲欧美日韩卡通动漫| 一个人免费看片子| 日本与韩国留学比较| 黄色怎么调成土黄色| 男人添女人高潮全过程视频| 18在线观看网站| 久久99热这里只频精品6学生| 国产在线一区二区三区精| 成年美女黄网站色视频大全免费 | 亚洲,欧美,日韩| 最黄视频免费看| 国产精品99久久99久久久不卡 | 亚洲av福利一区| 精品人妻熟女av久视频| 国产精品一区二区三区四区免费观看| 午夜免费鲁丝| 一级爰片在线观看| 女人精品久久久久毛片| 少妇熟女欧美另类| 亚洲人成77777在线视频| 自拍欧美九色日韩亚洲蝌蚪91| a级毛色黄片| 亚洲精品美女久久av网站| 一级毛片电影观看| 高清在线视频一区二区三区| 午夜福利在线观看免费完整高清在| 在线观看美女被高潮喷水网站| 亚洲第一av免费看| 亚洲美女黄色视频免费看| a 毛片基地| 在线精品无人区一区二区三| 搡老乐熟女国产| 成年av动漫网址| 男女免费视频国产| 一本大道久久a久久精品| 97超碰精品成人国产| 人人妻人人澡人人看| 春色校园在线视频观看| 午夜免费观看性视频| 婷婷色综合大香蕉| 黄色视频在线播放观看不卡| 国产精品一区二区三区四区免费观看| 日韩强制内射视频| av线在线观看网站| 只有这里有精品99| 大香蕉97超碰在线| 91精品一卡2卡3卡4卡| 2018国产大陆天天弄谢| 亚洲精品国产av蜜桃| 国产精品久久久久久久电影| 久久青草综合色| 欧美精品高潮呻吟av久久| 在线观看免费日韩欧美大片 | 亚洲av日韩在线播放| 丝袜美足系列| 蜜桃在线观看..| 日韩不卡一区二区三区视频在线| 亚洲五月色婷婷综合| 欧美三级亚洲精品| 黄色毛片三级朝国网站| 久久久精品免费免费高清| 日韩大片免费观看网站| 久久久精品区二区三区| 街头女战士在线观看网站| 91精品国产国语对白视频| 18+在线观看网站| 国产一区二区在线观看av| 中文字幕亚洲精品专区| 26uuu在线亚洲综合色| 国产精品一二三区在线看| 成人毛片60女人毛片免费| 天堂8中文在线网| 午夜免费男女啪啪视频观看| 各种免费的搞黄视频| 免费看av在线观看网站| 免费观看av网站的网址| 精品少妇内射三级| 97超碰精品成人国产| 国产成人免费观看mmmm| 久久精品国产a三级三级三级| 亚洲av中文av极速乱| 亚洲成人手机| 国产精品99久久久久久久久| 黑人高潮一二区| 欧美成人午夜免费资源| 国产成人精品无人区| 各种免费的搞黄视频| 如何舔出高潮| 观看av在线不卡| 性色av一级| 亚洲第一区二区三区不卡| 日韩欧美精品免费久久| 十八禁网站网址无遮挡| 亚州av有码| 亚洲国产欧美日韩在线播放| 2022亚洲国产成人精品| 国产精品久久久久久精品电影小说| 在线精品无人区一区二区三| xxxhd国产人妻xxx| 久久久欧美国产精品| 黑人猛操日本美女一级片| 亚洲精品一区蜜桃| 国产一区二区三区av在线| 韩国av在线不卡| 永久网站在线| 大片免费播放器 马上看| 亚洲中文av在线| 男女国产视频网站| 国产成人午夜福利电影在线观看| 中文精品一卡2卡3卡4更新| 老女人水多毛片| 一区二区三区精品91| 精品国产国语对白av| 在线观看一区二区三区激情| 免费播放大片免费观看视频在线观看| 韩国av在线不卡| 免费高清在线观看视频在线观看| 曰老女人黄片| 亚洲精品aⅴ在线观看| 毛片一级片免费看久久久久| 插逼视频在线观看| 在线观看免费高清a一片| 青春草视频在线免费观看| 精品久久蜜臀av无| 国产乱人偷精品视频| 国产黄频视频在线观看| 久久人人爽人人片av| 夜夜看夜夜爽夜夜摸| 人人妻人人添人人爽欧美一区卜| 99久久精品一区二区三区| 少妇的逼好多水| 亚洲国产精品国产精品| 日韩伦理黄色片| 亚洲国产成人一精品久久久| 成人手机av| 久久久久网色| 亚洲人成77777在线视频| 亚洲国产最新在线播放| 国产在线视频一区二区| 中国国产av一级| kizo精华| 免费av中文字幕在线| 丝袜喷水一区| 国产一区二区在线观看日韩| 国产无遮挡羞羞视频在线观看| 成人毛片a级毛片在线播放| 日日摸夜夜添夜夜爱| 国产精品一区二区三区四区免费观看| 观看美女的网站| 久久精品国产亚洲av涩爱| 男女高潮啪啪啪动态图| 中国美白少妇内射xxxbb| 一级片'在线观看视频| 欧美成人午夜免费资源| 一本色道久久久久久精品综合| 精品99又大又爽又粗少妇毛片| 日韩精品有码人妻一区| 如何舔出高潮| 欧美亚洲 丝袜 人妻 在线| 亚洲国产精品成人久久小说| 精品酒店卫生间| 精品国产国语对白av| 欧美日本中文国产一区发布| 免费观看无遮挡的男女| 精品人妻熟女毛片av久久网站| √禁漫天堂资源中文www| 国产精品人妻久久久久久| 2018国产大陆天天弄谢| 午夜免费男女啪啪视频观看| 色哟哟·www| 亚洲精品一区蜜桃| 免费不卡的大黄色大毛片视频在线观看| 亚洲精品乱码久久久v下载方式| 成人黄色视频免费在线看| 国产爽快片一区二区三区| 国产精品无大码| 一级黄片播放器| 欧美精品一区二区免费开放| 丰满饥渴人妻一区二区三| 国产成人精品无人区| 亚洲欧美日韩另类电影网站| 亚洲av欧美aⅴ国产| 国内精品宾馆在线| 国产永久视频网站| 老司机影院成人| 全区人妻精品视频| 水蜜桃什么品种好| 国产成人精品久久久久久| 最后的刺客免费高清国语| 三级国产精品欧美在线观看| 最近手机中文字幕大全| 国产高清不卡午夜福利| 美女福利国产在线| av有码第一页| 最近中文字幕高清免费大全6| 国产成人精品在线电影| 91精品国产国语对白视频| 国产成人freesex在线| 黑人欧美特级aaaaaa片| 国产伦理片在线播放av一区| 国产片内射在线| 黄色欧美视频在线观看| 18禁在线播放成人免费| 18+在线观看网站| 97在线视频观看| 欧美97在线视频| 五月玫瑰六月丁香| 久久久久久久亚洲中文字幕| 亚洲av男天堂| 伊人久久国产一区二区| 日韩制服骚丝袜av| 亚洲美女搞黄在线观看| 26uuu在线亚洲综合色| 香蕉精品网在线| 国产黄频视频在线观看| 国产视频内射| 亚洲av国产av综合av卡| 在线免费观看不下载黄p国产| 久久人妻熟女aⅴ| 少妇 在线观看| 中文天堂在线官网| 精品一区二区三区视频在线| 交换朋友夫妻互换小说| 中文乱码字字幕精品一区二区三区| 色网站视频免费| 热re99久久国产66热| 99国产精品免费福利视频| 18禁在线播放成人免费| 日韩成人伦理影院| 成人漫画全彩无遮挡| 日韩在线高清观看一区二区三区| 久久影院123| 久久毛片免费看一区二区三区| av免费在线看不卡| 乱码一卡2卡4卡精品| 高清av免费在线| 尾随美女入室| 精品久久久精品久久久| 这个男人来自地球电影免费观看 | 久久毛片免费看一区二区三区| 久久久国产一区二区| 在线观看一区二区三区激情| 亚洲国产欧美在线一区| 精品一区二区三卡| 国产成人精品婷婷| 午夜视频国产福利| 最近最新中文字幕免费大全7| 国产一区有黄有色的免费视频| 18禁裸乳无遮挡动漫免费视频| 国产色爽女视频免费观看| 桃花免费在线播放| 丁香六月天网| 一本色道久久久久久精品综合| 91成人精品电影| 亚洲美女视频黄频| 日韩视频在线欧美| 777米奇影视久久| 国产色婷婷99| 大片电影免费在线观看免费| 大又大粗又爽又黄少妇毛片口| 日韩av免费高清视频| 成年av动漫网址| 亚洲av国产av综合av卡| 18禁动态无遮挡网站| 国产欧美日韩综合在线一区二区| 99热这里只有精品一区| 亚洲国产精品专区欧美| 国产日韩欧美亚洲二区| av免费观看日本| 国产无遮挡羞羞视频在线观看| av免费观看日本| 18禁动态无遮挡网站| 成人国产麻豆网| 亚洲国产成人一精品久久久| 3wmmmm亚洲av在线观看| 自线自在国产av| 亚洲国产av影院在线观看| 亚洲精品一区蜜桃| 我的女老师完整版在线观看| 久久国产精品男人的天堂亚洲 | 亚洲av.av天堂| 免费人成在线观看视频色| 国产亚洲午夜精品一区二区久久| 国产午夜精品一二区理论片| 中文字幕最新亚洲高清| 九九在线视频观看精品| 天堂俺去俺来也www色官网| 菩萨蛮人人尽说江南好唐韦庄| 热99久久久久精品小说推荐| 能在线免费看毛片的网站| 这个男人来自地球电影免费观看 | 日韩av免费高清视频| 九草在线视频观看| 黄色视频在线播放观看不卡| 亚洲美女视频黄频| 18+在线观看网站| 精品久久久精品久久久| 亚洲美女黄色视频免费看| 久久久久久久亚洲中文字幕| 久久青草综合色| 成人毛片60女人毛片免费| 纯流量卡能插随身wifi吗| 一边亲一边摸免费视频| videosex国产| 麻豆乱淫一区二区| 七月丁香在线播放| 日日摸夜夜添夜夜添av毛片| 最近手机中文字幕大全| 国产免费一级a男人的天堂| 国模一区二区三区四区视频| 夜夜看夜夜爽夜夜摸| 亚洲精品456在线播放app| 人人妻人人澡人人看| 丁香六月天网| 免费久久久久久久精品成人欧美视频 | 少妇猛男粗大的猛烈进出视频| 黑丝袜美女国产一区| 国产精品熟女久久久久浪| 满18在线观看网站| 少妇熟女欧美另类| 国产成人免费观看mmmm| 大又大粗又爽又黄少妇毛片口| 伦理电影免费视频| 久久久久久久久久成人| 丝袜美足系列| 九九在线视频观看精品| 欧美亚洲日本最大视频资源| 九九久久精品国产亚洲av麻豆| 又黄又爽又刺激的免费视频.| 欧美国产精品一级二级三级| 日韩成人伦理影院| 五月天丁香电影| 亚洲精品日韩在线中文字幕| 成人二区视频| 国产一区二区在线观看av| 又黄又爽又刺激的免费视频.| 激情五月婷婷亚洲| 亚洲在久久综合| 热re99久久国产66热| 制服丝袜香蕉在线| 午夜福利影视在线免费观看| 高清黄色对白视频在线免费看| 99热6这里只有精品| 五月伊人婷婷丁香| 免费黄频网站在线观看国产| 菩萨蛮人人尽说江南好唐韦庄| 黄色欧美视频在线观看| 久久午夜综合久久蜜桃| 国产精品.久久久| 99久久精品国产国产毛片| 22中文网久久字幕| 亚洲av免费高清在线观看| 久久热精品热| 丝袜喷水一区| 男女国产视频网站| 免费大片黄手机在线观看| 免费观看的影片在线观看| 22中文网久久字幕| 日本91视频免费播放| 精品一区在线观看国产| 看免费成人av毛片| 99久久精品国产国产毛片| 亚洲精品乱码久久久久久按摩| 97在线人人人人妻|