• <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
    日韩欧美 国产精品| 性色avwww在线观看| 99久国产av精品国产电影| videossex国产| 非洲黑人性xxxx精品又粗又长| 天堂网av新在线| 人人妻人人看人人澡| 寂寞人妻少妇视频99o| 国产成人91sexporn| 99国产精品一区二区蜜桃av| 99热这里只有是精品在线观看| 国产精品野战在线观看| 欧美一区二区精品小视频在线| 99久久精品热视频| av国产久精品久网站免费入址| 成人亚洲精品av一区二区| 国产伦理片在线播放av一区| 深夜a级毛片| 我的女老师完整版在线观看| 男人和女人高潮做爰伦理| av线在线观看网站| 18+在线观看网站| 精品人妻偷拍中文字幕| 国产高清视频在线观看网站| 成人av在线播放网站| 成人美女网站在线观看视频| 边亲边吃奶的免费视频| 男女边吃奶边做爰视频| 一级黄片播放器| 成人欧美大片| 你懂的网址亚洲精品在线观看 | 亚洲欧美精品综合久久99| 亚洲av中文字字幕乱码综合| 久久久亚洲精品成人影院| 99在线人妻在线中文字幕| 午夜免费激情av| 亚洲不卡免费看| 精品酒店卫生间| 少妇被粗大猛烈的视频| 好男人视频免费观看在线| 精品99又大又爽又粗少妇毛片| 国产探花极品一区二区| 日本与韩国留学比较| 美女黄网站色视频| 国产高清国产精品国产三级 | 97热精品久久久久久| 1024手机看黄色片| 国产69精品久久久久777片| 国产人妻一区二区三区在| 日本爱情动作片www.在线观看| 亚洲国产欧美人成| 日韩高清综合在线| 色视频www国产| 日本一本二区三区精品| 国产探花极品一区二区| 国语自产精品视频在线第100页| 免费看光身美女| 国产精品久久久久久久电影| 国产三级中文精品| 久久亚洲精品不卡| 亚洲精品色激情综合| 激情 狠狠 欧美| 国模一区二区三区四区视频| 欧美丝袜亚洲另类| 午夜久久久久精精品| 亚洲成av人片在线播放无| 欧美最新免费一区二区三区| 久久久午夜欧美精品| 精品一区二区免费观看| 中文精品一卡2卡3卡4更新| 在线观看美女被高潮喷水网站| videossex国产| 国产亚洲一区二区精品| 99热这里只有是精品50| 亚洲欧美日韩东京热| 精品国产露脸久久av麻豆 | 一级黄色大片毛片| 中文字幕av成人在线电影| 欧美又色又爽又黄视频| 国产男人的电影天堂91| 精品免费久久久久久久清纯| 内地一区二区视频在线| 人人妻人人澡人人爽人人夜夜 | 久久久精品94久久精品| 亚洲一区高清亚洲精品| 亚洲欧美日韩东京热| 久久亚洲精品不卡| 99在线视频只有这里精品首页| 99热精品在线国产| 国产亚洲5aaaaa淫片| 欧美一区二区亚洲| 色视频www国产| 搞女人的毛片| 日韩精品有码人妻一区| 2021少妇久久久久久久久久久| 精品久久久噜噜| 中文天堂在线官网| 视频中文字幕在线观看| 天堂影院成人在线观看| 日本免费在线观看一区| 男女国产视频网站| 久久久久国产网址| 26uuu在线亚洲综合色| 天天躁日日操中文字幕| av在线老鸭窝| 日本免费一区二区三区高清不卡| 一级毛片久久久久久久久女| 高清毛片免费看| 九九在线视频观看精品| 菩萨蛮人人尽说江南好唐韦庄 | 18+在线观看网站| 久久久亚洲精品成人影院| av在线天堂中文字幕| 干丝袜人妻中文字幕| 日日摸夜夜添夜夜添av毛片| 国产 一区精品| 久久精品久久精品一区二区三区| 婷婷色av中文字幕| 尾随美女入室| 亚洲精品亚洲一区二区| 欧美成人a在线观看| 国产一区有黄有色的免费视频 | 国产爱豆传媒在线观看| 最近中文字幕高清免费大全6| 麻豆成人午夜福利视频| 亚洲性久久影院| 三级国产精品欧美在线观看| 舔av片在线| 美女高潮的动态| 女人久久www免费人成看片 | 欧美激情国产日韩精品一区| 免费av毛片视频| 国产淫片久久久久久久久| 联通29元200g的流量卡| 日本黄色视频三级网站网址| 久久久成人免费电影| 久久精品久久精品一区二区三区| a级毛色黄片| 日韩在线高清观看一区二区三区| ponron亚洲| 变态另类丝袜制服| 一区二区三区四区激情视频| 久久久色成人| 偷拍熟女少妇极品色| 亚洲五月天丁香| 蜜桃久久精品国产亚洲av| 一个人看的www免费观看视频| 人人妻人人看人人澡| 久久欧美精品欧美久久欧美| 久久精品综合一区二区三区| 亚洲欧美一区二区三区国产| 一级黄片播放器| 国产又色又爽无遮挡免| 欧美日韩在线观看h| 免费播放大片免费观看视频在线观看 | 99国产精品一区二区蜜桃av| 一区二区三区免费毛片| 国产精品永久免费网站| .国产精品久久| 精品人妻偷拍中文字幕| 精品人妻视频免费看| 丝袜美腿在线中文| 国产乱来视频区| 高清在线视频一区二区三区 | 亚洲成色77777| 国产一级毛片七仙女欲春2| 亚洲精品乱久久久久久| 中文乱码字字幕精品一区二区三区 | 精品欧美国产一区二区三| 午夜久久久久精精品| 波野结衣二区三区在线| 午夜福利网站1000一区二区三区| 国产伦精品一区二区三区视频9| 久久精品久久精品一区二区三区| 日本黄色片子视频| 欧美激情国产日韩精品一区| 亚洲成人中文字幕在线播放| 日本免费a在线| 99久国产av精品| 亚洲国产日韩欧美精品在线观看| 久久99精品国语久久久| 欧美日韩在线观看h| 亚洲av.av天堂| 国产精品一区二区性色av| 有码 亚洲区| a级毛色黄片| 国产毛片a区久久久久| 久久99热这里只有精品18| 禁无遮挡网站| 国产成人a区在线观看| av.在线天堂| 国产成年人精品一区二区| 美女cb高潮喷水在线观看| 超碰97精品在线观看| 亚洲无线观看免费| 成人三级黄色视频| 日日干狠狠操夜夜爽| 九九爱精品视频在线观看| 日韩国内少妇激情av| 国产精品国产三级专区第一集| 床上黄色一级片| 久久久色成人| 国产 一区 欧美 日韩| 国产精品乱码一区二三区的特点| 2022亚洲国产成人精品| 乱人视频在线观看| 51国产日韩欧美| 啦啦啦观看免费观看视频高清| 国产免费福利视频在线观看| 国产成年人精品一区二区| 亚洲av免费高清在线观看| 又黄又爽又刺激的免费视频.| 精品熟女少妇av免费看| 国产一区亚洲一区在线观看| 日韩亚洲欧美综合| 大又大粗又爽又黄少妇毛片口| 亚洲中文字幕一区二区三区有码在线看| 亚洲av男天堂| 国模一区二区三区四区视频| 国产在视频线在精品| 小说图片视频综合网站| 99热网站在线观看| 91精品国产九色| 小说图片视频综合网站| 欧美性感艳星| 欧美潮喷喷水| 国产私拍福利视频在线观看| 精品久久久久久成人av| 日韩欧美精品v在线| 午夜福利视频1000在线观看| 国产毛片a区久久久久| 麻豆国产97在线/欧美| 成年av动漫网址| 久久精品人妻少妇| 六月丁香七月| 亚洲无线观看免费| 国产精品日韩av在线免费观看| 亚洲不卡免费看| 亚洲精品久久久久久婷婷小说 | 精品久久久噜噜| 亚洲精品成人久久久久久| 国产淫片久久久久久久久| 欧美不卡视频在线免费观看| 九九热线精品视视频播放| 亚洲天堂国产精品一区在线| 国产真实伦视频高清在线观看| 午夜福利视频1000在线观看| 欧美最新免费一区二区三区| av视频在线观看入口| 国产伦精品一区二区三区四那| 菩萨蛮人人尽说江南好唐韦庄 | 日韩av不卡免费在线播放| 精品久久久久久久末码| 天天一区二区日本电影三级| 激情 狠狠 欧美| 久久久久久久亚洲中文字幕| 亚洲av.av天堂| 一级av片app| 国产精品综合久久久久久久免费| 国产精品久久视频播放| 看免费成人av毛片| 免费观看人在逋| 久久这里有精品视频免费| 村上凉子中文字幕在线| 日韩高清综合在线| 天天一区二区日本电影三级| 青青草视频在线视频观看| 99热精品在线国产| 国产成年人精品一区二区| 亚洲人成网站在线播| 亚洲真实伦在线观看| 欧美成人一区二区免费高清观看| 欧美不卡视频在线免费观看| av在线天堂中文字幕| 99热精品在线国产| 亚洲国产欧洲综合997久久,| 国产一区有黄有色的免费视频 | 有码 亚洲区| 中文字幕人妻熟人妻熟丝袜美| 蜜臀久久99精品久久宅男| 国产亚洲av嫩草精品影院| 国产白丝娇喘喷水9色精品| or卡值多少钱| 国产又色又爽无遮挡免| a级毛片免费高清观看在线播放| 又黄又爽又刺激的免费视频.| 日韩精品有码人妻一区| 老司机福利观看| 午夜日本视频在线| 国产美女午夜福利| 边亲边吃奶的免费视频| 国语对白做爰xxxⅹ性视频网站| 久久久久国产网址| 精品免费久久久久久久清纯| 国产精品99久久久久久久久| 国产精品女同一区二区软件| 麻豆一二三区av精品| 国产精品国产三级国产av玫瑰| 免费黄网站久久成人精品| 亚洲激情五月婷婷啪啪| 日韩 亚洲 欧美在线| 亚洲电影在线观看av| 亚洲婷婷狠狠爱综合网| 波野结衣二区三区在线| 亚洲精品影视一区二区三区av| 国产免费男女视频| 搡老妇女老女人老熟妇| 伊人久久精品亚洲午夜| 在线观看美女被高潮喷水网站| 波多野结衣巨乳人妻| 国产亚洲91精品色在线| 成人综合一区亚洲| 天堂√8在线中文| 十八禁国产超污无遮挡网站| 婷婷色综合大香蕉| 蜜桃亚洲精品一区二区三区| 国产av在哪里看| 午夜爱爱视频在线播放| 久久热精品热| 少妇人妻精品综合一区二区| 久久久亚洲精品成人影院| 老司机影院成人| 亚洲中文字幕日韩| 国语对白做爰xxxⅹ性视频网站| 女人久久www免费人成看片 | 国产精品综合久久久久久久免费| 简卡轻食公司| 纵有疾风起免费观看全集完整版 | 少妇人妻精品综合一区二区| 亚洲精品日韩在线中文字幕| 国产中年淑女户外野战色| 欧美一区二区精品小视频在线| 亚洲四区av| 成人亚洲欧美一区二区av| 亚洲欧美日韩卡通动漫| 99久久九九国产精品国产免费| 综合色丁香网| 两性午夜刺激爽爽歪歪视频在线观看| 视频中文字幕在线观看| 精品少妇黑人巨大在线播放 | .国产精品久久| 丝袜美腿在线中文| www.av在线官网国产| 日本免费a在线| 欧美日韩国产亚洲二区| 乱人视频在线观看| 欧美日韩国产亚洲二区| 嫩草影院新地址| 欧美日韩国产亚洲二区| 日韩成人av中文字幕在线观看| 久久亚洲国产成人精品v| 亚洲精品国产成人久久av| 日韩一区二区视频免费看| 国产精品国产三级国产av玫瑰| 天堂影院成人在线观看| 亚州av有码| 国产大屁股一区二区在线视频| 亚洲国产精品专区欧美| av线在线观看网站| 色吧在线观看| 亚洲在线观看片| 国产成年人精品一区二区| 国产精品麻豆人妻色哟哟久久 | 精品欧美国产一区二区三| 永久网站在线| 国产人妻一区二区三区在| 欧美三级亚洲精品| 国产黄色小视频在线观看| 国产又黄又爽又无遮挡在线| 日本午夜av视频| 欧美xxxx性猛交bbbb| 九草在线视频观看| 国产精品日韩av在线免费观看| 久久精品国产99精品国产亚洲性色| 午夜福利在线观看免费完整高清在| 校园人妻丝袜中文字幕| 欧美一级a爱片免费观看看| 日本午夜av视频| 乱系列少妇在线播放| 亚洲成色77777| 青青草视频在线视频观看| 中文字幕久久专区| 亚洲伊人久久精品综合 | 91精品一卡2卡3卡4卡| 欧美精品国产亚洲| 久久韩国三级中文字幕| 极品教师在线视频| av在线蜜桃| 久久久久九九精品影院| 精品酒店卫生间| 免费观看人在逋| 亚洲性久久影院| 淫秽高清视频在线观看| 国产淫语在线视频| 精品一区二区三区视频在线| 欧美最新免费一区二区三区| 成人漫画全彩无遮挡| 日韩视频在线欧美| 精品国产三级普通话版| 国产片特级美女逼逼视频| 伦理电影大哥的女人| 淫秽高清视频在线观看| 国产一区有黄有色的免费视频 | 亚洲国产精品合色在线| 国产精品爽爽va在线观看网站| 成人亚洲精品av一区二区| 日韩一本色道免费dvd| 一级毛片我不卡| 亚洲国产精品合色在线| 嫩草影院精品99| 观看免费一级毛片| 婷婷色综合大香蕉| 一级黄片播放器| 国产免费一级a男人的天堂| 欧美zozozo另类| av在线亚洲专区| 丰满乱子伦码专区| 级片在线观看| 久久国产乱子免费精品| 国产乱来视频区| 男的添女的下面高潮视频| 亚洲综合精品二区| 精品少妇黑人巨大在线播放 | 国产又色又爽无遮挡免| 国产亚洲91精品色在线| 级片在线观看| 婷婷色综合大香蕉| 狂野欧美白嫩少妇大欣赏| 三级经典国产精品| 国产精品女同一区二区软件| 99久久精品一区二区三区| 日韩三级伦理在线观看| 亚洲国产精品久久男人天堂| 精品人妻视频免费看| 精品无人区乱码1区二区| 欧美三级亚洲精品| 一边摸一边抽搐一进一小说| 亚洲最大成人中文| 国产精品精品国产色婷婷| 青春草视频在线免费观看| 色综合亚洲欧美另类图片| 最近的中文字幕免费完整| 九九在线视频观看精品| 色播亚洲综合网| 日韩国内少妇激情av| 亚洲最大成人av| 乱码一卡2卡4卡精品| 亚洲怡红院男人天堂| 国产精品久久久久久久久免| 国产精品福利在线免费观看| 久久精品夜色国产| 亚洲电影在线观看av| 亚洲国产最新在线播放| 伦理电影大哥的女人| 综合色丁香网| 国产亚洲精品av在线| 久久久精品欧美日韩精品| 联通29元200g的流量卡| 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 | 国产黄片美女视频| 乱人视频在线观看| 久久精品国产鲁丝片午夜精品| 免费看a级黄色片| 久久久久网色| 中文亚洲av片在线观看爽| 一夜夜www| 国产成人午夜福利电影在线观看| 草草在线视频免费看| 国产精品一二三区在线看| 日本黄色视频三级网站网址| 狠狠狠狠99中文字幕| 欧美高清成人免费视频www| 国产精品人妻久久久影院| 别揉我奶头 嗯啊视频| 国产精品一区二区三区四区免费观看| 国产高潮美女av| 欧美色视频一区免费| 国内精品美女久久久久久| 日韩高清综合在线| 日韩成人伦理影院| 国产亚洲最大av| 成人欧美大片| 热99re8久久精品国产| 天堂中文最新版在线下载 | 内地一区二区视频在线| 黄片无遮挡物在线观看| 日韩亚洲欧美综合| 欧美区成人在线视频| 一区二区三区四区激情视频| 97超碰精品成人国产| 久久久久久久久久黄片| 直男gayav资源| av在线观看视频网站免费| 毛片一级片免费看久久久久| 亚洲丝袜综合中文字幕| 亚州av有码| 亚洲av电影不卡..在线观看| 久久久午夜欧美精品| 国产老妇伦熟女老妇高清| 波野结衣二区三区在线| 免费观看人在逋| 看片在线看免费视频| 亚洲自偷自拍三级| 国产亚洲一区二区精品| 国产三级中文精品| 久久久久网色| 国产一级毛片七仙女欲春2| 国内精品宾馆在线| 村上凉子中文字幕在线| 老女人水多毛片| 久久久久久大精品| 黄色日韩在线| 午夜激情福利司机影院| 久久精品夜夜夜夜夜久久蜜豆| 亚洲天堂国产精品一区在线| 舔av片在线| 国产老妇女一区| 欧美xxxx性猛交bbbb| 日本五十路高清| 女人被狂操c到高潮| 日本午夜av视频| 亚洲久久久久久中文字幕| 亚洲精品,欧美精品| 成人鲁丝片一二三区免费| 精品久久久久久久久亚洲| 蜜桃亚洲精品一区二区三区| 2021天堂中文幕一二区在线观| videossex国产| 天天一区二区日本电影三级| 长腿黑丝高跟| 特大巨黑吊av在线直播| 国产午夜精品久久久久久一区二区三区| 如何舔出高潮| 搡女人真爽免费视频火全软件| 高清在线视频一区二区三区 | 97热精品久久久久久| 亚洲欧美日韩东京热| a级毛片免费高清观看在线播放| 天堂av国产一区二区熟女人妻| 国产成人福利小说| 国产欧美日韩精品一区二区| 国产精品三级大全| 麻豆一二三区av精品| 久久久精品欧美日韩精品| av在线亚洲专区| 少妇裸体淫交视频免费看高清| 特级一级黄色大片| 亚洲高清免费不卡视频| 日日啪夜夜撸| 老女人水多毛片| 亚洲av一区综合| 寂寞人妻少妇视频99o| 如何舔出高潮| 精品久久久久久久久久久久久| 国产一区二区在线av高清观看| 女人久久www免费人成看片 | 亚洲美女视频黄频| 亚洲人成网站在线观看播放| 国模一区二区三区四区视频| 久久99蜜桃精品久久| 国产av一区在线观看免费| 最近视频中文字幕2019在线8| 小说图片视频综合网站| 桃色一区二区三区在线观看| 亚洲自偷自拍三级| 岛国毛片在线播放| 午夜激情欧美在线| 国产精品,欧美在线| 国产伦一二天堂av在线观看| 国产亚洲精品久久久com| 欧美日韩在线观看h| 青春草视频在线免费观看| 免费搜索国产男女视频| 2022亚洲国产成人精品| 日本一本二区三区精品| 日本免费a在线| 边亲边吃奶的免费视频| 别揉我奶头 嗯啊视频| 麻豆国产97在线/欧美| 三级经典国产精品| 麻豆乱淫一区二区| 日韩三级伦理在线观看| www.av在线官网国产| 三级毛片av免费| 搡女人真爽免费视频火全软件| 亚洲精华国产精华液的使用体验| 国产精华一区二区三区| 成人三级黄色视频| a级一级毛片免费在线观看| 日韩欧美精品免费久久| 少妇人妻一区二区三区视频| 一级爰片在线观看| 69av精品久久久久久| 国产精品综合久久久久久久免费| 国产精品久久久久久久久免| 国国产精品蜜臀av免费| 美女脱内裤让男人舔精品视频| 国产一级毛片在线| 亚洲18禁久久av| 久久久久久久久久久免费av| 国产精品国产三级国产专区5o | 高清视频免费观看一区二区 | 国产又色又爽无遮挡免| 禁无遮挡网站| 日韩精品有码人妻一区| 亚洲无线观看免费| 在线免费十八禁| 色综合亚洲欧美另类图片| 内射极品少妇av片p| 国产精品久久久久久精品电影小说 | 日韩 亚洲 欧美在线| av免费在线看不卡| 岛国毛片在线播放| 国产精品一二三区在线看| 床上黄色一级片|