• <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 ?

    基于聚合距離參數(shù)的改進K-means算法

    2019-10-31 09:21:33王巧玲喬非蔣友好
    計算機應用 2019年9期

    王巧玲 喬非 蔣友好

    摘 要:針對傳統(tǒng)K均值聚類(K-means)算法隨機選擇初始中心及K值導致的聚類結果不確定且精度不高問題,提出了一種基于聚合距離的改進K-means算法。首先,基于聚合距離參數(shù)篩選出優(yōu)質的初始聚類中心,并將其作用于K-means算法。然后,引入戴維森堡丁指數(shù)(Davies-Bouldin Index, DBI)作為算法的準則函數(shù),循環(huán)更新聚類直到準則函數(shù)收斂,最后完成聚類。改進算法提供了優(yōu)質的初始聚類中心及K值,避免了聚類結果的隨機性。二維數(shù)值型仿真數(shù)據的聚類結果表明,改進算法在數(shù)據樣本數(shù)達到10000時仍能保持較好的聚類效果。針對Iris和Seg 這兩個UCI標準數(shù)據集的調整蘭德系數(shù),改進算法比傳統(tǒng)算法性能分別提高了83.7%和 71.0%,最終驗證了改進算法比傳統(tǒng)算法聚類結果的準確性更高。

    關鍵詞:聚合距離參數(shù);聚類中心;聚類評判指標;戴維森堡丁指數(shù)(DBI);數(shù)據聚類

    中圖分類號:TP301.6

    文獻標志碼:A

    Improved K-means algorithm with aggregation distance coefficient

    WANG Qiaoling, QIAO Fei*, JIANG Youhao

    School of Electronics and Information Engineering, Tongji University, Shanghai 201804, China

    Abstract:

    Initial centers and K value are determined randomly in the traditional K-means algorithm, which makes clustering results uncertain and with low precision. Therefore, an improved K-means algorithm based on aggregation distance was proposed. Firstly, high-quality cluster centers were filtered out based on the aggregation distance coefficient as the initial centers of the K-means algorithm. Secondly, Davies-Bouldin Index (DBI) was introduced as the criterion function of the algorithm, and the clustering was cyclically updated until the criterion function converged. Finally, the clustering was completed. The proposed algorithm provides good initial clustering centers and K value, avoiding the randomness of clustering results. The clustering results of two-dimensional numerical simulation data show that the improved algorithm can still maintain a good clustering effect when the number of? data samples reaches 10000. For the adjusted Rand coefficients of the two UCI standard datasets named Iris and Seg, the improved algorithm respectively improves the performance of clustering by 83.7% and 71.0% compared to the traditional algorithm. It can be seen that the improved algorithm can increase the accuracy of the clustering result compared with the traditional algorithm.

    Key words:

    aggregation distance coefficient; cluster center; clustering evaluation index; Davies-Bouldin Index (DBI); data clustering

    0 引言

    隨著云計算、物聯(lián)網等技術的出現(xiàn),企業(yè)日趨信息化,應用系統(tǒng)中的數(shù)據量呈指數(shù)級增長。數(shù)據挖掘技術能夠幫助用戶從大量數(shù)據中分析出其所蘊涵的有價值的信息。聚類算法就是一種典型的數(shù)據挖掘方法,它是一種無監(jiān)督的機器學習算法,適合于將不含訓練集的大數(shù)據以相似度為依據進行聚類[1-3]。

    K均值聚類(K-means)是一種常見的聚類算法,它在處理大規(guī)模數(shù)據集時可保持較好的可伸縮性和高效性[4-6]。然而,傳統(tǒng)的K-means算法也存在一些缺陷:1)初始聚類中心的選擇是隨機的,這使得聚類結果不穩(wěn)定,準確性較低。2)聚類個數(shù)K值的選擇是隨機的,若K值過大,則類與類之間的相似度太小;若K值過小,則類與類之間的相似度過大,這兩種情況都會導致聚類結果不準確。

    很多學者針對K-means算法的缺點提出了相應的改進。郁啟麟[7]采用關系矩陣和度中心性選擇K個初始聚類中心,以此來改進K-means算法。文獻[8]中提出了一種基于優(yōu)化抽樣聚類的方法,一定程度上解決了K-means算法聚類精度不足和收斂速度慢的問題。文獻[9]中提出了用隨機取樣策略來避免決策選取陷入局部最小。為了解決K-means算法初始聚類中心和K值隨機性的問題,文獻[10]應用了Canopy-Kmeans算法,先由Canopy算法對數(shù)據集進行粗聚類,得到一定數(shù)量的類,每個類的中心作為K-means算法的初始聚類中心,類的個數(shù)決定K值的大小。然而Canopy算法的兩個閾值是隨機選擇的,這導致了獲得的初始中心和K值存在隨機性,從而影響聚類效果。

    針對K-means算法初始聚類中心和K值選擇問題,本文提出了一種基于聚合距離參數(shù)的改進K-means算法。對給定數(shù)據集中的每一個數(shù)據點進行聚合度及其所屬類的距離分析,篩選出符合條件的數(shù)據點作為初始聚類中心,符合條件的數(shù)據點的個數(shù)即為K值。改進的算法能夠確定最優(yōu)的初始聚類中心及聚類個數(shù),從而避免了聚類結果的不確定性。最后,采用可視化數(shù)據及UCI標準數(shù)據集,驗證了改進算法聚類結果的準確性。

    1 聚合距離參數(shù)

    初始聚類中心及K值選擇不準確,會導致K-means算法聚類結果準確性不高,因此,本文提出了聚合距離參數(shù),以篩選出一定量的優(yōu)質的初始聚類中心。聚合距離參數(shù)中涉及到的一些相關定義和概念如下:

    歐氏距離 設每一個數(shù)據點包含m個屬性,即xi={xi1,xi2,…,xim},則xi、xj之間的距離可以表示為:

    d(xi,xj)=∑ms=1(xis-xjs)2(1)

    數(shù)據集平均距離 即為一個數(shù)據集合中所有數(shù)據點之間的平均歐氏距離。

    Avgd(D)=2n(n-1)∑n-1i=1∑nj=i+1d(xi,xj)(2)

    鄰域半徑 R=Avgd(D)nreleR,其中n表示數(shù)據點的個數(shù),releR為鄰域半徑調節(jié)系數(shù),范圍在0~1,根據經驗,releR取0.13時,聚類效果最佳[11-13]。

    聚合度 點xi的聚合度Deg(xi)表示為與其距離小于半徑的點的個數(shù),即:

    Deg(xi)=∑nj=1f(dij-R); f(x)=1, x≤0

    0,x>0(3)

    集合平均距離 與點xi的距離小于鄰域半徑的所有點組成一個集合,那么點xi所在集合的平均距離可以定義為:

    Cavgd(xi)=2Deg(xi)(Deg(xi)-1)∑Deg(xi)-1i=1∑Deg(xi)j=i+1d(xi,xj)(4)

    集合平均距離可以衡量一個數(shù)據點所在集合的緊密度, 值越小,表示Cavgd(xi)所在集合越緊密。

    聚合度距離 聚合度距離表示點xi與其他具有較高聚合度點xj之間的距離。若所有點中xi的聚合度最大,則其聚合度距離為xi與其余任何點的最大距離。若xi的聚合度不是所有點中最大的,則其聚合度距離為xi與其余任何點的最小距離。即:

    G(xi)=min(d(xi,xj)), 存在xj滿足Deg(xj)>Deg(xi)

    max(d(xi,xj)),不存在xj滿足Deg(xj)>Deg(xi)(5)

    聚合距離參數(shù) 聚合距離參數(shù)由聚合度、集合平均距離及聚合度距離3個參數(shù)決定。即:

    ω(xi)=Deg(xi)·G(xi)Cavgd(xi)(6)

    聚合度Deg(xi)越大,表明點xi周圍的數(shù)據點越密集。聚合度距離G(xi)越大,則兩個簇之間的相異程度越高。集合平均距離Cavgd(xi)越小,則其倒數(shù)越大,表明由xi組成的集合中的元素越緊密。由此可見,聚合距離參數(shù)值越大的點,越適合作為聚類中心。

    2 改進K-means算法

    2.1 改進初始聚類中心

    由聚合距離參數(shù)篩選最優(yōu)初始聚類中心步驟如下:

    1)根據式(2)~(6),計算出數(shù)據集中所有數(shù)據點相關參數(shù),從而得到每一個數(shù)據點的聚合距離參數(shù)。

    2)篩選出聚合距離值最大的點,作為第一個初始聚類中心,并依次計算其他點到該點的歐氏距離:若距離小于鄰域半徑R,將該點從數(shù)據集中移除;若距離大于R,則不作處理。

    3)從剩余點中篩選出聚合距離值最大的點,作為第二個初始聚類中心,并依次計算其他點到該點的歐氏距離,若距離小于鄰域半徑R,將該點從數(shù)據集中移除。

    4)重復步驟3)和步驟4),直到數(shù)據集為空。

    5)輸出一系列符合條件的優(yōu)質初始聚類中心。

    2.2 改進準則函數(shù)

    傳統(tǒng)K-means的準則函數(shù)一般為平方誤差和函數(shù),該函數(shù)計算了每個聚類樣本與其聚類中心的平方距離之和,但僅片面地衡量了一個類之內數(shù)據是否緊湊,沒有考慮到類與類之間的相異性,因此,本文采用戴維森堡丁指數(shù)(Davies-Bouldin Index, DBI)指標函數(shù)作為K-means算法的準則函數(shù)[14-15]。

    類間距離 類間距離 Dis(i, j)表示為第i個類與第j個類之間的距離,即第i個聚類中心vi與第j個聚類中心vj的歐氏距離。

    Dis(i, j)=‖vi-vj‖(7)

    類內標準誤差 類內標準誤差Si表示為第i個聚類Ci中每一個數(shù)據點x與該類的中心點vi之間的歐氏距離標準誤差和,即:

    Si=1Ni∑x∈Ci‖x-vi‖(8)

    其中Ni表示第i個聚類Ci包含的數(shù)據對象個數(shù)。

    DBI指標

    DBI=1K∑K-1i=1∑Kj=i+1maxSi+SjDis(i, j)(9)

    其中K表示為數(shù)據集的所有聚類個數(shù)。

    DBI指標由類之間的距離和類內的距離決定。好的聚類結果應該滿足同一個類中數(shù)據之間的相似程度大,而類與類之間的相似程度小。DBI指標不僅考慮了類內的相似性,還考慮了類與類之間的相異性:如果一個類的類內距離較小,則DBI的分子較小,表明類中數(shù)據點的相似程度大;如果類與類之間的距離較大,則DBI的分母較大,表明類之間的相異性較大。因此,DBI指標數(shù)值越小,表明聚類效果越好。

    2.3 改進算法總流程

    改進算法根據聚合距離參數(shù)選取一定數(shù)量的最優(yōu)中心,作為K-means的初始聚類中心,用DBI指標作為準則函數(shù),若準則函數(shù)收斂,則說明聚類效果達到最優(yōu),聚類完成,輸出聚類結果。整體的算法流程如下所示。

    算法1 基于聚合距離參數(shù)的改進K-means算法。

    輸入:數(shù)據集;

    輸出:聚類結果。

    有序號的程序——————————Shift+Alt+Y

    程序前

    M=數(shù)據點個數(shù)

    R=鄰域半徑

    1)

    for i in range(M)

    2)

    計算兩兩數(shù)據點之間的歐氏距離

    3)

    計算每個數(shù)據點xi的聚合距離參數(shù)ω(xi)

    4)

    選出ω(xi)數(shù)值最大的數(shù)據點,作為第一個初始聚聚類中心,并將其從數(shù)據集中移除

    5)

    計算剩余各點xj到該聚類中心xi的距離di, j

    6)

    if di, j < R

    7)

    則將點xj從數(shù)據集中移除

    8)

    else if di, j≥R

    9)

    不作處理

    10)

    end

    11)

    重復步驟4)~10),直到數(shù)據集為空。

    12)

    輸出一定個數(shù)的最優(yōu)中心作為K-means算法的初始聚類中心

    13)

    輸入中心個數(shù)N

    14)

    執(zhí)行改進K-means算法,將數(shù)據集分為N個聚類

    15)

    if 準則函數(shù)DBI=1K∑K-1i=1∑Kj=i+1maxSi+SjDis(i, j)不收斂

    16)

    繼續(xù)循環(huán)執(zhí)行改進K-means算法

    17)

    else if 準則函數(shù)收斂

    18)

    改進K-means算法執(zhí)行完畢

    19)

    end

    20)

    輸出聚類結果

    程序后

    3 實驗結果與分析

    3.1 可視化數(shù)據集

    為了更好地說明改進算法的優(yōu)異性,本節(jié)使用Python中的make_blobs模塊生成二維數(shù)值型仿真數(shù)據。首先,為了便于可視化處理,生成兩組均包含200個樣本點的數(shù)據。圖1(a)和圖1(b)的結果表明,改進算法找到了優(yōu)質的初始聚類中心,成功將數(shù)據分成了2類和3類,聚類結果準確,從而改進算法的有效性得以驗證。然后,為了檢驗算法面對較大樣本時的效果,再生成一組達到10000樣本數(shù)的數(shù)據。圖1(c)的結果表明,改進算法仍能很好地完成聚類。

    3.2 標準數(shù)據集

    3.2.1 評估指標

    標準數(shù)據集指明了每一個數(shù)據點真實所屬的類,即true_label,而實際的聚類結果也會有一個相對應的標簽,即pred_label,用于表示每個數(shù)據點實際被分到的類。對于標準數(shù)據集,本文采用以下指標進行評估:調整蘭德系數(shù)、互信息、Fowlkes-Mallows 指標、同質性和完整性,這些指標都用于衡量true_label和pred_label的相似程度。

    3.2.2 實驗結果

    本文采用了UCI網站上的標準數(shù)據集,數(shù)據集名稱及其屬性如表1所示。

    為了更深入地進行對比,本文采用了傳統(tǒng)K-means算法,Canopy算法及改進K-means算法對標準數(shù)據集進行聚類。聚類結果的評估指標如圖2所示。

    圖2(a)顯示調整蘭德系數(shù)指標結果,調整蘭德系數(shù)表示兩個數(shù)據分布之間的相似度,其范圍從-1到1。值越大,表明聚類結果與實際情況越一致;若值為負,表明兩個數(shù)據分布相互獨立,匹配程度很低。改進K-means算法相比于傳統(tǒng)K-means,調整蘭德系數(shù)指標均可有效提高。其中Iris和Seg 這兩個數(shù)據集,改進算法比傳統(tǒng)算法的調整蘭德系數(shù)指標分別提高了83.7%和71.0%。

    圖2(b)和圖2(c)分別顯示互信息及Fowlkes-Mallows指標結果。這兩個指標用于表示兩個變量true_label和pred_label是否有關系,以及關系的接近程度?;バ畔⒑虵owlkes-Mallows指標的范圍都為0~1,如果值較大,則表示true_label和pred_label之間的關系更接近。實驗結果表明,改進算法在各個數(shù)據集上,互信息及Fowlkes-Mallows指標的數(shù)值都明顯比傳統(tǒng)K-means算法有提高。即改進K-means的實際聚類結果與標準結果更接近,聚類效果更好。

    圖3表示同質性和完整性的實驗結果。同質性表示每個群集只包含單個類的成員,完整性表示給定類的所有成員都分配給同一個群集,這兩個指標通常一起使用,范圍為0到1之間,值越大表明聚類效果越好。

    通過比較圖2和圖3的整體結果可知:1)改進K-means算法的評估指標數(shù)值均高于其他兩個算法,即改進算法的實際聚類結果與標準結果更一致,這說明了其性能是優(yōu)于傳統(tǒng)算法的。2)對于不同的數(shù)據集來說,同一個算法聚類結果的評估指標數(shù)值也不一樣,這說明聚類效果會因不同的數(shù)據集而波動。3)Canopy的聚類結果大多比傳統(tǒng)K-means算法差,有時比傳統(tǒng)K-means更好,這是因為Canopy的聚類結果很大程度上取決于兩個閾值,且閾值在實驗中是隨機選擇的。如果閾值更準確,最終的聚類結果將更好,指標將更好。而改進的K-means算法避免了隨機性,并且始終具有更好的聚類結果。

    4 結語

    K-means算法是聚類算法中的重要方法。本文針對傳統(tǒng)K-means算法的不足,提出了基于聚合距離參數(shù)的改進K-means算法。首先,通過使用聚合距離參數(shù)獲取一定的最優(yōu)聚類中心;然后,將最優(yōu)聚類中心應用于改進的K-means,并且改進的K-means算法將根據新的準則函數(shù)DBI收斂,當準則函數(shù)達到最小值時,聚類結束,輸出聚類結果。

    改進的K-means算法有效地解決了初始聚類中心和K值選擇不確定的問題,實驗結果表明,改進的K-means算法比傳統(tǒng)K-means算法,在聚類效果上有很大的提升。

    未來工作中將會采用改進的K-means算法來對工業(yè)大數(shù)據進行聚類。由于工業(yè)大數(shù)據大都具有時效性,因此,將考慮對大數(shù)據進行降維,從而減少聚類算法的計算時間。同時,會在Hadoop平臺上并行化實現(xiàn)大數(shù)據的聚類,提高時間效能。最后基于改進算法得出的聚類結果,提出針對工業(yè)大數(shù)據的異常值檢測方法,從而將改進算法應用于工業(yè)大數(shù)據領域,有效檢測工業(yè)設備運行的健康程度。

    參考文獻

    [1]王治和,黃夢瑩,杜輝,等. 基于密度峰值與密度聚類的集成算法[J].計算機應用,2019,39(2):398-402. (WANG Z H, HUANG M Y, DU H, et al. Integrated algorithm based on density peaks and density-based clustering J]. Journal of Computer Applications, 2019, 39(2): 398-402.)

    [2]McLOUGHLIN F, DUFFY A, CONLON M. A clustering approach to domestic electricity load profile characterisation using smart metering data [J]. Applied Energy, 2015, 141: 190-199.

    [3]ALI A-W, WU J, JENKINS N. K-means based load estimation of domestic smart meter measurements [J]. Applied Energy, 2016, 194: 333-342.

    [4]楊輝華,王克,李靈巧,等.基于自適應布谷鳥搜索算法的K-means聚類算法及其應用[J].計算機應用,2016,36(8):2066-2070.(YANG H H, WANG K, LI L Q, et al. K-means clustering algorithm based on adaptive cuckoo search and its application [J]. Journal of Computer Applications, 2016, 36(8): 2066-2070.)

    [5]黃韜,劉勝輝,譚艷娜.基于K-means聚類算法的研究[J].計算機技術與發(fā)展,2011,21(7):54-57.(HUANG T, LIU S H, TAN Y N. Research of clustering algorithm based on K-means [J]. Computer Technology and Development, 2011, 21(7):54-57.)

    [6]王駿,王士同,鄧趙紅. 特征加權距離與軟子空間學習相結合的文本聚類新方法[J].計算機學報, 2012, 35(8): 1655-1665. (WANG J, WANG S T, DENG Z H. A novel text clustering algorithm based on feature weighting distance and soft subspace learning [J]. Chinese Journal of Computers, 2012, 35(8): 1655-1665. )

    [7]郁啟麟. K-means算法初始聚類中心選擇的優(yōu)化[J]. 計算機系統(tǒng)應用, 2017, 26(5): 170-174. (YU Q L. Optimization of initial clustering centers selection method for K-means algorithm [J]. Computer Systems & Applications, 2017, 26(5): 170-174.)

    [8]周潤物,李智勇,陳少淼,等.面向大數(shù)據處理的并行優(yōu)化抽樣聚類K-means算法[J].計算機應用,2016,36(2):311-315.(ZHOU R W, LI Z Y, CHEN S M, et al. Parallel optimization sampling clustering K-means algorithm for big data processing [J]. Journal of Computer Applications, 2016, 36(2): 311-315.)

    [9]王麗娟,郝志峰,蔡瑞初,等. 基于隨機取樣的選擇性K-means聚類融合算法[J]. 計算機應用, 2013, 33(7): 1969-1972. (WANG L J, HAO Z F, CAI R C, et al. Selective K-means clustering ensemble based on random sampling [J]. Journal of Computer Applications, 2013, 33(7): 1969-1972.)

    [10]毛典輝.基于MapReduce的Canopy-Kmeans改進算法[J]. 計算機工程與應用, 2012, 48(27): 22-26. (MAO D H. Improved Canopy-Kmeans algorithm based on MapReduce [J]. Computer Engineering and Applications, 2012, 48(27): 22-26.)

    [11]趙昱,陳琴,蘇一丹,等. 基于鄰域相似度的近鄰傳播聚類算法[J]. 計算機工程與設計, 2018, 39(7): 1883-1888. (ZHAO Y, CHEN Q, SU Y D, et al. Affinity propagation clustering algorithm based on neighborhood similarity [J]. Computer Engineering and Design, 2018, 39(7): 1883-1888.)

    [12]劉鵬,王明陽,王焱.基于自適應動態(tài)球半徑的K鄰域搜索算法[J]. 機械設計與制造工程, 2016, 45(6): 83-86.(LIU P, WANG M Y, WANG Y. K domain search algorithm based on adaptive dynamic sphere radius [J]. Machine Design and Manufacturing Engineering, 2016, 45(6): 83-86.)

    [13]NGUYEN D, LE T, NGUYEN S. An algorithmic method of calculating neighborhood radius for clustering in-home activities within smart home environment [C]// Proceedings of the 7th International Conference on Intelligent Systems, Modelling and Simulation. Piscataway, NJ: IEEE, 2016: 42-47.

    [14]COELHO G P, BARBANTE C C, BOCCATO L, et al. Automatic feature selection for BCI: an analysis using the Davies-Bouldin index and extreme learning machines [C]// Proceedings of the 2012 International Joint Conference on Neural Networks. Piscataway, NJ: IEEE, 2012: 1-8.

    [15]THOMAS J C R, PEAS M S, MORA M. New version of Davies-Bouldin index for clustering validation based on cylindrical distance [C]// Proceedings of the 32nd International Conference of the Chilean Computer Science Society. Piscataway, NJ: IEEE, 2013: 49-53.

    This work is partially supported by the Major Program of National Natural Science Foundation of China (71690230, 71690234).

    WANG Qiaoling, born in 1994, M. S. candidate. Her research interests include clustering algorithm, big data analysis.

    QIAO Fei, born in 1967, Ph. D., professor. Her research interests include big data analysis, complex manufacturing planning and scheduling, intelligent production systems.

    JIANG Youhao, born in 1976, Ph. D. candidate. His research interests include big data analysis, intelligent production systems.

    国产精品免费大片| 亚洲伊人色综图| 亚洲精品久久成人aⅴ小说| 国产精品一区二区在线观看99| 欧美精品一区二区免费开放| 成人国语在线视频| 好男人视频免费观看在线| 少妇人妻精品综合一区二区| 夜夜爽夜夜爽视频| 国产精品一区二区在线观看99| 午夜av观看不卡| 男女边吃奶边做爰视频| 国产精品99久久99久久久不卡 | 国产黄色视频一区二区在线观看| 午夜免费观看性视频| 欧美日韩一区二区视频在线观看视频在线| 欧美人与善性xxx| 18+在线观看网站| 久久99一区二区三区| 亚洲av.av天堂| 91在线精品国自产拍蜜月| 少妇熟女欧美另类| 亚洲精华国产精华液的使用体验| 18在线观看网站| 国产男女内射视频| 男人爽女人下面视频在线观看| 97在线人人人人妻| 国产熟女欧美一区二区| 18禁裸乳无遮挡动漫免费视频| 91在线精品国自产拍蜜月| 麻豆乱淫一区二区| 久久av网站| 日韩av不卡免费在线播放| 精品午夜福利在线看| 最后的刺客免费高清国语| 久久久久久久国产电影| 大香蕉久久网| 少妇人妻 视频| 啦啦啦中文免费视频观看日本| 少妇熟女欧美另类| 日本黄色日本黄色录像| 一区在线观看完整版| 丰满迷人的少妇在线观看| 97人妻天天添夜夜摸| 国产精品久久久av美女十八| 99精国产麻豆久久婷婷| av.在线天堂| 国产免费一级a男人的天堂| 永久网站在线| 免费观看在线日韩| 最近中文字幕2019免费版| 欧美xxⅹ黑人| 亚洲精品久久久久久婷婷小说| av免费观看日本| 最近最新中文字幕免费大全7| 精品久久国产蜜桃| 国产成人av激情在线播放| 日韩免费高清中文字幕av| 一级黄片播放器| 九九爱精品视频在线观看| 午夜免费观看性视频| 亚洲中文av在线| 免费观看av网站的网址| 国产精品国产三级国产av玫瑰| av卡一久久| 女人被躁到高潮嗷嗷叫费观| 久久久久久久久久成人| 亚洲美女黄色视频免费看| 搡老乐熟女国产| 一级黄片播放器| 免费看不卡的av| 亚洲av中文av极速乱| 久久久国产一区二区| 五月天丁香电影| 一级爰片在线观看| av网站免费在线观看视频| 高清av免费在线| 久久久久精品性色| 精品人妻在线不人妻| 天天躁夜夜躁狠狠久久av| 午夜久久久在线观看| 男人爽女人下面视频在线观看| 成年女人在线观看亚洲视频| 狂野欧美激情性bbbbbb| 亚洲,欧美精品.| 亚洲精品,欧美精品| 9色porny在线观看| 日韩制服丝袜自拍偷拍| 天堂中文最新版在线下载| 亚洲综合色惰| 亚洲综合精品二区| 国产免费又黄又爽又色| 日产精品乱码卡一卡2卡三| 搡老乐熟女国产| 超碰97精品在线观看| 中国美白少妇内射xxxbb| 国产精品 国内视频| 自拍欧美九色日韩亚洲蝌蚪91| 99久久精品国产国产毛片| 91成人精品电影| 香蕉丝袜av| 成人国语在线视频| 51国产日韩欧美| h视频一区二区三区| 边亲边吃奶的免费视频| 黄片播放在线免费| 国产乱人偷精品视频| 肉色欧美久久久久久久蜜桃| www.熟女人妻精品国产 | 只有这里有精品99| 丝袜美足系列| 精品视频人人做人人爽| 黄片无遮挡物在线观看| 亚洲婷婷狠狠爱综合网| 日韩电影二区| 国产精品成人在线| 亚洲成人手机| 天天影视国产精品| av网站免费在线观看视频| 中文字幕最新亚洲高清| 熟妇人妻不卡中文字幕| 全区人妻精品视频| 高清av免费在线| 久久久久国产精品人妻一区二区| 日韩电影二区| 日本色播在线视频| 国产精品久久久久成人av| 亚洲三级黄色毛片| 五月伊人婷婷丁香| av不卡在线播放| 日韩精品免费视频一区二区三区 | 咕卡用的链子| 欧美激情 高清一区二区三区| 欧美人与性动交α欧美精品济南到 | 国产男人的电影天堂91| 少妇熟女欧美另类| 女性生殖器流出的白浆| 日韩av免费高清视频| 在线免费观看不下载黄p国产| 午夜福利,免费看| 中文字幕人妻熟女乱码| 色婷婷久久久亚洲欧美| av视频免费观看在线观看| 国产精品偷伦视频观看了| 免费观看性生交大片5| 在线观看www视频免费| tube8黄色片| 捣出白浆h1v1| 交换朋友夫妻互换小说| 色网站视频免费| 男女无遮挡免费网站观看| 人体艺术视频欧美日本| 少妇被粗大猛烈的视频| 一二三四中文在线观看免费高清| 国产欧美日韩一区二区三区在线| 亚洲国产精品999| 亚洲av日韩在线播放| 亚洲一码二码三码区别大吗| 日韩精品有码人妻一区| 丝袜脚勾引网站| 国产伦理片在线播放av一区| 一级毛片 在线播放| 国产片特级美女逼逼视频| 国产又色又爽无遮挡免| 久久久久精品久久久久真实原创| 99久国产av精品国产电影| 欧美变态另类bdsm刘玥| 国产一区二区在线观看av| 曰老女人黄片| 91精品三级在线观看| 99热网站在线观看| 国产乱来视频区| 大香蕉久久网| 成人影院久久| 久久久久久人妻| 亚洲欧美一区二区三区黑人 | 国产成人a∨麻豆精品| 国产高清三级在线| 成人黄色视频免费在线看| 精品国产国语对白av| 国产淫语在线视频| 国产精品无大码| 久久午夜福利片| 人妻 亚洲 视频| 波多野结衣一区麻豆| 人妻人人澡人人爽人人| 久久av网站| 美女国产视频在线观看| 亚洲精品456在线播放app| 欧美日韩综合久久久久久| 2018国产大陆天天弄谢| av线在线观看网站| 一区二区三区精品91| 美女内射精品一级片tv| 亚洲,欧美,日韩| 少妇人妻久久综合中文| 99热这里只有是精品在线观看| 岛国毛片在线播放| 国产精品欧美亚洲77777| 欧美日韩亚洲高清精品| 日本黄大片高清| 成人18禁高潮啪啪吃奶动态图| 久久久久久人妻| 国产永久视频网站| 国产在视频线精品| 欧美人与善性xxx| 日韩大片免费观看网站| 黄色 视频免费看| 亚洲欧美精品自产自拍| 国精品久久久久久国模美| 国产色爽女视频免费观看| 2022亚洲国产成人精品| 国内精品宾馆在线| 十八禁网站网址无遮挡| 欧美国产精品一级二级三级| 丝瓜视频免费看黄片| 日韩av不卡免费在线播放| 午夜福利视频精品| 在线观看免费视频网站a站| 婷婷色综合大香蕉| 在线免费观看不下载黄p国产| 免费高清在线观看日韩| 免费观看性生交大片5| 青春草视频在线免费观看| 波多野结衣一区麻豆| 免费日韩欧美在线观看| av电影中文网址| 国产高清三级在线| 亚洲av成人精品一二三区| 丝袜脚勾引网站| 90打野战视频偷拍视频| 亚洲情色 制服丝袜| 亚洲少妇的诱惑av| 99热国产这里只有精品6| 下体分泌物呈黄色| 欧美日韩一区二区视频在线观看视频在线| 午夜av观看不卡| 久久午夜福利片| 亚洲欧美成人精品一区二区| 亚洲av福利一区| 久热久热在线精品观看| 国产成人精品久久久久久| 日韩成人av中文字幕在线观看| 成人综合一区亚洲| 极品人妻少妇av视频| 最近的中文字幕免费完整| 波野结衣二区三区在线| 在线观看美女被高潮喷水网站| 精品亚洲成国产av| 国产熟女午夜一区二区三区| 狂野欧美激情性bbbbbb| 日本黄大片高清| 少妇猛男粗大的猛烈进出视频| 一区二区日韩欧美中文字幕 | 超碰97精品在线观看| 国产福利在线免费观看视频| 日韩欧美精品免费久久| 不卡视频在线观看欧美| 97在线视频观看| av黄色大香蕉| 99热国产这里只有精品6| 99热6这里只有精品| 午夜福利在线观看免费完整高清在| 午夜免费鲁丝| 国产午夜精品一二区理论片| 99久久中文字幕三级久久日本| 欧美成人精品欧美一级黄| 男的添女的下面高潮视频| 热re99久久国产66热| 97超碰精品成人国产| 777米奇影视久久| 久久人人97超碰香蕉20202| 婷婷色麻豆天堂久久| 夜夜骑夜夜射夜夜干| 欧美激情极品国产一区二区三区 | 久久久久久久久久久免费av| 观看美女的网站| 80岁老熟妇乱子伦牲交| 有码 亚洲区| 欧美成人午夜免费资源| 欧美人与性动交α欧美精品济南到 | 久久韩国三级中文字幕| 精品人妻熟女毛片av久久网站| 九色成人免费人妻av| 丝瓜视频免费看黄片| 日本av免费视频播放| 51国产日韩欧美| 寂寞人妻少妇视频99o| 国产免费视频播放在线视频| 久久久久精品人妻al黑| 色视频在线一区二区三区| 亚洲精品久久成人aⅴ小说| 成人国产av品久久久| videossex国产| 免费看光身美女| 男女高潮啪啪啪动态图| 国产又爽黄色视频| 亚洲综合色惰| 极品少妇高潮喷水抽搐| 亚洲av男天堂| 韩国精品一区二区三区 | 97在线人人人人妻| 国产一区二区在线观看av| 晚上一个人看的免费电影| 欧美亚洲 丝袜 人妻 在线| 久久久久网色| 亚洲av日韩在线播放| 精品久久久精品久久久| 在线天堂最新版资源| 黄色毛片三级朝国网站| 欧美日本中文国产一区发布| 久久精品久久精品一区二区三区| 不卡视频在线观看欧美| 亚洲 欧美一区二区三区| 久久久欧美国产精品| 九色成人免费人妻av| 久久久久久久亚洲中文字幕| 精品久久蜜臀av无| 夜夜爽夜夜爽视频| 2018国产大陆天天弄谢| 成人综合一区亚洲| 精品国产一区二区久久| 免费日韩欧美在线观看| 精品一品国产午夜福利视频| 丝袜人妻中文字幕| av在线播放精品| 新久久久久国产一级毛片| 日本-黄色视频高清免费观看| 美女xxoo啪啪120秒动态图| 日韩电影二区| 国国产精品蜜臀av免费| 国产午夜精品一二区理论片| 一级毛片电影观看| 一区二区日韩欧美中文字幕 | 国产在线一区二区三区精| 国产极品粉嫩免费观看在线| 内地一区二区视频在线| 日韩制服骚丝袜av| 久久精品国产a三级三级三级| 亚洲天堂av无毛| 人妻系列 视频| 国产精品 国内视频| a级毛片黄视频| 制服丝袜香蕉在线| 久久久久人妻精品一区果冻| 中文字幕免费在线视频6| 久久免费观看电影| 亚洲高清免费不卡视频| tube8黄色片| 精品国产乱码久久久久久小说| 国产黄色视频一区二区在线观看| 亚洲成人av在线免费| 欧美少妇被猛烈插入视频| 国产亚洲av片在线观看秒播厂| 两性夫妻黄色片 | 少妇被粗大的猛进出69影院 | 水蜜桃什么品种好| 香蕉丝袜av| 亚洲精品久久午夜乱码| 一区二区日韩欧美中文字幕 | a级毛片黄视频| 久久久久久久久久久免费av| 国产片内射在线| 黄色 视频免费看| 久久人妻熟女aⅴ| 久久99热这里只频精品6学生| 男人添女人高潮全过程视频| 汤姆久久久久久久影院中文字幕| 少妇猛男粗大的猛烈进出视频| 男人添女人高潮全过程视频| 中国三级夫妇交换| av在线老鸭窝| 大码成人一级视频| 男女无遮挡免费网站观看| 亚洲内射少妇av| 男人添女人高潮全过程视频| 国产片内射在线| 亚洲精品一二三| 欧美性感艳星| 亚洲精品美女久久久久99蜜臀 | 国产有黄有色有爽视频| 欧美人与性动交α欧美软件 | 亚洲精品成人av观看孕妇| 天天躁夜夜躁狠狠久久av| 最近的中文字幕免费完整| 亚洲激情五月婷婷啪啪| 青春草国产在线视频| 国产精品国产三级专区第一集| 国产乱来视频区| av播播在线观看一区| 热re99久久精品国产66热6| 超色免费av| 在线观看www视频免费| 91aial.com中文字幕在线观看| 亚洲精品456在线播放app| 日韩中字成人| 国产深夜福利视频在线观看| 亚洲精品乱久久久久久| 午夜免费观看性视频| 一级毛片电影观看| 99国产精品免费福利视频| 一区二区三区四区激情视频| 国产免费现黄频在线看| 一区二区三区乱码不卡18| 午夜福利在线观看免费完整高清在| www日本在线高清视频| 国产av码专区亚洲av| av不卡在线播放| 亚洲精品aⅴ在线观看| 欧美日韩av久久| 母亲3免费完整高清在线观看 | 亚洲国产成人一精品久久久| 日本与韩国留学比较| 啦啦啦啦在线视频资源| 成人国产麻豆网| 男女午夜视频在线观看 | 免费看不卡的av| 黄片播放在线免费| 久久精品人人爽人人爽视色| 国内精品宾馆在线| 亚洲av中文av极速乱| 丰满饥渴人妻一区二区三| 欧美精品一区二区免费开放| 日韩制服丝袜自拍偷拍| 少妇人妻久久综合中文| 久久狼人影院| 久久午夜综合久久蜜桃| 久久鲁丝午夜福利片| 在线观看免费高清a一片| 欧美日韩综合久久久久久| 老司机亚洲免费影院| 永久免费av网站大全| 亚洲人与动物交配视频| 男人操女人黄网站| 亚洲国产精品国产精品| 大码成人一级视频| 久久亚洲国产成人精品v| 人人妻人人添人人爽欧美一区卜| 女性生殖器流出的白浆| 亚洲av免费高清在线观看| 亚洲av欧美aⅴ国产| 久久99热6这里只有精品| av福利片在线| 亚洲图色成人| 亚洲熟女精品中文字幕| 97人妻天天添夜夜摸| 亚洲成人av在线免费| 国产高清国产精品国产三级| 亚洲国产成人一精品久久久| 高清欧美精品videossex| 三上悠亚av全集在线观看| 亚洲国产精品一区二区三区在线| 精品少妇内射三级| 熟女av电影| 国产成人精品婷婷| 女人被躁到高潮嗷嗷叫费观| 美女大奶头黄色视频| 春色校园在线视频观看| 深夜精品福利| 又粗又硬又长又爽又黄的视频| 亚洲国产成人一精品久久久| 视频在线观看一区二区三区| 久久 成人 亚洲| 久久亚洲国产成人精品v| 久久人人爽人人爽人人片va| 尾随美女入室| av国产久精品久网站免费入址| 亚洲第一区二区三区不卡| 免费大片18禁| 国产日韩欧美在线精品| 国产一区二区三区av在线| 97精品久久久久久久久久精品| 中文天堂在线官网| 国产精品嫩草影院av在线观看| 亚洲国产日韩一区二区| 制服人妻中文乱码| 精品一区二区三卡| 亚洲精品色激情综合| 国产又爽黄色视频| 少妇的丰满在线观看| 极品少妇高潮喷水抽搐| 一级毛片 在线播放| 亚洲av在线观看美女高潮| 久久这里只有精品19| av线在线观看网站| 成人国产av品久久久| 精品人妻在线不人妻| 久久久久人妻精品一区果冻| 国产av一区二区精品久久| 久久久国产一区二区| 丁香六月天网| 99久久中文字幕三级久久日本| 少妇精品久久久久久久| 99香蕉大伊视频| 国产乱来视频区| 日韩av在线免费看完整版不卡| 三级国产精品片| 91国产中文字幕| 少妇 在线观看| 国产黄频视频在线观看| 国产乱来视频区| 国产黄频视频在线观看| 国产精品蜜桃在线观看| 人人妻人人澡人人看| 久久精品国产a三级三级三级| 亚洲av男天堂| 久久精品国产鲁丝片午夜精品| 成人国产麻豆网| videos熟女内射| 精品久久蜜臀av无| 久久精品熟女亚洲av麻豆精品| 十分钟在线观看高清视频www| 国产欧美日韩一区二区三区在线| 亚洲国产av影院在线观看| 免费黄频网站在线观看国产| 亚洲国产欧美在线一区| 国产色爽女视频免费观看| 大码成人一级视频| 国产精品国产av在线观看| 国产片内射在线| 精品一品国产午夜福利视频| 777米奇影视久久| 欧美97在线视频| 国产男人的电影天堂91| 日韩电影二区| 97在线视频观看| 18+在线观看网站| av天堂久久9| 亚洲国产日韩一区二区| 国产免费一区二区三区四区乱码| 亚洲av电影在线进入| 国产精品久久久久久av不卡| 免费高清在线观看日韩| 一本久久精品| 日本黄大片高清| 日韩 亚洲 欧美在线| a级毛片在线看网站| 国产精品嫩草影院av在线观看| 22中文网久久字幕| 一二三四在线观看免费中文在 | 久久久精品94久久精品| 考比视频在线观看| 黑人欧美特级aaaaaa片| 国产毛片在线视频| 久久97久久精品| 久久99一区二区三区| 晚上一个人看的免费电影| 2018国产大陆天天弄谢| 精品酒店卫生间| 国内精品宾馆在线| 日本午夜av视频| 久久精品熟女亚洲av麻豆精品| 免费观看无遮挡的男女| 日本黄大片高清| 中文字幕亚洲精品专区| 国产国拍精品亚洲av在线观看| 日本黄色日本黄色录像| 亚洲国产精品成人久久小说| 免费播放大片免费观看视频在线观看| 精品视频人人做人人爽| 美女福利国产在线| 这个男人来自地球电影免费观看 | 中文字幕制服av| 国产精品欧美亚洲77777| 人人妻人人澡人人爽人人夜夜| 亚洲人与动物交配视频| 99热网站在线观看| 深夜精品福利| 女性被躁到高潮视频| 日本午夜av视频| 日韩一区二区视频免费看| 卡戴珊不雅视频在线播放| 美女大奶头黄色视频| 国产在线一区二区三区精| 丰满迷人的少妇在线观看| 亚洲欧美精品自产自拍| 纯流量卡能插随身wifi吗| 久久久精品94久久精品| 精品国产露脸久久av麻豆| 婷婷成人精品国产| 国产激情久久老熟女| 看十八女毛片水多多多| 亚洲欧美一区二区三区国产| 亚洲综合色惰| 欧美激情 高清一区二区三区| 亚洲av免费高清在线观看| 26uuu在线亚洲综合色| 热99久久久久精品小说推荐| 最近手机中文字幕大全| 制服诱惑二区| 午夜免费观看性视频| 精品久久久精品久久久| 欧美人与性动交α欧美精品济南到 | 久久久久久人人人人人| www.熟女人妻精品国产 | 99热这里只有是精品在线观看| 五月玫瑰六月丁香| 成年人免费黄色播放视频| 久久久久国产精品人妻一区二区| 成人国产av品久久久| 在线观看人妻少妇| 亚洲色图综合在线观看| 亚洲精品日韩在线中文字幕| 亚洲欧美色中文字幕在线| 国产免费视频播放在线视频| 日产精品乱码卡一卡2卡三| 国产免费又黄又爽又色| 亚洲高清免费不卡视频| 欧美精品一区二区免费开放| 国产高清三级在线| 91精品国产国语对白视频| 亚洲精品视频女| 免费少妇av软件| videossex国产| 欧美人与性动交α欧美精品济南到 |