• <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.

    亚洲高清免费不卡视频| 2018国产大陆天天弄谢| 亚洲精品国产av成人精品| 啦啦啦啦在线视频资源| 中文字幕久久专区| 人妻夜夜爽99麻豆av| 99久久中文字幕三级久久日本| 一个人免费在线观看电影| 熟女人妻精品中文字幕| 国产探花在线观看一区二区| 国产女主播在线喷水免费视频网站 | 菩萨蛮人人尽说江南好唐韦庄| 中文精品一卡2卡3卡4更新| 两个人视频免费观看高清| 人妻少妇偷人精品九色| 午夜免费观看性视频| 精品熟女少妇av免费看| 国产男人的电影天堂91| av女优亚洲男人天堂| 国产大屁股一区二区在线视频| 成人高潮视频无遮挡免费网站| 亚洲av中文av极速乱| 午夜激情久久久久久久| 乱系列少妇在线播放| 国产精品麻豆人妻色哟哟久久 | 国产人妻一区二区三区在| av在线老鸭窝| 两个人的视频大全免费| av一本久久久久| 亚洲精品日本国产第一区| 中文在线观看免费www的网站| h日本视频在线播放| av免费观看日本| 国产亚洲最大av| av女优亚洲男人天堂| 国产色婷婷99| 一区二区三区高清视频在线| av一本久久久久| 97精品久久久久久久久久精品| av专区在线播放| 午夜福利网站1000一区二区三区| av一本久久久久| 亚洲人与动物交配视频| 高清视频免费观看一区二区 | 高清在线视频一区二区三区| 精品熟女少妇av免费看| 久久精品综合一区二区三区| 国产精品一二三区在线看| 看黄色毛片网站| 国产精品综合久久久久久久免费| 国产高清国产精品国产三级 | 亚洲四区av| 又黄又爽又刺激的免费视频.| 熟女电影av网| 午夜激情久久久久久久| 建设人人有责人人尽责人人享有的 | 欧美日韩视频高清一区二区三区二| 狂野欧美白嫩少妇大欣赏| 久久久精品免费免费高清| 中文天堂在线官网| 成人漫画全彩无遮挡| 三级国产精品片| 中文资源天堂在线| 国产不卡一卡二| 久久6这里有精品| 欧美极品一区二区三区四区| 国产精品.久久久| 黄片wwwwww| 国产av国产精品国产| 18禁动态无遮挡网站| 国内精品一区二区在线观看| 久久99热这里只有精品18| 好男人视频免费观看在线| 亚洲不卡免费看| 免费无遮挡裸体视频| 精品国产三级普通话版| 毛片女人毛片| 久久久久久久久中文| 亚洲av中文av极速乱| 搡老乐熟女国产| 建设人人有责人人尽责人人享有的 | 亚洲高清免费不卡视频| 精品一区二区三卡| 人人妻人人澡欧美一区二区| 日韩av在线大香蕉| 午夜久久久久精精品| 欧美三级亚洲精品| 婷婷色综合www| 老师上课跳d突然被开到最大视频| 高清午夜精品一区二区三区| 欧美另类一区| 亚洲成人一二三区av| 久久精品国产亚洲av涩爱| 哪个播放器可以免费观看大片| 一夜夜www| 日本黄色片子视频| 午夜免费男女啪啪视频观看| 2022亚洲国产成人精品| 两个人视频免费观看高清| 高清毛片免费看| 99视频精品全部免费 在线| 亚洲一级一片aⅴ在线观看| 插阴视频在线观看视频| 日韩欧美一区视频在线观看 | 精品久久久久久成人av| 网址你懂的国产日韩在线| 亚洲国产欧美人成| 大香蕉97超碰在线| 日韩欧美一区视频在线观看 | 日日啪夜夜爽| 一区二区三区高清视频在线| 久久精品久久精品一区二区三区| av黄色大香蕉| 亚洲精品乱码久久久久久按摩| or卡值多少钱| 色尼玛亚洲综合影院| 精品熟女少妇av免费看| 偷拍熟女少妇极品色| 午夜福利成人在线免费观看| 身体一侧抽搐| 亚洲av电影在线观看一区二区三区 | 蜜桃久久精品国产亚洲av| 国产男女超爽视频在线观看| 久久久久久国产a免费观看| 麻豆精品久久久久久蜜桃| 免费大片黄手机在线观看| 国产成人91sexporn| 男人和女人高潮做爰伦理| 国产激情偷乱视频一区二区| 日韩中字成人| 午夜精品在线福利| 国产精品99久久久久久久久| 97超视频在线观看视频| 久久人人爽人人片av| 久久精品国产亚洲av涩爱| 菩萨蛮人人尽说江南好唐韦庄| 一本一本综合久久| 欧美激情国产日韩精品一区| 国产精品一及| 亚洲精品第二区| 欧美激情国产日韩精品一区| 国产精品国产三级国产av玫瑰| 久久久久精品性色| 亚洲无线观看免费| 美女国产视频在线观看| 高清欧美精品videossex| 亚洲不卡免费看| 国产精品一区二区三区四区免费观看| 亚洲欧美精品专区久久| 听说在线观看完整版免费高清| 国产精品久久视频播放| 99热全是精品| 日韩视频在线欧美| 美女脱内裤让男人舔精品视频| 91av网一区二区| 综合色av麻豆| 好男人在线观看高清免费视频| 精品人妻一区二区三区麻豆| 欧美激情久久久久久爽电影| 免费高清在线观看视频在线观看| 麻豆国产97在线/欧美| 亚洲四区av| 国产综合懂色| h日本视频在线播放| 日韩伦理黄色片| 日日干狠狠操夜夜爽| 国产在视频线在精品| 欧美精品一区二区大全| 亚洲国产精品成人综合色| 国产免费又黄又爽又色| 看非洲黑人一级黄片| 亚洲精品国产av成人精品| 80岁老熟妇乱子伦牲交| 99热网站在线观看| 秋霞在线观看毛片| 九九在线视频观看精品| 在线观看美女被高潮喷水网站| 高清在线视频一区二区三区| 欧美日韩在线观看h| 亚洲va在线va天堂va国产| 久久久精品免费免费高清| 五月伊人婷婷丁香| 能在线免费观看的黄片| 黄色日韩在线| 欧美性感艳星| 男女那种视频在线观看| 亚洲成人中文字幕在线播放| 五月天丁香电影| 欧美+日韩+精品| 一级毛片 在线播放| 最近的中文字幕免费完整| www.av在线官网国产| 久久人人爽人人爽人人片va| 欧美极品一区二区三区四区| av在线观看视频网站免费| 97热精品久久久久久| 午夜视频国产福利| 黑人高潮一二区| 国产精品一二三区在线看| 精品不卡国产一区二区三区| 观看美女的网站| 午夜久久久久精精品| 国产精品国产三级专区第一集| 国产精品久久视频播放| 亚洲,欧美,日韩| 国产精品国产三级国产av玫瑰| a级毛色黄片| 99视频精品全部免费 在线| 搡老乐熟女国产| 天堂影院成人在线观看| 看非洲黑人一级黄片| 亚洲国产色片| 久久久久久久久久人人人人人人| 视频中文字幕在线观看| 少妇熟女aⅴ在线视频| 我的女老师完整版在线观看| 晚上一个人看的免费电影| 永久免费av网站大全| 国产高清有码在线观看视频| 小蜜桃在线观看免费完整版高清| 99久久精品热视频| 亚洲精品中文字幕在线视频 | 69av精品久久久久久| 免费观看精品视频网站| 国产精品一及| 干丝袜人妻中文字幕| 在线天堂最新版资源| 在线观看美女被高潮喷水网站| 一级爰片在线观看| 菩萨蛮人人尽说江南好唐韦庄| 秋霞在线观看毛片| 中文天堂在线官网| 99久久精品国产国产毛片| 一个人看视频在线观看www免费| 777米奇影视久久| 欧美成人精品欧美一级黄| 国产精品一区二区性色av| 91在线精品国自产拍蜜月| 成人综合一区亚洲| 亚洲综合色惰| 免费黄网站久久成人精品| 亚洲av国产av综合av卡| 2021少妇久久久久久久久久久| 久久久久久久久久成人| 男女国产视频网站| 啦啦啦韩国在线观看视频| 91久久精品电影网| av在线天堂中文字幕| 亚洲天堂国产精品一区在线| 精品一区二区三区人妻视频| 色哟哟·www| 别揉我奶头 嗯啊视频| 只有这里有精品99| 国产麻豆成人av免费视频| 色网站视频免费| 国产精品女同一区二区软件| 看黄色毛片网站| 免费不卡的大黄色大毛片视频在线观看 | 欧美xxⅹ黑人| 精品久久久久久久末码| 少妇熟女aⅴ在线视频| 成人特级av手机在线观看| 老女人水多毛片| 美女大奶头视频| 国产美女午夜福利| 日本黄大片高清| 欧美成人a在线观看| 91狼人影院| 欧美精品国产亚洲| 久久久久久久亚洲中文字幕| 久久久久久久久大av| 久久草成人影院| 国产乱人视频| 久久国内精品自在自线图片| 久久久久久久久久人人人人人人| 男女视频在线观看网站免费| 岛国毛片在线播放| 午夜亚洲福利在线播放| 尾随美女入室| 淫秽高清视频在线观看| 亚洲丝袜综合中文字幕| 中文精品一卡2卡3卡4更新| 99久久人妻综合| 中文欧美无线码| 国产麻豆成人av免费视频| 亚洲国产高清在线一区二区三| 久久精品久久精品一区二区三区| 欧美+日韩+精品| a级毛片免费高清观看在线播放| 国产 一区 欧美 日韩| 美女主播在线视频| 免费看日本二区| 神马国产精品三级电影在线观看| 精品人妻熟女av久视频| 成人毛片a级毛片在线播放| 欧美成人一区二区免费高清观看| 网址你懂的国产日韩在线| 国产综合精华液| 久久久精品免费免费高清| 五月玫瑰六月丁香| 精品久久久噜噜| 日日撸夜夜添| 中文在线观看免费www的网站| 美女主播在线视频| 女的被弄到高潮叫床怎么办| 3wmmmm亚洲av在线观看| 欧美日韩亚洲高清精品| 国产一区二区在线观看日韩| 欧美日韩亚洲高清精品| 黄片wwwwww| 超碰97精品在线观看| 久久久亚洲精品成人影院| 精品欧美国产一区二区三| 精品国产露脸久久av麻豆 | 久久亚洲国产成人精品v| 天堂√8在线中文| 乱码一卡2卡4卡精品| 男女下面进入的视频免费午夜| 国产亚洲一区二区精品| 亚洲精品视频女| 午夜精品在线福利| 我的老师免费观看完整版| 高清欧美精品videossex| 夫妻性生交免费视频一级片| 欧美日韩国产mv在线观看视频 | 午夜精品一区二区三区免费看| 日日撸夜夜添| 狠狠精品人妻久久久久久综合| 久久99精品国语久久久| 国产亚洲一区二区精品| 国产精品无大码| 国产乱来视频区| 国产永久视频网站| 国产黄色视频一区二区在线观看| 国产乱人视频| 狂野欧美白嫩少妇大欣赏| 欧美区成人在线视频| 午夜福利在线观看吧| 国产毛片a区久久久久| 嫩草影院新地址| 人妻一区二区av| 一级a做视频免费观看| 亚洲av成人精品一区久久| 国产精品一及| 国产成人精品一,二区| 爱豆传媒免费全集在线观看| 国产色婷婷99| 夫妻午夜视频| 看黄色毛片网站| 久久久精品94久久精品| 中文字幕av在线有码专区| 高清av免费在线| 亚洲在线自拍视频| 国产精品人妻久久久影院| 在线观看人妻少妇| 国产男人的电影天堂91| 久久这里有精品视频免费| 高清av免费在线| 免费人成在线观看视频色| 一级片'在线观看视频| 精品一区二区三卡| 成人特级av手机在线观看| a级一级毛片免费在线观看| 久久久国产一区二区| 国产色婷婷99| 一级毛片电影观看| kizo精华| 日本爱情动作片www.在线观看| 国产伦一二天堂av在线观看| 天美传媒精品一区二区| 欧美不卡视频在线免费观看| 久久午夜福利片| 波野结衣二区三区在线| 亚洲av电影在线观看一区二区三区 | 欧美xxxx黑人xx丫x性爽| kizo精华| 一边亲一边摸免费视频| 一级av片app| 三级国产精品欧美在线观看| 久久99热这里只频精品6学生| 别揉我奶头 嗯啊视频| 男女啪啪激烈高潮av片| 三级毛片av免费| 日韩一本色道免费dvd| 国产精品美女特级片免费视频播放器| 亚洲精品视频女| 三级国产精品片| 街头女战士在线观看网站| 九九爱精品视频在线观看| 久久久久精品久久久久真实原创| 色尼玛亚洲综合影院| 亚洲av男天堂| 黄色欧美视频在线观看| 久久精品综合一区二区三区| 国产午夜精品论理片| 日韩成人av中文字幕在线观看| 国产伦一二天堂av在线观看| 69av精品久久久久久| 黄色日韩在线| 日本欧美国产在线视频| 中文字幕av成人在线电影| 欧美xxxx性猛交bbbb| 日日啪夜夜撸| 日韩 亚洲 欧美在线| 亚洲精品乱码久久久久久按摩| 免费在线观看成人毛片| 欧美日韩精品成人综合77777| 18禁动态无遮挡网站| 久久这里只有精品中国| 又黄又爽又刺激的免费视频.| 日韩精品有码人妻一区| 熟女人妻精品中文字幕| 欧美日韩一区二区视频在线观看视频在线 | 成人高潮视频无遮挡免费网站| 国产av不卡久久| 狠狠精品人妻久久久久久综合| 久久久午夜欧美精品| 春色校园在线视频观看| 黄色一级大片看看| 最近视频中文字幕2019在线8| 日本一本二区三区精品| 久久精品国产自在天天线| 一级黄片播放器| 身体一侧抽搐| 国模一区二区三区四区视频| 亚洲在久久综合| 精品一区在线观看国产| 国产高清三级在线| 国产不卡一卡二| 国产69精品久久久久777片| 日本-黄色视频高清免费观看| 国产av国产精品国产| 亚洲性久久影院| 久久久久久国产a免费观看| 成人午夜精彩视频在线观看| 亚洲最大成人av| 99re6热这里在线精品视频| 卡戴珊不雅视频在线播放| 精品国产露脸久久av麻豆 | 久久久久久久久久久免费av| 亚洲四区av| 亚洲精品自拍成人| 91精品国产九色| 精品一区二区免费观看| 成人综合一区亚洲| 国产精品女同一区二区软件| 国产精品一区二区在线观看99 | h日本视频在线播放| 高清欧美精品videossex| 国内少妇人妻偷人精品xxx网站| 亚洲精品成人av观看孕妇| 少妇人妻一区二区三区视频| 色尼玛亚洲综合影院| 国产欧美另类精品又又久久亚洲欧美| 亚洲av中文字字幕乱码综合| 国产精品女同一区二区软件| 在线a可以看的网站| 男女啪啪激烈高潮av片| 久久人人爽人人片av| 哪个播放器可以免费观看大片| 日日啪夜夜爽| 久久久久久久久久黄片| av专区在线播放| 观看美女的网站| 三级男女做爰猛烈吃奶摸视频| 久久久色成人| 中文欧美无线码| 色尼玛亚洲综合影院| 久久人人爽人人爽人人片va| 欧美人与善性xxx| 大片免费播放器 马上看| 国内精品美女久久久久久| 国产乱来视频区| 日韩精品有码人妻一区| 精品一区二区三卡| 观看美女的网站| 精品不卡国产一区二区三区| 51国产日韩欧美| 日本午夜av视频| av黄色大香蕉| 国产精品爽爽va在线观看网站| 岛国毛片在线播放| 五月天丁香电影| 国产黄频视频在线观看| 又爽又黄a免费视频| 夫妻午夜视频| 岛国毛片在线播放| 成年人午夜在线观看视频 | av女优亚洲男人天堂| 黄片无遮挡物在线观看| 国产大屁股一区二区在线视频| 丰满乱子伦码专区| 黄色一级大片看看| 国产淫片久久久久久久久| 亚洲精品,欧美精品| 直男gayav资源| 久久久国产一区二区| 久久精品国产亚洲av涩爱| 午夜免费激情av| 亚洲av中文av极速乱| 九九爱精品视频在线观看| 高清av免费在线| 不卡视频在线观看欧美| 国产亚洲av嫩草精品影院| 日韩精品青青久久久久久| 亚洲久久久久久中文字幕| 国产国拍精品亚洲av在线观看| 搞女人的毛片| 大香蕉97超碰在线| 久久国产乱子免费精品| 天堂网av新在线| 综合色丁香网| 日本免费在线观看一区| 国产69精品久久久久777片| av免费在线看不卡| 亚洲国产日韩欧美精品在线观看| 最后的刺客免费高清国语| 久久久午夜欧美精品| 色尼玛亚洲综合影院| 色综合站精品国产| 国产精品一区二区在线观看99 | 寂寞人妻少妇视频99o| 干丝袜人妻中文字幕| 免费不卡的大黄色大毛片视频在线观看 | 国产一区亚洲一区在线观看| 在线播放无遮挡| 最后的刺客免费高清国语| 2022亚洲国产成人精品| 亚洲天堂国产精品一区在线| 99九九线精品视频在线观看视频| 国产有黄有色有爽视频| 韩国高清视频一区二区三区| 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 | 十八禁网站网址无遮挡 | 哪个播放器可以免费观看大片| 国产成人a区在线观看| 亚洲av一区综合| av.在线天堂| 婷婷色av中文字幕| 亚洲自偷自拍三级| 少妇熟女aⅴ在线视频| 男人爽女人下面视频在线观看| 美女大奶头视频| 国产色婷婷99| 一二三四中文在线观看免费高清| 日韩av不卡免费在线播放| 亚洲精品乱码久久久v下载方式| 一级毛片电影观看| 亚洲成人av在线免费| 久久99热6这里只有精品| 97超视频在线观看视频| 日韩国内少妇激情av| 国产片特级美女逼逼视频| 26uuu在线亚洲综合色| 免费人成在线观看视频色| 91久久精品国产一区二区成人| 日韩欧美 国产精品| 九九爱精品视频在线观看| 综合色av麻豆| 高清午夜精品一区二区三区| 免费看日本二区| 2018国产大陆天天弄谢| 亚洲经典国产精华液单| 国产视频内射| 国产成年人精品一区二区| 久久鲁丝午夜福利片| 国产亚洲精品久久久com| 亚洲精品成人久久久久久| 国产欧美日韩精品一区二区| 久久午夜福利片| 亚洲乱码一区二区免费版| 国产免费又黄又爽又色| 卡戴珊不雅视频在线播放| 婷婷色麻豆天堂久久| 丝袜喷水一区| 成人午夜高清在线视频| 亚洲精品自拍成人| 久久久a久久爽久久v久久| 啦啦啦中文免费视频观看日本| 成人毛片60女人毛片免费| 欧美成人午夜免费资源| 欧美性猛交╳xxx乱大交人| 亚洲第一区二区三区不卡| 久久久久久久大尺度免费视频| 久久久精品94久久精品| 一级毛片黄色毛片免费观看视频| 免费看日本二区| 男女边吃奶边做爰视频| 九九在线视频观看精品| 国产精品久久久久久久久免| 国国产精品蜜臀av免费| 欧美区成人在线视频| 91精品国产九色| 久久久久久久午夜电影| 在线天堂最新版资源| 久久久久久久大尺度免费视频| a级毛片免费高清观看在线播放| 全区人妻精品视频| 极品教师在线视频| 成人特级av手机在线观看| 日本免费在线观看一区| 日本一本二区三区精品| 亚洲欧美日韩卡通动漫| 国产免费福利视频在线观看| 久久人人爽人人片av| eeuss影院久久| 真实男女啪啪啪动态图| 激情 狠狠 欧美| 国产精品一区二区在线观看99 | 91精品一卡2卡3卡4卡| 午夜福利视频精品| 午夜福利在线观看免费完整高清在| 韩国av在线不卡| 狠狠精品人妻久久久久久综合| 七月丁香在线播放|