• <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 ?

    模糊支持向量機(jī)研究綜述*

    2020-05-21 05:36:32邱云志汪廷華余武清
    關(guān)鍵詞:超平面離群向量

    邱云志,汪廷華,余武清

    (贛南師范大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院,江西 贛州 341000)

    1 引言

    支持向量機(jī)(Support Vector Machine, SVM)[1-2]是由統(tǒng)計(jì)學(xué)習(xí)理論發(fā)展而來(lái)的一種機(jī)器學(xué)習(xí)算法,最早于20世紀(jì)90年代中期由Vapnik等人提出.SVM算法的核心在于引入了核函數(shù)的概念,創(chuàng)造性地把非線性問題轉(zhuǎn)化為線性問題來(lái)解決,避免了直接在高維特征空間中的復(fù)雜計(jì)算,即將樣本點(diǎn)通過核函數(shù)從輸入空間映射到高維的特征空間,在特征空間中尋找最優(yōu)分類超平面的過程.SVM算法所具有的堅(jiān)實(shí)的數(shù)學(xué)理論基礎(chǔ)、較強(qiáng)的泛化能力和全局最小值的求解,使得SVM廣泛應(yīng)用于模式識(shí)別的分類和回歸等問題,例如在圖像分類[3]、自然語(yǔ)言處理[4]、生物信息學(xué)[5]等領(lǐng)域的應(yīng)用中都表現(xiàn)出了良好的性能.雖然SVM算法在理論和應(yīng)用上都有一定的優(yōu)勢(shì),但是由于過擬合[6]現(xiàn)象的發(fā)生,標(biāo)準(zhǔn)SVM在訓(xùn)練過程中對(duì)訓(xùn)練集的噪聲或離群點(diǎn)非常敏感,從而使得該算法的容噪性很差,在某些實(shí)際應(yīng)用中不能很好的發(fā)揮它的性能.

    為了緩解噪聲或離群點(diǎn)敏感的問題,Lin和Wang[7]提出了一種模糊支持向量機(jī)(Fuzzy Support Vector Machine, FSVM)模型用于有噪聲或離群點(diǎn)的分類,F(xiàn)SVM算法對(duì)每個(gè)輸入的樣本點(diǎn)賦予模糊隸屬度值,使不同的樣本點(diǎn)對(duì)最優(yōu)分類超平面的構(gòu)建具有不同的貢獻(xiàn),降低了噪聲或離群點(diǎn)對(duì)最優(yōu)決策面的影響.針對(duì)FSVM算法的關(guān)鍵問題,即在如何確定隸屬度函數(shù)這一方面已經(jīng)做了大量的工作.Lin和Wang[7]給出了原始的隸屬度函數(shù)的計(jì)算,表示為樣本空間中的數(shù)據(jù)樣本點(diǎn)到其所在類中心的歐式距離.該方法存在的一個(gè)問題是當(dāng)樣本分布不是球形分布時(shí),每個(gè)樣本點(diǎn)對(duì)決策函數(shù)的貢獻(xiàn)不能很好的表示出來(lái).針對(duì)這一問題,基于特征空間的歐式距離的計(jì)算在文獻(xiàn)[8]中被提了出來(lái).Tang[9]提出了一種基于樣本空間和特征空間中一類的樣本點(diǎn)到另一類樣本點(diǎn)邊界的距離的隸屬度函數(shù),可以有效的區(qū)分支持向量和噪聲.上面幾種方法在設(shè)計(jì)隸屬度函數(shù)時(shí)沒有考慮到樣本之間的關(guān)系,文獻(xiàn)[10]不僅考慮了樣本與類中心的距離,同時(shí)考慮了樣本之間的關(guān)系,實(shí)驗(yàn)結(jié)果表明,能有效的區(qū)分樣本點(diǎn)、噪聲以及離群點(diǎn).還有一些其他的方法來(lái)改進(jìn)常規(guī)的FSVM模型,如基于聚類算法的FSVM[11-13],通過使用聚類方法來(lái)取得更具有魯棒性的隸屬度值.文獻(xiàn)[14]提出了雙邊加權(quán)的模糊支持向量機(jī),通過給每一個(gè)樣本分別賦予一個(gè)正類和負(fù)類的隸屬度,使得新的FSVM具有更好的泛化能力.正則化單調(diào)FSVM[15]則是提出了一種新的基于訓(xùn)練數(shù)據(jù)偏序的FSVM模型,該模型考慮了先驗(yàn)領(lǐng)域知識(shí)的單調(diào)性,并以不等式的形式表示.文獻(xiàn)[16]提出了基于中心核對(duì)齊的模糊支持向量機(jī),在計(jì)算生物學(xué)和一些分類問題上,該算法在相關(guān)性能上有一定的優(yōu)越性.針對(duì)類不平衡的數(shù)據(jù)集,文獻(xiàn)[17-18]分別在常規(guī)的FSVM算法上進(jìn)行了相應(yīng)的改進(jìn),使得算法在非平衡數(shù)據(jù)集上的應(yīng)用性能有所提升.文獻(xiàn)[19]考慮到不同的特征對(duì)FSVM算法的隸屬度的確定的影響,提出了基于Relief-F特征加權(quán)的FSVM分類算法,比傳統(tǒng)的基于歐式距離的FSVM算法具有更高的分類精度和效率.目前如何確定一個(gè)合適的隸屬度函數(shù)還沒有一個(gè)通用的準(zhǔn)則,如何確定樣本的隸屬度是該算法的難點(diǎn),同時(shí)也是一個(gè)研究熱點(diǎn)問題.

    本文的主要部分組織如下.第2部分簡(jiǎn)要介紹FSVM算法的理論基礎(chǔ),第3部分詳細(xì)介紹幾種常用的隸屬度函數(shù)設(shè)計(jì)方法,第4部分是FSVM算法在現(xiàn)實(shí)領(lǐng)域中的應(yīng)用,最后針對(duì)模糊支持向量機(jī)算法的關(guān)鍵問題,即模糊隸屬度函數(shù)的設(shè)計(jì),給出一些未來(lái)研究方向的展望.

    2 模糊支持向量機(jī)理論

    標(biāo)準(zhǔn)的SVM算法是針對(duì)二分類問題提出來(lái)的,在處理多類分類問題中,通常采用一對(duì)一或者一對(duì)多的策略將多類分類問題轉(zhuǎn)化為二分類的問題處理,不是一般性,本文以二分類問題為例進(jìn)行闡述.FSVM算法基于標(biāo)準(zhǔn)SVM算法,通過給每個(gè)樣本點(diǎn)賦予一個(gè)隸屬度值,使不同的樣本對(duì)最終的決策函數(shù)有不同的貢獻(xiàn),解決了標(biāo)準(zhǔn)SVM算法容噪性差的缺點(diǎn),適用于有噪聲或離群點(diǎn)的分類問題.

    (1)

    其中,ξ=(ξ1,…,ξl)T是松弛變量,C>0是正則化參數(shù),保持分類最大間隔與分類誤差之間的平衡.siξi為衡量對(duì)于重要性不同的變量錯(cuò)分程度的度量,當(dāng)si越小,ξi的影響越小,則對(duì)應(yīng)的φ(xi)對(duì)于分類的作用就越小.siC則是衡量樣本xi在訓(xùn)練FSVM算法時(shí)的重要程度,siC的值越大,代表樣本xi被正確分類的可能性越大,反之,表示樣本xi被正確分類的可能性越小.為了解決上述的最優(yōu)化問題,我們先構(gòu)造如下的拉格朗日函數(shù):

    (2)

    其中αi≥0,μi≥0為拉格朗日乘子,令L(w,b,α,ξ,μ)對(duì)w,b,ξi的偏導(dǎo)為零可得:

    (3)

    將方程(3)帶入方程(2),關(guān)于式(1)的優(yōu)化問題就可以轉(zhuǎn)化成下面的二次規(guī)劃問題,即:

    (4)

    其中:式(4)中K(xi,xj)=φ(xi)Tφ(xj)為核函數(shù),巧妙地把高維特征空間中的內(nèi)積運(yùn)算轉(zhuǎn)化為在輸入空間上進(jìn)行簡(jiǎn)單的函數(shù)計(jì)算,解決了維數(shù)災(zāi)難問題.求得相應(yīng)的決策函數(shù)為:

    (5)

    其中:sign(·)是符號(hào)函數(shù).可以看出當(dāng)αi>0時(shí),對(duì)應(yīng)的樣本點(diǎn)xi為支持向量.

    3 模糊隸屬度函數(shù)

    FSVM算法在處理含噪聲或離群點(diǎn)的樣本分類問題中,其分類效果優(yōu)于標(biāo)準(zhǔn)SVM算法.FSVM算法根據(jù)根據(jù)每個(gè)樣本點(diǎn)對(duì)分類所起的作用大小給其賦予不同的隸屬度.目前的難點(diǎn)在于如何確定隸屬度函數(shù)使算法的性能最優(yōu),然而沒有一個(gè)統(tǒng)一的標(biāo)準(zhǔn)去選擇合適的隸屬度函數(shù),通常需要針對(duì)具體的樣本情況根據(jù)經(jīng)驗(yàn)來(lái)確定合適的隸屬度函數(shù).總的來(lái)看,這些隸屬度函數(shù)的設(shè)計(jì)方法各有利弊,下面歸納了幾種確定隸屬度函數(shù)的方法.

    3.1 基于距離確定隸屬度函數(shù)

    3.1.1 基于類中心距離的隸屬度函數(shù)

    通過樣本到其所在類中心的距離來(lái)確定樣本的隸屬度大小.即樣本點(diǎn)到類中心的距離越小,表示該樣本點(diǎn)的隸屬度越大;反之,則表示該樣本點(diǎn)的隸屬度越小.

    (6)

    (7)

    r+=maxdi+, r-=maxdi-

    (8)

    其中,l+,l-分別表示正類和負(fù)類樣本的個(gè)數(shù).

    (9)

    (10)

    (11)

    通過上面的計(jì)算可得出基于距離的隸屬度函數(shù)表達(dá)式如下:

    (12)

    其中,δ為事先給定的一個(gè)很小的正數(shù),r+=maxdi+,r-=maxdi-.

    3.1.2 基于類內(nèi)超平面距離的隸屬度函數(shù)

    基于類內(nèi)超平面距離確定隸屬度函數(shù)的方法,通過樣本點(diǎn)到類內(nèi)超平面的距離來(lái)度量隸屬度函數(shù)的大小.設(shè)x+、x-分別代表正類和負(fù)類樣本的類中心,則過正負(fù)樣本的類中心的類內(nèi)超平面為H1∶wT(x-x+)=0;H2∶wT(x-x-)=0,其中w=x+-x-為法向量,則:

    (13)

    (14)

    (15)

    通過上面的計(jì)算可得出基于類內(nèi)超平面距離的隸屬度函數(shù)表達(dá)式如下:

    (16)

    (17)

    其中:δ是事先給定的一個(gè)很小的正數(shù),l+、l-分別表示位于兩個(gè)類內(nèi)超平面之間正類和負(fù)類樣本點(diǎn)的數(shù)目,λ的取值在[0,1]之間.

    (18)

    (19)

    (20)

    (21)

    同理根據(jù)上面的式(12)可得到在特征空間中基于類內(nèi)超平面距離的隸屬度函數(shù)的表達(dá)式.

    3.2 基于K近鄰法(KNN)確定隸屬度函數(shù)

    基于KNN算法確定隸屬度函數(shù)的方法側(cè)重于考慮樣本點(diǎn)之間的關(guān)系,其優(yōu)點(diǎn)是大大減少了計(jì)算量并且具有較強(qiáng)的魯棒性,具體的計(jì)算步驟如下:

    其中:λ是小于1并趨于0的正數(shù),f表示控制函數(shù).通過上面的式子可以得出當(dāng)di-average越接近dmin時(shí),則μ(xi)的值越接近于1,樣本點(diǎn)xi是噪聲或離群點(diǎn)的可能性越大,反之樣本點(diǎn)xi是噪聲或離群點(diǎn)的可能性越小.

    3.3 基于樣本緊密度確定隸屬度函數(shù)

    基于樣本緊密度確定隸屬度函數(shù)的方法,通過考慮樣本到其最小包圍球中心之間距離的遠(yuǎn)近程度來(lái)度量.則位于最小包圍球半徑內(nèi)、外的樣本點(diǎn)的隸屬度函數(shù)的計(jì)算方法,分別采用如下的公式計(jì)算:

    (22)

    其中:ρ表示最小包圍球半徑,d(xi)表示樣本點(diǎn)xi到其最小包圍球中心a之間的距離,其表達(dá)公式如下:

    (23)

    通過隸屬度函數(shù)的定義公式(22)可以得出,樣本點(diǎn)的隸屬度的大小取決于樣本到最小包圍球中心的距離和樣本在空間中的分布情況.

    3.4 基于模糊C均值聚類(FCM)算法確定隸屬度函數(shù)

    基于FCM算法確定隸屬度函數(shù)的方法融合了模糊理論的精髓,相較于K均值的硬聚類,F(xiàn)CM算法提供了更為靈活的聚類結(jié)果.FCM算法的核心在于最小化聚類損失函數(shù)的過程,其表達(dá)式如下:

    (24)

    (25)

    (26)

    4 模糊支持向量機(jī)的應(yīng)用

    FSVM算法在標(biāo)準(zhǔn)SVM算法的基礎(chǔ)之上,通過給每個(gè)樣本點(diǎn)賦予一個(gè)隸屬度值,有效地解決了標(biāo)準(zhǔn)SVM算法容噪性差的缺點(diǎn),特別是在處理含有噪聲或離群點(diǎn)的樣本方面,起到了很好的分類效果,具有較好的學(xué)習(xí)性能和泛化能力,成為模式識(shí)別和數(shù)據(jù)挖掘領(lǐng)域的研究熱點(diǎn),在圖像處理、生物信息學(xué)、醫(yī)學(xué)應(yīng)用等方面具有廣闊的應(yīng)用前景.

    4.1 圖像處理

    圖像處理是目前人工智能領(lǐng)域的熱門研究方向,其中FSVM算法在圖像處理中的應(yīng)用十分廣泛,可應(yīng)用于圖像分割、邊緣檢測(cè)、人臉識(shí)別、遙感圖像分類、圖像去噪等方面.

    圖像分割[20]是一種重要的圖像分析技術(shù),將一幅圖像分成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù).傳統(tǒng)的圖像分割方法由于圖像的邊緣的復(fù)雜性,在實(shí)際的應(yīng)用中效果不太理想.文獻(xiàn)[21]提出了模糊支持向量機(jī)算法應(yīng)用于醫(yī)學(xué)圖像分割,通過對(duì)腫瘤圖像、頭CT圖像等的仿真分析,實(shí)驗(yàn)結(jié)果表明應(yīng)用模糊支持向量機(jī)算法可以有效地進(jìn)行醫(yī)學(xué)圖像分割,在實(shí)際應(yīng)用中有著廣泛的前景.文獻(xiàn)[22]針對(duì)彩色圖像分割問題,引入了基于加性組合核函數(shù)和KNN隸屬度函數(shù)的模糊支持向量機(jī),實(shí)驗(yàn)結(jié)果表明,同傳統(tǒng)的彩色圖像分割技術(shù)相比,性能方面有一定的提升.

    圖像邊緣檢測(cè)[23]在本質(zhì)上是屬于圖像分類問題,標(biāo)準(zhǔn)的SVM算法對(duì)樣本中的離群點(diǎn)點(diǎn)或噪聲比較敏感,影響了在實(shí)際應(yīng)用中的分類性能.文獻(xiàn)[24]通過使用FSVM算法進(jìn)行圖像邊緣檢測(cè),有效地降低了噪聲或離群點(diǎn)對(duì)分類性能的影響.文獻(xiàn)[25-26]則是分別選擇不同的隸屬度函數(shù),使得新的模糊支持向量機(jī)算法邊緣檢測(cè)抗干擾性更好,提取邊緣的效果更優(yōu),具有更強(qiáng)的適應(yīng)性能.

    人臉識(shí)別主要是提取待識(shí)別的人臉圖像的特征信息與數(shù)據(jù)庫(kù)中的已知人臉圖像進(jìn)行對(duì)比,得出相關(guān)結(jié)論.決定人臉識(shí)別的效果如何,通常是選擇合適的特征提取方法和分類器,一般來(lái)講常見的特征提取和降維方法有主成分分析(PCA)、獨(dú)立成分分析(ICA)以及小波分析等,分類器有最近鄰算法、神經(jīng)網(wǎng)絡(luò),以及SVM算法等.文獻(xiàn)[27]在特征提取與降維階段選擇了ICA算法,而不是傳統(tǒng)的PCA算法,從而消除了數(shù)據(jù)的相關(guān)性,此外結(jié)合了FSVM算法,使得實(shí)驗(yàn)性能有了大幅度的提升,大大的提高了人臉識(shí)別率.文獻(xiàn)[28]基于PCA算法和ICA算法,提出了基于局部圖像的雙向PCA算法進(jìn)行特征提取,然后用基于密度的雙隸屬度FSVM算法進(jìn)行分類,在ORL人臉數(shù)據(jù)庫(kù)和AR人臉數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果不但在精度上有所提高,而且大大的縮短了實(shí)驗(yàn)的時(shí)間,具有很好的借鑒作用.

    此外,在遙感圖像分類中,文獻(xiàn)[29]提出了一種新的基于云模型的隸屬度函數(shù)的FSVM算法,與基于距離隸屬度的FSVM的分類結(jié)果相比精度有所提升.在圖像去噪方面,文獻(xiàn)[30]則是結(jié)合小波系數(shù)和FSVM算法,實(shí)驗(yàn)結(jié)果顯示,該組合算法能較好的將噪聲從圖像中出來(lái),從而留下有用的信息.

    4.2 生物信息學(xué)

    FSVM算法在生物學(xué)上的應(yīng)用主要集中在以下幾個(gè)方面:

    4.2.1 基因分類

    傳統(tǒng)的基因分類方法包括粗糙集、神經(jīng)網(wǎng)絡(luò)、遺傳算法、支持向量機(jī)等,文獻(xiàn)[31]提出了基于最小二乘法的模糊支持向量機(jī)的基因分類方法,一方面解決了傳統(tǒng)的支持向量機(jī)對(duì)噪聲和孤立點(diǎn)敏感的問題;另一方面,與傳統(tǒng)的支持向量機(jī)而比,最小二乘支持向量機(jī)在目標(biāo)函數(shù)中增加誤差平方和項(xiàng)、以及用等式約束代替不等式約束,求解速度大大加快,實(shí)驗(yàn)結(jié)果表明該方法取得了較高的分類精度.

    4.2.2 蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)

    蛋白質(zhì)結(jié)構(gòu)是指蛋白質(zhì)分子的空間結(jié)構(gòu).按照蛋白質(zhì)的結(jié)構(gòu)層次,可以分為蛋白質(zhì)一級(jí)結(jié)構(gòu)、蛋白質(zhì)二級(jí)結(jié)構(gòu)、蛋白質(zhì)三級(jí)結(jié)構(gòu)和蛋白質(zhì)四級(jí)結(jié)構(gòu).文獻(xiàn)[32]提出結(jié)合蛋白質(zhì)序列相似性分析方法和模糊支持向量機(jī)算法進(jìn)行蛋白質(zhì)二級(jí)結(jié)構(gòu)預(yù)測(cè),實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)預(yù)測(cè)準(zhǔn)確性有所提高.

    4.2.3 生物分類識(shí)別

    模糊支持向量機(jī)在生物分類識(shí)別上的應(yīng)用也很廣泛,文獻(xiàn)[33]則是通過對(duì)紅蟲、猛水蚤、劍水蚤等浮游生物樣本進(jìn)行分類,通過提取顏色、能量等作為特征向量,然后采用基于RBF核函數(shù)的FSVM作為分類器,實(shí)驗(yàn)結(jié)果表示,該算法基本能正確識(shí)別紅蟲,具有比較好的分類精度.

    4.3 故障診斷

    FSVM算法在一些實(shí)際的故障診斷問題中表現(xiàn)出了良好的性能,文獻(xiàn)[34]在處理電力變壓器故障診斷的問題中,采用基于FCM的隸屬度函數(shù),避免了噪聲或離群點(diǎn)的影響,實(shí)驗(yàn)結(jié)果表明FSVM算法比標(biāo)準(zhǔn)的SVM算法和改良IEC比值法具有更優(yōu)的性能.文獻(xiàn)[35]針對(duì)目前汽輪機(jī)故障診斷中存在的缺陷,提出了變分模態(tài)分解和采用粒子群算法優(yōu)化的FSVM算法相結(jié)合的診斷模型,不僅提高了診斷精度,而且縮短了時(shí)間.文獻(xiàn)[36]針對(duì)凝汽器工作過程中的故障問題,基于FSVM算法的故障診斷模型與神經(jīng)網(wǎng)絡(luò)算法的故障診斷算法對(duì)比后具有更高的效率和泛化能力.

    此外,在預(yù)測(cè)方面,文獻(xiàn)[37]結(jié)合FSVM算法和魔密度聚類算法應(yīng)用于半導(dǎo)體成品率的預(yù)測(cè),文獻(xiàn)[38]表明FSVM算法對(duì)混凝土構(gòu)件的反向預(yù)測(cè)方面具有優(yōu)良的性能,文獻(xiàn)[39]提出一種改進(jìn)的FSVM算法應(yīng)用于汽輪機(jī)熱耗率的預(yù)測(cè),表現(xiàn)出很好的泛化能力以及高預(yù)測(cè)率等.在預(yù)警方面,F(xiàn)SVM算法在火災(zāi)預(yù)警[40]、海洋災(zāi)害風(fēng)險(xiǎn)預(yù)警[41]等方面有著廣泛的應(yīng)用.在文字識(shí)別[42]、情感識(shí)別[43]、油液磨粒自動(dòng)識(shí)別[44]等方面,F(xiàn)SVM算法都表現(xiàn)出了良好的性能.

    5 結(jié)論

    FSVM算法在標(biāo)準(zhǔn)SVM算法的基礎(chǔ)上,考慮到噪聲或離群點(diǎn)對(duì)算法性能產(chǎn)生的影響,通過選定的隸屬度函數(shù)給每個(gè)樣本賦予一個(gè)權(quán)重,解決了標(biāo)準(zhǔn)SVM容噪性差的缺點(diǎn).本文對(duì)FSVM算法的發(fā)展現(xiàn)狀、數(shù)學(xué)理論基礎(chǔ)、以及常用隸屬度函數(shù)的設(shè)計(jì)方法做了詳細(xì)的論述,最后介紹了FSVM算法在現(xiàn)實(shí)領(lǐng)域中的一些應(yīng)用.目前來(lái)看,F(xiàn)SVM在算法的優(yōu)化上,需要從兩個(gè)方面進(jìn)行完善,其一需要提高算法的訓(xùn)練速度,盡管最小二乘模糊支持向量機(jī)在速度上有所提升,但是泛化性能不佳,在處理非線性問題時(shí)不能處理大樣本數(shù)據(jù)問題等.其二則是針對(duì)FSVM算法的關(guān)鍵問題,即隸屬度函數(shù)的設(shè)計(jì)與選擇,此前關(guān)于隸屬度函數(shù)的設(shè)計(jì)都是根據(jù)具體的情況去選擇適當(dāng)?shù)碾`屬度函數(shù),因此也設(shè)計(jì)出了諸多的隸屬度函數(shù),無(wú)論是先識(shí)別出噪聲或離群點(diǎn),然后賦予其一個(gè)很小的隸屬度值,還是通過基于距離對(duì)噪聲或離群點(diǎn)賦予隸屬度,都還沒有一個(gè)統(tǒng)一的選擇和設(shè)計(jì)標(biāo)準(zhǔn),對(duì)于這一方面的改進(jìn)和完善是需要學(xué)者去研究的.

    猜你喜歡
    超平面離群向量
    向量的分解
    全純曲線的例外超平面
    涉及分擔(dān)超平面的正規(guī)定則
    聚焦“向量與三角”創(chuàng)新題
    以較低截?cái)嘀財(cái)?shù)分擔(dān)超平面的亞純映射的唯一性問題
    向量垂直在解析幾何中的應(yīng)用
    離群數(shù)據(jù)挖掘在發(fā)現(xiàn)房產(chǎn)銷售潛在客戶中的應(yīng)用
    向量五種“變身” 玩轉(zhuǎn)圓錐曲線
    數(shù)學(xué)年刊A輯(中文版)(2015年1期)2015-10-30 01:55:44
    離群的小雞
    亚洲婷婷狠狠爱综合网| 国产久久久一区二区三区| 久久久a久久爽久久v久久| 日韩欧美一区视频在线观看 | h日本视频在线播放| 午夜福利在线在线| 激情五月婷婷亚洲| 秋霞在线观看毛片| 中文资源天堂在线| 亚洲精品视频女| 中文精品一卡2卡3卡4更新| 欧美xxxx黑人xx丫x性爽| 香蕉精品网在线| 久久av网站| 久久久亚洲精品成人影院| 精品午夜福利在线看| 精品久久久精品久久久| 国产色爽女视频免费观看| 老司机影院毛片| 少妇丰满av| 综合色丁香网| 少妇熟女欧美另类| 欧美+日韩+精品| 日韩欧美 国产精品| 亚洲欧美成人综合另类久久久| 校园人妻丝袜中文字幕| 热re99久久精品国产66热6| 久久毛片免费看一区二区三区| 插逼视频在线观看| 国产精品秋霞免费鲁丝片| 欧美日韩视频高清一区二区三区二| 少妇人妻精品综合一区二区| 亚洲国产精品999| 男女边摸边吃奶| 国产亚洲午夜精品一区二区久久| 午夜激情福利司机影院| 人妻一区二区av| 午夜福利网站1000一区二区三区| 欧美另类一区| 少妇人妻精品综合一区二区| 久久久久久久久久成人| 观看av在线不卡| 青青草视频在线视频观看| 日韩一区二区三区影片| 在线精品无人区一区二区三 | 久久久久久久久久久丰满| 成人免费观看视频高清| 国产成人免费观看mmmm| 老司机影院成人| 最近最新中文字幕大全电影3| 国产男女超爽视频在线观看| 大码成人一级视频| 亚洲精品第二区| a级一级毛片免费在线观看| 三级国产精品欧美在线观看| 一级毛片电影观看| 蜜桃国产av成人99| 国产在线免费精品| 精品熟女少妇八av免费久了| 日日摸夜夜添夜夜爱| 久久久久久久大尺度免费视频| 男女床上黄色一级片免费看| 18禁黄网站禁片午夜丰满| 亚洲色图综合在线观看| 热re99久久精品国产66热6| 亚洲成av片中文字幕在线观看| 国产一区二区三区av在线| 中国国产av一级| 成年动漫av网址| 亚洲国产日韩一区二区| 一区在线观看完整版| 国产99久久九九免费精品| 老汉色∧v一级毛片| 中文字幕人妻丝袜一区二区| 精品一区二区三区四区五区乱码 | 国产精品二区激情视频| 亚洲国产av影院在线观看| 亚洲欧美一区二区三区久久| 亚洲欧美色中文字幕在线| 黄频高清免费视频| www.熟女人妻精品国产| 国产精品国产三级国产专区5o| 国产一卡二卡三卡精品| 免费人妻精品一区二区三区视频| 青青草视频在线视频观看| 黄色 视频免费看| 国产一区二区三区综合在线观看| 国产欧美日韩综合在线一区二区| 99国产精品一区二区三区| 久久国产精品男人的天堂亚洲| 最近最新中文字幕大全免费视频 | 九草在线视频观看| 黄色片一级片一级黄色片| 国产成人精品久久二区二区免费| 巨乳人妻的诱惑在线观看| 美女大奶头黄色视频| 国产精品 欧美亚洲| 亚洲精品一卡2卡三卡4卡5卡 | 久久久国产精品麻豆| 色婷婷av一区二区三区视频| 国产精品久久久久久精品电影小说| 日韩 欧美 亚洲 中文字幕| 久久久亚洲精品成人影院| 在线观看国产h片| 啦啦啦啦在线视频资源| 看十八女毛片水多多多| 免费久久久久久久精品成人欧美视频| 亚洲欧美日韩另类电影网站| www.av在线官网国产| 少妇人妻 视频| 一级毛片我不卡| tube8黄色片| 国产成人精品无人区| 多毛熟女@视频| 丰满饥渴人妻一区二区三| 亚洲精品美女久久av网站| 18禁黄网站禁片午夜丰满| 精品久久久精品久久久| 午夜免费观看性视频| 大香蕉久久成人网| 丰满少妇做爰视频| 国产欧美日韩一区二区三 | 免费不卡黄色视频| 亚洲精品一卡2卡三卡4卡5卡 | 最近中文字幕2019免费版| 国产男人的电影天堂91| 啦啦啦啦在线视频资源| 香蕉丝袜av| 成人三级做爰电影| 少妇 在线观看| 高清视频免费观看一区二区| 成人国产av品久久久| 熟女少妇亚洲综合色aaa.| 欧美精品亚洲一区二区| 看十八女毛片水多多多| 久久久精品94久久精品| 自线自在国产av| 日本a在线网址| 国产精品 欧美亚洲| a 毛片基地| 国产日韩欧美亚洲二区| 国产精品二区激情视频| 国产福利在线免费观看视频| 国产精品国产三级专区第一集| 亚洲精品乱久久久久久| 一区二区三区四区激情视频| 国产精品99久久99久久久不卡| 国产深夜福利视频在线观看| 两个人免费观看高清视频| 你懂的网址亚洲精品在线观看| 成年人黄色毛片网站| 午夜激情久久久久久久| 亚洲精品av麻豆狂野| 国产亚洲一区二区精品| 一区二区日韩欧美中文字幕| 国产伦人伦偷精品视频| 七月丁香在线播放| 日韩一区二区三区影片| 精品国产乱码久久久久久男人| 熟女少妇亚洲综合色aaa.| 99热全是精品| 美女高潮到喷水免费观看| 99久久精品国产亚洲精品| 黄色视频在线播放观看不卡| 日韩熟女老妇一区二区性免费视频| 日韩中文字幕视频在线看片| 久久久精品区二区三区| 国产精品av久久久久免费| 午夜久久久在线观看| 国产精品久久久久久精品古装| 日韩熟女老妇一区二区性免费视频| 久久久久国产一级毛片高清牌| 精品少妇一区二区三区视频日本电影| 夫妻性生交免费视频一级片| 亚洲av电影在线观看一区二区三区| 国产深夜福利视频在线观看| 亚洲五月婷婷丁香| 亚洲精品日本国产第一区| 久久亚洲国产成人精品v| 精品一区二区三区四区五区乱码 | 亚洲成色77777| av又黄又爽大尺度在线免费看| 建设人人有责人人尽责人人享有的| 久久精品人人爽人人爽视色| 精品第一国产精品| 新久久久久国产一级毛片| 国产精品 国内视频| 精品少妇久久久久久888优播| 精品亚洲成a人片在线观看| 国产精品 国内视频| 高清不卡的av网站| 久久久欧美国产精品| 国产成人一区二区三区免费视频网站 | 高清欧美精品videossex| 1024香蕉在线观看| 啦啦啦在线观看免费高清www| 一区二区三区激情视频| 最近最新中文字幕大全免费视频 | 久久人妻福利社区极品人妻图片 | 亚洲av日韩精品久久久久久密 | av在线app专区| 悠悠久久av| 亚洲欧美一区二区三区黑人| 久久综合国产亚洲精品| videos熟女内射| 国产黄色免费在线视频| 精品少妇内射三级| 考比视频在线观看| 人人妻人人澡人人看| 国产精品99久久99久久久不卡| 国产在线免费精品| 久久国产精品人妻蜜桃| 国产精品香港三级国产av潘金莲 | 国产精品久久久av美女十八| 美女主播在线视频| 97精品久久久久久久久久精品| 久久久国产精品麻豆| 免费av中文字幕在线| 超碰97精品在线观看| 久久人妻福利社区极品人妻图片 | 99国产综合亚洲精品| 欧美大码av| 日韩 亚洲 欧美在线| 国产又色又爽无遮挡免| 日本wwww免费看| 精品少妇久久久久久888优播| 极品少妇高潮喷水抽搐| 婷婷色综合大香蕉| 国产片特级美女逼逼视频| 大香蕉久久网| 久久热在线av| 在线观看免费视频网站a站| 国产欧美日韩综合在线一区二区| 亚洲欧美一区二区三区国产| 最近中文字幕2019免费版| 欧美大码av| 少妇精品久久久久久久| 久久性视频一级片| 亚洲精品日本国产第一区| 岛国毛片在线播放| 久久ye,这里只有精品| 99久久人妻综合| 欧美日韩成人在线一区二区| 不卡av一区二区三区| 精品人妻熟女毛片av久久网站| 精品久久蜜臀av无| 丝瓜视频免费看黄片| 婷婷色麻豆天堂久久| 国产在视频线精品| 性高湖久久久久久久久免费观看| 美女扒开内裤让男人捅视频| 亚洲av成人不卡在线观看播放网 | 国产片内射在线| 99久久人妻综合| 免费人妻精品一区二区三区视频| 狂野欧美激情性bbbbbb| cao死你这个sao货| 免费在线观看视频国产中文字幕亚洲 | 视频区欧美日本亚洲| 99久久精品国产亚洲精品| 久久久久久免费高清国产稀缺| 男女免费视频国产| 咕卡用的链子| 国产欧美亚洲国产| 久久国产精品人妻蜜桃| 久久狼人影院| 爱豆传媒免费全集在线观看| 精品人妻一区二区三区麻豆| 国产国语露脸激情在线看| 亚洲欧美日韩另类电影网站| 老鸭窝网址在线观看| 亚洲国产欧美网| 欧美黄色片欧美黄色片| 免费av中文字幕在线| 国产亚洲av片在线观看秒播厂| 亚洲美女黄色视频免费看| 欧美日韩av久久| 美女脱内裤让男人舔精品视频| 久久久久久久精品精品| 欧美激情 高清一区二区三区| 亚洲综合色网址| 精品人妻1区二区| 欧美人与性动交α欧美精品济南到| 午夜激情av网站| 少妇裸体淫交视频免费看高清 | 成年人午夜在线观看视频| 午夜福利免费观看在线| 国产成人免费无遮挡视频| 久久天堂一区二区三区四区| 精品久久蜜臀av无| 欧美精品高潮呻吟av久久| 精品熟女少妇八av免费久了| 每晚都被弄得嗷嗷叫到高潮| 两性夫妻黄色片| 丝袜脚勾引网站| 肉色欧美久久久久久久蜜桃| 咕卡用的链子| 成人亚洲精品一区在线观看| 久久青草综合色| 欧美黑人精品巨大| 亚洲精品国产一区二区精华液| 亚洲伊人色综图| 最黄视频免费看| 亚洲熟女毛片儿| av网站免费在线观看视频| 一本综合久久免费| 国产男女超爽视频在线观看| 丁香六月欧美| www.999成人在线观看| 国产高清国产精品国产三级| 免费看不卡的av| xxx大片免费视频| 午夜免费成人在线视频| 日本vs欧美在线观看视频| 免费在线观看影片大全网站 | 国产精品久久久久久精品电影小说| 丝袜美腿诱惑在线| 午夜福利影视在线免费观看| 亚洲人成77777在线视频| 脱女人内裤的视频| 九草在线视频观看| 久久国产亚洲av麻豆专区| 一二三四社区在线视频社区8| 欧美另类一区| 免费看不卡的av| 夫妻午夜视频| 成人午夜精彩视频在线观看| √禁漫天堂资源中文www| 国产真人三级小视频在线观看| av片东京热男人的天堂| 精品人妻1区二区| 亚洲欧洲国产日韩| 伊人久久大香线蕉亚洲五| 国产熟女午夜一区二区三区| 欧美 日韩 精品 国产| 日本av免费视频播放| 一边摸一边做爽爽视频免费| 亚洲国产欧美一区二区综合| 久久久久国产精品人妻一区二区| 婷婷色麻豆天堂久久| 亚洲精品一卡2卡三卡4卡5卡 | 日本午夜av视频| 久久久精品区二区三区| 欧美日韩视频精品一区| 国产成人欧美| 在线观看免费午夜福利视频| 午夜精品国产一区二区电影| 日本一区二区免费在线视频| 亚洲图色成人| 99热网站在线观看| tube8黄色片| 在线av久久热| 欧美97在线视频| 亚洲国产欧美在线一区| 国产精品香港三级国产av潘金莲 | 国产一区有黄有色的免费视频| 91国产中文字幕| 国产精品熟女久久久久浪| 黄色一级大片看看| 又大又黄又爽视频免费| 久热爱精品视频在线9| 视频区欧美日本亚洲| 免费久久久久久久精品成人欧美视频| 激情视频va一区二区三区| 国产成人精品在线电影| 亚洲欧洲日产国产| 亚洲中文字幕日韩| 人体艺术视频欧美日本| 婷婷丁香在线五月| 国产精品一二三区在线看| 最近中文字幕2019免费版| 欧美国产精品一级二级三级| 人人妻,人人澡人人爽秒播 | 啦啦啦在线观看免费高清www| 久久久久久人人人人人| 母亲3免费完整高清在线观看| 五月天丁香电影| 51午夜福利影视在线观看| 国产精品久久久久成人av| 丝袜美腿诱惑在线| 老司机影院成人| 交换朋友夫妻互换小说| 一级黄片播放器| 国产精品久久久久久人妻精品电影 | 国产成人系列免费观看| 亚洲精品久久久久久婷婷小说| 日本欧美国产在线视频| 人成视频在线观看免费观看| 亚洲五月色婷婷综合| 亚洲激情五月婷婷啪啪| 妹子高潮喷水视频| 操出白浆在线播放| 99久久人妻综合| 国产成人免费观看mmmm| 美女中出高潮动态图| √禁漫天堂资源中文www| 欧美变态另类bdsm刘玥| 欧美日韩视频高清一区二区三区二| 国产欧美日韩精品亚洲av| av国产精品久久久久影院| 女人久久www免费人成看片| 大片免费播放器 马上看| 国产av精品麻豆| 一本久久精品| 亚洲av日韩在线播放| 中文乱码字字幕精品一区二区三区| 天天操日日干夜夜撸| 狂野欧美激情性bbbbbb| 香蕉国产在线看| 在线亚洲精品国产二区图片欧美| 日韩一卡2卡3卡4卡2021年| av在线app专区| 久久久久国产一级毛片高清牌| 精品视频人人做人人爽| 久久国产精品人妻蜜桃| 国产在线免费精品| 婷婷色综合www| 99国产精品一区二区蜜桃av | 人人妻人人澡人人看| 亚洲少妇的诱惑av| 国产男女内射视频| 国产91精品成人一区二区三区 | 欧美少妇被猛烈插入视频| 免费看不卡的av| 精品一区二区三区av网在线观看 | 亚洲av成人不卡在线观看播放网 | 女性被躁到高潮视频| 纵有疾风起免费观看全集完整版| 国产视频一区二区在线看| 波多野结衣一区麻豆| 自线自在国产av| 女人精品久久久久毛片| 国产主播在线观看一区二区 | 免费高清在线观看日韩| 啦啦啦中文免费视频观看日本| 久久精品aⅴ一区二区三区四区| 丰满人妻熟妇乱又伦精品不卡| 人妻一区二区av| 国产1区2区3区精品| 叶爱在线成人免费视频播放| a级毛片黄视频| 十八禁人妻一区二区| 晚上一个人看的免费电影| 性少妇av在线| 久久狼人影院| 精品一区二区三区av网在线观看 | 免费在线观看影片大全网站 | 丝袜在线中文字幕| e午夜精品久久久久久久| 巨乳人妻的诱惑在线观看| 丰满人妻熟妇乱又伦精品不卡| 在线精品无人区一区二区三| 精品国产国语对白av| 亚洲av日韩在线播放| 精品少妇一区二区三区视频日本电影| 99精品久久久久人妻精品| 国产日韩欧美亚洲二区| 国产精品欧美亚洲77777| 99国产精品免费福利视频| 精品高清国产在线一区| 高清黄色对白视频在线免费看| 亚洲精品成人av观看孕妇| 日本色播在线视频| 新久久久久国产一级毛片| 亚洲国产中文字幕在线视频| 国产精品二区激情视频| 一区二区三区乱码不卡18| 老鸭窝网址在线观看| 国产亚洲一区二区精品| 日韩一卡2卡3卡4卡2021年| 精品一区二区三卡| 色视频在线一区二区三区| 黄色视频不卡| 欧美人与性动交α欧美软件| 国产成人影院久久av| 悠悠久久av| 十分钟在线观看高清视频www| avwww免费| 午夜免费鲁丝| 免费观看av网站的网址| 亚洲成人免费电影在线观看 | h视频一区二区三区| 50天的宝宝边吃奶边哭怎么回事| 丝袜美腿诱惑在线| 秋霞在线观看毛片| 国产精品秋霞免费鲁丝片| 美女中出高潮动态图| 国产精品一区二区免费欧美 | 少妇人妻久久综合中文| 成年动漫av网址| 黄色怎么调成土黄色| 国产熟女欧美一区二区| 麻豆乱淫一区二区| 精品国产一区二区久久| 精品人妻在线不人妻| 人人妻人人添人人爽欧美一区卜| 精品国产乱码久久久久久男人| 亚洲专区国产一区二区| 人人妻人人澡人人看| 美女中出高潮动态图| 亚洲欧美日韩高清在线视频 | 成人免费观看视频高清| 手机成人av网站| 国产熟女午夜一区二区三区| 天天影视国产精品| 久久国产精品人妻蜜桃| 亚洲九九香蕉| 亚洲成人免费电影在线观看 | 80岁老熟妇乱子伦牲交| 黄色毛片三级朝国网站| 欧美精品一区二区大全| 悠悠久久av| xxx大片免费视频| 中文字幕人妻丝袜一区二区| 国产精品久久久久成人av| 欧美日韩成人在线一区二区| 涩涩av久久男人的天堂| 亚洲国产精品一区三区| 久久人妻福利社区极品人妻图片 | 菩萨蛮人人尽说江南好唐韦庄| 成年动漫av网址| 高清不卡的av网站| 亚洲黑人精品在线| 国产爽快片一区二区三区| 国产男人的电影天堂91| 欧美日本中文国产一区发布| 欧美性长视频在线观看| 后天国语完整版免费观看| 国产色视频综合| 每晚都被弄得嗷嗷叫到高潮| 亚洲综合色网址| 亚洲国产日韩一区二区| 女性被躁到高潮视频| 亚洲一卡2卡3卡4卡5卡精品中文| 男人添女人高潮全过程视频| 亚洲精品久久午夜乱码| 大型av网站在线播放| 女人被躁到高潮嗷嗷叫费观| 国产男女内射视频| 日韩熟女老妇一区二区性免费视频| 精品福利观看| 精品一区二区三区四区五区乱码 | 精品久久蜜臀av无| 捣出白浆h1v1| 下体分泌物呈黄色| 日本一区二区免费在线视频| 久久久精品免费免费高清| 中文字幕高清在线视频| 日韩人妻精品一区2区三区| 丝瓜视频免费看黄片| 精品一区在线观看国产| 精品国产一区二区三区久久久樱花| 一级黄片播放器| 最新在线观看一区二区三区 | 精品欧美一区二区三区在线| 日韩,欧美,国产一区二区三区| 免费日韩欧美在线观看| 麻豆国产av国片精品| 国产精品香港三级国产av潘金莲 | 大型av网站在线播放| 久久久久久人人人人人| 国产精品欧美亚洲77777| 精品久久久久久久毛片微露脸 | 97在线人人人人妻| 久久人人爽av亚洲精品天堂| 亚洲国产精品一区二区三区在线| 三上悠亚av全集在线观看| 亚洲国产中文字幕在线视频| 国产精品一区二区在线观看99| 欧美成人午夜精品| 各种免费的搞黄视频| 精品少妇黑人巨大在线播放| www日本在线高清视频| 观看av在线不卡| 日韩欧美一区视频在线观看| 中文字幕高清在线视频| 十八禁人妻一区二区| 亚洲欧美色中文字幕在线| 亚洲,一卡二卡三卡| 国产精品 国内视频| 精品人妻一区二区三区麻豆| 我的亚洲天堂| 人成视频在线观看免费观看| 国产在线一区二区三区精| 中文字幕最新亚洲高清| 性色av乱码一区二区三区2| 欧美日韩亚洲高清精品| 丰满人妻熟妇乱又伦精品不卡| 叶爱在线成人免费视频播放| 丝袜在线中文字幕| svipshipincom国产片| 色网站视频免费| 老汉色∧v一级毛片| 国产精品欧美亚洲77777| 国产精品av久久久久免费| 蜜桃国产av成人99| 多毛熟女@视频| 久久人妻福利社区极品人妻图片 | 91麻豆av在线| 女性生殖器流出的白浆| 午夜两性在线视频| 又粗又硬又长又爽又黄的视频| 看十八女毛片水多多多| 国产视频一区二区在线看| 久久久久国产一级毛片高清牌| 看十八女毛片水多多多| 性色av一级| 一级片'在线观看视频| 黑丝袜美女国产一区| 国产成人欧美| 久久久久精品国产欧美久久久 | 丝袜人妻中文字幕| 精品人妻1区二区| 看免费av毛片| 一级,二级,三级黄色视频|