• <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 ?

    基于機(jī)器學(xué)習(xí)的降雨量雷達(dá)回波數(shù)據(jù)建模與預(yù)測

    2020-08-01 03:11:30陳曉平陳易旺施建華
    關(guān)鍵詞:均方降雨量卷積

    陳曉平 陳易旺 施建華

    0 引言

    降雨對人類生活、國民經(jīng)濟(jì)起著重要的作用,降雨量變化造成洪澇、干旱等極端情況,對農(nóng)業(yè)、水資源、生態(tài)環(huán)境等存在很大影響.準(zhǔn)確的降雨信息對于水資源的規(guī)劃和管理至關(guān)重要,也是水庫抗旱和防洪的關(guān)鍵.然而,由于產(chǎn)生降雨的大氣過程的復(fù)雜性以及在空間和時(shí)間上各種尺度的巨大變化,造成了降雨的預(yù)測具有很大的挑戰(zhàn)性.隨著氣象衛(wèi)星以及天氣雷達(dá)等先進(jìn)設(shè)備、技術(shù)的發(fā)展,人們在天氣預(yù)報(bào)方面取得了許多進(jìn)步,但是要獲得準(zhǔn)確的降雨預(yù)報(bào)仍然面臨著很大的問題.降雨量具有非線性、復(fù)雜性、多樣性和不穩(wěn)定性等特點(diǎn),且受諸多因素的影響,而數(shù)據(jù)采集方面,隨著近年來科技的發(fā)展,衛(wèi)星和天氣雷達(dá)每年提供PB級氣象數(shù)據(jù)與以往的數(shù)據(jù)有著顯著的、本質(zhì)上的差異,故用傳統(tǒng)的技術(shù)、方法預(yù)測降雨存在著模糊性和不確定性,預(yù)測難度大增,往往無法取得很好的預(yù)測效果.

    另一方面,隨著信息技術(shù)和計(jì)算科學(xué)的迅猛發(fā)展,計(jì)算機(jī)計(jì)算能力得到大幅度提高,統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法被廣泛應(yīng)用于各個(gè)領(lǐng)域[1-2].該方法具有高度的非線性、靈活性和數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)能力,可以應(yīng)用在降雨量的預(yù)測中,也可以得到比傳統(tǒng)方法更好的降雨量預(yù)測結(jié)果.因此,通過統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法分析氣象數(shù)據(jù),發(fā)現(xiàn)其潛在的規(guī)律,從而更準(zhǔn)確地預(yù)測未來的降雨量,是一個(gè)很有意義的課題.

    Baik和Hwang基于北太平洋西部熱帶氣旋的31年樣本,利用多元線性回歸方法和BP神經(jīng)網(wǎng)絡(luò)對未來12、24、36、48、60和72 h的氣旋強(qiáng)度進(jìn)行預(yù)測[3].結(jié)果表明,除了對未來12 h的預(yù)測誤差相近,BP神經(jīng)網(wǎng)絡(luò)模型解釋的方差百分比在其他所有時(shí)間間隔內(nèi)均大于回歸模型解釋的方差百分比,BP神經(jīng)網(wǎng)絡(luò)模型對未來其他時(shí)刻的預(yù)測誤差比回歸模型小10%~16%,顯示了BP神經(jīng)網(wǎng)絡(luò)在熱帶氣旋強(qiáng)度預(yù)報(bào)中的應(yīng)用潛力.Guhathakurta[4]首次在利用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行季風(fēng)降水預(yù)報(bào)時(shí)引入了尺度化的思想,他分析了36個(gè)氣象分區(qū)的月降雨量時(shí)間序列數(shù)據(jù),所用的模型較好地捕捉了輸入-輸出的非線性關(guān)系,較準(zhǔn)確地預(yù)測了獨(dú)立周期內(nèi)的季節(jié)降水.所有印度季風(fēng)降水預(yù)報(bào)都是利用各分區(qū)的面積加權(quán)降水預(yù)報(bào)生成的,結(jié)果表明,向上尺度有助于更好地捕捉全印度降水的變化,有助于預(yù)測極端年份的降雨量,比基于單一時(shí)間序列建立的印度所有降雨量的神經(jīng)網(wǎng)絡(luò)模型都要好.徐曉嶺等[5]給出了全樣本場合下卡帕分布參數(shù)的矩估計(jì),估計(jì)北京、天津、南京、上海、廣州的月降水量.崔玫意等[6]基于1951—2010年河北省21個(gè)氣象站逐日降水觀測資料,擬合逐年日最大降水量序列,借助K-S與A-D方法進(jìn)行擬合優(yōu)度的比較.Sulaiman等[7]利用人工神經(jīng)網(wǎng)絡(luò)對月強(qiáng)降水進(jìn)行預(yù)報(bào),為此收集并使用了1965—2015年地方氣象站的降水?dāng)?shù)據(jù),利用以往降水值的不同組合作為預(yù)測輸入,利用均方誤差和相關(guān)系數(shù)對人工神經(jīng)網(wǎng)絡(luò)模型的性能與ARIMA模型進(jìn)行了比較.結(jié)果表明,該人工神經(jīng)網(wǎng)絡(luò)模型能夠較好地預(yù)測強(qiáng)降水事件.

    在技術(shù)設(shè)備方面,雷達(dá)通過發(fā)射電磁波后收到的反饋,獲得物體到雷達(dá)的距離、方位角和物體當(dāng)前的徑向速度、高度等[8],相對于地面測量的優(yōu)勢在于其覆蓋范圍廣、穿透強(qiáng),基本不會(huì)受溫度、風(fēng)等外部因素的影響,因此在各領(lǐng)域被廣泛應(yīng)用.例如,在軍事領(lǐng)域上可以探測復(fù)雜的地形,在環(huán)保領(lǐng)域上可以監(jiān)測空氣質(zhì)量,在地質(zhì)領(lǐng)域上可以勘探石油煤炭等.天氣雷達(dá)每年提供PB級氣象數(shù)據(jù),數(shù)據(jù)量大,傳統(tǒng)的統(tǒng)計(jì)學(xué)方法預(yù)測降雨往往無法取得很好的效果.

    本文以浙江省氣象站的降雨數(shù)據(jù)(逐小時(shí))以及雷達(dá)回波數(shù)據(jù)(逐10 min)為基礎(chǔ),對其篩選、整理、預(yù)處理,分別采用隨機(jī)森林、BP神經(jīng)網(wǎng)絡(luò)(BPNN)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)等建模方法對未來1~2 h的降雨量進(jìn)行預(yù)測.

    1 數(shù)據(jù)樣本及其處理

    1.1 數(shù)據(jù)說明

    本文使用的雷達(dá)回波數(shù)據(jù)為浙江省雷達(dá)站2016年1—10月反射率因子資料,降雨量數(shù)據(jù)為浙江氣象站的降雨資料.雷達(dá)回波數(shù)據(jù)如圖1所示(縱、橫坐標(biāo)都是像素,6幅分圖是同一區(qū)域每隔10 min的雷達(dá)回波圖),其中心點(diǎn)為氣象站所在的位置,高度為1.5 km,時(shí)間分辨率為10 min,大小為100像素×100像素,回波強(qiáng)度范圍為0到70 dBz.降雨量數(shù)據(jù)的時(shí)間分辨率為1 h.對于每個(gè)時(shí)刻的降雨量預(yù)測,輸入變量為前一個(gè)小時(shí)內(nèi)的6張雷達(dá)圖數(shù)據(jù).通過池化操作[9]和風(fēng)向法(見下面介紹)把原始的100×100的回波強(qiáng)度雷達(dá)數(shù)據(jù)變?yōu)?7×17的數(shù)據(jù),為后面建立的預(yù)測模型提供了數(shù)據(jù)支持.

    1.2 風(fēng)向法數(shù)據(jù)處理

    首先對每一張100×100的回波強(qiáng)度雷達(dá)圖,利用池化操作將其轉(zhuǎn)化為25×25的數(shù)據(jù),然后利用前一時(shí)刻的數(shù)據(jù)和當(dāng)前時(shí)刻的數(shù)據(jù)計(jì)算出風(fēng)向,最后利用風(fēng)向從25×25的數(shù)據(jù)中選取出17×17的數(shù)據(jù).

    1)平均池化

    對每張100×100的回波強(qiáng)度雷達(dá)圖,以步長為2,對每個(gè)2×2區(qū)域都進(jìn)行平均,最后得到50×50的數(shù)據(jù),如圖2所示.

    2)最大池化

    對平均池化后得到的50×50的數(shù)據(jù),以步長為2,對每個(gè)2×2區(qū)域都取最大值,最后得到25×25的數(shù)據(jù),如圖3所示.

    3)計(jì)算風(fēng)向

    首先對上面得到的25×25的數(shù)據(jù),計(jì)算其中最大5個(gè)數(shù)的平均位置.然后根據(jù)前一時(shí)刻的位置和當(dāng)前時(shí)刻的位置決定風(fēng)向,可能的風(fēng)向有12個(gè),分別是:西—東、西—南、西—北、東—西、東—南、東—北、北—南、北—西、北—東、南—北、南—西、南—東.

    4)選取區(qū)域

    直觀上,陰雨云會(huì)向著風(fēng)的方向運(yùn)動(dòng),這就意味著根據(jù)風(fēng)向選取區(qū)域會(huì)使預(yù)測更加精準(zhǔn),因此本文從25×25的數(shù)據(jù)抽取出17×17的數(shù)據(jù).

    對于不同的風(fēng)向,抽取不同的區(qū)域.若風(fēng)向是西—東,則選擇[4:21,0:17]的區(qū)域;若風(fēng)向是西—南,則選擇[6:23,0:17]的區(qū)域;若風(fēng)向是西—北,則選擇[2:19,0:17]的區(qū)域;若風(fēng)向是東—西,則選擇[4:21,8:25]的區(qū)域;若風(fēng)向是東—南,則選擇[6:23,8:25]的區(qū)域;若風(fēng)向是東—北,則選擇[2:19,8:25]的區(qū)域;若風(fēng)向是北—南,則選擇[0:17,4:21]的區(qū)域;若風(fēng)向是北—西,則選擇[0:17,2:19]的區(qū)域;若風(fēng)向是北—東,則選擇[0:17,6:23]的區(qū)域;若風(fēng)向是南—北,則選擇[8:25,4:21]的區(qū)域;若風(fēng)向是南—西,則選擇[8:25,2:19]的區(qū)域;若風(fēng)向是南—東,則選擇[8:25,6:23]的區(qū)域.

    2 研究的理論與方法

    2.1 隨機(jī)森林模型

    隨機(jī)森林模型是由多個(gè)相互獨(dú)立的CART決策樹結(jié)合而成的建模方法,該模型既能被用來解決分類問題,也能被用來解決回歸問題[10],能在運(yùn)算量沒有顯著提高的前提下提高預(yù)測精度.若待預(yù)測的變量為類別變量,則隨機(jī)森林的最終結(jié)果由所有CART決策樹投票決定;若待預(yù)測的變量為數(shù)值變量,則隨機(jī)森林的最終結(jié)果是所有CART決策樹的平均值[11].其中每棵CART決策樹的訓(xùn)練數(shù)據(jù)是由自助法(bootstrap)獲得的,也就是從原始數(shù)據(jù)集中有放回地重復(fù)隨機(jī)抽取數(shù)據(jù)放入訓(xùn)練數(shù)據(jù)集中,因此,每棵決策樹的訓(xùn)練數(shù)據(jù)各不相同[12].隨機(jī)森林算法原理框架如圖4所示.

    2.2 BP神經(jīng)網(wǎng)絡(luò)模型

    BP神經(jīng)網(wǎng)絡(luò)[13]是一種按誤差反向傳播(簡稱誤差反傳)訓(xùn)練的多層前饋網(wǎng)絡(luò),其基本思想是梯度下降法,利用梯度搜索技術(shù),以使得網(wǎng)絡(luò)的實(shí)際輸出值和期望輸出值的誤差均方差為最小.而其逆向傳播算法的基本原理是通過迭代處理訓(xùn)練元組的數(shù)據(jù)集,將每一個(gè)元組經(jīng)過神經(jīng)網(wǎng)絡(luò)模型處理后的輸出結(jié)果與訓(xùn)練集中已經(jīng)給定的響應(yīng)變量值進(jìn)行比較,并計(jì)算誤差,從而根據(jù)誤差對每一層的權(quán)重與偏置項(xiàng)進(jìn)行調(diào)整.上述過程循環(huán)進(jìn)行,直到滿足停止條件為止.

    假設(shè)訓(xùn)練數(shù)據(jù)集為{(x(1),y(1)),(x(2),y(2)),…,(x(m),y(m))},采用批量更新的方法,這m個(gè)數(shù)據(jù)的相應(yīng)總誤差為

    其中L(i)為單個(gè)樣本的誤差,其定義如下:

    其中dk(i)為樣本i輸出層節(jié)點(diǎn)k的輸出,而yk(i)為其真實(shí)值.因此有

    誤差逆向傳播的每次迭代都是沿著誤差相對權(quán)重值的負(fù)梯度方向來更新:

    由于BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力太強(qiáng),容易產(chǎn)生過擬合問題.可以采取兩種方法來解決過擬合問題:

    1)早停.通過對訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練,學(xué)習(xí)調(diào)整各個(gè)權(quán)重和偏置項(xiàng),將驗(yàn)證數(shù)據(jù)集輸入模型計(jì)算誤差,如果驗(yàn)證數(shù)據(jù)集的誤差隨著訓(xùn)練數(shù)據(jù)集誤差的降低反而升高,那么就停止訓(xùn)練,返回此時(shí)權(quán)重和偏置項(xiàng).

    2)正則化.其基本思想是在誤差函數(shù)中加入反映模型復(fù)雜程度的指標(biāo),使得模型不要任意擬合訓(xùn)練數(shù)據(jù)中的噪聲.

    常用的指標(biāo)有兩種,一種是L1范數(shù),其中wi表示權(quán)重:

    另一種是L2范數(shù):

    2.3 卷積神經(jīng)網(wǎng)絡(luò)模型

    卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一種前饋神經(jīng)網(wǎng)絡(luò),人工神經(jīng)元可以響應(yīng)周圍單元,可以進(jìn)行大型圖像處理,其主要是由輸入層、卷積層、池化層、全連接層和輸出層構(gòu)成的,卷積層和池化層是特征提取的關(guān)鍵,并且在前幾層中交替出現(xiàn)[14].

    卷積神經(jīng)網(wǎng)絡(luò)具有如下3個(gè)優(yōu)勢特性.

    1)局部感知

    1962年,Hubel等發(fā)現(xiàn)貓腦皮層的神經(jīng)元有局部感知的特點(diǎn),從而提出了感知野的概念[15].1982年,F(xiàn)ukushima等基于感知野建立了神經(jīng)認(rèn)知機(jī)模型[16],Lecun等[17]受其啟發(fā)建立了有局部連接特性的卷積神經(jīng)網(wǎng)絡(luò),其中所提到的局部連接指的是下一層中的每個(gè)節(jié)點(diǎn)都只與當(dāng)前層的部分節(jié)點(diǎn)相連,從而大幅度地減少了權(quán)重的個(gè)數(shù).

    2)權(quán)重共享

    雖然通過局部感知能大幅度地減少權(quán)重的個(gè)數(shù),但權(quán)重個(gè)數(shù)仍然過多,于是權(quán)重共享的方法[18]被提出,其原理是:從大尺寸圖像中選取一小部分,從這部分中學(xué)習(xí)到一些有用的特征,這樣就可以把這個(gè)操作在大尺寸圖像中的任何地方使用.

    卷積神經(jīng)網(wǎng)絡(luò)利用卷積操作實(shí)現(xiàn)局部感知和權(quán)值共享,而卷積操作則利用卷積核實(shí)現(xiàn),如圖5所示,其計(jì)算公式如下:

    其中,f是激活函數(shù),Wi是卷積核的權(quán)重值,b是偏置項(xiàng).

    但單個(gè)卷積核只能學(xué)習(xí)到一種特征,因此,卷積神經(jīng)網(wǎng)絡(luò)中每一個(gè)卷積層都會(huì)有多個(gè)卷積核,從而充分提取多種特征.

    3)下采樣

    實(shí)現(xiàn)局部連接和權(quán)重共享后,即使卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重?cái)?shù)量已經(jīng)降低到合理范圍內(nèi),但卷積神經(jīng)網(wǎng)絡(luò)的特征矩陣往往還會(huì)出現(xiàn)過大問題,這不僅導(dǎo)致計(jì)算量增大,還容易造成過擬合.為此,在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上又提出了下采樣方法.它一般在卷積層之后,對卷積層的輸出分別通過平均池化或最大池化法進(jìn)行統(tǒng)計(jì),也就是計(jì)算平均值或者最大值這兩種方式進(jìn)行統(tǒng)計(jì),所以下采樣又稱為池化.圖6顯示了2×2的最大池化的過程.

    3 預(yù)測模型

    3.1 隨機(jī)森林建模分析

    我們首先選取原始雷達(dá)回波數(shù)據(jù)和降雨量數(shù)據(jù)的前90%作為訓(xùn)練數(shù)據(jù)集,后10%作為測試數(shù)據(jù)集.通過控制變量的方法,在分裂節(jié)點(diǎn)抽取的特征數(shù)為總特征數(shù)的10%~90%、CART決策樹的棵數(shù)從0到100變化時(shí),觀察模型均方誤差的變化情況.結(jié)果如圖7—11所示,圖中橫坐標(biāo)為CART決策樹的棵數(shù),縱坐標(biāo)為模型的均方誤差.

    從圖7—11中可以看出,對于不同的特征數(shù),模型的均方誤差都是隨著CART決策樹的增加先降低而后趨于平穩(wěn).其中,從圖7可以看到,當(dāng)分裂節(jié)點(diǎn)抽取的特征數(shù)為總特征數(shù)的10%時(shí),CART決策樹的棵數(shù)取25可以使模型的均方誤差達(dá)到最小,最小值為1.78;從圖8可以看到,當(dāng)分裂節(jié)點(diǎn)抽取的特征數(shù)為總特征數(shù)的30%時(shí),CART決策樹的棵數(shù)取15可以使模型的均方誤差達(dá)到最小,最小值為1.82;從圖9可以看到,當(dāng)分裂節(jié)點(diǎn)抽取的特征數(shù)為總特征數(shù)的50%時(shí),CART決策樹的棵數(shù)取15可以使模型的均方誤差達(dá)到最小,最小值為1.89;從圖10可以看到,當(dāng)分裂節(jié)點(diǎn)抽取的特征數(shù)為總特征數(shù)的70%時(shí),CART決策樹的棵數(shù)取97可以使模型的均方誤差達(dá)到最小,最小值為1.89;從圖11可以看到,當(dāng)分裂節(jié)點(diǎn)抽取的特征數(shù)為總特征數(shù)的90%時(shí),CART決策樹的棵數(shù)取55可以使模型的均方誤差達(dá)到最小,最小值為1.93.經(jīng)過綜合,本文隨機(jī)森林模型中節(jié)點(diǎn)分裂時(shí)隨機(jī)抽取特征數(shù)為總特征數(shù)的10%,而模型規(guī)模即CART決策樹的棵數(shù)為25.

    使用訓(xùn)練數(shù)據(jù)構(gòu)建完模型后,還需要評估模型的泛化能力.驗(yàn)證模型泛化能力主要是將模型作用于測試數(shù)據(jù)集,比較模型預(yù)測值與測試數(shù)據(jù)實(shí)際值之間的差異,差異越小則說明模型泛化能力越好.我們將構(gòu)建好的隨機(jī)森林模型應(yīng)用于測試數(shù)據(jù)集,得到模型預(yù)測結(jié)果與測試數(shù)據(jù)實(shí)際值的散點(diǎn)圖以及殘差圖分別如圖12和圖13所示.從圖中可以看出,隨機(jī)森林方法雖然對低降雨強(qiáng)度擬合較好,但容易低估較大的降雨強(qiáng)度.

    3.2 BP神經(jīng)網(wǎng)絡(luò)建模分析

    3.2.1 數(shù)據(jù)歸一化

    數(shù)據(jù)在輸入BP神經(jīng)網(wǎng)絡(luò)之前必須要進(jìn)行數(shù)據(jù)歸一化,也就是將數(shù)據(jù)映射到[0,1]區(qū)間或更小的區(qū)間.本文采用最小最大法將數(shù)據(jù)映射到[0,1]區(qū)間,轉(zhuǎn)換函數(shù)的定義如下:

    3.2.2 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

    1)網(wǎng)絡(luò)層數(shù)的設(shè)計(jì)

    具有單隱含層的BP神經(jīng)網(wǎng)絡(luò)可以擬合任意函數(shù),增加隱藏層雖可進(jìn)一步降低誤差,但隨著層數(shù)的增加,會(huì)導(dǎo)致梯度消失和梯度爆炸的問題,模型反而更易得到局部最優(yōu)解.因此經(jīng)多次試驗(yàn)后選用包含兩個(gè)隱含層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò).

    2)輸入層和輸出層的設(shè)計(jì)

    輸入層以及輸出層的節(jié)點(diǎn)數(shù)分別由樣本、響應(yīng)變量的特征個(gè)數(shù)決定.本文的目標(biāo)是對氣象站未來1 h累計(jì)降雨量進(jìn)行預(yù)測,所涉及的樣本、響應(yīng)變量的特征個(gè)數(shù)分別為17×17×6=1 774個(gè)以及1個(gè),所以輸入層、輸出層的節(jié)點(diǎn)數(shù)分別為1 774及1.

    3)隱含層節(jié)點(diǎn)數(shù)目設(shè)計(jì)

    隱含層最佳節(jié)點(diǎn)數(shù)的確定是一個(gè)難點(diǎn),若隱含層節(jié)點(diǎn)數(shù)過少,則會(huì)導(dǎo)致欠擬合問題的出現(xiàn);若隱含層節(jié)點(diǎn)數(shù)過多,則很有可能出現(xiàn)過擬合問題,且訓(xùn)練時(shí)間大大增加.所以本文考慮在一定的范圍內(nèi),先訓(xùn)練包含較少隱含層節(jié)點(diǎn)的BP神經(jīng)網(wǎng)絡(luò),然后逐漸增加,當(dāng)訓(xùn)練誤差達(dá)到最小時(shí)對應(yīng)的節(jié)點(diǎn)數(shù)就是最佳的節(jié)點(diǎn)數(shù).本文對1~50個(gè)隱藏層節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò)進(jìn)行均方誤差比較,具體結(jié)果如圖14所示,訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的均方誤差都是先下降然后趨于平穩(wěn),說明模型性能良好.可以看出,當(dāng)節(jié)點(diǎn)數(shù)大于32時(shí),測試數(shù)據(jù)的均方誤差開始趨于平穩(wěn),因此我們將隱藏層節(jié)點(diǎn)設(shè)置為32.

    3.2.3 初始化參數(shù)的選取

    1)初始權(quán)重值和偏置項(xiàng)的選取

    由于BP神經(jīng)網(wǎng)絡(luò)具有高度非線性,導(dǎo)致其誤差曲面是非凸的,包含局部極小值點(diǎn),故初始權(quán)重值和偏置項(xiàng)的選取要在零點(diǎn)左右.且初始權(quán)重值和偏置項(xiàng)的選取還決定了模型的初始訓(xùn)練誤差及其之后的變化.因此,本文限制初始權(quán)重值和偏置項(xiàng)在標(biāo)準(zhǔn)正態(tài)分布的2倍標(biāo)準(zhǔn)差之內(nèi).

    2)學(xué)習(xí)次數(shù)

    合適的學(xué)習(xí)次數(shù)能使預(yù)測的精度更高,但是一味地增加學(xué)習(xí)次數(shù)只會(huì)使預(yù)測的精度降低.本文先設(shè)置模型的最優(yōu)隱含層節(jié)點(diǎn)數(shù)為32,然后設(shè)置學(xué)習(xí)次數(shù)從1~500,結(jié)果如圖15所示.

    從圖15中可以看出,神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練集數(shù)據(jù)下的均方誤差隨模型學(xué)習(xí)次數(shù)增多而減小,而模型在測試數(shù)據(jù)集下的均方誤差并沒有隨著學(xué)習(xí)次數(shù)增加而一直下降,而是先下降然后緩慢增加,這是由于過擬合導(dǎo)致的.由于均方誤差在170次后開始緩慢增加,因此將BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)次數(shù)設(shè)為170.

    3)期望誤差的選取

    所謂期望誤差,是根據(jù)當(dāng)前實(shí)際情況對訓(xùn)練誤差給定的閾值,若訓(xùn)練誤差達(dá)到了這個(gè)值就停止訓(xùn)練.這是由于,若是給定的誤差過小使得神經(jīng)網(wǎng)絡(luò)難以達(dá)到,就會(huì)導(dǎo)致訓(xùn)練次數(shù)過多,發(fā)生過擬合現(xiàn)象;若是給定的誤差過大則會(huì)使得神經(jīng)網(wǎng)絡(luò)過早地停止學(xué)習(xí),難以達(dá)到最高的精度.通過多次的實(shí)驗(yàn)觀察,我們將期望誤差設(shè)定為1.1.

    4)學(xué)習(xí)步長(速率)與梯度下降方法

    由于學(xué)習(xí)步長與梯度下降方法不僅影響著各個(gè)權(quán)重和偏置項(xiàng)的變化,同時(shí)影響著BP神經(jīng)網(wǎng)絡(luò)的收斂速度,所以學(xué)習(xí)步長與梯度下降方法的選擇也尤為重要.學(xué)習(xí)步長設(shè)定過大,則可能會(huì)導(dǎo)致BP神經(jīng)網(wǎng)絡(luò)不穩(wěn)定;而學(xué)習(xí)步長設(shè)定過小,雖能避免出現(xiàn)網(wǎng)絡(luò)不穩(wěn)定的問題,但會(huì)導(dǎo)致訓(xùn)練時(shí)間過長,甚至出現(xiàn)不能收斂的問題.對于復(fù)雜的BP神經(jīng)網(wǎng)絡(luò),好的梯度下降方法應(yīng)該可以自適應(yīng)地設(shè)置學(xué)習(xí)步長,加速收斂進(jìn)度,避免落入局部極小值.根據(jù)多次實(shí)驗(yàn),本文選擇Adam梯度下降方法,并將學(xué)習(xí)步長設(shè)定為0.000 5.

    經(jīng)過上述多次實(shí)驗(yàn),對BP神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行調(diào)整,最終確定模型的隱含層節(jié)點(diǎn)個(gè)數(shù)、學(xué)習(xí)次數(shù)分別為32、170,同時(shí)將初始權(quán)重值和偏置項(xiàng)限制在標(biāo)準(zhǔn)正態(tài)分布的2倍標(biāo)準(zhǔn)差之內(nèi),并將期望誤差、學(xué)習(xí)速率分別確定為1.1、0.000 5,而選Adam方法為梯度下降方法,選擇Relu函數(shù)作為激活函數(shù).據(jù)此構(gòu)建BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型,得到圖16—18.

    從圖16可以看到,測試數(shù)據(jù)的均方誤差隨著訓(xùn)練數(shù)據(jù)均方誤差的降低而降低,表明該模型相當(dāng)理想.圖17顯示了降雨量真實(shí)值與預(yù)測值的散點(diǎn)圖,降雨量真實(shí)值與預(yù)測值形成的散點(diǎn)基本分布在y=x周圍,最終降雨量真實(shí)值與預(yù)測值的均方誤差為1.16,表明模型擬合效果較好.結(jié)合散點(diǎn)圖和殘差圖,與隨機(jī)森林模型相比,BP神經(jīng)網(wǎng)絡(luò)模型對較大的降雨強(qiáng)度擬合得更好.

    3.3 卷積神經(jīng)網(wǎng)絡(luò)建模分析

    依據(jù)卷積神經(jīng)網(wǎng)絡(luò)原理,可以設(shè)計(jì)如圖19所示的降雨量預(yù)測卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),它包括了一個(gè)輸入層、兩個(gè)卷積層、兩個(gè)池化層、兩個(gè)全連接層和一個(gè)輸出層.

    由于每一小時(shí)的累計(jì)降雨量對應(yīng)6個(gè)雷達(dá)回波強(qiáng)度圖像,所以需對每個(gè)雷達(dá)回波強(qiáng)度圖像做如下處理:歸一化的數(shù)據(jù)經(jīng)過輸入層后,傳遞到第一層卷積層,通過卷積操作和激活函數(shù)的處理后再輸出到池化層,池化層下采樣處理后再輸出到下一個(gè)卷積層;繼續(xù)通過卷積操作和激活函數(shù)的處理后再輸出到下一個(gè)池化層,池化層下采樣處理后的結(jié)果拉伸為一維數(shù)據(jù)后再通過第一個(gè)全連接層,經(jīng)激活函數(shù)處理后得到輸出數(shù)據(jù).

    6個(gè)二維數(shù)組通過上述操作后,經(jīng)由合并處理后再通過第二個(gè)全連接層,并經(jīng)激活函數(shù)處理,通過輸出層得到一個(gè)預(yù)測值.

    本文利用Python與Tensorflow框架編寫代碼,將初始權(quán)重值和偏置項(xiàng)限制在標(biāo)準(zhǔn)正態(tài)分布的2倍標(biāo)準(zhǔn)差之內(nèi),期望誤差、學(xué)習(xí)速率分別設(shè)置為0.7、0.000 5,同時(shí)選擇Adam方法為梯度下降方法,Relu函數(shù)為激活函數(shù).此外,第一卷積層設(shè)置的卷積核尺寸為2×2,個(gè)數(shù)為20個(gè),步長為1;池化層采用的是最大化采樣,核尺寸為2×2,步長為2.第二卷積層的卷積核尺寸設(shè)置為2×2,個(gè)數(shù)為20個(gè),步長為1,其池化層同樣通過最大化采樣,相應(yīng)的核尺寸為2×2,步長為2.此外,所有全連接層節(jié)點(diǎn)個(gè)數(shù)都是125.

    據(jù)此構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)降雨量預(yù)測模型得到圖20—22.從圖20可以看出,隨著學(xué)習(xí)次數(shù)的增加,測試數(shù)據(jù)和訓(xùn)練數(shù)據(jù)的均方誤差都是先降低然后趨于平穩(wěn),同樣表明模型相當(dāng)理想.而從圖21可以看出,降雨量真實(shí)值與預(yù)測值形成的散點(diǎn)基本分布在y=x周圍,最終降雨量真實(shí)值與預(yù)測值的均方誤差為0.79,表明模型擬合效果較好.結(jié)合散點(diǎn)圖和殘差圖,與隨機(jī)森林模型和BP神經(jīng)網(wǎng)絡(luò)模型相比,卷積神經(jīng)網(wǎng)絡(luò)模型的預(yù)測值與真實(shí)值更加接近,且對較大的降雨強(qiáng)度擬合較好.

    4 模型預(yù)測對比

    本文基于國內(nèi)外學(xué)者的研究,分別選取了隨機(jī)森林、BP神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)降雨量預(yù)測模型進(jìn)行建模分析.這3種模型各有優(yōu)缺點(diǎn):隨機(jī)森林方法簡單高效,但對某些有特定噪聲的數(shù)據(jù)進(jìn)行建模時(shí)可能會(huì)出現(xiàn)過度擬合;BP神經(jīng)網(wǎng)絡(luò)相對隨機(jī)森林預(yù)測效果較好,但可解釋性差且參數(shù)數(shù)量龐大;卷積神經(jīng)網(wǎng)絡(luò)在回歸預(yù)測方面的應(yīng)用較少,但它能夠極大地減少復(fù)雜模型參數(shù)的數(shù)量,能夠更好地挖掘特征變量之間的關(guān)系,但也有解釋性差的缺點(diǎn).在上述建模分析的基礎(chǔ)上,我們利用上述的3個(gè)模型分別對測試集數(shù)據(jù)進(jìn)行預(yù)測,預(yù)測結(jié)果如表1所示,而部分日期降雨實(shí)際情況和預(yù)測情況如圖23—25所示.

    在表1中,從日均方誤差可以看出,隨機(jī)森林降雨量預(yù)測模型和BP神經(jīng)網(wǎng)絡(luò)降雨量預(yù)測模型的日均方誤差波動(dòng)較大,而卷積神經(jīng)網(wǎng)絡(luò)降雨量預(yù)測模型的日均方誤差波動(dòng)相對較小.從圖23—25可以更直觀地發(fā)現(xiàn),3個(gè)降雨量預(yù)測模型對于降雨量的趨勢擬合得都較好,其中卷積神經(jīng)網(wǎng)絡(luò)降雨量預(yù)測模型的預(yù)測精度最高,BP神經(jīng)網(wǎng)絡(luò)降雨量預(yù)測模型次之,隨機(jī)森林降雨量預(yù)測模型相對最差.

    表1 降雨量預(yù)測均方誤差比較Table 1 MSE comparison of rainfall prediction

    不過上述3個(gè)模型對較大降雨量的預(yù)測都不是特別好,其中隨機(jī)森林模型最容易低估降雨量,BP神經(jīng)網(wǎng)絡(luò)次之,卷積神經(jīng)網(wǎng)絡(luò)相對好點(diǎn).主要原因有以下幾個(gè):一是數(shù)據(jù)的質(zhì)量,本文中的數(shù)據(jù)是回波強(qiáng)度雷達(dá)拼圖,是由多個(gè)雷達(dá)站的雷達(dá)圖拼接而成,而不同雷達(dá)站的仰角不同,這就會(huì)使得回波強(qiáng)度的數(shù)據(jù)是在不同高度上進(jìn)行拼接的,所以對降雨量的預(yù)測也是有影響的;二是樣本的大小,本文的訓(xùn)練數(shù)據(jù)量為2 181個(gè),遠(yuǎn)遠(yuǎn)達(dá)不到大樣本的要求,而神經(jīng)網(wǎng)絡(luò)需要有大樣本的支撐;三是模型的應(yīng)用,卷積神經(jīng)網(wǎng)絡(luò)模型在回歸預(yù)測方面應(yīng)用很少,相關(guān)研究還不成熟.

    5 結(jié)論與政策建議

    降雨作為氣象的重要組成部分,時(shí)刻影響著人們的生活,尤其對農(nóng)業(yè)有著重要的影響,因此,準(zhǔn)確地預(yù)測降雨量具有重要的科學(xué)意義和現(xiàn)實(shí)意義.

    本文在國內(nèi)外學(xué)者研究的基礎(chǔ)上,對逐10 min的雷達(dá)回波強(qiáng)度數(shù)據(jù)以及氣象站的逐小時(shí)降雨量數(shù)據(jù),分別研究了隨機(jī)森林、BP神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)在雷達(dá)預(yù)測降水量中的應(yīng)用,從數(shù)據(jù)分析可以得出以下結(jié)論:

    1)3個(gè)降雨量預(yù)測模型對于降雨量的趨勢擬合得都較好,其中BP神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)降雨量預(yù)測模型的預(yù)測精度都要高于隨機(jī)森林降雨量預(yù)測模型,卷積神經(jīng)網(wǎng)絡(luò)降雨量預(yù)測模型相對BP神經(jīng)網(wǎng)絡(luò)降雨量預(yù)測模型效果要更好.

    2)相比于隨機(jī)森林降雨量預(yù)測模型,卷積神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)降雨量預(yù)測模型每小時(shí)累計(jì)降水量預(yù)測值與實(shí)測值較為吻合,即使降水強(qiáng)度較大時(shí),估測值與實(shí)測值的誤差也相對較小,而隨機(jī)森林降雨量預(yù)測模型對累計(jì)降雨量大于5 mm/h時(shí)會(huì)出現(xiàn)明顯的低估.

    3)神經(jīng)網(wǎng)絡(luò)很適合大數(shù)據(jù)的機(jī)器學(xué)習(xí),在數(shù)據(jù)量足夠多的情況下要優(yōu)于隨機(jī)森林.卷積神經(jīng)網(wǎng)絡(luò)由于存在局部感知,相對BP神經(jīng)網(wǎng)絡(luò)更能提取空間信息,因此對具有很強(qiáng)空間關(guān)系的降雨量預(yù)測較好.神經(jīng)網(wǎng)絡(luò)所特有的非線性特性很適合氣象數(shù)據(jù)研究,但其結(jié)構(gòu)和參數(shù)的選取十分關(guān)鍵,若選取不合理,模型的預(yù)測功能就會(huì)大打折扣.

    猜你喜歡
    均方降雨量卷積
    一類隨機(jī)積分微分方程的均方漸近概周期解
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    降雨量與面積的關(guān)系
    Beidou, le système de navigation par satellite compatible et interopérable
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    洞庭湖區(qū)降雨特性分析
    基于抗差最小均方估計(jì)的輸電線路參數(shù)辨識(shí)
    基于隨機(jī)牽制控制的復(fù)雜網(wǎng)絡(luò)均方簇同步
    一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識(shí)別方法
    欧美大码av| 精品福利观看| 欧美日韩亚洲高清精品| 久久毛片免费看一区二区三区| 成人免费观看视频高清| 成年人黄色毛片网站| 少妇人妻久久综合中文| 久久青草综合色| 下体分泌物呈黄色| 99久久人妻综合| 久久av网站| 男女下面插进去视频免费观看| 香蕉国产在线看| 国产成人啪精品午夜网站| 日日夜夜操网爽| 美女福利国产在线| 免费在线观看日本一区| 亚洲色图综合在线观看| 免费在线观看日本一区| 国产视频首页在线观看| 国产97色在线日韩免费| 人人妻人人澡人人看| 免费在线观看黄色视频的| 日本午夜av视频| 又大又黄又爽视频免费| 老司机午夜十八禁免费视频| 久久久精品国产亚洲av高清涩受| 国产麻豆69| 一级毛片 在线播放| 最新在线观看一区二区三区 | 亚洲精品乱久久久久久| 亚洲欧洲日产国产| 真人做人爱边吃奶动态| 另类精品久久| a级片在线免费高清观看视频| 亚洲七黄色美女视频| 亚洲欧美成人综合另类久久久| 中文字幕最新亚洲高清| 麻豆乱淫一区二区| 一个人免费看片子| 久久99一区二区三区| 日本vs欧美在线观看视频| 精品少妇久久久久久888优播| 亚洲精品一卡2卡三卡4卡5卡 | 一区二区日韩欧美中文字幕| 少妇裸体淫交视频免费看高清 | 大片电影免费在线观看免费| 丰满少妇做爰视频| 每晚都被弄得嗷嗷叫到高潮| 亚洲国产精品999| 国产精品久久久久久人妻精品电影 | 青春草视频在线免费观看| 人体艺术视频欧美日本| 十分钟在线观看高清视频www| 日日摸夜夜添夜夜爱| 亚洲精品成人av观看孕妇| 亚洲国产看品久久| 天天操日日干夜夜撸| 十分钟在线观看高清视频www| 99久久综合免费| 老司机在亚洲福利影院| 久久亚洲精品不卡| 色精品久久人妻99蜜桃| 搡老乐熟女国产| 五月天丁香电影| 成年av动漫网址| 在线精品无人区一区二区三| 午夜av观看不卡| 亚洲精品国产一区二区精华液| 丁香六月欧美| 乱人伦中国视频| 九草在线视频观看| 亚洲av成人精品一二三区| 亚洲精品久久午夜乱码| 中文字幕亚洲精品专区| 90打野战视频偷拍视频| 免费在线观看黄色视频的| 亚洲欧洲国产日韩| 操美女的视频在线观看| 大片电影免费在线观看免费| 婷婷丁香在线五月| 极品人妻少妇av视频| e午夜精品久久久久久久| 久久久久国产一级毛片高清牌| 男女国产视频网站| 久久精品久久精品一区二区三区| 99九九在线精品视频| 久久久久国产精品人妻一区二区| 亚洲精品中文字幕在线视频| 国产野战对白在线观看| 午夜福利乱码中文字幕| 高清视频免费观看一区二区| 国产av精品麻豆| 精品一区二区三区四区五区乱码 | 国产精品 欧美亚洲| 高清欧美精品videossex| 纯流量卡能插随身wifi吗| 亚洲av美国av| 欧美精品人与动牲交sv欧美| 国产一区二区 视频在线| 秋霞在线观看毛片| 黄片小视频在线播放| 亚洲精品自拍成人| 黄色怎么调成土黄色| 热re99久久精品国产66热6| kizo精华| 免费女性裸体啪啪无遮挡网站| 色网站视频免费| 国产成人精品久久二区二区免费| 黑人猛操日本美女一级片| 老司机午夜十八禁免费视频| 亚洲国产欧美在线一区| 国产精品秋霞免费鲁丝片| 久久鲁丝午夜福利片| 亚洲av成人不卡在线观看播放网 | 一区二区三区激情视频| 涩涩av久久男人的天堂| 国产成人一区二区在线| 一级片免费观看大全| 汤姆久久久久久久影院中文字幕| 精品久久久久久久毛片微露脸 | 美女视频免费永久观看网站| 国产亚洲一区二区精品| 最新在线观看一区二区三区 | 久久久久久久精品精品| 国产人伦9x9x在线观看| 亚洲免费av在线视频| 美女脱内裤让男人舔精品视频| videosex国产| 国产高清不卡午夜福利| 中文字幕人妻丝袜制服| 国产精品偷伦视频观看了| 极品人妻少妇av视频| 免费久久久久久久精品成人欧美视频| 国产一区二区 视频在线| 国产在视频线精品| 美女国产高潮福利片在线看| 又紧又爽又黄一区二区| 999久久久国产精品视频| 久久精品熟女亚洲av麻豆精品| 成人亚洲精品一区在线观看| 亚洲精品自拍成人| 可以免费在线观看a视频的电影网站| 国产精品熟女久久久久浪| 少妇精品久久久久久久| 黄片小视频在线播放| 国产精品二区激情视频| 岛国毛片在线播放| 18禁国产床啪视频网站| 国产欧美日韩精品亚洲av| 99精国产麻豆久久婷婷| 亚洲人成电影观看| 视频区图区小说| e午夜精品久久久久久久| 中国国产av一级| 精品卡一卡二卡四卡免费| 热99国产精品久久久久久7| 日韩 亚洲 欧美在线| 亚洲专区中文字幕在线| 成人午夜精彩视频在线观看| 九草在线视频观看| 51午夜福利影视在线观看| 欧美人与性动交α欧美精品济南到| 黄色怎么调成土黄色| 久久久久久免费高清国产稀缺| 久久毛片免费看一区二区三区| 日韩大码丰满熟妇| 欧美久久黑人一区二区| 亚洲国产成人一精品久久久| 看十八女毛片水多多多| 国产精品人妻久久久影院| 9191精品国产免费久久| 亚洲图色成人| 久久人妻福利社区极品人妻图片 | av线在线观看网站| 成年美女黄网站色视频大全免费| 国产视频首页在线观看| 老熟女久久久| 欧美精品一区二区大全| 亚洲色图综合在线观看| 日韩制服丝袜自拍偷拍| 亚洲国产精品一区二区三区在线| 黄片播放在线免费| 欧美日韩黄片免| 国产在线免费精品| 十分钟在线观看高清视频www| 色婷婷久久久亚洲欧美| 亚洲视频免费观看视频| 如日韩欧美国产精品一区二区三区| 亚洲 欧美一区二区三区| 亚洲欧美一区二区三区国产| 婷婷色av中文字幕| 黑人巨大精品欧美一区二区蜜桃| 波多野结衣av一区二区av| 大香蕉久久网| 日本色播在线视频| 国产成人啪精品午夜网站| 爱豆传媒免费全集在线观看| 王馨瑶露胸无遮挡在线观看| 国产亚洲一区二区精品| 亚洲欧美激情在线| 国产精品久久久久久精品电影小说| 秋霞在线观看毛片| 国产欧美日韩一区二区三区在线| 波多野结衣av一区二区av| 欧美精品高潮呻吟av久久| 国产在线一区二区三区精| 免费看不卡的av| 欧美日韩亚洲综合一区二区三区_| 最新的欧美精品一区二区| 女警被强在线播放| 亚洲精品国产色婷婷电影| 色婷婷久久久亚洲欧美| 精品亚洲乱码少妇综合久久| 久久久久精品人妻al黑| 亚洲国产精品一区二区三区在线| 又大又黄又爽视频免费| 青春草亚洲视频在线观看| 又黄又粗又硬又大视频| 亚洲一区中文字幕在线| 丝袜在线中文字幕| 亚洲av成人不卡在线观看播放网 | 亚洲欧美一区二区三区黑人| 日韩大码丰满熟妇| 免费不卡黄色视频| 国产成人啪精品午夜网站| 丝袜美足系列| 久久国产精品影院| 日韩制服丝袜自拍偷拍| 蜜桃在线观看..| 男女之事视频高清在线观看 | 久久中文字幕一级| 青草久久国产| 啦啦啦在线观看免费高清www| 国产99久久九九免费精品| 亚洲欧美精品综合一区二区三区| 国产在线一区二区三区精| 尾随美女入室| 成年人免费黄色播放视频| 欧美人与性动交α欧美软件| 一级毛片我不卡| 天天躁日日躁夜夜躁夜夜| 婷婷色综合www| 悠悠久久av| 日韩欧美一区视频在线观看| 国产亚洲欧美在线一区二区| 国产成人影院久久av| av网站在线播放免费| 丰满少妇做爰视频| 国产亚洲一区二区精品| 亚洲精品久久成人aⅴ小说| 男女之事视频高清在线观看 | √禁漫天堂资源中文www| 美国免费a级毛片| 精品国产一区二区三区四区第35| 日本午夜av视频| 老司机深夜福利视频在线观看 | 欧美成狂野欧美在线观看| 少妇猛男粗大的猛烈进出视频| 国产日韩欧美亚洲二区| 久久性视频一级片| a级毛片黄视频| 精品人妻熟女毛片av久久网站| e午夜精品久久久久久久| 老司机在亚洲福利影院| 日韩,欧美,国产一区二区三区| 日本vs欧美在线观看视频| 国产片特级美女逼逼视频| 午夜福利,免费看| 欧美日韩视频精品一区| 国产精品久久久久成人av| 午夜福利乱码中文字幕| 别揉我奶头~嗯~啊~动态视频 | 涩涩av久久男人的天堂| 国产成人影院久久av| 啦啦啦中文免费视频观看日本| 亚洲精品一区蜜桃| 又大又爽又粗| 一区二区三区乱码不卡18| 一区福利在线观看| 观看av在线不卡| 99国产精品一区二区三区| 中文字幕人妻丝袜一区二区| 久久久久国产一级毛片高清牌| 天堂俺去俺来也www色官网| 国产熟女欧美一区二区| 搡老乐熟女国产| 国产在线一区二区三区精| 视频在线观看一区二区三区| www日本在线高清视频| 国产不卡av网站在线观看| 日本一区二区免费在线视频| 建设人人有责人人尽责人人享有的| 久久国产精品大桥未久av| 伦理电影免费视频| 国产一区有黄有色的免费视频| 后天国语完整版免费观看| 在现免费观看毛片| 精品久久久久久久毛片微露脸 | 热re99久久国产66热| 久热这里只有精品99| 美女主播在线视频| www日本在线高清视频| 亚洲久久久国产精品| 国产欧美日韩综合在线一区二区| 国产精品久久久久久精品电影小说| 精品人妻熟女毛片av久久网站| 成人国语在线视频| 亚洲精品中文字幕在线视频| 成年美女黄网站色视频大全免费| 啦啦啦中文免费视频观看日本| 国产精品麻豆人妻色哟哟久久| 又大又爽又粗| 女人爽到高潮嗷嗷叫在线视频| 少妇被粗大的猛进出69影院| 国产精品秋霞免费鲁丝片| 老司机在亚洲福利影院| 天天添夜夜摸| 校园人妻丝袜中文字幕| 久久精品aⅴ一区二区三区四区| 国产一区二区在线观看av| 九色亚洲精品在线播放| 中文字幕另类日韩欧美亚洲嫩草| 国精品久久久久久国模美| 一个人免费看片子| 国产麻豆69| 啦啦啦啦在线视频资源| 成人亚洲欧美一区二区av| 欧美大码av| 美女中出高潮动态图| 日本一区二区免费在线视频| 婷婷色av中文字幕| 18在线观看网站| 不卡av一区二区三区| 亚洲视频免费观看视频| 欧美日韩亚洲国产一区二区在线观看 | kizo精华| 精品久久蜜臀av无| 国产一级毛片在线| 交换朋友夫妻互换小说| av不卡在线播放| 大香蕉久久网| 黄片播放在线免费| 成年动漫av网址| 黄色片一级片一级黄色片| 美女国产高潮福利片在线看| 最近中文字幕2019免费版| 色视频在线一区二区三区| 久久毛片免费看一区二区三区| 最新在线观看一区二区三区 | 国产精品 国内视频| 99久久99久久久精品蜜桃| 精品少妇黑人巨大在线播放| 成人影院久久| av欧美777| 久久久久久亚洲精品国产蜜桃av| 韩国精品一区二区三区| 男人操女人黄网站| 丰满饥渴人妻一区二区三| 色网站视频免费| 啦啦啦中文免费视频观看日本| 欧美av亚洲av综合av国产av| 人人妻人人澡人人看| 丰满饥渴人妻一区二区三| 日本a在线网址| 午夜福利视频精品| 欧美黑人欧美精品刺激| 日韩制服骚丝袜av| 性色av一级| 男女免费视频国产| 在线观看免费高清a一片| 搡老岳熟女国产| 最黄视频免费看| 少妇 在线观看| 一级毛片黄色毛片免费观看视频| 精品国产国语对白av| 亚洲国产日韩一区二区| 激情五月婷婷亚洲| 午夜影院在线不卡| 亚洲国产欧美在线一区| 午夜影院在线不卡| 国产97色在线日韩免费| 亚洲成人免费av在线播放| 中文字幕人妻熟女乱码| 精品少妇一区二区三区视频日本电影| 精品福利永久在线观看| 美女国产高潮福利片在线看| 满18在线观看网站| 婷婷色综合www| 亚洲国产日韩一区二区| av网站在线播放免费| 亚洲av在线观看美女高潮| 后天国语完整版免费观看| 中文乱码字字幕精品一区二区三区| 午夜福利免费观看在线| 日韩免费高清中文字幕av| 亚洲精品美女久久久久99蜜臀 | 十八禁网站网址无遮挡| 精品一区在线观看国产| 成人午夜精彩视频在线观看| 一级片'在线观看视频| av在线app专区| 欧美成狂野欧美在线观看| 热99国产精品久久久久久7| 国产三级黄色录像| 欧美大码av| 国产淫语在线视频| 十分钟在线观看高清视频www| 狠狠精品人妻久久久久久综合| 日韩av在线免费看完整版不卡| 日本欧美国产在线视频| 亚洲av日韩在线播放| 少妇猛男粗大的猛烈进出视频| 欧美变态另类bdsm刘玥| 欧美中文综合在线视频| 无遮挡黄片免费观看| 亚洲av男天堂| 午夜免费成人在线视频| 亚洲人成电影免费在线| 老汉色∧v一级毛片| 国产成人一区二区三区免费视频网站 | √禁漫天堂资源中文www| 亚洲av在线观看美女高潮| 黄色片一级片一级黄色片| 国产精品一区二区在线观看99| 成年人黄色毛片网站| 丝袜美足系列| 少妇被粗大的猛进出69影院| 美女大奶头黄色视频| 精品一区二区三区av网在线观看 | 欧美激情高清一区二区三区| 国产成人欧美在线观看 | 精品一品国产午夜福利视频| 色精品久久人妻99蜜桃| 高潮久久久久久久久久久不卡| 亚洲伊人色综图| 99国产综合亚洲精品| 一本—道久久a久久精品蜜桃钙片| 欧美人与性动交α欧美软件| 精品视频人人做人人爽| 在线观看免费日韩欧美大片| 熟女少妇亚洲综合色aaa.| 老司机靠b影院| 香蕉丝袜av| 大片免费播放器 马上看| 国产91精品成人一区二区三区 | 亚洲免费av在线视频| 伊人久久大香线蕉亚洲五| 中文字幕人妻熟女乱码| 久久久久久免费高清国产稀缺| 国产成人啪精品午夜网站| 涩涩av久久男人的天堂| 亚洲伊人久久精品综合| 亚洲精品国产av蜜桃| 99香蕉大伊视频| 老汉色∧v一级毛片| 中文欧美无线码| 久久久久国产精品人妻一区二区| 欧美精品人与动牲交sv欧美| 亚洲欧美一区二区三区国产| 男的添女的下面高潮视频| 国产精品久久久久成人av| 国产有黄有色有爽视频| 国产免费一区二区三区四区乱码| 久久国产精品大桥未久av| 好男人视频免费观看在线| 中文字幕人妻丝袜一区二区| 精品少妇久久久久久888优播| 亚洲久久久国产精品| 国产视频首页在线观看| 欧美黄色片欧美黄色片| 国精品久久久久久国模美| 十八禁网站网址无遮挡| 校园人妻丝袜中文字幕| 黄色一级大片看看| 九草在线视频观看| netflix在线观看网站| 国产有黄有色有爽视频| 成年人午夜在线观看视频| 中国美女看黄片| 一级黄片播放器| 成年人黄色毛片网站| 亚洲专区中文字幕在线| 精品一区二区三区四区五区乱码 | 婷婷色综合大香蕉| 一区二区三区激情视频| 欧美日韩视频精品一区| 免费在线观看影片大全网站 | 久久国产精品影院| 亚洲一区二区三区欧美精品| 亚洲五月色婷婷综合| 国产精品久久久久久人妻精品电影 | 99热网站在线观看| 日本五十路高清| 女人精品久久久久毛片| 国产成人系列免费观看| 国产男女内射视频| 欧美激情 高清一区二区三区| xxxhd国产人妻xxx| 欧美激情极品国产一区二区三区| 夜夜骑夜夜射夜夜干| 国产成人精品久久久久久| 欧美国产精品va在线观看不卡| 男的添女的下面高潮视频| 亚洲熟女毛片儿| 别揉我奶头~嗯~啊~动态视频 | 亚洲九九香蕉| 国产精品久久久久成人av| 男女之事视频高清在线观看 | 午夜福利免费观看在线| 精品少妇内射三级| 国产熟女欧美一区二区| www日本在线高清视频| 亚洲欧美精品自产自拍| a级毛片黄视频| 成年美女黄网站色视频大全免费| 亚洲欧美中文字幕日韩二区| 亚洲国产精品一区二区三区在线| 国产精品99久久99久久久不卡| 男女边摸边吃奶| 国产精品久久久久久精品古装| 操出白浆在线播放| 老熟女久久久| 国产亚洲欧美精品永久| 亚洲第一青青草原| 啦啦啦中文免费视频观看日本| videosex国产| 手机成人av网站| 久久久亚洲精品成人影院| 国产精品国产三级国产专区5o| 制服诱惑二区| 黑人巨大精品欧美一区二区蜜桃| xxx大片免费视频| 精品人妻在线不人妻| 黄片播放在线免费| 精品久久久久久久毛片微露脸 | 欧美成人午夜精品| 久久九九热精品免费| 黄色 视频免费看| 女警被强在线播放| 波多野结衣av一区二区av| e午夜精品久久久久久久| 国产xxxxx性猛交| 欧美中文综合在线视频| av视频免费观看在线观看| 人人澡人人妻人| 精品人妻熟女毛片av久久网站| 黄色怎么调成土黄色| 色94色欧美一区二区| 99久久综合免费| 亚洲七黄色美女视频| 又紧又爽又黄一区二区| 免费高清在线观看视频在线观看| 老汉色∧v一级毛片| 国产成人免费观看mmmm| 久久天堂一区二区三区四区| 国产人伦9x9x在线观看| 看十八女毛片水多多多| 欧美性长视频在线观看| 日韩一本色道免费dvd| 国产亚洲av高清不卡| av福利片在线| 飞空精品影院首页| bbb黄色大片| 亚洲伊人色综图| 午夜激情久久久久久久| 老汉色av国产亚洲站长工具| 午夜日韩欧美国产| 欧美精品人与动牲交sv欧美| 丰满饥渴人妻一区二区三| 日本午夜av视频| av在线app专区| www.熟女人妻精品国产| 在线天堂中文资源库| 99国产精品一区二区三区| 丝袜人妻中文字幕| 午夜精品国产一区二区电影| 国产麻豆69| 男人添女人高潮全过程视频| 校园人妻丝袜中文字幕| 女性生殖器流出的白浆| 五月天丁香电影| 国产黄频视频在线观看| 精品国产超薄肉色丝袜足j| 在线观看免费午夜福利视频| 一个人免费看片子| 久久国产精品人妻蜜桃| 成人亚洲欧美一区二区av| 9热在线视频观看99| 午夜av观看不卡| 久久久久久久国产电影| av又黄又爽大尺度在线免费看| 人妻一区二区av| 精品高清国产在线一区| 久久中文字幕一级| 97人妻天天添夜夜摸| 国产色视频综合| 中文字幕制服av| 国产一区亚洲一区在线观看| 午夜免费男女啪啪视频观看| 国产视频首页在线观看| 高清视频免费观看一区二区| 日日摸夜夜添夜夜爱| 亚洲九九香蕉| 曰老女人黄片| 欧美成狂野欧美在线观看| 精品人妻一区二区三区麻豆| 男女高潮啪啪啪动态图| 国产欧美日韩精品亚洲av| 一本大道久久a久久精品| 国产伦人伦偷精品视频| 韩国高清视频一区二区三区| 日韩中文字幕视频在线看片| 成年动漫av网址| 丰满迷人的少妇在线观看|