• <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 ?

    利用采樣安全系數(shù)的多類不平衡過采樣算法*

    2020-10-15 01:45:26董明剛
    計算機(jī)與生活 2020年10期

    董明剛,劉 明,敬 超+

    1.桂林理工大學(xué)信息科學(xué)與工程學(xué)院,廣西桂林 541004

    2.廣西嵌入式技術(shù)與智能系統(tǒng)重點實驗室,廣西桂林 541004

    1 引言

    近年來,多類不平衡問題引起了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注,如癌癥檢測、故障檢查等。多類不平衡問題指的是個別類(小類)的樣本數(shù)量比其他類(大類)要少得多,并且小類更加重要,這對于傳統(tǒng)分類算法來說是一個巨大的挑戰(zhàn)[1-2];因為傳統(tǒng)分類算法都是針對平衡數(shù)據(jù)集或以誤判代價相等為前提的,因此它往往偏向于大類,這就導(dǎo)致了算法整體分類效果的下降[3]。

    多類不平衡學(xué)習(xí)問題主要有兩大類解決方法[1-2]:(1)算法級,例如代價敏感學(xué)習(xí)算法[3]、集成學(xué)習(xí)算法[4];(2)數(shù)據(jù)級,例如欠采樣算法[5](減少大類樣本的數(shù)量)、過采樣算法[6-14](增加小類樣本的數(shù)量)。盡管欠采樣和過采樣方法對解決多類不平衡問題都具有較好的效果,但欠采樣方法在刪除樣本時可能會損失重要的樣本信息,而過采樣算法不會遇到這種問題[9]。

    2002年,Chawla等提出了合成少數(shù)過采樣技術(shù)[6](synthetic minority oversampling technique,SMOTE)算法,通過在小類樣本點和同類近鄰之間合成樣本點來生成平衡數(shù)據(jù)集,取得了較好的效果,但它沒有對小類樣本點進(jìn)行區(qū)分性選擇,從而會出現(xiàn)過度泛化和加重類別邊界的重疊等問題。針對上述不足,學(xué)者們提出了大量的改進(jìn)算法。自適應(yīng)合成過采樣[7](adaptive synthetic sampling,ADASYN)通過學(xué)習(xí)難度來自適應(yīng)決定合成樣本點的數(shù)量,從而避免出現(xiàn)過度泛化問題。Han等提出的邊界線合成少數(shù)過采樣技術(shù)[8](borderline synthetic minority over-sampling technique,BSMOTE)只著重于決策邊界的小類樣本點,其他小類樣本點不合成樣本點。嚴(yán)遠(yuǎn)亭等提出了一種構(gòu)造性覆蓋算法的SMOTE過采樣方法[9],認(rèn)為被孤立的少數(shù)類樣本點也很重要,提出了基于覆蓋內(nèi)樣本點個數(shù)與基于覆蓋密度這兩種選擇關(guān)鍵樣本的方法來有效地選取典型的少數(shù)類樣本點進(jìn)行過采樣,從而有效地防止過度泛化。黃海松等提出了一種基于樣本特性的新型過采樣方式[10],它綜合考慮了數(shù)據(jù)集中不同類別的類內(nèi)距離、類間距離與不平衡度之間的關(guān)系,對數(shù)據(jù)集進(jìn)行距離帶劃分,可以很好地區(qū)分開不同類別,從而有效地防止了類別重疊問題。很多研究也將選擇權(quán)重與過采樣算法相結(jié)合,Barua等在2014年提出了大類加權(quán)小類過采樣技術(shù)[11](majority weighted minority oversampling technique,MWMOTE),該算法根據(jù)學(xué)習(xí)難度來計算權(quán)重,并且只在同一個聚類簇的范圍內(nèi)生成新的樣本點,可以有效地避免邊界重疊問題。Zhu等提出的多類不平衡過采樣[12](synthetic minority oversampling for multiclass,SMOM)技術(shù)則是考慮到了過度泛化問題,首先利用聚類方法對樣本點進(jìn)行劃分,再計算每個鄰域方向的權(quán)重,從而避免了過度泛化。

    綜上所述,盡管在多類不平衡學(xué)習(xí)上已經(jīng)取得了大量的優(yōu)異成果,但過度泛化問題和多類不平衡問題中更嚴(yán)重的類別重疊問題仍然沒有得到很好的解決,總體的分類性能還是稍顯不足,因此本文提出了一種利用采樣安全系數(shù)的多類不平衡過采樣(sampling safety coefficient for multi-class imbalance oversampling,SSCMIO)算法。首先利用樣本點的局部特性,本文提出了近鄰采樣安全系數(shù),為那些會產(chǎn)生過度泛化的鄰域方向分配較小的選擇權(quán)重,選擇那些較為安全的鄰域方向合成樣本點,從而避免過度泛化??紤]到多類不平衡問題更加嚴(yán)重的類別重疊問題,本文提出了反向近鄰采樣安全系數(shù),為那些異常的樣本點分配一個較小的選擇權(quán)重,從而避免合成樣本點侵入到其他類別區(qū)域,減輕多類不平衡數(shù)據(jù)集中更為嚴(yán)重的類別重疊問題。最后將SSCMIO算法與7種典型的過采樣算法對來自KEEL[15]和UCI[16]機(jī)器學(xué)習(xí)數(shù)據(jù)庫上的16個數(shù)據(jù)集進(jìn)行了預(yù)處理,使用基于C4.5決策樹的RIPPER[17]分類器進(jìn)行分類,結(jié)果表明經(jīng)過SSCMIO算法預(yù)處理過的數(shù)據(jù)集有更好的分類效果。

    2 基于選擇權(quán)重的過采樣算法

    2.1 MWMOTE算法

    MWMOTE[11]算法主要是考慮到某些小類樣本點難以學(xué)習(xí)和類別邊界重疊問題,首先它重新定義了邊界點,將邊界點作為難以學(xué)習(xí)的小類樣本點,再與聚類方法結(jié)合。算法的主要描述如下:

    (1)首先找出大類的邊界點,再根據(jù)大類邊界點定義出小類的邊界點,這些小類的邊界點就是難以學(xué)習(xí)的小類樣本點。

    (2)根據(jù)密度因子和靠近因子每個樣本點計算選擇權(quán)重,詳細(xì)信息參見文獻(xiàn)[11]。

    (3)根據(jù)選擇權(quán)重在同一個聚類簇的范圍內(nèi)合成新的樣本點。

    2.2 自適應(yīng)半監(jiān)督加權(quán)過采樣算法

    Nekooeimehr等在2016年提出了自適應(yīng)半監(jiān)督加權(quán)過采樣[13](adaptive semi-unsupervised weighted oversampling,A-SUWO)算法。首先,為了防止過度重疊,該算法使用半監(jiān)督聚類算法對小類樣本點進(jìn)行聚類,為同一簇內(nèi)的樣本點計算選擇權(quán)重,并且在聚類過程中對小類樣本的簇邊界進(jìn)行嚴(yán)格限制,從而避免重疊樣本的產(chǎn)生。同時對原始的數(shù)據(jù)集先進(jìn)行一次分類,根據(jù)分類錯誤率和混淆矩陣來自適應(yīng)確定每個樣本點所需要的合成樣本點數(shù)量。在合成樣本點的時候,只有在同一簇內(nèi)的小類樣本點才能合成樣本點,減少合成樣本點侵入到其他類區(qū)域,降低了生成重疊樣本的機(jī)會。

    2.3 SMOM算法

    SMOM[12]算法是Zhu等在2017年提出來的,與SMOTE算法的隨機(jī)合成新的樣本點不同,SMOM將選擇權(quán)重分配給每個鄰域方向,對于可以產(chǎn)生過度泛化的鄰域方向賦予較小的選擇權(quán)重,從而避免過度泛化。算法主要描述如下:

    (1)使用聚類算法將小類樣本點劃分為優(yōu)秀樣本點和被困樣本點。

    (2)對于每個被困樣本點,根據(jù)過度泛化因子和復(fù)雜因子來計算其選擇權(quán)重,對于那些優(yōu)秀樣本點則賦予一個定值權(quán)重,詳細(xì)信息參見文獻(xiàn)[12]。

    (3)若樣本點為被困樣本點,則根據(jù)選擇權(quán)重來選擇近鄰,運用式(1)來合成樣本點,否則隨機(jī)選擇近鄰,運用式(1)來合成樣本點。

    其中,Xnew表示新合成的樣本點,X和Xneighbor分別表示某一樣本點和它的任意一個近鄰,rand為隨機(jī)函數(shù),可以產(chǎn)生一個[0,1]之間的隨機(jī)數(shù)。

    3 利用采樣安全系數(shù)的多類不平衡過采樣算法

    如今多類不平衡問題已經(jīng)引起了廣泛的關(guān)注,但現(xiàn)有的過采樣算法有可能會導(dǎo)致過度泛化問題,使得算法整體的分類性能下降[12]。并且多類不平衡問題相較于兩類不平衡問題擁有更加復(fù)雜的類別邊界,從而導(dǎo)致了不同類別之間會出現(xiàn)更加嚴(yán)重的類別重疊現(xiàn)象,增加了分類難度。針對以上兩個問題,本文提出了利用采樣安全系數(shù)的多類不平衡過采樣算法。首先為了防止過度泛化,提出了近鄰采樣安全系數(shù),為那些過度泛化的鄰域分配一個較小的選擇權(quán)重,然后運用反向近鄰采樣安全系數(shù)來防止合成樣本點侵入到其他類別區(qū)域,從而降低了類的識別難度,提升了算法的整體性能。

    3.1 近鄰采樣安全系數(shù)

    現(xiàn)有的過采樣方法在處理多類不平衡這一更具挑戰(zhàn)性的問題時,往往會導(dǎo)致過度泛化??紤]到數(shù)據(jù)集中的每個樣本點的近鄰對分類結(jié)果的貢獻(xiàn)都不同,這意味著一些近鄰更重要,對分類結(jié)果影響更大,故本文提出了近鄰采樣安全系數(shù),它考慮了樣本點的局部特性,為那些會產(chǎn)生過度泛化的鄰域方向分配較小的選擇權(quán)重,選擇那些較為安全的鄰域方向合成樣本點,從而避免過度泛化,提升算法的整體性能。

    如圖1所示,以二維數(shù)據(jù)為例,圖中有3類數(shù)據(jù),圓形樣本點表示當(dāng)前需要過采樣的小類,其他為大類。小類中任意樣本點Xi的k1個近鄰分布在虛線圓內(nèi),虛線圓被相互垂直的兩條實線分成了A、B、C、D四部分。將Xi點的右上區(qū)域按圖中的垂直虛線分為3個區(qū)域A1、A2、A3。由于SMOTE方法是在樣本點Xi和其近鄰Yj之間隨機(jī)合成樣本點,由圖可知,在區(qū)域A2和A3內(nèi)存在其他類別樣本點對合成樣本點的影響遠(yuǎn)比區(qū)域A1要小得多,故選定區(qū)域A1作為鄰域。在區(qū)域D中樣本點Xn,鄰域內(nèi)其他類別的樣本點相對而言較少,分配較高的選擇權(quán)重,并且為其他鄰域方向分配一個較小的權(quán)重,可以很好地避免過度泛化問題,提高了算法的總體分類性能。

    Fig.1 Neighbor sampling safety coefficient圖1 近鄰采樣安全系數(shù)

    近鄰安全系數(shù)很好地反映了樣本點的局部特性,用來衡量樣本點Xi和其近鄰Yj之間的泛化程度,對于那些會產(chǎn)生嚴(yán)重過度泛化的鄰域方向分配較小的選擇權(quán)重,從而提升合成樣本點的質(zhì)量,降低類的識別難度。它可以表示為:

    其中,MaxNumc表示Xc內(nèi)其他類別樣本點的最大數(shù)量,Num(Xi,Yj)表示Xj i鄰域內(nèi)其他類別樣本點的數(shù)量,NeiSafe(Xi,Yj)表示樣本點Xi和其第j個近鄰Yj之間的采樣安全系數(shù)。

    近鄰采樣安全系數(shù)的偽代碼如算法1所示。

    算法1近鄰采樣安全系數(shù)

    3.2 反向近鄰采樣安全系數(shù)

    相較于兩類不平衡問題,多類不平衡問題中不同類別之間重疊現(xiàn)象更加嚴(yán)重,類別邊界更加模糊??紤]到不同類別之間的重疊問題,防止合成樣本點侵入到其他類別區(qū)域,故采用了反向近鄰采樣安全系數(shù),從而避免合成侵入到其他類別區(qū)域的樣本點。它的定義如下:

    其中,max、mean分別表示最大值函數(shù)和平均值函數(shù);RN表示同一類別所有樣本的反向近鄰數(shù)量的集合;NeiSafe表示樣本點的反向近鄰與該樣本點的近鄰安全系數(shù)的集合。

    反向近鄰安全系數(shù)很好地反映了樣本點的全局特性,若樣本點的反向近鄰安全系數(shù)很小,那么該樣本點很可能是潛在的異常樣本點,并且侵入了其他類別區(qū)域,因此為此類樣本點分配一個較小的權(quán)重,可以很好地減輕多類不平衡中更嚴(yán)重的類別重疊問題,提高了類的識別度。如圖2所示,給出了小類樣本點X1、X2、X3和X4的近鄰虛線圓,由圖可知樣本點X1的反向近鄰有X2、X3和X4,其反向近鄰采樣安全系數(shù)很小,故該樣本點是異常的樣本點,存在于重疊的邊界區(qū)域,若對其合成大量樣本就會加重類別重疊問題,使得分類性能大大降低,故采用反向近鄰采樣安全系數(shù)為此類樣本點分配一個較小的選擇權(quán)重,減輕類別重疊問題。

    Fig.2 Reverse neighbor sampling safety coefficient圖2 反向近鄰采樣安全系數(shù)

    反向近鄰采樣安全系數(shù)的偽代碼如算法2所示。

    算法2反向近鄰采樣安全系數(shù)

    3.3 SSCMIO算法主框架

    采樣安全系數(shù)決定應(yīng)該選擇哪些樣本點來合成樣本點。更高的安全系數(shù)意味著其合成樣本點不會導(dǎo)致過度泛化,也能避免侵入到其他類別區(qū)域,減輕類別重疊,提升了合成樣本點的質(zhì)量,因此將這些合成樣本添加到數(shù)據(jù)集中可以獲得更高的分類精度。采樣安全系數(shù)的定義如下:

    SSCMIO算法主框架偽代碼如算法3所示。首先為了防止過度泛化,利用樣本點的局部特性,采用近鄰采樣安全系數(shù)為小類樣本點的每個鄰域分配選擇權(quán)重,并且若該近鄰采樣安全系數(shù)為0,則不在該鄰域內(nèi)合成樣本點;考慮到不同類別之間的重疊問題,利用樣本點的全局特性,計算出樣本點的反向近鄰采樣安全系數(shù),從而避免合成的樣本點侵入到其他類別區(qū)域,利用式(4)為每個樣本點分配采樣安全系數(shù)。

    算法3SSCMIO算法主框架

    3.4 時間復(fù)雜度分析

    假定數(shù)據(jù)集中的第c個小類數(shù)量為Nc,設(shè)所有的小類點的數(shù)量為n,即n=,計算一個樣本點的近鄰采樣安全系數(shù)和反向近鄰采樣安全系數(shù)的時間復(fù)雜度均為O(logn+k1),其中k1為計算安全系數(shù)時的近鄰和反向近鄰數(shù)量,O(logn)為計算一個樣本點的k1個近鄰的時間復(fù)雜度,且k1遠(yuǎn)小于n,故SSCMIO算法時間復(fù)雜度為O(nlogn)。

    4 仿真實驗

    4.1 實驗設(shè)置與數(shù)據(jù)集

    本文是在Windows 8系統(tǒng)下實現(xiàn)的,使用了WEKA平臺[18]中基于C4.5決策樹的RIPPER分類器[17]進(jìn)行分類,分類器參數(shù)使用了WEKA平臺下算法的默認(rèn)值,并且采用5折交叉驗證,獨立運行10次,取平均值作為最終結(jié)果。對比算法有SMOTE[6]、ADASYN[7]、BSMOTE[8],基于分類超平面的混合采樣算法(hybrid sampling algorithm based on support vector machine,SVM_HS)[19]、MWMOTE[11]、SMOM[12]、ASUWO[13],這些算法的參數(shù)均采用算法的默認(rèn)參數(shù),經(jīng)過實驗對比,發(fā)現(xiàn)算法中的k1取值為4可以取得最好的性能,具體的實驗對比見4.4節(jié)。

    為了驗證算法的有效性,本文采用了來自KEEL[15]和UCI[16]機(jī)器學(xué)習(xí)數(shù)據(jù)庫的16個數(shù)據(jù)集進(jìn)行驗證,將過采樣后得到的平衡數(shù)據(jù)集用基于C4.5決策樹的RIPPER[17]分類器進(jìn)行分類,文中的數(shù)據(jù)集在不平衡率(imbalance rate,IR)大于1.45時判定為小類,IR為最大類與最小類的數(shù)量比值,數(shù)據(jù)集的基本信息如表1所示。

    Table 1 Basic information of datasets表1 數(shù)據(jù)集的基本信息

    4.2 性能評價指標(biāo)

    采用多類不平衡數(shù)據(jù)集中常用的Precision[1,20-21]、Recall[1,20-21]、F-measure[22]、MG[23]、MAUC[24]這5個指標(biāo)來評價算法的優(yōu)劣性。其定義如式(5)~式(9)所示:

    其中,TP表示正類樣本預(yù)測為正類的數(shù)量;FN表示正類樣本預(yù)測為負(fù)類的數(shù)量;FP表示負(fù)類樣本預(yù)測為正類的數(shù)量;β一般設(shè)置為1;A(ci,cj)=表示類i和類j的AUC面積,且A(ci|cj)與A(cj|ci)不相等。

    Precision、Recall和F-measure僅計算最小的類,其中MG和MAUC分別是在二類評價指標(biāo)G-mean[25]和AUC[26-27](area under ROC curve)的基礎(chǔ)上擴(kuò)展的多類不平衡學(xué)習(xí)的評價指標(biāo),可以很好地評價算法的整體性能[20]。

    4.3 實驗結(jié)果對比與分析

    Table 2 Comparison of Precision表2 Precision 的對比

    表2到表6給出了SSCMIO算法和其他7種算法在16個數(shù)據(jù)集上的5種評價指標(biāo)對比結(jié)果,加粗表示當(dāng)前數(shù)據(jù)集的最優(yōu)值。

    Table 3 Comparison of Recall表3 Recall的對比

    Table 4 Comparison of F-measure表4 F-measure的對比

    表2展示了8個算法在評價指標(biāo)Precision上的結(jié)果,從表中可以看出在16個數(shù)據(jù)集中,SSCMIO算法取得了11個最優(yōu)值,相比于SMOTE、BSMOTE、SVM_HS、ADASYN、MWMOTE、SMOM、A-SUWO平均提升了0.066 5、0.030 4、0.108 6、0.059 8、0.069 2、0.091 2、0.025 5,16個數(shù)據(jù)集中相比表現(xiàn)最差的算法提升最多的是voice96,提升了0.481 8。

    表3展示了8個算法在評價指標(biāo)Recall上的結(jié)果,從表中可以看出在16個數(shù)據(jù)集中,SSCMIO算法取得了11個最優(yōu)值,相比于SMOTE、BSMOTE、SVM_HS、ADASYN、MWMOTE、SMOM、A-SUWO平均提升了0.085 8、0.044 6、0.008 4、0.101 2、0.123 3、0.125 3、0.073 9,16個數(shù)據(jù)集中相比表現(xiàn)最差的算法提升最多的是voice9,提升了0.305 3。

    Table 5 Comparison of MG表5 MG 的對比

    Table 6 Comparison of MAUC表6 MAUC 的對比

    表4展示了8個算法在評價指標(biāo)F-measure上的結(jié)果,從表中可以看出在16個數(shù)據(jù)集中,SSCMIO算法取得了11個最優(yōu)值,相比于SMOTE、BSMOTE、SVM_HS、ADASYN、MWMOTE、SMOM、A-SUWO平均提升了0.080 9、0.038 8、0.057 0、0.087 4、0.104 6、0.116 0、0.056 0,16個數(shù)據(jù)集中相比表現(xiàn)最差的算法提升最多的是voice96,提升了0.342 0。

    Fig.3 Comparison of k1 value圖3 k1值對比

    表5展示了8個算法在評價指標(biāo)MG上的結(jié)果,從表中可以看出在16個數(shù)據(jù)集中,SSCMIO算法取得了11個最優(yōu)值,其中數(shù)據(jù)集ERA有個別類別被全部分錯,故MG值均為0。相比于SMOTE、BSMOTE、SVM_HS、ADASYN、MWMOTE、SMOM、A-SUWO平均提升了0.096 4、0.054 5、0.073 3、0.098 8、0.113 1、0.101 2、0.070 9,16個數(shù)據(jù)集中相比表現(xiàn)最差的算法提升最多的是voice96,提升了0.266 4。

    表6展示了8個算法在評價指標(biāo)MAUC上的結(jié)果,從表中可以看出在16個數(shù)據(jù)集中,SSCMIO算法取得了12個最優(yōu)值,相比于SMOTE、BSMOTE、SVM_HS、ADASYN、MWMOTE、SMOM、A-SUWO平均提升了0.038 8、0.024 0、0.056 2、0.042 6、0.045 4、0.042 6、0.029 6,16個數(shù)據(jù)集中相比表現(xiàn)最差的算法提升最多的是ERA,提升了0.130 7。

    表2到表6的實驗結(jié)果可以表明SSCMIO算法的有效性,這是因為SSCMIO算法考慮了樣本點的局部特性,為樣本點的每一個鄰域計算選擇權(quán)重,從而有效避免了過度泛化;再從全局特性出發(fā),采用反向近鄰安全系數(shù)減少了噪聲和離群點的影響,也減輕了類別邊界的重疊問題,使得合成的樣本點更加合理,降低了分類器的分類難度,從而提升了算法的總體性能。

    4.4 參數(shù)值的討論

    如圖3所示,本文給出了SSCMIO算法在k1取不同值時的折線圖,圖中縱坐標(biāo)分別表示在16個數(shù)據(jù)集上的MG和MAUC這兩個指標(biāo)上的百分比之和,橫坐標(biāo)表示不同的k1值。MG和MAUC均是由二類評價指標(biāo)拓展而來,能夠很好地描述算法的總體性能。從圖中可以看出當(dāng)k1取值為4時,SSCMIO算法的效果是最佳的。相比k1的其他取值,在MG上,16個數(shù)據(jù)集總的最大提升為0.413 0,在MAUC上的最大提升為0.071 7,故本文將k1的值設(shè)置為4。

    5 結(jié)束語

    本文提出了一種利用采樣安全系數(shù)的多類不平衡過采樣算法(SSCMIO)來處理多類不平衡問題。首先為了防止過度泛化,充分利用樣本點的局部特性,提出了近鄰采樣安全系數(shù);然后利用樣本點的全局特性,提出了反向近鄰采樣安全系數(shù),防止合成樣本點侵入到其他類別區(qū)域,很好地減輕了不同類別之間的重疊問題。將SSCMIO算法與7種典型的過采樣算法在16種不同平衡度的真實數(shù)據(jù)集上進(jìn)行了對比實驗,實驗結(jié)果表明在大多數(shù)的數(shù)據(jù)集上SSCMIO算法表現(xiàn)得更優(yōu)。

    下一步工作將從以下兩方面開展:(1)用于實驗的數(shù)據(jù)集都是數(shù)值型的,未來將研究SSCMIO算法應(yīng)用到非數(shù)值型數(shù)據(jù)集和混合型數(shù)據(jù)集;(2)可以研究如何將采樣安全系數(shù)和聚類方法相結(jié)合,以便更好地防止過度泛化和重疊問題。

    韩国av在线不卡| 亚洲精品成人av观看孕妇| 一边摸一边做爽爽视频免费| 97在线人人人人妻| 国产精品一区二区在线观看99| 亚洲精品自拍成人| 一级片'在线观看视频| 亚洲成人手机| 蜜桃国产av成人99| 1024香蕉在线观看| 国产极品天堂在线| 成人三级做爰电影| 久久ye,这里只有精品| 精品国产国语对白av| 下体分泌物呈黄色| 日本91视频免费播放| 看免费成人av毛片| 亚洲第一青青草原| 久久99热这里只频精品6学生| 亚洲欧洲日产国产| 久久久久久久精品精品| 国产精品熟女久久久久浪| 如何舔出高潮| 国产精品蜜桃在线观看| 国产精品久久久av美女十八| 青春草视频在线免费观看| 尾随美女入室| 香蕉丝袜av| 汤姆久久久久久久影院中文字幕| bbb黄色大片| av网站在线播放免费| 两个人看的免费小视频| 中文字幕高清在线视频| 一二三四在线观看免费中文在| 18禁观看日本| 欧美97在线视频| 欧美日本中文国产一区发布| 国产成人精品在线电影| 精品国产乱码久久久久久男人| 国产精品久久久久久人妻精品电影 | 欧美 亚洲 国产 日韩一| 亚洲欧美日韩另类电影网站| 亚洲美女搞黄在线观看| 午夜福利一区二区在线看| 国产一区二区激情短视频 | 无遮挡黄片免费观看| 亚洲第一青青草原| av.在线天堂| 成人手机av| 国产精品亚洲av一区麻豆 | 亚洲欧美成人精品一区二区| 天天添夜夜摸| 亚洲精品,欧美精品| 中国三级夫妇交换| xxxhd国产人妻xxx| 曰老女人黄片| 丝瓜视频免费看黄片| 另类亚洲欧美激情| 免费高清在线观看日韩| 免费高清在线观看视频在线观看| 成人国产av品久久久| a级毛片黄视频| 狠狠精品人妻久久久久久综合| 欧美人与善性xxx| 久久亚洲国产成人精品v| 香蕉丝袜av| 日本av免费视频播放| 可以免费在线观看a视频的电影网站 | 精品国产超薄肉色丝袜足j| 新久久久久国产一级毛片| 国产日韩欧美在线精品| 久久毛片免费看一区二区三区| videosex国产| 国产在线免费精品| 国产免费现黄频在线看| 人体艺术视频欧美日本| 亚洲人成77777在线视频| 亚洲精品aⅴ在线观看| 久久天躁狠狠躁夜夜2o2o | 大话2 男鬼变身卡| 欧美变态另类bdsm刘玥| 老熟女久久久| 久久人人爽人人片av| netflix在线观看网站| 久久ye,这里只有精品| 99热网站在线观看| 亚洲精品久久久久久婷婷小说| 国产男女超爽视频在线观看| 亚洲av中文av极速乱| 操出白浆在线播放| 免费在线观看黄色视频的| 老鸭窝网址在线观看| 亚洲欧美一区二区三区黑人| 午夜日本视频在线| 久久精品久久久久久噜噜老黄| 久久久久国产一级毛片高清牌| 久久热在线av| 亚洲婷婷狠狠爱综合网| 国产 精品1| 三上悠亚av全集在线观看| 免费少妇av软件| 久久久久精品人妻al黑| 在线天堂最新版资源| 婷婷色综合大香蕉| 久久青草综合色| 熟妇人妻不卡中文字幕| 黄频高清免费视频| 国产亚洲最大av| 啦啦啦啦在线视频资源| 人人妻人人澡人人爽人人夜夜| 最新在线观看一区二区三区 | 亚洲欧美激情在线| 男女床上黄色一级片免费看| 极品人妻少妇av视频| 我要看黄色一级片免费的| 国产精品久久久av美女十八| 亚洲精品,欧美精品| 校园人妻丝袜中文字幕| 亚洲美女搞黄在线观看| 纵有疾风起免费观看全集完整版| 久久人人爽av亚洲精品天堂| tube8黄色片| 永久免费av网站大全| 伦理电影免费视频| 婷婷成人精品国产| 在线天堂最新版资源| 色综合欧美亚洲国产小说| 下体分泌物呈黄色| 久久久久精品人妻al黑| 精品久久蜜臀av无| 丰满饥渴人妻一区二区三| 捣出白浆h1v1| 精品久久蜜臀av无| 国产精品久久久久久久久免| 大陆偷拍与自拍| 18禁裸乳无遮挡动漫免费视频| 老司机亚洲免费影院| 成人午夜精彩视频在线观看| 欧美日韩一级在线毛片| 亚洲欧美中文字幕日韩二区| 九草在线视频观看| 日本猛色少妇xxxxx猛交久久| 丰满饥渴人妻一区二区三| 女性生殖器流出的白浆| 男女高潮啪啪啪动态图| 亚洲精品在线美女| 亚洲国产精品一区二区三区在线| 啦啦啦在线免费观看视频4| 亚洲伊人色综图| 亚洲七黄色美女视频| 搡老乐熟女国产| 老司机靠b影院| 天天添夜夜摸| 搡老乐熟女国产| 女人被躁到高潮嗷嗷叫费观| 成人亚洲精品一区在线观看| 黑人猛操日本美女一级片| 天堂俺去俺来也www色官网| 国产欧美亚洲国产| 最新在线观看一区二区三区 | 女的被弄到高潮叫床怎么办| 一级毛片黄色毛片免费观看视频| 观看av在线不卡| 一本—道久久a久久精品蜜桃钙片| 色综合欧美亚洲国产小说| 黑人欧美特级aaaaaa片| 美女国产高潮福利片在线看| 在线观看一区二区三区激情| 日韩成人av中文字幕在线观看| 亚洲国产最新在线播放| 在线观看免费高清a一片| 亚洲三区欧美一区| 巨乳人妻的诱惑在线观看| 午夜福利在线免费观看网站| 亚洲人成电影观看| 亚洲成国产人片在线观看| 久久韩国三级中文字幕| 国产精品嫩草影院av在线观看| 久久精品国产a三级三级三级| 亚洲在久久综合| 午夜日本视频在线| 国产激情久久老熟女| 欧美中文综合在线视频| 人妻人人澡人人爽人人| 国产爽快片一区二区三区| 欧美激情 高清一区二区三区| 国产成人精品久久二区二区91 | 女人爽到高潮嗷嗷叫在线视频| 国产深夜福利视频在线观看| 在线天堂最新版资源| 国产人伦9x9x在线观看| 免费少妇av软件| 亚洲人成电影观看| 2021少妇久久久久久久久久久| kizo精华| 大片电影免费在线观看免费| 亚洲精品一区蜜桃| 成年美女黄网站色视频大全免费| 国产成人免费无遮挡视频| 欧美av亚洲av综合av国产av | 国产日韩欧美亚洲二区| 国产精品无大码| av电影中文网址| 久久天堂一区二区三区四区| 日本vs欧美在线观看视频| 久久久久精品性色| 亚洲中文av在线| 日韩av免费高清视频| 老汉色∧v一级毛片| 人体艺术视频欧美日本| 一区二区三区四区激情视频| 久久毛片免费看一区二区三区| 亚洲av成人精品一二三区| 最近2019中文字幕mv第一页| 女人久久www免费人成看片| 日韩一卡2卡3卡4卡2021年| 亚洲国产精品成人久久小说| 国产在线免费精品| av网站在线播放免费| 中文字幕制服av| 天天操日日干夜夜撸| 久久国产亚洲av麻豆专区| 久久婷婷青草| 中国三级夫妇交换| 嫩草影视91久久| 亚洲精品视频女| netflix在线观看网站| 欧美老熟妇乱子伦牲交| 熟女少妇亚洲综合色aaa.| 亚洲av综合色区一区| 欧美日韩一区二区视频在线观看视频在线| 亚洲 欧美一区二区三区| 一区福利在线观看| 成人国语在线视频| 丝瓜视频免费看黄片| av网站免费在线观看视频| 午夜福利视频精品| 亚洲国产精品999| 日韩中文字幕视频在线看片| 天天躁夜夜躁狠狠躁躁| 久久免费观看电影| www日本在线高清视频| 国产精品久久久人人做人人爽| 哪个播放器可以免费观看大片| 男人爽女人下面视频在线观看| 国产一区二区激情短视频 | 国产成人免费观看mmmm| 中文字幕制服av| 一级,二级,三级黄色视频| 91精品伊人久久大香线蕉| kizo精华| 欧美另类一区| 久久精品熟女亚洲av麻豆精品| 日韩精品有码人妻一区| 一级a爱视频在线免费观看| 看十八女毛片水多多多| 国产精品 欧美亚洲| 女人高潮潮喷娇喘18禁视频| 两性夫妻黄色片| 在线 av 中文字幕| 老司机影院毛片| 久久人人爽av亚洲精品天堂| 国产精品香港三级国产av潘金莲 | 丝袜美足系列| 啦啦啦 在线观看视频| 男女高潮啪啪啪动态图| 成年动漫av网址| 亚洲伊人久久精品综合| 亚洲国产欧美日韩在线播放| 国产黄频视频在线观看| 在线 av 中文字幕| 免费女性裸体啪啪无遮挡网站| 一区二区三区四区激情视频| 99re6热这里在线精品视频| 免费久久久久久久精品成人欧美视频| 一级爰片在线观看| 成人国产av品久久久| 成人黄色视频免费在线看| 9热在线视频观看99| 天天添夜夜摸| 嫩草影院入口| 久久久久久久久久久免费av| 国产成人免费无遮挡视频| 尾随美女入室| 中国国产av一级| 欧美在线黄色| 精品久久蜜臀av无| 国产精品麻豆人妻色哟哟久久| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲精品在线美女| 久久精品亚洲av国产电影网| 久久人人爽人人片av| 高清黄色对白视频在线免费看| 嫩草影院入口| 亚洲成色77777| 观看美女的网站| 国产av一区二区精品久久| 18禁裸乳无遮挡动漫免费视频| 亚洲专区中文字幕在线 | 国产乱人偷精品视频| 亚洲色图 男人天堂 中文字幕| 国产精品免费视频内射| 亚洲av日韩在线播放| 丰满少妇做爰视频| 亚洲成人av在线免费| 看免费av毛片| 99re6热这里在线精品视频| 男女国产视频网站| 久热这里只有精品99| 在线观看三级黄色| 美女午夜性视频免费| 欧美日韩视频精品一区| 久久久久人妻精品一区果冻| 曰老女人黄片| 国产伦理片在线播放av一区| 人人妻人人澡人人看| 女人爽到高潮嗷嗷叫在线视频| 国产野战对白在线观看| 伊人亚洲综合成人网| 最近中文字幕高清免费大全6| 男女午夜视频在线观看| 久久久久久久久久久久大奶| 久久99热这里只频精品6学生| 伊人久久国产一区二区| 欧美精品一区二区大全| 黑人欧美特级aaaaaa片| 高清在线视频一区二区三区| 中文天堂在线官网| 久久精品久久精品一区二区三区| 国产一区有黄有色的免费视频| 这个男人来自地球电影免费观看 | 日韩熟女老妇一区二区性免费视频| 各种免费的搞黄视频| 久久久精品区二区三区| 两性夫妻黄色片| 亚洲熟女毛片儿| 国产黄色免费在线视频| 日韩一区二区三区影片| 国产av精品麻豆| 久久国产亚洲av麻豆专区| 国产在线视频一区二区| 午夜免费鲁丝| 国产一区二区三区综合在线观看| 久久精品久久精品一区二区三区| 天天影视国产精品| 国产黄频视频在线观看| 在线观看免费日韩欧美大片| 日韩熟女老妇一区二区性免费视频| 精品一区在线观看国产| 亚洲第一av免费看| 国产极品粉嫩免费观看在线| 一二三四在线观看免费中文在| 免费高清在线观看日韩| 欧美精品av麻豆av| videos熟女内射| 成人国产麻豆网| 久久久精品区二区三区| 欧美日韩一区二区视频在线观看视频在线| 久久精品久久精品一区二区三区| 热99久久久久精品小说推荐| 在线观看三级黄色| 丁香六月天网| 别揉我奶头~嗯~啊~动态视频 | 视频在线观看一区二区三区| 国产精品久久久久成人av| 亚洲国产日韩一区二区| 丰满乱子伦码专区| 狠狠精品人妻久久久久久综合| 电影成人av| 中文字幕av电影在线播放| 国产av一区二区精品久久| 别揉我奶头~嗯~啊~动态视频 | 操美女的视频在线观看| 亚洲一区中文字幕在线| 黄片小视频在线播放| 大码成人一级视频| 国产精品久久久久久久久免| 黄频高清免费视频| 日本爱情动作片www.在线观看| 青春草视频在线免费观看| 又大又黄又爽视频免费| 在线免费观看不下载黄p国产| 国产免费现黄频在线看| 国产片内射在线| 精品亚洲成国产av| av免费观看日本| 下体分泌物呈黄色| 亚洲人成77777在线视频| 丰满迷人的少妇在线观看| 欧美av亚洲av综合av国产av | 亚洲美女搞黄在线观看| 久久久亚洲精品成人影院| 国产精品99久久99久久久不卡 | 国产爽快片一区二区三区| 视频区图区小说| 黑人巨大精品欧美一区二区蜜桃| 亚洲一级一片aⅴ在线观看| 一级爰片在线观看| 国产成人啪精品午夜网站| 两个人免费观看高清视频| 可以免费在线观看a视频的电影网站 | 高清视频免费观看一区二区| 啦啦啦中文免费视频观看日本| 国产成人精品福利久久| av电影中文网址| 大话2 男鬼变身卡| 侵犯人妻中文字幕一二三四区| 一区二区三区精品91| 999精品在线视频| 婷婷色综合大香蕉| 极品少妇高潮喷水抽搐| 亚洲综合色网址| 精品国产一区二区三区四区第35| 亚洲精品国产色婷婷电影| 欧美黄色片欧美黄色片| 国精品久久久久久国模美| 久久久久久久久久久免费av| 2021少妇久久久久久久久久久| 人成视频在线观看免费观看| 国产亚洲一区二区精品| 国产极品粉嫩免费观看在线| 免费黄频网站在线观看国产| 国产激情久久老熟女| 久久天堂一区二区三区四区| 久久97久久精品| 国产高清不卡午夜福利| 在线 av 中文字幕| 只有这里有精品99| 伊人久久大香线蕉亚洲五| av片东京热男人的天堂| 久久精品熟女亚洲av麻豆精品| 亚洲欧洲精品一区二区精品久久久 | 丝袜人妻中文字幕| 欧美亚洲日本最大视频资源| 精品久久久久久电影网| 亚洲国产看品久久| 国产精品一区二区在线不卡| 精品视频人人做人人爽| 一本—道久久a久久精品蜜桃钙片| 亚洲四区av| 亚洲欧美精品综合一区二区三区| 丝袜脚勾引网站| 美女国产高潮福利片在线看| 成年人免费黄色播放视频| 少妇人妻久久综合中文| 国产精品免费视频内射| 精品国产乱码久久久久久男人| 最近中文字幕高清免费大全6| 午夜免费观看性视频| 国产国语露脸激情在线看| 国产亚洲av高清不卡| 成人免费观看视频高清| 久久久久久久精品精品| 黄片小视频在线播放| 桃花免费在线播放| 各种免费的搞黄视频| 在线观看www视频免费| 国产黄色免费在线视频| 老司机影院成人| 国产精品av久久久久免费| 欧美少妇被猛烈插入视频| 午夜影院在线不卡| 亚洲国产av新网站| 久久久久久久国产电影| 久久性视频一级片| 狂野欧美激情性bbbbbb| 欧美最新免费一区二区三区| 综合色丁香网| 黑人巨大精品欧美一区二区蜜桃| 欧美日韩成人在线一区二区| 在现免费观看毛片| 欧美日韩综合久久久久久| 国产成人av激情在线播放| 国产精品国产av在线观看| 中国三级夫妇交换| 久久久久久久国产电影| 如日韩欧美国产精品一区二区三区| 一本久久精品| 五月开心婷婷网| 精品亚洲成a人片在线观看| 日本午夜av视频| 另类精品久久| 两性夫妻黄色片| 在线免费观看不下载黄p国产| 久久天躁狠狠躁夜夜2o2o | 久久 成人 亚洲| 人妻一区二区av| 午夜激情久久久久久久| 久久精品国产a三级三级三级| 婷婷色麻豆天堂久久| netflix在线观看网站| 国产欧美亚洲国产| 天美传媒精品一区二区| 蜜桃在线观看..| 欧美日韩亚洲国产一区二区在线观看 | 中文字幕另类日韩欧美亚洲嫩草| 看免费av毛片| 成年动漫av网址| 亚洲av福利一区| 久久久国产欧美日韩av| 少妇被粗大猛烈的视频| 丰满饥渴人妻一区二区三| 一级片免费观看大全| 人妻人人澡人人爽人人| 国产免费现黄频在线看| 我的亚洲天堂| 国产伦理片在线播放av一区| 一区二区三区四区激情视频| 亚洲欧美精品自产自拍| 秋霞在线观看毛片| 亚洲av成人精品一二三区| avwww免费| av国产精品久久久久影院| 肉色欧美久久久久久久蜜桃| 一边摸一边做爽爽视频免费| 午夜老司机福利片| 久久婷婷青草| 中文字幕av电影在线播放| 高清黄色对白视频在线免费看| 亚洲精品国产区一区二| 99热网站在线观看| 青春草视频在线免费观看| 黑人欧美特级aaaaaa片| 最近中文字幕2019免费版| 男人爽女人下面视频在线观看| 日本色播在线视频| 国产成人系列免费观看| 国产精品女同一区二区软件| 欧美激情高清一区二区三区 | 亚洲欧洲国产日韩| 久久精品aⅴ一区二区三区四区| 免费观看性生交大片5| 免费观看av网站的网址| 久久久久久免费高清国产稀缺| 日韩大片免费观看网站| 亚洲国产精品999| 亚洲欧美清纯卡通| 国产黄频视频在线观看| 一个人免费看片子| 天堂8中文在线网| 免费女性裸体啪啪无遮挡网站| 久久久久久免费高清国产稀缺| 亚洲精品乱久久久久久| 欧美人与善性xxx| 不卡av一区二区三区| 欧美日韩视频精品一区| 免费少妇av软件| av国产精品久久久久影院| 亚洲一码二码三码区别大吗| 国产精品久久久久久久久免| av网站在线播放免费| av有码第一页| 一级a爱视频在线免费观看| 日韩制服骚丝袜av| 18禁国产床啪视频网站| 亚洲综合精品二区| 国产精品成人在线| 亚洲第一av免费看| 亚洲精品av麻豆狂野| 电影成人av| 精品亚洲乱码少妇综合久久| 国产亚洲最大av| 国产av码专区亚洲av| 丰满饥渴人妻一区二区三| 狂野欧美激情性xxxx| 国产在线视频一区二区| 亚洲欧美中文字幕日韩二区| 成人国产麻豆网| 国产不卡av网站在线观看| 美国免费a级毛片| 香蕉国产在线看| 国产淫语在线视频| 国产免费视频播放在线视频| 美女大奶头黄色视频| 亚洲图色成人| 久久影院123| 中文字幕另类日韩欧美亚洲嫩草| 999精品在线视频| 午夜久久久在线观看| 人人妻人人澡人人爽人人夜夜| 国产乱来视频区| 成人国语在线视频| 老汉色av国产亚洲站长工具| 水蜜桃什么品种好| av片东京热男人的天堂| 精品少妇黑人巨大在线播放| 欧美日韩av久久| 免费不卡黄色视频| 免费看不卡的av| 夜夜骑夜夜射夜夜干| 最黄视频免费看| 国产精品久久久人人做人人爽| 99九九在线精品视频| 午夜av观看不卡| 精品人妻在线不人妻| 亚洲综合精品二区| 别揉我奶头~嗯~啊~动态视频 | 日韩 欧美 亚洲 中文字幕| 毛片一级片免费看久久久久| 在线观看免费日韩欧美大片| 亚洲第一av免费看| av卡一久久| 两性夫妻黄色片| 一区二区日韩欧美中文字幕| 一本久久精品| 精品国产乱码久久久久久小说| 考比视频在线观看| 高清欧美精品videossex| 操出白浆在线播放| 国产又色又爽无遮挡免| 亚洲四区av| 亚洲国产av影院在线观看| 91精品三级在线观看| 一级a爱视频在线免费观看| 少妇的丰满在线观看|