• <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 ?

    基于數(shù)據(jù)降維的復(fù)雜屬性大數(shù)據(jù)分類方法研究

    2020-10-21 06:09:53胡淑新宋志蕙
    河南科技 2020年2期
    關(guān)鍵詞:大數(shù)據(jù)分類

    胡淑新 宋志蕙

    摘 要:針對數(shù)據(jù)的多維度、非線性、不穩(wěn)定性等特有的復(fù)雜屬性,在傳統(tǒng)數(shù)據(jù)分類方法的基礎(chǔ)上,本研究將高維大數(shù)據(jù)進(jìn)行降維處理,結(jié)合SVM分類方法和多元SVM-REF分類方法,提出一種基于數(shù)據(jù)降維的復(fù)雜屬性大數(shù)據(jù)分類方法。試驗(yàn)證明,與傳統(tǒng)數(shù)據(jù)分類方法相比,本設(shè)計方法能夠有效地提升復(fù)雜屬性大數(shù)據(jù)的分類效率,也為后續(xù)對高維數(shù)據(jù)分類和數(shù)據(jù)復(fù)雜波動規(guī)律分析的深入研究提供依據(jù)。

    關(guān)鍵詞:數(shù)據(jù)降維;復(fù)雜屬性;大數(shù)據(jù);分類

    中圖分類號:TP391文獻(xiàn)標(biāo)識碼:A文章編號:1003-5168(2020)02-0018-03

    Abstract: Aiming at the unique complex attributes of data such as multi-dimensionality, non-linearity, and instability, based on the traditional data classification method, this research reduced the dimension of high-dimensional big dat, combined SVM classification method and multivariate SVM-REF classification method, and proposed a method for complex attribute big data classification based on data dimensionality reduction. Experiments show that compared with traditional data classification methods, this design method can effectively improve the classification efficiency of big data with complex attributes, and also provide a basis for subsequent in-depth research on high-dimensional data classification and analysis of data complex fluctuation rules.

    Keywords:data reduction;complex attributes;big data;classification

    近年來,信息技術(shù)和互聯(lián)網(wǎng)不斷發(fā)展,大數(shù)據(jù)分析技術(shù)逐漸成熟,而復(fù)雜屬性的大數(shù)據(jù)分類充滿機(jī)遇和挑戰(zhàn)[1]。當(dāng)前,科學(xué)研究水平不斷進(jìn)步,信息技術(shù)與互聯(lián)網(wǎng)技術(shù)也在不同的領(lǐng)域中逐漸成熟,新興技術(shù)的發(fā)展在帶動行業(yè)本身進(jìn)步的同時也擴(kuò)大了軟件和硬件技術(shù)的市場需求。因此,新的市場和模式不斷要求數(shù)據(jù)挖掘邁向更高的水平。從數(shù)據(jù)的體量、類型及維度等方面來分析,研究的對象也變得越來越復(fù)雜[2]。隨著互聯(lián)網(wǎng)的不斷普及,企業(yè)要從設(shè)計、制定、運(yùn)營等不同環(huán)節(jié)為用戶提供全方位的解決辦法,而這些環(huán)節(jié)都或多或少地涉及數(shù)據(jù)的采集、整理與分析,企業(yè)為了保證自身優(yōu)勢,需要從多個角度兼顧信息處理的時效性、準(zhǔn)確性及經(jīng)濟(jì)性。因此,人們對復(fù)雜屬性的大數(shù)據(jù)分類研究提出了更加嚴(yán)格的要求。

    1 高維大數(shù)據(jù)的降維處理

    傳統(tǒng)的特征抽取技術(shù)包括主成分分析和線性鑒別分析。但這些傳統(tǒng)的特征抽取技術(shù)都存在著局限性。目前,一種新型的基于核的分析方法出現(xiàn),并已經(jīng)在模式識別領(lǐng)域和機(jī)器學(xué)習(xí)領(lǐng)域展現(xiàn)了其優(yōu)秀的分類能力[3]。這種分析方法利用非線性轉(zhuǎn)換技術(shù),對數(shù)據(jù)間不同類別的可分離性進(jìn)行增強(qiáng),以獲取更好的分類效果。與傳統(tǒng)方法不同的是,該方法能夠利用核技術(shù)將輸入進(jìn)來的樣本映射到高維度的特征空間中,其間不需要對該樣本的非線性映射函數(shù)有具體的掌握,因此減輕了傳統(tǒng)的非線性映射方法的負(fù)擔(dān)。但該方法的弊端在于,無法對大型數(shù)據(jù)進(jìn)行分類處理。在對大數(shù)據(jù)進(jìn)行分類時,時間和空間的復(fù)雜程度都明顯提高,并且特征抽取的效率取決于訓(xùn)練樣本的個數(shù),個數(shù)越多,取樣的效率會越低,因此該方法對于大數(shù)據(jù)分類的效率更低[4]?;诖耍梢詫⒁粋€大型數(shù)據(jù)集劃分為多個不同的小數(shù)據(jù)集,將一個大分類問題分解成為多個小分類問題,從而解決原有的大分類問題。通常情況下,高維大數(shù)據(jù)的降維可以分為特征選擇和特征提取,如圖1所示。

    特征提取是指在原始的大數(shù)據(jù)特征中選取一個滿足條件的最優(yōu)特征子集進(jìn)行建模,因此這種方法也稱為選維。假設(shè)大數(shù)據(jù)為[X],大數(shù)據(jù)中包含[N]個特征信息,表示為[X=(x1,x2,...,xN)],通過特征選擇選出[M]個最具有代表性的特征構(gòu)成新的特征矢量[Y],表示為[Y=(xi1,xi2,...,xiM)],且[M

    特征提取是利用映射函數(shù)將特征從原始的大數(shù)據(jù)空間映射到新的特征子空間中。特征提取的特征矢量可表示為[X=(x1,x2,...,xN)],其變換函數(shù)表示為[y=f(x)],[X]經(jīng)[y]變換降維后得到[M]為新的特征矢量,可表示為[Y=(y1,y2,...,yM)],且[M

    在對復(fù)雜屬性大數(shù)據(jù)進(jìn)行降維處理時,要根據(jù)大數(shù)據(jù)的特征選用適當(dāng)?shù)姆椒ǎ舸髷?shù)據(jù)中的特征是相互獨(dú)立的個體,則選用特征選擇的方法更加方便快捷;若大數(shù)據(jù)中的特征之間具有關(guān)聯(lián)性、不獨(dú)立,則應(yīng)選用特征提取方法對大數(shù)據(jù)進(jìn)行降維處理,執(zhí)行特征的函數(shù)變換可以消除特征之間的相關(guān)性。在進(jìn)行數(shù)據(jù)降維時也可將兩者綜合利用,首先進(jìn)行特征選擇,將選出的一部分具有代表性的特征施加數(shù)學(xué)映射變換,將原始大數(shù)據(jù)空間映射到新的子空間中,達(dá)到雙重降維的目的。

    2 復(fù)雜屬性大數(shù)據(jù)分類方法

    關(guān)于利用特征選擇和特征提取降維處理后的大數(shù)據(jù),根據(jù)其不同特點(diǎn),采用SVM分類方法或多元SVM-REF分類方法對復(fù)雜屬性大數(shù)據(jù)進(jìn)行分類,下面對兩種分類方法進(jìn)行了詳細(xì)的說明。

    2.1 SVM分類方法

    傳統(tǒng)的數(shù)據(jù)分類方法包括兩種,一種是有監(jiān)督的分類方法,如決策樹、神經(jīng)網(wǎng)絡(luò)模型等;一種是無監(jiān)督的分類方法,如聚類分析、主成分分析等。在眾多有監(jiān)督的分類方法中,SVM(支持向量機(jī))分類方法在非線性問題處理、數(shù)據(jù)特征識別、小樣本數(shù)據(jù)分析等方面具有獨(dú)特的優(yōu)勢,是一種經(jīng)典機(jī)器學(xué)習(xí)方法,以統(tǒng)計分析為理論基礎(chǔ)。SVM分類方法的核心建模思想是結(jié)構(gòu)風(fēng)險最小化原則。

    假設(shè)一個未知映射為[p],對于給定的輸入樣本空間[a]和與其對應(yīng)的輸出域[b],任何機(jī)器學(xué)習(xí)的目的都是為了讓輸出域[b]更加貼近事實(shí)。具體說明,假設(shè)損失函數(shù)為[E],記期望風(fēng)險(映射值與實(shí)際值之間的誤差被稱為風(fēng)險)為[R],用公式可表示為:

    式(2)給出的是在不同情況下,映射函數(shù)[p(a)]所對應(yīng)的概率。對于大數(shù)據(jù)分類問題來說,二分類器中的一對一和一對多方法能夠更容易地拓展到多分類問題中。實(shí)際上,[a]和[b]的聯(lián)合概率密度函數(shù)[p(a,b)]為未知的函數(shù),因此,式(1)中的期望風(fēng)險[R(p)]無法通過直接計算得出。人們,需要根據(jù)大數(shù)據(jù)樣本的經(jīng)驗(yàn)分布推斷[R(p)],并以經(jīng)驗(yàn)風(fēng)險逼近期望風(fēng)險。當(dāng)數(shù)據(jù)樣本的容量趨近于無限大時,經(jīng)驗(yàn)風(fēng)險將無限趨近于期望風(fēng)險。但在實(shí)際應(yīng)用中,由于采集到的數(shù)據(jù)樣本十分有限,因此在有限的數(shù)據(jù)樣本情況下,經(jīng)驗(yàn)風(fēng)險最小并不一定是期望風(fēng)險最小的時候?;诮?jīng)驗(yàn)風(fēng)險最小的分類器的識別能力較差,在分類過程中很難達(dá)到更高的分類精度,針對這一問題,在有限數(shù)據(jù)樣本的條件下將結(jié)構(gòu)風(fēng)險降低到最小。

    2.2 多元SVM-REF分類方法

    當(dāng)采集到的數(shù)據(jù)特征樣本的維度過大而訓(xùn)練樣本的模式較少時,采用降低高維度數(shù)據(jù)空間的維數(shù)用以避免過擬合風(fēng)險。在進(jìn)行過擬合過程中,樣本的訓(xùn)練分類器通常是分類精度非常高的,但缺點(diǎn)在于泛化性能差。利用正則化方法能夠在某種程度上解決過擬合問題的同時不對數(shù)據(jù)進(jìn)行降維處理,而SVM分類方法正是針對這一問題建立的。SVM分類方法在處理非線性問題時具有良好的表現(xiàn)效果,并且計算過程的復(fù)雜度相對較低,但SVM分類方法只能用于對小樣本數(shù)據(jù)進(jìn)行識別,而對于高維度的大數(shù)據(jù)樣本進(jìn)行分析時要結(jié)合特征選擇的方法進(jìn)行分析。上文已經(jīng)對數(shù)據(jù)特征選擇進(jìn)行分析,在此不進(jìn)行過多贅述,將SVM分類方法與特征選擇相結(jié)合,對高維度大數(shù)據(jù)進(jìn)行分類。將特征選擇后的結(jié)果進(jìn)行排序,排序后的特征將被直接應(yīng)用于后續(xù)分析中。對于排序的準(zhǔn)則函數(shù),可以為其設(shè)定一個閾值,方便后續(xù)篩查。在結(jié)構(gòu)風(fēng)險最小的數(shù)據(jù)中,將對應(yīng)的嵌套子特征集合定義為[F1?F2?…?F]。通過改變設(shè)定的信息準(zhǔn)則閾值,人們可以篩選出相應(yīng)的最優(yōu)特征子集。然后,利用遞歸特征消除法,根據(jù)設(shè)定的判斷閾值,對數(shù)據(jù)樣本的特征進(jìn)行合理排序,并以此作為衡量數(shù)據(jù)樣本特征對分類器學(xué)習(xí)性能的重要程度的標(biāo)準(zhǔn)。該方法的基本流程為:訓(xùn)練分類器→根據(jù)排序準(zhǔn)則,計算出大數(shù)據(jù)中所有特征的得分情況→去除得分排序最低的特征樣。

    3 試驗(yàn)論證分析

    3.1 試驗(yàn)準(zhǔn)備

    為了驗(yàn)證本文提出的復(fù)雜屬性大數(shù)據(jù)分類方法,首先建立用于算法的開發(fā)、數(shù)據(jù)可視化、數(shù)據(jù)分析以及數(shù)值計算的交互式平臺,準(zhǔn)備一種簡單、易于使用并且快速有效的SVM模式可識別的軟件工具箱進(jìn)行試驗(yàn),比較本文提出的分類方法和傳統(tǒng)的數(shù)據(jù)分類方法對高維度數(shù)據(jù)分類的表現(xiàn)。其間采用UCI機(jī)器學(xué)習(xí)數(shù)據(jù)庫中的數(shù)據(jù)集,其中應(yīng)包含一個多分類數(shù)據(jù)集。該數(shù)據(jù)集含有180個樣本、14個屬性,在該數(shù)據(jù)集中,不同屬性之間的數(shù)據(jù)分布情況要求差異性更大,數(shù)值分布更分散。

    3.2 分類準(zhǔn)確定評價

    為了讓對比試驗(yàn)?zāi)軌蚋忧逦乇磉_(dá)兩種方法的有效性,利用評價準(zhǔn)則對兩種方法的復(fù)雜屬性大數(shù)據(jù)分類結(jié)果進(jìn)行度量。平均百分比分類誤差[MPCE]是分類方法領(lǐng)域中經(jīng)典的評價指標(biāo),其公式可表示為:

    3.3 試驗(yàn)結(jié)果分析

    將兩種方法對數(shù)據(jù)集的分類情況進(jìn)行記錄,如表1所示。

    根據(jù)表1記錄的數(shù)據(jù),利用上文提出的平均百分比分類誤差計算出兩種方法的誤差值。傳統(tǒng)方法誤差值分別為16.67%、20.00%、23.33%、16.67%、26.67%、13.33%;本文分類方法誤差值分別為6.67%、10.00%、3.33%、3.33%、6.67%、6.67%。通過數(shù)據(jù)可以看出,本文提出的分類方法對復(fù)雜屬性大數(shù)據(jù)分類的誤差值明顯低于傳統(tǒng)分類方法,且本文提出的分類方法誤差值最低可達(dá)3.33%,也就是說該方法的分類精度可達(dá)96.67%,明顯高于傳統(tǒng)分類方法,這也說明了本文提出的基于數(shù)據(jù)降維的復(fù)雜屬性大數(shù)據(jù)分類方法更具實(shí)際意義。

    4 結(jié)語

    現(xiàn)代社會,數(shù)據(jù)增長速度是十分驚人的,隨著計算機(jī)技術(shù)的迅猛發(fā)展和廣泛的應(yīng)用,在工業(yè)、生物、醫(yī)療等領(lǐng)域,數(shù)據(jù)的采集和傳輸速度快速增長,同時數(shù)據(jù)復(fù)雜程度日趨增加,規(guī)模不斷擴(kuò)大,因此形成了類型更加復(fù)雜、形式更加多樣的數(shù)據(jù)信息。在進(jìn)行數(shù)據(jù)挖掘時,人們要重新考慮人類生活及生產(chǎn)中各個方面的需求,日后對高維度、多源、非均衡的復(fù)雜數(shù)據(jù)信息分類進(jìn)行更加深入的研究。

    參考文獻(xiàn):

    [1]黃建理,杜金燃,謝家全.一種基于改進(jìn)KNN的大數(shù)據(jù)離群點(diǎn)檢測算法[J].計算機(jī)與現(xiàn)代化,2017(5):67-70.

    [2]滕少華,盧東略,霍穎翔,等.基于正交投影的降維分類方法研究[J].廣東工業(yè)大學(xué)學(xué)報,2017(3):1-7.

    [3]何興高,李蟬娟,王瑞錦.基于信息熵的高維稀疏大數(shù)據(jù)降維算法研究[J].電子科技大學(xué)學(xué)報,2018(2):235-241.

    [4]蔣華,韓飛,王鑫.基于MapReduce改進(jìn)K-NN的大數(shù)據(jù)分類算法研究[J].微電子學(xué)與計算機(jī),2018(10):42-51.

    猜你喜歡
    大數(shù)據(jù)分類
    分類算一算
    垃圾分類的困惑你有嗎
    大眾健康(2021年6期)2021-06-08 19:30:06
    分類討論求坐標(biāo)
    數(shù)據(jù)分析中的分類討論
    教你一招:數(shù)的分類
    大數(shù)據(jù)環(huán)境下基于移動客戶端的傳統(tǒng)媒體轉(zhuǎn)型思路
    新聞世界(2016年10期)2016-10-11 20:13:53
    基于大數(shù)據(jù)背景下的智慧城市建設(shè)研究
    科技視界(2016年20期)2016-09-29 10:53:22
    數(shù)據(jù)+輿情:南方報業(yè)創(chuàng)新轉(zhuǎn)型提高服務(wù)能力的探索
    中國記者(2016年6期)2016-08-26 12:36:20
    給塑料分分類吧
    亚洲美女视频黄频| 99视频精品全部免费 在线| 成人一区二区视频在线观看| 国产精品永久免费网站| 别揉我奶头 嗯啊视频| 中出人妻视频一区二区| 简卡轻食公司| 久久久久性生活片| 亚洲成av人片在线播放无| 亚洲中文字幕一区二区三区有码在线看| 精品一区二区免费观看| 免费搜索国产男女视频| 成人亚洲精品av一区二区| 伦精品一区二区三区| 欧美+亚洲+日韩+国产| 五月玫瑰六月丁香| 久久久色成人| 国产精品野战在线观看| 亚洲精品亚洲一区二区| 亚洲欧洲日产国产| 国产麻豆成人av免费视频| 成人综合一区亚洲| 久久久久久九九精品二区国产| 国产精品一区二区三区四区久久| 97热精品久久久久久| 国产精品久久电影中文字幕| 亚洲经典国产精华液单| 久久久久久久久大av| av卡一久久| 欧美成人免费av一区二区三区| 波多野结衣巨乳人妻| 午夜福利高清视频| 亚洲无线在线观看| 日本撒尿小便嘘嘘汇集6| 久久久久久久久中文| 1000部很黄的大片| 狂野欧美激情性xxxx在线观看| 成人av在线播放网站| 国产日韩欧美在线精品| 精品人妻偷拍中文字幕| 亚洲精品国产成人久久av| 最近的中文字幕免费完整| 免费人成在线观看视频色| 寂寞人妻少妇视频99o| 亚洲av免费在线观看| 久久久久九九精品影院| 国产中年淑女户外野战色| 日韩高清综合在线| 丰满乱子伦码专区| 亚洲最大成人av| 91在线精品国自产拍蜜月| 美女cb高潮喷水在线观看| 精品人妻熟女av久视频| 蜜桃亚洲精品一区二区三区| 高清毛片免费看| 日韩一区二区视频免费看| 一个人看视频在线观看www免费| 人体艺术视频欧美日本| 亚洲精品日韩在线中文字幕 | 免费大片18禁| 日本一二三区视频观看| 麻豆精品久久久久久蜜桃| 成人av在线播放网站| 免费在线观看成人毛片| 中文字幕免费在线视频6| 久久久久久久亚洲中文字幕| 麻豆成人av视频| 国产精品一区二区在线观看99 | 青青草视频在线视频观看| 一本久久中文字幕| 久久人人爽人人片av| 99久久成人亚洲精品观看| 欧美潮喷喷水| 在线a可以看的网站| 国产极品天堂在线| 狠狠狠狠99中文字幕| 一卡2卡三卡四卡精品乱码亚洲| 亚洲国产精品合色在线| 黑人高潮一二区| 久久午夜亚洲精品久久| 国产亚洲精品av在线| 国产精品无大码| 亚洲av第一区精品v没综合| 欧美成人免费av一区二区三区| 黄色一级大片看看| 美女国产视频在线观看| 国产精品一区www在线观看| 国产欧美日韩精品一区二区| 久久人人精品亚洲av| 免费观看人在逋| 老司机福利观看| 少妇高潮的动态图| 婷婷六月久久综合丁香| 日韩亚洲欧美综合| 日日摸夜夜添夜夜添av毛片| 欧美日韩精品成人综合77777| 国产黄片视频在线免费观看| 直男gayav资源| 美女脱内裤让男人舔精品视频 | 午夜福利成人在线免费观看| 人体艺术视频欧美日本| 久久久久久大精品| 久久精品久久久久久久性| 欧美激情国产日韩精品一区| 丰满人妻一区二区三区视频av| 国产精华一区二区三区| 18+在线观看网站| 国产真实伦视频高清在线观看| 日本爱情动作片www.在线观看| 成熟少妇高潮喷水视频| 精品熟女少妇av免费看| 中国国产av一级| 人妻系列 视频| 久久精品国产亚洲av涩爱 | 国内精品久久久久精免费| 国产精品综合久久久久久久免费| АⅤ资源中文在线天堂| 97热精品久久久久久| 国产精品一区www在线观看| 中文字幕免费在线视频6| 欧美不卡视频在线免费观看| 国产精品人妻久久久影院| 麻豆成人午夜福利视频| 精品少妇黑人巨大在线播放 | 久久精品国产自在天天线| 国产高清有码在线观看视频| a级毛色黄片| 熟妇人妻久久中文字幕3abv| 久久久成人免费电影| 一本一本综合久久| 中国美白少妇内射xxxbb| 久久国产乱子免费精品| 久久久色成人| 日韩,欧美,国产一区二区三区 | 18禁裸乳无遮挡免费网站照片| 成人美女网站在线观看视频| 欧美日韩在线观看h| 天天躁日日操中文字幕| 免费一级毛片在线播放高清视频| www日本黄色视频网| 天天躁日日操中文字幕| 国内精品久久久久精免费| 亚洲真实伦在线观看| 91久久精品国产一区二区成人| av黄色大香蕉| 插逼视频在线观看| 黄片wwwwww| 亚洲欧美成人综合另类久久久 | 国产黄a三级三级三级人| 好男人视频免费观看在线| 国产单亲对白刺激| a级一级毛片免费在线观看| 国产午夜福利久久久久久| 成人国产麻豆网| 久久久久久大精品| 1024手机看黄色片| 高清在线视频一区二区三区 | 中文字幕久久专区| 小说图片视频综合网站| 国产成人91sexporn| 听说在线观看完整版免费高清| 亚洲精品国产成人久久av| 在现免费观看毛片| 人妻久久中文字幕网| 成人永久免费在线观看视频| 国产高潮美女av| 欧美高清性xxxxhd video| 尾随美女入室| 国产三级中文精品| 亚洲国产欧美在线一区| 好男人视频免费观看在线| 亚洲久久久久久中文字幕| 国产成人freesex在线| 国产精品综合久久久久久久免费| 亚洲18禁久久av| 最近2019中文字幕mv第一页| 成人永久免费在线观看视频| 97超视频在线观看视频| 如何舔出高潮| 边亲边吃奶的免费视频| 欧美成人a在线观看| 亚洲丝袜综合中文字幕| 久久国产乱子免费精品| 亚洲人与动物交配视频| 久久久久国产网址| 黑人高潮一二区| 美女高潮的动态| 黄色日韩在线| 丰满乱子伦码专区| 三级毛片av免费| 国产综合懂色| 国产成人freesex在线| 少妇人妻一区二区三区视频| 精品欧美国产一区二区三| 尾随美女入室| 有码 亚洲区| 人妻久久中文字幕网| 12—13女人毛片做爰片一| 午夜亚洲福利在线播放| 国产精品电影一区二区三区| 美女大奶头视频| 久久九九热精品免费| 久久久久免费精品人妻一区二区| 波多野结衣高清作品| 日本黄色片子视频| 22中文网久久字幕| 性色avwww在线观看| 日韩在线高清观看一区二区三区| 精品午夜福利在线看| 免费看日本二区| 精品一区二区三区人妻视频| 久久午夜福利片| 欧美变态另类bdsm刘玥| 国产精品人妻久久久影院| 久久精品国产99精品国产亚洲性色| 全区人妻精品视频| 亚洲国产精品成人综合色| 免费观看精品视频网站| 精品一区二区免费观看| 极品教师在线视频| 国产乱人视频| 亚洲四区av| 熟妇人妻久久中文字幕3abv| 亚洲18禁久久av| 亚洲欧美精品综合久久99| 边亲边吃奶的免费视频| 最后的刺客免费高清国语| 久久久久免费精品人妻一区二区| 精品久久国产蜜桃| 亚洲人成网站高清观看| 久久精品国产亚洲av香蕉五月| 国产美女午夜福利| 免费av不卡在线播放| a级毛片免费高清观看在线播放| 欧洲精品卡2卡3卡4卡5卡区| 欧美日韩在线观看h| 1024手机看黄色片| 高清午夜精品一区二区三区 | 一个人看的www免费观看视频| 国产一区亚洲一区在线观看| 插阴视频在线观看视频| 少妇的逼好多水| 欧美成人一区二区免费高清观看| 中文字幕久久专区| 亚洲真实伦在线观看| 一个人观看的视频www高清免费观看| 色尼玛亚洲综合影院| 你懂的网址亚洲精品在线观看 | 久久精品国产亚洲av香蕉五月| av女优亚洲男人天堂| 精品少妇黑人巨大在线播放 | 黄色视频,在线免费观看| 欧美成人精品欧美一级黄| 免费观看在线日韩| 激情 狠狠 欧美| 特大巨黑吊av在线直播| 插逼视频在线观看| 久久久精品欧美日韩精品| 国产一级毛片在线| 白带黄色成豆腐渣| 久久久久久久久大av| 免费观看的影片在线观看| av在线老鸭窝| 精品一区二区三区人妻视频| 一级毛片久久久久久久久女| 亚洲图色成人| 国产乱人视频| 最近中文字幕高清免费大全6| 亚洲不卡免费看| 亚洲人成网站在线播放欧美日韩| 听说在线观看完整版免费高清| 亚洲天堂国产精品一区在线| 五月伊人婷婷丁香| 国产日本99.免费观看| 免费观看在线日韩| 最近手机中文字幕大全| 精品不卡国产一区二区三区| 69av精品久久久久久| 久久久欧美国产精品| 亚洲国产欧洲综合997久久,| 国产高清三级在线| 久久中文看片网| 国产精品蜜桃在线观看 | 亚洲精品久久国产高清桃花| 婷婷亚洲欧美| 91在线精品国自产拍蜜月| 亚洲人成网站在线观看播放| 九色成人免费人妻av| 老师上课跳d突然被开到最大视频| 亚洲精品日韩av片在线观看| 免费看av在线观看网站| 久久人人精品亚洲av| 一进一出抽搐动态| 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| 黄色日韩在线| 久久韩国三级中文字幕| 久久久久国产网址| 两个人视频免费观看高清| 日日摸夜夜添夜夜添av毛片| 听说在线观看完整版免费高清| 成人一区二区视频在线观看| 变态另类丝袜制服| 中文字幕久久专区| 久久精品影院6| 久久久a久久爽久久v久久| 一区福利在线观看| 九九爱精品视频在线观看| 久久人人精品亚洲av| 三级毛片av免费| 国产女主播在线喷水免费视频网站 | 欧美精品一区二区大全| 久久午夜亚洲精品久久| 精品一区二区三区人妻视频| 久久久久网色| 两个人的视频大全免费| 好男人在线观看高清免费视频| 亚洲成人av在线免费| 国产高清有码在线观看视频| www.av在线官网国产| 99久国产av精品| 国产爱豆传媒在线观看| 在线免费十八禁| 熟女电影av网| 禁无遮挡网站| 欧美三级亚洲精品| 在现免费观看毛片| 国产女主播在线喷水免费视频网站 | 久久久成人免费电影| 欧美极品一区二区三区四区| 少妇丰满av| 蜜桃亚洲精品一区二区三区| 成人三级黄色视频| 99久国产av精品| 亚洲欧美日韩无卡精品| 性欧美人与动物交配| 国产极品天堂在线| 国产亚洲欧美98| 欧美性感艳星| 观看免费一级毛片| 国产高清视频在线观看网站| 国产高清三级在线| 亚洲av成人av| 精品国内亚洲2022精品成人| 国产成人精品婷婷| 99热精品在线国产| 色综合亚洲欧美另类图片| 欧美成人免费av一区二区三区| 欧美日韩在线观看h| 亚洲成a人片在线一区二区| 亚洲精品自拍成人| 国产亚洲欧美98| 免费看a级黄色片| 韩国av在线不卡| 久久欧美精品欧美久久欧美| 国产精品一二三区在线看| 国产极品天堂在线| 久久久国产成人精品二区| av在线观看视频网站免费| 麻豆乱淫一区二区| 美女大奶头视频| 一级av片app| 日韩欧美精品v在线| 成年免费大片在线观看| 久久国产乱子免费精品| 国产91av在线免费观看| 国产精品久久久久久精品电影| 色尼玛亚洲综合影院| 久久精品国产亚洲av香蕉五月| 日本三级黄在线观看| 看非洲黑人一级黄片| 欧美极品一区二区三区四区| www.色视频.com| 国产乱人偷精品视频| 菩萨蛮人人尽说江南好唐韦庄 | 免费观看精品视频网站| 色综合站精品国产| 91狼人影院| 少妇裸体淫交视频免费看高清| 尾随美女入室| 日日干狠狠操夜夜爽| 伊人久久精品亚洲午夜| 91在线精品国自产拍蜜月| 亚洲国产精品合色在线| videossex国产| 插逼视频在线观看| 久久久国产成人免费| 边亲边吃奶的免费视频| 免费在线观看成人毛片| 日本色播在线视频| 亚洲美女搞黄在线观看| 久久中文看片网| 久久久久久久亚洲中文字幕| 精品久久国产蜜桃| 亚洲无线观看免费| 亚洲aⅴ乱码一区二区在线播放| 老熟妇乱子伦视频在线观看| 99riav亚洲国产免费| 成人特级黄色片久久久久久久| 亚洲最大成人手机在线| 一进一出抽搐gif免费好疼| 亚洲欧美中文字幕日韩二区| 国产三级中文精品| 久久草成人影院| 在线观看一区二区三区| 精品人妻一区二区三区麻豆| 亚洲熟妇中文字幕五十中出| 国产成人午夜福利电影在线观看| 国产黄色小视频在线观看| 免费看光身美女| 丝袜美腿在线中文| 你懂的网址亚洲精品在线观看 | 久久这里有精品视频免费| 91久久精品国产一区二区三区| 亚洲欧美成人精品一区二区| av视频在线观看入口| 一个人看的www免费观看视频| 日韩欧美精品免费久久| 午夜福利在线观看免费完整高清在 | 精品久久久久久久人妻蜜臀av| 亚洲精品国产成人久久av| 亚洲无线观看免费| 一个人观看的视频www高清免费观看| 在线a可以看的网站| 国产精华一区二区三区| 又粗又爽又猛毛片免费看| 99热这里只有是精品在线观看| 美女大奶头视频| 国产久久久一区二区三区| 亚洲综合色惰| 免费人成在线观看视频色| 国产精品爽爽va在线观看网站| 搞女人的毛片| 亚洲精品久久国产高清桃花| 国产高潮美女av| 久久久久性生活片| 一区福利在线观看| 成人美女网站在线观看视频| or卡值多少钱| 国产精品.久久久| 男人的好看免费观看在线视频| 99久久久亚洲精品蜜臀av| 少妇熟女欧美另类| 久久精品国产自在天天线| av黄色大香蕉| 成年女人永久免费观看视频| 伦精品一区二区三区| 少妇猛男粗大的猛烈进出视频 | 欧美色欧美亚洲另类二区| 97人妻精品一区二区三区麻豆| 亚洲不卡免费看| 亚洲自偷自拍三级| 91精品一卡2卡3卡4卡| 成人午夜高清在线视频| 欧美三级亚洲精品| 久久人人爽人人片av| 精品久久久久久久久亚洲| 色尼玛亚洲综合影院| 波多野结衣高清作品| 欧美高清成人免费视频www| 亚洲av第一区精品v没综合| 一级黄色大片毛片| 国产片特级美女逼逼视频| 只有这里有精品99| 亚洲美女搞黄在线观看| 哪里可以看免费的av片| 亚洲性久久影院| 夜夜爽天天搞| 欧美精品一区二区大全| 国产单亲对白刺激| 久久中文看片网| 午夜视频国产福利| 成人午夜高清在线视频| 国产成人精品久久久久久| 非洲黑人性xxxx精品又粗又长| 天堂影院成人在线观看| 亚洲18禁久久av| 亚洲国产日韩欧美精品在线观看| 毛片一级片免费看久久久久| 三级国产精品欧美在线观看| 国产亚洲欧美98| 男女做爰动态图高潮gif福利片| 国内精品久久久久精免费| 国产精品精品国产色婷婷| 国产黄片美女视频| 国产精品久久久久久精品电影小说 | 亚洲国产精品sss在线观看| 尤物成人国产欧美一区二区三区| 色综合站精品国产| 国产精品.久久久| 老司机影院成人| 欧美日本亚洲视频在线播放| 精品久久久久久久久久久久久| 国产成人a区在线观看| 久久久精品94久久精品| 大香蕉久久网| 99在线视频只有这里精品首页| 久久人人精品亚洲av| 97人妻精品一区二区三区麻豆| 亚洲天堂国产精品一区在线| or卡值多少钱| 日本成人三级电影网站| 日韩 亚洲 欧美在线| 亚洲精品成人久久久久久| 99热这里只有是精品50| 免费看美女性在线毛片视频| 99视频精品全部免费 在线| 少妇人妻精品综合一区二区 | 99热全是精品| 国产精品久久久久久精品电影| a级一级毛片免费在线观看| av在线播放精品| 中文亚洲av片在线观看爽| 99热全是精品| 亚洲av男天堂| 91精品一卡2卡3卡4卡| 午夜福利在线观看吧| 又粗又爽又猛毛片免费看| 99热这里只有精品一区| 亚洲精品粉嫩美女一区| 少妇高潮的动态图| 亚洲成人久久爱视频| 在线观看一区二区三区| 国产精品野战在线观看| 夜夜爽天天搞| 国产三级中文精品| 99久久成人亚洲精品观看| 丰满乱子伦码专区| av福利片在线观看| 韩国av在线不卡| 亚洲av男天堂| 国产伦一二天堂av在线观看| 春色校园在线视频观看| 自拍偷自拍亚洲精品老妇| 国产av一区在线观看免费| 国产视频首页在线观看| 欧美最新免费一区二区三区| 国产麻豆成人av免费视频| 婷婷六月久久综合丁香| 18+在线观看网站| 成人无遮挡网站| 男人舔奶头视频| 高清毛片免费看| 久久久久久大精品| 精品不卡国产一区二区三区| 亚洲成a人片在线一区二区| 国产精品免费一区二区三区在线| 麻豆成人av视频| 99久国产av精品国产电影| 91av网一区二区| 中文字幕久久专区| 欧美在线一区亚洲| 又粗又爽又猛毛片免费看| 国内久久婷婷六月综合欲色啪| 亚洲无线在线观看| 美女脱内裤让男人舔精品视频 | 日韩人妻高清精品专区| 亚洲精品乱码久久久v下载方式| 欧美性猛交黑人性爽| 欧美最新免费一区二区三区| 国产日本99.免费观看| 亚洲一级一片aⅴ在线观看| 国产午夜精品论理片| 99久久精品国产国产毛片| 中文欧美无线码| 国产色婷婷99| 亚洲欧美日韩卡通动漫| 午夜福利高清视频| 在线播放国产精品三级| 免费看美女性在线毛片视频| 三级国产精品欧美在线观看| 亚洲久久久久久中文字幕| 国产精品爽爽va在线观看网站| 国产老妇女一区| 麻豆av噜噜一区二区三区| 亚洲国产欧洲综合997久久,| 国产精品.久久久| 秋霞在线观看毛片| 国产私拍福利视频在线观看| av在线亚洲专区| 亚洲欧美日韩高清专用| 亚洲欧美成人综合另类久久久 | 国产精品无大码| 99精品在免费线老司机午夜| 国产精品久久久久久av不卡| 只有这里有精品99| 亚洲国产精品国产精品| 亚洲18禁久久av| 日韩在线高清观看一区二区三区| 国产成人freesex在线| 狠狠狠狠99中文字幕| 亚洲av二区三区四区| 能在线免费看毛片的网站| 国内少妇人妻偷人精品xxx网站| 国产精品伦人一区二区| 久久久久久伊人网av| 国产成人a区在线观看| 欧美精品国产亚洲| 91狼人影院| 午夜免费激情av| 人人妻人人澡欧美一区二区| 欧美极品一区二区三区四区| 99热只有精品国产| 在线国产一区二区在线| 性插视频无遮挡在线免费观看| 欧美一区二区精品小视频在线| 国产一级毛片在线| 国内精品一区二区在线观看| 欧美zozozo另类| 黄色日韩在线| 国产老妇伦熟女老妇高清| 哪个播放器可以免费观看大片| 亚洲国产精品久久男人天堂| 亚州av有码| 久久亚洲国产成人精品v|