• <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RF和KNN的地下采場開挖穩(wěn)定性評估

    2021-05-17 18:11:41仉文崗李紅蕊巫崇智王林
    關(guān)鍵詞:隨機森林

    仉文崗 李紅蕊 巫崇智 王林

    摘 ? 要:針對傳統(tǒng)地下采場開挖穩(wěn)定評估方法存在的局限性,引入機器學(xué)習(xí)方法,提出基于隨機森林算法(Random forest,RF)和K-最近鄰算法(K-nearest neighbor,KNN)的地下采場開挖穩(wěn)定性預(yù)測模型. 以加拿大8個采場為例,首先,獲取并分析399組觀測數(shù)據(jù),其中涵蓋了相應(yīng)的巖石質(zhì)量分級(Rock Mass Rating,RMR)值、跨度以及對應(yīng)的穩(wěn)定、潛在不穩(wěn)定或不穩(wěn)定狀態(tài). 然后將地下采場的穩(wěn)定性程度進行三分類及二分類,采用10折交叉驗證方法進行模型超參數(shù)優(yōu)化,在不作任何假設(shè)的前提下,捕捉地下采場開挖穩(wěn)定性與RMR值、跨度之間的復(fù)雜關(guān)系. 研究表明:二分類結(jié)果準(zhǔn)確性高于三分類預(yù)測結(jié)果;在二分類方式下,兩種算法的準(zhǔn)確率及召回率均高于90%,其中KNN算法的表現(xiàn)優(yōu)于RF算法;提出的兩種方法較先前研究的正確率有很大提升,為開挖穩(wěn)定性評估提供了可靠途徑.

    關(guān)鍵詞:隨機森林;K-最近鄰;開挖穩(wěn)定性;交叉驗證;召回率

    中圖分類號:TP181 ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標(biāo)志碼:A

    Stability Assessment of Underground Entry-type Excavations

    Using Data-driven RF and KNN Methods

    ZHANG Wengang1,2,3?,LI Hongrui1,WU Chongzhi1,WANG Lin1,2,3

    (1. School of Civil Engineering,Chongqing University,Chongqing 400045,China;

    2. National Joint Engineering Research Center of Geohazards Prevention

    in the Reservoir Areas (Chongqing University),Chongqing 400045,China;

    3. Key Laboratory of New Technology for Construction of Cities in

    Mountain Area (Chongqing University),Ministry of Education,Chongqing 400045,China)

    Abstract:In view of the limitations of traditional entry-type excavation stability assessment methods,this study explores the uses of novel data-driven machine learning methods to establish the excavation stability prediction models based on the random forest(RF) and K-nearest neighbor(KNN) methods. The proposed methods are based on 399 case histories from eight Canadian mines,covering a wide range of rock mass rating(RMR) and span,with stable,potential unstable and unstable cases categorized into ternary and binary groups. A ten-fold cross-validation method is applied to optimize the hyper-parameters during modeling. These two machine learning methods can capture the complex relationship between the excavation stability with RMR value and span without any assumptions of the underlying relationship. The results indicate that the accuracy of the binary classification results are slightly better than the ternary prediction results. For the binary classification circumstance,the accuracy and recall rate of both algorithms are higher than 90%,and the performance of the KNN algorithm is better than that of the RF algorithm. Meanwhile,the two proposed methods greatly improve the accuracy rate over previous studies and provide a reliable way for excavation stability assessment.

    Key words:random forests;K-nearest neighbor;entry-type excavations stability;cross validation;recall rate

    地下采場的穩(wěn)定性是采礦作業(yè)安全性的主要關(guān)注點,對采場生產(chǎn)率有著重要影響. 確定采場穩(wěn)定性的普遍方法是通過對巖石力學(xué)參數(shù)進行評估,然后采用巖石質(zhì)量Q系統(tǒng)分類法、RMR (rock mass rating)分類法或地質(zhì)強度指標(biāo)(GSI)等方法對巖石進行評分,最終根據(jù)相應(yīng)的分級標(biāo)準(zhǔn)[1-3],確定巖石的穩(wěn)定性程度. 近年來,一些方法如數(shù)值模擬法[4]、臨界跨度圖法[5]以及Mathews 穩(wěn)定圖法[6-7]等被提出用于預(yù)測礦洞的穩(wěn)定性,然而這些方法比較傳統(tǒng),經(jīng)驗性較強. 在數(shù)據(jù)挖掘時代,越來越多的準(zhǔn)確可靠的機器學(xué)習(xí)算法模型應(yīng)用于實際工程中指導(dǎo)工程師判斷礦體穩(wěn)定性[8-11].

    Wang等[12] 采用神經(jīng)網(wǎng)絡(luò)算法,選取由加拿大6個地下采場組成的數(shù)據(jù)庫(292組數(shù)據(jù)),將采場跨度、RMR值、Q值作為輸入?yún)?shù),對數(shù)據(jù)庫進行訓(xùn)練并創(chuàng)建神經(jīng)網(wǎng)絡(luò)“專家”,進而對不同測試集進行訓(xùn)練得到預(yù)測模型,應(yīng)用神經(jīng)網(wǎng)絡(luò)得到的跨度設(shè)計圖與經(jīng)驗設(shè)計方法相比得到顯著改進. García-Gonzalo 等[5]提出采用支持向量機(Support Vector Machine,SVM)和極限學(xué)習(xí)(Extreme Learning Machine,ELM)方法對加拿大采場更新的數(shù)據(jù)庫(8個地下采場,399組觀測數(shù)據(jù))對應(yīng)的臨界跨度圖進行重新劃分區(qū)域,與Lang[13]根據(jù)加拿大Detour Lake Mine中的172組數(shù)據(jù)提出的臨界跨度圖穩(wěn)定性分區(qū)范圍作比較,結(jié)果吻合較好,并在此基礎(chǔ)上進行了優(yōu)化. Goh等[14]結(jié)合多元自適應(yīng)回歸樣條與邏輯回歸兩種方法(Multivariate Adaptive Regression Splines and Logistic Regression,MARS_LR),首次采用新的評估標(biāo)準(zhǔn)——第一類犯錯率及第二類犯錯率對預(yù)測模型的準(zhǔn)確性進行評估,預(yù)測地下采場開挖穩(wěn)定性.

    然而,以上經(jīng)典的機器學(xué)習(xí)模型——神經(jīng)網(wǎng)絡(luò),雖然預(yù)測結(jié)果精確,但對數(shù)據(jù)量要求高,且計算量大,較為費時[15]. 對于SVM等算法,盡管模型預(yù)測能力令人相對滿意,但模型解釋性差且調(diào)整參數(shù)過程繁瑣. 此外,廣泛應(yīng)用于巖土工程領(lǐng)域的MARS方法[16-17],其在解決問題時需要涉及具體的表達公式,在計算應(yīng)用時較為復(fù)雜. 因此本文采取機器學(xué)習(xí)方法中RF算法與KNN算法來避免上述問題. 這兩種機器學(xué)習(xí)方法可解釋性強,對變量之間隱藏的關(guān)系不進行任何假設(shè),直接體現(xiàn)變量間的交互作用,便于計算變量的非線性作用,從而提高模型泛化能力,在處理非平衡的數(shù)據(jù)時結(jié)果更加穩(wěn)健.

    鑒于此,以加拿大地下采場實測數(shù)據(jù)為例,研究RF與KNN算法對采場開挖穩(wěn)定性預(yù)測的可行性. 結(jié)合臨界跨度圖法對RMR值、跨度以及對應(yīng)穩(wěn)定性狀態(tài)進行了綜合分析,然后詳細介紹了RF算法、KNN算法及預(yù)測模型準(zhǔn)確性評估準(zhǔn)則,在三分類及二分類方式下,基于10折交叉驗證理論進行超參數(shù)優(yōu)化. 最后,通過計算各種模型評價指標(biāo)和ROC曲線定量檢驗,對比分析不同分類方式下預(yù)測模型的表現(xiàn),探討本文方法的可行性.

    1 ? 臨界跨度圖及數(shù)據(jù)庫

    在許多礦洞填挖工程中,經(jīng)驗法因其簡單性且不需要完全掌握巖體力學(xué)參數(shù)等優(yōu)勢而被廣泛采用,其通常不考慮實際的破壞機制,而是根據(jù)綜合很多案例得出的規(guī)律進行預(yù)判,具有一定的代表性,因此常被工程師應(yīng)用于設(shè)計初級階段對巖石穩(wěn)定性進行初步判斷.

    臨界尺寸圖是一種被廣泛應(yīng)用于地下采場開挖穩(wěn)定性評估的經(jīng)驗理論,由加拿大學(xué)者Lang首次提出[13]. 本文根據(jù)采場的跨度、巖石質(zhì)量分級RMR值 (依據(jù)Bieniawski于1976年提出的RMR分類法[18]) 及礦洞穩(wěn)定性等信息繪制成臨界跨度圖,可明顯地將區(qū)域分為3部分,即穩(wěn)定、潛在不穩(wěn)定和不穩(wěn)定區(qū)域(見圖1). 通過觀察礦洞不同穩(wěn)定程度的分區(qū)范圍,對類似地質(zhì)條件的礦洞穩(wěn)定性進行初步判斷.

    表1中總結(jié)了加拿大8個礦山的399組歷史數(shù)據(jù),其中包含241個穩(wěn)定案例,78個潛在不穩(wěn)定案例和80個不穩(wěn)定案例,具體包括RMR分值、跨度以及相應(yīng)的礦洞穩(wěn)定性狀態(tài)等信息. 圖2統(tǒng)計了輸入?yún)?shù)RMR值和跨度直方圖,關(guān)于案例的詳細介紹,讀者可參考文獻[19].

    由于礦洞實際觀測情況分為穩(wěn)定、潛在不穩(wěn)定和不穩(wěn)定三種狀態(tài),大部分研究根據(jù)臨界跨度圖將數(shù)據(jù)分為三組,但潛在不穩(wěn)定狀態(tài)與另外兩種狀態(tài)的邊界劃分不夠明顯. García-Gonzalo[5]、Goh等[14]考慮了臨界跨度圖的替代形式,即把不穩(wěn)定及潛在不穩(wěn)定均視為不穩(wěn)定,只考慮穩(wěn)定和不穩(wěn)定兩種情況繪制臨界跨度圖. 為了對比不同分類方式對預(yù)測結(jié)果準(zhǔn)確性的影響,本文采用RF和KNN算法對三分類與二分類兩種方式進行預(yù)測分析. 此外,在二分類方式下,采用ROC曲線下AUC面積值對不同算法的表現(xiàn)進行對比分析.

    2 ? 分類算法

    2.1 ? RF算法

    RF是由Breiman提出的基于CART決策樹(Classification and regression trees)的集成算法[20]. 目前該算法已廣泛用于分類、回歸和無監(jiān)督學(xué)習(xí)等方面. 對于多分類問題,采用隨機抽樣形成多個分類器,可收斂到更低的泛化誤差[21],有效地提高了算法的泛化能力,并且運算可實現(xiàn)高度并行化,進而提升模型計算效率[22-24]. 另外,RF算法對于不平衡樣本分類表現(xiàn)優(yōu)異,本文數(shù)據(jù)庫中不穩(wěn)定案例數(shù)量少于穩(wěn)定案例數(shù)量,因此可以通過分析預(yù)測結(jié)果來驗證預(yù)測模型的適用性.

    RF算法利用bootstrap重抽樣方法從原始樣本中抽取多個樣本組合構(gòu)成多棵決策樹(見圖3),在不同決策樹演化過程中隨機改變預(yù)測變量組合來增加分類樹的多樣性,經(jīng)過n 輪訓(xùn)練,將不同決策樹h1在樣本x上的預(yù)測輸出表示為一個N維向量(h1

    i(x),h2

    i(x),…h(huán)k

    i(x),…,hN

    i(x)),其中hk

    i(x)是hi在類別標(biāo)記ck上的輸出. 采用多數(shù)投票機制決定最終分類結(jié)果[25],分類決策公式見式(1).

    H(x) = c

    hk

    i(x) ? ? ? ?(1)

    式中:類別標(biāo)記ck∈{c1,c2,…,cN};H(x)表示輸出類別,即預(yù)測為得票最多的標(biāo)記,若同時有多個標(biāo)記獲得最高票,則從中隨機選取一個標(biāo)記. 式(1)解釋了該算法采用多數(shù)投票決策方式的原理.

    2.2 ? KNN算法

    KNN算法是一種基于統(tǒng)計的非參數(shù)模式識別分類算法,由Yakowitz首次提出并應(yīng)用于時間序列預(yù)測方面[26]. 由于其實現(xiàn)過程的簡單性,已在很多領(lǐng)域得到應(yīng)用,如文本分類[27]、短期需水量預(yù)測[28]、年平均降雨量預(yù)報[29]等. 該算法簡單易用,但對內(nèi)存要求較高,其在學(xué)習(xí)過程中簡單地存儲已知的所有訓(xùn)練數(shù)據(jù),當(dāng)遇到新的查詢樣本時,取出一系列相似的樣本,用來分類新的查詢樣本. 圖4為三分類情況下,KNN算法原理示意圖.

    假定所有的樣本對應(yīng)于n維空間R″中的點,一個樣本的最近鄰可根據(jù)標(biāo)準(zhǔn)的歐氏距離定義[30]. 任意的樣本x表示為特征向量x={x1,x2,…,xi},xi表示樣本x的第i個特征值. 那么兩個樣本xm和xn的距離定義為d(xm,xn),在二維和三維空間中的歐氏距離即兩點之間的實際距離,計算公式為:

    d(xm,xn) = ? ? ? (2)

    給定一個待分類的樣本xm,x1,x2,…,xk表示訓(xùn)練集中與xm距離最近的K neighbors個樣本,使用最近鄰的大多數(shù)投票法作為待查詢樣本的預(yù)測值.

    2.3 ? 模型評估準(zhǔn)則

    在計算模型準(zhǔn)確率的時候,許多研究常采用正確率和判錯率來判斷模型的準(zhǔn)確性,然而只采用這兩個指標(biāo)不足以全面說明模型的準(zhǔn)確性,因此采用混淆矩陣來計算模型對任何一種情況的判斷準(zhǔn)確率或者失誤率是必不可少的. 混淆矩陣是一個評估分類模型表現(xiàn)好壞的表格,矩陣的列代表實際分類情況,行代表預(yù)測分類情況,三分類混淆矩陣如表2所示,對于二分類方式同理,在此不再贅述.

    混淆矩陣的每個單元代表不同預(yù)測狀態(tài)與實際狀態(tài)對應(yīng)的統(tǒng)計數(shù). 采用表3中評價指標(biāo)判斷模型準(zhǔn)確性:召回率(Recall rate)表示模型對地下采場三種穩(wěn)定性狀態(tài)判斷的正確率,如式(3)所示,這個數(shù)值代表模型對每種情況判斷正確的概率,在很大程度上決定了模型的適用性;模型的精確度(Precision)表示為式(4). 模型判斷準(zhǔn)確率(Accuracy)定義為式(5).

    此外,采用受試者工作特征曲線(Receiver Operating Characteristic Curve,ROC曲線)來評估兩種算法的性能,ROC曲線圖是反映敏感性與特異性之間關(guān)系的曲線,橫坐標(biāo)X軸為假陽性率(誤報率),縱坐標(biāo)Y軸為真陽性率(敏感度). ROC曲線下方部分的面積被稱為AUC(Area Under Curve),用來表示預(yù)測準(zhǔn)確性,AUC值越高,即曲線下方面積越大,說明預(yù)測準(zhǔn)確率越高[31-32]. AUC的值介于0.0~1.0,表現(xiàn)出色的模型AUC值高于0.9,一般的模型AUC值介于0.7~0.9,當(dāng)AUC值小于0.7時,模型效果較差[33].

    通常情況下,將不穩(wěn)定判斷為穩(wěn)定的代價要遠高于將穩(wěn)定判斷為不穩(wěn)定的代價,因此降低模型對不穩(wěn)定判斷為穩(wěn)定的概率,即提高不穩(wěn)定情況的召回率是至關(guān)重要的. 本文將重點分析兩種算法在不同分類模式下的召回率及模型準(zhǔn)確率,旨在提高模型實用性和可靠性.

    3 ? 計算流程及超參數(shù)優(yōu)化

    為了對比RF和KNN算法的表現(xiàn),設(shè)定兩種算法的訓(xùn)練集與測試集是相同的,均從399個數(shù)據(jù)中隨機選出299個數(shù)據(jù)作為訓(xùn)練集,剩余100個作為測試集. 將礦洞穩(wěn)定情況分別按照三分類和二分類兩種方式進行預(yù)測,并根據(jù)AUC值對兩種算法的表現(xiàn)進行對比,確定表現(xiàn)更好的模型. 兩種算法具體計算流程詳見圖5.

    超參數(shù)是在建立模型前設(shè)定的一組參數(shù),是用于控制模型好壞的調(diào)節(jié)旋鈕,調(diào)節(jié)超參數(shù)的目的是使模型在數(shù)據(jù)處理過程中訓(xùn)練難度與模型效果達到平衡. RF預(yù)測模型建立的最關(guān)鍵步驟是設(shè)置超參數(shù)N estimators和Max depth,分別代表樹的數(shù)量和最大深度. 如果N estimators的值很大,計算模型的復(fù)雜性會增加,反之,訓(xùn)練可能會不充分. 若Max depth的值很大,模型容易發(fā)生過擬合;若其值很小,則模型的準(zhǔn)確性可能會降低.

    在分類模型建立過程中必然存在相應(yīng)的決策邊界,當(dāng)N estimators或Max depth達到一定值后,模型準(zhǔn)確性往往不再上升或開始波動. 通常利用全局搜索先確定一個學(xué)習(xí)分?jǐn)?shù)較高的區(qū)間,然后根據(jù)這一范圍細化參數(shù)取值,進行局部搜索得到最優(yōu)超參數(shù)組合.

    本文選定N estimators取值范圍為[10,200]之間的整數(shù),Max depth取值范圍為[1,10]之間的整數(shù). 同樣在采用KNN算法時,其超參數(shù)K neighbors對模型影響最大,選定取值范圍為[1,20]. 然后,采用10折交叉驗證方法[34]優(yōu)化模型參數(shù),即將樣本數(shù)據(jù)分為10個子集,9個子集用于訓(xùn)練模型,剩余子集用于測試,子集交替充當(dāng)獨立測試集,而其他子集充當(dāng)訓(xùn)練集[35]. 這個過程增加了訓(xùn)練子集多樣性,同時保證了均勻采樣.

    基于上述方法,按照召回率和準(zhǔn)確率最高的原則,繪制超參數(shù)學(xué)習(xí)曲線,得到三分類及二分類情況下N estimators、Max depth及K neighbors最優(yōu)值,設(shè)定超參數(shù),將訓(xùn)練集的變量作為輸入值來生成RF與KNN預(yù)測模型. 采用測試集對模型進行驗證,得到最終的準(zhǔn)確率和召回率,其中具體超參數(shù)優(yōu)化過程詳見圖6、圖7.

    4 ? 結(jié)果分析

    基于RF和KNN算法,兩種分類方式下訓(xùn)練集及測試集的預(yù)測結(jié)果如圖8、圖9所示. 在三分類情況下,對比兩種算法訓(xùn)練集結(jié)果,RF算法對不穩(wěn)定情況的召回率更高,KNN算法的準(zhǔn)確率更高. 對于測試集而言,兩種算法準(zhǔn)確率及對不穩(wěn)定情況的召回率相等. 當(dāng)把潛在不穩(wěn)定視為不穩(wěn)定情況,采用二分類方式時,兩種算法的預(yù)測結(jié)果都比較理想,訓(xùn)練集與測試集的準(zhǔn)確率及召回率均高于90%,與三分類方式相比,二分類方式下模型預(yù)測結(jié)果準(zhǔn)確率及召回率更高. 這也說明由于潛在不穩(wěn)定是一種過渡狀態(tài),對其判斷的準(zhǔn)確性必定會影響整體的準(zhǔn)確性. 采用二分類方式,將采場觀測狀態(tài)進行簡單化,可以更大程度地提高預(yù)測準(zhǔn)確性,從而降低損失. 同時對比圖9(a)與(c)、圖9 (b)與(d)可以看出,KNN算法的訓(xùn)練集及測試集的預(yù)測結(jié)果均優(yōu)于RF算法.

    與先前文獻對比,Goh等[14]提出的MARS_LR模型,在二分類方式下,其訓(xùn)練集和測試集的準(zhǔn)確性分別為0.91和0.88. 本文在二分類方式下,RF模型的訓(xùn)練集和測試集的準(zhǔn)確性分別為0.96和0.93,KNN模型的訓(xùn)練集和測試集的準(zhǔn)確性分別為0.98和0.94.

    García-Gonzalo等[5]采用的SVM模型,三分類方式下對應(yīng)的總體平均準(zhǔn)確率為0.82,二分類方式下對應(yīng)的總體平均準(zhǔn)確率為0.98. 另外,基于ELM模型,三分類方式下對應(yīng)的總體平均準(zhǔn)確率為0.88. 本文中RF和KNN模型在三分類方式下對應(yīng)的總體平均準(zhǔn)確率分別為0.93、0.95,在二分類方式下對應(yīng)的總體平均準(zhǔn)確率分別為0.95、0.97.

    相對而言,本文所采用的兩個模型比SVM及ELM等算法表現(xiàn)更為穩(wěn)定,可解釋性更強,在準(zhǔn)確性方面有所提高. 尤其采用二分類方法時,兩種算法對不穩(wěn)定情況的召回率有明顯提升,即降低了將不穩(wěn)定狀態(tài)判定為穩(wěn)定狀態(tài)的概率,極大地提高了預(yù)測方法的可靠性. 另外,在本文樣本不均衡且數(shù)據(jù)量較小的情況下,兩種模型也未出現(xiàn)過擬合現(xiàn)象,更具有實用性.

    由于兩種算法在二分類方式下的預(yù)測結(jié)果更準(zhǔn)確,采用ROC曲線定量評估二分類方式下兩種算法的性能. 對比圖10(a)與(b)可看出,AUC值均高于0.9,但無論是訓(xùn)練集還是測試集,KNN算法的AUC值均高于RF算法的AUC值. 總體而言,KNN算法表現(xiàn)優(yōu)于RF算法,雖然其原理相對簡單,但模型表現(xiàn)更好,這也證明,KNN算法更適用于有明顯分類界限的數(shù)據(jù).

    5 ? 結(jié) ? 論

    結(jié)合加拿大的8個地下采場,399組歷史案例觀測數(shù)據(jù),采用RF和KNN兩種機器學(xué)習(xí)方法對地下采場開挖穩(wěn)定性進行評估,得到如下結(jié)論:

    1)將地下采場穩(wěn)定狀態(tài)劃分為兩種分類模式,

    基于10折交叉驗證理論分別對RF和KNN模型進行超參數(shù)優(yōu)化,在三分類方式下,確定最優(yōu)超參數(shù)取值分別為N estimators=30、Max depth=7及K neighbors=2,二分類方式下,最優(yōu)超參數(shù)取值分別為N estimators=20、Max depth=7及K neighbors=11.

    2)在兩種分類方式下,RF及KNN算法在訓(xùn)練

    集及測試集上的平均準(zhǔn)確率均高于90%. 并且二分類預(yù)測結(jié)果表現(xiàn)更好. 對于不穩(wěn)定情況的召回率這一評價指標(biāo),在三分類情況下,兩種模型在測試集上的值均為0.79. 在二分類情況下,兩種模型在測試集上的值分別為0.90、0.93. 因此將穩(wěn)定狀態(tài)進行二分類,可大幅提升對不穩(wěn)定情況的預(yù)測準(zhǔn)確率.

    3)對于二分類情況,KNN算法表現(xiàn)優(yōu)于RF算

    法,KNN算法在測試集和訓(xùn)練集上的準(zhǔn)確率、召回率以及ROC曲線下AUC值更高. 同時,與先前研究結(jié)果相比,兩種算法均有效提高了預(yù)測模型的準(zhǔn)確性和泛化能力,實用性更強.

    考慮到模型可解釋性、數(shù)據(jù)驅(qū)動及自適應(yīng)性、構(gòu)建變量之間的相互作用的能力以及預(yù)測不穩(wěn)定情況的準(zhǔn)確性等方面,這兩種算法在評估地下采場穩(wěn)定性方面都是可取的. 應(yīng)該強調(diào)的是,數(shù)據(jù)庫和特征已決定了計算方法的準(zhǔn)確度上限,各種模型和算法只是以不同的方式來達到這個極限. 因此,高質(zhì)量的數(shù)據(jù)集及重要特征提取對于計算方法的成功應(yīng)用至關(guān)重要.

    參考文獻

    [1] ? ?MILNE D,HADJIGEORGIOU J,PAKALNIS R. Rock mass characterization for underground hard rock mines[J]. ?Tunnelling and Underground Space Technology,1998,13(4):383—391.

    [2] ? ?王樹仁,周洪彬,武崇福,等. 采用綜合評判方法確定工程巖體力學(xué)參數(shù)研究[J]. 巖土力學(xué),2007,28(S1):202—206.

    WANG S R,ZHOU H B,WU C F,et al. Research on rock mechanics parameters by using comprehensive evaluation method of rock quality grade-oriented[J]. Rock and Soil Mechanics,2007,28(S1):202—206.(In Chinese)

    [3] ? ?申艷軍,徐光黎,楊更社,等. 基于巖體精細化描述的圍巖分類及力學(xué)參數(shù)概率分布特征分析[J]. ?巖土力學(xué),2014,35(2):565—572.

    SHEN Y J,XU G L,YANG G S,et al. Probability distribution characteristics of rock mass classification and its mechanical parameters based on fine description[J]. ?Rock and Soil Mechanics,2014,35(2):565—572. (In Chinese)

    [4] ? ?張敏思. 基于經(jīng)驗方法和數(shù)值模擬的采場圍巖穩(wěn)定性研究[D]. ?沈陽:東北大學(xué),2015:107—112.

    ZHANG M S. Stability of rock mass surrounding stopes using empirical and numerical methods[D]. ?Shenyang:Northeastern University,2015:107—112. (In Chinese)

    [5] ? ?GARC?A-GONZALO E,F(xiàn)ERN?NDEZ-MU?IZ Z,GARC?A NIETO P,et al. Hard-rock stability analysis for span design in entry-type excavations with learning classifiers[J]. ?Materials,2016,9(7):531.

    [6] ? ?TRUEMAN R,MIKULA P,MAWDESLEY C A,et al. Experience in Australia with the application of the Mathews method for open stope design[J]. ?CIM Bulletin,2000,93(1036):162—167.

    [7] ? ?MAWDESLEY C,TRUEMAN R,WHITEN W J. Extending the Mathews stability graph for open-stope design[J]. ?Mining Technology,2001,110(1):27—39.

    [8] ? ?LAI S Y,CHANG W J,LIN P S. Logistic regression model for evaluating soil liquefaction probability using CPT data[J]. ?Journal of Geotechnical and Geoenvironmental Engineering,2006,132(6):694—704.

    [9] ? ?MARJANOVI[C][′] M,KOVA[C][ˇ]EVI[C][′] M,BAJAT B,et al. Landslide susceptibility assessment using SVM machine learning algorithm[J]. ?Engineering Geology,2011,123(3):225—234.

    [10] ?CHOU J S,YANG K H,LIN J Y. Peak shear strength of discrete fiber-reinforced soils computed by machine learning and metaensemble methods[J]. ?Journal of Computing in Civil Engineering,2016,30(6):04016036.

    [11] ?陳順滿,吳愛祥,王貽明,等. 基于響應(yīng)面法的破碎圍巖條件下采場結(jié)構(gòu)參數(shù)優(yōu)化研究[J]. ?巖石力學(xué)與工程學(xué)報,2017,36(S1):3499—3508.

    CHEN S M,WU A X,WANG Y M,et al. Optimization research on stope structure parameters in broken rock conditions based on the response surface method[J]. ?Chinese Journal of Rock Mechanics and Engineering,2017,36(S1):3499—3508. (In Chinese)

    [12] ?WANG J,MILNE D,PAKALNIS R. Application of a neural network in the empirical design of underground excavation spans [J]. ?Mining Technology,2002,111(1):73—81.

    [13] ?LANG B D A. Span design for entry-type excavations[D]. ?Vancouver:University of British Columbia,1994:143—182.

    [14] ?GOH A T C,ZHANG Y M,ZHANG R H,et al. Evaluating stability of underground entry-type excavations using multivariate adaptive regression splines and logistic regression[J]. Tunnelling and Underground Space Technology,2017,70:148—154.

    [15] ?HOPFIELD J J. Neural networks and physical systems with emergent collective computational abilities[J]. Proceedings of the National Academy of Sciences of the United States of America,1982,79(8):2554—2558.

    [16] ?ZHANG W G,GOH A T C. Multivariate adaptive regression splines for analysis of geotechnical engineering systems[J]. ?Computers and Geotechnics,2013,48:82—95.

    [17] ?仉文崗,洪利,黎泳欽. 基于多元自適應(yīng)回歸樣條的高維巖土工程問題分析[J]. ?河海大學(xué)學(xué)報(自然科學(xué)版),2019,47(4):359—365.

    ZHANG W G,HONG L,LI Y Q. Analysis of multi-dimensional geotechnical engineering problems based on multivariate adaptive regression splines[J]. ?Journal of Hohai University (Natural Sciences),2019,47(4):359—365. (In Chinese)

    [18] ?BIENIAWSKI Z T. Rock mass classification in rock engineering applications[C]//Proceedings of a Symposium on Exploration for Rock Engineering. 1976:97—106.

    [19] ?KUMAR P. Development of empirical and numerical design techniques in burst prone ground at the Red Lake Mine[D]. ?Vancouver:University of British Columbia,2003:66—80.

    [20] ?BREIMAN L. Random forests[J]. ?Machine Learning,2001,45(1):5—32.

    [21] ?HAN T,JIANG D X,ZHAO Q,et al. Comparison of random forest,artificial neural networks and support vector machine for intelligent diagnosis of rotating machinery[J]. ?Transactions of the Institute of Measurement and Control,2018,40(8):2681—2693.

    [22] ?RODRIGUEZ-GALIANO V F,GHIMIRE B,ROGAN J,et al. An assessment of the effectiveness of a random forest classifier for land-cover classification [J]. ?ISPRS Journal of Photogrammetry and Remote Sensing,2012,67:93—104.

    [23] ?CHEN W,XIE X S,WANG J L,et al. A comparative study of logistic model tree,random forest,and classification and regression tree models for spatial prediction of landslide susceptibility[J]. CATENA,2017,151:147—160.

    [24] ?ZHOU Y,LI S Q,ZHOU C,et al. Intelligent approach based on random forest for safety risk prediction of deep foundation pit in subway stations[J]. Journal of Computing in Civil Engineering,2019,33(1):05018004.

    [25] ?周志華. 機器學(xué)習(xí)[M]. 北京:清華大學(xué)出版社,2016:181—183.

    ZHOU Z H. Machine Learning[M]. Beijing:Tsinghua University Press,2016:181—183. (In Chinese)

    [26] ?YAKOWITZ S. Nearest-neighbour methods for time series analysis[J]. ?Journal of Time Series Analysis,1987,8(2):235—247.

    [27] ?蘭秋軍,李衛(wèi)康,劉文星. 不同情境下中文文本分類模型的表現(xiàn)及選擇[J]. ?湖南大學(xué)學(xué)報(自然科學(xué)版),2016,43(4):141—146.

    LAN Q J,LI W K,LIU W X. Performance and choice of Chinese text classification models in different situations[J]. ?Journal of Hunan University (Natural Sciences),2016,43(4):141—146. (In Chinese)

    [28] ?OLIVEIRA P J A,BOCCELLI D L.K-nearest neighbor for short term water demand forecasting[C]//World Environmental and Water Resources Congress 2017.May 21-25,2017,Sacramento,California.Reston,VA,USA:American Society of Civil Engineers,2017:501—510.

    [29] ?HU J,LIU J,LIU Y,et al. EMD-KNN model for annual average rainfall forecasting[J]. Journal of Hydrologic Engineering,2013,18(11):1450—1457.

    [30] ?李航. 統(tǒng)計學(xué)習(xí)方法[M]. 北京:清華大學(xué)出版社,2012:38—39.

    LI H. Statistical learning methods[M]. Beijing:Tsinghua University Press,2012:38—39. (In Chinese)

    [31] ?FIELDING A H,BELL J F. A review of methods for the assessment of prediction errors in conservation presence/absence models[J]. ?Environmental Conservation,1997,24(1):38—49.

    [32] ?MARMION M,HJORT J,THUILLER W,et al. A comparison of predictive methods in modelling the distribution of periglacial landforms in Finnish Lapland[J]. ?Earth Surface Processes and Landforms,2008,33(14):2241—2254.

    [33] ?SWETS J. Measuring the accuracy of diagnostic systems[J]. ?Science,1988,240(4857):1285—1293.

    [34] ?董娜,常建芳,吳愛國. 基于貝葉斯模型組合的隨機森林預(yù)測方法[J]. ?湖南大學(xué)學(xué)報(自然科學(xué)版),2019,46(2):123—130.

    DONG N,CHANG J F,WU A G. Random forest prediction method based on Bayesian model combination[J]. ?Journal of Hunan University (Natural Sciences),2019,46(2):123—130. (In Chinese)

    [35] ?ARLOT S,CELISSE A. A survey of cross-validation procedures for model selection[J]. ?Statistics Surveys,2010,4:40—79.

    猜你喜歡
    隨機森林
    隨機森林算法在中藥指紋圖譜中的應(yīng)用:以不同品牌夏桑菊顆粒指紋圖譜分析為例
    基于隨機森林的登革熱時空擴散影響因子等級體系挖掘
    基于隨機森林的HTTP異常檢測
    個人信用評分模型比較數(shù)據(jù)挖掘分析
    時代金融(2017年6期)2017-03-25 22:21:13
    隨機森林在棉蚜蟲害等級預(yù)測中的應(yīng)用
    基于二次隨機森林的不平衡數(shù)據(jù)分類算法
    軟件(2016年7期)2017-02-07 15:54:01
    拱壩變形監(jiān)測預(yù)報的隨機森林模型及應(yīng)用
    基于隨機森林算法的飛機發(fā)動機故障診斷方法的研究
    基于奇異熵和隨機森林的人臉識別
    軟件(2016年2期)2016-04-08 02:06:21
    基于隨機森林算法的B2B客戶分級系統(tǒng)的設(shè)計
    每晚都被弄得嗷嗷叫到高潮| 免费看美女性在线毛片视频| 在线观看一区二区三区| 三级国产精品欧美在线观看| 欧美精品啪啪一区二区三区| 亚洲欧美日韩高清在线视频| 亚洲av电影不卡..在线观看| 99在线视频只有这里精品首页| 欧美日韩乱码在线| a级毛片免费高清观看在线播放| 免费电影在线观看免费观看| 一a级毛片在线观看| 日本与韩国留学比较| 久久热精品热| 三级国产精品欧美在线观看| 欧美三级亚洲精品| 麻豆成人av在线观看| 欧美乱色亚洲激情| av专区在线播放| 看免费av毛片| 怎么达到女性高潮| 又爽又黄a免费视频| 免费黄网站久久成人精品 | 看片在线看免费视频| 亚洲人成网站高清观看| 九色国产91popny在线| 尤物成人国产欧美一区二区三区| 老司机福利观看| 成年免费大片在线观看| 中文字幕精品亚洲无线码一区| 国产麻豆成人av免费视频| 精品欧美国产一区二区三| 国模一区二区三区四区视频| 99国产精品一区二区蜜桃av| 露出奶头的视频| 国产av不卡久久| 日韩欧美三级三区| 亚洲,欧美精品.| 99在线视频只有这里精品首页| 成年人黄色毛片网站| 最后的刺客免费高清国语| 性插视频无遮挡在线免费观看| 女人十人毛片免费观看3o分钟| 日韩欧美免费精品| 免费看美女性在线毛片视频| 偷拍熟女少妇极品色| 成人特级av手机在线观看| 国产三级黄色录像| 亚洲国产欧美人成| a级毛片免费高清观看在线播放| 亚洲av日韩精品久久久久久密| 哪里可以看免费的av片| 亚洲熟妇中文字幕五十中出| 十八禁网站免费在线| 国产精品三级大全| 国产一区二区在线av高清观看| 国产一区二区激情短视频| 国产亚洲欧美在线一区二区| 最好的美女福利视频网| 麻豆久久精品国产亚洲av| 啦啦啦韩国在线观看视频| 国产精品电影一区二区三区| av专区在线播放| 国产精品不卡视频一区二区 | 久久久久久国产a免费观看| 极品教师在线免费播放| 一夜夜www| 国产精品久久视频播放| 亚洲精品久久国产高清桃花| 午夜精品在线福利| 中文字幕精品亚洲无线码一区| 久久草成人影院| 日本三级黄在线观看| 亚洲在线观看片| 丁香六月欧美| 中文字幕高清在线视频| 麻豆一二三区av精品| 一本综合久久免费| 赤兔流量卡办理| 国产亚洲精品综合一区在线观看| 欧美极品一区二区三区四区| 久久伊人香网站| 国产久久久一区二区三区| 久久伊人香网站| 亚洲天堂国产精品一区在线| 直男gayav资源| 国产在视频线在精品| 日本一本二区三区精品| 国产综合懂色| 国产精品永久免费网站| 直男gayav资源| 色尼玛亚洲综合影院| 天堂网av新在线| 精品国内亚洲2022精品成人| 淫妇啪啪啪对白视频| 精品一区二区三区av网在线观看| 真人做人爱边吃奶动态| 欧美绝顶高潮抽搐喷水| 国产黄片美女视频| 亚洲中文字幕一区二区三区有码在线看| 欧美+亚洲+日韩+国产| 精品人妻1区二区| 久久久久亚洲av毛片大全| 精品人妻1区二区| 精品人妻视频免费看| 精品人妻视频免费看| 日韩欧美国产一区二区入口| 日韩精品青青久久久久久| 亚洲一区二区三区色噜噜| 99国产精品一区二区三区| 亚洲一区二区三区不卡视频| 国产伦在线观看视频一区| 99热精品在线国产| 99热精品在线国产| 可以在线观看毛片的网站| 久久久精品大字幕| 又爽又黄a免费视频| 亚洲精品456在线播放app | 国内揄拍国产精品人妻在线| 亚洲美女黄片视频| 99久久九九国产精品国产免费| 看十八女毛片水多多多| 婷婷精品国产亚洲av| 亚洲成人免费电影在线观看| 国产精品98久久久久久宅男小说| 成年版毛片免费区| 久久久久国产精品人妻aⅴ院| 成人美女网站在线观看视频| 国产精品一区二区免费欧美| 亚洲三级黄色毛片| 国内精品久久久久精免费| 久久久久久久久中文| 免费黄网站久久成人精品 | 一进一出好大好爽视频| 欧美在线黄色| 日韩成人在线观看一区二区三区| 亚洲精品自拍成人| 免费av不卡在线播放| 日日啪夜夜爽| 极品少妇高潮喷水抽搐| 新久久久久国产一级毛片| 老师上课跳d突然被开到最大视频| 国产日韩欧美亚洲二区| 欧美一级a爱片免费观看看| 亚洲av中文字字幕乱码综合| 国产欧美日韩精品一区二区| 国产精品国产av在线观看| 午夜免费男女啪啪视频观看| 亚洲国产精品999| 免费看光身美女| 看免费成人av毛片| 亚洲色图av天堂| 最近中文字幕2019免费版| 精品国产一区二区三区久久久樱花 | 一本久久精品| 丝袜脚勾引网站| 91精品国产九色| 高清在线视频一区二区三区| 国产免费又黄又爽又色| 欧美老熟妇乱子伦牲交| 久久鲁丝午夜福利片| 国产成人精品久久久久久| 免费看a级黄色片| 亚洲av成人精品一二三区| 日本wwww免费看| 中文精品一卡2卡3卡4更新| 搡老乐熟女国产| 性插视频无遮挡在线免费观看| 国产精品嫩草影院av在线观看| 精品一区二区三区视频在线| 青春草国产在线视频| 国产欧美日韩一区二区三区在线 | 国产亚洲一区二区精品| 国产一级毛片在线| 99热这里只有精品一区| 最近最新中文字幕大全电影3| 精品一区二区三卡| 特级一级黄色大片| h日本视频在线播放| 大话2 男鬼变身卡| 亚洲自拍偷在线| 黄片wwwwww| 爱豆传媒免费全集在线观看| 国产男女内射视频| av在线天堂中文字幕| 一区二区三区免费毛片| 下体分泌物呈黄色| 国产亚洲一区二区精品| 别揉我奶头 嗯啊视频| 日韩电影二区| 不卡视频在线观看欧美| 高清午夜精品一区二区三区| 亚洲一区二区三区欧美精品 | 性色avwww在线观看| 精品人妻熟女av久视频| 国产91av在线免费观看| 国产淫语在线视频| 国产伦在线观看视频一区| 内射极品少妇av片p| 欧美日本视频| 99久久九九国产精品国产免费| 大话2 男鬼变身卡| 在线精品无人区一区二区三 | 男人爽女人下面视频在线观看| 一级黄片播放器| 国产爽快片一区二区三区| 亚洲av中文字字幕乱码综合| 亚洲av二区三区四区| 男的添女的下面高潮视频| 国产一区二区三区av在线| 亚洲综合色惰| 又粗又硬又长又爽又黄的视频| 少妇裸体淫交视频免费看高清| 一本久久精品| 秋霞在线观看毛片| 免费黄色在线免费观看| 99热这里只有精品一区| 美女被艹到高潮喷水动态| 天天一区二区日本电影三级| 国产免费一级a男人的天堂| 少妇人妻一区二区三区视频| 精品午夜福利在线看| 国产综合精华液| 亚洲国产欧美人成| 国产黄片视频在线免费观看| 大香蕉97超碰在线| 久久久久久久久大av| 久久人人爽人人爽人人片va| 天美传媒精品一区二区| 欧美zozozo另类| 熟女人妻精品中文字幕| 亚洲不卡免费看| 人妻 亚洲 视频| 国产男女超爽视频在线观看| 1000部很黄的大片| 亚洲精品日韩av片在线观看| 免费av毛片视频| 国产av不卡久久| 亚洲,一卡二卡三卡| 五月天丁香电影| 久热久热在线精品观看| 丝袜喷水一区| 日本熟妇午夜| 欧美精品一区二区大全| 日韩一本色道免费dvd| av国产免费在线观看| 美女xxoo啪啪120秒动态图| 最近2019中文字幕mv第一页| 一级爰片在线观看| 大陆偷拍与自拍| 亚洲成人精品中文字幕电影| 亚洲综合色惰| 黄色怎么调成土黄色| 国产亚洲av嫩草精品影院| 如何舔出高潮| 联通29元200g的流量卡| 国产 一区 欧美 日韩| 久久亚洲国产成人精品v| 夜夜看夜夜爽夜夜摸| 少妇人妻一区二区三区视频| 国产一区二区亚洲精品在线观看| 日韩免费高清中文字幕av| 一级av片app| 日本黄色片子视频| 最近最新中文字幕大全电影3| 成人亚洲欧美一区二区av| 亚洲精品日韩av片在线观看| 欧美另类一区| 国产亚洲av嫩草精品影院| 亚洲精品一区蜜桃| 最近最新中文字幕大全电影3| 午夜精品一区二区三区免费看| 国产黄片美女视频| 亚洲自拍偷在线| 色哟哟·www| 性色avwww在线观看| 亚洲久久久久久中文字幕| 国产伦在线观看视频一区| 22中文网久久字幕| 国产成人免费观看mmmm| 天美传媒精品一区二区| 亚洲人与动物交配视频| 乱码一卡2卡4卡精品| 精品酒店卫生间| 精华霜和精华液先用哪个| 麻豆国产97在线/欧美| 亚洲va在线va天堂va国产| 蜜桃亚洲精品一区二区三区| 另类亚洲欧美激情| 边亲边吃奶的免费视频| 99久久中文字幕三级久久日本| 在线观看免费高清a一片| 韩国高清视频一区二区三区| 九九爱精品视频在线观看| 80岁老熟妇乱子伦牲交| 大话2 男鬼变身卡| 精品久久久久久电影网| 深爱激情五月婷婷| 一区二区三区四区激情视频| 丰满少妇做爰视频| 国产乱来视频区| 午夜精品国产一区二区电影 | 777米奇影视久久| av卡一久久| 色吧在线观看| 一个人观看的视频www高清免费观看| 久久精品久久久久久久性| 欧美一级a爱片免费观看看| 久久女婷五月综合色啪小说 | 国产伦精品一区二区三区视频9| 中国国产av一级| 下体分泌物呈黄色| 免费黄频网站在线观看国产| 99re6热这里在线精品视频| 在线播放无遮挡| 日韩人妻高清精品专区| 国产成人91sexporn| 久久人人爽av亚洲精品天堂 | 国产伦精品一区二区三区视频9| 欧美日韩视频高清一区二区三区二| 男人爽女人下面视频在线观看| av在线app专区| 一个人看的www免费观看视频| 男女啪啪激烈高潮av片| 啦啦啦在线观看免费高清www| 日本av手机在线免费观看| 国产成人aa在线观看| 老女人水多毛片| 80岁老熟妇乱子伦牲交| 中文天堂在线官网| 成人亚洲精品一区在线观看 | 免费观看的影片在线观看| 亚洲人成网站在线播| 精品少妇黑人巨大在线播放| 汤姆久久久久久久影院中文字幕| 日韩av免费高清视频| 亚洲av免费高清在线观看| 国产亚洲av片在线观看秒播厂| 免费看不卡的av| 寂寞人妻少妇视频99o| 久久99热这里只有精品18| 丝袜美腿在线中文| 日本黄色片子视频| 亚洲在线观看片| av.在线天堂| 国产精品久久久久久精品电影| 69av精品久久久久久| 在线亚洲精品国产二区图片欧美 | 校园人妻丝袜中文字幕| 国语对白做爰xxxⅹ性视频网站| 伊人久久国产一区二区| 99视频精品全部免费 在线| 亚洲美女视频黄频| 69av精品久久久久久| 国产欧美日韩一区二区三区在线 | 女人十人毛片免费观看3o分钟| a级毛色黄片| 秋霞伦理黄片| 免费看a级黄色片| 日本av手机在线免费观看| 亚洲国产成人一精品久久久| 亚洲最大成人中文| 在线观看一区二区三区| 亚洲婷婷狠狠爱综合网| 丝袜喷水一区| 你懂的网址亚洲精品在线观看| 亚洲精品色激情综合| 久久久久久伊人网av| 成人无遮挡网站| 精品人妻一区二区三区麻豆| 伦精品一区二区三区| 日韩欧美精品v在线| 一个人观看的视频www高清免费观看| 狠狠精品人妻久久久久久综合| 成人亚洲精品一区在线观看 | 国产色婷婷99| 免费av毛片视频| 日日摸夜夜添夜夜爱| 一区二区av电影网| 久久99热这里只频精品6学生| 如何舔出高潮| 亚洲av二区三区四区| 97超视频在线观看视频| 亚洲精品日本国产第一区| 男女那种视频在线观看| 国产午夜福利久久久久久| 国产精品秋霞免费鲁丝片| 国语对白做爰xxxⅹ性视频网站| 在线观看一区二区三区激情| 一个人看的www免费观看视频| 成人国产av品久久久| 成人欧美大片| 神马国产精品三级电影在线观看| 舔av片在线| 日韩免费高清中文字幕av| 国产高清三级在线| 精品人妻偷拍中文字幕| 亚洲av电影在线观看一区二区三区 | 69人妻影院| 国产精品久久久久久av不卡| av黄色大香蕉| 日本熟妇午夜| 搡女人真爽免费视频火全软件| 久久97久久精品| 晚上一个人看的免费电影| 成人免费观看视频高清| 久久久成人免费电影| 禁无遮挡网站| 国产又色又爽无遮挡免| 国产黄色免费在线视频| 国产av国产精品国产| 久热久热在线精品观看| .国产精品久久| 在线观看三级黄色| 黄色视频在线播放观看不卡| 亚洲丝袜综合中文字幕| 亚洲精品,欧美精品| 亚洲aⅴ乱码一区二区在线播放| 亚洲精品国产av蜜桃| 午夜福利在线观看免费完整高清在| 91久久精品国产一区二区三区| 蜜桃亚洲精品一区二区三区| 亚洲性久久影院| 菩萨蛮人人尽说江南好唐韦庄| 国产片特级美女逼逼视频| 18+在线观看网站| 亚洲欧洲国产日韩| 亚洲va在线va天堂va国产| 成人午夜精彩视频在线观看| 丰满人妻一区二区三区视频av| 亚洲av不卡在线观看| 91久久精品电影网| 男男h啪啪无遮挡| 国产毛片在线视频| 国产黄a三级三级三级人| 97在线人人人人妻| 亚洲精品成人久久久久久| 狂野欧美白嫩少妇大欣赏| 少妇 在线观看| 免费观看av网站的网址| 69av精品久久久久久| 亚洲精华国产精华液的使用体验| 免费电影在线观看免费观看| 亚洲人与动物交配视频| 看免费成人av毛片| 精品午夜福利在线看| 日本欧美国产在线视频| 中文资源天堂在线| 久久久久久伊人网av| 热99国产精品久久久久久7| 色5月婷婷丁香| 国产精品一及| 99热全是精品| 国产精品一区二区在线观看99| www.色视频.com| 黄色视频在线播放观看不卡| 九草在线视频观看| 亚洲av男天堂| 国产美女午夜福利| 国产成人精品久久久久久| 制服丝袜香蕉在线| 2018国产大陆天天弄谢| 欧美丝袜亚洲另类| 最近中文字幕2019免费版| 久久ye,这里只有精品| 亚洲人成网站在线播| 男的添女的下面高潮视频| 久久99热这里只频精品6学生| 免费看日本二区| 看免费成人av毛片| 亚洲精品色激情综合| 免费看av在线观看网站| 国内精品美女久久久久久| 又粗又硬又长又爽又黄的视频| 香蕉精品网在线| 制服丝袜香蕉在线| 嫩草影院新地址| 欧美97在线视频| 身体一侧抽搐| 久久久久久久精品精品| 国产色爽女视频免费观看| 久久精品人妻少妇| 丝袜美腿在线中文| 日韩一区二区视频免费看| 免费播放大片免费观看视频在线观看| 69人妻影院| 可以在线观看毛片的网站| 精品国产三级普通话版| 在线免费观看不下载黄p国产| 亚洲成色77777| av在线天堂中文字幕| 国产成人a区在线观看| 久久精品国产自在天天线| 狂野欧美白嫩少妇大欣赏| 肉色欧美久久久久久久蜜桃 | 国产v大片淫在线免费观看| 亚洲第一区二区三区不卡| 久久久久久久精品精品| 国产伦精品一区二区三区四那| 免费av毛片视频| 国产精品伦人一区二区| 国产女主播在线喷水免费视频网站| 少妇猛男粗大的猛烈进出视频 | 日本午夜av视频| 一区二区三区免费毛片| 人人妻人人爽人人添夜夜欢视频 | 亚洲精品,欧美精品| 大香蕉97超碰在线| 人妻制服诱惑在线中文字幕| 国产一区二区亚洲精品在线观看| 尤物成人国产欧美一区二区三区| 日本免费在线观看一区| 国产精品精品国产色婷婷| 在线观看人妻少妇| 中文欧美无线码| 老司机影院成人| 亚洲av二区三区四区| 青春草亚洲视频在线观看| 国产 一区 欧美 日韩| 亚洲av中文av极速乱| 一本久久精品| 看免费成人av毛片| 丰满乱子伦码专区| 国产大屁股一区二区在线视频| 日韩欧美精品v在线| 丰满少妇做爰视频| 久久鲁丝午夜福利片| 男女国产视频网站| 国产一区有黄有色的免费视频| 免费高清在线观看视频在线观看| 热99国产精品久久久久久7| 不卡视频在线观看欧美| 国产精品三级大全| 观看免费一级毛片| 一区二区av电影网| 如何舔出高潮| 日韩伦理黄色片| 蜜桃久久精品国产亚洲av| 91精品一卡2卡3卡4卡| 欧美精品国产亚洲| 国产色婷婷99| 97在线视频观看| 国产伦理片在线播放av一区| 欧美性感艳星| 久久鲁丝午夜福利片| av卡一久久| 一级毛片黄色毛片免费观看视频| 大香蕉97超碰在线| 交换朋友夫妻互换小说| 最近的中文字幕免费完整| 亚洲精品亚洲一区二区| 少妇熟女欧美另类| 亚洲天堂av无毛| 亚洲精品乱码久久久v下载方式| 免费av毛片视频| 天堂网av新在线| 欧美另类一区| 高清视频免费观看一区二区| 国产高清有码在线观看视频| 一个人看的www免费观看视频| 一区二区三区乱码不卡18| 亚洲电影在线观看av| 久久久色成人| 大话2 男鬼变身卡| 久久久久国产精品人妻一区二区| 日本与韩国留学比较| 欧美极品一区二区三区四区| 免费av毛片视频| 精品一区二区三卡| 亚洲精品国产色婷婷电影| 搞女人的毛片| 国产成人a∨麻豆精品| 精品国产露脸久久av麻豆| 国产老妇伦熟女老妇高清| 亚洲精品亚洲一区二区| 又爽又黄无遮挡网站| 成人国产麻豆网| 免费黄频网站在线观看国产| 精品久久久久久久久av| 欧美老熟妇乱子伦牲交| 女人十人毛片免费观看3o分钟| 九九在线视频观看精品| 简卡轻食公司| 2021天堂中文幕一二区在线观| 女的被弄到高潮叫床怎么办| 久久久久久伊人网av| 国产黄片视频在线免费观看| 亚洲av二区三区四区| 国产亚洲精品久久久com| 亚洲av欧美aⅴ国产| 久久99热6这里只有精品| 哪个播放器可以免费观看大片| 亚洲av在线观看美女高潮| 在线观看三级黄色| 国产精品人妻久久久久久| 久久久久久久精品精品| 国产高清不卡午夜福利| 亚洲精品日本国产第一区| 2022亚洲国产成人精品| 女的被弄到高潮叫床怎么办| 国产成人91sexporn| av专区在线播放| 欧美日韩视频高清一区二区三区二| 亚洲色图av天堂| 国产精品熟女久久久久浪| 国产黄色免费在线视频| 久久久久久久大尺度免费视频| 99久久中文字幕三级久久日本| 可以在线观看毛片的网站| 欧美一区二区亚洲| 亚洲av二区三区四区| 国产精品嫩草影院av在线观看| 神马国产精品三级电影在线观看| 国产欧美日韩一区二区三区在线 | 亚洲,一卡二卡三卡|