• <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CNN-LSTM模型的黃河水質(zhì)預測研究

    2021-07-08 23:27:26王軍高梓勛朱永明
    人民黃河 2021年5期
    關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡黃河

    王軍 高梓勛 朱永明

    摘?要:水質(zhì)預測是水資源管理和水污染防治的基礎(chǔ)性、前提性工作,但黃河流域水質(zhì)預測研究相對滯后。為了改善LSTM水質(zhì)預測模型的性能、提高其泛化能力,根據(jù)水質(zhì)變化具有周期性和非線性的特征,以黃河小浪底水庫溶解氧含量為研究對象,構(gòu)建了一種卷積神經(jīng)網(wǎng)絡CNN和長短時記憶網(wǎng)絡LSTM結(jié)合的CNN-LSTM預測模型,經(jīng)試驗驗證,該模型可以高效地提取水質(zhì)特征信息并進行時間序列預測,預測誤差比LSTM模型的更低,其預測值的平均絕對誤差和均方根誤差分別比LSTM模型的低19.72%和10.44%,對較大值和較小值的預測更為準確,且具有較好的泛化性能。

    關(guān)鍵詞:水質(zhì)預測;長短時記憶網(wǎng)絡;卷積神經(jīng)網(wǎng)絡;CNN-LSTM模型;小浪底水庫;黃河

    中圖分類號:X832;TV882.1?文獻標志碼:A

    doi:10.3969/j.issn.1000-1379.2021.05.018

    Abstract: Water quality prediction is the basic and prerequisite work for the management of water resources and prevention and control of water pollution, but the research on water quality prediction in the Yellow River basin is relatively lagged behind. In order to improve the performance of the LSTM water quality prediction model and increase its generalization ability, according to the periodic and non-linear characteristics of water quality changes, taking the dissolved oxygen concentration of the Xiaolangdi Reservoir on the Yellow River as the research object, a combination of convolutional neural network CNN and length was constructed. The CNN-LSTM prediction model of the time memory network LSTM had been verified by experiments. The model can efficiently extract water quality feature information and perform time series prediction. The prediction error is lower than that of the LSTM model. The average absolute error of the predicted value and the root mean square error are 19.72% and 10.44% lower than that of the LSTM model respectively. The prediction of larger and smaller values is more accurate and it has better generalization performance.

    Key words: water quality prediction; long and short-term memory network; convolutional neural network; CNN-LSTM model; Xiaolangdi Reservoir; Yellow River

    黃河是我國第二長河、西北和華北地區(qū)的重要水源之一[1],在我國經(jīng)濟發(fā)展、社會安定和生態(tài)環(huán)境保護等方面處于舉足輕重的位置[2]。然而,隨著生產(chǎn)工業(yè)化和人口城鎮(zhèn)化速度加快等,黃河水質(zhì)污染愈發(fā)嚴重[3]。水質(zhì)預測是水資源管理和水污染防治的基礎(chǔ)性和前提性工作,隨著新一代信息技術(shù)的發(fā)展,越來越多的學者采用智能算法構(gòu)建水質(zhì)預測模型[4],如李娜等[5]提出了一種灰色系統(tǒng)(GM)和新陳代謝原理結(jié)合的水質(zhì)預測模型、Ju等[6]建立了預測水中氨氮含量的最小二乘支持向量機模型、劉潔等[7]將遺傳算法和BP神經(jīng)網(wǎng)絡算法結(jié)合用于水質(zhì)實時預測。由于水質(zhì)預測涉及多種因素的非線性關(guān)系、需要的數(shù)據(jù)量大,傳統(tǒng)智能算法在精度、收斂速度和適用性等方面有或多或少的局限性[8],因此Wang等[9]將長短時記憶網(wǎng)絡(LSTM)應用于水質(zhì)預測,建立基于LSTM的水質(zhì)預測模型,克服了傳統(tǒng)神經(jīng)網(wǎng)絡難以用于時間序列預測的難題,獲得了比傳統(tǒng)算法更好的結(jié)果。但單個LSTM網(wǎng)絡模型的預測性能有限,為了改善LSTM水質(zhì)預測模型的性能、提高其泛化能力,有關(guān)學者繼續(xù)對LSTM的融合模型進行探索,如Jia等[10]將BP神經(jīng)網(wǎng)絡和LSTM結(jié)合構(gòu)建了LSTM-BP組合模型。綜上所述,LSTM在水質(zhì)預測上的應用還有很大的研究空間。目前,對于黃河水質(zhì)預測的研究還停留在BP神經(jīng)網(wǎng)絡的應用[11],不能滿足黃河流域生態(tài)保護和高質(zhì)量發(fā)展的需求,為此,筆者提出了一種將一維卷積神經(jīng)網(wǎng)絡(CNN)與堆疊長短時記憶網(wǎng)絡(LSTM)結(jié)合的水質(zhì)預測模型CNN-LSTM,用于黃河小浪底水庫水質(zhì)(溶解氧含量)預測,結(jié)果表明其比LSTM有更好的預測性能和泛化性能。

    1?理論基礎(chǔ)與模型構(gòu)建

    1.1?長短時記憶網(wǎng)絡

    基礎(chǔ)的循環(huán)神經(jīng)網(wǎng)絡(RNN)擁有普通神經(jīng)網(wǎng)絡所沒有的自連接隱藏層結(jié)構(gòu),可以用前一時刻的隱藏層狀態(tài)更新當前時刻的隱藏層狀態(tài),這使得RNN適合處理時間序列數(shù)據(jù)。但隨著時間序列長度增加,RNN會因“忘記”早期的時序信息而變得難以訓練,出現(xiàn)梯度消失或梯度爆炸。LSTM的提出,在一定程度上解決了RNN無法記住早期時間序列信息的問題[12-13]。LSTM的隱藏層依然是自連接形式,但LSTM可以從前一時刻獲取細胞狀態(tài)和隱藏層狀態(tài)兩種信息,并使用“遺忘門”“輸入門”和“輸出門”3種“門”的閾值結(jié)構(gòu)來控制細胞狀態(tài)信息和隱藏層狀態(tài)信息的傳輸與更新。LSTM隱藏層結(jié)構(gòu)如圖1所示,其中:Ct-1、Ct分別為t-1時刻和t時刻的細胞狀態(tài)信息,t為t時刻的候選更新信息,ht-1和ht分別為t-1時刻和t時刻的隱藏層狀態(tài)信息,Xt為t時刻的輸入值,σ為Sigmoid函數(shù),ft、it、ot分別為“遺忘門”“輸入門”和“輸出門”的控制系數(shù)。

    “遺忘門”是依據(jù)ft來決定t-1時刻的細胞狀態(tài)信息Ct-1有多少能夠被保留的結(jié)構(gòu)。ft是一個由Xt和ht-1作為輸入計算出來的處于0和1之間的數(shù)值,ft越接近0則Ct-1中被剔除的信息越多,ft越接近1則Ct-1中被保留的信息越多;控制系數(shù)it、ot的作用與ft類似?!拜斎腴T”的作用是確定哪些信息會被加入到Ct中,與“遺忘門”一同作用,決定Ct的更新情況。“輸出門”用于控制t時刻隱藏層狀態(tài)信息的輸出ht。長短時記憶網(wǎng)絡LSTM的公式表達形式如下:

    1.2?卷積神經(jīng)網(wǎng)絡

    卷積神經(jīng)網(wǎng)絡CNN作為深度學習領(lǐng)域的算法之一,具有局部連接、權(quán)值共享和池化下采樣的特點,可以高效地提取圖像數(shù)據(jù)中的特征信息并進行分類,有極強的圖像識別性能。受其啟發(fā),學者們探索了CNN在時間序列預測中的應用,發(fā)現(xiàn)CNN通過卷積運算進行特征提取的功能同樣可以應用于時間序列數(shù)據(jù)分析,在時間序列預測上的噪聲容忍度十分優(yōu)秀[14-15]。時間序列預測使用的是一維CNN,可以把卷積核視為一個窗口,在時間序列數(shù)據(jù)上進行窗口平移,提取局部序列段并與權(quán)重進行點乘,持續(xù)不斷輸出計算得到的序列特征,進而進行池化下采樣,進一步過濾數(shù)據(jù)中對于預測無益的噪聲信息,使得預測性能得到優(yōu)化。

    1.3?模型構(gòu)建

    水質(zhì)信息隨時間的變化有一定的周期性,同時受諸多因素的影響而有非線性趨勢,因此預測水質(zhì)變化情況有一定的難度,單獨使用LSTM模型會引入與水質(zhì)預測毫無關(guān)系的噪聲,還會受到時間序列數(shù)據(jù)中較大值和較小值的影響,導致預測效果不佳。而單獨使用CNN模型,雖然可以對每一段時間序列進行卷積運算,很好地提取水質(zhì)信息中的局部特征,但CNN對水質(zhì)信息的時間順序并不敏感,不能很好地單獨完成預測任務。因此,將CNN與LSTM融合(稱為CNN-LSTM模型),充分利用CNN的特征信息提取能力和LSTM對時間序列數(shù)據(jù)的敏感性,提高對水質(zhì)預測的效果。

    如圖2所示,CNN-LSTM模型的第一部分是卷積層和最大值池化層組成的CNN部分,該部分設(shè)置了2個卷積層和2個最大值池化層,卷積層會遍歷輸入的黃河水質(zhì)信息,用卷積內(nèi)核權(quán)重與水質(zhì)信息局部序列段進行卷積運算,得到一個初步的特征矩陣,該特征矩陣的表達能力強于原始水質(zhì)信息時間序列(矩陣);最大池化層把上一卷積層計算得到的特征矩陣作為輸入,用池化窗口在該矩陣(序列)上滑動,每滑動一次取窗口的最大值進行池化,輸出更具表現(xiàn)力的特征矩陣。一維CNN的運行如圖3所示,可把整個CNN部分看作一個特殊的數(shù)據(jù)預處理結(jié)構(gòu),水質(zhì)信息被CNN部分提煉成對時間序列信息更具敏感性的LSTM部分的輸入。堆疊LSTM部分則采用2個LSTM網(wǎng)絡的堆疊進行時序數(shù)據(jù)建模,通過Dense層輸出水質(zhì)預測結(jié)果。

    選取平均絕對誤差(MAE)和均方根誤差(RMSE)作為評價模型預測效果的指標[16],MAE和RMSE的計算公式如下:

    式中:yi為實測值;yi′為模型輸出的預測值;i為樣本編號;N為樣本數(shù)量。

    CNN-LSTM把MAE和RMSE作為模型損失值,通過反向傳播誤差信息進行迭代權(quán)重更新,讓卷積內(nèi)核中的權(quán)重、LSTM的參數(shù)信息及Dense層中的參數(shù)不斷優(yōu)化直至收斂,完成模型的訓練。

    CNN-LSTM模型的超參數(shù)設(shè)置在一定程度上影響其對黃河水質(zhì)預測性能,經(jīng)過反復試驗,確定了相對較優(yōu)的超參數(shù)(見表1)和激活函數(shù)。

    2?預測效果分析

    2.1?模型測試數(shù)據(jù)處理

    本研究以中國環(huán)境監(jiān)測總站提供的全國主要流域重點斷面水質(zhì)自動監(jiān)測周報作為數(shù)據(jù)源,數(shù)據(jù)處理過程如下。

    (1)獲取數(shù)據(jù)。從自動監(jiān)測周報中選取2008年1月1日至2014年12月28日黃河小浪底水庫出庫周測水質(zhì)數(shù)據(jù)作為本研究的模型測試數(shù)據(jù),包括水體pH值、氨氮濃度、高錳酸鹽指數(shù)、溶解氧(DO)4個水質(zhì)指標。

    (2)選取研究對象。獲取的水質(zhì)數(shù)據(jù)與《地表水環(huán)境質(zhì)量標準》進行對比,發(fā)現(xiàn)小浪底水庫的溶解氧含量對其水質(zhì)類別影響最大,故把溶解氧含量作為評價小浪底水庫水質(zhì)的主要研究對象,其在研究時段的變化情況見圖4。

    (3)歸一化處理。為了避免某些異常值使模型難以收斂,同時讓CNN-LSTM模型收斂更快更穩(wěn)定,對溶解氧數(shù)據(jù)進行歸一化處理,使CNN-LSTM的輸入值介于[0,1]之間。歸一化處理公式為

    式中:X為原始數(shù)據(jù);Xnorm為歸一化處理后的數(shù)據(jù);Xmax為原始數(shù)據(jù)中的最大值;Xmin為原始數(shù)據(jù)中的最小值。

    (4)對樣本數(shù)據(jù)進行訓練集和驗證集劃分。以9∶1的比例劃分訓練集和驗證集,即前90%的樣本數(shù)據(jù)用來訓練模型,后10%的樣本數(shù)據(jù)用來驗證模型性能。

    (5)數(shù)據(jù)還原。在訓練結(jié)束后進行模型評估時,采用式(10)對歸一化后的數(shù)據(jù)進行還原(逆歸一化)處理,以便評估模型預測值的誤差。

    2.2?預測試驗

    采用python程序語言環(huán)境下的深度學習庫keras編寫代碼,實現(xiàn)了用CNN-LSTM和用LSTM對黃河水質(zhì)的預測試驗,兩者均在訓練集上使用Adam優(yōu)化器和0.001的學習率進行模型訓練。為了在卷積運算和池化下采樣的過程中最大限度地保留時間序列信息,在卷積運算和最大值池化時使用“same”的填充方式,完成100個epoch(1個epoch表示遍歷一次訓練集中的所有樣本)的迭代后得到了最后的試驗結(jié)果。

    2.3?訓練集擬合結(jié)果分析

    CNN-LSTM模型和LSTM模型的評價指標MAE、RMSE見表2。由表2可知,兩個模型對訓練集擬合(預測)的誤差都處于較低水平,CNN-LSTM的預測性能總體優(yōu)于LSTM的,其RMSE比LSTM的低10.44%、MAE比LSTM的低19.72%。

    為了更清晰地對比兩個模型對水質(zhì)預測的性能差異,圖5和圖6分別展示了兩個模型對訓練集對應時段的溶解氧含量預測(擬合)值與實測值對比情況,可以看出:LSTM雖然可以較好地對水質(zhì)的周期性變化進行預測,但是對較大值和較小值的預測結(jié)果與實測值相差較大,而CNN-LSTM較好地解決了LSTM對較大值和較小值預測不準確的問題,表明CNN-LSTM具有更強的預測性能。

    2.4?驗證集預測結(jié)果分析

    CNN-LSTM對驗證集對應時段溶解氧含量的預測結(jié)果與實測值對比見圖7,可以看出,CNN-LSTM對溶解氧濃度的預測表現(xiàn)出較好的性能,與其在訓練集的預測(擬合)性能差別不大,說明CNN-LSTM具有較強的泛化性能。

    3?結(jié)?論

    基于CNN結(jié)構(gòu)和堆疊LSTM結(jié)構(gòu)融合的CNN-LSTM模型,用CNN來提取溶解氧含量特征信息并作為LSTM的輸入,既解決了CNN難以記憶早期時間序列信息的問題,又解決了LSTM預測水質(zhì)信息精度不足的缺陷,可以比較準確地預測小浪底水庫溶解氧含量,準確性明顯優(yōu)于LSTM模型,在較大值和較小值預測方面也更為準確,且具有較強的泛化性能,其預測值的平均絕對誤差(MAE)和均方根誤差(RMSE)分別比LSTM模型的低19.72%和10.44%。

    參考文獻:

    [1]?嵇曉燕,孫宗光,聶學軍,等.黃河流域近10 a地表水質(zhì)變化趨勢研究[J].人民黃河,2016,38(12):99-102.

    [2]?賈紹鳳,梁媛.新形勢下黃河流域水資源配置戰(zhàn)略調(diào)整研究[J].資源科學,2020,42(1):29-36.

    [3]?鄭洪領(lǐng),王龍,耿玉秀.黃河水質(zhì)現(xiàn)狀分析及提高水質(zhì)對策建議[J].中國農(nóng)村水利水電,2010(5):21-24.

    [4]?HAMEED M, SHARQI S S, YASEEN Z M, et al. Application of Artificial Intelligence (AI) Techniques in Water Quality Index Prediction: a Case Study in Tropical Region, Malaysia[J]. Neural Computing and Applications, 2016,28(S1):893-905.

    [5]?李娜,王臘春,謝剛,等.山東省轄淮河流域河流水質(zhì)趨勢的灰色預測[J].環(huán)境科學與技術(shù),2012,35(2):201-205.

    [6]?JU J, WANG L. Analysis of Ammonia Nitrogen Content in Water Based on Weighted Least Squares Support Vector Machine (WLSSVM) Algorithm[J]. Journal of Software Engineering and Applications,2016,9(2):45-51.

    [7]?劉潔,祝榕婕,姜德迅,等.基于遺傳-神經(jīng)網(wǎng)絡的實時水質(zhì)預測模型[J].南水北調(diào)與水利科技(中英文),2020,18(6):93-100.

    [8]?KABIR S, PATIDAR S, PENDER S. Investigating Capabilities of Machinelearning Techniques in Forecasting Stream Flow[J].Proceedings of Theinstitution of Civil Engineers-Water Management, 2020,173(2):69-86.

    [9]?WANG Y, ZHOU J, CHEN K, et al. Water Quality Prediction Method Based on LSTM Neural Network[C]//2017 12th International Conference on Intelligent Systems and Knowledge Engineering (ISKE). Washington: IEEE Computer Society, 2017: 1-5.

    [10]?JIA H,ZHOU X. Water Quality Prediction Method Based on LSTM-BP[C]// 2020 12th International Conference on Intelligent Human-Machine Systems and Cybernetics (IHMSC).Hangzhou: IEEE Computer Society, 2020:27-30.

    [11]?琚振闖,王曉,弓艷霞.基于BP神經(jīng)網(wǎng)絡的黃河水質(zhì)預測研究[J].青海大學學報(自然科學版),2017,35(3):88-92.

    [12]?LI Y, ZHU Z, KONG D, et al. EA-LSTM: Evolutionary Attention-Based LSTM for Time Series Prediction[J]. Knowledge-Based Systems, 2019,181(1):104785.1-104785.8.

    [13]?HOCHREITER S, SCHMIDHUBER J. Long Short-Term Memory[J]. Neural Computation, 1997,9(8):1735-1780.

    [14]?ZHAO B, LU H, CHEN S, et al. Convolutional Neural Networks for Time Series Classification[J]. Journal of Systems Engineering and Electronics, 2017,28(1): 162-169.

    [15]?ZHENG Y, LIU Q, CHEN E, et al. Time Series Classification Using Multi-Channels Deep Convolutional Neural Networks[C]//Proc of the 15th International Conference on Web-Age InformatioManagement. Macau: [s.n.], 2014: 298-310.

    [16]?LIVIERIS I E, PINTELAS E, PINTELAS P. A CNN-LSTM Model for Gold Price Time-Series Forecasting[J]. Neural Computing and Applications, 2020,32(23):17351-17360.

    【責任編輯?張智民】

    猜你喜歡
    卷積神經(jīng)網(wǎng)絡黃河
    多彩黃河
    金橋(2020年11期)2020-12-14 07:52:46
    黃河寧,天下平
    金橋(2020年11期)2020-12-14 07:52:42
    『黃河』
    當代陜西(2019年21期)2019-12-09 08:36:12
    黃河知道我愛誰
    當代音樂(2019年2期)2019-06-11 21:17:05
    基于深度卷積神經(jīng)網(wǎng)絡的物體識別算法
    深度學習算法應用于巖石圖像處理的可行性研究
    軟件導刊(2016年9期)2016-11-07 22:20:49
    基于深度卷積網(wǎng)絡的人臉年齡分析算法與實現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    基于卷積神經(jīng)網(wǎng)絡的樹葉識別的算法的研究
    丝袜人妻中文字幕| 淫秽高清视频在线观看| 色播亚洲综合网| 国产成人一区二区三区免费视频网站| 脱女人内裤的视频| 不卡一级毛片| 床上黄色一级片| 丝袜人妻中文字幕| 91老司机精品| 老汉色∧v一级毛片| 精品国产美女av久久久久小说| 免费大片18禁| 老司机午夜福利在线观看视频| 天堂网av新在线| h日本视频在线播放| 最好的美女福利视频网| 国产精品精品国产色婷婷| 给我免费播放毛片高清在线观看| 国产高清三级在线| 在线观看免费视频日本深夜| 美女高潮喷水抽搐中文字幕| 真人一进一出gif抽搐免费| av黄色大香蕉| 又紧又爽又黄一区二区| 免费电影在线观看免费观看| 久久久久国内视频| 亚洲天堂国产精品一区在线| 欧美日韩综合久久久久久 | tocl精华| 精品国内亚洲2022精品成人| 久久精品人妻少妇| 舔av片在线| 美女 人体艺术 gogo| 亚洲 欧美一区二区三区| 国产极品精品免费视频能看的| 国产蜜桃级精品一区二区三区| 俄罗斯特黄特色一大片| 亚洲第一欧美日韩一区二区三区| 亚洲午夜精品一区,二区,三区| 国产成人系列免费观看| 欧美在线一区亚洲| 级片在线观看| 三级国产精品欧美在线观看 | 成人一区二区视频在线观看| 亚洲专区中文字幕在线| 亚洲狠狠婷婷综合久久图片| 成年女人毛片免费观看观看9| 久久精品亚洲精品国产色婷小说| 国内揄拍国产精品人妻在线| 桃红色精品国产亚洲av| 欧美一级a爱片免费观看看| 欧美三级亚洲精品| 国产精品日韩av在线免费观看| 好男人在线观看高清免费视频| 国产高清videossex| 国产精品一区二区精品视频观看| 国产精品,欧美在线| 丝袜人妻中文字幕| 夜夜躁狠狠躁天天躁| 动漫黄色视频在线观看| 国产黄a三级三级三级人| 真人一进一出gif抽搐免费| 亚洲欧美日韩高清在线视频| 国产三级中文精品| 一个人免费在线观看电影 | 黄片小视频在线播放| 性色avwww在线观看| 午夜久久久久精精品| 在线a可以看的网站| 国产精品久久久人人做人人爽| 男女视频在线观看网站免费| 国产又黄又爽又无遮挡在线| 日本黄大片高清| 一二三四社区在线视频社区8| 午夜精品在线福利| 亚洲av片天天在线观看| www日本在线高清视频| 巨乳人妻的诱惑在线观看| 亚洲精品中文字幕一二三四区| 97超级碰碰碰精品色视频在线观看| 色综合婷婷激情| 国产野战对白在线观看| 99久久无色码亚洲精品果冻| 欧美一级a爱片免费观看看| 999精品在线视频| 亚洲精品粉嫩美女一区| 日本黄色片子视频| 亚洲国产精品合色在线| 国产精品,欧美在线| 香蕉国产在线看| 人妻丰满熟妇av一区二区三区| 身体一侧抽搐| 国产一区二区三区在线臀色熟女| 色av中文字幕| 成年女人看的毛片在线观看| 亚洲精品粉嫩美女一区| 久久草成人影院| 欧美乱色亚洲激情| 两个人的视频大全免费| 亚洲精品在线观看二区| 18禁观看日本| 欧美在线黄色| 免费高清视频大片| 精品国产乱码久久久久久男人| 男女视频在线观看网站免费| 无人区码免费观看不卡| 亚洲欧洲精品一区二区精品久久久| 欧美乱码精品一区二区三区| 九九在线视频观看精品| 亚洲国产看品久久| 日韩大尺度精品在线看网址| 日日干狠狠操夜夜爽| 在线观看日韩欧美| 特大巨黑吊av在线直播| 亚洲av成人一区二区三| 又粗又爽又猛毛片免费看| 波多野结衣高清作品| 啪啪无遮挡十八禁网站| 国产精品久久电影中文字幕| 亚洲无线观看免费| 欧美精品啪啪一区二区三区| av福利片在线观看| 久久久久亚洲av毛片大全| 人人妻,人人澡人人爽秒播| 日韩免费av在线播放| 一进一出好大好爽视频| 欧美zozozo另类| 老司机午夜福利在线观看视频| 91九色精品人成在线观看| 精品电影一区二区在线| 国产精品久久久久久精品电影| 岛国在线免费视频观看| 可以在线观看的亚洲视频| 女人被狂操c到高潮| 久久热在线av| 不卡一级毛片| 亚洲美女黄片视频| 五月伊人婷婷丁香| 一级a爱片免费观看的视频| 日韩成人在线观看一区二区三区| 丁香欧美五月| 国产精品免费一区二区三区在线| 国产黄a三级三级三级人| 十八禁人妻一区二区| 精品久久久久久久末码| 99热6这里只有精品| 成人欧美大片| 日韩国内少妇激情av| 大型黄色视频在线免费观看| 巨乳人妻的诱惑在线观看| 久久久久久久午夜电影| 99国产精品一区二区蜜桃av| xxxwww97欧美| www.精华液| 欧美乱码精品一区二区三区| 一级a爱片免费观看的视频| 国产一区二区激情短视频| 99国产精品一区二区蜜桃av| 亚洲成人久久爱视频| 国产精品永久免费网站| 黑人巨大精品欧美一区二区mp4| 亚洲成人中文字幕在线播放| 成在线人永久免费视频| 亚洲成人久久爱视频| 国内精品久久久久精免费| 老汉色∧v一级毛片| 九九久久精品国产亚洲av麻豆 | 18美女黄网站色大片免费观看| 日本黄色片子视频| 女人被狂操c到高潮| 免费在线观看视频国产中文字幕亚洲| 国产精品影院久久| 亚洲熟妇中文字幕五十中出| 性色avwww在线观看| 蜜桃久久精品国产亚洲av| 国产毛片a区久久久久| avwww免费| 国产精品女同一区二区软件 | 国产高清视频在线观看网站| 午夜福利18| 久久精品综合一区二区三区| 别揉我奶头~嗯~啊~动态视频| 两个人看的免费小视频| 网址你懂的国产日韩在线| 色在线成人网| 国产精品一区二区三区四区久久| 99国产精品一区二区蜜桃av| 亚洲av电影不卡..在线观看| 国产精品99久久99久久久不卡| 国产av在哪里看| 国产精品日韩av在线免费观看| 俺也久久电影网| 国产v大片淫在线免费观看| 麻豆成人av在线观看| 久久婷婷人人爽人人干人人爱| 在线观看美女被高潮喷水网站 | 亚洲一区二区三区色噜噜| 国产99白浆流出| 91麻豆精品激情在线观看国产| 两个人视频免费观看高清| 日韩有码中文字幕| 国产亚洲精品综合一区在线观看| 熟女电影av网| 美女大奶头视频| 亚洲中文av在线| 成年人黄色毛片网站| 国产精品久久电影中文字幕| 亚洲人成网站在线播放欧美日韩| 精品久久久久久,| 国内毛片毛片毛片毛片毛片| 18禁黄网站禁片午夜丰满| 中文在线观看免费www的网站| 美女被艹到高潮喷水动态| 欧美乱色亚洲激情| 亚洲精品在线美女| 美女免费视频网站| 叶爱在线成人免费视频播放| e午夜精品久久久久久久| 亚洲国产欧美网| 人人妻,人人澡人人爽秒播| 露出奶头的视频| 欧美色欧美亚洲另类二区| 搡老熟女国产l中国老女人| 欧美日本亚洲视频在线播放| 亚洲九九香蕉| 国产精品亚洲av一区麻豆| 超碰成人久久| 国产一区在线观看成人免费| 日本a在线网址| 校园春色视频在线观看| 国产精品国产高清国产av| 黄色女人牲交| a在线观看视频网站| 久久精品国产综合久久久| 午夜免费观看网址| 精品99又大又爽又粗少妇毛片 | 色综合欧美亚洲国产小说| 99久久久亚洲精品蜜臀av| 欧美zozozo另类| 亚洲中文日韩欧美视频| 久久天堂一区二区三区四区| 首页视频小说图片口味搜索| 久久欧美精品欧美久久欧美| 国产真实乱freesex| 欧美日韩瑟瑟在线播放| 国产蜜桃级精品一区二区三区| 色播亚洲综合网| 久久九九热精品免费| 日本一本二区三区精品| 久久久久久九九精品二区国产| 1024香蕉在线观看| 这个男人来自地球电影免费观看| 精品日产1卡2卡| 特级一级黄色大片| 又大又爽又粗| 精品人妻1区二区| 俄罗斯特黄特色一大片| 中文字幕精品亚洲无线码一区| 天堂网av新在线| 一个人看的www免费观看视频| 在线观看一区二区三区| 在线观看午夜福利视频| 精品一区二区三区av网在线观看| 我的老师免费观看完整版| 亚洲中文av在线| 免费在线观看成人毛片| 国产免费男女视频| 国产主播在线观看一区二区| 成人无遮挡网站| 精品久久久久久久久久免费视频| 精品电影一区二区在线| 叶爱在线成人免费视频播放| 99久国产av精品| 麻豆成人av在线观看| АⅤ资源中文在线天堂| 99久久精品国产亚洲精品| av福利片在线观看| 国产欧美日韩精品亚洲av| 99久久精品国产亚洲精品| 久久久久久久久中文| 99热精品在线国产| 校园春色视频在线观看| 亚洲一区二区三区不卡视频| 午夜影院日韩av| or卡值多少钱| 夜夜夜夜夜久久久久| 国产成+人综合+亚洲专区| 99国产极品粉嫩在线观看| 90打野战视频偷拍视频| 亚洲人成电影免费在线| 免费在线观看日本一区| 欧美+亚洲+日韩+国产| 亚洲性夜色夜夜综合| 欧美另类亚洲清纯唯美| 日韩中文字幕欧美一区二区| 国产精品一区二区三区四区久久| 99热6这里只有精品| 在线十欧美十亚洲十日本专区| 亚洲av片天天在线观看| 悠悠久久av| 一个人免费在线观看电影 | 免费在线观看影片大全网站| 精品欧美国产一区二区三| 麻豆成人av在线观看| 18禁美女被吸乳视频| 99国产精品99久久久久| 国产精品九九99| 欧美一级a爱片免费观看看| 国产免费av片在线观看野外av| 免费看日本二区| 99国产极品粉嫩在线观看| 麻豆国产av国片精品| 麻豆成人av在线观看| 91久久精品国产一区二区成人 | 精品福利观看| 国产成人精品久久二区二区91| 欧美日本视频| 听说在线观看完整版免费高清| 亚洲 欧美一区二区三区| 99热只有精品国产| 黄色丝袜av网址大全| 男人舔女人下体高潮全视频| 欧美极品一区二区三区四区| 男人舔女人下体高潮全视频| 色av中文字幕| 日本 av在线| 91麻豆av在线| 国产真人三级小视频在线观看| 色视频www国产| 久久精品人妻少妇| 非洲黑人性xxxx精品又粗又长| 一进一出抽搐gif免费好疼| a在线观看视频网站| 免费av不卡在线播放| cao死你这个sao货| 精品福利观看| 免费看十八禁软件| 熟女电影av网| 欧美xxxx黑人xx丫x性爽| 婷婷亚洲欧美| 老鸭窝网址在线观看| 曰老女人黄片| 啪啪无遮挡十八禁网站| 特级一级黄色大片| 狠狠狠狠99中文字幕| 搡老熟女国产l中国老女人| 噜噜噜噜噜久久久久久91| 免费在线观看日本一区| 成年女人永久免费观看视频| 可以在线观看毛片的网站| 亚洲18禁久久av| 亚洲人成网站高清观看| 亚洲精品美女久久av网站| xxx96com| 国产av不卡久久| 日韩大尺度精品在线看网址| 女生性感内裤真人,穿戴方法视频| 亚洲在线观看片| 宅男免费午夜| 国产成人av激情在线播放| 88av欧美| 窝窝影院91人妻| 亚洲精品粉嫩美女一区| 亚洲av中文字字幕乱码综合| 久久久久久大精品| 一本综合久久免费| 欧美成人性av电影在线观看| 国产精品一区二区三区四区免费观看 | 亚洲av五月六月丁香网| 成人午夜高清在线视频| 又黄又爽又免费观看的视频| 国产精品久久久久久人妻精品电影| 中文资源天堂在线| 51午夜福利影视在线观看| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲七黄色美女视频| 超碰成人久久| 老鸭窝网址在线观看| 黄色日韩在线| 99riav亚洲国产免费| 中文亚洲av片在线观看爽| 这个男人来自地球电影免费观看| 成年女人看的毛片在线观看| 精品熟女少妇八av免费久了| 亚洲精品在线观看二区| 免费看日本二区| 欧美在线黄色| 高清在线国产一区| 五月玫瑰六月丁香| 亚洲av中文字字幕乱码综合| 999久久久国产精品视频| 国产成人精品久久二区二区91| 曰老女人黄片| www.www免费av| 亚洲人成网站在线播放欧美日韩| 真人一进一出gif抽搐免费| 12—13女人毛片做爰片一| 久99久视频精品免费| 日韩欧美国产一区二区入口| 最新在线观看一区二区三区| 色噜噜av男人的天堂激情| 日韩欧美在线二视频| 国产精品久久久久久精品电影| 国产aⅴ精品一区二区三区波| 亚洲av美国av| 看片在线看免费视频| 亚洲av电影在线进入| 国产亚洲精品av在线| 免费观看人在逋| 岛国在线观看网站| 这个男人来自地球电影免费观看| av在线蜜桃| 久99久视频精品免费| 国产精品久久久久久亚洲av鲁大| 精品久久蜜臀av无| 九九久久精品国产亚洲av麻豆 | 中文字幕人成人乱码亚洲影| 精品久久久久久久久久久久久| 日韩欧美三级三区| 看片在线看免费视频| 成在线人永久免费视频| 国产精品国产高清国产av| 欧美成人一区二区免费高清观看 | 亚洲欧美激情综合另类| www日本黄色视频网| 亚洲国产精品久久男人天堂| 天堂动漫精品| 亚洲国产欧美网| 黄频高清免费视频| 在线a可以看的网站| 久久九九热精品免费| 国产爱豆传媒在线观看| 又爽又黄无遮挡网站| 国内揄拍国产精品人妻在线| 99热这里只有是精品50| 国产亚洲欧美在线一区二区| 成人午夜高清在线视频| 99国产精品一区二区三区| 男女视频在线观看网站免费| 亚洲中文字幕日韩| 真人一进一出gif抽搐免费| 成人国产一区最新在线观看| e午夜精品久久久久久久| 欧美在线黄色| av黄色大香蕉| 床上黄色一级片| 在线观看舔阴道视频| 最近最新中文字幕大全免费视频| 日本成人三级电影网站| 亚洲国产色片| 日本与韩国留学比较| 亚洲avbb在线观看| 日韩欧美三级三区| 精品久久久久久久人妻蜜臀av| 免费观看人在逋| 一个人看的www免费观看视频| 久久九九热精品免费| 欧美+亚洲+日韩+国产| 成年女人毛片免费观看观看9| 九九久久精品国产亚洲av麻豆 | 99久久精品热视频| 精品国产乱子伦一区二区三区| 久久久久久国产a免费观看| 国产午夜精品论理片| 男女视频在线观看网站免费| 国产极品精品免费视频能看的| 午夜激情欧美在线| 精华霜和精华液先用哪个| 91麻豆精品激情在线观看国产| 成人一区二区视频在线观看| 国内毛片毛片毛片毛片毛片| 黄色日韩在线| 成人av在线播放网站| 久久久国产欧美日韩av| 色尼玛亚洲综合影院| 哪里可以看免费的av片| 韩国av一区二区三区四区| 国产精品女同一区二区软件 | 欧美zozozo另类| 在线国产一区二区在线| 亚洲精品美女久久av网站| 国产aⅴ精品一区二区三区波| 国产免费av片在线观看野外av| 熟女少妇亚洲综合色aaa.| 亚洲欧美日韩无卡精品| 免费在线观看成人毛片| 男人舔女人的私密视频| 欧美日韩福利视频一区二区| 一区二区三区高清视频在线| 1024手机看黄色片| 欧美一区二区精品小视频在线| 亚洲成人久久爱视频| 欧美一区二区精品小视频在线| 麻豆成人午夜福利视频| 身体一侧抽搐| 国产欧美日韩一区二区精品| 日本黄大片高清| 午夜精品在线福利| 三级国产精品欧美在线观看 | 色哟哟哟哟哟哟| 精品欧美国产一区二区三| 1000部很黄的大片| 久久久色成人| 悠悠久久av| 久99久视频精品免费| www.自偷自拍.com| 法律面前人人平等表现在哪些方面| 天堂√8在线中文| 亚洲自偷自拍图片 自拍| 18禁裸乳无遮挡免费网站照片| 日韩免费av在线播放| 成熟少妇高潮喷水视频| 久久精品影院6| 亚洲自偷自拍图片 自拍| 美女cb高潮喷水在线观看 | www.熟女人妻精品国产| 久久久国产精品麻豆| 老司机在亚洲福利影院| 熟女人妻精品中文字幕| 一a级毛片在线观看| 人妻丰满熟妇av一区二区三区| 午夜亚洲福利在线播放| 999久久久精品免费观看国产| 欧美丝袜亚洲另类 | 特大巨黑吊av在线直播| 黄片小视频在线播放| 亚洲av成人一区二区三| 在线观看午夜福利视频| 女人高潮潮喷娇喘18禁视频| 精品99又大又爽又粗少妇毛片 | svipshipincom国产片| 成年女人永久免费观看视频| 国产乱人伦免费视频| 18禁黄网站禁片午夜丰满| 精品国产三级普通话版| 看片在线看免费视频| 久久亚洲真实| 国产精品久久久久久亚洲av鲁大| 伦理电影免费视频| 精品久久久久久久毛片微露脸| 黄色成人免费大全| 精品一区二区三区四区五区乱码| 国产精品久久久久久精品电影| 亚洲av成人一区二区三| 色播亚洲综合网| 久久香蕉精品热| 黄片大片在线免费观看| xxxwww97欧美| av天堂在线播放| 婷婷丁香在线五月| www日本黄色视频网| 欧美成人免费av一区二区三区| 美女午夜性视频免费| 亚洲天堂国产精品一区在线| 日韩三级视频一区二区三区| 天堂网av新在线| 亚洲精品美女久久av网站| 真人做人爱边吃奶动态| 噜噜噜噜噜久久久久久91| 国产伦在线观看视频一区| 香蕉丝袜av| 欧美不卡视频在线免费观看| 18禁裸乳无遮挡免费网站照片| 日韩中文字幕欧美一区二区| 香蕉国产在线看| 18禁观看日本| 首页视频小说图片口味搜索| 日本 av在线| 淫妇啪啪啪对白视频| 午夜福利免费观看在线| 又黄又粗又硬又大视频| 母亲3免费完整高清在线观看| 九九在线视频观看精品| 亚洲国产色片| 国产野战对白在线观看| 亚洲avbb在线观看| 精品乱码久久久久久99久播| 窝窝影院91人妻| 俄罗斯特黄特色一大片| 国产乱人伦免费视频| 毛片女人毛片| 亚洲专区中文字幕在线| 狂野欧美激情性xxxx| 丰满的人妻完整版| 看免费av毛片| 偷拍熟女少妇极品色| 国产黄片美女视频| 午夜精品在线福利| 亚洲av成人不卡在线观看播放网| 欧美3d第一页| 精品乱码久久久久久99久播| 久久久久国产精品人妻aⅴ院| 午夜激情欧美在线| 欧美黄色片欧美黄色片| 欧美日韩瑟瑟在线播放| 久久这里只有精品19| 国产精品,欧美在线| 亚洲欧美日韩东京热| 国产麻豆成人av免费视频| 美女黄网站色视频| 岛国在线观看网站| 很黄的视频免费| 亚洲av免费在线观看| 老熟妇乱子伦视频在线观看| av片东京热男人的天堂| 天堂√8在线中文| 在线a可以看的网站| 精品久久蜜臀av无| 久久久久久大精品| 国产99白浆流出| 日本三级黄在线观看| 免费大片18禁| 日韩免费av在线播放| 九色国产91popny在线| 99国产精品一区二区蜜桃av|