• <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
    1024香蕉在线观看| 最近中文字幕高清免费大全6| 一本大道久久a久久精品| 人妻系列 视频| 久久这里有精品视频免费| 成年美女黄网站色视频大全免费| 久久久久精品久久久久真实原创| 久久99热这里只频精品6学生| 97精品久久久久久久久久精品| 美女中出高潮动态图| 大陆偷拍与自拍| 最黄视频免费看| 人人妻人人添人人爽欧美一区卜| 亚洲成人一二三区av| 久久毛片免费看一区二区三区| 男的添女的下面高潮视频| 国产成人91sexporn| 久久国产亚洲av麻豆专区| 日韩中文字幕欧美一区二区 | 国产老妇伦熟女老妇高清| 精品人妻一区二区三区麻豆| 99国产综合亚洲精品| 看非洲黑人一级黄片| 精品一区在线观看国产| 免费日韩欧美在线观看| 国产av一区二区精品久久| 成人毛片60女人毛片免费| 日韩大片免费观看网站| 不卡av一区二区三区| 新久久久久国产一级毛片| 看十八女毛片水多多多| 午夜av观看不卡| 国产高清国产精品国产三级| 婷婷色av中文字幕| 久久久久久久久久久免费av| 中国三级夫妇交换| 午夜激情av网站| 欧美在线黄色| 一级,二级,三级黄色视频| 国产亚洲午夜精品一区二区久久| 最近的中文字幕免费完整| 久久精品aⅴ一区二区三区四区 | 亚洲国产精品成人久久小说| 1024香蕉在线观看| 69精品国产乱码久久久| 亚洲成人手机| 国产xxxxx性猛交| 永久网站在线| 欧美国产精品一级二级三级| 超碰97精品在线观看| 中文字幕人妻丝袜一区二区 | 日本av手机在线免费观看| 妹子高潮喷水视频| 成人亚洲精品一区在线观看| 日韩大片免费观看网站| 亚洲欧美中文字幕日韩二区| 欧美黄色片欧美黄色片| 日韩不卡一区二区三区视频在线| 亚洲欧美清纯卡通| 日韩一区二区视频免费看| 人成视频在线观看免费观看| 国产人伦9x9x在线观看 | 少妇人妻 视频| 精品少妇内射三级| 国产免费又黄又爽又色| 亚洲一区二区三区欧美精品| 人人妻人人添人人爽欧美一区卜| 国产乱人偷精品视频| 国产精品av久久久久免费| 少妇人妻久久综合中文| 男人爽女人下面视频在线观看| 国产淫语在线视频| 街头女战士在线观看网站| 人人妻人人添人人爽欧美一区卜| 亚洲伊人色综图| 90打野战视频偷拍视频| 国产精品人妻久久久影院| 免费日韩欧美在线观看| 1024香蕉在线观看| 久久精品国产自在天天线| 免费观看无遮挡的男女| 国产精品久久久av美女十八| 亚洲一区二区三区欧美精品| 国产一区二区 视频在线| 蜜桃国产av成人99| 伦理电影大哥的女人| 99热国产这里只有精品6| 99久久综合免费| 亚洲av在线观看美女高潮| 国产熟女欧美一区二区| 又粗又硬又长又爽又黄的视频| 美女国产高潮福利片在线看| 欧美+日韩+精品| av福利片在线| 丝袜美足系列| 91成人精品电影| 中文字幕另类日韩欧美亚洲嫩草| 多毛熟女@视频| 国产乱来视频区| 久久久久精品人妻al黑| 久久久久久伊人网av| 亚洲欧美清纯卡通| 亚洲精品一二三| 国产精品成人在线| 久久午夜福利片| 久久久久久久亚洲中文字幕| 亚洲av国产av综合av卡| 国产成人a∨麻豆精品| 在线观看人妻少妇| 边亲边吃奶的免费视频| 久久99热这里只频精品6学生| 三上悠亚av全集在线观看| 久久久久久久久久人人人人人人| 爱豆传媒免费全集在线观看| 一边摸一边做爽爽视频免费| 午夜福利在线免费观看网站| 亚洲欧洲日产国产| 天天躁夜夜躁狠狠躁躁| 免费观看在线日韩| 久久久久人妻精品一区果冻| 亚洲av在线观看美女高潮| 日本-黄色视频高清免费观看| 国产精品免费大片| 欧美亚洲日本最大视频资源| 熟女电影av网| 激情五月婷婷亚洲| 日韩制服丝袜自拍偷拍| 叶爱在线成人免费视频播放| 搡老乐熟女国产| 999精品在线视频| 精品酒店卫生间| 精品久久久久久电影网| 国产精品免费视频内射| 亚洲久久久国产精品| 亚洲国产av新网站| 在线免费观看不下载黄p国产| 免费高清在线观看日韩| 激情五月婷婷亚洲| 伊人久久国产一区二区| 18在线观看网站| 最近中文字幕高清免费大全6| 香蕉精品网在线| 大陆偷拍与自拍| 高清av免费在线| 欧美成人午夜精品| 国产精品av久久久久免费| 国产精品免费大片| 韩国精品一区二区三区| 婷婷色麻豆天堂久久| 国精品久久久久久国模美| 女人高潮潮喷娇喘18禁视频| 电影成人av| 日本av手机在线免费观看| videos熟女内射| 交换朋友夫妻互换小说| 久久99热这里只频精品6学生| 亚洲伊人色综图| 国产女主播在线喷水免费视频网站| 激情五月婷婷亚洲| 新久久久久国产一级毛片| 老鸭窝网址在线观看| 我的亚洲天堂| av在线app专区| 电影成人av| 啦啦啦中文免费视频观看日本| 97在线人人人人妻| 亚洲成人av在线免费| 国产亚洲午夜精品一区二区久久| 亚洲伊人色综图| 免费观看在线日韩| 日日爽夜夜爽网站| 久久毛片免费看一区二区三区| av免费观看日本| 咕卡用的链子| 亚洲三级黄色毛片| 亚洲国产av影院在线观看| 亚洲精品日本国产第一区| 熟女av电影| 少妇人妻久久综合中文| 亚洲精品在线美女| 边亲边吃奶的免费视频| 一区二区三区四区激情视频| 一区二区日韩欧美中文字幕| 26uuu在线亚洲综合色| 欧美 亚洲 国产 日韩一| 国产精品国产av在线观看| 91国产中文字幕| 精品卡一卡二卡四卡免费| 人妻 亚洲 视频| 26uuu在线亚洲综合色| 在线 av 中文字幕| 亚洲av电影在线进入| 男女边吃奶边做爰视频| 精品亚洲成国产av| 日本色播在线视频| 在线 av 中文字幕| 国产高清不卡午夜福利| 综合色丁香网| av视频免费观看在线观看| 久久精品国产自在天天线| 五月天丁香电影| 人人妻人人爽人人添夜夜欢视频| 欧美精品国产亚洲| 成年av动漫网址| 电影成人av| 在线观看免费高清a一片| 日韩电影二区| 成人国产av品久久久| 十八禁高潮呻吟视频| 老鸭窝网址在线观看| 久久 成人 亚洲| 在线观看免费视频网站a站| 精品国产乱码久久久久久小说| 男人爽女人下面视频在线观看| 国产在线视频一区二区| 男女国产视频网站| 日本91视频免费播放| 亚洲精品久久久久久婷婷小说| 久久精品国产综合久久久| 亚洲精品一二三| 桃花免费在线播放| 激情视频va一区二区三区| 欧美日韩一区二区视频在线观看视频在线| 国产av国产精品国产| 欧美97在线视频| 看非洲黑人一级黄片| 亚洲国产精品成人久久小说| 国产熟女欧美一区二区| 少妇猛男粗大的猛烈进出视频| 午夜福利乱码中文字幕| 最近最新中文字幕免费大全7| 性色av一级| 日本-黄色视频高清免费观看| 日韩成人av中文字幕在线观看| 日韩视频在线欧美| 国产国语露脸激情在线看| 欧美日韩精品网址| 午夜福利在线观看免费完整高清在| 日本爱情动作片www.在线观看| 男女无遮挡免费网站观看| 日韩伦理黄色片| www日本在线高清视频| 精品少妇黑人巨大在线播放| 欧美另类一区| 国产免费又黄又爽又色| 成人国产麻豆网| 在线免费观看不下载黄p国产| 最近中文字幕2019免费版| 亚洲av电影在线观看一区二区三区| 国产精品麻豆人妻色哟哟久久| 亚洲色图 男人天堂 中文字幕| 成年人午夜在线观看视频| 五月开心婷婷网| 免费av中文字幕在线| 极品少妇高潮喷水抽搐| 日韩中字成人| 另类精品久久| 国产极品天堂在线| 日韩 亚洲 欧美在线| 欧美最新免费一区二区三区| 久久精品久久精品一区二区三区| 亚洲人成网站在线观看播放| 免费久久久久久久精品成人欧美视频| 国产亚洲精品第一综合不卡| 日韩制服骚丝袜av| 亚洲国产成人一精品久久久| 日本av免费视频播放| 老司机影院成人| 色94色欧美一区二区| 9色porny在线观看| 午夜福利乱码中文字幕| 自拍欧美九色日韩亚洲蝌蚪91| www.自偷自拍.com| 日本午夜av视频| 久久久久国产精品人妻一区二区| 亚洲av欧美aⅴ国产| 欧美日韩国产mv在线观看视频| 亚洲久久久国产精品| 亚洲欧洲日产国产| 成年动漫av网址| 久久这里只有精品19| 亚洲av综合色区一区| 成人毛片a级毛片在线播放| 咕卡用的链子| 久久国产精品大桥未久av| 天美传媒精品一区二区| 高清视频免费观看一区二区| 亚洲精品国产色婷婷电影| 丝袜喷水一区| 色婷婷av一区二区三区视频| 久久久久久人妻| 汤姆久久久久久久影院中文字幕| 水蜜桃什么品种好| av网站免费在线观看视频| 一本久久精品| 最近中文字幕2019免费版| 国产av国产精品国产| 黄片小视频在线播放| 亚洲综合色网址| 涩涩av久久男人的天堂| 久久久久久伊人网av| 日日爽夜夜爽网站| 成年人免费黄色播放视频| 久久午夜综合久久蜜桃| 亚洲精华国产精华液的使用体验| 国产亚洲最大av| 天天影视国产精品| 18禁裸乳无遮挡动漫免费视频| 国产爽快片一区二区三区| 如日韩欧美国产精品一区二区三区| 久久精品夜色国产| 天天躁夜夜躁狠狠久久av| 婷婷色综合www| 久久女婷五月综合色啪小说| 男男h啪啪无遮挡| 日本黄色日本黄色录像| 亚洲色图综合在线观看| 久久精品国产亚洲av涩爱| 搡老乐熟女国产| h视频一区二区三区| 中文字幕色久视频| 日日啪夜夜爽| 精品久久久久久电影网| 亚洲少妇的诱惑av| 十分钟在线观看高清视频www| 纯流量卡能插随身wifi吗| 久久99蜜桃精品久久| 亚洲精品成人av观看孕妇| 男女下面插进去视频免费观看| 中文字幕精品免费在线观看视频| av.在线天堂| 精品国产国语对白av| 女性生殖器流出的白浆| 午夜日韩欧美国产| 90打野战视频偷拍视频| videossex国产| 国产成人精品福利久久| 国精品久久久久久国模美| 十八禁网站网址无遮挡| 国精品久久久久久国模美| 亚洲精品美女久久久久99蜜臀 | 2018国产大陆天天弄谢| 欧美97在线视频| 大码成人一级视频| 日韩电影二区| 97在线视频观看| h视频一区二区三区| av网站在线播放免费| 一个人免费看片子| 日韩中文字幕视频在线看片| 久久国产精品男人的天堂亚洲| 亚洲综合色惰| 日日啪夜夜爽| 免费不卡的大黄色大毛片视频在线观看| 极品少妇高潮喷水抽搐| 七月丁香在线播放| 亚洲国产毛片av蜜桃av| 国产亚洲欧美精品永久| 秋霞伦理黄片| 日本猛色少妇xxxxx猛交久久| 在线观看一区二区三区激情| 在线观看三级黄色| 秋霞伦理黄片| 久久久久人妻精品一区果冻| 深夜精品福利| 久久97久久精品| 成年人免费黄色播放视频| 久久青草综合色| 亚洲久久久国产精品| 天美传媒精品一区二区| 国产精品.久久久| 黄色毛片三级朝国网站| 国产高清不卡午夜福利| 午夜老司机福利剧场| 色网站视频免费| 性色avwww在线观看| 欧美最新免费一区二区三区| 在线观看免费高清a一片| 看十八女毛片水多多多| 美国免费a级毛片| 中文字幕人妻丝袜制服| 在线 av 中文字幕| 亚洲精品视频女| 一边摸一边做爽爽视频免费| 午夜av观看不卡| 美女视频免费永久观看网站| 久久精品久久久久久噜噜老黄| 久久久久久人人人人人| 菩萨蛮人人尽说江南好唐韦庄| 十八禁高潮呻吟视频| 十分钟在线观看高清视频www| av在线老鸭窝| 欧美中文综合在线视频| 熟女av电影| 国产综合精华液| 国产一区二区三区综合在线观看| 亚洲成人手机| 亚洲欧美精品自产自拍| 一二三四在线观看免费中文在| 亚洲精品日韩在线中文字幕| 999精品在线视频| 日本色播在线视频| 久久精品国产a三级三级三级| 色婷婷av一区二区三区视频| 日韩视频在线欧美| 国产视频首页在线观看| 久久久久精品人妻al黑| 精品卡一卡二卡四卡免费| 叶爱在线成人免费视频播放| 亚洲国产色片| 大香蕉久久成人网| 999久久久国产精品视频| 精品一区二区三区四区五区乱码 | 一区二区三区乱码不卡18| 精品国产一区二区三区久久久樱花| av电影中文网址| 国产成人精品久久久久久| 下体分泌物呈黄色| 国产精品成人在线| 久久人人97超碰香蕉20202| 亚洲综合色惰| 国产精品香港三级国产av潘金莲 | 亚洲成国产人片在线观看| 久久国产精品男人的天堂亚洲| 色哟哟·www| 18禁国产床啪视频网站| 啦啦啦视频在线资源免费观看| 90打野战视频偷拍视频| 在现免费观看毛片| 国产精品国产三级专区第一集| 美女视频免费永久观看网站| 性少妇av在线| h视频一区二区三区| 制服人妻中文乱码| 美女高潮到喷水免费观看| 色播在线永久视频| 国产熟女欧美一区二区| 最近2019中文字幕mv第一页| 欧美精品一区二区免费开放| 久久精品国产鲁丝片午夜精品| 国产精品亚洲av一区麻豆 | 91午夜精品亚洲一区二区三区| 国产精品国产三级国产专区5o| 波多野结衣一区麻豆| 老熟女久久久| 中文精品一卡2卡3卡4更新| 亚洲人成网站在线观看播放| 啦啦啦中文免费视频观看日本| 国产精品一区二区在线观看99| 一本久久精品| 1024视频免费在线观看| 欧美 日韩 精品 国产| 极品人妻少妇av视频| 国产又爽黄色视频| 欧美精品av麻豆av| 欧美激情极品国产一区二区三区| 亚洲精品国产av成人精品| 欧美精品人与动牲交sv欧美| 另类精品久久| 日日撸夜夜添| 欧美变态另类bdsm刘玥| 日韩成人av中文字幕在线观看| 90打野战视频偷拍视频| 美女国产高潮福利片在线看| 欧美精品一区二区免费开放| 极品少妇高潮喷水抽搐| 97在线视频观看| 少妇 在线观看| 街头女战士在线观看网站| 欧美成人午夜免费资源| 欧美日韩亚洲国产一区二区在线观看 | 国产激情久久老熟女| 少妇的逼水好多| 在线观看美女被高潮喷水网站| 亚洲成色77777| 欧美人与性动交α欧美软件| 亚洲精品视频女| 久久久久久久大尺度免费视频| 成人国产av品久久久| 免费观看av网站的网址| 久久精品夜色国产| 久久精品久久久久久噜噜老黄| 久久久久久久亚洲中文字幕| 丰满迷人的少妇在线观看| 国产免费现黄频在线看| 欧美日韩精品网址| 欧美人与性动交α欧美精品济南到 | 在线天堂中文资源库| 日韩免费高清中文字幕av| 91午夜精品亚洲一区二区三区| 女人被躁到高潮嗷嗷叫费观| 精品午夜福利在线看| 人妻 亚洲 视频| 亚洲,一卡二卡三卡| 一级毛片黄色毛片免费观看视频| 最近的中文字幕免费完整| 久久精品国产自在天天线| 少妇精品久久久久久久| 搡老乐熟女国产| 久久久久久久久久久免费av| 下体分泌物呈黄色| 26uuu在线亚洲综合色| 久久国产精品男人的天堂亚洲| 9色porny在线观看| 国产av码专区亚洲av| 精品少妇一区二区三区视频日本电影 | 中文精品一卡2卡3卡4更新| 亚洲精品成人av观看孕妇| 纵有疾风起免费观看全集完整版| 亚洲欧美清纯卡通| 国产精品av久久久久免费| 男男h啪啪无遮挡| 久久精品人人爽人人爽视色| 国产成人免费无遮挡视频| 国产成人精品福利久久| 日日摸夜夜添夜夜爱| 国产精品.久久久| 男男h啪啪无遮挡| 国产成人精品在线电影| 欧美日韩国产mv在线观看视频| 99精国产麻豆久久婷婷| 日韩免费高清中文字幕av| 免费女性裸体啪啪无遮挡网站| 国产精品久久久久成人av| 欧美日韩一区二区视频在线观看视频在线| 又黄又粗又硬又大视频| 叶爱在线成人免费视频播放| 国产成人a∨麻豆精品| 国产欧美亚洲国产| 天美传媒精品一区二区| 深夜精品福利| 久久人人爽av亚洲精品天堂| 高清视频免费观看一区二区| 久久久久人妻精品一区果冻| 国产精品国产av在线观看| 国产精品欧美亚洲77777| 国产免费又黄又爽又色| av一本久久久久| 看十八女毛片水多多多| 国产老妇伦熟女老妇高清| 91国产中文字幕| 男女午夜视频在线观看| av一本久久久久| 美女高潮到喷水免费观看| av不卡在线播放| 久久99精品国语久久久| 久久精品国产鲁丝片午夜精品| 国产精品免费大片| 国产在线视频一区二区| 国产精品久久久久成人av| 2022亚洲国产成人精品| 丝瓜视频免费看黄片| 亚洲精品国产一区二区精华液| 国产精品二区激情视频| 午夜老司机福利剧场| 亚洲精品久久久久久婷婷小说| 精品99又大又爽又粗少妇毛片| 亚洲综合色网址| 国产精品二区激情视频| 亚洲精品国产av成人精品| 国产精品偷伦视频观看了| 亚洲少妇的诱惑av| 久久影院123| 欧美激情高清一区二区三区 | 性色av一级| 免费观看a级毛片全部| 久久精品国产亚洲av天美| 欧美日韩精品成人综合77777| 一本久久精品| 日韩一区二区三区影片| 黄频高清免费视频| 午夜91福利影院| 国产免费现黄频在线看| 国产1区2区3区精品| 欧美+日韩+精品| 亚洲精品av麻豆狂野| 看十八女毛片水多多多| 毛片一级片免费看久久久久| 国产av精品麻豆| 久久国内精品自在自线图片| 久久99一区二区三区| 欧美 亚洲 国产 日韩一| 免费观看av网站的网址| 亚洲欧美中文字幕日韩二区| 黄频高清免费视频| 亚洲精品日本国产第一区| 久久久亚洲精品成人影院| 妹子高潮喷水视频| 免费在线观看黄色视频的| 丝瓜视频免费看黄片| 爱豆传媒免费全集在线观看| 亚洲视频免费观看视频| 久久青草综合色| 99国产综合亚洲精品| 狂野欧美激情性bbbbbb| 波多野结衣一区麻豆| 欧美成人午夜免费资源| 久久久久视频综合| 午夜福利乱码中文字幕| 久久人人爽av亚洲精品天堂| 亚洲精品美女久久av网站| 咕卡用的链子| 边亲边吃奶的免费视频| 国产日韩欧美视频二区| 日产精品乱码卡一卡2卡三| 免费看av在线观看网站| 少妇被粗大猛烈的视频| 亚洲精品一区蜜桃| 中国三级夫妇交换| 80岁老熟妇乱子伦牲交| 青青草视频在线视频观看| 国产精品.久久久| 最近手机中文字幕大全| 天天躁夜夜躁狠狠久久av| 飞空精品影院首页|