• <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 ?

    基于改進深度信念網(wǎng)絡(luò)訓(xùn)練的冷軋軋制力預(yù)報

    2021-09-07 06:03:46魏立新呼子宇
    計量學(xué)報 2021年7期
    關(guān)鍵詞:網(wǎng)絡(luò)層隱層梯度

    魏立新,王 恒,孫 浩,呼子宇

    (1.燕山大學(xué) 智能控制系統(tǒng)與智能裝備教育部工程研究中心,河北 秦皇島 066004;2.燕山大學(xué) 工業(yè)計算機控制工程河北省重點實驗室,河北 秦皇島 066004)

    1 引 言

    在帶鋼冷軋軋制過程中,軋制力是最重要的工藝參數(shù)之一,其設(shè)定精度將直接影響帶鋼穿帶的穩(wěn)定性和減少帶頭帶尾長度[1]。因此,現(xiàn)場應(yīng)用對軋制力的設(shè)定提出了更高的要求。軋制生產(chǎn)過程受到多種因素的共同影響,具有非線性、不確定性等特點[2]。傳統(tǒng)數(shù)學(xué)模型大多依據(jù)Bland-Ford-Hill公式對軋制力進行計算,適用范圍比較窄,難以滿足現(xiàn)場多規(guī)格產(chǎn)品柔性化生產(chǎn)的需求[3]。如何高精度的預(yù)測板帶軋制力,進而提升產(chǎn)品質(zhì)量已經(jīng)成為亟待解決的問題。近年來,隨著人工智能和深度學(xué)習(xí)的快速崛起,人工智能模型在自動化領(lǐng)域的應(yīng)用逐漸增多[4]。Mahdi Bagheripoor等使用三維有限元模擬分析和神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法來預(yù)測軋制力,不但提高了預(yù)測精度,而且可以方便的應(yīng)用到不同帶鋼尺寸的模型中[5]。陶功明等采用高斯過程回歸算法,基于現(xiàn)場生產(chǎn)數(shù)據(jù)建立了壓下量與軋制力模型,為鋼軌軋制過程軋制力的精確控制提供了一種殘差較小的統(tǒng)計模型[6]。Chen Z M等提出一種基于多重支持向量機(multiple support vector machine,MSVM)的軋制力預(yù)測方法,將模型的輸入劃分為多個子空間,并對每個子空間分別建立SVM模型,最后合成所有子空間的輸出來預(yù)測軋制力[7]。趙志偉等提出一種使用人工蜂群算法優(yōu)化反向傳播神經(jīng)網(wǎng)絡(luò)的初始權(quán)值、閾值和網(wǎng)絡(luò)結(jié)構(gòu)的軋制力預(yù)報方法,該方法的軋制力預(yù)報精度明顯提高[8]。王智等采用粒子群算法(particle swarm optimization,PSO)優(yōu)化BP網(wǎng)絡(luò)建立智能模型并與標(biāo)準(zhǔn)BP網(wǎng)絡(luò)作對比,實驗結(jié)果表明PSO-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測精度明顯提高,誤差率可以控制在10%以內(nèi)[9]。竇博采用貝葉斯神經(jīng)網(wǎng)絡(luò)建模進行軋制力預(yù)測,并使用乘法網(wǎng)絡(luò)對模型進行優(yōu)化,實驗結(jié)果表明預(yù)測精度相比于加法網(wǎng)絡(luò)有較大提升[10]。曹衛(wèi)華等提出一種基于極限學(xué)習(xí)機(extreme learning machine,ELM)的軋制力預(yù)報模型,運用現(xiàn)場采集的數(shù)據(jù)對模型進行測試,結(jié)果證明相比于傳統(tǒng)模型,能夠快速準(zhǔn)確的實現(xiàn)軋制力預(yù)測[11]。以上模型所用方法均屬于淺層神經(jīng)網(wǎng)絡(luò)模型,針對復(fù)雜問題其表達能力受到一定制約,難以發(fā)現(xiàn)輸入信息之間的深層聯(lián)系。隨著軋制數(shù)據(jù)的累積,計算機性能的增強,深度學(xué)習(xí)模型的優(yōu)勢日益明顯。其中,深度神經(jīng)網(wǎng)絡(luò)具有較強特征提取、復(fù)雜函數(shù)表達及泛化能力[12]。深度信念網(wǎng)絡(luò)作為深度神經(jīng)網(wǎng)絡(luò)的一種,能夠?qū)⑤斎胄畔⒂成涞礁呔S空間,發(fā)現(xiàn)并提取數(shù)據(jù)魯棒性隱藏特征,對于復(fù)雜非線性模型有更強的學(xué)習(xí)能力[13]。

    本文利用深層網(wǎng)絡(luò)較強的特征學(xué)習(xí)能力,提出一種基于改進深度信念網(wǎng)絡(luò)的軋制力預(yù)報模型。隱含層加入去噪機制可以對輸入訓(xùn)練數(shù)據(jù)進行預(yù)處理,濾除數(shù)據(jù)中的噪聲干擾,提高網(wǎng)絡(luò)的學(xué)習(xí)能力。改進對比散度算法對采樣梯度進行修正,使得網(wǎng)絡(luò)進行參數(shù)更新迭代時都能最大程度的趨向于真實梯度,加快網(wǎng)絡(luò)的訓(xùn)練速度。

    2 深度神經(jīng)網(wǎng)絡(luò)

    深度神經(jīng)網(wǎng)絡(luò)作為機器學(xué)習(xí)的最新研究成果,具有淺層網(wǎng)絡(luò)無可比擬的優(yōu)勢。冷連軋過程存在外部環(huán)境干擾會產(chǎn)生噪聲數(shù)據(jù),為了濾除噪聲,在標(biāo)準(zhǔn)受限玻爾茲曼機(restricted Boltzmann machines,RBM)基礎(chǔ)上引入去噪機制構(gòu)建深度網(wǎng)絡(luò)模型,克服標(biāo)準(zhǔn)RBM網(wǎng)絡(luò)對噪聲處理差的缺陷,提升軋制力預(yù)測精度。

    2.1 受限玻爾茲曼機

    受限玻爾茲曼機是一種包含可視層和隱含層的馬爾科夫隨機神經(jīng)網(wǎng)絡(luò)概率圖模型[14]。其網(wǎng)絡(luò)拓撲結(jié)構(gòu)如圖1所示。網(wǎng)絡(luò)下層為可視層,由神經(jīng)元vi組成,用于訓(xùn)練數(shù)據(jù)的輸入。網(wǎng)絡(luò)上層為隱含層,由神經(jīng)元hj組成,作用為特征提取器,可以學(xué)習(xí)到輸入訓(xùn)練數(shù)據(jù)的關(guān)聯(lián)特征。ai為輸入神經(jīng)元的偏置向量,bi為隱含層神經(jīng)元的偏置向量。

    圖1 RBM網(wǎng)絡(luò)拓撲結(jié)構(gòu)圖Fig.1 Network topology diagram of RBM

    為了保證可視層與隱含層之間的條件獨立性,RBM網(wǎng)絡(luò)具有層內(nèi)無連接,層間全連接的特點。本文將二值受限玻爾茲曼機作為研究對象,隨機變量(V,H)的取值范圍是(v,h)∈(0,1)。在描述RBM網(wǎng)絡(luò)時引入能量函數(shù)[15],能量函數(shù)定義:

    (1)

    式中:wj,i為輸入神經(jīng)元i和隱層神經(jīng)元j之間的連接權(quán)重向量。網(wǎng)絡(luò)模型參數(shù)為θ={wj,i,ai,bj}?;谀芰亢瘮?shù),狀態(tài)(v,h)的聯(lián)合概率分布為:

    (2)

    式中Zθ為配分函數(shù),Zθ=∑v,he-Eθ(v,h)。

    由聯(lián)合概率分布可以得到邊緣概率分布:

    (3)

    (4)

    當(dāng)給定一組輸入數(shù)據(jù)時,隱含層第j個激活單元概率為:

    P(hj=1|v)=

    (5)

    相應(yīng)的,當(dāng)隱含層數(shù)據(jù)確定后,輸入層神經(jīng)元的取值概率為:

    (6)

    式中:σ(x)為Relu激活函數(shù),可以將輸入數(shù)據(jù)x映射到0~1之間。

    RBM網(wǎng)絡(luò)訓(xùn)練的目的是使得網(wǎng)絡(luò)學(xué)習(xí)到的數(shù)據(jù)特征分布盡可能的與原始輸入數(shù)據(jù)的特征分布相同,但是由于配分函數(shù)的存在,聯(lián)合概率分布函數(shù)Pθ(v,h)求解較為復(fù)雜?;趯Ρ壬⒍人惴ǖ募妓钩闃涌梢越鉀Q這一問題。

    2.2 去噪受限玻爾茲曼機模型建立

    標(biāo)準(zhǔn)受限玻爾茲曼機模型在訓(xùn)練樣本數(shù)據(jù)時,由于數(shù)據(jù)中包含背景噪聲,導(dǎo)致網(wǎng)絡(luò)隱含層學(xué)習(xí)到的數(shù)據(jù)分布特征不能匹配原始數(shù)據(jù)固有特征,因此會導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)性能下降,影響最終預(yù)測結(jié)果。

    因此,在標(biāo)準(zhǔn)受限波爾茲曼機網(wǎng)絡(luò)模型的基礎(chǔ)上,將去噪機制加入到隱層神經(jīng)元中,建立去噪受限玻爾茲曼機模型。對比標(biāo)準(zhǔn)RBM網(wǎng)絡(luò)模型,去噪受限玻爾茲曼機網(wǎng)絡(luò)模型將隱含層分為兩組。在網(wǎng)絡(luò)迭代訓(xùn)練期間,目標(biāo)特征出現(xiàn)的頻率高于背景噪聲,因此其對應(yīng)的隱層神經(jīng)元被激活的次數(shù)更多,并且激活值更大[16]。根據(jù)此特點,對隱層神經(jīng)元進行分組。給定分組閾值函數(shù)為:

    (7)

    式中:fi(x)為隱層第i個神經(jīng)元的活躍度;K為隱層神經(jīng)元的個數(shù);θi為隱層第i個神經(jīng)元的輸出值。

    隱層分組依據(jù):將整體隱層輸出看作單位“1”,當(dāng)某個隱層神經(jīng)元的活躍度大于閾值函數(shù)設(shè)定值后(0.8),將該神經(jīng)元看作是數(shù)據(jù)特征提取單元,否則看作是噪聲背景單元。之后,在每次吉布斯采樣迭代算法過程中,逐漸降低噪聲背景單元的權(quán)重,以減小噪聲對數(shù)據(jù)特征提取的干擾。

    為了獲得高精度的預(yù)測結(jié)果,本文將多個去噪受限波爾茲曼機進行疊加組成深度信念網(wǎng)絡(luò)。網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖2所示。

    圖2 深度網(wǎng)絡(luò)整體結(jié)構(gòu)圖Fig.2 Deep network overall structure

    定義網(wǎng)絡(luò)重構(gòu)代價函數(shù):

    (8)

    (9)

    式中:第1項為均方差項,可以使重構(gòu)誤差達到最小;第2項為權(quán)重衰減項;λ為權(quán)重衰減系數(shù),其目的可以減小權(quán)重幅度,防止過度擬合;m為樣本數(shù)據(jù)個數(shù);v為輸入層節(jié)點數(shù)目;h為隱層節(jié)點數(shù)目。RBM網(wǎng)絡(luò)訓(xùn)練精度越高,隱層對輸入層的重構(gòu)誤差越小,即網(wǎng)絡(luò)的重構(gòu)代價函數(shù)越小。

    3 網(wǎng)絡(luò)訓(xùn)練算法

    網(wǎng)絡(luò)訓(xùn)練標(biāo)準(zhǔn)算法為對比散度(contrastive divergence,CD)算法,以吉布斯采樣為基礎(chǔ),通過多步吉布斯采樣來獲得一定精度的目標(biāo)采樣,進而獲得最終的目標(biāo)梯度近似值。RBM訓(xùn)練的目的是通過調(diào)節(jié)網(wǎng)絡(luò)權(quán)值,讓隱層節(jié)點狀態(tài)值最大程度的重構(gòu)輸入層節(jié)點的狀態(tài)值,此時,RBM可以用來表示輸入數(shù)據(jù)的分布特征。算法本質(zhì)上是通過吉布斯采樣迭代獲得的采樣梯度來近似估算似然函數(shù)的真實梯度。由于采樣迭代次數(shù)有限,用于梯度計算的樣本與實際分布的樣本之間存在差異,包括數(shù)值誤差和方向誤差,從而導(dǎo)致網(wǎng)絡(luò)無法收斂到精確值[17]。針對此問題,在對梯度誤差進行分析的基礎(chǔ)上,建立梯度修正模型,同時對采樣梯度的大小和方向進行修正,并將其應(yīng)用到CD算法上,重新定義RBM網(wǎng)絡(luò)訓(xùn)練代價函數(shù):

    (10)

    式中:第1項為重構(gòu)誤差代價函數(shù)的負值,函數(shù)值越小,對應(yīng)負值越大;第2項為樣本數(shù)據(jù)分布的對數(shù)似然函數(shù),基于對數(shù)最大似然估計方法,RBM網(wǎng)絡(luò)訓(xùn)練的目的就是求得使似然函數(shù)達到最大的參數(shù)值。本文用該代價梯度作為梯度修正項來修正由采樣算法求得的近似梯度,這樣就極大的提高了梯度方向計算時的正確性。由于該采樣算法可以以較快的速度逼近待求參數(shù)收斂區(qū)域,所以能夠加快網(wǎng)絡(luò)訓(xùn)練。網(wǎng)絡(luò)訓(xùn)練偽代碼如表1所示。

    表1 算法流程偽代碼Tab.1 Algorithm flow pseudo code

    表1中:

    Δwij=η[P(h(0)=1|v(0))v(0)T-P(h(1)=

    1|v(1)T)]

    (11)

    Δai=η[v(0)-v(1))]

    (12)

    Δbj=η[P(h(0)=1|v(0))-P(h(1)=1|v(1))]

    (13)

    4 軋制力預(yù)報

    4.1 數(shù)據(jù)集及模型輸入的確定

    以某鋼廠1 200 mm四輥五機架冷連軋生產(chǎn)線第4機架軋制過程中9 000條軋制數(shù)據(jù)作為實驗數(shù)據(jù)集,鋼種為St16。取其中8 000條數(shù)據(jù)用作網(wǎng)絡(luò)訓(xùn)練,1 000條數(shù)據(jù)用作網(wǎng)絡(luò)測試。深度網(wǎng)絡(luò)訓(xùn)練集分為80個batch塊,batch-size=100。每次隨機選取一個batch塊進行訓(xùn)練,直到所有數(shù)據(jù)訓(xùn)練完畢。數(shù)據(jù)選取范圍如表2所示。

    表2 輸入數(shù)據(jù)及網(wǎng)絡(luò)參數(shù)Tab.2 Input data and network parameters

    傳統(tǒng)軋制力預(yù)報采用數(shù)學(xué)機理建模[18]方法,即基于Bland-Ford-Hill公式的簡化式進行建模:

    (14)

    (15)

    式中:μ為摩擦系數(shù);ε為壓下率,ε=(h0-h1)/h0;R′為軋輥壓扁后的輥徑。摩擦系數(shù)μ隨著軋制生產(chǎn)環(huán)境的變化而不斷變化,且易受帶材速度的影響,無法用公式精確計算得到。因此在用神經(jīng)網(wǎng)絡(luò)建模時,不將其作為輸入節(jié)點,而是利用網(wǎng)絡(luò)的自適應(yīng)性將其包含在網(wǎng)絡(luò)的內(nèi)部[19]。綜合考慮影響軋制力預(yù)測精度的各種因素,最終選取板帶寬度B,初始厚度H,入口厚度h0,出口厚度h1,入口張力τf,出口張力τb,軋輥半徑R,出口帶材線速度v這8個變量作為模型輸入,軋制力P作為模型輸出。本文采用深度信念網(wǎng)絡(luò)方法進行建模。深度信念網(wǎng)絡(luò)用來提取輸入數(shù)據(jù)的隱含高維特征,然后將其傳遞給回歸器進行預(yù)測,可以學(xué)習(xí)到輸入數(shù)據(jù)的特征分布,在一定程度上提高了預(yù)報精度。

    4.2 仿真結(jié)果分析

    為了提高預(yù)測精度,將多個去噪受限玻爾茲曼機進行疊加組成深度信念網(wǎng)絡(luò),但隨著網(wǎng)絡(luò)層數(shù)的加深,過擬合現(xiàn)象的問題也會出現(xiàn)。同時,預(yù)測精度跟訓(xùn)練周期也存在較大的關(guān)聯(lián)。預(yù)測精度、網(wǎng)絡(luò)層數(shù)、訓(xùn)練周期三者的關(guān)系如圖3所示。

    圖3 不同網(wǎng)絡(luò)層數(shù)、訓(xùn)練周期和預(yù)測正確率的關(guān)系圖Fig.3 Relationship diagram between different network layers,training period and prediction accuracy rate

    由圖3可以看出,當(dāng)?shù)螖?shù)固定時,網(wǎng)絡(luò)層數(shù)從一層增加到四層,預(yù)測結(jié)果正確率顯著提高,當(dāng)網(wǎng)絡(luò)層數(shù)繼續(xù)增加時,正確率出現(xiàn)下降的趨勢;當(dāng)網(wǎng)絡(luò)層數(shù)固定時,隨著訓(xùn)練周期的增加,預(yù)測正確率呈現(xiàn)上升趨勢。綜合考慮三者關(guān)系,當(dāng)網(wǎng)絡(luò)層數(shù)為4層,迭代次數(shù)為320時,正確率最高。因此,設(shè)置網(wǎng)絡(luò)層數(shù)為4層,迭代次數(shù)為320。網(wǎng)絡(luò)輸入層為影響軋制力的8個變量。隱含層節(jié)點數(shù)目與預(yù)測正確率關(guān)系如圖4所示。從圖4可以看出,當(dāng)節(jié)點數(shù)目為32時,正確率達到最高,所以各隱含層神經(jīng)元數(shù)量設(shè)定為32個,即網(wǎng)絡(luò)結(jié)構(gòu)為8-32-32-32-32-1。

    圖4 不同隱含層節(jié)點個數(shù)與預(yù)測正確率關(guān)系圖Fig.4 Relationship between number of nodes in different hidden layers and prediction accuracy rate

    在網(wǎng)絡(luò)訓(xùn)練過程中,首先使用標(biāo)準(zhǔn)CD算法進行訓(xùn)練,訓(xùn)練步驟如文中第2節(jié)所述。然后在標(biāo)準(zhǔn)CD算法基礎(chǔ)上,建立梯度修正模型,使得梯度下降方向最大程度的擬合真實梯度,加快網(wǎng)絡(luò)收斂速度。標(biāo)準(zhǔn)CD 算法以及對其改進后,誤差與迭代次數(shù)關(guān)系如圖5所示。

    圖5 不同算法對比圖Fig.5 Comparison of different algorithms

    由圖5可以看出,在迭代次數(shù)相同的情況下,加入梯度修正模型后的CD算法在訓(xùn)練初期可以加快網(wǎng)絡(luò)的收斂速度,縮短訓(xùn)練時間。

    為了將數(shù)據(jù)中的噪聲去除,將去噪機制加入到網(wǎng)絡(luò)訓(xùn)練過程中,以此來提高網(wǎng)絡(luò)學(xué)習(xí)能力。圖6為加入去噪機制前與加入去噪機制后的軋制力預(yù)測結(jié)果對比圖,圖6中2條實線為±5%誤差線,可以看出,去噪模型的預(yù)測效果更加優(yōu)異,有更多的結(jié)果落在5%誤差帶以內(nèi)。

    圖6 預(yù)測結(jié)果對比圖Fig.6 Forecast result comparison chart

    圖7為2種網(wǎng)絡(luò)模型對軋制力預(yù)測的預(yù)測值和真實值的擬合曲線。從圖7可以看出,去噪受限玻爾茲曼機可以較為準(zhǔn)確地實現(xiàn)軋制力的預(yù)測,滿足實際生產(chǎn)需求。

    圖7 不同模型軋制力預(yù)測值與真實值的擬合曲線Fig.7 Fitting curves of the predicted value of rolling force and the true value of different models

    圖8為不同網(wǎng)絡(luò)層數(shù)、迭代次數(shù)與相對誤差的關(guān)系圖,由圖可以看出,在網(wǎng)絡(luò)層數(shù)固定的情況下,相對誤差會隨著迭代次數(shù)的增多而不斷下降。當(dāng)?shù)螖?shù)固定時,相對誤差值會隨著網(wǎng)絡(luò)層數(shù)的加深先降低然后升高,且網(wǎng)絡(luò)層數(shù)為4層時達到最小值,相對誤差大小為4.32%。

    圖8 不同網(wǎng)絡(luò)層數(shù)、迭代次數(shù)與相對誤差的關(guān)系圖Fig.8 Relationship between different network layers,iterations and relative error

    表3為不同模型各種參數(shù)的對比結(jié)果。由表3可以看出:1)極限學(xué)習(xí)機(單隱層神經(jīng)網(wǎng)絡(luò))由于隨機生成輸入權(quán)重向量以及隱層偏置向量,因此具有較快的建模速度,但淺層網(wǎng)絡(luò)對數(shù)據(jù)的學(xué)習(xí)能力欠佳,預(yù)測結(jié)果有待提高;2)棧式自編碼網(wǎng)絡(luò)較極限學(xué)習(xí)機具有更高的預(yù)測精度,但是建模時間較長;3)多層感知器[20]未使用深度學(xué)習(xí)算法,模型出現(xiàn)梯度彌散現(xiàn)象,未收斂;4)本文提出的改進深度信念網(wǎng)絡(luò)相比于淺層神經(jīng)網(wǎng)絡(luò),預(yù)測精度有很大提高,相比于棧式自編碼,建模所需時間縮短。

    表3 不同模型各項參數(shù)對比圖Tab.3 Comparison of various parameters of different models (%)

    5 結(jié) 論

    1)本文使用多隱層深度信念網(wǎng)絡(luò)建立軋制力預(yù)測模型,解決單隱層網(wǎng)絡(luò)預(yù)測精度低的問題。針對深度網(wǎng)絡(luò)會陷入過擬合的固有缺陷,分析了網(wǎng)絡(luò)層數(shù)與相對誤差之間的關(guān)系,以確定最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)。

    2)針對訓(xùn)練數(shù)據(jù)存在的噪聲干擾,在網(wǎng)絡(luò)的隱層中引入去噪機制,對輸入數(shù)據(jù)進行預(yù)處理,提高網(wǎng)絡(luò)的學(xué)習(xí)能力。同時使用改進CD算法對網(wǎng)絡(luò)進行訓(xùn)練,可以加快網(wǎng)絡(luò)的收斂速度。

    3)實驗結(jié)果表明,該模型較淺層網(wǎng)絡(luò)可以提高軋制力預(yù)測精度,并在一定程度上縮短了建模時間。

    猜你喜歡
    網(wǎng)絡(luò)層隱層梯度
    Noise-Tolerant ZNN-Based Data-Driven Iterative Learning Control for Discrete Nonaffine Nonlinear MIMO Repetitive Systems
    一個改進的WYL型三項共軛梯度法
    一種自適應(yīng)Dai-Liao共軛梯度法
    基于RDPSO結(jié)構(gòu)優(yōu)化的三隱層BP神經(jīng)網(wǎng)絡(luò)水質(zhì)預(yù)測模型及應(yīng)用
    人民珠江(2019年4期)2019-04-20 02:32:00
    一類扭積形式的梯度近Ricci孤立子
    基于WPA的物聯(lián)網(wǎng)網(wǎng)絡(luò)層安全的研究
    基于近似結(jié)構(gòu)風(fēng)險的ELM隱層節(jié)點數(shù)優(yōu)化
    計算機工程(2014年9期)2014-06-06 10:46:47
    最優(yōu)隱層BP神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷
    河南科技(2014年3期)2014-02-27 14:05:45
    Current advances in neurotrauma research: diagnosis, neuroprotection, and neurorepair
    亚洲视频免费观看视频| 99国产综合亚洲精品| 伊人亚洲综合成人网| 国产精品亚洲av一区麻豆| 我的亚洲天堂| 不卡一级毛片| 亚洲久久久国产精品| 大型av网站在线播放| 黄色片一级片一级黄色片| 国产日韩一区二区三区精品不卡| 亚洲三区欧美一区| 日韩欧美一区视频在线观看| 少妇裸体淫交视频免费看高清 | 亚洲成国产人片在线观看| 日日摸夜夜添夜夜添小说| 精品国产超薄肉色丝袜足j| 一区福利在线观看| 伊人亚洲综合成人网| 可以免费在线观看a视频的电影网站| 欧美久久黑人一区二区| 建设人人有责人人尽责人人享有的| 精品国产一区二区三区四区第35| 国产男女超爽视频在线观看| 一本色道久久久久久精品综合| 丁香六月欧美| 99国产极品粉嫩在线观看| 岛国毛片在线播放| 久久精品久久久久久噜噜老黄| 黑人欧美特级aaaaaa片| 国产精品国产三级国产专区5o| 日韩欧美一区视频在线观看| 天堂中文最新版在线下载| 极品人妻少妇av视频| 久久 成人 亚洲| 每晚都被弄得嗷嗷叫到高潮| av有码第一页| 18禁黄网站禁片午夜丰满| 色视频在线一区二区三区| 午夜两性在线视频| 十八禁网站网址无遮挡| 别揉我奶头~嗯~啊~动态视频 | 日韩精品免费视频一区二区三区| 在线看a的网站| 亚洲成国产人片在线观看| av电影中文网址| 97在线人人人人妻| 久久99一区二区三区| 亚洲第一欧美日韩一区二区三区 | 国产精品99久久99久久久不卡| 欧美97在线视频| 天天添夜夜摸| 成年女人毛片免费观看观看9 | 亚洲国产av新网站| 亚洲欧美清纯卡通| 国产主播在线观看一区二区| 91国产中文字幕| 丰满迷人的少妇在线观看| 亚洲欧美精品综合一区二区三区| 美女高潮喷水抽搐中文字幕| 成人黄色视频免费在线看| 欧美久久黑人一区二区| 伊人久久大香线蕉亚洲五| 国产精品.久久久| 久9热在线精品视频| 黄色怎么调成土黄色| 亚洲精品中文字幕在线视频| 久久女婷五月综合色啪小说| 国产一区二区在线观看av| 亚洲国产欧美网| av线在线观看网站| 黄色视频,在线免费观看| 国产精品秋霞免费鲁丝片| 久久久国产一区二区| 日日爽夜夜爽网站| 成人av一区二区三区在线看 | 国产精品 欧美亚洲| 精品福利观看| 欧美变态另类bdsm刘玥| 波多野结衣一区麻豆| 我的亚洲天堂| 99国产极品粉嫩在线观看| 丝袜美腿诱惑在线| 日韩大片免费观看网站| 亚洲专区国产一区二区| 岛国毛片在线播放| e午夜精品久久久久久久| 老司机深夜福利视频在线观看 | 男女国产视频网站| 飞空精品影院首页| 免费观看av网站的网址| 男女高潮啪啪啪动态图| 欧美 日韩 精品 国产| av有码第一页| 女人精品久久久久毛片| 国产精品一区二区精品视频观看| 热99久久久久精品小说推荐| 99精品久久久久人妻精品| 真人做人爱边吃奶动态| 巨乳人妻的诱惑在线观看| 99国产精品一区二区蜜桃av | 久久久久国产一级毛片高清牌| 岛国在线观看网站| 精品乱码久久久久久99久播| 国产国语露脸激情在线看| 黑人操中国人逼视频| 波多野结衣av一区二区av| 国产福利在线免费观看视频| 国产高清国产精品国产三级| 国产在线一区二区三区精| 最近中文字幕2019免费版| 18禁裸乳无遮挡动漫免费视频| 免费日韩欧美在线观看| 考比视频在线观看| 女警被强在线播放| 国产精品久久久久久精品电影小说| 国产精品国产av在线观看| 免费人妻精品一区二区三区视频| 精品卡一卡二卡四卡免费| 国产亚洲精品第一综合不卡| 久久精品成人免费网站| 亚洲av片天天在线观看| av在线老鸭窝| 亚洲精华国产精华精| 成人影院久久| 亚洲精品国产av蜜桃| 19禁男女啪啪无遮挡网站| 桃花免费在线播放| 秋霞在线观看毛片| 五月开心婷婷网| 中文字幕人妻熟女乱码| 99国产精品一区二区三区| 久热这里只有精品99| 久久性视频一级片| 无限看片的www在线观看| 久久精品熟女亚洲av麻豆精品| 亚洲av国产av综合av卡| 真人做人爱边吃奶动态| 亚洲国产毛片av蜜桃av| 1024视频免费在线观看| 久久 成人 亚洲| 免费黄频网站在线观看国产| 国产色视频综合| 国产免费视频播放在线视频| 久久精品熟女亚洲av麻豆精品| 久久99一区二区三区| 国产人伦9x9x在线观看| 亚洲少妇的诱惑av| 免费高清在线观看视频在线观看| 精品久久久精品久久久| 日韩精品免费视频一区二区三区| 99久久国产精品久久久| 曰老女人黄片| 男女床上黄色一级片免费看| 自拍欧美九色日韩亚洲蝌蚪91| 狂野欧美激情性bbbbbb| 99精品欧美一区二区三区四区| 国产成人av教育| 岛国在线观看网站| 国产在线免费精品| 美女扒开内裤让男人捅视频| 久久久久久久大尺度免费视频| 最近中文字幕2019免费版| 夫妻午夜视频| www.自偷自拍.com| cao死你这个sao货| 91精品伊人久久大香线蕉| 精品一区二区三卡| 99热国产这里只有精品6| 欧美人与性动交α欧美软件| 十八禁网站免费在线| 老司机午夜十八禁免费视频| 亚洲欧美日韩另类电影网站| 日韩视频一区二区在线观看| 国产一区二区 视频在线| 人人妻,人人澡人人爽秒播| 国产福利在线免费观看视频| 精品高清国产在线一区| 精品一品国产午夜福利视频| 极品人妻少妇av视频| 97人妻天天添夜夜摸| 日韩三级视频一区二区三区| 亚洲国产成人一精品久久久| 男女之事视频高清在线观看| 黄色a级毛片大全视频| 人人妻,人人澡人人爽秒播| 老鸭窝网址在线观看| 亚洲精品久久午夜乱码| 久久亚洲精品不卡| 国产区一区二久久| 老熟妇仑乱视频hdxx| 成年美女黄网站色视频大全免费| 日日夜夜操网爽| 亚洲第一av免费看| 国产欧美日韩综合在线一区二区| 一级黄色大片毛片| 男女之事视频高清在线观看| 在线观看免费高清a一片| 欧美97在线视频| 久9热在线精品视频| 亚洲va日本ⅴa欧美va伊人久久 | 欧美另类一区| 啦啦啦啦在线视频资源| 少妇裸体淫交视频免费看高清 | 少妇被粗大的猛进出69影院| 老司机午夜十八禁免费视频| 久久久久久免费高清国产稀缺| 欧美日韩亚洲综合一区二区三区_| 一级毛片电影观看| 亚洲av成人不卡在线观看播放网 | 亚洲精品在线美女| 永久免费av网站大全| 国产av国产精品国产| 精品视频人人做人人爽| 国产成人av教育| 亚洲精品一卡2卡三卡4卡5卡 | 黄片播放在线免费| tube8黄色片| 国产精品成人在线| 热99国产精品久久久久久7| 十八禁网站网址无遮挡| 精品一区在线观看国产| 国产一区有黄有色的免费视频| 青草久久国产| 黄色视频在线播放观看不卡| 一个人免费在线观看的高清视频 | 美女中出高潮动态图| 波多野结衣一区麻豆| 女性被躁到高潮视频| 国产精品二区激情视频| 欧美少妇被猛烈插入视频| av线在线观看网站| 免费观看a级毛片全部| 欧美性长视频在线观看| 啦啦啦 在线观看视频| 大片电影免费在线观看免费| 新久久久久国产一级毛片| 欧美日韩成人在线一区二区| 曰老女人黄片| 欧美激情高清一区二区三区| 日日摸夜夜添夜夜添小说| av视频免费观看在线观看| 免费不卡黄色视频| 另类精品久久| 亚洲一区二区三区欧美精品| 一区二区三区乱码不卡18| 国产伦理片在线播放av一区| 各种免费的搞黄视频| 黄色 视频免费看| 精品福利永久在线观看| 午夜日韩欧美国产| 黄色视频不卡| 50天的宝宝边吃奶边哭怎么回事| 久热这里只有精品99| av片东京热男人的天堂| 久久人人爽人人片av| 国产精品自产拍在线观看55亚洲 | 首页视频小说图片口味搜索| 欧美日韩亚洲高清精品| 人成视频在线观看免费观看| 精品久久久精品久久久| 国产一区二区三区综合在线观看| 中国国产av一级| 无遮挡黄片免费观看| 美女主播在线视频| 欧美亚洲日本最大视频资源| 一区二区三区精品91| 久久精品亚洲熟妇少妇任你| 最近中文字幕2019免费版| 日本av手机在线免费观看| h视频一区二区三区| 日本vs欧美在线观看视频| 亚洲精品中文字幕在线视频| 免费人妻精品一区二区三区视频| 精品少妇一区二区三区视频日本电影| 老鸭窝网址在线观看| 日韩免费高清中文字幕av| 亚洲精品粉嫩美女一区| 青青草视频在线视频观看| 美女中出高潮动态图| av片东京热男人的天堂| 午夜免费成人在线视频| 人人妻人人澡人人看| 亚洲中文字幕日韩| 免费看十八禁软件| 水蜜桃什么品种好| 交换朋友夫妻互换小说| 免费日韩欧美在线观看| 亚洲欧美精品自产自拍| 亚洲精品国产av成人精品| 19禁男女啪啪无遮挡网站| 国产精品一区二区在线不卡| 欧美午夜高清在线| 精品久久蜜臀av无| 免费在线观看影片大全网站| 日本av免费视频播放| 亚洲午夜精品一区,二区,三区| 久久女婷五月综合色啪小说| 亚洲成人手机| 人人妻人人澡人人爽人人夜夜| 淫妇啪啪啪对白视频 | 狂野欧美激情性xxxx| 丝瓜视频免费看黄片| 后天国语完整版免费观看| av免费在线观看网站| 精品免费久久久久久久清纯 | 亚洲 欧美一区二区三区| 久久久欧美国产精品| 亚洲国产欧美在线一区| 国产又爽黄色视频| 十分钟在线观看高清视频www| 嫩草影视91久久| 两性夫妻黄色片| 亚洲精品一卡2卡三卡4卡5卡 | 人妻人人澡人人爽人人| 精品久久久久久久毛片微露脸 | 欧美激情 高清一区二区三区| 熟女少妇亚洲综合色aaa.| 亚洲精品一区蜜桃| 两人在一起打扑克的视频| 老熟妇仑乱视频hdxx| 免费高清在线观看视频在线观看| 亚洲欧美激情在线| 成人手机av| 欧美成人午夜精品| 大香蕉久久成人网| 啦啦啦啦在线视频资源| 亚洲熟女精品中文字幕| 一二三四在线观看免费中文在| 国产三级黄色录像| 99精品久久久久人妻精品| 高清视频免费观看一区二区| 十八禁人妻一区二区| 伦理电影免费视频| 欧美日韩黄片免| 黄色视频,在线免费观看| 一级毛片电影观看| 亚洲全国av大片| 国产成人精品在线电影| 日韩制服骚丝袜av| 成年人黄色毛片网站| 午夜福利视频精品| 一个人免费看片子| 亚洲精品中文字幕一二三四区 | 亚洲五月婷婷丁香| 黄色怎么调成土黄色| videos熟女内射| 亚洲精华国产精华精| 久久综合国产亚洲精品| 黄色 视频免费看| 成人免费观看视频高清| 欧美日韩亚洲国产一区二区在线观看 | 国产人伦9x9x在线观看| 欧美日韩亚洲高清精品| 亚洲人成电影观看| 韩国高清视频一区二区三区| 男人操女人黄网站| 亚洲国产欧美日韩在线播放| 欧美日韩福利视频一区二区| 狠狠精品人妻久久久久久综合| 亚洲天堂av无毛| 国产一级毛片在线| 黄色片一级片一级黄色片| 亚洲专区中文字幕在线| 99热国产这里只有精品6| 纯流量卡能插随身wifi吗| 最黄视频免费看| 亚洲国产欧美日韩在线播放| 热99re8久久精品国产| 亚洲 国产 在线| av福利片在线| av天堂在线播放| 日韩一卡2卡3卡4卡2021年| 国产在线一区二区三区精| 精品久久久久久电影网| 久久久国产欧美日韩av| 首页视频小说图片口味搜索| 国产高清视频在线播放一区 | 女人被躁到高潮嗷嗷叫费观| 国产精品成人在线| 欧美精品亚洲一区二区| 男女下面插进去视频免费观看| a级毛片黄视频| 99国产精品一区二区蜜桃av | 亚洲自偷自拍图片 自拍| 国产亚洲精品久久久久5区| 超碰成人久久| 天天操日日干夜夜撸| 亚洲午夜精品一区,二区,三区| 欧美在线一区亚洲| 国产日韩欧美视频二区| 久9热在线精品视频| 在线亚洲精品国产二区图片欧美| 日韩一卡2卡3卡4卡2021年| 国产野战对白在线观看| 2018国产大陆天天弄谢| 日韩欧美一区二区三区在线观看 | 亚洲av国产av综合av卡| 亚洲精品中文字幕在线视频| 国产成人一区二区三区免费视频网站| 午夜福利视频在线观看免费| 国产精品免费大片| 精品亚洲成a人片在线观看| 久久九九热精品免费| 亚洲国产中文字幕在线视频| 国产亚洲午夜精品一区二区久久| 妹子高潮喷水视频| 亚洲第一青青草原| 久久久久国内视频| 91精品国产国语对白视频| 女人高潮潮喷娇喘18禁视频| 国产av又大| 成年人午夜在线观看视频| 人人妻人人澡人人爽人人夜夜| 男女高潮啪啪啪动态图| 亚洲国产毛片av蜜桃av| av福利片在线| 97精品久久久久久久久久精品| 黄频高清免费视频| 在线观看免费高清a一片| 18禁国产床啪视频网站| 午夜老司机福利片| 免费在线观看视频国产中文字幕亚洲 | 午夜精品国产一区二区电影| 国产精品一区二区在线观看99| 我的亚洲天堂| 人妻 亚洲 视频| 在线av久久热| 午夜视频精品福利| 女警被强在线播放| 久久精品国产综合久久久| 99国产精品免费福利视频| 国产一区二区 视频在线| 一区二区日韩欧美中文字幕| 99久久精品国产亚洲精品| 中文字幕制服av| 亚洲av国产av综合av卡| 一二三四在线观看免费中文在| 一区二区三区乱码不卡18| 精品视频人人做人人爽| 操美女的视频在线观看| 国产欧美日韩一区二区三区在线| 亚洲美女黄色视频免费看| 国产视频一区二区在线看| 亚洲欧美精品自产自拍| 在线观看舔阴道视频| 精品乱码久久久久久99久播| 夜夜夜夜夜久久久久| 日韩一区二区三区影片| 亚洲精品中文字幕一二三四区 | 美国免费a级毛片| 国产一区二区三区综合在线观看| 夫妻午夜视频| 久久久国产欧美日韩av| 久久久国产成人免费| 亚洲专区国产一区二区| 久久精品国产亚洲av高清一级| 真人做人爱边吃奶动态| 亚洲男人天堂网一区| 亚洲avbb在线观看| www.自偷自拍.com| 后天国语完整版免费观看| 9热在线视频观看99| 国产一区二区三区在线臀色熟女 | 亚洲第一青青草原| 国产1区2区3区精品| 免费观看av网站的网址| 亚洲欧美激情在线| 亚洲国产av新网站| 精品一品国产午夜福利视频| 一级毛片女人18水好多| 香蕉丝袜av| 国产精品免费视频内射| 免费在线观看黄色视频的| videos熟女内射| svipshipincom国产片| 精品人妻熟女毛片av久久网站| 丝袜美足系列| 母亲3免费完整高清在线观看| 亚洲精品国产区一区二| 首页视频小说图片口味搜索| 亚洲精品一二三| 美女福利国产在线| 国产精品久久久久久人妻精品电影 | 999久久久精品免费观看国产| 精品一区二区三区四区五区乱码| 亚洲伊人色综图| 日韩一卡2卡3卡4卡2021年| 久久精品熟女亚洲av麻豆精品| 淫妇啪啪啪对白视频 | 啦啦啦在线免费观看视频4| 免费观看人在逋| 麻豆乱淫一区二区| 99久久国产精品久久久| 久久亚洲精品不卡| 啦啦啦视频在线资源免费观看| 肉色欧美久久久久久久蜜桃| 亚洲中文字幕日韩| 女人精品久久久久毛片| 1024香蕉在线观看| 欧美日韩国产mv在线观看视频| 国产精品 国内视频| 久久久久久久大尺度免费视频| 老司机午夜福利在线观看视频 | 精品国产一区二区三区久久久樱花| 欧美日韩精品网址| 国产欧美日韩综合在线一区二区| avwww免费| 一区二区三区四区激情视频| 亚洲国产精品一区二区三区在线| 老汉色∧v一级毛片| 亚洲精品乱久久久久久| 国产一区有黄有色的免费视频| 中文字幕色久视频| 亚洲精品一区蜜桃| 亚洲五月婷婷丁香| 老熟妇乱子伦视频在线观看 | 国产精品免费大片| 深夜精品福利| 啦啦啦中文免费视频观看日本| 精品人妻熟女毛片av久久网站| 精品少妇内射三级| 老汉色av国产亚洲站长工具| 亚洲国产欧美在线一区| 亚洲精品一区蜜桃| 欧美日韩福利视频一区二区| 欧美亚洲日本最大视频资源| 男女边摸边吃奶| 9热在线视频观看99| 免费观看人在逋| 又黄又粗又硬又大视频| 考比视频在线观看| 亚洲欧洲精品一区二区精品久久久| 国产xxxxx性猛交| 99热网站在线观看| 天天躁夜夜躁狠狠躁躁| 人人妻人人澡人人看| 亚洲av成人不卡在线观看播放网 | av线在线观看网站| 在线av久久热| 男人添女人高潮全过程视频| 午夜久久久在线观看| 啦啦啦免费观看视频1| 美女扒开内裤让男人捅视频| 考比视频在线观看| 丰满迷人的少妇在线观看| 久久中文字幕一级| 久久久久久免费高清国产稀缺| 中文字幕色久视频| 欧美日本中文国产一区发布| 在线十欧美十亚洲十日本专区| 亚洲美女黄色视频免费看| 午夜影院在线不卡| 亚洲欧美日韩高清在线视频 | 亚洲国产中文字幕在线视频| 亚洲av日韩精品久久久久久密| 欧美日韩av久久| 亚洲欧美成人综合另类久久久| 两个人免费观看高清视频| 美女福利国产在线| 又大又爽又粗| 精品亚洲成国产av| 日本av手机在线免费观看| 国产成人精品无人区| 亚洲全国av大片| av一本久久久久| 精品国产一区二区三区久久久樱花| 天堂俺去俺来也www色官网| 各种免费的搞黄视频| 日本黄色日本黄色录像| 午夜激情av网站| 日本vs欧美在线观看视频| 美女高潮喷水抽搐中文字幕| 岛国在线观看网站| 热99re8久久精品国产| 国产一卡二卡三卡精品| 超碰成人久久| 欧美日韩福利视频一区二区| 另类亚洲欧美激情| 我要看黄色一级片免费的| 免费观看a级毛片全部| 欧美黑人精品巨大| 91九色精品人成在线观看| 91国产中文字幕| 欧美在线黄色| 国产成人精品久久二区二区免费| 久久精品成人免费网站| 欧美精品高潮呻吟av久久| 黄色怎么调成土黄色| 美女大奶头黄色视频| 亚洲少妇的诱惑av| 久久久久久久精品精品| 亚洲国产欧美一区二区综合| 涩涩av久久男人的天堂| 看免费av毛片| 1024视频免费在线观看| 天天躁狠狠躁夜夜躁狠狠躁| 丁香六月欧美| 亚洲人成电影观看| 欧美97在线视频| 亚洲国产欧美网| 日本av免费视频播放| 久久亚洲精品不卡| 午夜福利影视在线免费观看| 久9热在线精品视频| 国产免费av片在线观看野外av| 夜夜骑夜夜射夜夜干| 在线观看免费午夜福利视频| kizo精华| 久久久久网色| 免费不卡黄色视频| 亚洲精品美女久久av网站| 又紧又爽又黄一区二区| 精品久久蜜臀av无| 色94色欧美一区二区| 婷婷色av中文字幕|