• <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
    亚洲精品色激情综合| 级片在线观看| 欧美国产精品va在线观看不卡| 91字幕亚洲| 久久中文看片网| 精品免费久久久久久久清纯| 久久久国产成人精品二区| 久久 成人 亚洲| 在线观看66精品国产| 97人妻精品一区二区三区麻豆 | 久久九九热精品免费| www.精华液| 欧美性长视频在线观看| 亚洲国产精品999在线| 久久久精品欧美日韩精品| 日本一区二区免费在线视频| 亚洲欧美日韩高清在线视频| 成人特级黄色片久久久久久久| 亚洲欧美日韩无卡精品| 免费电影在线观看免费观看| 国产亚洲欧美在线一区二区| a级毛片a级免费在线| 老汉色av国产亚洲站长工具| 在线观看舔阴道视频| 在线国产一区二区在线| 在线观看舔阴道视频| 婷婷精品国产亚洲av| 色哟哟哟哟哟哟| 午夜影院日韩av| 精品国产美女av久久久久小说| 国产av不卡久久| 制服丝袜大香蕉在线| 久久精品成人免费网站| 一进一出抽搐动态| 老司机福利观看| 人人澡人人妻人| 熟妇人妻久久中文字幕3abv| 欧美日韩黄片免| 久久中文看片网| 亚洲五月婷婷丁香| 亚洲专区中文字幕在线| 免费电影在线观看免费观看| 别揉我奶头~嗯~啊~动态视频| 黑人欧美特级aaaaaa片| 久久久久久免费高清国产稀缺| 国产一卡二卡三卡精品| 亚洲五月婷婷丁香| 怎么达到女性高潮| 国产精品影院久久| 一夜夜www| 成年女人毛片免费观看观看9| 亚洲专区字幕在线| 久久国产乱子伦精品免费另类| or卡值多少钱| aaaaa片日本免费| 黑人操中国人逼视频| 久久久久久九九精品二区国产 | 成人免费观看视频高清| 成人国语在线视频| 国产精品98久久久久久宅男小说| 国产91精品成人一区二区三区| 久久精品成人免费网站| 免费在线观看成人毛片| 首页视频小说图片口味搜索| 亚洲第一青青草原| 亚洲久久久国产精品| 黄频高清免费视频| 叶爱在线成人免费视频播放| 这个男人来自地球电影免费观看| 1024手机看黄色片| 亚洲一区高清亚洲精品| www.精华液| 高清在线国产一区| 亚洲欧洲精品一区二区精品久久久| 一区二区三区国产精品乱码| 一二三四在线观看免费中文在| 日本免费一区二区三区高清不卡| 国产高清激情床上av| 国产精品日韩av在线免费观看| 亚洲国产欧美一区二区综合| 三级毛片av免费| 国产激情久久老熟女| 国产1区2区3区精品| 午夜激情av网站| 国产精品久久久久久亚洲av鲁大| 精品乱码久久久久久99久播| 搡老妇女老女人老熟妇| 免费在线观看亚洲国产| 国产人伦9x9x在线观看| 亚洲熟女毛片儿| 亚洲第一av免费看| 久久婷婷人人爽人人干人人爱| 亚洲成人国产一区在线观看| 亚洲,欧美精品.| 久久精品影院6| 亚洲熟妇中文字幕五十中出| 青草久久国产| 亚洲国产日韩欧美精品在线观看 | 欧美日韩一级在线毛片| 亚洲一区二区三区不卡视频| 精品国产一区二区三区四区第35| 色精品久久人妻99蜜桃| xxx96com| 97碰自拍视频| 国产精品自产拍在线观看55亚洲| 色尼玛亚洲综合影院| 亚洲成人免费电影在线观看| videosex国产| 成年免费大片在线观看| 欧美激情久久久久久爽电影| 宅男免费午夜| 久久这里只有精品19| 国产精品亚洲美女久久久| 亚洲国产毛片av蜜桃av| 香蕉国产在线看| 亚洲精品av麻豆狂野| 大型黄色视频在线免费观看| 国产伦人伦偷精品视频| 亚洲天堂国产精品一区在线| 亚洲专区中文字幕在线| 69av精品久久久久久| 人妻久久中文字幕网| 日韩精品中文字幕看吧| 十八禁网站免费在线| 国产欧美日韩一区二区精品| 又黄又粗又硬又大视频| 亚洲,欧美精品.| 日韩有码中文字幕| 老熟妇乱子伦视频在线观看| 国产一区二区在线av高清观看| 桃色一区二区三区在线观看| 黄色成人免费大全| 久久久国产精品麻豆| 欧美中文日本在线观看视频| 久久精品91蜜桃| 亚洲精品国产精品久久久不卡| e午夜精品久久久久久久| 色婷婷久久久亚洲欧美| 亚洲熟妇熟女久久| 桃色一区二区三区在线观看| 久久精品91蜜桃| 久久精品影院6| 一本一本综合久久| 操出白浆在线播放| 婷婷六月久久综合丁香| 国产欧美日韩精品亚洲av| 一个人观看的视频www高清免费观看 | 在线观看舔阴道视频| 在线观看一区二区三区| 亚洲人成电影免费在线| 成年版毛片免费区| 国产精品九九99| 国产成人欧美在线观看| 不卡一级毛片| 18禁美女被吸乳视频| 91大片在线观看| 91字幕亚洲| 国产高清有码在线观看视频 | 亚洲午夜理论影院| 国产91精品成人一区二区三区| 亚洲人成电影免费在线| 侵犯人妻中文字幕一二三四区| 99在线人妻在线中文字幕| aaaaa片日本免费| 国产精品99久久99久久久不卡| 99在线人妻在线中文字幕| 国产精品国产高清国产av| 国产精品香港三级国产av潘金莲| 久久香蕉激情| 国产亚洲精品一区二区www| 欧美黑人精品巨大| 一本一本综合久久| 搞女人的毛片| 亚洲熟妇中文字幕五十中出| 国产成人啪精品午夜网站| 免费在线观看影片大全网站| 国产高清有码在线观看视频 | av电影中文网址| 欧美黑人精品巨大| 久久久久久亚洲精品国产蜜桃av| 免费在线观看影片大全网站| 1024视频免费在线观看| 成人永久免费在线观看视频| 长腿黑丝高跟| 成人亚洲精品av一区二区| 色哟哟哟哟哟哟| 一夜夜www| 淫妇啪啪啪对白视频| 色在线成人网| 一进一出抽搐动态| 亚洲 欧美 日韩 在线 免费| 亚洲九九香蕉| 国产99久久九九免费精品| 天天躁狠狠躁夜夜躁狠狠躁| av福利片在线| 亚洲三区欧美一区| 少妇裸体淫交视频免费看高清 | 国产熟女xx| 国产91精品成人一区二区三区| 免费在线观看成人毛片| 黄色 视频免费看| 国产黄色小视频在线观看| 国产又黄又爽又无遮挡在线| 国产真人三级小视频在线观看| 麻豆国产av国片精品| 亚洲va日本ⅴa欧美va伊人久久| 欧美黄色片欧美黄色片| 午夜成年电影在线免费观看| 国产三级在线视频| 久久久国产成人免费| 岛国在线观看网站| 亚洲人成77777在线视频| 欧美中文综合在线视频| 午夜福利18| 久久九九热精品免费| 欧美性长视频在线观看| 久久久水蜜桃国产精品网| 欧美一级毛片孕妇| 伊人久久大香线蕉亚洲五| 免费搜索国产男女视频| 黑人操中国人逼视频| 91麻豆精品激情在线观看国产| 国产成人av教育| 免费无遮挡裸体视频| 国产一区二区激情短视频| 狂野欧美激情性xxxx| 欧美三级亚洲精品| 欧美在线一区亚洲| 韩国av一区二区三区四区| 91麻豆精品激情在线观看国产| 在线看三级毛片| 欧美成人午夜精品| 黄频高清免费视频| 亚洲av片天天在线观看| 国产精品二区激情视频| 午夜久久久在线观看| 亚洲成人久久性| 欧美成人性av电影在线观看| 啦啦啦观看免费观看视频高清| 国产真人三级小视频在线观看| 欧美人与性动交α欧美精品济南到| 两性午夜刺激爽爽歪歪视频在线观看 | 国产av不卡久久| 欧美另类亚洲清纯唯美| 久久人人精品亚洲av| 亚洲五月婷婷丁香| av免费在线观看网站| 亚洲狠狠婷婷综合久久图片| 91大片在线观看| 久久久久亚洲av毛片大全| 大型av网站在线播放| 精品久久久久久久久久免费视频| 村上凉子中文字幕在线| 精品欧美国产一区二区三| 亚洲一区二区三区不卡视频| 久久久久久久久久黄片| 日本撒尿小便嘘嘘汇集6| 成年版毛片免费区| 国产精品自产拍在线观看55亚洲| 最新美女视频免费是黄的| 午夜福利在线在线| 亚洲五月婷婷丁香| 日韩国内少妇激情av| 黄片小视频在线播放| 国内精品久久久久久久电影| 一级黄色大片毛片| 精品免费久久久久久久清纯| 国产精品电影一区二区三区| 国产精品久久久人人做人人爽| 一进一出抽搐动态| 久久久久久免费高清国产稀缺| 香蕉丝袜av| 50天的宝宝边吃奶边哭怎么回事| 久久精品夜夜夜夜夜久久蜜豆 | 最近最新免费中文字幕在线| 国产伦在线观看视频一区| 国产精品,欧美在线| 成年免费大片在线观看| 久久婷婷成人综合色麻豆| 大型av网站在线播放| 亚洲精品av麻豆狂野| 两个人免费观看高清视频| 久久香蕉激情| 一边摸一边做爽爽视频免费| 免费人成视频x8x8入口观看| 久久久久久久久中文| 一区福利在线观看| 亚洲免费av在线视频| 亚洲电影在线观看av| 国产伦人伦偷精品视频| 怎么达到女性高潮| 91成人精品电影| 久久久精品欧美日韩精品| 久99久视频精品免费| 在线播放国产精品三级| 在线观看66精品国产| av有码第一页| 色尼玛亚洲综合影院| 成人国产一区最新在线观看| 精品欧美国产一区二区三| 国语自产精品视频在线第100页| 久久久水蜜桃国产精品网| 国产高清videossex| 天天躁狠狠躁夜夜躁狠狠躁| 两人在一起打扑克的视频| 亚洲精品国产区一区二| 两性夫妻黄色片| 侵犯人妻中文字幕一二三四区| 成人午夜高清在线视频 | 一边摸一边抽搐一进一小说| 国产精品免费视频内射| 亚洲五月天丁香| 久久久久国产精品人妻aⅴ院| videosex国产| 国产精品一区二区免费欧美| 国产精品久久久人人做人人爽| 特大巨黑吊av在线直播 | 国产av一区在线观看免费| 午夜福利18| 男人的好看免费观看在线视频 | 99久久久亚洲精品蜜臀av| 久久久久久大精品| 天堂影院成人在线观看| 18禁黄网站禁片免费观看直播| 久久这里只有精品19| 日韩免费av在线播放| 久久午夜亚洲精品久久| 亚洲三区欧美一区| 亚洲成av人片免费观看| 妹子高潮喷水视频| 91国产中文字幕| 变态另类成人亚洲欧美熟女| 久久中文字幕一级| 欧美绝顶高潮抽搐喷水| 欧美激情高清一区二区三区| 韩国av一区二区三区四区| 国产精品爽爽va在线观看网站 | 免费在线观看完整版高清| 精品久久久久久久久久久久久 | 久久久久久亚洲精品国产蜜桃av| 无遮挡黄片免费观看| 亚洲人成伊人成综合网2020| 嫩草影视91久久| 99精品久久久久人妻精品| 欧美亚洲日本最大视频资源| 男人操女人黄网站| 久久久久久九九精品二区国产 | 国产1区2区3区精品| 国产av不卡久久| 日韩大尺度精品在线看网址| 久久久水蜜桃国产精品网| 怎么达到女性高潮| 国产亚洲欧美在线一区二区| 9191精品国产免费久久| 中文字幕另类日韩欧美亚洲嫩草| 亚洲最大成人中文| 一个人观看的视频www高清免费观看 | 99精品久久久久人妻精品| 欧美亚洲日本最大视频资源| 亚洲成人久久爱视频| 999久久久国产精品视频| av福利片在线| 午夜福利在线在线| 久久精品国产99精品国产亚洲性色| 女人高潮潮喷娇喘18禁视频| 成人国语在线视频| 国产又色又爽无遮挡免费看| 午夜久久久在线观看| 久久精品夜夜夜夜夜久久蜜豆 | 中文字幕av电影在线播放| 国产欧美日韩精品亚洲av| 啦啦啦观看免费观看视频高清| 亚洲精品美女久久久久99蜜臀| 国产成人av激情在线播放| 长腿黑丝高跟| 一区二区三区国产精品乱码| 免费看美女性在线毛片视频| 天天一区二区日本电影三级| 久久久久久久精品吃奶| 国产精品99久久99久久久不卡| 中亚洲国语对白在线视频| 国语自产精品视频在线第100页| 亚洲精华国产精华精| 日本成人三级电影网站| 国产av又大| 免费在线观看影片大全网站| 午夜激情福利司机影院| 亚洲国产毛片av蜜桃av| 亚洲国产精品久久男人天堂| 91麻豆精品激情在线观看国产| 观看免费一级毛片| 长腿黑丝高跟| 精品国产国语对白av| 欧美日韩亚洲综合一区二区三区_| 国产伦在线观看视频一区| 一夜夜www| 国产精品国产高清国产av| 一级片免费观看大全| 变态另类成人亚洲欧美熟女| 制服诱惑二区| 波多野结衣高清无吗| 亚洲成a人片在线一区二区| 日韩成人在线观看一区二区三区| 成熟少妇高潮喷水视频| 宅男免费午夜| 免费一级毛片在线播放高清视频| 免费看美女性在线毛片视频| 午夜激情av网站| 国产成人影院久久av| 国产午夜福利久久久久久| 午夜精品久久久久久毛片777| ponron亚洲| 日本撒尿小便嘘嘘汇集6| 亚洲国产精品sss在线观看| 午夜福利成人在线免费观看| 久久精品国产亚洲av香蕉五月| 亚洲天堂国产精品一区在线| 19禁男女啪啪无遮挡网站| 国产成人精品久久二区二区免费| 51午夜福利影视在线观看| 曰老女人黄片| 黄片大片在线免费观看| 99久久久亚洲精品蜜臀av| 中文字幕精品亚洲无线码一区 | 麻豆国产av国片精品| 嫩草影视91久久| 女人被狂操c到高潮| 午夜a级毛片| 国产aⅴ精品一区二区三区波| 老汉色av国产亚洲站长工具| 91九色精品人成在线观看| 日日干狠狠操夜夜爽| 少妇 在线观看| 亚洲五月婷婷丁香| 97碰自拍视频| 精品日产1卡2卡| 少妇被粗大的猛进出69影院| 欧美最黄视频在线播放免费| 亚洲狠狠婷婷综合久久图片| 老熟妇乱子伦视频在线观看| 香蕉国产在线看| 男人舔奶头视频| 十分钟在线观看高清视频www| 在线观看一区二区三区| 亚洲在线自拍视频| 黄色视频,在线免费观看| 女人爽到高潮嗷嗷叫在线视频| 欧美绝顶高潮抽搐喷水| 久久国产亚洲av麻豆专区| 色综合亚洲欧美另类图片| 91麻豆av在线| 男人舔女人的私密视频| 青草久久国产| 精品一区二区三区视频在线观看免费| 非洲黑人性xxxx精品又粗又长| 成人三级黄色视频| 国内久久婷婷六月综合欲色啪| 波多野结衣高清作品| 99国产精品99久久久久| 国产黄色小视频在线观看| 黄色成人免费大全| 久久香蕉激情| 欧美av亚洲av综合av国产av| 国产aⅴ精品一区二区三区波| 亚洲精品国产精品久久久不卡| 一级毛片精品| 日本精品一区二区三区蜜桃| 国产一区二区三区在线臀色熟女| 国产亚洲欧美98| 丝袜在线中文字幕| 亚洲精品久久国产高清桃花| 欧美性长视频在线观看| 免费高清在线观看日韩| 国产在线精品亚洲第一网站| 久久精品夜夜夜夜夜久久蜜豆 | 黄色视频,在线免费观看| 成人一区二区视频在线观看| 国产成人系列免费观看| 国产区一区二久久| 妹子高潮喷水视频| 午夜福利在线观看吧| 亚洲一区中文字幕在线| 视频区欧美日本亚洲| 精品国产乱子伦一区二区三区| 99在线人妻在线中文字幕| av电影中文网址| 18美女黄网站色大片免费观看| 老司机靠b影院| 国产亚洲欧美98| 免费av毛片视频| 怎么达到女性高潮| 一夜夜www| 亚洲电影在线观看av| 日本撒尿小便嘘嘘汇集6| 久久精品国产亚洲av香蕉五月| 成人一区二区视频在线观看| av视频在线观看入口| 一区二区三区激情视频| 亚洲免费av在线视频| 日韩欧美一区二区三区在线观看| 真人做人爱边吃奶动态| 一级片免费观看大全| 欧美一区二区精品小视频在线| 首页视频小说图片口味搜索| 精品久久久久久久毛片微露脸| 99国产精品一区二区三区| 青草久久国产| 在线视频色国产色| 国产人伦9x9x在线观看| or卡值多少钱| 黑人巨大精品欧美一区二区mp4| 国产精品美女特级片免费视频播放器 | 欧美日本视频| 国产成人影院久久av| 一区二区三区高清视频在线| 亚洲av电影不卡..在线观看| 国产成年人精品一区二区| 国产伦在线观看视频一区| 一本久久中文字幕| 女人高潮潮喷娇喘18禁视频| 国产又黄又爽又无遮挡在线| 久久人妻福利社区极品人妻图片| 精品国产亚洲在线| 可以免费在线观看a视频的电影网站| 岛国视频午夜一区免费看| 国产精品亚洲美女久久久| 嫁个100分男人电影在线观看| 99国产极品粉嫩在线观看| 黄色丝袜av网址大全| 国产精品爽爽va在线观看网站 | 欧美zozozo另类| 亚洲中文字幕日韩| 夜夜夜夜夜久久久久| 亚洲第一青青草原| 中文字幕精品免费在线观看视频| 久久午夜亚洲精品久久| 国产真人三级小视频在线观看| 精品国内亚洲2022精品成人| 亚洲七黄色美女视频| 亚洲国产欧美日韩在线播放| 亚洲欧美精品综合久久99| 国产av不卡久久| 婷婷亚洲欧美| 可以在线观看的亚洲视频| 一区二区日韩欧美中文字幕| 亚洲av中文字字幕乱码综合 | 久久精品人妻少妇| 成人18禁在线播放| 国产精品自产拍在线观看55亚洲| 亚洲国产高清在线一区二区三 | 婷婷精品国产亚洲av在线| 久久午夜综合久久蜜桃| 久久中文字幕人妻熟女| 夜夜看夜夜爽夜夜摸| www国产在线视频色| 哪里可以看免费的av片| 欧美精品亚洲一区二区| 老司机午夜十八禁免费视频| 日韩欧美三级三区| 在线十欧美十亚洲十日本专区| 国产真实乱freesex| 久热这里只有精品99| 精品国产国语对白av| 禁无遮挡网站| 99re在线观看精品视频| 男男h啪啪无遮挡| 日韩大码丰满熟妇| 久久久国产欧美日韩av| xxx96com| 大型av网站在线播放| 嫩草影视91久久| 成人18禁高潮啪啪吃奶动态图| 男女之事视频高清在线观看| 99久久久亚洲精品蜜臀av| 国产精品 欧美亚洲| 听说在线观看完整版免费高清| 欧美三级亚洲精品| 校园春色视频在线观看| 免费高清在线观看日韩| 999久久久精品免费观看国产| 中出人妻视频一区二区| 女性生殖器流出的白浆| 黑人巨大精品欧美一区二区mp4| 成人国语在线视频| 国产午夜精品久久久久久| 国产精品1区2区在线观看.| 国产亚洲欧美98| 亚洲精品美女久久av网站| 国产精品一区二区精品视频观看| e午夜精品久久久久久久| 免费高清视频大片| 亚洲欧美精品综合一区二区三区| 在线看三级毛片| 国产欧美日韩精品亚洲av| 国产精品1区2区在线观看.| 成年免费大片在线观看| 亚洲精品美女久久av网站| 久久国产精品影院| 在线av久久热| 国产亚洲欧美在线一区二区| 亚洲中文字幕日韩| 熟女少妇亚洲综合色aaa.| 欧美性猛交╳xxx乱大交人| 欧美日韩黄片免| 成人18禁在线播放| 男女之事视频高清在线观看| 91字幕亚洲| 91老司机精品| 免费搜索国产男女视频| 国产野战对白在线观看| 看免费av毛片| 最近最新免费中文字幕在线| 成人三级黄色视频| 看黄色毛片网站| 后天国语完整版免费观看|