• <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SVM-BP神經(jīng)網(wǎng)絡(luò)的氣象能見度數(shù)據(jù)缺失值預(yù)估

    2021-10-14 08:57:44殷利平劉宵瑜盛紹學(xué)溫華洋邱康俊
    關(guān)鍵詞:氣象站能見度預(yù)估

    殷利平 劉宵瑜 盛紹學(xué) 溫華洋 邱康俊

    0 引言

    為了將氣象研究對社會的積極作用融入到公共服務(wù)中,中國氣象局于2002年投資建設(shè)“三站四網(wǎng)”的大氣監(jiān)測工程,在全國各地陸續(xù)建立自動氣象站.這些自動氣象站引進許多高精度的氣象觀測設(shè)備,大大提高了對氣象要素進行實時探測的能力[1-2].安徽省大多數(shù)氣象站采用散射式能見度儀采樣,但是在日常工作中能見度儀會出現(xiàn)采樣數(shù)據(jù)缺失的情況,一般由以下幾種情況造成:1)能見度儀的鏡頭前或兩個鏡頭之間有異物堵塞,如蜘蛛結(jié)網(wǎng)、小鳥做窩等;2)在一些施工區(qū),或省道縣道等公路旁,灰沙和揚塵可能導(dǎo)致能見度采樣區(qū)內(nèi)顆粒物變化不定;3)惡劣天氣下,局部地區(qū)的風(fēng)速、風(fēng)向變化大且快,導(dǎo)致樹葉、雜物被吹起恰好位于能見度儀的采樣區(qū)內(nèi),雨雪天氣和天氣寒冷凝結(jié)的冰霜也可能使能見度儀鏡頭表面受污染嚴(yán)重,導(dǎo)致能見度數(shù)據(jù)不準(zhǔn)確;4)傳感器各接線端出現(xiàn)接觸不良、松動,以及傳感器的某一單元模塊發(fā)生故障、儀器年久失修得不到有效的維護等情況[3-4].有些自動氣象站建立在高山丘陵地帶,人工維護難度大、成本高,迫切需要一種既可以及時得到氣象站所測的完備氣象信息,又可以減輕工作人員對問題氣象站進行維護的工作量的方法.

    目前,處理能見度儀數(shù)據(jù)缺失的方法主要可以分為基于統(tǒng)計的修補算法、基于鄰近性的修補算法、基于機器學(xué)習(xí)的修補算法三大類.基于統(tǒng)計的修補算法包括均值插補[5]、回歸插補[6]、多重插補[7]等,其中均值插補以數(shù)據(jù)序列的平均值作為填充缺失值;回歸插補是把缺失屬性作為因變量,其他相關(guān)屬性作為自變量,利用它們之間的關(guān)系建立回歸模型來預(yù)測缺失值的;多重插補是用一組近似值替換每個缺失值,再用標(biāo)準(zhǔn)的統(tǒng)計分析過程對多次替換后產(chǎn)生的若干數(shù)據(jù)進行分析、比較,從而得到缺失值的估計值.基于統(tǒng)計的插補方法雖然簡單易操作,但容易扭曲數(shù)據(jù)分布,且該類算法需要預(yù)先知道數(shù)據(jù)分布特征,但很多實際應(yīng)用場景中卻無法得到.基于鄰近性的修補算法中最具有代表性的是K近鄰算法(K-Nearest Neighbor,KNN)[8-9].K近鄰算法首先要找出數(shù)據(jù)集中與缺失數(shù)據(jù)的歐式距離最小的K個點,然后用這K個點的平均值替換缺失值,其修補效果易受到鄰近閾值的影響,且容易受到噪聲數(shù)據(jù)的干擾,若對數(shù)據(jù)集未做初步預(yù)處理,修補精度容易產(chǎn)生較大的偏差.基于機器學(xué)習(xí)的修補算法能夠直接處理缺失數(shù)據(jù),并對缺失數(shù)據(jù)集進行訓(xùn)練,該類方法的優(yōu)點是可以直接處理完全隨機缺失模式下的數(shù)據(jù)集.該類算法主要包括:集成方法(以神經(jīng)網(wǎng)絡(luò)集成方法為主)[10]、多層感知機插補[11]、決策樹、貝葉斯[12-13]、支持向量機(Support Vector Machine,SVM)[14-15]等,其中集成方法修補缺失數(shù)據(jù)以BP神經(jīng)網(wǎng)絡(luò)應(yīng)用最為廣泛.BP神經(jīng)網(wǎng)絡(luò)是指利用誤差逆?zhèn)鞑?Error Back Propagation)算法訓(xùn)練的多層網(wǎng)絡(luò),BP算法是將誤差反向傳播使神經(jīng)元各層權(quán)值不斷調(diào)整,直到網(wǎng)絡(luò)輸出的誤差減少到可接受的程度,其優(yōu)點是在處理不完整大規(guī)模數(shù)據(jù)時速度快、泛化能力強.SVM也是一種通用的機器學(xué)習(xí)算法,它以統(tǒng)計學(xué)習(xí)理論為基礎(chǔ),廣泛應(yīng)用在函數(shù)回歸、時間序列預(yù)測等領(lǐng)域[16-17].SVM算法首先是通過非線性映射函數(shù)把樣本向量映射到高維特征空間,使得在特征空間中,原空間數(shù)據(jù)的像具有線性關(guān)系,然后在特征空間中構(gòu)造線性最優(yōu)決策函數(shù),從而解決分類與回歸問題.在處理缺失值回歸分析時,SVM算法可以修補任意缺失模式的數(shù)據(jù),減少計算復(fù)雜度[18].

    本文利用機器學(xué)習(xí)的相關(guān)算法在缺失值插補方面的優(yōu)異性,綜合運用SVM和BP神經(jīng)網(wǎng)絡(luò)預(yù)估能見度缺失值.首先選用安徽氣象局歷年來不同地區(qū)氣象站的歷史數(shù)據(jù)進行分析,然后建立數(shù)據(jù)填充模型,再運用權(quán)重優(yōu)化不同模型對缺失值的預(yù)估值.實驗結(jié)果表明,運用組合模型對不同地形的能見度缺失數(shù)據(jù)進行預(yù)估,預(yù)估結(jié)果可以有效地代替真實值,實現(xiàn)了對自動氣象站的缺失數(shù)據(jù)的高精度填補.

    1 數(shù)據(jù)的來源和模型構(gòu)建

    1.1 數(shù)據(jù)處理

    本文中氣象數(shù)據(jù)全部來自安徽氣象局歷年來匯總的氣象站觀測資料.如圖1所示,安徽地形復(fù)雜多樣,不同地形氣候不一,因此所得到的觀測數(shù)據(jù)差值較大.考慮到地形因素對模型處理缺測數(shù)據(jù)的影響,本文以高山、山谷、平原、水源地地形作為特征,分別選取黃山站(高山地形)、山南溪谷站(山谷地形)、靈璧站(平原地形)和白澤湖站(水源地地形)的歷史數(shù)據(jù)進行試驗(圖2).早期的自動氣象站由于設(shè)備質(zhì)量參差不齊,傳感器檢測精度低,得到的數(shù)據(jù)不完整.為了保證數(shù)據(jù)的有效性,本文選取從2015—2019年安徽省氣象局記錄較為完整的小時時序數(shù)據(jù)資料作為總樣本.對于每種地形,將相應(yīng)的樣本分為10個樣本集,其中7個樣本作為訓(xùn)練集,3個樣本集作為驗證集.測試集選取各站點2019年春季3—4月小時觀測資料,一些時間區(qū)間內(nèi)如果能見度數(shù)值變化較小,選取的數(shù)據(jù)量也相應(yīng)減少.

    圖1 安徽省地形圖Fig.1 Topographic map of Anhui Province

    圖2 安徽省各區(qū)域小型氣象站分布Fig.2 Distribution map of meteorological stations in Anhui Province

    1.2 輸入要素的選擇

    氣象觀測要素很多,有些氣象觀測要素對能見度的影響很小,如果將一個時序的全部觀測要素作為輸入不僅計算量大,而且會影響預(yù)估結(jié)果的準(zhǔn)確性.人為篩選輸入要素的方法具有很大的主觀性,缺乏理論依據(jù),因此本文選用灰色關(guān)聯(lián)分析法進行輸入變量的選擇[19-20].該方法是根據(jù)各因素之間數(shù)值變化趨勢的程度來確定關(guān)聯(lián)大小,這種方法對數(shù)據(jù)要求較低,步驟清晰且計算量小.灰色關(guān)聯(lián)法中一個重要指標(biāo)是灰色關(guān)聯(lián)度,灰色關(guān)聯(lián)度以數(shù)值的形式表征各變量間關(guān)系的強弱.本文對氣象各要素之間的灰色關(guān)聯(lián)分析步驟如下:

    1)為研究能見度要素與其他氣象要素之間的關(guān)系,先對氣象要素進行編號,記為Ai(i=1,2,3,4,…,11),并將各氣象要素數(shù)據(jù)換算成標(biāo)準(zhǔn)單位制數(shù)值,Ai與各氣象要素之間的對應(yīng)關(guān)系如表1所示.

    表1 各氣象觀測要素的編號序列

    2)求表征關(guān)聯(lián)度的關(guān)聯(lián)系數(shù).以能見度數(shù)據(jù)序列為參考數(shù)據(jù),其他觀測要素的數(shù)據(jù)序列作為比較數(shù)據(jù).參考數(shù)列為A0={A0(1),…,A0(d),…,A0(N)},比較數(shù)列為Ai={Ai(1),…,Ai(d),…,Ai(N)},其中d代表各要素序列中的元素個數(shù),N是選取數(shù)據(jù)序列的總數(shù),1≤d≤N.

    數(shù)據(jù)序列Ai與A0在第d點的關(guān)聯(lián)系數(shù)εi(d)為

    εi(d)=

    (1)

    式中:ρ∈(0,+∞) 稱為分辨系數(shù),通常在0到1之間選取,一般取ρ=0.5;i代表氣象要素序號,1≤i≤11.

    3)求各氣象要素之間的關(guān)聯(lián)度γ(A0,Ai):

    (2)

    其中關(guān)聯(lián)度γ∈(0,1),數(shù)值越大表明該氣象要素與能見度的關(guān)聯(lián)度越高.本文按照關(guān)聯(lián)度數(shù)值從大到小的順序選擇輸入要素,不妨設(shè)選擇的輸入要素為M個.

    1.3 能見度數(shù)據(jù)預(yù)估模型

    1.3.1 SVM能見度缺失值預(yù)估模型

    SVM是把線性不可分的樣本通過核函數(shù)映射到特征空間,進而在特征空間中構(gòu)造最優(yōu)分類平面,使樣本到平面的總距離最小,由此實現(xiàn)擬合的[21].對于模型給定的訓(xùn)練數(shù)據(jù)總樣本D={(xi(j),y(j)),i=1,2,…,M,j=1,2,…,N1},其中xi(j)為第i個氣象輸入要素的第j個樣本,y(j)為對應(yīng)的能見度實測值,N1為總樣本容量.記x=[x1,x2,…,xM]T.首先利用一個非線性映射函數(shù)φ(x)將樣本x從原空間RM映射到特征空間,然后在高維特征空間中構(gòu)造最優(yōu)決策函數(shù):

    y(x)=wT·φ(x)+b,

    (3)

    式中:φ(x)為映射函數(shù);w為權(quán)向量;b為偏置量.權(quán)向量w與b通過優(yōu)化下式得到:

    (4)

    其約束條件為

    y(j)-wTφ(x(j))+b+ξ(j)=0,

    (5)

    式(4)中:C為懲罰因子,為給定值,其數(shù)值越大表示對訓(xùn)練誤差大于設(shè)定誤差的樣本懲罰越大;ξ(j)為松弛變量,定義為ξ(j)=1-y(j),ξ(j)數(shù)值越大表示對樣本訓(xùn)練誤差的容忍程度越大.

    在求解最小化問題(4)和(5)之前,首先要找到合適的非線性函數(shù)φ(x),為此引入徑向基核函數(shù):

    j=1,2,…,N1,

    (6)

    并令K(x(β),x(j))=φT(x(β))·φ(x(j)),β=1,2,…,N1.進一步引入Lagrange方程,從而可以求解(4)和(5),得出SVM最優(yōu)決策函數(shù)的估計函數(shù)為

    (7)

    式中K(x,x(j))為核函數(shù),拉格朗日乘子α(j)∈R,R為實數(shù)集.

    本文根據(jù)以上原理,通過能見度與其他氣象觀測要素之間復(fù)雜的非線性關(guān)系進行能見度缺失值預(yù)估.具體步驟如下:

    2)運用網(wǎng)絡(luò)搜索法來分別對式(4)和式(6)中的C,δ兩個參數(shù)尋優(yōu),其中懲罰因子C的搜尋范圍在0.1~100,核參數(shù)δ的搜索范圍在0.001~1,利用交叉驗證法可獲得最優(yōu)參數(shù)[22].

    3)利用建立的SVM能見度數(shù)據(jù)預(yù)估模型,對預(yù)處理后的樣本數(shù)據(jù)進行訓(xùn)練,并對模型的預(yù)估結(jié)果進行評價.選用平均相對誤差(MAPE,其量值記為ηMAPE)和均方根誤差(RMSE,其量值記為ηRMSE)來評價:

    (8)

    (9)

    1.3.2 BP神經(jīng)網(wǎng)絡(luò)的能見度缺失值預(yù)估模型

    BP神經(jīng)網(wǎng)絡(luò)能見度預(yù)估的基本結(jié)構(gòu)如圖3所示,其中輸入層有m個節(jié)點,隱含層有p個節(jié)點,輸出層有1個節(jié)點,Wig(i=1,2,…,m;g=1,2,…,p)為輸入層到隱含層的權(quán)值,Wgk(g=1,2,…,p;k=1)為隱含層到輸出層的權(quán)值,θg(g=1,2,…,p)為隱含層的閾值,σ1為輸出層閾值,(X1,X2,…,Xm)為神經(jīng)網(wǎng)絡(luò)輸入向量,Y1為神經(jīng)網(wǎng)絡(luò)輸出量,Yh為期望輸出,e為神經(jīng)網(wǎng)絡(luò)期望輸出與實際輸出的誤差.

    圖3 BP神經(jīng)網(wǎng)絡(luò)能見度預(yù)估的結(jié)構(gòu)Fig.3 Structure of BP neural network for visibility estimation

    三層結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)可用于預(yù)估氣象站能見度缺失值,其中輸入層對應(yīng)與能見度相關(guān)性大的氣象要素序列,輸出層是能見度預(yù)估值.隱含層的神經(jīng)元數(shù)量對模型預(yù)估結(jié)果的好壞產(chǎn)生直接的影響,但是目前沒有能直接確認(rèn)最優(yōu)隱含層個數(shù)的方法,只有根據(jù)以下經(jīng)驗公式來計算:

    (10)

    設(shè)定不同隱含層神經(jīng)元個數(shù),然后采用“試湊法”逐步增大和減少隱含層神經(jīng)元數(shù)目使網(wǎng)絡(luò)誤差最小.式(10)中:m為輸入層節(jié)點個數(shù);n為輸出層節(jié)點個數(shù);a為常數(shù),取值范圍一般為3至10.K為隱含層神經(jīng)元估算個數(shù).

    用于能見度缺失值預(yù)估的BP算法各步驟如下:

    1)權(quán)值初始化:(wig∪wgk)=random(·),其中random(·)表示權(quán)值在[0,1]之間的均勻分布.

    2) 依次輸入訓(xùn)練集中的樣本,設(shè)當(dāng)前輸入第q個樣本.

    3) 依次計算各層的輸出:X′g,X″k及Y1.

    4) 求各層的反傳誤差,并記下各個X″k(q),X′g(q),Xi(q)的值.

    5)記錄已學(xué)習(xí)過的樣本個數(shù)q.如果q

    6)按新的權(quán)值再計算X′g,X″k及Y1和學(xué)習(xí)樣本數(shù)的總誤差E,若E<ε(ε為預(yù)估給定誤差),或達到最大學(xué)習(xí)次數(shù),則終止學(xué)習(xí).否則,轉(zhuǎn)步驟2)繼續(xù)新一輪學(xué)習(xí).

    1.3.3 組合模型

    用不同的機器學(xué)習(xí)算法得出的能見度預(yù)估值與實測值都有誤差.為了減小預(yù)估值與實測值之間的誤差,可以整合不同模型的優(yōu)點,對不同方法的預(yù)估結(jié)果進行加權(quán)組合,以提高預(yù)估精度.在組合模型預(yù)估中最關(guān)鍵的步驟是確定不同預(yù)估方法的權(quán)重.目前,針對多模型組合權(quán)重確定,常用的方法主要有以下幾種:算術(shù)平均法、方差倒數(shù)法、均方倒數(shù)法以及最小二乘法.本文采用方差倒數(shù)法判斷單項模型系數(shù),即對誤差平方和小的模型賦予較高的權(quán)重,誤差平方和大的賦予較小的權(quán)重,使組合模型的誤差和盡可能小.具體方法如下:

    設(shè)F為觀測對象,其實際觀測值向量為(F1,F2,…,Fn),U1,U2,…,Ur為r種不同預(yù)估方法得出的預(yù)估值,向量S=(S1,S2,…,Sr)T中元素分別是它們在組合模型中的權(quán)重,第l個預(yù)估方法Ul的預(yù)估值為(U1l,U2l,…,Unl).則組合模型的估計值為

    (11)

    其中

    (12)

    2 實驗與分析

    2.1 能見度影響因子的選擇

    一般關(guān)聯(lián)度大于等于0.8時,子序列與母序列關(guān)聯(lián)度很好.根據(jù)1.2節(jié)的理論,可以計算得到其他觀測要素與能見度之間的關(guān)聯(lián)度,本次實驗選擇與能見度的關(guān)聯(lián)度在0.8以上的氣象觀測要素,如表2所示.

    表2 部分氣象要素與能見度之間的關(guān)聯(lián)度

    2.2 SVM與BP方法組合模型預(yù)估

    本文采用的SVM模型預(yù)估能見度實驗,借助的是Pycharm軟件的libsvm工具箱,其實驗精度主要取決于參數(shù)選取是否合適,本文各參數(shù)設(shè)定值如表3所示.

    表3 SVM最優(yōu)參數(shù)值設(shè)置

    在BP預(yù)估實驗中,BP神經(jīng)網(wǎng)絡(luò)模型以與能見度要素關(guān)聯(lián)度高的8個氣象要素作為輸入,隱含層選用單層結(jié)構(gòu),依據(jù)估算最優(yōu)隱含層神經(jīng)元個數(shù)的經(jīng)驗公式,推算出K值在[6,13]之間.為了保證隱含層神經(jīng)元個數(shù)對模型預(yù)估結(jié)果的準(zhǔn)確性,設(shè)定隱含層神經(jīng)元個數(shù)K在[5,20]區(qū)間.將平原組訓(xùn)練集歸一化處理后輸入BP模型中,取不同隱含層神經(jīng)元個數(shù),用一組驗證集記錄相對誤差均值.由于初始權(quán)值隨機分配,相同個數(shù)的隱含層神經(jīng)元運行的結(jié)果也有不同,所以BP網(wǎng)絡(luò)中每個K值的設(shè)定都運行10次,誤差結(jié)果算平均值,尋優(yōu)過程如圖4所示.

    圖4 隱含層神經(jīng)元個數(shù)尋優(yōu)Fig.4 Optimization of the number of neurons in hidden layer

    由隱含層神經(jīng)元尋優(yōu)結(jié)果可知,BP神經(jīng)網(wǎng)絡(luò)預(yù)估模型選用10個隱含層神經(jīng)元最佳.其中BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練最大迭代次數(shù)設(shè)定為50 000次,學(xué)習(xí)率取0.1,迭代循環(huán)次數(shù)上限值取20,訓(xùn)練最終誤差設(shè)定為0.001,激活函數(shù)選擇雙曲正切函數(shù),訓(xùn)練函數(shù)及學(xué)習(xí)函數(shù)均采用Levenberg-Marquardt算法.

    對不同地形代表站的測試集數(shù)據(jù)分別采用已訓(xùn)練好的SVM和BP模型進行預(yù)估,測試集預(yù)估結(jié)果和實測結(jié)果進行對比分析,求出各地形預(yù)估值與實測值的誤差平方和,運用方差倒數(shù)法,得各自的權(quán)重系數(shù)如表4所示.

    表4 兩種方法單一預(yù)估結(jié)果

    2.3 組合模型預(yù)估實驗結(jié)果

    將兩種方法的訓(xùn)練集預(yù)估結(jié)果進行對比分析,由表4可知,在這四種地形中,SVM缺失值預(yù)估模型要比BP神經(jīng)網(wǎng)絡(luò)的更加穩(wěn)定,誤差也更小,但是在水源地和平原地形中BP神經(jīng)網(wǎng)絡(luò)的預(yù)估結(jié)果準(zhǔn)確度相對更高,結(jié)合兩種模型預(yù)估的結(jié)果,可以提高能見度預(yù)估的精度.實驗輸入測試集數(shù)據(jù)得到兩種模型的預(yù)估結(jié)果,運用上文所述的方差倒數(shù)法,加權(quán)組合求出組合模型的預(yù)估值,并計算組合模型預(yù)估值和實測值的平均相對誤差、誤差均值和最大誤差.測試集能見度組合模型預(yù)估性能指標(biāo)結(jié)果如表5所示,預(yù)估效果如圖5所示.

    表5 組合方法的性能參數(shù)對比

    圖5 各地形能見度數(shù)據(jù)組預(yù)估效果Fig.5 Comparison of observed visibility and estimation by the combined SVM-BP neural network method for mountainous (a),plain (b),valley (c),and water source (d) areas

    從表5中的實驗結(jié)果數(shù)據(jù)可以看出,無論是哪種地形,組合模型預(yù)估的平均相對誤差更低,整體誤差均值小,效果要明顯好于單一模型.由此可知,組合方法可以保留單一模型的預(yù)估優(yōu)勢,增加對缺失數(shù)據(jù)預(yù)估的可靠性.

    3 結(jié)論

    為解決自動氣象站能見度要素缺測的問題,本文利用組合模型對缺測數(shù)據(jù)進行精確的預(yù)估,并以預(yù)估值代替實測值來保證數(shù)據(jù)的完備性.首先通過灰色關(guān)聯(lián)分析方法精簡預(yù)估模型輸入,篩選出與能見度相關(guān)度較大的氣象要素,再從氣象信息的多種要素中建立能見度數(shù)據(jù)預(yù)估模型.在實驗部分,兩種模型對能見度都具有良好的預(yù)估能力,SVM模型在四種地形中對能見度數(shù)據(jù)的預(yù)估結(jié)果比較好且穩(wěn)定,而BP神經(jīng)網(wǎng)絡(luò)則對平原和水源地的數(shù)據(jù)預(yù)估能力突出.對不同模型預(yù)估的結(jié)果加權(quán)組合,結(jié)合測試集的RMSE和MAPE的數(shù)據(jù),將這些數(shù)據(jù)與單一預(yù)估的方法對比,結(jié)果表明組合模型預(yù)估的方法更加接近實測值,更能充分地利用數(shù)據(jù)信息,從而提高對缺失數(shù)據(jù)預(yù)估的準(zhǔn)確性.

    猜你喜歡
    氣象站能見度預(yù)估
    美國銀行下調(diào)今明兩年基本金屬價格預(yù)估
    珠峰上架起世界最高氣象站
    2005—2017年白云機場能見度變化特征及其與影響因子關(guān)系研究
    心靈氣象站
    趣味(語文)(2019年3期)2019-06-12 08:50:14
    低能見度下高速公路主動誘導(dǎo)技術(shù)的應(yīng)用
    史密斯預(yù)估控制在排焦控制中的應(yīng)用
    前向散射能見度儀的常見異?,F(xiàn)象處理及日常維護
    自動氣象站應(yīng)該注意的一些防雷問題
    前向散射能見度儀故障實例分析
    自動氣象站常見故障判斷與維護
    河南科技(2014年12期)2014-02-27 14:10:40
    人妻 亚洲 视频| 小蜜桃在线观看免费完整版高清| av女优亚洲男人天堂| 美女xxoo啪啪120秒动态图| 26uuu在线亚洲综合色| 在线看a的网站| av天堂中文字幕网| 日韩电影二区| 亚洲人成网站在线播| 国精品久久久久久国模美| 国产成人91sexporn| 哪个播放器可以免费观看大片| 亚洲色图av天堂| 午夜免费男女啪啪视频观看| 成人综合一区亚洲| 亚洲人成网站在线播| 亚洲人成网站在线播| 欧美xxxx性猛交bbbb| 亚洲综合精品二区| 久久国产亚洲av麻豆专区| 国产精品欧美亚洲77777| 99久久精品热视频| 婷婷色麻豆天堂久久| 精品国产露脸久久av麻豆| 亚洲欧美成人精品一区二区| 少妇精品久久久久久久| 成年av动漫网址| 国产91av在线免费观看| 麻豆乱淫一区二区| 99热6这里只有精品| 毛片女人毛片| 美女福利国产在线 | 国产免费一区二区三区四区乱码| 99九九线精品视频在线观看视频| 有码 亚洲区| 亚洲精品乱久久久久久| 少妇被粗大猛烈的视频| 亚洲av国产av综合av卡| 国产女主播在线喷水免费视频网站| 国产有黄有色有爽视频| 看十八女毛片水多多多| 国产有黄有色有爽视频| 伦理电影大哥的女人| 久久久久国产网址| av.在线天堂| 亚洲欧美精品自产自拍| 黑丝袜美女国产一区| 蜜桃在线观看..| 午夜视频国产福利| 国产毛片在线视频| 亚洲性久久影院| 另类亚洲欧美激情| 国产一区有黄有色的免费视频| 久久99热6这里只有精品| 人妻少妇偷人精品九色| 大片免费播放器 马上看| 欧美一区二区亚洲| 激情五月婷婷亚洲| 亚洲内射少妇av| 国产亚洲av片在线观看秒播厂| 男人狂女人下面高潮的视频| 成年免费大片在线观看| 亚洲欧美中文字幕日韩二区| 日韩免费高清中文字幕av| 99久久综合免费| 王馨瑶露胸无遮挡在线观看| 久久午夜福利片| 国产成人a∨麻豆精品| 欧美成人一区二区免费高清观看| 大片免费播放器 马上看| 免费观看性生交大片5| 欧美日韩视频高清一区二区三区二| 欧美日韩视频高清一区二区三区二| 久久精品久久精品一区二区三区| 日韩成人av中文字幕在线观看| 观看美女的网站| 18禁在线无遮挡免费观看视频| 能在线免费看毛片的网站| 我要看黄色一级片免费的| 99久国产av精品国产电影| 老司机影院成人| 高清欧美精品videossex| 女性被躁到高潮视频| 亚洲国产精品成人久久小说| 麻豆精品久久久久久蜜桃| 久久人人爽人人片av| 黄色视频在线播放观看不卡| 五月天丁香电影| 99热6这里只有精品| 国产日韩欧美亚洲二区| 国产免费又黄又爽又色| 亚洲美女搞黄在线观看| 亚洲精品乱码久久久v下载方式| 男人狂女人下面高潮的视频| 国产精品国产三级国产专区5o| 亚洲精品中文字幕在线视频 | 激情 狠狠 欧美| 大片免费播放器 马上看| 在线观看美女被高潮喷水网站| 日本猛色少妇xxxxx猛交久久| 亚洲精品乱久久久久久| 亚洲国产欧美人成| 国产高清国产精品国产三级 | 国产深夜福利视频在线观看| 国产一级毛片在线| 日韩一区二区三区影片| 国产中年淑女户外野战色| 亚洲欧美中文字幕日韩二区| 国产中年淑女户外野战色| 欧美丝袜亚洲另类| 国产淫片久久久久久久久| 久久久久国产精品人妻一区二区| 久久精品国产亚洲网站| 最近的中文字幕免费完整| 亚洲欧美一区二区三区国产| 国产精品国产三级国产专区5o| 日韩 亚洲 欧美在线| 草草在线视频免费看| 国产熟女欧美一区二区| 成人毛片60女人毛片免费| 成人亚洲欧美一区二区av| 99视频精品全部免费 在线| 全区人妻精品视频| 久久国产精品大桥未久av | 国产精品不卡视频一区二区| 久久久欧美国产精品| 精品酒店卫生间| 黄色日韩在线| 纵有疾风起免费观看全集完整版| 国产午夜精品久久久久久一区二区三区| 亚洲,欧美,日韩| 免费看不卡的av| 亚洲成人av在线免费| 交换朋友夫妻互换小说| 成年美女黄网站色视频大全免费 | 久久久久久久精品精品| 天美传媒精品一区二区| 久久99热这里只频精品6学生| 天堂8中文在线网| 六月丁香七月| 大香蕉97超碰在线| 亚洲欧美日韩另类电影网站 | 亚洲国产毛片av蜜桃av| 99热这里只有是精品50| 久久婷婷青草| 欧美高清性xxxxhd video| 97在线人人人人妻| 精品一区二区三卡| 熟女av电影| 五月开心婷婷网| 三级经典国产精品| 国产精品一区二区三区四区免费观看| 人妻一区二区av| 亚洲欧美日韩东京热| 成人免费观看视频高清| 国产av精品麻豆| 成人毛片60女人毛片免费| 国产黄频视频在线观看| 黄片wwwwww| 国产一区亚洲一区在线观看| 丰满乱子伦码专区| 亚洲精品国产色婷婷电影| 嫩草影院新地址| 夜夜骑夜夜射夜夜干| 麻豆成人午夜福利视频| 欧美成人精品欧美一级黄| 国产深夜福利视频在线观看| 久久国产精品男人的天堂亚洲 | 夜夜爽夜夜爽视频| 免费看不卡的av| 黄色日韩在线| 永久免费av网站大全| 亚洲欧美日韩无卡精品| 亚洲国产精品专区欧美| 一边亲一边摸免费视频| 国产精品精品国产色婷婷| 好男人视频免费观看在线| 国产乱来视频区| av线在线观看网站| 99热这里只有是精品50| 亚洲在久久综合| 免费观看在线日韩| 国产真实伦视频高清在线观看| 精品午夜福利在线看| 亚洲aⅴ乱码一区二区在线播放| 乱系列少妇在线播放| 亚洲美女搞黄在线观看| 男女无遮挡免费网站观看| 亚洲在久久综合| 夜夜看夜夜爽夜夜摸| 亚洲精品日韩av片在线观看| 黑人高潮一二区| 天美传媒精品一区二区| 亚洲欧美中文字幕日韩二区| 久久精品国产a三级三级三级| 熟女av电影| 最近中文字幕2019免费版| 22中文网久久字幕| 国产 一区精品| av免费在线看不卡| 亚洲色图综合在线观看| 亚洲av免费高清在线观看| 午夜精品国产一区二区电影| 又爽又黄a免费视频| av视频免费观看在线观看| h日本视频在线播放| 久久99蜜桃精品久久| 日韩三级伦理在线观看| 国产精品精品国产色婷婷| 99久国产av精品国产电影| 蜜桃亚洲精品一区二区三区| 黄色欧美视频在线观看| 日韩国内少妇激情av| 国产精品一区二区性色av| 欧美日韩精品成人综合77777| 久久久久视频综合| 精品少妇久久久久久888优播| 久久久色成人| 国产久久久一区二区三区| 亚洲欧美成人精品一区二区| 插逼视频在线观看| 只有这里有精品99| 免费不卡的大黄色大毛片视频在线观看| 少妇人妻久久综合中文| av在线播放精品| 久久久久国产精品人妻一区二区| 精品亚洲成国产av| 免费看光身美女| 久久久午夜欧美精品| www.色视频.com| 亚洲aⅴ乱码一区二区在线播放| 色视频www国产| 国产精品人妻久久久久久| 精品人妻视频免费看| 深爱激情五月婷婷| 最近2019中文字幕mv第一页| 国产大屁股一区二区在线视频| 国产成人freesex在线| 国产真实伦视频高清在线观看| 久久久国产一区二区| 91久久精品国产一区二区三区| 亚洲人与动物交配视频| 亚洲精品456在线播放app| 又爽又黄a免费视频| 黑丝袜美女国产一区| 天天躁夜夜躁狠狠久久av| 视频区图区小说| av一本久久久久| 最近手机中文字幕大全| 如何舔出高潮| 男人添女人高潮全过程视频| 国产男女超爽视频在线观看| 久久99精品国语久久久| 国产亚洲91精品色在线| 国产免费视频播放在线视频| 欧美精品亚洲一区二区| 高清毛片免费看| 日本黄色日本黄色录像| 亚洲av欧美aⅴ国产| 国内揄拍国产精品人妻在线| 超碰av人人做人人爽久久| 久久精品久久久久久久性| 赤兔流量卡办理| 国产免费视频播放在线视频| 黄色视频在线播放观看不卡| 极品少妇高潮喷水抽搐| 亚洲无线观看免费| 国产成人精品久久久久久| 色婷婷av一区二区三区视频| 久久国产亚洲av麻豆专区| 午夜激情福利司机影院| 午夜免费观看性视频| 肉色欧美久久久久久久蜜桃| 欧美精品一区二区免费开放| 亚洲内射少妇av| 最后的刺客免费高清国语| 成人二区视频| 人人妻人人看人人澡| av在线蜜桃| 少妇人妻 视频| 青青草视频在线视频观看| 麻豆成人午夜福利视频| 一级毛片aaaaaa免费看小| 日本黄大片高清| 一级毛片 在线播放| 久久韩国三级中文字幕| 国产爽快片一区二区三区| 看免费成人av毛片| av国产免费在线观看| 久久综合国产亚洲精品| 国产69精品久久久久777片| 国产色婷婷99| 99视频精品全部免费 在线| 一区二区av电影网| 国产成人a∨麻豆精品| 国产精品久久久久久精品古装| 五月开心婷婷网| 亚洲自偷自拍三级| 99热6这里只有精品| 亚洲色图av天堂| 国产精品免费大片| 久久99热6这里只有精品| 久久久久国产网址| 一级片'在线观看视频| 欧美xxxx性猛交bbbb| 十八禁网站网址无遮挡 | 汤姆久久久久久久影院中文字幕| av国产精品久久久久影院| 国产在线一区二区三区精| 成人毛片60女人毛片免费| 丰满迷人的少妇在线观看| 久久久久久久久久久丰满| 国产精品一区二区性色av| 777米奇影视久久| 欧美3d第一页| 插逼视频在线观看| 久久久久人妻精品一区果冻| 一级黄片播放器| 国产探花极品一区二区| 亚洲真实伦在线观看| 91精品国产国语对白视频| 国产一区有黄有色的免费视频| 制服丝袜香蕉在线| 国产精品精品国产色婷婷| 国产精品久久久久久久久免| 久久久久国产网址| 亚洲一级一片aⅴ在线观看| 精品久久久精品久久久| 一级毛片aaaaaa免费看小| 日本与韩国留学比较| 91久久精品国产一区二区成人| 妹子高潮喷水视频| 国产男女超爽视频在线观看| 99热网站在线观看| 亚洲欧美清纯卡通| 国产淫语在线视频| 婷婷色麻豆天堂久久| 一级毛片久久久久久久久女| 亚洲精品国产av蜜桃| 性高湖久久久久久久久免费观看| 最黄视频免费看| 大片免费播放器 马上看| 久久国产精品男人的天堂亚洲 | 永久网站在线| 国产亚洲欧美精品永久| a 毛片基地| 国产毛片在线视频| 精品国产三级普通话版| 精品久久久久久久末码| 精品一区二区三卡| 男女边摸边吃奶| 国产精品爽爽va在线观看网站| 麻豆乱淫一区二区| 国产男女超爽视频在线观看| 97超视频在线观看视频| 春色校园在线视频观看| 亚洲人成网站在线观看播放| 日本与韩国留学比较| 亚洲色图综合在线观看| 国产久久久一区二区三区| 久久久久久久久久久免费av| 亚洲国产av新网站| 2021少妇久久久久久久久久久| 国产成人a区在线观看| 永久免费av网站大全| 亚洲欧洲日产国产| 三级国产精品片| 色综合色国产| 十分钟在线观看高清视频www | 亚洲伊人久久精品综合| 日本一二三区视频观看| a级一级毛片免费在线观看| av网站免费在线观看视频| 多毛熟女@视频| 麻豆乱淫一区二区| 高清视频免费观看一区二区| 最黄视频免费看| 在现免费观看毛片| 精品视频人人做人人爽| 蜜臀久久99精品久久宅男| 亚洲欧美日韩卡通动漫| 97在线人人人人妻| 国产高潮美女av| 一级毛片久久久久久久久女| 18禁动态无遮挡网站| 1000部很黄的大片| 噜噜噜噜噜久久久久久91| 狠狠精品人妻久久久久久综合| 精品熟女少妇av免费看| 国产精品欧美亚洲77777| 妹子高潮喷水视频| 亚洲成色77777| 九色成人免费人妻av| 极品教师在线视频| 精品一区二区免费观看| 欧美zozozo另类| 国产色爽女视频免费观看| 精品熟女少妇av免费看| 噜噜噜噜噜久久久久久91| 精品99又大又爽又粗少妇毛片| 国产成人精品久久久久久| 精品一区在线观看国产| 亚洲成人一二三区av| 黄色一级大片看看| 久久久久久伊人网av| 亚洲国产精品成人久久小说| 免费大片黄手机在线观看| av又黄又爽大尺度在线免费看| 热re99久久精品国产66热6| 全区人妻精品视频| 青青草视频在线视频观看| 国产高清三级在线| 免费观看a级毛片全部| 亚洲国产色片| 久久久久久久久久久免费av| 亚洲精品国产成人久久av| 亚洲av在线观看美女高潮| 国产真实伦视频高清在线观看| 男人和女人高潮做爰伦理| 久久久久国产网址| 黑人猛操日本美女一级片| 伊人久久国产一区二区| 久久久午夜欧美精品| 国语对白做爰xxxⅹ性视频网站| 欧美高清成人免费视频www| 亚洲av.av天堂| 欧美3d第一页| 人妻夜夜爽99麻豆av| av在线播放精品| 成年女人在线观看亚洲视频| 久久精品久久久久久噜噜老黄| 国产69精品久久久久777片| 午夜福利在线观看免费完整高清在| 欧美日韩国产mv在线观看视频 | 亚洲av电影在线观看一区二区三区| 国产 一区 欧美 日韩| 中文欧美无线码| 97精品久久久久久久久久精品| 午夜福利网站1000一区二区三区| 91久久精品国产一区二区三区| av线在线观看网站| 亚洲精品久久久久久婷婷小说| 最近手机中文字幕大全| 亚洲久久久国产精品| av又黄又爽大尺度在线免费看| 国产亚洲一区二区精品| 国产精品久久久久久久电影| 欧美性感艳星| 国产日韩欧美在线精品| 日本午夜av视频| 欧美精品亚洲一区二区| 亚洲成人av在线免费| 亚洲av电影在线观看一区二区三区| 中文在线观看免费www的网站| 久久av网站| 成人免费观看视频高清| 黑人猛操日本美女一级片| 精品亚洲乱码少妇综合久久| 国产精品无大码| 国产成人aa在线观看| 大陆偷拍与自拍| 国产综合精华液| 夜夜爽夜夜爽视频| 日韩伦理黄色片| 亚洲人与动物交配视频| 全区人妻精品视频| 久久 成人 亚洲| 人人妻人人看人人澡| 久久久久久伊人网av| 国产精品伦人一区二区| 精品人妻偷拍中文字幕| 99久久综合免费| 看免费成人av毛片| 97在线视频观看| 国产高清三级在线| 精品国产乱码久久久久久小说| 午夜激情福利司机影院| 亚洲国产高清在线一区二区三| 一区二区三区四区激情视频| 亚洲人成网站在线观看播放| 亚洲国产精品专区欧美| 欧美丝袜亚洲另类| av.在线天堂| 在线观看免费高清a一片| 尾随美女入室| 中文精品一卡2卡3卡4更新| 国产在线一区二区三区精| 国产真实伦视频高清在线观看| 国产精品久久久久久精品电影小说 | 中文资源天堂在线| 欧美精品国产亚洲| 尤物成人国产欧美一区二区三区| 哪个播放器可以免费观看大片| 国产 精品1| 亚洲电影在线观看av| 嫩草影院入口| 亚洲在久久综合| 国产视频首页在线观看| 国产精品av视频在线免费观看| 男人爽女人下面视频在线观看| 少妇高潮的动态图| 久久综合国产亚洲精品| 国产精品国产av在线观看| 亚洲精品色激情综合| 亚洲美女搞黄在线观看| 亚洲欧美日韩无卡精品| 99热6这里只有精品| 国产高潮美女av| 高清欧美精品videossex| 网址你懂的国产日韩在线| 欧美一区二区亚洲| 99久久精品一区二区三区| 国产精品国产三级国产av玫瑰| 亚洲精品国产av蜜桃| 亚洲天堂av无毛| 少妇熟女欧美另类| 欧美精品一区二区大全| 我要看黄色一级片免费的| 熟女电影av网| 高清不卡的av网站| 在线精品无人区一区二区三 | 联通29元200g的流量卡| 久久久成人免费电影| 免费黄网站久久成人精品| 五月伊人婷婷丁香| 热re99久久精品国产66热6| 纵有疾风起免费观看全集完整版| av国产久精品久网站免费入址| 国产黄片美女视频| 久久精品久久精品一区二区三区| 日韩制服骚丝袜av| 婷婷色av中文字幕| 亚洲精品视频女| 亚洲四区av| av.在线天堂| 中文字幕精品免费在线观看视频 | 精品熟女少妇av免费看| 日本欧美国产在线视频| 成人亚洲欧美一区二区av| 少妇猛男粗大的猛烈进出视频| 欧美激情国产日韩精品一区| 成人影院久久| 另类亚洲欧美激情| 狂野欧美激情性xxxx在线观看| 秋霞伦理黄片| 亚洲内射少妇av| av专区在线播放| 亚洲内射少妇av| 日韩电影二区| 国产国拍精品亚洲av在线观看| 亚洲三级黄色毛片| 国产成人精品婷婷| 成人综合一区亚洲| 国产男人的电影天堂91| 国产色婷婷99| 一级片'在线观看视频| 国产色婷婷99| 有码 亚洲区| 日韩电影二区| 色哟哟·www| av视频免费观看在线观看| 久久久精品94久久精品| 午夜免费观看性视频| 高清av免费在线| 国产成人精品一,二区| xxx大片免费视频| 在线观看免费视频网站a站| 欧美国产精品一级二级三级 | 国产精品麻豆人妻色哟哟久久| 99热网站在线观看| av黄色大香蕉| 一本—道久久a久久精品蜜桃钙片| 在线观看人妻少妇| av又黄又爽大尺度在线免费看| 欧美一级a爱片免费观看看| 自拍欧美九色日韩亚洲蝌蚪91 | 99久久精品一区二区三区| 国产精品爽爽va在线观看网站| 日韩在线高清观看一区二区三区| 在线观看国产h片| 欧美人与善性xxx| 91在线精品国自产拍蜜月| 国产在线免费精品| 卡戴珊不雅视频在线播放| 女人久久www免费人成看片| 欧美zozozo另类| 伦理电影大哥的女人| 欧美xxxx黑人xx丫x性爽| 日本免费在线观看一区| 色婷婷久久久亚洲欧美| 欧美精品人与动牲交sv欧美| 一级黄片播放器| 街头女战士在线观看网站| 亚洲精品456在线播放app| 中文欧美无线码| 中文字幕免费在线视频6| 最近最新中文字幕免费大全7| 欧美97在线视频| 伦理电影免费视频| 日韩成人伦理影院| 亚洲精品久久午夜乱码| 精品酒店卫生间| 能在线免费看毛片的网站| 午夜福利网站1000一区二区三区| 少妇人妻精品综合一区二区| 日本av免费视频播放| 内地一区二区视频在线| 亚洲av男天堂| 欧美97在线视频| 狂野欧美激情性xxxx在线观看| 国产毛片在线视频| 亚洲,一卡二卡三卡| 99精国产麻豆久久婷婷| 中文乱码字字幕精品一区二区三区| 亚洲精品自拍成人|