• <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 ?

    基于樣本和特征搜索空間不斷縮小的模糊粗糙集特征選擇

    2021-11-08 03:05:22楊燕燕李翔宇杜晨曦李懿恒
    關(guān)鍵詞:特征

    楊燕燕,張 曉,李翔宇,杜晨曦,李懿恒

    (1.北京交通大學(xué) 軟件學(xué)院,北京 100044;2.西安理工大學(xué) 理學(xué)院,西安 710048)

    0 引 言

    隨著信息與通信技術(shù)的迅猛發(fā)展,人們收集、存儲(chǔ)、傳輸和管理數(shù)據(jù)的能力日益提高,使得各行各業(yè)積累了大量高維、海量數(shù)據(jù)[1]。這些高維海量數(shù)據(jù)中往往存在大量的冗余特征,這不僅增加了計(jì)算機(jī)的存儲(chǔ)成本,還對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)算法的性能和效率帶來(lái)了嚴(yán)峻挑戰(zhàn)。特征選擇[2-3]是機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘中處理高維數(shù)據(jù)的主流技術(shù)之一,其主要操作是通過(guò)特定的特征估計(jì)度量和搜索策略,移除冗余以及不相關(guān)的特征為構(gòu)建好的預(yù)測(cè)模型選擇一個(gè)緊湊的、有信息量的特征子集[4-6]。理論和實(shí)踐表明,在執(zhí)行分類任務(wù)之前,對(duì)高維數(shù)據(jù)進(jìn)行特征選擇可有效提高學(xué)習(xí)算法的可解釋性、縮短學(xué)習(xí)算法的訓(xùn)練時(shí)間,并通過(guò)降低過(guò)擬合來(lái)提高學(xué)習(xí)算法的泛化性能[7]。目前,特征選擇已經(jīng)成為機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘領(lǐng)域中的一個(gè)研究熱點(diǎn),引起了學(xué)術(shù)界和企業(yè)界的廣泛關(guān)注,并已成功應(yīng)用于圖像識(shí)別[8]、圖像檢索[9]、文本挖掘[10]、生物數(shù)據(jù)分析[11]、故障診斷[12]等眾多應(yīng)用領(lǐng)域。

    模糊粗糙集[13-14]通過(guò)模糊信息粒化的方式為特征選擇提供了一種有效的方法[15-16]。作為經(jīng)典粗糙集模型[17]的推廣,它是一種處理數(shù)值集中樣本之間的不可辨識(shí)性和模糊性的有力數(shù)學(xué)工具。模糊粗糙集利用模糊相似關(guān)系來(lái)描述樣本之間的相似性,刻畫(huà)了數(shù)值數(shù)據(jù)中條件屬性(特征)與決策標(biāo)簽之間的不一致性。這種不一致性表現(xiàn)為2個(gè)樣本具有相同或相似的條件屬性取值,卻有不同的決策標(biāo)簽,其可通過(guò)模糊粗糙集的下近似對(duì)每個(gè)樣本關(guān)于其決策標(biāo)簽指派一個(gè)隸屬度來(lái)進(jìn)行度量[18]。通過(guò)保持每個(gè)樣本的這一隸屬度不變,模糊粗糙集特征選擇,也叫屬性約簡(jiǎn),就能刪去冗余或者不相關(guān)的條件特征以獲取一個(gè)有信息量的特征子集。

    近年來(lái),模糊粗糙集特征選擇的研究已經(jīng)取得了豐碩的成果,出現(xiàn)了各種各樣的模糊粗糙集特征選擇算法[19-23]。這些算法可分為基于測(cè)度的啟發(fā)式算法和基于區(qū)分能力的結(jié)構(gòu)化方法。其中,基于區(qū)分能力的結(jié)構(gòu)化方法以辨識(shí)矩陣的方法為典型代表,從樣本之間的區(qū)分能力的角度構(gòu)造了屬性約簡(jiǎn)方法。模糊粗糙集辨識(shí)矩陣的思想首次由文獻(xiàn)[15]引入,其利用辨識(shí)矩陣的方法研究了屬性約簡(jiǎn)的本質(zhì),設(shè)計(jì)了計(jì)算一個(gè)約簡(jiǎn)的辨識(shí)矩陣算法。然而,該辨識(shí)矩陣的方法需要占據(jù)大量的內(nèi)存,并不適用于大規(guī)模數(shù)據(jù)。鑒于此,文獻(xiàn)[24]提出了基于極小元素的模糊粗糙集特征選擇算法,該算法極大減少了運(yùn)行時(shí)間同時(shí)節(jié)省了大量的內(nèi)存空間。利用文獻(xiàn)[24]中的相對(duì)辨識(shí)關(guān)系的定義,文獻(xiàn)[25-26]構(gòu)造了基于相對(duì)辨識(shí)關(guān)系的模糊粗糙集特征選擇算法。

    基于測(cè)度的啟發(fā)式算法主要借助前向搜索的方式,通過(guò)保持?jǐn)?shù)據(jù)集的模糊依賴函數(shù)或模糊信息熵等特征估計(jì)測(cè)度不變來(lái)獲取該數(shù)據(jù)集的最優(yōu)特征子集。比如,最早提出模糊粗糙集屬性約簡(jiǎn)概念的文獻(xiàn)[27]將經(jīng)典粗糙集中保持依賴函數(shù)不變的思想平移到模糊粗糙集的框架中,設(shè)計(jì)了一個(gè)模糊粗糙集特征選擇的快速算法。然而,文獻(xiàn)[15]指出,文獻(xiàn)[27]所提算法是不收斂的,這對(duì)特征選擇的執(zhí)行帶來(lái)了諸多問(wèn)題。文獻(xiàn)[28-29]用模糊熵的概念刻畫(huà)了特征的重要性,進(jìn)而提出了基于模糊熵的特征選擇算法。通過(guò)改進(jìn)文獻(xiàn)[28]中模糊條件熵的定義,文獻(xiàn)[30]定義了λ-條件熵,并提出了基于該模糊熵的filter-wrapper算法。文獻(xiàn)[31]在所提出的擬合模糊粗糙集模型下定義了模糊依賴函數(shù),并設(shè)計(jì)了一個(gè)擬合模糊粗糙集特征選擇的前向啟發(fā)式算法。文獻(xiàn)[32]定義了特征子集的鄰域區(qū)分索引,基于此度量設(shè)計(jì)了一個(gè)數(shù)值數(shù)據(jù)的特征選擇算法。文獻(xiàn)[33]定義了模糊粗糙集自信息,并設(shè)計(jì)了一個(gè)基于模糊自信息的特征選擇算法。

    上述2類模糊粗糙集特征選擇算法不僅具有豐富的理論,也在實(shí)踐中表現(xiàn)出了良好的性能。但是,在確定每一個(gè)最優(yōu)候選特征的過(guò)程中,它們都需要遍歷數(shù)據(jù)集的所有樣本來(lái)計(jì)算每個(gè)候選特征加入后的特征估計(jì)測(cè)度,如依賴函數(shù)、信息熵等。事實(shí)上,并不需要借助數(shù)據(jù)集的所有樣本來(lái)確定一個(gè)最佳候選特征,這便需要借助樣本篩選策略,文獻(xiàn)[34-35]已經(jīng)研究過(guò)樣本篩選的機(jī)制,但是它們卻致力于增量特征選擇算法,這不是本文的研究范疇。另外,在每次迭代過(guò)程中,上述算法也都需要遍歷所有剩余的候選特征來(lái)確定一個(gè)最佳候選特征。事實(shí)上,有些候選特征可能是冗余的,對(duì)特征選擇過(guò)程不起任何作用。通過(guò)這2方面的分析,上述2類模糊粗糙集特征選擇算法還不夠高效?;谶@2個(gè)動(dòng)機(jī),本文通過(guò)研究樣本篩選機(jī)制和特征搜索準(zhǔn)則,在每次確定一個(gè)最佳候選特征后,縮小樣本和特征的搜索范圍,構(gòu)造一個(gè)新的模糊粗糙集特征選擇算法。在UCI機(jī)器學(xué)習(xí)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果也表明該算法的有效性和時(shí)間高效性。

    1 基于依賴函數(shù)的模糊粗糙集特征選擇

    本節(jié)簡(jiǎn)要介紹基于TM-相似關(guān)系的模糊粗糙集模型、正域、依賴函數(shù)及其特征選擇等相關(guān)概念。

    1.1 模糊粗糙集

    設(shè)U是一個(gè)非空論域,F(xiàn)(U×U)是U×U上的模糊冪集。R∈F(U×U)是U×U上的模糊二元關(guān)系。如果對(duì)任意x,y,z∈U,R是自反、對(duì)稱、TM傳遞的,則稱R是U上的一個(gè)模糊等價(jià)關(guān)系。

    文獻(xiàn)[13]首次定義了如下模糊粗糙集的概念。

    定義1[13]設(shè)U是非空論域,R是U上的一個(gè)模糊等價(jià)關(guān)系,X∈F(U)。對(duì)任意x∈U,X的模糊下、上近似算子分別定義為

    基于上述模糊粗糙集,學(xué)者們構(gòu)造了幾類廣義模糊粗糙集模型,有興趣的學(xué)者可參閱文獻(xiàn)[36-37]。本文的研究工作是在定義1的基礎(chǔ)上展開(kāi)的。

    1.2 模糊粗糙集特征選擇

    本文用模糊決策表(U,A∪D)來(lái)表示一個(gè)數(shù)值或者混合數(shù)據(jù)集,其中U={x1,…,xn}是數(shù)據(jù)集中所有樣本的集合,A是數(shù)據(jù)集中描述樣本的所有特征構(gòu)成的集合,D=j5i0abt0b是決策特征的集合,用于確定數(shù)據(jù)中樣本的標(biāo)簽或者類別。因此,U中的每個(gè)樣本x可由特征集合A描述,d(x)是樣本x的標(biāo)簽。

    性質(zhì)1[38]設(shè)(U,A∪D)是模糊決策表,B?A。任意x∈U對(duì)其自身決策類[x]D的下、上近似隸屬度可簡(jiǎn)化為

    樣本x屬于其自身決策類下近似的隸屬度取值為[0,1],它與x屬于模糊正域的隸屬度之間有下列關(guān)系。

    樣本x屬于B的模糊正域的隸屬度實(shí)質(zhì)上是x對(duì)其自身決策類下近似的隸屬度。

    依賴函數(shù)取值于[0,1],它的幾何含義可解釋為論域中所有樣本到其異類樣本最小距離的平均。模糊依賴函數(shù)也表明特征子集B對(duì)決策的擬合程度。

    定義4[28,39]設(shè)(U,A∪D)是模糊決策表,P?A是決策表的一個(gè)約簡(jiǎn)或最優(yōu)特征子集,若它滿足:

    定義4中的條件1)表明約簡(jiǎn)能保持決策表的依賴函數(shù);條件2)表明約簡(jiǎn)是保持決策表依賴函數(shù)不變的極小特征子集,即從約簡(jiǎn)中刪去任何一個(gè)特征都不能保持決策表的依賴函數(shù)不變。

    性質(zhì)2[39]設(shè)(U,A∪D)是模糊決策表,B?C?A,則有

    性質(zhì)2表明隨著特征集合的增加,模糊決策表的正域和依賴函數(shù)單調(diào)遞增。這一結(jié)論是構(gòu)造特征選擇算法的理論基礎(chǔ)。文獻(xiàn)[39-40],已經(jīng)給出基于模糊依賴函數(shù)的特征選擇算法的具體形式,為了便于實(shí)驗(yàn)比較,本文重新闡述基于依賴函數(shù)的模糊粗糙集特征選擇算法(用DFFS表示)。該算法從空集開(kāi)始,逐步選擇一個(gè)使得依賴函數(shù)增加最大的候選特征,并將其加入當(dāng)前所選特征子集中,直至數(shù)據(jù)集的模糊依賴函數(shù)保持不變。該算法的偽代碼如下。

    算法1DFFS算法

    輸入:決策表(U,A∪D)。

    輸出:約簡(jiǎn)P。

    For eachai∈A-P

    End for

    End while

    ④輸出約簡(jiǎn)P并終止算法。

    在每次迭代過(guò)程中,該算法的步驟③都需遍歷數(shù)據(jù)集的所有樣本來(lái)計(jì)算每個(gè)可能的候選特征加入后的依賴函數(shù),進(jìn)而從所有剩余候選特征中確定一個(gè)最佳特征。這種搜索模式必須借助于數(shù)據(jù)集的所有樣本和當(dāng)前所有剩余特征。當(dāng)處理海量高維數(shù)據(jù)時(shí),這種搜索模式常常需要花費(fèi)大量運(yùn)行時(shí)間。因此,為節(jié)省計(jì)算模糊粗糙集特征選擇的計(jì)算成本,本文進(jìn)行了深入研究。

    2 基于樣本和特征搜索空間不斷縮減的模糊粗糙集特征選擇算法

    本節(jié)提出了一種基于樣本和特征搜索空間不斷縮減的模糊粗糙集特征選擇算法(用SSFFS表示該算法)。首先,基于性質(zhì)2中樣本對(duì)其自身決策類下近似隸屬度單調(diào)遞增的特性,構(gòu)造樣本篩選機(jī)制,用以篩除決策類下近似已被當(dāng)前所選特征子集保持的樣本,這些樣本將不參與后續(xù)特征選擇過(guò)程中依賴函數(shù)的計(jì)算。其次,定義特征冗余性的概念,設(shè)計(jì)特征搜索準(zhǔn)則,用以移除已被判定為冗余的特征,在后續(xù)特征選擇的過(guò)程中將不再搜索這些特征。最后,通過(guò)融合樣本篩選機(jī)制和特征搜索準(zhǔn)則,相應(yīng)的模糊粗糙集特征選擇算法得以設(shè)計(jì)。

    根據(jù)性質(zhì)2,有下列結(jié)論。

    該定理表明,若當(dāng)前所選特征子集B能保持樣本x對(duì)其自身決策類下近似的隸屬度,則在特征選擇的后續(xù)過(guò)程中,可不用再計(jì)算該樣本對(duì)正域的隸屬度,這樣的操作可節(jié)省樣本空間的搜索范圍。于是,就有了樣本篩選機(jī)制。

    定義5表明,若加入候選特征a到B不能使依賴函數(shù)增加,則a相對(duì)于B是冗余的。

    類似上述的推導(dǎo),有

    該引理表明在特征選擇過(guò)程中,若一個(gè)候選特征的加入不增加樣本的正域,則在后續(xù)特征選擇過(guò)程中,該候選特征的加入依然不增加該樣本的正域。

    定理2對(duì)于a∈A-B,若a關(guān)于特征子集B是冗余的,則對(duì)任意C?B,a關(guān)于特征子集C也是冗余的。

    該定理表明,在特征選擇的早期過(guò)程,已經(jīng)被判定為冗余的特征在后續(xù)特征選擇的過(guò)程中仍然是冗余的。因此,在特征選擇的過(guò)程中,可不搜索這些冗余特征,從而能節(jié)省特征選擇的運(yùn)行時(shí)間?;诙ɡ?,本文給出如下特征搜索準(zhǔn)則。

    通過(guò)上述樣本篩選機(jī)制和特征搜索準(zhǔn)則,本文設(shè)計(jì)了基于樣本和特征空間搜索范圍不斷縮減的模糊粗糙集特征選擇算法,簡(jiǎn)記作SSFFS算法。

    算法的思路如下:從空集P開(kāi)始,將剩余特征集合left中的每個(gè)特征加入P中,計(jì)算每個(gè)候選特征加入后的依賴函數(shù);將依賴函數(shù)增加最多的特征選作最佳的候選特征,并將其放入P中;計(jì)算最佳候選特征加入后的冗余樣本集合fs(P)和冗余特征集合rf(P);在確定下一個(gè)最佳特征時(shí),只需計(jì)算剩余候選特征集合A-P-rf(P)(而不是A-P)中每個(gè)特征加入后,U-fs(P)(而不是U中每個(gè)樣本的正域)中每個(gè)樣本的正域。通過(guò)重復(fù)上述步驟,當(dāng)剩余樣本的個(gè)數(shù)為0或者剩余特征個(gè)數(shù)為0,算法就終止,從而得出數(shù)據(jù)集的一個(gè)約簡(jiǎn)。

    具體算法如算法2。

    算法2SSFFS算法

    輸入:決策表(U,A∪D)。

    輸出:約簡(jiǎn)P。

    //*集合S是篩除冗余樣本后所剩樣本的集合;集合left是刪去冗余特征和最佳候選特征后所剩特征的集合。*/

    ③WhileS≠φandleft≠φdo

    For eachai∈left

    For eachxj∈S

    //*計(jì)算集合S中每個(gè)樣本的正域*/

    End for

    End for

    End while

    ④輸出約簡(jiǎn)P并終止算法。

    算法2能快速計(jì)算一個(gè)數(shù)據(jù)集的約簡(jiǎn)。步驟②與算法1的步驟②一樣,都是計(jì)算U中每個(gè)樣本的正域,并計(jì)算依賴函數(shù),其復(fù)雜度為O(|U|2|A|)。步驟③每次將已刪去冗余特征后的特征集合left中每個(gè)特征加入P,計(jì)算篩除冗余樣本后的集合S中每個(gè)樣本的正域,進(jìn)而確定一個(gè)最佳候選特征,這種方式可有效縮減樣本和特征空間的搜索范圍,其復(fù)雜度為O(|left|(|P|+1)|S||U|)。而算法1中步驟②的復(fù)雜度為O(|A-P|(|P|+1)|U||U|)。顯然,|S|<|U|,|left|<|A-P|,故O(|left|(|P|+1)·|S||U|)

    3 實(shí)驗(yàn)結(jié)果與分析

    為了驗(yàn)證本文所提出的SSFFS算法的有效性和時(shí)間高效性,本節(jié)在8個(gè)UCI數(shù)據(jù)集上比較SSFFS算法與DFFS算法、RDRAR算法[25]、HANDI算法[32]。下面給出具體的實(shí)驗(yàn)設(shè)置與結(jié)果分析。

    3.1 實(shí)驗(yàn)設(shè)置

    實(shí)驗(yàn)所用的具體運(yùn)行環(huán)境配置如下:Intel(R)Core(TM)i7-7700 CPU @ 3.60GHz 3.60GHz(2 processors), 64.0GB。運(yùn)行的軟件環(huán)境為:Matlab R2018b。實(shí)驗(yàn)選取的8個(gè)數(shù)據(jù)集均來(lái)源于UCI機(jī)器學(xué)習(xí)數(shù)據(jù)庫(kù)(1)http://archive.ics.uci.edu/ml/index.php,詳見(jiàn)表1。

    表1 實(shí)驗(yàn)數(shù)據(jù)集

    對(duì)表1中的每個(gè)數(shù)據(jù)集,采用十折交叉驗(yàn)證法得到實(shí)驗(yàn)結(jié)果。具體地,所有樣本被均分為10份,每份輪流作為測(cè)試集,剩下的9份作為訓(xùn)練集。對(duì)任意一個(gè)訓(xùn)練集中的特征,定義一個(gè)模糊等價(jià)關(guān)系Ra(xi,xj)=1-|a(xi)-a(xj)|,其中,xi和xj是該訓(xùn)練集中的樣本。

    在每個(gè)訓(xùn)練數(shù)據(jù)集上,使用特征選擇算法得到相應(yīng)的最有特征子集。在約簡(jiǎn)后的訓(xùn)練集上使用Matlab自帶的KNN訓(xùn)練分類器,其中分類器的參數(shù)均為默認(rèn)設(shè)置。將訓(xùn)練好的分類器作用于約簡(jiǎn)后的測(cè)試集,得到相應(yīng)的分類精度。這個(gè)過(guò)程對(duì)每一對(duì)訓(xùn)練集和測(cè)試集都執(zhí)行一次,因而最終報(bào)告的實(shí)驗(yàn)結(jié)果是10次實(shí)驗(yàn)結(jié)果的平均值。

    本實(shí)驗(yàn)將比較如下指標(biāo)。

    2)所選特征個(gè)數(shù)。每個(gè)特征選擇算法在10個(gè)訓(xùn)練數(shù)據(jù)集上所選特征的平均個(gè)數(shù)。

    3)分類精度。KNN分類器在約簡(jiǎn)后的測(cè)試數(shù)據(jù)集上的平均分類精度。

    3.2 實(shí)驗(yàn)結(jié)果

    首先給出SSFFS算法、DFFS算法、HANDI算法和RDRAR算法在每個(gè)數(shù)據(jù)集上的平均運(yùn)行時(shí)間、所選特征個(gè)數(shù)、平均KNN分類精度;接著,證實(shí)SSFFS算法確實(shí)在特征選擇的每次迭代過(guò)程中都能刪去冗余的樣本和冗余的特征,從而說(shuō)明它確實(shí)在幾乎每次迭代時(shí)都能減少樣本和特征的搜索空間。

    表2列出了4個(gè)算法SSFFS、DFFS、HANDI和RDRAR在每個(gè)數(shù)據(jù)集上的平均運(yùn)行時(shí)間,即每個(gè)特征選擇算法在每個(gè)數(shù)據(jù)集對(duì)應(yīng)的10個(gè)訓(xùn)練數(shù)據(jù)子集上的平均運(yùn)行時(shí)間。從表2可以看出,在每個(gè)所選數(shù)據(jù)集上,SSFFS算法都比DFFS算法、HANDI算法和RDRAR算法快。具體地,在數(shù)據(jù)集Anneal上,SSFFS算法的運(yùn)行時(shí)間分別是DFFS算法的運(yùn)行時(shí)間的7.198 3%、HANDI算法的24.15%、RDRAR算法的31.19%。在高維數(shù)據(jù)集Gearbox上,SSFFS算法的運(yùn)行時(shí)間僅是DFFS算法的運(yùn)行時(shí)間的2.4%、HANDI算法的10.71%、RDRAR算法的28.74%。在大規(guī)模數(shù)據(jù)集Thyroid上,SSFFS算法的運(yùn)行時(shí)間下降至DFFS算法的3.8%、HANDI算法的7.91%、RDRAR算法的4.26%。這些事實(shí)表明,與DFFS算法、HANDI算法和RDRAR算法相比,SSFFS算法可在最短的時(shí)間內(nèi)獲取一個(gè)最佳特征子集。其主要原因在于,所提SSFFS算法的核心在于能在每次迭代的過(guò)程中縮小樣本空間和特征空間的搜索范圍,這種雙向縮小范圍的搜索模式可極大提高特征選擇的計(jì)算效率。

    表2 不同特征選擇算法的運(yùn)行時(shí)間

    表3列出了4個(gè)特征選擇算法在每個(gè)數(shù)據(jù)集上所選特征的個(gè)數(shù),其中Raw data表示原始數(shù)據(jù)集中特征的個(gè)數(shù)。從表3可看出,所提SSFFS算法在8個(gè)數(shù)據(jù)集上所選特征的平均個(gè)數(shù)僅為8,明顯小于原始數(shù)據(jù)集的平均特征個(gè)數(shù)39.6。SSFFS算法所選特征的平均個(gè)數(shù)也小于算法HANDI算法(平均個(gè)數(shù)為8.7)、DFFS算法(平均個(gè)數(shù)為26.4)以及RDRAR(平均個(gè)數(shù)為33.8)。這些實(shí)驗(yàn)結(jié)果表明,所提SSFFS算法能刪去更多冗余特征。為了說(shuō)明SSFFS算法對(duì)分類器性能的有效性,表4列出了每個(gè)數(shù)據(jù)集的KNN預(yù)測(cè)精度,其中Raw是KNN分類器在原始數(shù)據(jù)集上的分類精度。從表4可看出,SSFFS算法具有最高的平均分類精度0.908,其次是RDRAR算法的分類精度0.906 6,接著是DFFS算法的分類精度0.905 4,最后是HANDI算法的分類精度0.889 7。它們都比原始數(shù)據(jù)集的平均分類精度高(為0.874 8)。這一結(jié)果說(shuō)明特征選擇確實(shí)可以改進(jìn)學(xué)習(xí)算法的性能。

    表3 不同特征選擇算法的所選特征的個(gè)數(shù)

    表4 不同特征選擇算法的KNN平均分類精度

    表2—表4表明,本文所提SSFFS算法不僅能快速地從數(shù)據(jù)集中選擇最有特征子集,也能有效減少冗余特征并能改善學(xué)習(xí)算法的分類性能。

    圖1給出了SSFFS算法在每次迭代的時(shí)候,刪去冗余樣本和冗余特征的個(gè)數(shù)。從圖1能看出,SSFFS算法幾乎在每次迭代時(shí)都能移除冗余樣本和特征。比如在數(shù)據(jù)集Anneal上,一共執(zhí)行了4次迭代,每次迭代時(shí)分別移除了7,24,3,0個(gè)特征,同時(shí)每次迭代時(shí)分別移除了108,90,63,85個(gè)樣本。在數(shù)據(jù)集Park上,一共執(zhí)行了2次迭代,第1次迭代時(shí)移除了2個(gè)特征,324個(gè)樣本,第2次迭代時(shí)移除了24個(gè)特征,298個(gè)樣本。在大規(guī)模數(shù)據(jù)集Thyroid上,SSFFS算法一共執(zhí)行2次循環(huán),第1次循環(huán)時(shí)刪去了20個(gè)特征和28個(gè)樣本,第2次循環(huán)時(shí)刪去了7個(gè)特征和880個(gè)樣本。這些結(jié)果證實(shí),所提SSFFS算法確實(shí)在幾乎每次迭代過(guò)程中都能移除冗余樣本和冗余特征,能有效地減少樣本和特征的搜索范圍,從而極大地提高了特征選擇的計(jì)算效率。

    圖1 每次迭代時(shí)SSFFS算法移除樣本和特征的個(gè)數(shù)

    4 結(jié) 論

    本文提出了一種基于樣本和特征空間搜索范圍不斷縮減的模糊粗糙集特征選擇算法,該算法的核心思想是樣本篩選機(jī)制和特征搜索準(zhǔn)則的構(gòu)造。具體地,本文首先利用每個(gè)樣本的正域隨特征單調(diào)遞增的性質(zhì),構(gòu)造了樣本篩選機(jī)制,用以篩去正域已能被當(dāng)前所選特征子集保持的樣本。其次,本文采用特征冗余的概念,構(gòu)造了特征搜索準(zhǔn)則,用以刪去不能使當(dāng)前所選特征子集依賴函數(shù)增加的特征。接著,將樣本篩選機(jī)制和特征搜索準(zhǔn)則相融合,提出了SSFFS算法。實(shí)驗(yàn)結(jié)果表明SSFFS算法的有效性和高效性,SSFFS算法在每次迭代的過(guò)程中都能有效減少樣本和特征的搜索范圍。

    本文的研究工作在基于TM-模糊粗糙集模型的基礎(chǔ)上展開(kāi)的,下一步可以在廣義模糊粗糙集模型上作進(jìn)一步驗(yàn)證和研究。具體如下:①將本文的研究思想推廣至廣義粗糙集模型,構(gòu)建廣義粗糙集模型特征選擇的快速算法;②本文的研究集中于數(shù)值數(shù)據(jù)集或者混合數(shù)據(jù)集的處理,并未涉及更復(fù)雜的數(shù)據(jù)集,諸如缺失數(shù)據(jù)、集合值數(shù)據(jù)、文本數(shù)據(jù)、圖片數(shù)據(jù)等,因此,后續(xù)研究也可以把本文的核心思想用于處理更加復(fù)雜的數(shù)據(jù)集,從而建立新的特征選擇快速算法;③特征選擇算法的穩(wěn)定性并未涉及,未來(lái)對(duì)其展開(kāi)研究,將形成特征選擇穩(wěn)定性的豐富理論。

    猜你喜歡
    特征
    抓住特征巧觀察
    離散型隨機(jī)變量的分布列與數(shù)字特征
    具有兩個(gè)P’維非線性不可約特征標(biāo)的非可解群
    月震特征及與地震的對(duì)比
    如何表達(dá)“特征”
    被k(2≤k≤16)整除的正整數(shù)的特征
    不忠誠(chéng)的四個(gè)特征
    詈語(yǔ)的文化蘊(yùn)含與現(xiàn)代特征
    新聞傳播(2018年11期)2018-08-29 08:15:24
    抓住特征巧觀察
    基于特征篩選的模型選擇
    级片在线观看| 可以在线观看的亚洲视频| 淫秽高清视频在线观看| av视频在线观看入口| 久久精品国产亚洲av高清一级| 电影成人av| 窝窝影院91人妻| 国产成人一区二区三区免费视频网站| 一本久久中文字幕| 日本 欧美在线| 桃红色精品国产亚洲av| 国产欧美日韩一区二区精品| 日本vs欧美在线观看视频| 最新在线观看一区二区三区| 精品国内亚洲2022精品成人| 欧美亚洲日本最大视频资源| 天堂√8在线中文| 最近最新免费中文字幕在线| 欧美日韩亚洲国产一区二区在线观看| 免费无遮挡裸体视频| 黑人巨大精品欧美一区二区蜜桃| 黑丝袜美女国产一区| 波多野结衣一区麻豆| av天堂久久9| 国语自产精品视频在线第100页| 日本欧美视频一区| 91av网站免费观看| 操美女的视频在线观看| 国产成人精品久久二区二区免费| 精品电影一区二区在线| 国产午夜精品久久久久久| 香蕉国产在线看| 两个人看的免费小视频| 色婷婷久久久亚洲欧美| 精品一区二区三区视频在线观看免费| 天天一区二区日本电影三级 | 999精品在线视频| 色哟哟哟哟哟哟| 欧美乱码精品一区二区三区| 欧美最黄视频在线播放免费| 老司机福利观看| 亚洲天堂国产精品一区在线| 免费在线观看日本一区| 99精品在免费线老司机午夜| 大型黄色视频在线免费观看| 久久久久久大精品| 精品国产一区二区久久| 91九色精品人成在线观看| 韩国精品一区二区三区| 国产精品自产拍在线观看55亚洲| www国产在线视频色| 亚洲自偷自拍图片 自拍| 波多野结衣高清无吗| 国产精品日韩av在线免费观看 | 精品人妻1区二区| 亚洲av电影在线进入| 一进一出抽搐动态| 亚洲专区字幕在线| 亚洲美女黄片视频| 免费人成视频x8x8入口观看| 午夜久久久在线观看| 成人国产综合亚洲| 宅男免费午夜| 欧美日韩福利视频一区二区| 国产1区2区3区精品| 丝袜在线中文字幕| 日韩三级视频一区二区三区| 午夜免费激情av| 午夜久久久久精精品| 欧美精品亚洲一区二区| 岛国视频午夜一区免费看| 久久九九热精品免费| 亚洲在线自拍视频| 12—13女人毛片做爰片一| 国产精品一区二区三区四区久久 | 日韩一卡2卡3卡4卡2021年| 精品高清国产在线一区| 18禁观看日本| 国产免费av片在线观看野外av| 午夜a级毛片| 在线观看一区二区三区| 日韩成人在线观看一区二区三区| 午夜视频精品福利| 国产又色又爽无遮挡免费看| 少妇裸体淫交视频免费看高清 | 中文字幕精品免费在线观看视频| 亚洲国产欧美日韩在线播放| 精品国产美女av久久久久小说| 亚洲精品美女久久av网站| 国产精品九九99| 91精品三级在线观看| 久久久精品欧美日韩精品| av在线天堂中文字幕| 欧美成人性av电影在线观看| 满18在线观看网站| 日本 欧美在线| 99香蕉大伊视频| 免费在线观看黄色视频的| 久久久精品国产亚洲av高清涩受| 久久草成人影院| 亚洲欧美精品综合久久99| 在线播放国产精品三级| 亚洲情色 制服丝袜| 精品久久蜜臀av无| 国产精品久久电影中文字幕| 亚洲av片天天在线观看| 亚洲 欧美 日韩 在线 免费| 91成人精品电影| 午夜视频精品福利| 亚洲美女黄片视频| 搡老岳熟女国产| 黄色视频,在线免费观看| 中文字幕人妻熟女乱码| 精品第一国产精品| 在线十欧美十亚洲十日本专区| 午夜免费成人在线视频| 国产一区二区三区综合在线观看| 亚洲成av人片免费观看| 色综合欧美亚洲国产小说| 在线av久久热| 9191精品国产免费久久| 伊人久久大香线蕉亚洲五| 国产精品九九99| 欧美日韩乱码在线| 国产极品粉嫩免费观看在线| 亚洲情色 制服丝袜| 欧美绝顶高潮抽搐喷水| 成人av一区二区三区在线看| 亚洲成人精品中文字幕电影| 亚洲第一青青草原| 国产精品自产拍在线观看55亚洲| 1024视频免费在线观看| 在线观看日韩欧美| 国产激情久久老熟女| 久久久久久久久免费视频了| 成人精品一区二区免费| 欧美 亚洲 国产 日韩一| 亚洲专区中文字幕在线| 午夜福利18| 少妇被粗大的猛进出69影院| 91精品三级在线观看| 日韩视频一区二区在线观看| 18禁美女被吸乳视频| 一级,二级,三级黄色视频| 久9热在线精品视频| 国产亚洲欧美98| 久久伊人香网站| 淫妇啪啪啪对白视频| 亚洲国产欧美网| 9热在线视频观看99| 女同久久另类99精品国产91| 欧美亚洲日本最大视频资源| 亚洲美女黄片视频| 国产私拍福利视频在线观看| 国产伦人伦偷精品视频| 极品人妻少妇av视频| 啦啦啦观看免费观看视频高清 | 久久天堂一区二区三区四区| 长腿黑丝高跟| 午夜福利免费观看在线| 精品久久蜜臀av无| 欧美中文综合在线视频| 国产日韩一区二区三区精品不卡| 看黄色毛片网站| 欧美国产精品va在线观看不卡| 久久香蕉精品热| 人人妻,人人澡人人爽秒播| 国产蜜桃级精品一区二区三区| 国产一区二区在线av高清观看| 99国产精品一区二区蜜桃av| 亚洲五月婷婷丁香| 亚洲一区高清亚洲精品| 黑人欧美特级aaaaaa片| 亚洲国产日韩欧美精品在线观看 | 99riav亚洲国产免费| 日韩一卡2卡3卡4卡2021年| 中文字幕最新亚洲高清| 国产亚洲精品一区二区www| 麻豆成人av在线观看| 亚洲 国产 在线| 男女下面进入的视频免费午夜 | 久久久久亚洲av毛片大全| 欧美黑人精品巨大| 免费高清视频大片| 51午夜福利影视在线观看| 禁无遮挡网站| 免费不卡黄色视频| 人妻丰满熟妇av一区二区三区| 亚洲精品中文字幕在线视频| 欧美激情 高清一区二区三区| 久久久久久久精品吃奶| 国产亚洲欧美精品永久| 黑人巨大精品欧美一区二区mp4| 精品乱码久久久久久99久播| 51午夜福利影视在线观看| 欧美乱妇无乱码| 日日爽夜夜爽网站| 国产精品影院久久| 天天添夜夜摸| 99精品久久久久人妻精品| 在线观看舔阴道视频| 亚洲国产高清在线一区二区三 | 欧美久久黑人一区二区| 免费无遮挡裸体视频| 人人妻人人澡欧美一区二区 | 日韩欧美国产在线观看| 9191精品国产免费久久| 中文亚洲av片在线观看爽| 亚洲自拍偷在线| 国产亚洲欧美在线一区二区| 亚洲一码二码三码区别大吗| 久久久久久亚洲精品国产蜜桃av| 波多野结衣巨乳人妻| 亚洲 国产 在线| 午夜福利免费观看在线| 性少妇av在线| 香蕉久久夜色| 亚洲国产毛片av蜜桃av| 久久久精品欧美日韩精品| 麻豆国产av国片精品| 午夜福利成人在线免费观看| 国产伦一二天堂av在线观看| 亚洲九九香蕉| 99精品久久久久人妻精品| 免费观看精品视频网站| 精品电影一区二区在线| 大陆偷拍与自拍| 最新在线观看一区二区三区| 超碰成人久久| 搡老岳熟女国产| 欧美日韩亚洲综合一区二区三区_| 成年人黄色毛片网站| 欧美最黄视频在线播放免费| 成人国产一区最新在线观看| 露出奶头的视频| 亚洲欧美激情综合另类| 日韩国内少妇激情av| 婷婷六月久久综合丁香| 丝袜美腿诱惑在线| 欧美人与性动交α欧美精品济南到| 9色porny在线观看| 日本黄色视频三级网站网址| 琪琪午夜伦伦电影理论片6080| 大码成人一级视频| 一级黄色大片毛片| 琪琪午夜伦伦电影理论片6080| x7x7x7水蜜桃| 欧美精品啪啪一区二区三区| 精品人妻在线不人妻| 桃红色精品国产亚洲av| 精品国产乱子伦一区二区三区| 欧美一区二区精品小视频在线| 黄色视频,在线免费观看| 成年女人毛片免费观看观看9| 9热在线视频观看99| 亚洲成av片中文字幕在线观看| 久久香蕉激情| 高潮久久久久久久久久久不卡| 国产精品免费视频内射| 午夜福利欧美成人| 欧美日韩亚洲综合一区二区三区_| 女警被强在线播放| 黄色毛片三级朝国网站| 男人舔女人的私密视频| 琪琪午夜伦伦电影理论片6080| 麻豆国产av国片精品| 欧美久久黑人一区二区| 变态另类成人亚洲欧美熟女 | 桃红色精品国产亚洲av| 欧美成人免费av一区二区三区| 久久久久久久久中文| 不卡一级毛片| 日韩欧美一区视频在线观看| 99国产精品一区二区蜜桃av| 日本三级黄在线观看| 精品国产国语对白av| 亚洲中文字幕一区二区三区有码在线看 | 九色国产91popny在线| 变态另类成人亚洲欧美熟女 | 国产麻豆69| 黄色a级毛片大全视频| 日韩中文字幕欧美一区二区| 国产蜜桃级精品一区二区三区| 1024视频免费在线观看| 亚洲国产中文字幕在线视频| 免费在线观看视频国产中文字幕亚洲| 亚洲欧美日韩无卡精品| 精品国产乱码久久久久久男人| 免费在线观看黄色视频的| 欧美乱码精品一区二区三区| 久热这里只有精品99| 一级作爱视频免费观看| 欧美绝顶高潮抽搐喷水| 精品乱码久久久久久99久播| 三级毛片av免费| 99国产精品99久久久久| 一级a爱视频在线免费观看| 亚洲久久久国产精品| 日本vs欧美在线观看视频| 欧美不卡视频在线免费观看 | 女人被狂操c到高潮| 国产亚洲精品一区二区www| 欧美日本亚洲视频在线播放| 久久人妻福利社区极品人妻图片| 一进一出抽搐动态| 国产亚洲精品一区二区www| 亚洲精品一区av在线观看| 欧美在线一区亚洲| 国产成人啪精品午夜网站| 在线十欧美十亚洲十日本专区| 99国产极品粉嫩在线观看| 国产一区二区三区在线臀色熟女| 可以在线观看的亚洲视频| 黄色a级毛片大全视频| 女人被躁到高潮嗷嗷叫费观| 久久久国产精品麻豆| 美女 人体艺术 gogo| 女人爽到高潮嗷嗷叫在线视频| 日韩成人在线观看一区二区三区| 国产成人精品久久二区二区91| 欧美另类亚洲清纯唯美| 女同久久另类99精品国产91| 亚洲久久久国产精品| 一进一出抽搐动态| 一本大道久久a久久精品| 精品一品国产午夜福利视频| 91国产中文字幕| 欧美久久黑人一区二区| 亚洲精品国产区一区二| 日韩三级视频一区二区三区| 老司机午夜十八禁免费视频| 久久精品亚洲精品国产色婷小说| 日本 av在线| cao死你这个sao货| 欧美另类亚洲清纯唯美| 国产精品亚洲一级av第二区| 午夜福利,免费看| 欧美色视频一区免费| 天天躁狠狠躁夜夜躁狠狠躁| 午夜福利,免费看| 18禁黄网站禁片午夜丰满| 一本大道久久a久久精品| 国产一区二区在线av高清观看| 青草久久国产| 久久国产亚洲av麻豆专区| 国产又色又爽无遮挡免费看| 波多野结衣一区麻豆| 国产精品国产高清国产av| 在线免费观看的www视频| 午夜福利在线观看吧| 精品久久久久久久久久免费视频| 在线视频色国产色| 久久久久九九精品影院| 亚洲在线自拍视频| 亚洲精品在线观看二区| 久久精品国产亚洲av高清一级| 国产亚洲欧美精品永久| 日本免费一区二区三区高清不卡 | 黄色毛片三级朝国网站| 99re在线观看精品视频| 国产av又大| 欧美性长视频在线观看| 免费高清视频大片| 国产精华一区二区三区| 99精品在免费线老司机午夜| 国产一级毛片七仙女欲春2 | 国产一区二区在线av高清观看| 禁无遮挡网站| 欧美日本视频| 大型黄色视频在线免费观看| 午夜福利免费观看在线| 桃色一区二区三区在线观看| www日本在线高清视频| 好男人电影高清在线观看| cao死你这个sao货| 法律面前人人平等表现在哪些方面| 国产精品免费视频内射| 一进一出好大好爽视频| 精品熟女少妇八av免费久了| 九色国产91popny在线| av中文乱码字幕在线| 97碰自拍视频| 日本精品一区二区三区蜜桃| 午夜老司机福利片| 亚洲国产日韩欧美精品在线观看 | 亚洲精品一卡2卡三卡4卡5卡| 亚洲熟妇熟女久久| 精品午夜福利视频在线观看一区| 超碰成人久久| 婷婷六月久久综合丁香| 91国产中文字幕| 热re99久久国产66热| 久久国产乱子伦精品免费另类| 欧美日韩亚洲综合一区二区三区_| 午夜成年电影在线免费观看| 国产精品1区2区在线观看.| 国产三级黄色录像| 狂野欧美激情性xxxx| 亚洲精品一卡2卡三卡4卡5卡| 久久精品影院6| bbb黄色大片| 两性午夜刺激爽爽歪歪视频在线观看 | 一级片免费观看大全| 黄色丝袜av网址大全| 老司机靠b影院| 亚洲一码二码三码区别大吗| 最新美女视频免费是黄的| 久久欧美精品欧美久久欧美| 国产伦人伦偷精品视频| 淫妇啪啪啪对白视频| 嫩草影视91久久| 日韩高清综合在线| 日日爽夜夜爽网站| 亚洲国产精品sss在线观看| 麻豆av在线久日| 黑人操中国人逼视频| 国产91精品成人一区二区三区| 香蕉国产在线看| 岛国在线观看网站| 亚洲熟妇中文字幕五十中出| 成熟少妇高潮喷水视频| 久久欧美精品欧美久久欧美| 亚洲色图 男人天堂 中文字幕| 国产伦一二天堂av在线观看| 人人妻人人爽人人添夜夜欢视频| 国产成人欧美在线观看| 欧美成人午夜精品| 一个人免费在线观看的高清视频| xxx96com| 丰满的人妻完整版| 美女扒开内裤让男人捅视频| 亚洲国产精品sss在线观看| 国产精品国产高清国产av| 嫩草影视91久久| 亚洲av第一区精品v没综合| 亚洲情色 制服丝袜| 国产av在哪里看| 亚洲人成电影观看| 在线国产一区二区在线| 波多野结衣av一区二区av| 视频在线观看一区二区三区| 国产成人免费无遮挡视频| 最好的美女福利视频网| 最近最新免费中文字幕在线| 久久久久久久久中文| 精品国产一区二区三区四区第35| 波多野结衣一区麻豆| 欧美绝顶高潮抽搐喷水| 在线永久观看黄色视频| 午夜老司机福利片| 国产精品亚洲美女久久久| 99国产精品免费福利视频| 国内精品久久久久久久电影| 亚洲精品一卡2卡三卡4卡5卡| 国产一区二区激情短视频| www国产在线视频色| 日本黄色视频三级网站网址| 高清黄色对白视频在线免费看| 淫妇啪啪啪对白视频| 精品久久久久久,| 久久久国产成人免费| 757午夜福利合集在线观看| 亚洲成人国产一区在线观看| 热99re8久久精品国产| 又紧又爽又黄一区二区| 老鸭窝网址在线观看| 欧美日韩精品网址| 大陆偷拍与自拍| 欧美最黄视频在线播放免费| 在线天堂中文资源库| 黄片播放在线免费| 人人妻人人爽人人添夜夜欢视频| 亚洲天堂国产精品一区在线| 国产av一区二区精品久久| 午夜a级毛片| 国产成人av教育| 妹子高潮喷水视频| 亚洲黑人精品在线| 搞女人的毛片| 极品教师在线免费播放| 精品久久久久久久人妻蜜臀av | 一个人观看的视频www高清免费观看 | 午夜福利在线观看吧| 亚洲va日本ⅴa欧美va伊人久久| 欧美日韩亚洲综合一区二区三区_| 亚洲午夜理论影院| 日韩视频一区二区在线观看| 丁香六月欧美| 国产高清激情床上av| 亚洲成国产人片在线观看| 成人国产一区最新在线观看| 香蕉国产在线看| 亚洲精品一卡2卡三卡4卡5卡| 久久精品人人爽人人爽视色| 久久热在线av| 日韩欧美一区视频在线观看| 非洲黑人性xxxx精品又粗又长| 嫩草影视91久久| 日韩一卡2卡3卡4卡2021年| 波多野结衣高清无吗| 桃色一区二区三区在线观看| 亚洲成人精品中文字幕电影| 日韩一卡2卡3卡4卡2021年| 国产一区二区三区视频了| 国产精华一区二区三区| 国产精品98久久久久久宅男小说| 国产成人精品久久二区二区91| 又黄又粗又硬又大视频| 国产精品爽爽va在线观看网站 | 少妇的丰满在线观看| 美女大奶头视频| 老司机福利观看| 天天躁狠狠躁夜夜躁狠狠躁| 成人国语在线视频| 中文字幕人成人乱码亚洲影| 亚洲精品国产一区二区精华液| 亚洲片人在线观看| 天堂影院成人在线观看| 亚洲av美国av| 亚洲欧美日韩高清在线视频| 国产精品一区二区三区四区久久 | 午夜久久久在线观看| 男女下面进入的视频免费午夜 | 一个人观看的视频www高清免费观看 | 成人18禁在线播放| 国产一卡二卡三卡精品| 日韩欧美国产在线观看| АⅤ资源中文在线天堂| 在线国产一区二区在线| 国产成人精品在线电影| 亚洲午夜理论影院| 久久人妻福利社区极品人妻图片| 久久久久久久久中文| 久久久水蜜桃国产精品网| 我的亚洲天堂| 19禁男女啪啪无遮挡网站| 美国免费a级毛片| 国产精品一区二区三区四区久久 | 免费搜索国产男女视频| 一级a爱视频在线免费观看| 日本 欧美在线| 久久久久久免费高清国产稀缺| 男人的好看免费观看在线视频 | 91老司机精品| 国产三级黄色录像| 成人精品一区二区免费| 日韩视频一区二区在线观看| 久久精品亚洲熟妇少妇任你| a级毛片在线看网站| 亚洲三区欧美一区| 免费在线观看黄色视频的| 欧美日本亚洲视频在线播放| 精品午夜福利视频在线观看一区| 亚洲片人在线观看| 国产在线精品亚洲第一网站| 中文字幕人妻丝袜一区二区| 欧美最黄视频在线播放免费| 天天添夜夜摸| 美女国产高潮福利片在线看| www.www免费av| 午夜精品国产一区二区电影| 久9热在线精品视频| 日本五十路高清| 欧美黄色淫秽网站| 国产男靠女视频免费网站| 如日韩欧美国产精品一区二区三区| 亚洲精品在线美女| 亚洲色图 男人天堂 中文字幕| 欧美一区二区精品小视频在线| 国产精品美女特级片免费视频播放器 | 日日摸夜夜添夜夜添小说| 淫秽高清视频在线观看| 成人永久免费在线观看视频| 午夜福利免费观看在线| 国产99久久九九免费精品| 美女高潮到喷水免费观看| 中文字幕高清在线视频| 亚洲人成77777在线视频| 99国产精品99久久久久| 国产成人精品在线电影| 久久国产亚洲av麻豆专区| 亚洲熟妇熟女久久| 一级毛片高清免费大全| 嫩草影院精品99| 国产成人精品久久二区二区免费| 亚洲无线在线观看| netflix在线观看网站| 国产av精品麻豆| 亚洲色图av天堂| 欧美乱妇无乱码| av天堂在线播放| 亚洲精品国产一区二区精华液| 欧美老熟妇乱子伦牲交| 热re99久久国产66热| 欧美成人性av电影在线观看| 久久香蕉精品热| 黄色片一级片一级黄色片| 亚洲少妇的诱惑av| 老司机午夜十八禁免费视频| 亚洲片人在线观看| 免费在线观看日本一区| 国产伦人伦偷精品视频| 夜夜看夜夜爽夜夜摸| 三级毛片av免费| 中文字幕人成人乱码亚洲影| 91老司机精品| or卡值多少钱| 国产精品1区2区在线观看.| 免费在线观看黄色视频的| 啦啦啦免费观看视频1| 精品一区二区三区av网在线观看| 国产成人精品在线电影| 亚洲一区中文字幕在线| 欧美成狂野欧美在线观看| 国产亚洲精品第一综合不卡|