• <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KPCA-RBF模型的風(fēng)暴潮災(zāi)害經(jīng)濟(jì)損失預(yù)測

    2021-11-17 09:10:52楊雪雪
    海洋科學(xué) 2021年10期
    關(guān)鍵詞:風(fēng)暴潮降維經(jīng)濟(jì)損失

    楊雪雪, 劉 強(qiáng)

    基于KPCA-RBF模型的風(fēng)暴潮災(zāi)害經(jīng)濟(jì)損失預(yù)測

    楊雪雪, 劉 強(qiáng)

    (中國海洋大學(xué), 山東 青島 266100)

    作為破壞性最強(qiáng)的海洋災(zāi)害, 風(fēng)暴潮災(zāi)害每年都給我國沿海地區(qū)造成了巨大的經(jīng)濟(jì)損失, 運(yùn)用科學(xué)的方法模型合理預(yù)測風(fēng)暴潮災(zāi)害經(jīng)濟(jì)損失對指導(dǎo)沿海地區(qū)的防災(zāi)減災(zāi)工作意義深遠(yuǎn)。本文基于風(fēng)暴潮災(zāi)害的成災(zāi)特點(diǎn)建立了風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失預(yù)評估指標(biāo)體系, 由于評估指標(biāo)數(shù)據(jù)高度非線性, 采用核主成分分析(KPCA)對高維非線性數(shù)據(jù)進(jìn)行降維優(yōu)化, 并利用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)對降維后的數(shù)據(jù)進(jìn)行訓(xùn)練, 從而實(shí)現(xiàn)對風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失的預(yù)測。選取廣東省1996—2018年的32個(gè)風(fēng)暴潮災(zāi)害損失樣本對模型進(jìn)行仿真測試, 結(jié)果表明, KPCA-RBF預(yù)測模型集成了核主成分分析和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的優(yōu)勢, 預(yù)測結(jié)果精度高, 學(xué)習(xí)收斂速度快, 對風(fēng)暴潮災(zāi)害數(shù)據(jù)序列有較好的非線性擬合能力。

    風(fēng)暴潮; 經(jīng)濟(jì)損失預(yù)測; 核主成分分析(KPCA); RBF神經(jīng)網(wǎng)絡(luò)

    風(fēng)暴潮災(zāi)害是迄今為止最具破壞性的海洋災(zāi)害, 世界上大多數(shù)重大沿海災(zāi)害都是由風(fēng)暴潮造成的[1-2]。在我國的海洋災(zāi)害影響清單中, 風(fēng)暴潮災(zāi)害一直占據(jù)著主導(dǎo)地位, 幾乎每年都會(huì)給沿海地區(qū)造成巨大的經(jīng)濟(jì)損失。為減輕風(fēng)暴潮災(zāi)害對沿海地區(qū)經(jīng)濟(jì)社會(huì)發(fā)展的影響, 運(yùn)用科學(xué)的手段提高災(zāi)害損失預(yù)測的能力, 對于指導(dǎo)沿海地區(qū)的防災(zāi)減災(zāi)工作十分重要。

    近年來, 國內(nèi)外學(xué)者在風(fēng)暴潮災(zāi)害損失預(yù)測方面做了大量研究工作。Wood等[3]利用巨災(zāi)損失模型對英格蘭東部沿海平原的潛在風(fēng)暴潮洪水事件進(jìn)行了概率量化, 根據(jù)洪水深度和洪水流速與財(cái)產(chǎn)損失量之間的脆弱性函數(shù)來預(yù)測風(fēng)暴潮洪水損失; Jin等[4]提出了一種經(jīng)濟(jì)計(jì)量模型組方法來精化風(fēng)暴潮損失的評估, 并利用支持向量機(jī)模型驗(yàn)證了模型組方程能較詳細(xì)地反映風(fēng)暴潮災(zāi)害與其他相關(guān)變量的關(guān)系; Yang等[5-6]采用擴(kuò)展卡爾曼濾波和極限理論來預(yù)測風(fēng)暴潮災(zāi)害經(jīng)濟(jì)損失和傷亡人口; 潘艷艷等[7]基于時(shí)間序列預(yù)測法, 運(yùn)用傅里葉級數(shù)擴(kuò)展模型模擬了風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失的時(shí)間路徑; 殷克東等[8]以近年來東南沿海風(fēng)暴潮災(zāi)害損失的歷史數(shù)據(jù)為基礎(chǔ), 利用主成分分析法對樣本風(fēng)暴潮進(jìn)行了聚類分析并證明了其在風(fēng)暴潮災(zāi)害損失評估中的有效性, 上述研究為科學(xué)預(yù)測風(fēng)暴潮災(zāi)害損失提供了理論指導(dǎo)。由于風(fēng)暴潮災(zāi)害損失預(yù)測是較復(fù)雜的系統(tǒng)[9-10], 為提高預(yù)測精度并豐富現(xiàn)有風(fēng)暴潮災(zāi)害損失預(yù)測方法, 本文采用核主成分分析對風(fēng)暴潮災(zāi)害數(shù)據(jù)進(jìn)行降維優(yōu)化, 在此基礎(chǔ)上, 利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)對優(yōu)化后的數(shù)據(jù)進(jìn)行訓(xùn)練, 結(jié)果表明該方法具有較好的非線性擬合能力, 可實(shí)現(xiàn)對風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失的預(yù)測。

    1 風(fēng)暴潮災(zāi)害經(jīng)濟(jì)損失評估指標(biāo)

    1.1 數(shù)據(jù)來源

    本文以廣東省風(fēng)暴潮災(zāi)害為研究對象, 收集了廣東省1996—2018年間記錄相對完整的32個(gè)風(fēng)暴潮災(zāi)害的相關(guān)數(shù)據(jù)進(jìn)行分析研究, 數(shù)據(jù)主要來源于《中國海洋災(zāi)害公報(bào)》[11]《廣東省海洋災(zāi)害公報(bào)》[12]《廣東統(tǒng)計(jì)年鑒》[13]等。

    廣東省位于我國南部沿海, 是我國受風(fēng)暴潮影響最嚴(yán)重的省份之一。由于廣東沿海地區(qū)人口稠密、經(jīng)濟(jì)發(fā)達(dá), 臺(tái)風(fēng)風(fēng)暴潮每年造成的直接經(jīng)濟(jì)損失十分巨大[14]。近10 a來, 全國因風(fēng)暴潮災(zāi)害造成的直接經(jīng)濟(jì)損失中, 廣東省累計(jì)占比接近50%, 如圖1所示。隨著海洋經(jīng)濟(jì)的快速發(fā)展, 廣東沿海地區(qū)的風(fēng)暴潮災(zāi)害風(fēng)險(xiǎn)日益突出, 防災(zāi)減災(zāi)形勢也愈發(fā)嚴(yán)峻, 因此, 采取科學(xué)的手段對風(fēng)暴潮災(zāi)害損失進(jìn)行合理預(yù)測對廣東省經(jīng)濟(jì)社會(huì)的可持續(xù)發(fā)展具有重要意義。

    圖1 風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失值

    1.2 指標(biāo)選取

    為了對風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失進(jìn)行科學(xué)準(zhǔn)確的預(yù)測, 我們需要建立相對完善的評估指標(biāo)體系[9-10]。風(fēng)暴潮災(zāi)害損失的大小取決于自身的危險(xiǎn)性程度以及當(dāng)?shù)氐慕?jīng)濟(jì)社會(huì)發(fā)展?fàn)顩r[15], 本文基于自然災(zāi)害風(fēng)險(xiǎn)分析理論, 結(jié)合風(fēng)暴潮的成災(zāi)特點(diǎn)以及指標(biāo)數(shù)據(jù)的易取性和全面性, 建立了風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失評估指標(biāo)體系, 包括致災(zāi)因子危險(xiǎn)性、承載體易損性、孕災(zāi)環(huán)境三個(gè)方面, 如圖2所示。

    (1) 致災(zāi)因子危險(xiǎn)性。風(fēng)暴潮的致災(zāi)能力主要體現(xiàn)在臺(tái)風(fēng)引起的風(fēng)暴增水方面, 臺(tái)風(fēng)強(qiáng)度越大, 中心氣壓越低, 則風(fēng)暴增水越大, 造成的損失往往越嚴(yán)重[15]。本文選取臺(tái)風(fēng)登陸時(shí)的最大風(fēng)速、中心氣壓、最大增水和超警戒潮位4個(gè)指標(biāo)來描述風(fēng)暴潮致災(zāi)因子危險(xiǎn)性。

    (2) 承載體易損性。承災(zāi)體是風(fēng)暴潮災(zāi)害的直接作用物, 主要包括風(fēng)暴潮過境地域的社會(huì)經(jīng)濟(jì)因素, 如人口、農(nóng)業(yè)、堤防設(shè)施等。風(fēng)暴潮災(zāi)害承載體的易損性可用致災(zāi)因子對承載體造成的可能損失大小表示, 本文選取受災(zāi)人口、房屋損毀、農(nóng)業(yè)受災(zāi)面積、堤防損毀等6個(gè)指標(biāo)來反映承載體的易損性。

    (3)孕災(zāi)環(huán)境。這里主要指當(dāng)?shù)氐慕?jīng)濟(jì)社會(huì)發(fā)展?fàn)顩r及應(yīng)災(zāi)水平。本文從經(jīng)濟(jì)社會(huì)發(fā)展現(xiàn)狀、社會(huì)防災(zāi)能力、監(jiān)測預(yù)警能力[15-16]等多個(gè)方面綜合選取了人口密度、農(nóng)業(yè)種植面積、人均GDP、地方財(cái)政收入、醫(yī)療衛(wèi)生機(jī)構(gòu)數(shù)、海洋環(huán)境監(jiān)測站個(gè)數(shù)等9個(gè)指標(biāo)作為孕災(zāi)環(huán)境影響因子。

    圖2 風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失評估指標(biāo)體系

    2 預(yù)測模型的建立

    2.1 核主成分分析原理

    核主成分分析(kernel principle component analysis, KPCA)是Schokopf 等[17]提出的一種將核函數(shù)引入到主成分分析(principle component analysis, PCA)的方法。PCA是一種常用的特征提取和降維的線性方法, 在實(shí)際處理數(shù)據(jù)中, 由于數(shù)據(jù)之間存在復(fù)雜的非線性關(guān)系, 使得它難以準(zhǔn)確獲得數(shù)據(jù)的高階特征, 處理高維非線性數(shù)據(jù)的能力有限。由于風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失評估指標(biāo)數(shù)據(jù)非線性程度高且指標(biāo)間存在信息重疊, 為提高運(yùn)算效率, 本文首先利用KPCA對原始數(shù)據(jù)進(jìn)行降維處理。KPCA實(shí)現(xiàn)了對PCA的改進(jìn), 它可對輸入變量進(jìn)行非線性特征提取, 提取速度快且能夠充分保留所有輸入變量的非線性信息[18]。

    高維空間中的協(xié)方差矩陣可表示為:

    對上述協(xié)方差矩陣進(jìn)行特征矢量分析, 設(shè)其特征值為, 特征向量為, 則

    .(3)

    定義×維的核矩陣:

    將式(6)代入式(5)并將結(jié)果寫成矩陣形式:

    對式(7)進(jìn)行求解可得高維空間中的特征值及特征向量, 原始輸入樣本在特征向量1方向的投影為:

    2.2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)原理

    徑向基函數(shù)(radial basis function, RBF)神經(jīng)網(wǎng)絡(luò)是一種高效的神經(jīng)網(wǎng)絡(luò)形式, 它具有良好的非線性函數(shù)擬合和泛化能力, 而且結(jié)構(gòu)簡單、學(xué)習(xí)收斂速度快, 可以保證全局收斂[19], 因此本文采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)建立風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失預(yù)測模型。RBF網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示, 其中隱含層節(jié)點(diǎn)的激活函數(shù)采用徑向基函數(shù)對輸入變量進(jìn)行處理, 再線性映射到輸出層。

    圖3 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

    其中,為隱含層節(jié)點(diǎn)數(shù),為高斯徑向基函數(shù), 則h可表示為:

    式中,= [1,2, …, c]T為隱含層節(jié)點(diǎn)的中心參數(shù),= [1,2, …, b]T為徑向基函數(shù)的寬度參數(shù),= [1,2, …, w]T為隱含層到輸出層的網(wǎng)絡(luò)權(quán)值參數(shù), 則時(shí)刻RBF網(wǎng)絡(luò)的輸出可表示為:

    2.3 KPCA-RBF模型的建立

    本文模型建立的過程如下:

    (1) 采用KPCA對風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失評估指標(biāo)數(shù)據(jù)進(jìn)行降維處理, 從而減少RBF神經(jīng)網(wǎng)絡(luò)的輸入向量數(shù)。KPCA的具體步驟如下:

    (a) 對初始指標(biāo)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理(本文采用標(biāo)準(zhǔn)差歸一化法), 計(jì)算核矩陣;

    (b) 由于本文收集的風(fēng)暴潮數(shù)據(jù)是非中心化的, 需對其進(jìn)行中心化處理, 中心化的核矩陣表示為:

    式中,為元素全為1的維向量;

    (c) 計(jì)算矩陣的特征值與特征向量;

    (d) 將特征向量規(guī)范化, 即:

    (e) 計(jì)算特征值1,2, …,λ的累計(jì)貢獻(xiàn)率1,2, …,B,根據(jù)已設(shè)定的主成分累計(jì)貢獻(xiàn)率, 當(dāng)k≥, 則選取個(gè)主成分及對應(yīng)的主分量1,2, …,α;

    (f) 計(jì)算原始樣本在1,2, …,α上的投影,=*·,即為原始輸入數(shù)據(jù)經(jīng)過KPCA降維后的結(jié)果。

    (2) 將原始數(shù)據(jù)劃分成訓(xùn)練樣本和測試樣本。

    (3) 將訓(xùn)練樣本作為RBF網(wǎng)絡(luò)輸入向量, 輸出為風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失預(yù)測值, 對RBF網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

    (4) 將測試樣本輸入模型進(jìn)行獨(dú)立樣本檢驗(yàn)。

    本文以MATLAB 2014b為平臺(tái), 采用MATLAB自帶的神經(jīng)網(wǎng)絡(luò)工具箱newrb函數(shù)[20-21]建立RBF網(wǎng)絡(luò), 其語法為:

    net = newrb (,, goal, spread, MN, DF)

    式中,為輸入矩陣;為輸出矩陣; goal為均方誤差的目標(biāo), 取goal = 0.001; spread表示徑向基函數(shù)的擴(kuò)散速度[22], 取spread = 20; MN指隱含節(jié)點(diǎn)的最大個(gè)數(shù), 取MN = 200; DF指兩次顯示之間所添加的神經(jīng)元數(shù)目, 取DF = 1。

    綜上所述, 可建立KPCA-RBF預(yù)測模型, 如圖4所示。

    圖4 KPCA-RBF預(yù)測模型流程圖

    3 結(jié)果與討論

    3.1 結(jié)果分析

    本文首先將風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失評估指標(biāo)數(shù)據(jù)進(jìn)行KPCA降維處理, 其主成分累計(jì)貢獻(xiàn)率如圖5所示。

    圖5 KPCA主成分累計(jì)貢獻(xiàn)率

    本文設(shè)定的主成分累計(jì)貢獻(xiàn)率= 90%, 由圖5可知, 前6個(gè)主成分的累計(jì)貢獻(xiàn)率達(dá)到了91.83%, 可以認(rèn)為前6個(gè)主成分包含了全部指標(biāo)的絕大部分信息, 計(jì)算原始數(shù)據(jù)在1,2, …,6上的投影, 從而得到RBF網(wǎng)絡(luò)的輸入向量。

    對所收集的廣東省32個(gè)風(fēng)暴潮災(zāi)害樣本進(jìn)行隨機(jī)劃分, 選取其中29個(gè)作為訓(xùn)練樣本, 其余3個(gè)為測試樣本。將訓(xùn)練樣本輸入RBF網(wǎng)絡(luò)中, 輸出值為風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失預(yù)測值, 預(yù)測結(jié)果如圖6所示, 從圖中可以看出, 大部分訓(xùn)練樣本的預(yù)測值逼近實(shí)際值, 模型的擬合精度較高。

    圖6 KPCA-RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練集擬合結(jié)果

    現(xiàn)有的BAS-BP模型[9]、SVM-BP模型[10]為科學(xué)預(yù)測風(fēng)暴潮災(zāi)害損失提供了方法指導(dǎo), 但仍存在不足, 如: BAS-BP、SVM-BP所采用的降維方法均是通過刪除部分評估指標(biāo)來實(shí)現(xiàn)降維, 無法充分保留所有指標(biāo)的非線性信息; 兩者均是對BP神經(jīng)網(wǎng)絡(luò)的改進(jìn), 較傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)有性能方面的提高, 但BP網(wǎng)絡(luò)隱含層神經(jīng)元個(gè)數(shù)的選取尚無理論上的指導(dǎo), 而是根據(jù)經(jīng)驗(yàn)公式確定, 這使得網(wǎng)絡(luò)具有較大的冗余性, 無形中增加了學(xué)習(xí)時(shí)間。為客觀比較KPCA- RBF模型與現(xiàn)有模型的性能, 本文將KPCA-RBF與BAS-BP、SVM-BP進(jìn)行對比實(shí)驗(yàn), 分別計(jì)算它們的平均相對誤差(MRE)、均方誤差(MSE)和CPU運(yùn)行時(shí)間, 結(jié)果如表1所示。可以看出, 在處理相同樣本時(shí), KPCA-RBF模型的綜合表現(xiàn)最好, 訓(xùn)練時(shí)間明顯少于其他兩個(gè)模型, 學(xué)習(xí)收斂速度快, 預(yù)測精度較高。這是因?yàn)镵PCA-RBF在一定程度上克服了現(xiàn)有模型的不足: KPCA可充分考慮每項(xiàng)評估指標(biāo)包含的信息, 使得神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)比較全面準(zhǔn)確, 而且RBF網(wǎng)絡(luò)的隱含層可以自動(dòng)增加神經(jīng)元直到滿足精度要求為止, 簡化了網(wǎng)絡(luò)結(jié)構(gòu), 有效提高學(xué)習(xí)收斂速度。

    表1 KPCA-RBF模型與現(xiàn)有模型的性能對比

    為進(jìn)一步證明KPCA-RBF模型的有效性, 本文基于上述樣本劃分方法, 將風(fēng)暴潮災(zāi)害樣本隨機(jī)劃分成多組訓(xùn)練樣本和測試樣本進(jìn)行試驗(yàn)。選取普通RBF網(wǎng)絡(luò)模型、KPCA-RBF模型以及PCA-RBF模型對各組訓(xùn)練樣本進(jìn)行處理, 由于三種模型的CPU運(yùn)行時(shí)間均在2 s以內(nèi), 學(xué)習(xí)速度差別不大, 因此本文主要以訓(xùn)練精度作為評價(jià)各模型性能優(yōu)劣的依據(jù), 分別計(jì)算每組訓(xùn)練樣本在不同模型中的MRE和MSE, 結(jié)果如表2所示, 可以看出基于不同的樣本劃分情況, RBF和PCA-RBF的兩種誤差平均值均較大, PCA-RBF略優(yōu)于RBF, 而KPCA-RBF兩種誤差均最小, 對訓(xùn)練樣本的擬合效果最好, 這表明KPCA-RBF在處理高維非線性數(shù)據(jù)時(shí)具有一定的優(yōu)越性, 擬合結(jié)果精度較高。

    表2 不同模型性能對比

    3.2 獨(dú)立樣本檢驗(yàn)

    本文將上述多組測試樣本作為獨(dú)立樣本來檢驗(yàn)三種模型在預(yù)測精度上的差異, 分別計(jì)算三種模型的誤差, 結(jié)果如表3所示, 從表3可以看出, 與RBF和PCA-RBF相比, KPCA-RBF的測試誤差值相對更小, 具有更好的預(yù)測效果, 這主要是KPCA-RBF模型集成了 KPCA和RBF神經(jīng)網(wǎng)絡(luò)在處理非線性數(shù)據(jù)方面的優(yōu)勢, KPCA利用核映射對原始非線性序列進(jìn)行降維, 用低維數(shù)據(jù)表示原始數(shù)據(jù)的信息, 彌補(bǔ)了PCA處理高維非線性數(shù)據(jù)時(shí)存在的不足, 而且RBF神經(jīng)網(wǎng)絡(luò)可有效實(shí)現(xiàn)對非線性數(shù)據(jù)序列的擬合和預(yù)測。由此可知, KPCA- RBF模型具有較好的非線性擬合能力, 預(yù)測結(jié)果具有更高的精度, 可有效地用于風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失預(yù)測。

    表3 不同模型測試樣本誤差

    4 結(jié)論

    本文基于風(fēng)暴潮災(zāi)害的成災(zāi)特點(diǎn)建立了風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失預(yù)評估指標(biāo)體系, 提出基于KPCA-RBF網(wǎng)絡(luò)的風(fēng)暴潮災(zāi)害直接經(jīng)濟(jì)損失預(yù)測模型, 利用KPCA對高度非線性的評估指標(biāo)數(shù)據(jù)進(jìn)行降維優(yōu)化, 降維后的數(shù)據(jù)可最大程度保留原始數(shù)據(jù)信息, 再利用RBF神經(jīng)網(wǎng)絡(luò)輸出預(yù)測值。針對風(fēng)暴潮災(zāi)害數(shù)據(jù)具有很強(qiáng)的非線性特點(diǎn), 該模型表現(xiàn)出良好的適用性, 對非線性數(shù)據(jù)序列有較好的預(yù)測效果, 為海洋災(zāi)害損失預(yù)測提供了模型參考。

    [1] BERZ G.Windstorm and storm surges in Europe: loss trends and possible counter-actions from the viewpoint of an international reinsurer[J].Philosophical Transactions Mathematical Physical & Engineering Sciences, 2005, 363(1831): 1431-1440.

    [2] LE K T.An Analysis of the recent severe storm surge disaster events in China[J].Natural Hazards, 2000, 21(2): 215-223.

    [3] WOOD R M, DRAYTON M, BERGER A, et al.Catastrophe loss modelling of storm-surge flood risk in eas-tern England[J].Philosophical Transactions of The Royal Society A Mathematical Physical and Engineering Sciences, 2005, 363(1831): 1407-1422.

    [4] JIN X, SHI X, GAO J, et al.Evaluation of loss due to storm surge disasters in China based on econometric model groups[J].International Journal of Environmental Research and Public Health, 2018, 15(4): 604.

    [5] YANG S, LIU X, LIU Q.A storm surge projection and disaster risk assessment model for China coastal areas[J].Natural Hazards, 2016, 84(1): 649-667.

    [6] YANG S, LIU X, LIU Q, et al.A study of storm surge disasters based on extreme value distribution theory[J].Journal of Coastal Research, 2017, 33(6): 1423-1435.

    [7] 潘艷艷, 王濤, 趙昕.風(fēng)暴潮災(zāi)害損失時(shí)間路徑模擬與預(yù)測[J].統(tǒng)計(jì)與決策, 2016, 5: 87-89.

    PAN Yanyan, WANG Tao, ZHAO Xin.Time path simu--lation and prediction of storm surge disaster loss[J].Statistics & Decision, 2016, 5: 87-89.

    [8] 殷克東, 王輝.風(fēng)暴潮災(zāi)害損失評估的主成分模型研究[J].統(tǒng)計(jì)與決策, 2010, 19: 63-64.

    YIN Kedong, WANG Hui.Study on the principal component model of storm surge disaster loss assessment[J].Statistics & Decision, 2010, 19: 63-64.

    [9] 王甜甜, 劉強(qiáng).基于BAS-BP模型的風(fēng)暴潮災(zāi)害損失預(yù)測[J].海洋環(huán)境科學(xué), 2018, 37(3): 457-463.

    WANG Tiantian, LIU Qiang.The assessment of storm surge disaster loss based on BAS-BP model[J].Marine Environmental Science, 2018, 37(3): 457-463.

    [10] 馮倩, 劉強(qiáng).基于SVM-BP神經(jīng)網(wǎng)絡(luò)的風(fēng)暴潮災(zāi)害損失預(yù)評估[J].海洋環(huán)境科學(xué), 2017, 36(4): 615-621.

    FENG Qian, LIU Qiang.Pre-assessment for the loss caused by storm surge based on the SVM-BP neural network[J].Marine Environmental Science, 2017, 36(4): 615-621.

    [11] 中華人民共和國自然資源部.1996—2018年中國海洋災(zāi)害公報(bào)[EB/OL].http://www.mnr.gov.cn/sj/sjfw/hy/gbgg/ zghyzhgb/.

    Ministry of natural resources of the people’s Republic of China.1996-2018 China marine disaster bulletin[EB/OL].http://www.mnr.gov.cn/sj/sjfw/hy/gbgg/zghyzhgb/.

    [12] 廣東省自然資源廳.2018年廣東省海洋災(zāi)害公報(bào)[EB/OL].http://nr.gd.gov.cn/gdlr_notice/2/content/post_ 2644380.html.

    Department of natural resources of Guangdong Provin-ce.Guangdong marine disaster bulletin in 2018[EB/OL].http://nr.gd.gov.cn/gdlr_notice/2/content/post_2644380.html.

    [13] 廣東省統(tǒng)計(jì)局.廣東統(tǒng)計(jì)年鑒.http://stats.gd.gov.cn/gdtjnj/.

    Guangdong provincial bureau of statistics.Guangdong statistical yearbook.http://stats.gd.gov.cn/gdtjnj/.

    [14] 余東華, 吳超羽, 呂炳全, 等.廣東沿海地區(qū)風(fēng)暴潮災(zāi)害及其防御[J].浙江海洋學(xué)院學(xué)報(bào)(自然科學(xué)版), 2009, 28(4): 440-444.

    YU Donghua, WU Chaoyu, LV Bingquan, et al.Disaster of storm surge and the countermeasures in Guangdong coastal areas[J].Journal of Zhejiang Ocean University (Natural Science), 2009, 28(4): 440-444.

    [15] 趙昕, 王保頌, 鄭慧.基于RS-SVM模型的風(fēng)暴潮災(zāi)害損失測度[J].海洋環(huán)境科學(xué), 2015, 34(4): 596-600.

    ZHAO Xin, WANG Baosong, ZHENG Hui.The assess-ment of storm surge disaster loss based on RS-SVM mo-del[J].Marine Environmental Science, 2015, 34(4): 596- 600.

    [16] 李莉, 沈瓊.風(fēng)暴潮災(zāi)害防災(zāi)減災(zāi)能力評價(jià)——以山東省沿海城市為例[J].中國漁業(yè)經(jīng)濟(jì), 2011, 6: 102- 110.

    LI Li, SHEN Qiong.The evaluation of storm surge prevention and mitigation capability: case of costal cities in Shandong Province[J].Chinese Fisheries Economics, 2011, 6: 102-110.

    [17] SCHOLKOPF B, SMOLA A J, MULLER K R.Non-linear component analysis as a kernel eigenvalue problem[J].Neural Confutation, 1998, 10: 1299-1319.

    [18] 彭志蘭, 孫海, 高惠瑛, 等.基于KPCA和GA- LSSVR的惠州磚混建筑物震害易損性研究[J].地震工程與工程振動(dòng), 2018, 38(2): 176-183.

    PENG Zhilan, SUN Hai, GAO Huiying, et al.Study on seismic damage vulnerability of Huizhou brick maso-n-ry building based on KPCA and GA-LSSVR model[J].Earthquake Engineering and Engineering Dynamics, 2018, 38(2): 176-183.

    [19] 劉登峰, 王棟, 丁昊, 等.城市水災(zāi)害風(fēng)險(xiǎn)等級的RBF-C評估方法[J].人民黃河, 2014, 36(1): 8-10, 14.

    LIU Dengfeng, WANG Dong, DING Hao, et al.A risk assessment method based on RBF artificial neural network-Cloud model for urban water disaster[J].Yellow River, 2014, 36(1): 8-10, 14.

    [20] 李德根, 劉曉亮, 宋勝偉, 等.熵權(quán)法徑向基神經(jīng)網(wǎng)絡(luò)的截割粉塵濃度模型與預(yù)測[J].煤炭技術(shù), 2018, 37(6): 177-179.

    LI Degen, LIU Xiaoliang, SONG Shengwei, et al.Prediction and model of cutting dust concentration of radial basis neural network with entropy weight[J].Coal Technology, 2018, 37(6): 177-179.

    [21] 聞新, 李新, 張興旺, 等.應(yīng)用MATLAB實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)[M].北京: 國防工業(yè)出版社, 2015.

    WEN Xin, LI Xin, ZHANG Xingwang, et al.Using MATLAB to Realize Neural Network[M].Beijing: National Defense Industry Press, 2015.

    Economic loss assessment of storm-surge disasters based on the KPCA-RBF model

    YANGXue-xue, LIUQiang

    (Engineering College, Ocean University of China, Qingdao 266100, China)

    storm surge disaster; economic loss assessment; kernel principal component analysis; RBF neural network

    As the most harmful marine disaster, storm-surge disasters cause serious economic losses to the coastal areas of China every year.It is crucial to reasonably assess the economic losses because of storm-surge disasters using scientific methods to guide the disaster prevention and mitigation work in coastal areas.Herein, based on the characteristics of storm-surge disasters, theassessment index system of the direct economic loss from a storm surge disaster is established.Owing to the storm=surge disaster, data loss is highly nonlinear; this study uses the Kernel Principal Component Analysis (KPCA) for nonlinear data dimension reduction optimization and the Radial Basis Function (RBF) neural network to train the dimension-reduced data to realize the assessment of direct economic loss owing to storm-surge disasters.This study collected data of 32 storm-surge disasters from 1996 to 2018 in the Guangdong Province to test the model.Results showed that the KPCA–RBF prediction model integrates the advantages of KPCA and the RBF neural network, which has high prediction accuracy, fast learning convergence speed, and good nonlinear fitting ability for storm-surge disaster data series.

    Mar.22, 2020

    [The National Natural Science Foundation of China, No.41371496; The National Science and Technology Support Program, No.2013BAK05B04]

    X43

    A

    1000-3096(2021)10-0032-08

    10.11759/hykx20200322001

    2020-03-22;

    2020-06-27

    國家自然科學(xué)基金(41371496); 國家科技支撐計(jì)劃項(xiàng)目(2013BAK05B04)

    楊雪雪(1995—), 女, 山東濰坊人, 碩士研究生, 主要從事海洋災(zāi)害風(fēng)險(xiǎn)管理研究, 電話: 17685821560, E-mail: yxlhpdr@163.com; 劉強(qiáng)(1961—), 通信作者, 教授, 主要從事海洋災(zāi)害風(fēng)險(xiǎn)管理研究, E-mail: liuqiang@ouc.edu.cn

    (本文編輯: 康亦兼)

    猜你喜歡
    風(fēng)暴潮降維經(jīng)濟(jì)損失
    Three-Body’s epic scale and fiercely guarded fanbase present challenges to adaptations
    交通運(yùn)輸部關(guān)于海上交通事故等級劃分的直接經(jīng)濟(jì)損失標(biāo)準(zhǔn)的公告
    美國供水與清潔基礎(chǔ)設(shè)施不足造成每年85.8億美元經(jīng)濟(jì)損失
    2012年“蘇拉”和“達(dá)維”雙臺(tái)風(fēng)影響的近海風(fēng)暴潮過程
    防范未來風(fēng)暴潮災(zāi)害的綠色海堤藍(lán)圖
    科學(xué)(2020年4期)2020-11-26 08:27:00
    基于多變量LSTM神經(jīng)網(wǎng)絡(luò)模型的風(fēng)暴潮臨近預(yù)報(bào)
    降維打擊
    海峽姐妹(2019年12期)2020-01-14 03:24:40
    燒傷創(chuàng)面感染直接經(jīng)濟(jì)損失病例對照研究
    廣東省風(fēng)暴潮時(shí)空分布特征及重點(diǎn)城市風(fēng)暴潮風(fēng)險(xiǎn)研究
    拋物化Navier-Stokes方程的降維仿真模型
    在线播放国产精品三级| .国产精品久久| 亚洲精品亚洲一区二区| 露出奶头的视频| 免费看a级黄色片| 日日夜夜操网爽| 波多野结衣高清无吗| 亚洲av不卡在线观看| 亚洲av一区综合| 天天一区二区日本电影三级| 神马国产精品三级电影在线观看| 精品久久久久久久人妻蜜臀av| 又黄又爽又刺激的免费视频.| 久久精品国产清高在天天线| 搡老岳熟女国产| 男女做爰动态图高潮gif福利片| 搡老岳熟女国产| 欧美日韩国产亚洲二区| 国产亚洲av嫩草精品影院| 九九热线精品视视频播放| 91麻豆精品激情在线观看国产| 国产精品一区二区三区四区久久| 97碰自拍视频| 悠悠久久av| 99热这里只有是精品50| 老鸭窝网址在线观看| 少妇被粗大猛烈的视频| 老熟妇仑乱视频hdxx| 在线观看免费视频日本深夜| 日韩免费av在线播放| 亚洲av成人不卡在线观看播放网| 淫妇啪啪啪对白视频| 婷婷色综合大香蕉| 欧美日韩瑟瑟在线播放| 国产av在哪里看| 嫩草影视91久久| 亚洲一区二区三区色噜噜| 久久精品国产亚洲av涩爱 | 久久精品91蜜桃| 国内精品久久久久精免费| 在线观看舔阴道视频| 免费av不卡在线播放| 中文资源天堂在线| 日本 欧美在线| 亚洲熟妇熟女久久| 久久99热这里只有精品18| 日本黄色视频三级网站网址| 97碰自拍视频| 国产主播在线观看一区二区| 一二三四社区在线视频社区8| 丰满人妻一区二区三区视频av| 国产免费男女视频| 97超级碰碰碰精品色视频在线观看| 国产亚洲精品久久久com| 99国产综合亚洲精品| 我要看日韩黄色一级片| 三级毛片av免费| 国产又黄又爽又无遮挡在线| 精品久久久久久久人妻蜜臀av| 老司机深夜福利视频在线观看| 一卡2卡三卡四卡精品乱码亚洲| 国产精品久久久久久人妻精品电影| 欧美在线黄色| 美女大奶头视频| 日韩精品青青久久久久久| 午夜a级毛片| 18禁在线播放成人免费| 97热精品久久久久久| 久久6这里有精品| 免费看a级黄色片| 又紧又爽又黄一区二区| 欧美区成人在线视频| 免费看光身美女| 国产白丝娇喘喷水9色精品| av在线观看视频网站免费| 欧美黑人欧美精品刺激| 欧美日韩中文字幕国产精品一区二区三区| 久久香蕉精品热| 高清在线国产一区| 日韩欧美在线二视频| 亚洲avbb在线观看| 国产aⅴ精品一区二区三区波| 在线观看66精品国产| 亚洲 国产 在线| 亚洲精品一区av在线观看| 国产精品一区二区三区四区免费观看 | 久久久久久久久久黄片| 国产老妇女一区| 熟女电影av网| 人人妻人人看人人澡| 又黄又爽又免费观看的视频| 国产精品免费一区二区三区在线| 可以在线观看的亚洲视频| 国产在线男女| 日韩成人在线观看一区二区三区| 中亚洲国语对白在线视频| 特大巨黑吊av在线直播| 91在线观看av| 欧美激情久久久久久爽电影| 久久久久国产精品人妻aⅴ院| 色综合欧美亚洲国产小说| www.www免费av| 夜夜爽天天搞| a在线观看视频网站| 精品欧美国产一区二区三| 高清在线国产一区| 波多野结衣巨乳人妻| 欧美极品一区二区三区四区| 日日干狠狠操夜夜爽| 有码 亚洲区| 床上黄色一级片| 毛片一级片免费看久久久久 | 精品久久久久久久久亚洲 | 国产精品久久久久久久久免 | 免费看日本二区| 精品熟女少妇八av免费久了| 国产淫片久久久久久久久 | 中文字幕av成人在线电影| 99在线人妻在线中文字幕| 午夜福利视频1000在线观看| 三级毛片av免费| 嫩草影院入口| 免费电影在线观看免费观看| 变态另类丝袜制服| 亚洲最大成人av| 国产精品免费一区二区三区在线| 国产国拍精品亚洲av在线观看| 国产真实乱freesex| 麻豆一二三区av精品| 在线a可以看的网站| 91久久精品电影网| 日韩免费av在线播放| 免费看光身美女| 亚洲欧美日韩东京热| 看十八女毛片水多多多| 亚洲中文字幕日韩| 久久人人精品亚洲av| 欧美一区二区亚洲| 三级毛片av免费| 99热这里只有是精品50| 国产高清三级在线| 精品无人区乱码1区二区| 亚洲精品影视一区二区三区av| 性插视频无遮挡在线免费观看| 亚洲最大成人手机在线| 又爽又黄无遮挡网站| 欧美绝顶高潮抽搐喷水| 免费电影在线观看免费观看| 国产精品亚洲av一区麻豆| 搞女人的毛片| 欧美日本亚洲视频在线播放| 国产精品三级大全| 国内毛片毛片毛片毛片毛片| 国产精品免费一区二区三区在线| 国产精品av视频在线免费观看| 1000部很黄的大片| 成人毛片a级毛片在线播放| 五月伊人婷婷丁香| 国产精品自产拍在线观看55亚洲| 日本一二三区视频观看| 国产精华一区二区三区| 狠狠狠狠99中文字幕| 久久久久久大精品| 免费观看人在逋| 深爱激情五月婷婷| 91久久精品国产一区二区成人| 国产久久久一区二区三区| 欧美最新免费一区二区三区 | 久久精品国产亚洲av香蕉五月| 黄色女人牲交| 村上凉子中文字幕在线| 在线天堂最新版资源| 国产三级中文精品| 中文字幕人成人乱码亚洲影| 国产精品日韩av在线免费观看| 99久久精品国产亚洲精品| 小蜜桃在线观看免费完整版高清| ponron亚洲| 亚洲欧美日韩无卡精品| 成人av一区二区三区在线看| 亚洲最大成人中文| 小说图片视频综合网站| 免费看a级黄色片| 久久精品综合一区二区三区| 国产久久久一区二区三区| 亚洲第一区二区三区不卡| 亚州av有码| 俺也久久电影网| 国产精品美女特级片免费视频播放器| 精品久久久久久久久久久久久| 99热这里只有是精品50| www.熟女人妻精品国产| 亚洲精品乱码久久久v下载方式| 成人美女网站在线观看视频| 午夜日韩欧美国产| h日本视频在线播放| 欧美午夜高清在线| 午夜免费激情av| 老女人水多毛片| 亚洲人成网站在线播放欧美日韩| 可以在线观看毛片的网站| 久久久久性生活片| 一本一本综合久久| 免费观看的影片在线观看| 国产麻豆成人av免费视频| 脱女人内裤的视频| 亚洲片人在线观看| 男人的好看免费观看在线视频| 老女人水多毛片| 亚洲va日本ⅴa欧美va伊人久久| 看十八女毛片水多多多| 91狼人影院| 国产毛片a区久久久久| 亚洲av五月六月丁香网| 国产乱人视频| 精品久久国产蜜桃| 精品99又大又爽又粗少妇毛片 | 亚洲一区二区三区不卡视频| 波多野结衣高清无吗| 18禁黄网站禁片免费观看直播| 成人毛片a级毛片在线播放| 国产野战对白在线观看| 18禁黄网站禁片免费观看直播| 五月玫瑰六月丁香| 99riav亚洲国产免费| 欧美高清性xxxxhd video| 国产精品综合久久久久久久免费| 99久久无色码亚洲精品果冻| 亚洲男人的天堂狠狠| 在线天堂最新版资源| 麻豆久久精品国产亚洲av| 在线天堂最新版资源| 国产高清三级在线| netflix在线观看网站| 中文亚洲av片在线观看爽| 在线观看一区二区三区| 国产精品日韩av在线免费观看| 毛片女人毛片| 美女被艹到高潮喷水动态| 欧美日韩黄片免| 亚洲精品日韩av片在线观看| 国产三级在线视频| 丰满的人妻完整版| 久久久久久大精品| 国产精品嫩草影院av在线观看 | 精品一区二区免费观看| 男人狂女人下面高潮的视频| 好男人电影高清在线观看| 97热精品久久久久久| 99久久精品一区二区三区| 精品人妻偷拍中文字幕| 偷拍熟女少妇极品色| 成人鲁丝片一二三区免费| 精品人妻熟女av久视频| 国产精品永久免费网站| 中文在线观看免费www的网站| 中文字幕高清在线视频| 成年女人看的毛片在线观看| 九九久久精品国产亚洲av麻豆| 日本一二三区视频观看| 免费在线观看日本一区| 波野结衣二区三区在线| 国产精品99久久久久久久久| 黄色日韩在线| 午夜福利高清视频| 床上黄色一级片| 国产欧美日韩一区二区精品| 精品久久久久久久久久免费视频| 国产精品久久久久久久电影| 一个人观看的视频www高清免费观看| 日日摸夜夜添夜夜添小说| 久久国产乱子免费精品| 最近最新免费中文字幕在线| 美女 人体艺术 gogo| 久久草成人影院| 国产精品一区二区免费欧美| 少妇熟女aⅴ在线视频| 国产午夜精品久久久久久一区二区三区 | 欧美精品国产亚洲| xxxwww97欧美| 少妇熟女aⅴ在线视频| 亚洲精品一区av在线观看| 国产不卡一卡二| 露出奶头的视频| 免费人成视频x8x8入口观看| 热99re8久久精品国产| 欧美一级a爱片免费观看看| 看十八女毛片水多多多| 99在线人妻在线中文字幕| 久久久久精品国产欧美久久久| 又粗又爽又猛毛片免费看| 欧美日韩乱码在线| 男人狂女人下面高潮的视频| 少妇的逼水好多| 欧美乱色亚洲激情| 麻豆久久精品国产亚洲av| 国产高清激情床上av| 欧美zozozo另类| 欧美极品一区二区三区四区| 国产乱人伦免费视频| 中文字幕熟女人妻在线| 乱码一卡2卡4卡精品| 神马国产精品三级电影在线观看| 日本免费a在线| 色视频www国产| 看免费av毛片| 国产精品99久久久久久久久| 午夜影院日韩av| 国产精品一及| 草草在线视频免费看| 国产黄a三级三级三级人| 久久久久九九精品影院| 国产69精品久久久久777片| 国产aⅴ精品一区二区三区波| av在线蜜桃| 国产黄色小视频在线观看| 国产精品一区二区免费欧美| 一进一出抽搐gif免费好疼| 精品国产三级普通话版| 国产亚洲欧美在线一区二区| 免费看美女性在线毛片视频| 欧美黑人巨大hd| 国产精品伦人一区二区| 亚洲色图av天堂| 少妇的逼好多水| 国产aⅴ精品一区二区三区波| 午夜免费成人在线视频| 国产精品久久久久久人妻精品电影| 国产精品久久电影中文字幕| 国产午夜精品论理片| 又黄又爽又免费观看的视频| 亚洲精品在线观看二区| 欧美午夜高清在线| 亚洲五月婷婷丁香| 黄色丝袜av网址大全| 免费av不卡在线播放| 亚洲熟妇中文字幕五十中出| 精品久久久久久久久久久久久| 精品人妻偷拍中文字幕| 色播亚洲综合网| av黄色大香蕉| 日本黄色视频三级网站网址| 午夜福利欧美成人| 哪里可以看免费的av片| 黄色视频,在线免费观看| 亚洲人与动物交配视频| 久久精品国产99精品国产亚洲性色| 久久久久免费精品人妻一区二区| 一进一出好大好爽视频| 麻豆av噜噜一区二区三区| 国产一级毛片七仙女欲春2| 女生性感内裤真人,穿戴方法视频| 一本一本综合久久| 99热这里只有是精品50| 两性午夜刺激爽爽歪歪视频在线观看| 中文亚洲av片在线观看爽| 美女大奶头视频| 亚洲av熟女| 99久久成人亚洲精品观看| 欧美成人一区二区免费高清观看| 尤物成人国产欧美一区二区三区| 午夜福利在线观看免费完整高清在 | 成人性生交大片免费视频hd| 久久性视频一级片| 免费在线观看日本一区| 悠悠久久av| 噜噜噜噜噜久久久久久91| 久久草成人影院| 久久久久久九九精品二区国产| 欧美日韩乱码在线| 国产大屁股一区二区在线视频| 国产免费一级a男人的天堂| 欧美精品国产亚洲| 性色av乱码一区二区三区2| 国产人妻一区二区三区在| 亚洲在线自拍视频| 国产精品综合久久久久久久免费| 免费观看人在逋| 亚洲久久久久久中文字幕| 欧美日韩瑟瑟在线播放| 久久人人爽人人爽人人片va | 国产午夜福利久久久久久| 最后的刺客免费高清国语| 婷婷亚洲欧美| 亚洲性夜色夜夜综合| 免费在线观看日本一区| 久久国产乱子伦精品免费另类| av在线天堂中文字幕| 欧美中文日本在线观看视频| 日日夜夜操网爽| 亚洲av成人不卡在线观看播放网| 国产精品爽爽va在线观看网站| 真人一进一出gif抽搐免费| 国产亚洲精品av在线| www.色视频.com| 99热6这里只有精品| 黄色一级大片看看| 美女黄网站色视频| 午夜精品在线福利| 国产亚洲欧美98| 免费一级毛片在线播放高清视频| 欧美日韩黄片免| 亚洲无线在线观看| 91麻豆av在线| 成人特级黄色片久久久久久久| 久久6这里有精品| 看免费av毛片| 男人舔女人下体高潮全视频| 久久午夜亚洲精品久久| 日韩欧美国产在线观看| 亚洲最大成人中文| 国产野战对白在线观看| 舔av片在线| 亚洲成a人片在线一区二区| 网址你懂的国产日韩在线| 最新中文字幕久久久久| 麻豆成人午夜福利视频| av福利片在线观看| 日韩高清综合在线| 麻豆久久精品国产亚洲av| av女优亚洲男人天堂| 永久网站在线| 精品免费久久久久久久清纯| 成人精品一区二区免费| 成人三级黄色视频| 69av精品久久久久久| 如何舔出高潮| 国产成人a区在线观看| 国语自产精品视频在线第100页| 高清日韩中文字幕在线| 一本一本综合久久| 在线十欧美十亚洲十日本专区| 精品久久久久久久久av| 无人区码免费观看不卡| 亚洲经典国产精华液单 | 日韩欧美在线二视频| 国产极品精品免费视频能看的| 国产成人福利小说| 午夜激情福利司机影院| 成人高潮视频无遮挡免费网站| 亚洲av成人av| 亚洲人成电影免费在线| 国产黄片美女视频| 国产精品日韩av在线免费观看| 亚洲国产精品久久男人天堂| 又粗又爽又猛毛片免费看| 欧美一区二区亚洲| 露出奶头的视频| 桃红色精品国产亚洲av| 久久久久久久久久成人| 久久人人爽人人爽人人片va | 亚洲精品一卡2卡三卡4卡5卡| а√天堂www在线а√下载| 国产伦在线观看视频一区| 成年女人永久免费观看视频| 国产高清三级在线| 日韩欧美一区二区三区在线观看| bbb黄色大片| 在线国产一区二区在线| 国产免费av片在线观看野外av| 成人av在线播放网站| 婷婷精品国产亚洲av| 色哟哟·www| 亚洲精品乱码久久久v下载方式| 午夜福利18| 国内精品久久久久久久电影| 欧美最新免费一区二区三区 | 日韩亚洲欧美综合| 国产探花在线观看一区二区| 国产三级中文精品| 中亚洲国语对白在线视频| 在线播放无遮挡| 香蕉av资源在线| 夜夜夜夜夜久久久久| 99久久久亚洲精品蜜臀av| 成人午夜高清在线视频| 怎么达到女性高潮| 深夜精品福利| 亚洲三级黄色毛片| 久久久精品欧美日韩精品| 中文字幕av在线有码专区| 精品久久久久久久久av| 国产成人a区在线观看| 一a级毛片在线观看| 精品一区二区三区视频在线| 91狼人影院| www.色视频.com| 性欧美人与动物交配| 国产高清视频在线播放一区| а√天堂www在线а√下载| 成人亚洲精品av一区二区| 一区二区三区高清视频在线| 美女xxoo啪啪120秒动态图 | 亚洲国产高清在线一区二区三| 亚洲狠狠婷婷综合久久图片| 级片在线观看| 日韩欧美精品v在线| 无人区码免费观看不卡| 亚洲精品在线美女| 久久亚洲真实| a级一级毛片免费在线观看| 一区福利在线观看| 特大巨黑吊av在线直播| 欧美午夜高清在线| 亚洲av中文字字幕乱码综合| 国产精品女同一区二区软件 | 国产成人啪精品午夜网站| 日本黄大片高清| 69av精品久久久久久| 国产色爽女视频免费观看| 色在线成人网| 国产精华一区二区三区| 欧美+日韩+精品| 91麻豆精品激情在线观看国产| 国产成人啪精品午夜网站| 国产午夜精品久久久久久一区二区三区 | x7x7x7水蜜桃| 午夜福利高清视频| 欧美日韩福利视频一区二区| 黄色日韩在线| 免费观看人在逋| 天堂网av新在线| 国产乱人视频| 日本 欧美在线| 午夜免费男女啪啪视频观看 | 欧美色欧美亚洲另类二区| 色在线成人网| 人妻久久中文字幕网| 村上凉子中文字幕在线| 欧美中文日本在线观看视频| 国产三级中文精品| 俺也久久电影网| 9191精品国产免费久久| 九九久久精品国产亚洲av麻豆| 欧美色视频一区免费| 国产亚洲精品av在线| 久久精品国产清高在天天线| 97超级碰碰碰精品色视频在线观看| 我的老师免费观看完整版| 日本一二三区视频观看| 亚洲人成网站在线播放欧美日韩| 18美女黄网站色大片免费观看| 熟女电影av网| 久久天躁狠狠躁夜夜2o2o| 国产亚洲精品综合一区在线观看| 国产精品av视频在线免费观看| 好男人在线观看高清免费视频| 少妇熟女aⅴ在线视频| 俄罗斯特黄特色一大片| 成人精品一区二区免费| 97超视频在线观看视频| 国产色爽女视频免费观看| 亚洲,欧美精品.| 九色国产91popny在线| 亚洲av一区综合| 亚洲,欧美,日韩| 岛国在线免费视频观看| 伦理电影大哥的女人| 欧美xxxx黑人xx丫x性爽| 91九色精品人成在线观看| 88av欧美| 国产v大片淫在线免费观看| 精品人妻偷拍中文字幕| 精品熟女少妇八av免费久了| 国产精品一区二区性色av| 欧美成狂野欧美在线观看| 伊人久久精品亚洲午夜| 久久久久久久午夜电影| 国产伦在线观看视频一区| 最近最新免费中文字幕在线| 国产毛片a区久久久久| 十八禁人妻一区二区| 日本黄色视频三级网站网址| 色播亚洲综合网| 欧美精品啪啪一区二区三区| АⅤ资源中文在线天堂| av黄色大香蕉| 国产真实伦视频高清在线观看 | 国产国拍精品亚洲av在线观看| 九色国产91popny在线| 日韩欧美一区二区三区在线观看| 看片在线看免费视频| 国产成人福利小说| 欧美最黄视频在线播放免费| 有码 亚洲区| 国产亚洲精品综合一区在线观看| 久久久久久大精品| 国产在线男女| 综合色av麻豆| 国产成+人综合+亚洲专区| 免费看美女性在线毛片视频| 久久久久免费精品人妻一区二区| 国产精品日韩av在线免费观看| a级一级毛片免费在线观看| 亚洲无线在线观看| 亚洲中文日韩欧美视频| 九九热线精品视视频播放| 天堂av国产一区二区熟女人妻| 国产成人福利小说| 欧美一级a爱片免费观看看| 久久精品国产清高在天天线| 午夜久久久久精精品| 亚洲av美国av| 日日夜夜操网爽| 制服丝袜大香蕉在线| 一个人看的www免费观看视频| 嫁个100分男人电影在线观看| 欧美+亚洲+日韩+国产| 最新在线观看一区二区三区| 深夜a级毛片| 蜜桃亚洲精品一区二区三区| 少妇被粗大猛烈的视频| 亚洲人成网站在线播| 91麻豆精品激情在线观看国产| 亚洲av成人精品一区久久|