• <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
    超碰97精品在线观看| 国产伦理片在线播放av一区| 国产无遮挡羞羞视频在线观看| av国产久精品久网站免费入址| 亚洲综合精品二区| 亚洲成人一二三区av| 日韩电影二区| 亚洲国产精品一区二区三区在线| 爱豆传媒免费全集在线观看| videossex国产| 在线观看www视频免费| 日韩电影二区| 日韩人妻高清精品专区| 亚洲欧美成人综合另类久久久| 一级片'在线观看视频| 91久久精品国产一区二区成人| a 毛片基地| 狠狠精品人妻久久久久久综合| 免费看不卡的av| 大话2 男鬼变身卡| 欧美精品国产亚洲| 久久久久网色| 夜夜爽夜夜爽视频| 亚洲,欧美,日韩| 国产精品熟女久久久久浪| 夜夜看夜夜爽夜夜摸| 丝袜喷水一区| 色婷婷久久久亚洲欧美| 亚洲欧洲日产国产| 精品国产乱码久久久久久小说| 国产高清国产精品国产三级| 免费黄色在线免费观看| 人人妻人人看人人澡| 亚洲精品aⅴ在线观看| 亚洲av.av天堂| 国产成人免费无遮挡视频| 欧美丝袜亚洲另类| 99re6热这里在线精品视频| 日韩av在线免费看完整版不卡| 亚洲精品色激情综合| 好男人视频免费观看在线| 香蕉精品网在线| 国产成人一区二区在线| 久久国产乱子免费精品| 亚洲色图综合在线观看| av福利片在线观看| 观看免费一级毛片| 成年美女黄网站色视频大全免费 | 久久久久久久久久成人| 国产精品一区二区性色av| 亚洲精品乱码久久久久久按摩| 亚洲av福利一区| 一区二区三区乱码不卡18| 国产精品蜜桃在线观看| 性高湖久久久久久久久免费观看| 亚洲怡红院男人天堂| 国精品久久久久久国模美| 国产精品久久久久久精品古装| 男人添女人高潮全过程视频| 国产成人精品无人区| 亚洲国产欧美在线一区| 人妻少妇偷人精品九色| 赤兔流量卡办理| 天天躁夜夜躁狠狠久久av| 亚洲欧洲日产国产| 免费看av在线观看网站| 看十八女毛片水多多多| 国产精品国产三级国产av玫瑰| 我要看黄色一级片免费的| 涩涩av久久男人的天堂| 欧美精品一区二区大全| 亚洲欧洲日产国产| 免费看日本二区| 久久精品国产亚洲av涩爱| 国产真实伦视频高清在线观看| 18禁在线播放成人免费| 99热这里只有精品一区| 人体艺术视频欧美日本| 国产精品欧美亚洲77777| 欧美日韩av久久| 久久婷婷青草| 欧美日韩在线观看h| 欧美日韩视频高清一区二区三区二| 久久99热6这里只有精品| 国产毛片在线视频| 免费观看a级毛片全部| 精品少妇久久久久久888优播| 国产一级毛片在线| .国产精品久久| 桃花免费在线播放| 人妻少妇偷人精品九色| 中国美白少妇内射xxxbb| 亚洲精品,欧美精品| 偷拍熟女少妇极品色| 建设人人有责人人尽责人人享有的| 久久亚洲国产成人精品v| 自拍偷自拍亚洲精品老妇| 少妇裸体淫交视频免费看高清| 国产精品久久久久久精品古装| 国产在线免费精品| 亚洲综合色惰| 国产精品嫩草影院av在线观看| 成人美女网站在线观看视频| 婷婷色麻豆天堂久久| 在线观看国产h片| 欧美丝袜亚洲另类| 国产av码专区亚洲av| 各种免费的搞黄视频| 日韩亚洲欧美综合| 久久av网站| 国产精品无大码| 一区二区三区四区激情视频| 国产一区有黄有色的免费视频| 天天操日日干夜夜撸| 久久ye,这里只有精品| 国产亚洲一区二区精品| av福利片在线观看| 国产成人精品婷婷| 国产无遮挡羞羞视频在线观看| 大香蕉久久网| av又黄又爽大尺度在线免费看| 中文乱码字字幕精品一区二区三区| 国产欧美日韩精品一区二区| 欧美日韩精品成人综合77777| 王馨瑶露胸无遮挡在线观看| 国产高清三级在线| 欧美日韩在线观看h| 久久韩国三级中文字幕| 久久婷婷青草| 91aial.com中文字幕在线观看| av在线播放精品| 九九爱精品视频在线观看| 色网站视频免费| 在线观看三级黄色| 国产乱来视频区| 国产精品一区二区三区四区免费观看| 在线观看三级黄色| 女的被弄到高潮叫床怎么办| 亚洲第一区二区三区不卡| 国产精品三级大全| 欧美丝袜亚洲另类| 成人亚洲欧美一区二区av| 18禁裸乳无遮挡动漫免费视频| 人妻少妇偷人精品九色| h日本视频在线播放| 最近最新中文字幕免费大全7| 女性被躁到高潮视频| 赤兔流量卡办理| 国产熟女午夜一区二区三区 | 国产欧美日韩一区二区三区在线 | 最近最新中文字幕免费大全7| 丝袜脚勾引网站| 欧美精品高潮呻吟av久久| 国产在视频线精品| 国产永久视频网站| 久久99蜜桃精品久久| 久久99蜜桃精品久久| 激情五月婷婷亚洲| 久久午夜福利片| 欧美xxxx性猛交bbbb| videos熟女内射| 麻豆成人av视频| 久久久久久久久久久免费av| 国产白丝娇喘喷水9色精品| 伊人亚洲综合成人网| 欧美bdsm另类| 男女国产视频网站| av女优亚洲男人天堂| av在线app专区| 岛国毛片在线播放| 午夜日本视频在线| 99热网站在线观看| av在线播放精品| 国产精品一二三区在线看| 又黄又爽又刺激的免费视频.| 国产一区二区三区综合在线观看 | 久久精品夜色国产| 亚洲在久久综合| 哪个播放器可以免费观看大片| 有码 亚洲区| 国内精品宾馆在线| 久久久久久久亚洲中文字幕| 亚洲av国产av综合av卡| 人妻人人澡人人爽人人| 国产毛片在线视频| 九色成人免费人妻av| 啦啦啦啦在线视频资源| 国产成人一区二区在线| 日韩av不卡免费在线播放| 久久久午夜欧美精品| 国产 一区精品| 97超视频在线观看视频| 国产免费视频播放在线视频| 嘟嘟电影网在线观看| kizo精华| 国产精品偷伦视频观看了| 免费av中文字幕在线| 国内精品宾馆在线| 中文字幕人妻熟人妻熟丝袜美| 久久女婷五月综合色啪小说| 精品国产乱码久久久久久小说| 日本爱情动作片www.在线观看| 日韩一区二区三区影片| 麻豆成人av视频| 国产 一区精品| 精品少妇久久久久久888优播| 在线免费观看不下载黄p国产| 免费大片黄手机在线观看| 日韩三级伦理在线观看| 内地一区二区视频在线| 日产精品乱码卡一卡2卡三| av卡一久久| 久久婷婷青草| 国产精品国产三级国产av玫瑰| 国产亚洲一区二区精品| 22中文网久久字幕| 欧美日韩国产mv在线观看视频| 亚洲精华国产精华液的使用体验| 免费不卡的大黄色大毛片视频在线观看| 秋霞在线观看毛片| 纵有疾风起免费观看全集完整版| 99久久综合免费| 两个人免费观看高清视频 | 黑人巨大精品欧美一区二区蜜桃 | 精品国产一区二区三区久久久樱花| 精品一区在线观看国产| 中文在线观看免费www的网站| 国产黄频视频在线观看| av女优亚洲男人天堂| 伦理电影大哥的女人| 一边亲一边摸免费视频| 精品人妻一区二区三区麻豆| 26uuu在线亚洲综合色| 国产淫片久久久久久久久| 看免费成人av毛片| 成人影院久久| 精品一区二区三卡| 亚洲av.av天堂| 亚洲av综合色区一区| 日本-黄色视频高清免费观看| 国产成人精品婷婷| 青春草亚洲视频在线观看| 亚洲欧美一区二区三区黑人 | 久久精品久久精品一区二区三区| 久久精品国产a三级三级三级| 欧美日韩一区二区视频在线观看视频在线| 十分钟在线观看高清视频www | 在线 av 中文字幕| 蜜桃久久精品国产亚洲av| 秋霞伦理黄片| 91久久精品电影网| 国产男女内射视频| 狂野欧美激情性bbbbbb| 久久亚洲国产成人精品v| 久久国产乱子免费精品| 亚洲色图综合在线观看| 亚洲不卡免费看| 国产精品.久久久| 一区二区av电影网| 99久久精品国产国产毛片| 免费人成在线观看视频色| 久久久亚洲精品成人影院| 久久ye,这里只有精品| 免费黄色在线免费观看| 欧美成人精品欧美一级黄| 欧美精品一区二区大全| 亚洲av电影在线观看一区二区三区| 国产乱来视频区| 大话2 男鬼变身卡| av在线播放精品| 成人二区视频| 精品一区在线观看国产| 欧美国产精品一级二级三级 | 啦啦啦啦在线视频资源| 国产成人freesex在线| 人人妻人人澡人人看| 午夜老司机福利剧场| 99热这里只有是精品50| 男女啪啪激烈高潮av片| 欧美日韩视频高清一区二区三区二| 亚洲精品国产av蜜桃| 国产高清不卡午夜福利| 亚洲自偷自拍三级| 亚洲精品第二区| 在线精品无人区一区二区三| 国产极品粉嫩免费观看在线 | 一级毛片电影观看| 性色av一级| 午夜福利网站1000一区二区三区| 夜夜骑夜夜射夜夜干| 九草在线视频观看| 丰满迷人的少妇在线观看| 免费人成在线观看视频色| 七月丁香在线播放| 中文字幕人妻熟人妻熟丝袜美| 欧美日韩精品成人综合77777| 麻豆乱淫一区二区| 91午夜精品亚洲一区二区三区| 国内精品宾馆在线| 制服丝袜香蕉在线| 一本一本综合久久| 免费观看av网站的网址| 夜夜骑夜夜射夜夜干| 久久久久久久久久久免费av| 久久韩国三级中文字幕| h日本视频在线播放| 嫩草影院新地址| 人人妻人人看人人澡| 国产成人a∨麻豆精品| 日韩欧美一区视频在线观看 | 两个人免费观看高清视频 | 人人妻人人爽人人添夜夜欢视频 | 黑人巨大精品欧美一区二区蜜桃 | 国产精品不卡视频一区二区| 国产一区二区三区av在线| 男男h啪啪无遮挡| 一个人免费看片子| 街头女战士在线观看网站| 久久午夜福利片| 国产午夜精品一二区理论片| 观看av在线不卡| 91精品伊人久久大香线蕉| 欧美97在线视频| 看非洲黑人一级黄片| 麻豆乱淫一区二区| 免费观看在线日韩| 视频中文字幕在线观看| 国产爽快片一区二区三区| 亚洲av欧美aⅴ国产| av在线播放精品| 免费看不卡的av| 国产精品人妻久久久影院| 国产精品伦人一区二区| 欧美三级亚洲精品| 国产亚洲91精品色在线| 午夜福利影视在线免费观看| 国产伦精品一区二区三区四那| 这个男人来自地球电影免费观看 | 亚洲精品亚洲一区二区| 国产在视频线精品| 日韩一区二区视频免费看| 街头女战士在线观看网站| 99久久精品国产国产毛片| 国产午夜精品一二区理论片| 深夜a级毛片| 一区二区三区免费毛片| 高清在线视频一区二区三区| 成人毛片a级毛片在线播放| 丰满迷人的少妇在线观看| 国产乱人偷精品视频| 亚洲精品乱码久久久久久按摩| av卡一久久| 人人妻人人看人人澡| 亚洲美女视频黄频| 丝袜脚勾引网站| 精品酒店卫生间| 国产成人精品婷婷| 婷婷色av中文字幕| 亚洲欧美一区二区三区黑人 | 久久精品夜色国产| 在线天堂最新版资源| 国产黄片视频在线免费观看| 一级爰片在线观看| 一本—道久久a久久精品蜜桃钙片| 久久精品国产亚洲av天美| 美女主播在线视频| 久久久久久人妻| 久久精品久久久久久噜噜老黄| 欧美日韩亚洲高清精品| 国产欧美日韩综合在线一区二区 | 欧美精品人与动牲交sv欧美| 欧美xxxx性猛交bbbb| 中文天堂在线官网| 国产黄色视频一区二区在线观看| 久久久亚洲精品成人影院| 欧美xxxx性猛交bbbb| 日韩一本色道免费dvd| 最近的中文字幕免费完整| 国产永久视频网站| 国产精品一二三区在线看| 国产精品偷伦视频观看了| 性色av一级| 国产精品无大码| 久热久热在线精品观看| 精品国产一区二区久久| 久久精品国产亚洲av天美| 菩萨蛮人人尽说江南好唐韦庄| 精品亚洲乱码少妇综合久久| 国产伦精品一区二区三区视频9| 亚洲av在线观看美女高潮| 久久久久久伊人网av| 国产亚洲av片在线观看秒播厂| 亚洲精品日韩av片在线观看| 男男h啪啪无遮挡| 在线观看美女被高潮喷水网站| 高清在线视频一区二区三区| 男人舔奶头视频| av天堂久久9| 狠狠精品人妻久久久久久综合| 国产成人精品福利久久| 七月丁香在线播放| 99热6这里只有精品| 波野结衣二区三区在线| 久久久久人妻精品一区果冻| 久久久a久久爽久久v久久| 观看av在线不卡| 一级黄片播放器| 99精国产麻豆久久婷婷| 偷拍熟女少妇极品色| 欧美97在线视频| 日韩制服骚丝袜av| 欧美丝袜亚洲另类| 男的添女的下面高潮视频| 国产在视频线精品| www.av在线官网国产| av天堂久久9| 国产淫语在线视频| 亚洲欧美成人综合另类久久久| 韩国高清视频一区二区三区| 美女大奶头黄色视频| 亚洲va在线va天堂va国产| 免费大片黄手机在线观看| 国国产精品蜜臀av免费| 精品一品国产午夜福利视频| 免费大片18禁| 欧美最新免费一区二区三区| 中文乱码字字幕精品一区二区三区| 黑丝袜美女国产一区| 亚洲精品久久午夜乱码| 国产淫语在线视频| 日本vs欧美在线观看视频 | 高清黄色对白视频在线免费看 | 日本色播在线视频| av线在线观看网站| 久久久国产一区二区| 久久久欧美国产精品| 天堂8中文在线网| 国产在线免费精品| 大香蕉97超碰在线| 男女边摸边吃奶| 国产乱来视频区| 国产一区二区在线观看日韩| 免费黄频网站在线观看国产| 男女边吃奶边做爰视频| 一个人看视频在线观看www免费| 午夜福利视频精品| 三级国产精品欧美在线观看| 建设人人有责人人尽责人人享有的| 婷婷色综合大香蕉| 精品亚洲成国产av| 一级a做视频免费观看| 亚洲国产精品999| 啦啦啦中文免费视频观看日本| 久久国产精品大桥未久av | 欧美日韩视频精品一区| 久久精品国产亚洲av天美| 大又大粗又爽又黄少妇毛片口| 日韩中字成人| 亚洲国产精品国产精品| 日本猛色少妇xxxxx猛交久久| 欧美老熟妇乱子伦牲交| 午夜福利视频精品| 三级国产精品欧美在线观看| 色视频www国产| 日韩中字成人| 欧美精品高潮呻吟av久久| 欧美少妇被猛烈插入视频| 精品人妻熟女毛片av久久网站| 好男人视频免费观看在线| 在线看a的网站| 三级国产精品片| 免费播放大片免费观看视频在线观看| 国产免费又黄又爽又色| 亚洲情色 制服丝袜| 国产精品一区二区三区四区免费观看| 日韩免费高清中文字幕av| 久久免费观看电影| 亚洲精品456在线播放app| 日日撸夜夜添| 人人妻人人看人人澡| 一区二区三区四区激情视频| 成年美女黄网站色视频大全免费 | 少妇被粗大的猛进出69影院 | 久久精品久久久久久噜噜老黄| 少妇精品久久久久久久| 免费不卡的大黄色大毛片视频在线观看| 国产乱人偷精品视频| 天天躁夜夜躁狠狠久久av| 少妇被粗大猛烈的视频| 少妇 在线观看| av网站免费在线观看视频| 色婷婷久久久亚洲欧美| 高清午夜精品一区二区三区| 插阴视频在线观看视频| av天堂中文字幕网| 热re99久久国产66热| 亚洲经典国产精华液单| 国精品久久久久久国模美| 人妻制服诱惑在线中文字幕| 啦啦啦中文免费视频观看日本| www.av在线官网国产| 午夜福利视频精品| 色网站视频免费| av不卡在线播放| 黑丝袜美女国产一区| 热re99久久国产66热| 亚洲成色77777| 国精品久久久久久国模美| 伦理电影大哥的女人| 一二三四中文在线观看免费高清| 久久久欧美国产精品| 久久ye,这里只有精品| 亚洲,欧美,日韩| 一本久久精品| 最新的欧美精品一区二区| 中文字幕免费在线视频6| 大码成人一级视频| 伊人久久精品亚洲午夜| 老司机影院成人| 亚洲天堂av无毛| 一个人免费看片子| 欧美日韩视频高清一区二区三区二| 欧美区成人在线视频| 国产日韩欧美视频二区| 亚洲av.av天堂| 欧美老熟妇乱子伦牲交| 国语对白做爰xxxⅹ性视频网站| 国产极品天堂在线| freevideosex欧美| 下体分泌物呈黄色| 亚洲欧洲国产日韩| 日韩一区二区视频免费看| 亚洲色图综合在线观看| 91久久精品电影网| 熟妇人妻不卡中文字幕| 成人特级av手机在线观看| 精品酒店卫生间| 精品人妻熟女av久视频| a级毛片在线看网站| 国产中年淑女户外野战色| 日韩熟女老妇一区二区性免费视频| 日韩av在线免费看完整版不卡| 欧美精品亚洲一区二区| 伊人亚洲综合成人网| 欧美日韩av久久| 亚洲精品aⅴ在线观看| 亚洲精品456在线播放app| 自拍欧美九色日韩亚洲蝌蚪91 | 美女国产视频在线观看| 欧美老熟妇乱子伦牲交| 中文字幕精品免费在线观看视频 | 久久久久久久久久久久大奶| 高清毛片免费看| √禁漫天堂资源中文www| 尾随美女入室| 黄色怎么调成土黄色| 亚洲精品一二三| 制服丝袜香蕉在线| 成年人午夜在线观看视频| av播播在线观看一区| 亚洲国产精品国产精品| 草草在线视频免费看| 精品久久久噜噜| 久久人人爽人人爽人人片va| 久久久久久久大尺度免费视频| 色婷婷av一区二区三区视频| 成年女人在线观看亚洲视频| 久久久久久久精品精品| 大香蕉久久网| 一本一本综合久久| av播播在线观看一区| 精品亚洲乱码少妇综合久久| 国产精品三级大全| 91精品一卡2卡3卡4卡| 国产高清有码在线观看视频| 肉色欧美久久久久久久蜜桃| 免费在线观看成人毛片| 精品国产乱码久久久久久小说| 欧美日韩亚洲高清精品| 日韩大片免费观看网站| 亚洲人成网站在线播| 九九久久精品国产亚洲av麻豆| 亚洲av成人精品一区久久| 搡老乐熟女国产| 大香蕉久久网| 国产精品熟女久久久久浪| 日韩av不卡免费在线播放| 嘟嘟电影网在线观看| 一本—道久久a久久精品蜜桃钙片| av视频免费观看在线观看| 日韩成人av中文字幕在线观看| av福利片在线观看| 国产 精品1| 欧美日韩在线观看h| 丁香六月天网| 中国国产av一级| 国产成人精品福利久久| 日韩亚洲欧美综合| 欧美精品人与动牲交sv欧美| 韩国av在线不卡| 亚洲熟女精品中文字幕| 亚洲精品乱码久久久v下载方式| 亚洲综合色惰| 精品一区二区三卡| 欧美另类一区| 99国产精品免费福利视频| 最近中文字幕高清免费大全6| 性高湖久久久久久久久免费观看| 能在线免费看毛片的网站| 亚洲av日韩在线播放| 最近的中文字幕免费完整| 国产午夜精品久久久久久一区二区三区| 欧美成人精品欧美一级黄| 亚洲怡红院男人天堂| 又黄又爽又刺激的免费视频.|