• <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 ?

    樣本線性化與數(shù)據(jù)去重的極限學習機

    2021-12-07 03:38:10張燦代子彪安鑫李建華
    智能計算機與應(yīng)用 2021年7期
    關(guān)鍵詞:極限學習機支持向量機

    張燦 代子彪 安鑫 李建華

    摘 要: 對于多標簽分類中存在非線性的數(shù)據(jù)樣本和重復的樣本數(shù)據(jù)問題,本文提出了一種基于在線順序極限學習機(Online Sequential Extreme Learning Machine, OS-ELM)的改進算法—樣本線性化和數(shù)據(jù)預處理極限學習機(PDC-ELM)。PDC-ELM算法對線性不可分的數(shù)據(jù)樣本先利用核函數(shù)進行處理,使數(shù)據(jù)樣本具有線性可分的特征,對于處理后的數(shù)據(jù)樣本,利用在線順序極限學習機(OS-ELM)在計算之前對分類數(shù)據(jù)進行預處理,即從訓練和測試數(shù)據(jù)集中查找不一樣的特征標簽并保存類標簽中,實驗中新生成的標簽組將不具有重復的特征標簽,大大減少了訓練的對比次數(shù)。實驗表明,相比于其他沒有樣本線性化和數(shù)據(jù)預處理的極限學習機模型,計算的準確度得到很大的提升,計算時間也有所降低。

    關(guān)鍵詞: 極限學習機; 核函數(shù); 多標簽分類; 多標簽數(shù)據(jù); 支持向量機

    文章編號: 2095-2163(2021)07-0024-08中圖分類號:TP181文獻標志碼: A

    Extreme learning machine for sample linearization and data deduplication

    ZHANG Can, DAI Zibiao, AN Xin, LI Jianhua

    (School of Computer Science and Information Engineering, Hefei University of Technology, Hefei 230009, China)

    【Abstract】For the problem of nonlinear data samples and duplicate data in multi-label classification, this paper proposes an improved algorithm based on Online Sequential Extreme Learning Machine (OS-ELM) for sample linearization and data preprocessing extreme learning machine (PDC-ELM).The PDC-ELM algorithm first uses the kernel function to process the linearly inseparable data samples, so that the data samples have linearly separable characteristics.For the processed data samples, the Online Sequential Extreme Learning Machine (OS-ELM) is used to preprocess the classified data before calculation.That is, different feature labels from the training and test data sets are searched and saved in the class labels,the newly generated label group in the experiment will not have repeated feature labels, which greatly reduces the number of training comparisons.? Experimental results show that compared with other extreme learning machine models without sample linearization and data preprocessing, the calculation accuracy is significantly improved and the calculation time is also reduced.

    【Key words】extreme learning machine; kernel function; multi-label classification; multi-label data; support vector machine

    0 引 言

    極限學習機是Huang提出的一種訓練單隱層前饋神經(jīng)網(wǎng)絡(luò)[1]的新型機器學習算法。在過去的20多年里,很多學者[2-5]已對單隱層前饋神經(jīng)網(wǎng)絡(luò)展開深入研究。單隱層前饋神經(jīng)網(wǎng)絡(luò)有2種主要架構(gòu)。一種是帶有加性隱藏節(jié)點的架構(gòu),另一種是帶有徑向基函數(shù)隱藏節(jié)點的架構(gòu)。對于使用單隱層前饋神經(jīng)網(wǎng)絡(luò)的許多應(yīng)用程序來說,訓練方法通常是批處理學習類型的。多數(shù)情況下,批處理學習是一個耗時的事情,因為其中可能涉及到對訓練數(shù)據(jù)的多次迭代。在大多數(shù)應(yīng)用程序中,這可能需要幾分鐘到幾個小時,并且必須正確地選擇學習參數(shù),以確保收斂。此外,每當接收到新數(shù)據(jù)時,批處理學習都會將歷史數(shù)據(jù)和新數(shù)據(jù)一起使用,并進行再訓練,因此會消耗大量時間。在許多工業(yè)應(yīng)用中,在線順序?qū)W習算法比批處理學習算法更受歡迎,因為順序?qū)W習算法在接收新數(shù)據(jù)時不需要再訓練。

    與此同時,許多研究者將經(jīng)典的極限學習機擴展到核學習,證明了極限學習機不僅適用于Sigmoid網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)[6]等經(jīng)典的特征映射,還適用于多種類型的特征映射。在對類別分布不平衡的數(shù)據(jù)進行分類時,Priya等人[7-8]提出了一種統(tǒng)一的加權(quán)極限學習機方法(weighted ELM)來處理復雜的數(shù)據(jù)分布,即在其中對每個樣本點額外賦予一個權(quán)重。然而,上文論述的極限學習機方法并沒有將樣本線性化和數(shù)據(jù)預處理數(shù)據(jù)添加到操作中。

    極限學習機算法在泛化性能上也有較高的效率和精度[9]。在線順序極限學習機[10-12](OS-ELM)算法是基于極限學習機框架的在線學習版本。在線順序極限學習機不僅可以逐個地學習訓練數(shù)據(jù),而且可以逐塊地學習,丟棄已經(jīng)訓練過的數(shù)據(jù)。在以下意義上,這就是一個通用的順序?qū)W習算法。將訓練觀察結(jié)果按順序,逐個地或塊接塊,呈現(xiàn)給學習算法。在任何時候,只有新到達的單個或大塊的觀察,而不是整個過去的數(shù)據(jù)被看到和學習。一旦某一特定、單個或組塊,觀察的學習過程結(jié)束,就丟棄單個或一組訓練觀察。在線順序極限學習機起源于批量學習極限學習機[13-16],為具有加性和徑向基函數(shù)節(jié)點的單隱層前饋神經(jīng)網(wǎng)絡(luò)開發(fā)。在函數(shù)回歸和分類領(lǐng)域的一些基準問題上對極限學習機的性能進行了評估。結(jié)果表明,與其他基于梯度下降的學習算法(包括反向傳播 [17-18]算法)相比,極限學習機在更高的學習速度下提供了更好的泛化性能,許多應(yīng)用的學習階段在秒內(nèi)即可完成[19]。

    需要一提的是,確定標簽子集時,在線順序極限學習機卻忽略了樣本的特征。一方面,由標簽子集轉(zhuǎn)換而來的類可能具有較低的可分離性;另一方面,一些標簽組合會導致分布高度不平衡[20],導致現(xiàn)有的單標簽學習算法難以應(yīng)用。這對這些不足,需要解決2個問題:

    (1)如何挖掘樣本特征,設(shè)計有效的指標來評價標簽子集的質(zhì)量。

    (2)如何基于質(zhì)量度量從大量候選子集中實現(xiàn)快速選擇。

    針對問題(1),研究中采用基于線性判別比的測度來評價主標簽類的可分性,再使用聯(lián)合熵來描述數(shù)據(jù)的不平衡程度。由于核技術(shù)在特征空間中更容易分析可分性,因此可采用核支持向量機(kernel support vector machine, SVM)作為基礎(chǔ)學習器[21-22]。對于問題(2),應(yīng)在極限學習機中預先從訓練和測試數(shù)據(jù)集中查找不同的標簽并保存類標簽中,如此一來,在時間和效率上都得到了很大的提升。

    極限學習機算法在單標簽分類[23]中表現(xiàn)出更優(yōu)異的性能?;跇O限學習機算法的多標簽分類[24-25]研究相對較少。針對多標簽分類問題,Sun等人[25]提出了一種基于閾值法的極限學習機算法。此外,文獻[7]也提出了一種多標簽分類的核極限學習機算法。然而,現(xiàn)有的基于極限學習機的多標簽分類方法并沒有考慮到樣本線性化和樣本數(shù)據(jù)預處理。本文中介紹了一種新的基于在線順序極限學習機來處理多標簽分類問題的改進算法,即樣本線性化和數(shù)據(jù)預處理極限學習機(PDC-ELM)。本文對多標簽分類方案的主要貢獻如下:

    (1)針對線性不可分的數(shù)據(jù)樣本,先采用核函數(shù)進行處理,使之線性可分。

    (2)對于處理后的數(shù)據(jù)樣本,為了減少計算量,預先從訓練數(shù)據(jù)集和測試數(shù)據(jù)集中查找不一樣的標簽并保存類標簽中。

    (3)將多標簽分類問題分解為單獨的單標簽分類問題,就是將多標簽問題轉(zhuǎn)化為一組單標簽問題。

    (4)在極限學習機算法中,輸出權(quán)值由最小二乘法確定。

    本文組織如下:首先,介紹了相關(guān)背景工作,包括多標簽分類和極限學習機的探討。其次,研究相關(guān)工作有在線順序極限學習機與核函數(shù)。然后,詳細分析了PDC-ELM相關(guān)操作與處理,包括動機、優(yōu)化的預處理、算法分析和處理過程。接下來,給出了實驗相關(guān)數(shù)據(jù)和比較結(jié)果。最后,是本文的結(jié)論部分。

    1 背景

    1.1 多標簽分類

    傳統(tǒng)的監(jiān)督學習是著名的機器學習范式之一,其中每個例子由一個實例和一個標簽組成。 然而,在多標簽應(yīng)用程序中,每個例子也由一個單獨的實例表示,同時與一組標簽相關(guān)聯(lián),多標簽問題更符合現(xiàn)實世界的應(yīng)用,同時也給監(jiān)督學習領(lǐng)域帶來了挑戰(zhàn)[26]。

    多標簽分類的目的是將一個實例x∈Rd映射到標簽集YL={1,2,…,k},其中k是類的數(shù)量。多標簽分類的任務(wù)是根據(jù)訓練集D={(xi,yi)|i=1,2,…,n}構(gòu)造一個函數(shù)f(·): f(X)→Y。對于任何看不見的實例x∈X,多標簽分類器f(·)將f(x)y預測為x的正確標簽集。

    1.2 極限學習機

    一般情況下,給定一個由N個任意不同樣本組成的訓練集個隱節(jié)點的單隱層前饋網(wǎng)絡(luò)函數(shù)可以表示為:

    其中,aj和bj表示隨機確定的學習參數(shù);βj表示輸出權(quán)重矩陣連接第j個隱藏輸出節(jié)點;xi和ti分別是第i個觀測的特征和輸出;G(aj,bj,cj)是一個滿足極限學習機通用逼近能力定理的非線性分段連續(xù)函數(shù)。

    2 在線順序極限學習機

    在初始階段,假設(shè)有N0個任意的訓練樣本(Xi,ti),其中Xi=xi1,xi2,…,ximT∈Rn, ti=ti1,ti2,…,timT∈Rm。利用基本的極限學習機算法的思想,希望求得滿足‖H0β-T0‖最小的β0,運算時需用到:

    此時,根據(jù)廣義逆的計算方法,可以計算出β0。

    3 PDC-ELM

    3.1 動機

    相比于代表性的極限學習機模型(包括ELM,L21-ELM[27]),在線順序極限學習機有比較明顯的優(yōu)勢,在線順序極限學習機不僅可以逐個地學習訓練數(shù)據(jù),而且可以逐塊地學習,丟棄已經(jīng)訓練過的數(shù)據(jù)。在以下操作上,這就是一個通用的順序?qū)W習算法。對此可做詳述如下。

    (1)將訓練觀察結(jié)果按順序,逐個或塊接塊,呈現(xiàn)給學習算法。

    (2)在任何時候,只有新到達的單個或大塊的觀察,而不是整個過去的數(shù)據(jù),被看到和學習。

    (3)如果某一特定單個或組塊的觀察學習過程完成,就丟棄單個或一組訓練觀察。

    在線順序極限學習機雖然有以上的優(yōu)勢,但卻未能很好地去處理非線性樣本。與之相對應(yīng),核函數(shù)的優(yōu)勢恰在于此,對其特點可概述如下。

    (1)核函數(shù)的引入避免了復雜維數(shù),大大減小了計算量。而輸入空間的維數(shù)n對核函數(shù)矩陣并無影響,因此,核函數(shù)方法可以有效處理高維輸入。

    (2)無需知道非線性變換函數(shù)的形式和參數(shù)。

    (3)核函數(shù)的形式和參數(shù)的變化會隱式地改變從輸入空間到特征空間的映射,如此即會對特征空間的性質(zhì)產(chǎn)生影響,從而改變各種核函數(shù)方法的性能。

    (4)核函數(shù)方法能和不同的算法相結(jié)合,形成多種不同的基于核函數(shù)技術(shù)的方法,且這2部分的設(shè)計可以單獨進行,并可以為不同的應(yīng)用選擇不同的核函數(shù)和算法。

    綜上所述可知,若是將核函數(shù)的自身優(yōu)勢與在線順序極限學習機相結(jié)合,不僅能夠減少計算量,而且在時間效率上也會獲得提升。

    3.2 預處理分析

    對于非線性數(shù)據(jù)樣本通過核函數(shù)處理使樣本線性化,降低后續(xù)在線順序極限學習機處理的計算量。通常訓練樣本數(shù)據(jù)較大,實驗樣本中很多處理后的特征值相同,文中采用比較和統(tǒng)計的方法,對分類的數(shù)據(jù)進行預處理,即從訓練集和測試集中找到不同的標簽,存儲到類標簽中,這樣操作即可把所有不同的標簽類存儲到一起,成為一個標簽組,而數(shù)量遠低于原來的數(shù)據(jù)樣本容量。

    3.3 算法

    為了解決樣本數(shù)據(jù)中比較重復的問題,研究提出一種新的基于在線順序極限學習機的算法來處理多標簽分類問題的改進算法、即樣本線性化和數(shù)據(jù)預處理極限學習機(PDC-ELM),以適應(yīng)多標簽的應(yīng)用。對于線性不可分的數(shù)據(jù)樣本,PDC-ELM算法先利用核函數(shù)進行處理,使數(shù)據(jù)樣本具有線性可分的特征,而對于處理后的數(shù)據(jù)樣本,可利用在線順序極限學習機在計算前對分類數(shù)據(jù)進行預處理,也就是從訓練和測試數(shù)據(jù)集中查找不同的特征標簽并保存類標簽中。形成一個新的和沒有重復的樣本標簽組,為后續(xù)的比較實驗提供便利。PDC-ELM算法的研發(fā)實現(xiàn)步驟可參考算法1。

    算法 1 PDC-ELM 算法

    輸入 訓練集{(xi,yi)xi∈Rn,yi∈Rn,i=1,2,…,N},測試集{(xj,yj)xj∈Rn,yj∈Rn,j=1,2,…,N},激活函數(shù)g(·),和隱藏層節(jié)點數(shù)p

    輸出 訓練和測試的分類準確度和時間

    Step 1 對樣本數(shù)據(jù)使用相關(guān)核函數(shù)算法。

    Step 2 預處理分類數(shù)據(jù),

    for訓練集中第1個到第N個實例執(zhí)行。

    Step 3 從訓練和測試數(shù)據(jù)集找到不同標簽并保存在類標簽中。

    Step 4 處理訓練目標和測試目標,生成隱藏層節(jié)點的輸入權(quán)重w_i和偏差b_i。

    Step 5 計算隱神經(jīng)元輸出矩陣H。

    Step 6end for

    對于實驗中的數(shù)據(jù)樣本處理,共設(shè)置了5個參數(shù)。其中,2個參數(shù)是從數(shù)據(jù)樣本中挑選出來的測試集和訓練集。數(shù)據(jù)樣本需要進行多次訓練、多次試驗,增加實驗的可靠性。再有一個參數(shù)是極限學習機訓練類型。分類則設(shè)置為1,在實驗中,0表示回歸,1表示分類,考慮到實驗就是處理分類問題,故設(shè)定為1;另外,還有一個參數(shù)是隱藏層節(jié)點數(shù)目、即p。隱藏層節(jié)點數(shù)目的不同會影響到訓練時間、測試時間、訓練準確度和測試準確度,在不斷的調(diào)試中找到最佳的隱藏層節(jié)點數(shù)目,使得實驗結(jié)果最好;最后一個參數(shù)是激活函數(shù)、即g(·),根據(jù)數(shù)據(jù)樣本需要設(shè)置好最恰當?shù)募せ詈瘮?shù)。

    4 實驗

    為了更好地評價PDC-ELM模型的性能,本節(jié)從實驗環(huán)境、數(shù)據(jù)集、代表性的ELM模型比較、性能評估和實驗結(jié)果對比進行分析。為了更好地呈現(xiàn)模型的數(shù)據(jù)比較,在表與圖上分別從相關(guān)數(shù)據(jù)對比上進行研究。

    4.1 運行環(huán)境

    試驗運行環(huán)境為Windows 10企業(yè)版,處理器為Inter(R)Core(TM)i5-8400 CPU@2.80 GHz,內(nèi)存16.0 GB,64位操作系統(tǒng)。實驗模型調(diào)試、運行、結(jié)果對比和圖形繪制在Matlab 2016中。

    4.2 實驗數(shù)據(jù)集

    本實驗在擴展iris、abalone、wine和yeast 4個數(shù)據(jù)集上進行。4組數(shù)據(jù)集將用于本文的優(yōu)化模型PDC-ELM與代表性的ELM模型(包括ELM、L21-ELM [25]和OS-ELM [10])的效果比較。

    4.3 比較模型

    本實驗擬與代表性的ELM模型(包括ELM、L21-ELM和OS-ELM)進行比較。其中,ELM是一種具有競爭力的機器學習方法,也是基于最小二乘的學習算法,可為分類和回歸應(yīng)用提供高效統(tǒng)一的學習解決方案。ELM就是一種針對單隱含層前饋神經(jīng)網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)的算法,訓練時的目的旨在尋得輸出層的權(quán)值求解。ELM的顯著特點就是輸入權(quán)值和隱含節(jié)點的偏置都是在給定范圍內(nèi)隨機生成的,現(xiàn)已證得其學習效率高、且泛化能力強,并已廣泛應(yīng)用于分類、回歸、聚類、特征學習等問題中。但是ELM魯棒性較差,穩(wěn)定性也差。L21-ELM是一種低秩正則化極限學習機,將提取的特征與ELM上的相關(guān)特征進行低秩約束。首先,在低秩重構(gòu)過程中通過對重構(gòu)矩陣施加具有旋轉(zhuǎn)不變性的L_(2,1)模約束,可在挖掘目標域數(shù)據(jù)的關(guān)鍵特征的同時提高算法對不同姿態(tài)圖片分類的魯棒性。其次,在目標函數(shù)中引入結(jié)構(gòu)的正則化,使得遷移時數(shù)據(jù)中的局部幾何結(jié)構(gòu)信息得以充分利用,進一步提高了分類性能。最后,為解決源域數(shù)據(jù)較少帶來的欠完備特征空間覆蓋問題,在公共子空間中利用源域數(shù)據(jù)和目標域數(shù)據(jù)聯(lián)合構(gòu)造字典,保證了重構(gòu)的魯棒性。但卻很容易過擬合,求解效果欠佳。OS-ELM是一種快速、準確的在線序列學習算法,可以遞增地添加隱藏節(jié)點,并可按塊大小變化或固定的塊大小逐塊地輸入訓練數(shù)據(jù)。OS-ELM分為2個部分。一部分為通過少量的訓練樣本,利用ELM算法計算并初始化輸出權(quán)重;另一部分開始在線學習,每當一個新的數(shù)據(jù)樣本到來時,通過一個遞推公式得到新的輸出權(quán)重,從而實現(xiàn)在線且快速的訓練。OS-ELM具備了ELM的速度和泛化能力上的優(yōu)點,并且可以隨著新數(shù)據(jù)的到來不斷更新模型,而不是重新訓練模型。但是對于樣本重復數(shù)據(jù)較多和非線性化樣本處理卻并未臻至完善。此外,為了與傳統(tǒng)方法進行仿真對比,還對SVM[21-22]模型進行了研究。其主要思想即為找到空間中的一個能夠?qū)⑺袛?shù)據(jù)樣本劃開的超平面,并且使得樣本集中所有數(shù)據(jù)到這個超平面的距離最短,雖然通過使用核函數(shù)可以向高維空間進行映射,使用核函數(shù)對于解決非線性的分類是有著長足優(yōu)勢的,不僅思想簡單,分類效果也較好,但是對于大規(guī)模數(shù)據(jù)訓練卻比較困難,也無法直接支持多分類,而只能使用間接的方法來做。

    4.4 實驗結(jié)果與分析

    在本節(jié)中,研究給出了PDC-ELM算法在多標簽分類應(yīng)用中的仿真結(jié)果。研發(fā)所得數(shù)據(jù)詳見表1~表4。

    圖1表示實驗模型PDC-ELM分別在iris和abalone數(shù)據(jù)集下的訓練準確度和測試準確度。圖1中,紅線表示訓練結(jié)果,藍線表示測試結(jié)果。由圖1可以看出,隨著隱藏層節(jié)點數(shù)目的增加,PDC-ELM的訓練準確性也有所增加。 隱藏層節(jié)點數(shù)越多,就能夠提取更多的特征,使得準確度更高。ELM模型對任何非線性函數(shù)都具有普遍的逼近能力。隨著隱藏層節(jié)點數(shù)目的增加,預測誤差趨于零。圖1給出了隨著ELM隱含層隱藏節(jié)點數(shù)增加分類精度的變化情況。在本實驗中,隱藏節(jié)點的數(shù)量從100增加到1 000,步長增幅為100。分析圖1可知,隨著隱藏層節(jié)點數(shù)目的增加,預測精度也逐漸提高。

    耗時結(jié)果對比見表5所示。由表5可以看出,在這種情況下,PDC-ELM算法的學習速度比其他方法要快。分析可知,在預處理時進行了去重,也就是過濾了重復的特征標簽,減少了比較次數(shù),但在數(shù)據(jù)較少時其優(yōu)勢并不明顯?;蛘咧貜蛿?shù)據(jù)較少時,優(yōu)勢也并不突出。在今后的工作中需繼續(xù)提高PDC-ELM的訓練性能。

    本次研究中,在選取的各個數(shù)據(jù)集上進行實驗,仿真后得到的平均識別率如圖2~圖5所示。由圖2~圖5可知,PDC-ELM明顯優(yōu)于其他代表ELM模型,證明了PDC-ELM采用預處理標簽數(shù)據(jù)的方法應(yīng)用在多標簽分類上是有效的,也是有優(yōu)勢的。隨著隱藏層節(jié)點數(shù)目的增加,PDC-ELM的準確性也在增加,一定程度上隱藏層節(jié)點數(shù)越多,越多的特征即被隱藏層提取在圖2和圖3中。當隱藏層節(jié)點數(shù)量小于300時,PDC-ELM的結(jié)果比其他ELM方法比較接近,究其原因即在于較少的神經(jīng)元不能有效地提取良好的特征。PDC-ELM要優(yōu)于OS-ELM方法,根本原因在于:一方面,PDC-ELM進行了樣本線性化處理;另一方面將特征選擇在測試集和訓練集進行了預處理,有明顯提升的效果。L21-ELM優(yōu)于原始的ELM方法,根本原因在于L21-ELM將特征選擇融入到線性回歸模型中,這樣一來分類提取特征就比較方便,可以更好地描述輸入數(shù)據(jù)。但從圖4和圖5可以看出,當神經(jīng)元數(shù)量超過600個時,L21-ELM的性能急劇下降,分析原因則可能是隱藏層節(jié)點太多導致了算法的過擬合。由圖2還可以看出,也許是因為數(shù)據(jù)及樣本容量的影響,與其他3組數(shù)據(jù)集比較而言,iris數(shù)據(jù)集的樣本容量相對來說較小,可能造成PDC-ELM模型無法充分地發(fā)揮自身優(yōu)勢,數(shù)據(jù)樣本容量較少,樣本的特征較為分散,預處理的訓練集和測試集的特征效果也未得到很好的呈現(xiàn),造成的后果就是多組訓練模型的測試結(jié)果較為接近,無法更好地突出自身的優(yōu)勢。在隱藏層神經(jīng)元較少的情況下,SVM優(yōu)于大多數(shù)ELM方法,然而,隨著隱藏層神經(jīng)元數(shù)量的增加,本文提出的PDC-ELM優(yōu)于SVM,由圖4和圖5可以看出,當隱藏神經(jīng)元數(shù)量大于為700時,只有本文研發(fā)的模型獲得了最好的結(jié)果。

    5 結(jié)束語

    在本文中,提出了一種基于在線順序極限學習機的多標簽分類改進方法、即PDC-ELM,對非線性樣本通過核函數(shù)進行線性處理,再進行樣本特征數(shù)據(jù)預處理,與其他ELM方法相比,不僅降低了計算量,還能提高準確率,在多標簽分類實驗中有明顯的效果。

    參考文獻

    [1]SHEN Guorui, YUAN Ye. On theoretical analysis of single hidden layer feedforward Neural Networks with relu activations[C]//2019 34rd Youth Academic Annual Conference of Chinese Association of Automation (YAC).? Jinzhou, China: IEEE,2019:706-709.

    [2]LEE D, KIM S, TAK S, et al. Real-time feed-forward Neural network-based forward collision warning system under cloud communication environment[J]. IEEE Transactions on Intelligent Transportation Systems, 2019,20(12):4390-4404.

    [3]ENE A, STIRBU C. A Java application for the failure rate prediction using feed forward neural networks[C]// 2016 8th International Conference on Electronics, Computers and Artificial Intelligence (ECAI). Ploiesti, Romania: IEEE, 2016:1-4.

    [4]ENE A, STIRBU C. A Java simulation software for the study of the effects of the short-circuit faults in a feed forward neural network[C]// 2015 7th International Conference on Electronics, Computers and Artificial Intelligence (ECAI).? Bucharest, Romnia:IEEE, 2015:1-4.

    [5]VENKADESAN A, BHAVANA G, HANEESHA D, et al. Comparison of feed forward and cascade neural network for harmonic current estimation in power electronic converter[C]//2017 International Conference on Innovative Research in Electrical Sciences (IICIRES). Nagapattinam, India:IEEE,2017:1-5.

    [6]VIPANI R, HORE S, BASAK S, et al. Gait signal classification tool utilizing Hilbert transform based feature extraction and logistic regression based classification[C]//2017 Third International Conference on Research in Computational Intelligence and Communication Networks (ICRCICN). Kolkata, India:IEEE, 2017:57-61.

    [7]PRIYA S, MANAVALAN R. A hybrid classifier using weighted ELM with biogeography based optimization for hepatitis diagnosis[C]//2019 International Conference on Intelligent Computing and Control Systems (ICCS). Madurai, India:IEEE, 2019:1463-1467.

    [8]PRIYA S, MANAVALAN R. Optimum parameters selection using ACOR algorithm to improve the classification performance of weighted extreme learning machine for hepatitis disease dataset[C]// 2018 International Conference on Inventive Research in Computing Applications (ICIRCA). Coimbatore:IEEE, 2018:986-991.

    [9]MA Liancai , LI Jun. Short-term wind power prediction based on multiple kernel extreme learning machine method[C]// 2020 7th International Forum on Electrical Engineering and Automation (IFEEA). Hefei, China:IEEE,2020:871-874.

    [10]CHUPONG C, PLANGKLANG B. Comparison study on artificial Neural Network and online sequential extreme learning machine in regression problem[C]//2019 7th International Electrical Engineering Congress (iEECON). Hua Hin, Thailand:IEEE,2019:1-4.

    [11]LIN Jun, ZHANG Qinqin, SHENG Gehao, et al. Prediction system for dynamic transmission line load capacity based on PCA and online sequential extreme learning machine[C]//2018 IEEE International Conference on Industrial Technology (ICIT). Lyon, France:IEEE, 2018:1714-1717.

    [12]CHEN Yita, CHUANG Yuchuan, WU A Y. Online extreme learning machine design for the application of federated learning[C]//2020 2nd IEEE International Conference on Artificial Intelligence Circuits and Systems (AICAS).Genova, Italy:IEEE, 2020:188-192.

    [13]VANLI N D, SAYIN M O,DELIBALTA I, et al. Sequential nonlinear learning for distributed multiagent systems via extreme learning machines[J]. IEEE Transactions on Neural Networks and Learning Systems, 2017,28(3):546-558.

    [14]LU Xinjiang, LIU Chang, HUANG Minghui. Online probabilistic extreme learning machine for distribution modeling of complex batch forging processes[J].IEEE Transactions on Industrial Informatics, 2015,11(6):1277-1286.

    [15]TANG Jiexiong, DENG Chenwei, HUANG Guangbin. Extreme learning machine for multilayer perceptron[J]. IEEE Transactions on Neural Networks and Learning Systems, 2016,27(4):809-821.

    [16]CILIMKOVIC M. Neural networks and back propagation algorithm[D]. North Dublin:Institute of Technology Blanchardstown, 2015.

    [17]PRIANDANA K, ABIYOGA I, WULANDARI, et al. Development of computational intelligence-based control system using backpropagation neural network for wheeled robot[C]// 2018 International Conference on Electrical Engineering and Computer Science (ICECOS). Pangkal, Indonesia:IEEE, 2018:101-106.

    [18]MOGHADAM M H, SAADATMAND M, BORG M, et al. Learning-based response time analysis in real-time embedded systems: A simulation-based approach[C]//2018 IEEE/ACM 1st International Workshop on Software Qualities and their Dependencies (SQUADE). Gothenburg,Sweden:ACM, 2018:21-24.

    [19]CAO Jiuwen, WANG Tianlei, SHANG Luming, et al. A novel distance estimation algorithm for periodic surface vibrations based on frequency band energy percentage feature[J]. Mechanical Systems and Signal Processing, 2018,113:222-236.

    [20]WU Xiaohe, ZUO Wangmeng, LIN Liang, et al. F-SVM: Combination of feature transformation and SVM learning via convex relaxation[J]. IEEE Transactions on Neural Networks and Learning Systems, 2018,29(11):5185-5199.

    [21]YAPP E K Y, LI X, LU W F, et al. Comparison of base classifiers for multi-label learning[J]. Neurocomputing, 2020:394:51-60.

    [22]CAHYANI D E, NUZRY K A P. Trending topic classification for single-label using multinomial Naive Bayes (MNB) and multi-label using K-Nearest Neighbors (KNN)[C]//2019 4th International Conference on Information Technology, Information Systems and Electrical Engineering (ICITISEE). Yogyakarta, Indonesia:IEEE,2019:547-557.

    [23]鄭倫川, 鄧亞平. 一種獲取標簽相關(guān)信息的多標簽分類方法[J]. 計算機工程與應(yīng)用,2016,52(14):156-160.

    [24]李鋒, 楊有龍. 基于標簽特征和相關(guān)性的多標簽分類算法[J]. 計算機工程與應(yīng)用,2019, 55(4): 48-55.

    [25]SUN Xia, XU Jingting, JIANG Changmeng, et al. Extreme learning machine for multi-label classification[J]. Entropy, 2016, 18(6): 225.

    [26]JIANG Mingchu, LI Na, PAN Zhisong. Multi-label text categorization using L21-norm minimization extreme learning machine[M]//CAO J, MAO K, WU J, et al. Proceedings of ELM-2015 Volume 1. Proceedings in Adaptation, Learning and Optimization. Cham:Springer, 2015,6:121-133.

    [27]HUANG Gao, HUANG Guangbin, SONG Shiji, et al. Trends in extreme learning machines: A review[J]. Neural Networks:The Official Journal of the International Neural Network Society, 2015,61:32-48.

    基金項目: 國家自然科學基金青年基金 (61402145,61673156)。

    作者簡介:張 燦(1995-),男,碩士研究生,主要研究方向:數(shù)據(jù)挖掘; 代子彪(1994-),男,碩士研究生,主要研究方向:情感語音合成; 安 鑫(1986-),男,博士,副教授,主要研究方向:情感計算、語音合成; 李建華(1985-),男,博士,副研究員,主要研究方向:鍵值存儲、預取。

    通訊作者: 李建華Email:jhli@hfut.edu.cn

    收稿日期: 2021-04-07

    猜你喜歡
    極限學習機支持向量機
    神經(jīng)元的形態(tài)分類方法研究
    基于判別信息極限學習機的高光譜遙感圖像分類
    軟件導刊(2017年1期)2017-03-06 00:41:18
    極限學習機修正誤差的體育成績預測模型
    基于極限學習機的玻璃瓶口缺陷檢測方法研究
    基于改進支持向量機的船舶縱搖預報模型
    中國水運(2016年11期)2017-01-04 12:26:47
    基于SVM的煙草銷售量預測
    軟件導刊(2016年11期)2016-12-22 21:52:38
    動態(tài)場景中的視覺目標識別方法分析
    論提高裝備故障預測準確度的方法途徑
    價值工程(2016年32期)2016-12-20 20:36:43
    基于熵技術(shù)的公共事業(yè)費最優(yōu)組合預測
    價值工程(2016年29期)2016-11-14 00:13:35
    基于支持向量機的金融數(shù)據(jù)分析研究
    亚洲图色成人| av天堂在线播放| 大片免费播放器 马上看| 欧美大码av| 久久久精品国产亚洲av高清涩受| 精品久久久久久电影网| 少妇的丰满在线观看| 亚洲综合色网址| 人人妻人人添人人爽欧美一区卜| 男男h啪啪无遮挡| 午夜免费鲁丝| 下体分泌物呈黄色| 天天躁夜夜躁狠狠躁躁| 无遮挡黄片免费观看| 久久狼人影院| 精品国产一区二区三区四区第35| 一二三四社区在线视频社区8| 亚洲国产精品一区二区三区在线| 日本午夜av视频| 亚洲国产av影院在线观看| 美女扒开内裤让男人捅视频| 成人18禁高潮啪啪吃奶动态图| 多毛熟女@视频| 王馨瑶露胸无遮挡在线观看| 亚洲五月色婷婷综合| 国产日韩欧美在线精品| 国产成人一区二区在线| 国产免费福利视频在线观看| 亚洲精品自拍成人| 国产黄色免费在线视频| 18禁黄网站禁片午夜丰满| 国产麻豆69| 国产男人的电影天堂91| 亚洲精品国产色婷婷电影| 欧美人与性动交α欧美精品济南到| 精品久久久精品久久久| 啦啦啦视频在线资源免费观看| 天堂8中文在线网| 真人做人爱边吃奶动态| 国产老妇伦熟女老妇高清| 午夜影院在线不卡| 久久免费观看电影| 精品一区二区三区av网在线观看 | 黄色视频不卡| 极品人妻少妇av视频| 中文字幕高清在线视频| 国产野战对白在线观看| 男女免费视频国产| 欧美精品av麻豆av| 一边摸一边做爽爽视频免费| 老汉色av国产亚洲站长工具| 久久久精品国产亚洲av高清涩受| 免费在线观看视频国产中文字幕亚洲 | 美女国产高潮福利片在线看| 亚洲成人免费av在线播放| 亚洲成人国产一区在线观看 | 国产视频首页在线观看| 高清欧美精品videossex| 国产一级毛片在线| 在线观看一区二区三区激情| 丝瓜视频免费看黄片| 777久久人妻少妇嫩草av网站| a级毛片黄视频| 国产精品久久久久久精品古装| 亚洲精品国产av蜜桃| 老司机影院毛片| 大话2 男鬼变身卡| 国产精品 国内视频| 最新的欧美精品一区二区| 亚洲伊人久久精品综合| 亚洲精品国产色婷婷电影| 少妇猛男粗大的猛烈进出视频| 日日摸夜夜添夜夜爱| 妹子高潮喷水视频| 亚洲成色77777| 午夜老司机福利片| 国产老妇伦熟女老妇高清| 国产淫语在线视频| 久久精品亚洲av国产电影网| 久久国产亚洲av麻豆专区| 欧美+亚洲+日韩+国产| 精品久久久久久久毛片微露脸 | 精品欧美一区二区三区在线| 成年人午夜在线观看视频| 美女中出高潮动态图| 亚洲黑人精品在线| 久久午夜综合久久蜜桃| 亚洲专区中文字幕在线| 天天添夜夜摸| 欧美中文综合在线视频| 亚洲av综合色区一区| 看免费成人av毛片| 视频区图区小说| 国产av国产精品国产| www.自偷自拍.com| 亚洲国产精品一区二区三区在线| 黑人猛操日本美女一级片| 最近手机中文字幕大全| 高清av免费在线| 成在线人永久免费视频| 最近最新中文字幕大全免费视频 | 校园人妻丝袜中文字幕| 精品福利观看| 男人舔女人的私密视频| 亚洲精品久久成人aⅴ小说| 亚洲,欧美,日韩| 天天添夜夜摸| 久久性视频一级片| 国产精品偷伦视频观看了| 亚洲美女黄色视频免费看| 首页视频小说图片口味搜索 | 成人午夜精彩视频在线观看| 国产精品.久久久| 永久免费av网站大全| 日本色播在线视频| 国产成人av教育| 亚洲国产欧美在线一区| 国产日韩一区二区三区精品不卡| 国产激情久久老熟女| av在线播放精品| 久久久久网色| 国产av国产精品国产| 久久人妻福利社区极品人妻图片 | 丝袜人妻中文字幕| 如日韩欧美国产精品一区二区三区| 免费高清在线观看日韩| 成人国产一区最新在线观看 | 永久免费av网站大全| 成年人黄色毛片网站| 国产国语露脸激情在线看| 欧美另类一区| 在线观看国产h片| 久久99热这里只频精品6学生| 一区二区三区乱码不卡18| 亚洲专区国产一区二区| 亚洲专区中文字幕在线| 日韩制服丝袜自拍偷拍| 久久亚洲精品不卡| 亚洲av日韩在线播放| 欧美另类一区| 悠悠久久av| 99精国产麻豆久久婷婷| 国产精品免费大片| 18禁观看日本| 欧美在线一区亚洲| 黄片播放在线免费| 亚洲av在线观看美女高潮| 男女之事视频高清在线观看 | av线在线观看网站| 亚洲精品自拍成人| 亚洲,一卡二卡三卡| 极品少妇高潮喷水抽搐| 国产精品 国内视频| 校园人妻丝袜中文字幕| 久久精品熟女亚洲av麻豆精品| 最新的欧美精品一区二区| 国产1区2区3区精品| tube8黄色片| 又大又爽又粗| 欧美人与性动交α欧美软件| 人妻一区二区av| 国产一区二区在线观看av| 五月天丁香电影| 国产伦理片在线播放av一区| 精品国产一区二区久久| 精品少妇一区二区三区视频日本电影| 人体艺术视频欧美日本| 成人三级做爰电影| 久久 成人 亚洲| 美女国产高潮福利片在线看| 欧美精品亚洲一区二区| 国产视频一区二区在线看| 男女无遮挡免费网站观看| 在线天堂中文资源库| 天天躁夜夜躁狠狠久久av| 性少妇av在线| 2021少妇久久久久久久久久久| 少妇精品久久久久久久| 午夜免费男女啪啪视频观看| 精品国产乱码久久久久久男人| 国产成人欧美在线观看 | 少妇裸体淫交视频免费看高清 | 99热国产这里只有精品6| 大片电影免费在线观看免费| 操美女的视频在线观看| 黑人欧美特级aaaaaa片| 啦啦啦在线免费观看视频4| 日韩免费高清中文字幕av| 国产亚洲av片在线观看秒播厂| 纵有疾风起免费观看全集完整版| 欧美精品av麻豆av| 飞空精品影院首页| 99精国产麻豆久久婷婷| 99久久精品国产亚洲精品| 亚洲色图综合在线观看| 伊人久久大香线蕉亚洲五| 视频区欧美日本亚洲| 18禁黄网站禁片午夜丰满| 国产精品 欧美亚洲| 天堂俺去俺来也www色官网| 欧美97在线视频| 欧美激情极品国产一区二区三区| 大香蕉久久成人网| 一本—道久久a久久精品蜜桃钙片| 日日摸夜夜添夜夜爱| 精品国产超薄肉色丝袜足j| 国产主播在线观看一区二区 | 中文字幕高清在线视频| 妹子高潮喷水视频| 91麻豆精品激情在线观看国产 | 国产欧美日韩一区二区三 | 1024香蕉在线观看| 国产极品粉嫩免费观看在线| 日本欧美国产在线视频| 成年动漫av网址| 午夜av观看不卡| 最近手机中文字幕大全| 深夜精品福利| av一本久久久久| 极品少妇高潮喷水抽搐| 超色免费av| 一级毛片我不卡| h视频一区二区三区| 美女主播在线视频| 男男h啪啪无遮挡| 国产精品国产av在线观看| 国产精品秋霞免费鲁丝片| 最近手机中文字幕大全| 99re6热这里在线精品视频| 国产精品亚洲av一区麻豆| 超碰97精品在线观看| 黄频高清免费视频| 精品一区二区三区av网在线观看 | 久久久久网色| 黑丝袜美女国产一区| 亚洲国产精品一区三区| 国产精品久久久av美女十八| 日韩制服骚丝袜av| 一边摸一边做爽爽视频免费| 久久99一区二区三区| 中文字幕av电影在线播放| 两个人免费观看高清视频| 极品人妻少妇av视频| 日韩中文字幕欧美一区二区 | 妹子高潮喷水视频| 51午夜福利影视在线观看| 黄色a级毛片大全视频| 欧美精品高潮呻吟av久久| 国产色视频综合| 色婷婷久久久亚洲欧美| 欧美黄色片欧美黄色片| 国产97色在线日韩免费| 国产无遮挡羞羞视频在线观看| 51午夜福利影视在线观看| 国产av国产精品国产| 午夜福利一区二区在线看| 久9热在线精品视频| 色婷婷久久久亚洲欧美| 看十八女毛片水多多多| 国产日韩一区二区三区精品不卡| 80岁老熟妇乱子伦牲交| 99热网站在线观看| 飞空精品影院首页| 1024视频免费在线观看| 无限看片的www在线观看| 十八禁网站网址无遮挡| 欧美国产精品一级二级三级| 日韩电影二区| 国产精品亚洲av一区麻豆| 国产高清视频在线播放一区 | 制服人妻中文乱码| 欧美精品高潮呻吟av久久| 免费在线观看黄色视频的| 国产亚洲av高清不卡| 肉色欧美久久久久久久蜜桃| 大片免费播放器 马上看| 久久av网站| 成人三级做爰电影| 亚洲av在线观看美女高潮| 午夜av观看不卡| 久热爱精品视频在线9| 一级毛片黄色毛片免费观看视频| 丝袜美足系列| 看免费成人av毛片| 成人18禁高潮啪啪吃奶动态图| 青春草视频在线免费观看| 精品国产一区二区久久| 国产精品久久久久久精品古装| 一级片免费观看大全| av电影中文网址| 性高湖久久久久久久久免费观看| 亚洲精品久久午夜乱码| 考比视频在线观看| 日韩中文字幕视频在线看片| 精品亚洲成a人片在线观看| 男人操女人黄网站| 秋霞在线观看毛片| 纵有疾风起免费观看全集完整版| 老司机影院成人| 99国产综合亚洲精品| 欧美日韩视频高清一区二区三区二| 午夜福利一区二区在线看| 成年女人毛片免费观看观看9 | 美女主播在线视频| 午夜两性在线视频| 国产成人精品久久二区二区91| 国产免费一区二区三区四区乱码| 国产精品一区二区在线观看99| 欧美日韩视频高清一区二区三区二| 国产精品久久久人人做人人爽| 91麻豆av在线| 国产真人三级小视频在线观看| 操美女的视频在线观看| 亚洲专区中文字幕在线| 亚洲色图 男人天堂 中文字幕| 亚洲专区国产一区二区| cao死你这个sao货| 我要看黄色一级片免费的| 亚洲人成77777在线视频| 中文字幕av电影在线播放| 女性被躁到高潮视频| 色94色欧美一区二区| av国产精品久久久久影院| 人人妻人人爽人人添夜夜欢视频| 亚洲精品国产色婷婷电影| av欧美777| 午夜老司机福利片| 老司机靠b影院| 亚洲黑人精品在线| 女性被躁到高潮视频| 夫妻性生交免费视频一级片| 国产免费视频播放在线视频| 成人亚洲精品一区在线观看| 色播在线永久视频| 成人亚洲精品一区在线观看| 99久久99久久久精品蜜桃| 女人久久www免费人成看片| 黄片播放在线免费| 欧美激情 高清一区二区三区| 男女高潮啪啪啪动态图| 日韩 欧美 亚洲 中文字幕| 最新在线观看一区二区三区 | 又大又爽又粗| 一区二区三区激情视频| 丝袜人妻中文字幕| 久热爱精品视频在线9| av网站免费在线观看视频| 欧美性长视频在线观看| 你懂的网址亚洲精品在线观看| 亚洲欧美一区二区三区久久| 大陆偷拍与自拍| netflix在线观看网站| 五月开心婷婷网| 丁香六月欧美| 亚洲人成77777在线视频| 国产成人a∨麻豆精品| 久久鲁丝午夜福利片| 午夜免费鲁丝| 日韩视频在线欧美| 免费女性裸体啪啪无遮挡网站| 人人妻人人爽人人添夜夜欢视频| av福利片在线| 国产99久久九九免费精品| 午夜福利视频在线观看免费| 男女下面插进去视频免费观看| 国产成人91sexporn| 亚洲欧美中文字幕日韩二区| 久久鲁丝午夜福利片| 久久久久久久久免费视频了| avwww免费| 国产精品 国内视频| 99久久99久久久精品蜜桃| 国产午夜精品一二区理论片| 大话2 男鬼变身卡| 成人18禁高潮啪啪吃奶动态图| 一区二区三区激情视频| 人人妻人人澡人人爽人人夜夜| 久久久精品94久久精品| 纯流量卡能插随身wifi吗| 性色av乱码一区二区三区2| 久久国产精品人妻蜜桃| 精品亚洲成a人片在线观看| 亚洲欧美一区二区三区黑人| 激情五月婷婷亚洲| 国产深夜福利视频在线观看| 日韩av不卡免费在线播放| 咕卡用的链子| 一二三四社区在线视频社区8| 高清av免费在线| av在线app专区| 亚洲激情五月婷婷啪啪| 亚洲国产最新在线播放| 黄片小视频在线播放| 91麻豆av在线| 伊人久久大香线蕉亚洲五| 亚洲人成电影观看| 免费在线观看视频国产中文字幕亚洲 | av国产久精品久网站免费入址| 国产不卡av网站在线观看| 久久久久视频综合| 国产一级毛片在线| 美女大奶头黄色视频| 精品高清国产在线一区| 人妻 亚洲 视频| 一边亲一边摸免费视频| 一级黄色大片毛片| 国产精品国产av在线观看| av视频免费观看在线观看| 国产福利在线免费观看视频| 91精品国产国语对白视频| 国产野战对白在线观看| 国产熟女午夜一区二区三区| 9热在线视频观看99| 91麻豆精品激情在线观看国产 | 国产不卡av网站在线观看| 久久久久视频综合| 男人舔女人的私密视频| 这个男人来自地球电影免费观看| 午夜福利影视在线免费观看| 久久精品国产亚洲av涩爱| 久久久精品94久久精品| 搡老岳熟女国产| av片东京热男人的天堂| 国产欧美日韩一区二区三区在线| 免费人妻精品一区二区三区视频| 高清欧美精品videossex| 大香蕉久久网| 国产日韩一区二区三区精品不卡| h视频一区二区三区| 国产一区二区在线观看av| 免费在线观看影片大全网站 | 一级毛片电影观看| 免费在线观看完整版高清| 人人妻人人添人人爽欧美一区卜| 波野结衣二区三区在线| 欧美性长视频在线观看| 男女边摸边吃奶| 免费看av在线观看网站| 视频区图区小说| 丁香六月天网| 黑人猛操日本美女一级片| 一本一本久久a久久精品综合妖精| 亚洲精品久久午夜乱码| 精品久久久久久久毛片微露脸 | 日韩一区二区三区影片| www.自偷自拍.com| 日韩制服骚丝袜av| 久久精品熟女亚洲av麻豆精品| 搡老乐熟女国产| 久久鲁丝午夜福利片| 午夜91福利影院| 最近最新中文字幕大全免费视频 | 一区二区av电影网| 久久国产精品男人的天堂亚洲| 欧美中文综合在线视频| 久久精品国产亚洲av涩爱| 好男人视频免费观看在线| 久久人妻熟女aⅴ| 黄色视频在线播放观看不卡| 国产精品成人在线| 老熟女久久久| 国产成人啪精品午夜网站| 人人妻人人爽人人添夜夜欢视频| 精品卡一卡二卡四卡免费| 满18在线观看网站| 亚洲欧美激情在线| 国产成人一区二区三区免费视频网站 | 国产精品九九99| 国产在视频线精品| 18在线观看网站| 亚洲专区中文字幕在线| 国产男人的电影天堂91| 国产成人一区二区在线| 欧美 日韩 精品 国产| 99久久精品国产亚洲精品| 国产精品香港三级国产av潘金莲 | 人人妻人人澡人人爽人人夜夜| 日本欧美国产在线视频| 久久精品亚洲av国产电影网| 国产在线一区二区三区精| 一边亲一边摸免费视频| 老汉色av国产亚洲站长工具| 欧美人与性动交α欧美软件| 免费人妻精品一区二区三区视频| 人人妻,人人澡人人爽秒播 | 丝袜喷水一区| 久久久久精品国产欧美久久久 | 成年美女黄网站色视频大全免费| 亚洲中文字幕日韩| 少妇人妻久久综合中文| 欧美黑人精品巨大| 啦啦啦在线免费观看视频4| 免费观看av网站的网址| 天堂俺去俺来也www色官网| 日韩制服骚丝袜av| 两个人免费观看高清视频| 日日夜夜操网爽| 亚洲欧美精品自产自拍| 亚洲av综合色区一区| 国产97色在线日韩免费| 亚洲成人国产一区在线观看 | 一级片免费观看大全| 欧美成人精品欧美一级黄| 国产成人欧美在线观看 | 大片电影免费在线观看免费| 日韩欧美一区视频在线观看| 中文字幕av电影在线播放| 肉色欧美久久久久久久蜜桃| 亚洲欧美激情在线| 国产成人91sexporn| 天天躁狠狠躁夜夜躁狠狠躁| 日韩中文字幕视频在线看片| 美女中出高潮动态图| 50天的宝宝边吃奶边哭怎么回事| 亚洲av电影在线进入| 精品国产国语对白av| 精品国产一区二区三区久久久樱花| 精品福利观看| 国产欧美日韩综合在线一区二区| 国产淫语在线视频| 高清不卡的av网站| 高清黄色对白视频在线免费看| 婷婷色av中文字幕| 18禁裸乳无遮挡动漫免费视频| a级片在线免费高清观看视频| 好男人视频免费观看在线| 一级,二级,三级黄色视频| 亚洲 国产 在线| 狂野欧美激情性xxxx| 少妇精品久久久久久久| 男人操女人黄网站| 一本—道久久a久久精品蜜桃钙片| 亚洲少妇的诱惑av| 亚洲人成电影免费在线| 三上悠亚av全集在线观看| 国产熟女午夜一区二区三区| 一级a爱视频在线免费观看| 一级毛片黄色毛片免费观看视频| 久久青草综合色| 国产伦理片在线播放av一区| 欧美中文综合在线视频| 久久天堂一区二区三区四区| 国产高清videossex| 两个人免费观看高清视频| 精品一区在线观看国产| 欧美老熟妇乱子伦牲交| www.熟女人妻精品国产| 久久亚洲国产成人精品v| 国产成人av激情在线播放| 黄色视频不卡| 精品国产国语对白av| 夫妻性生交免费视频一级片| 婷婷色综合www| 精品国产乱码久久久久久男人| 最近手机中文字幕大全| 国产亚洲精品久久久久5区| a级毛片黄视频| 最新的欧美精品一区二区| 蜜桃国产av成人99| 精品国产一区二区久久| 极品少妇高潮喷水抽搐| 菩萨蛮人人尽说江南好唐韦庄| 亚洲专区中文字幕在线| 国产欧美日韩综合在线一区二区| 午夜免费成人在线视频| 久久久久视频综合| 一区二区日韩欧美中文字幕| 熟女少妇亚洲综合色aaa.| 黄色视频不卡| 亚洲欧美一区二区三区国产| 在线观看免费午夜福利视频| 午夜福利一区二区在线看| 亚洲欧美一区二区三区久久| 成人手机av| 午夜影院在线不卡| av国产精品久久久久影院| 老鸭窝网址在线观看| 亚洲伊人色综图| 久久综合国产亚洲精品| 狠狠婷婷综合久久久久久88av| 热re99久久精品国产66热6| 啦啦啦在线观看免费高清www| 国产在线免费精品| 亚洲五月色婷婷综合| e午夜精品久久久久久久| 欧美黑人欧美精品刺激| 在现免费观看毛片| 美女主播在线视频| 国产午夜精品一二区理论片| 欧美乱码精品一区二区三区| 午夜av观看不卡| 久久亚洲精品不卡| 精品卡一卡二卡四卡免费| 久久性视频一级片| 国产又爽黄色视频| 高清不卡的av网站| 最新的欧美精品一区二区| 日本91视频免费播放| av国产精品久久久久影院| 伊人亚洲综合成人网| 日本五十路高清| 久久综合国产亚洲精品| 大话2 男鬼变身卡| 黑人巨大精品欧美一区二区蜜桃| 一级毛片电影观看| 免费观看av网站的网址| 少妇粗大呻吟视频| 亚洲欧洲精品一区二区精品久久久| 丝袜美腿诱惑在线| 妹子高潮喷水视频| 欧美中文综合在线视频| 夫妻性生交免费视频一级片| 婷婷成人精品国产| 国产亚洲午夜精品一区二区久久| 国产熟女欧美一区二区|