• <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 ?

    基于動態(tài)概率抽樣的標(biāo)簽噪聲過濾方法

    2022-01-05 02:31:22張增輝姜高霞王文劍
    計算機(jī)應(yīng)用 2021年12期
    關(guān)鍵詞:信息熵置信度差分

    張增輝,姜高霞,2,王文劍,2*

    (1.山西大學(xué)計算機(jī)與信息技術(shù)學(xué)院,太原 030006;2.計算智能與中文信息處理教育部重點實驗室(山西大學(xué)),太原 030006)

    (?通信作者電子郵箱wjwang@sxu.edu.cn)

    0 引言

    噪聲可以被定義為由與產(chǎn)生數(shù)據(jù)分布無關(guān)的外生因素引起的對數(shù)據(jù)項收集的信息的部分或全部改變[1]。對于分類任務(wù),一般噪聲按照其出現(xiàn)的位置可以劃分為兩類:特征噪聲和標(biāo)簽噪聲[2]。噪聲的存在對建模產(chǎn)生許多影響,其中特征噪聲的分量在統(tǒng)計上彼此更加獨立,并且大多數(shù)的分類器在面對特征噪聲時更加魯棒[3],而有研究表明,由標(biāo)簽噪聲引入的偏差更大,因此通常情況下它比特征噪聲具有更大的破壞力[4],會導(dǎo)致模型復(fù)雜度增加,分類精度下降,并且更容易出現(xiàn)過擬合現(xiàn)象[5]。然而,無論是特征中出現(xiàn)噪聲還是標(biāo)簽中出現(xiàn)噪聲,機(jī)器學(xué)習(xí)算法都會將其看做標(biāo)簽噪聲[6]。因此,標(biāo)簽噪聲的處理成為近些年來亟待解決的機(jī)器學(xué)習(xí)問題之一。

    現(xiàn)有的處理標(biāo)簽噪聲的方法可以劃分為三大類:修改現(xiàn)有模型使其對標(biāo)簽噪聲具有魯棒性,構(gòu)建基于模型預(yù)測的標(biāo)簽噪聲過濾器,以及標(biāo)簽噪聲校正方法。雖然對算法本身進(jìn)行魯棒性改進(jìn)可以使學(xué)習(xí)器直接處理帶有標(biāo)簽噪聲的數(shù)據(jù),但這樣的方式不適用于所有學(xué)習(xí)方法,因此,使用基于模型預(yù)測的標(biāo)簽噪聲過濾器對樣本進(jìn)行預(yù)處理的方式更為常見。過濾器是通過模型預(yù)測的方式識別樣本集中的潛在噪聲并將其移除的方式來提高樣本質(zhì)量。

    從模型的角度來看,標(biāo)簽噪聲過濾方法主要通過基于集成的方法、基于迭代的方法和基于分區(qū)的方法來實現(xiàn)。其中多分類器的集成使用最廣泛,集成分類器方法分為同質(zhì)集成和異質(zhì)集成。MVF(Majority Vote Filter)[7]和CVF(Consensus Voting Filter)[8]均屬于異質(zhì)集成分類器;HARF(High Agreement Random Forest Filter)[9]則由多棵C4.5 決策樹集成而得,是同質(zhì)集成分類器的典型代表。迭代方法是將上一次分類結(jié)果作為下一階段訓(xùn)練的輸入,直至達(dá)到事先規(guī)定的迭代跳出條件為止,代表算法有IPF(Iterative Partition Filter)[10]和 INFFC(Iterative Noise Filter based on Fusion of Classifiers)[11]。分區(qū)的思想主要是針對大型數(shù)據(jù)集或分布式數(shù)據(jù)集,將訓(xùn)練集劃分為多個子模塊分別訓(xùn)練,再將訓(xùn)練結(jié)果匯總投票[12]。若將過濾過程抽象為一個抽樣過程,標(biāo)簽噪聲過濾器方法可以分為0-1 抽樣方法和概率抽樣方法?,F(xiàn)有的經(jīng)典過濾算法CVF、MVF 和HARF 等均屬于0-1 抽樣,即給定確定閾值,依據(jù)閾值和集成算法的投票結(jié)果的大小關(guān)系過濾潛在的噪聲樣本。這種傳統(tǒng)的0-1 抽樣方式無法精確表達(dá)不同樣本之間的差異性,因此,近年來有學(xué)者創(chuàng)造性地提出了概率抽樣的思想,即為每一個樣本提供一個概率,這個概率指的是該樣本為干凈樣本的可能性大小,將這個概率作為依據(jù),抽樣得到干凈樣本集,代表算法有PSAM(Probabilistic Sampling)[13-14]和局部概率抽樣(Local Probability Sampling,LPS)[15],利用多分類器集成投票獲取樣本置信度,全區(qū)間隨機(jī)生成閾值進(jìn)行抽樣。概率抽樣的思想能夠有效利用置信度區(qū)分同一數(shù)據(jù)集內(nèi)部樣本與樣本之間的差異性,但是仍然無法避免人為設(shè)置閾值區(qū)間的主觀性,且現(xiàn)有的概率抽樣方法對不同數(shù)據(jù)集采用相同的過濾策略,忽視了數(shù)據(jù)集之間的差異性,影響了過濾器在不同數(shù)據(jù)集上的噪聲識別性能。

    本文了提出一種動態(tài)概率抽樣(Dynamic Probability Sampling,DPS)的標(biāo)簽噪聲過濾算法。在本文算法中,通過統(tǒng)計樣本的標(biāo)簽置信度在區(qū)間內(nèi)的分布頻率,分析置信度分布頻率的信息熵走勢變化來決定進(jìn)行概率抽樣的樣本范圍。由于不同數(shù)據(jù)集之間置信度分布差異巨大,置信度分布頻率的信息熵走勢差異明顯,因此本文算法能夠敏銳探測不同數(shù)據(jù)集之間樣本差異性,合理規(guī)劃閾值區(qū)間,以達(dá)到較強(qiáng)的標(biāo)簽噪聲識別能力。

    1 DPS算法

    1.1 置信度分布分析

    對于一個可能存在標(biāo)簽噪聲的樣本集DT,為了獲取每個樣本的可信程度,有效區(qū)分樣本之間的差異性,應(yīng)對其每個樣本合理估計其標(biāo)簽置信度。隨機(jī)森林(Random Forest,RF)模型集成了多棵決策樹,其隨機(jī)過程有效地解決了決策樹容易產(chǎn)生的過擬合問題,并且置信度的精度可以通過集成決策樹的數(shù)量靈活調(diào)整,模型中集成的決策樹越多,最終估計出的標(biāo)簽置信度精度越高。因此本文推薦使用隨機(jī)森林模型對樣本進(jìn)行置信度估計。計算方法為:

    其中:confi表示樣本集DT中某一樣本的標(biāo)簽置信度,nTree為模型中集成的決策樹個數(shù);表示模型對訓(xùn)練集樣本的預(yù)測標(biāo)簽向量,表示向量的第i個元素。

    從預(yù)測準(zhǔn)確性來看,隨機(jī)森林由多個彼此獨立的決策樹集成,因此,它的預(yù)測結(jié)果比基模型非獨立的集成模型更準(zhǔn)確;其次,隨機(jī)森林中的隨機(jī)過程可以有效解決單一決策樹中的過擬合問題;除此之外,在評估置信度的過程中,nTree越大,標(biāo)簽置信度的差異就越細(xì)化,因此nTree可以調(diào)節(jié)清潔度差異的細(xì)化程度;最后,對于這樣基于最大似然估計的方法,實驗次數(shù)越多,置信度估計就越準(zhǔn)確。

    標(biāo)簽置信度雖然能夠合理展現(xiàn)出樣本標(biāo)簽的可信賴程度,但是由于數(shù)據(jù)集之間的差異性,使得數(shù)據(jù)集的標(biāo)簽置信度分布也具有很大的差異。圖1 和圖2 分別展示了在理想情況下置信度分布和實際情況下各個數(shù)據(jù)集的置信度實際分布(各個數(shù)據(jù)集的詳細(xì)描述見3.1 節(jié))。在理想條件下,使用集成分類模型計算樣本的標(biāo)簽置信度時,每一個基分類器都能夠準(zhǔn)確預(yù)測樣本的真實標(biāo)簽,因此,干凈樣本的標(biāo)簽置信度均為1,噪聲樣本的標(biāo)簽置信度均為0。然而由于在計算標(biāo)簽置信度時分類器本身存在一定的誤差,且不同的樣本分布情況也影響著分類器的預(yù)測結(jié)果,因此,實際各個數(shù)據(jù)集的標(biāo)簽置信度往往與理想情況相差甚遠(yuǎn)。

    圖1 理想情況下的置信度分布Fig.1 Confidence distribution in ideal condition

    圖2 不同數(shù)據(jù)集置信度分布Fig.2 Confidence distribution of different datasets

    顯然,在置信度分布差異巨大的情況下,針對各種置信度分布的數(shù)據(jù)集采用一致的標(biāo)簽噪聲過濾策略是不可行的,因此,本文提出的DPS 算法使用信息熵對樣本的標(biāo)簽置信度分布情況進(jìn)行分析。

    信息熵被定義為離散隨機(jī)事件的出現(xiàn)頻率,是數(shù)學(xué)上一個用于衡量信源的不確定度的抽象概念,信息熵越小,表示信源不確定性越低。在本文的問題中,將樣本的標(biāo)簽置信度的值看作隨機(jī)變量X,X的取值范圍為[0,1]。將[0,1]平均劃分為b份,有b+1,那么P(x∈(xi,1])為b個隨機(jī)事件發(fā)生的概率,統(tǒng)計b個隨機(jī)事件出現(xiàn)的頻率并計算信息熵,公式為:

    隨機(jī)變量X的信息熵EQ(X)是一個單調(diào)遞減函數(shù),隨著i的增加,區(qū)間(xi,1]逐漸減小,此時EQ(X)減小,意味著X事件的確定性逐漸增大,因此,尋找EQ(X)一階差分最小值點e,在e點處EQ(X)下降速度最快,此時將e更新為閾值選擇區(qū)間的右端點。EQ(X)在e點處下降速度最快意味著不確定性流失最快。

    然而,此時的e點并不是最終要尋找的最佳臨界點,最佳臨界點應(yīng)該選取信息熵開始大幅下降的瞬間,也就是信息熵EQ(X)的拐點處,因此,最佳臨界點應(yīng)該滿足兩個條件:1)在信息熵EQ(X)產(chǎn)生大幅下降的點(即一階差分最小值點)之前;2)處在EQ(X)的某一拐點處。此時從e點出發(fā)向前搜索,繼續(xù)尋找EQ(X)二階差分最小值,就能夠找到最佳臨界點。事先尋找EQ(X)下降最快的點而不直接尋找拐點的原因是,無法確定拐點只有一個,部分?jǐn)?shù)據(jù)集的信息熵EQ(X)可能存在兩個或多個拐點,先利用一階差分更新點e能夠縮小拐點尋找范圍,避免最佳臨界點的尋找陷入局部最優(yōu)。

    尋找到最佳臨界點e后,令e的橫坐標(biāo)xe作為閾值區(qū)間的右端點,xe-w為左端點,w為進(jìn)行概率抽樣的范圍,此時就得到了最優(yōu)閾值區(qū)間[xe,xe-w],利用局部概率抽樣的方式,在區(qū)間內(nèi)隨機(jī)生成閾值r,利用閾值r和每個樣本的標(biāo)簽置信度的大小關(guān)系對樣本進(jìn)行識別。由于概率抽樣方法基于最大似然估計,因此需要進(jìn)行多次的獨立重復(fù)實驗,抽樣過程連續(xù)進(jìn)行SamplingNum次,匯總最終各個樣本的識別結(jié)果進(jìn)行過濾。

    1.2 DPS算法

    根據(jù)1.1 節(jié)中的描述尋找最佳臨界點后,在閾值區(qū)間中利用概率抽樣的方式進(jìn)行標(biāo)簽噪聲的過濾,得到DPS 算法。DPS算法的主要步驟如下:

    輸入 初始樣本集DT;

    參數(shù) 隨機(jī)森林集成的決策樹個數(shù)nTree,置信度劃分區(qū)間個數(shù)b;

    輸出 預(yù)測標(biāo)簽集L。

    步驟1 利用隨機(jī)森林模型構(gòu)建nTree棵決策樹投票獲得訓(xùn)練集DT中每個樣本的標(biāo)簽置信度confi。

    步驟2 將置信度區(qū)間[0,1]平均劃分成b個子區(qū)間[xi,xi+1],統(tǒng)計置信度處于各個子區(qū)間的概率,并通過式(2)計算置信度處于不同區(qū)間的信息熵EQ(xi)。

    步驟3 計算EQ在每個xi處的一階差分FD(xi),將最佳臨界點e更新為FD的最小值點。

    步驟4 計算EQ在每個xi處的二階差分SD(xi),從e出發(fā)向前搜索,尋找到SD的極小值點xe,此時最佳閾值區(qū)間為[xe-0.2,xe]。

    步驟5 在[xe-0.2,xe]區(qū)間內(nèi)隨機(jī)生成閾值r,保留conf值高于r的樣本構(gòu)成干凈樣本集CT,剩余樣本被標(biāo)記為噪聲?;贑T構(gòu)建分類器hj。

    步驟6 重復(fù)步驟1~5 共SamplingNum次,最終構(gòu)建SamplingNum個分類器hj,對訓(xùn)練集樣本進(jìn)行過濾。

    在DPS 算法中,構(gòu)建隨機(jī)森林模型的時間復(fù)雜度為O(nTree?N?C?log(N)),置信度計算的時間復(fù)雜度為O(nTree?N),在對置信度分布分析的過程中,時間復(fù)雜度為O(b),最終過濾過程的時間復(fù)雜度為O(N),上述的各個過程均為串行,且重復(fù)進(jìn)行了SamplingNum次,因此,DPS 算法總體時間復(fù)雜度為O(SamplingNum?nTree?N?C?log(N))。

    2 實驗結(jié)果與分析

    2.1 實驗數(shù)據(jù)與實驗環(huán)境

    本文在14 個經(jīng)典UCI 數(shù)據(jù)集上驗證本文DPS 算法的有效性,數(shù)據(jù)集描述見表1。為避免不平衡數(shù)據(jù)對分類性能的影響,對winequality_red 和winequality_white 抽取了其中的第5 和第6 類,對abalone 抽取了其中的第9 類和第10 類。數(shù)據(jù)的平滑、擬合以及實驗部分均在Matlab環(huán)境下實現(xiàn)。

    表1 實驗數(shù)據(jù)集描述Tab.1 Experimental dataset description

    2.2 數(shù)據(jù)設(shè)計

    實驗前先將數(shù)據(jù)集劃分為兩個部分,取其中2/3作為訓(xùn)練集,剩余1/3作為測試集。將訓(xùn)練集按照實驗要求隨機(jī)加入噪聲,即隨機(jī)改變一定比例樣本的原始標(biāo)簽。在對比實驗中,選取四種標(biāo)簽噪聲過濾算法與DPS 算法進(jìn)行比較,分別是隨機(jī)森林(RF)、MVF、HARF和LPS,其中:RF、HARF和LPS都是基于隨機(jī)森林提出的方法,在構(gòu)建森林時構(gòu)建決策樹的數(shù)量均為500;MVF 是異質(zhì)集成分類器,由3NN、樸素貝葉斯、隨機(jī)森林三種模型集成而得;HARF的閾值設(shè)置為0.7;LPS和DPS的抽樣次數(shù)設(shè)置為11。在標(biāo)簽噪聲過濾后將保留下的樣本利用隨機(jī)森林訓(xùn)練為一個分類器對測試集進(jìn)行分類,以該分類結(jié)果判斷該標(biāo)簽噪聲過濾算法的分類泛化性能。為避免實驗隨機(jī)性的影響,實驗結(jié)果均為重復(fù)10次求取的平均值。

    本文中對比實驗指標(biāo)使用了識別準(zhǔn)確率Acc(Accuracy)、召回率Re(Recall)、查準(zhǔn)率Pre(Precision)、F1和Classif(分類準(zhǔn)確率),具體計算方式如下:

    其中:TP表示實際標(biāo)簽和預(yù)測標(biāo)簽均為正類的樣本數(shù);FP表示實際標(biāo)簽為負(fù)類,預(yù)測標(biāo)簽為正類的樣本數(shù);TN表示實際標(biāo)簽和與預(yù)測標(biāo)簽均為負(fù)類的樣本數(shù);FN表示實際標(biāo)簽為正類,預(yù)測標(biāo)簽為負(fù)類的樣本數(shù)。

    2.3 實驗結(jié)果與分析

    2.3.1 信息熵走勢分析

    本組實驗主要驗證信息熵走勢對探索最佳臨界點的有效性。圖3展示了在14個數(shù)據(jù)集下,由式(2)計算出的信息熵的一階差分圖隨置信度的變化情況,為避免局部內(nèi)的微小波動對實驗造成的影響,將原信息熵一階差分函數(shù)利用三次樣條插值進(jìn)行平滑處理,圖3為處理后的一階差分曲線。從圖3中可以看出,不同數(shù)據(jù)集的信息熵差分的走勢差異很大,但它們也存在一些共同點:在所有數(shù)據(jù)集的信息熵一階差分圖像中,函數(shù)值在某一點或某個小區(qū)間內(nèi)會出現(xiàn)至少一次大幅度下降。這是因為橫坐標(biāo)每向右移動一個點,就會損失一個置信度子區(qū)間中所包含的信息量,當(dāng)移動到某點,函數(shù)值出現(xiàn)大幅下降時,說明當(dāng)損失該置信度子區(qū)間的信息量時,獲取到的信息的不確定性驟降,因此,最佳臨界點應(yīng)當(dāng)出現(xiàn)在該點附近。然而,對于部分?jǐn)?shù)據(jù)集,信息熵差分極小值點不止一個,針對這樣的情況,則選取最小值點,即信息熵下降最快的點作為探索最佳臨界點的起點。

    圖3 14個數(shù)據(jù)集的一階差分圖Fig.3 First-order difference graphs of 14 datasets

    若直接將信息熵一階差分最小值點作為最佳臨界點,帶來的問題是損失大量有效信息。因為從圖3 中可以看出,對于部分?jǐn)?shù)據(jù)集(如sonar、heart、diabetic、winequality_white 等),一階差分值都不是在某一點突然下降的,而是在某個區(qū)間內(nèi)連續(xù)下降,且下降幅度都比較明顯,當(dāng)一階差分下降到最小值時,信息已經(jīng)產(chǎn)生較大損失。因此,為解決這樣的問題,應(yīng)當(dāng)利用二階差分尋找一階差分圖像的拐點作為最佳臨界點。

    2.3.2 噪聲識別性能

    本組實驗主要對比了DPS與RF、MVF、HARF 及LPS的噪聲識別能力,噪聲比例ratio從5%到30%,每次以5%的幅度遞增。圖4(a)展示了五個算法在14 個數(shù)據(jù)集下的噪聲識別準(zhǔn)確率Acc的匯總結(jié)果,結(jié)果由不同噪聲比例下14 個數(shù)據(jù)集實驗結(jié)果的均值得來。五個算法中,RF、MVF、HARF為0-1抽樣算法,LPS、DPS是概率抽樣算法。從噪聲識別率來看,概率抽樣算法的噪聲識別能力明顯高于0-1 抽樣算法。DPS 算法因采用了動態(tài)過濾策略,其噪聲識別能力相比LPS 也有一定的提高,尤其在噪聲比例較低的情況下,噪聲識別能力的優(yōu)勢更加明顯。

    圖4(b)和(c)分別展示了五個算法在14個訓(xùn)練集下噪聲識別的召回率和精確率,從圖中可以看出,DPS的召回率遠(yuǎn)高于HARF 和LPS,且這三個算法的召回率幾乎不隨噪聲比例ratio的增長而變化,RF 和MVF 召回率較低且不夠穩(wěn)定,隨ratio的變化比較明顯。從精確率來看,五個算法在噪聲比例為5%時幾乎沒有表現(xiàn)出差異,隨著ratio的增加,各個算法的精確率逐漸顯現(xiàn)出差異,其中,HARF 和DPS 下降速度較快,而MVF 的Pre指標(biāo)在此時顯示出一定的穩(wěn)定性,下降速度相比其他算法更加緩慢。從圖4(b)和(c)可以看出:DPS 和HARF 更傾向于保留干凈樣本,會不可避免地保留部分噪聲,因此精確率較低;而MVF 更傾向于過濾噪聲樣本,在過濾的過程中也會過濾掉部分干凈樣本,嚴(yán)重時還會造成過度過濾現(xiàn)象。

    圖4 五種算法的Acc、Re和Pre指標(biāo)對比Fig.4 Comparison of Acc Re and Pre of 5 algorithms

    為綜合Re和Pre的實驗結(jié)果,圖5 展示了五個算法在14個數(shù)據(jù)集上的F1值,從圖中可以看出,在絕大部分情況下,HARF、LPS 和DPS 的F1值在不同的數(shù)據(jù)集上表現(xiàn)各有優(yōu)勢,且明顯優(yōu)于其他兩種算法。

    圖5 五種算法的F1指標(biāo)對比Fig.5 Comparison of F1 of 5 algorithms

    為了更好地比較五種方法的F1指標(biāo),圖6 對14 個數(shù)據(jù)集的F1指標(biāo)求取平均值,總體來看,在F1指標(biāo)下,概率抽樣方法仍然具有較大的優(yōu)勢,其中DPS 的F1指標(biāo)在各個噪聲比例下均能夠保持較高水平。

    圖6 五種算法的F1均值對比Fig.6 Comparison of F1 mean value of 5 algorithms

    2.3.3 分類性能比較

    圖7 對比了五種算法在14 個數(shù)據(jù)集下的分類泛化能力,Classif越高,表示數(shù)據(jù)集在經(jīng)由該算法過濾后,訓(xùn)練出的分類器分類能力越好。從圖7 中可以看出,DPS 的分類準(zhǔn)確率在大多數(shù)情況下比其他算法表現(xiàn)更好,在低噪聲的情況下,DPS更具優(yōu)勢。除了DPS 外,LPS 在少部分?jǐn)?shù)據(jù)集下的分類準(zhǔn)確率也表現(xiàn)出了一定的優(yōu)勢,而HARF 的分類能力相比其他算法表現(xiàn)最差。

    圖7 五種算法的Classif指標(biāo)對比Fig.7 Comparison of Classif of 5 algorithms

    14 個數(shù)據(jù)集Classif的平均值如圖8 所示,可以看出,隨著噪聲比例的增大,五個算法的Classif基本呈下降趨勢,其中DPS 下降速度最慢,且Classif指標(biāo)最高,說明其概率抽樣方法受噪聲影響更小,魯棒性更高。

    圖8 五種算法的Classif均值對比Fig.8 Comparison of Classif mean value of 5 algorithms

    3 結(jié)語

    本文主要針對置信度分布差異較大的各類數(shù)據(jù)集無法適應(yīng)統(tǒng)一的標(biāo)簽噪聲過濾策略的問題,提出了一種基于動態(tài)概率抽樣的標(biāo)簽噪聲過濾方法,該方法通過統(tǒng)計不同數(shù)據(jù)集的樣本置信度出現(xiàn)的頻率來分析置信度的分布特點,利用此概率的信息熵尋找過濾的最佳臨界點,再結(jié)合概率抽樣的思想,在使得過濾器達(dá)到高識別率、高分類準(zhǔn)確率的目標(biāo)的同時,也增強(qiáng)了過濾器在不同數(shù)據(jù)集上的普適性。

    猜你喜歡
    信息熵置信度差分
    基于信息熵可信度的測試點選擇方法研究
    硼鋁復(fù)合材料硼含量置信度臨界安全分析研究
    數(shù)列與差分
    正負(fù)關(guān)聯(lián)規(guī)則兩級置信度閾值設(shè)置方法
    基于信息熵的實驗教學(xué)量化研究
    電子測試(2017年12期)2017-12-18 06:35:48
    一種基于信息熵的雷達(dá)動態(tài)自適應(yīng)選擇跟蹤方法
    基于信息熵的IITFN多屬性決策方法
    置信度條件下軸承壽命的可靠度分析
    軸承(2015年2期)2015-07-25 03:51:04
    基于差分隱私的大數(shù)據(jù)隱私保護(hù)
    相對差分單項測距△DOR
    太空探索(2014年1期)2014-07-10 13:41:50
    国产黄片美女视频| 欧美中文日本在线观看视频| 在线国产一区二区在线| 免费在线观看影片大全网站| 国产精品一及| 久久精品91无色码中文字幕| av黄色大香蕉| 国产亚洲精品久久久久久毛片| 欧美又色又爽又黄视频| 亚洲精品美女久久久久99蜜臀| 男女之事视频高清在线观看| 精品无人区乱码1区二区| 淫妇啪啪啪对白视频| 日本成人三级电影网站| 日韩欧美一区二区三区在线观看| 成人午夜高清在线视频| 老司机福利观看| 欧美日韩国产亚洲二区| www.自偷自拍.com| 欧美黑人欧美精品刺激| 亚洲色图 男人天堂 中文字幕| 久久久久精品国产欧美久久久| 岛国在线观看网站| 久久精品夜夜夜夜夜久久蜜豆| 欧美性猛交╳xxx乱大交人| 一进一出抽搐动态| 日韩欧美在线乱码| 人人妻人人澡欧美一区二区| 国产精品九九99| 一本一本综合久久| 欧美最黄视频在线播放免费| 一进一出抽搐gif免费好疼| 岛国视频午夜一区免费看| 亚洲黑人精品在线| 国产美女午夜福利| 美女高潮的动态| 精品久久蜜臀av无| www国产在线视频色| 亚洲av成人精品一区久久| 麻豆一二三区av精品| 国产熟女xx| 国产免费男女视频| 国产伦一二天堂av在线观看| 成人国产综合亚洲| 变态另类成人亚洲欧美熟女| 久久香蕉精品热| 国产精品综合久久久久久久免费| 男女午夜视频在线观看| 色在线成人网| 中文字幕人成人乱码亚洲影| 婷婷六月久久综合丁香| 日本 av在线| 少妇熟女aⅴ在线视频| 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| 中文字幕av在线有码专区| 欧美三级亚洲精品| 国产三级中文精品| 国产精品av视频在线免费观看| 久久精品综合一区二区三区| 免费在线观看亚洲国产| 天天一区二区日本电影三级| 国产精品久久久人人做人人爽| 夜夜爽天天搞| 中文字幕最新亚洲高清| 悠悠久久av| 天堂√8在线中文| 一级作爱视频免费观看| 久久精品国产综合久久久| 日韩免费av在线播放| 深夜精品福利| 香蕉国产在线看| 99热精品在线国产| 免费看a级黄色片| 黄色视频,在线免费观看| 欧美色欧美亚洲另类二区| 午夜日韩欧美国产| av国产免费在线观看| 日本a在线网址| 亚洲欧美精品综合久久99| 欧美日韩福利视频一区二区| e午夜精品久久久久久久| 99久久综合精品五月天人人| 高潮久久久久久久久久久不卡| 成人特级黄色片久久久久久久| 在线免费观看的www视频| 男人的好看免费观看在线视频| 亚洲av电影不卡..在线观看| 日本成人三级电影网站| 中文字幕人妻丝袜一区二区| cao死你这个sao货| 舔av片在线| 12—13女人毛片做爰片一| 男人和女人高潮做爰伦理| 国产精华一区二区三区| 无人区码免费观看不卡| 成年免费大片在线观看| 精品久久久久久久久久久久久| 免费在线观看日本一区| 国产伦一二天堂av在线观看| 全区人妻精品视频| 好男人电影高清在线观看| 亚洲欧美日韩无卡精品| 男女床上黄色一级片免费看| 噜噜噜噜噜久久久久久91| 亚洲国产欧美一区二区综合| 国产精品久久视频播放| 色视频www国产| 日韩大尺度精品在线看网址| 一区二区三区高清视频在线| 少妇裸体淫交视频免费看高清| 免费看日本二区| 国产毛片a区久久久久| 草草在线视频免费看| 一边摸一边抽搐一进一小说| 天堂av国产一区二区熟女人妻| 99国产极品粉嫩在线观看| 国内毛片毛片毛片毛片毛片| 黄色丝袜av网址大全| 精品一区二区三区视频在线观看免费| a级毛片a级免费在线| xxxwww97欧美| 九九在线视频观看精品| 噜噜噜噜噜久久久久久91| 亚洲第一欧美日韩一区二区三区| 全区人妻精品视频| 亚洲九九香蕉| 国产人伦9x9x在线观看| 18禁观看日本| 亚洲国产精品成人综合色| 观看免费一级毛片| 最好的美女福利视频网| 欧美xxxx黑人xx丫x性爽| 两个人看的免费小视频| 无遮挡黄片免费观看| 99久久无色码亚洲精品果冻| 国产精品野战在线观看| 男女下面进入的视频免费午夜| 成人无遮挡网站| 99热这里只有是精品50| 在线视频色国产色| 久久九九热精品免费| 国产成人精品久久二区二区免费| 久久亚洲精品不卡| 一本一本综合久久| 欧美激情久久久久久爽电影| 久久香蕉国产精品| 欧美中文综合在线视频| 日韩免费av在线播放| 少妇裸体淫交视频免费看高清| svipshipincom国产片| 精品国产亚洲在线| 欧美一区二区国产精品久久精品| 亚洲精品乱码久久久v下载方式 | 男女午夜视频在线观看| 日本一二三区视频观看| 欧美日韩国产亚洲二区| 亚洲熟妇中文字幕五十中出| 欧美一级毛片孕妇| 黄色 视频免费看| 国产精品自产拍在线观看55亚洲| 日韩欧美国产在线观看| 天天躁狠狠躁夜夜躁狠狠躁| 久久午夜亚洲精品久久| 欧美精品啪啪一区二区三区| 久久久久久国产a免费观看| 欧美丝袜亚洲另类 | 这个男人来自地球电影免费观看| 91在线观看av| 国产成年人精品一区二区| 美女 人体艺术 gogo| 超碰成人久久| 欧美午夜高清在线| 美女高潮的动态| 免费av不卡在线播放| 亚洲熟妇中文字幕五十中出| 美女扒开内裤让男人捅视频| 久久精品人妻少妇| av视频在线观看入口| 久久国产精品人妻蜜桃| 搡老岳熟女国产| 一本久久中文字幕| 亚洲国产精品合色在线| 久久久久久国产a免费观看| 人妻久久中文字幕网| 午夜福利在线观看免费完整高清在 | 日韩中文字幕欧美一区二区| 叶爱在线成人免费视频播放| 天堂影院成人在线观看| av国产免费在线观看| 久久九九热精品免费| 一区二区三区国产精品乱码| 国产私拍福利视频在线观看| 国产成人欧美在线观看| 一进一出抽搐gif免费好疼| 91在线精品国自产拍蜜月 | 可以在线观看的亚洲视频| or卡值多少钱| 中国美女看黄片| 精品一区二区三区四区五区乱码| www.熟女人妻精品国产| 99热这里只有精品一区 | 最好的美女福利视频网| 国模一区二区三区四区视频 | 欧美成人性av电影在线观看| 亚洲人成网站高清观看| 美女午夜性视频免费| 久久九九热精品免费| 欧美乱色亚洲激情| 久久香蕉国产精品| 久久国产精品人妻蜜桃| 少妇丰满av| 久久久国产成人免费| 少妇熟女aⅴ在线视频| 久久精品影院6| 亚洲第一欧美日韩一区二区三区| 97碰自拍视频| 欧美成狂野欧美在线观看| 久久精品亚洲精品国产色婷小说| 国产av不卡久久| 婷婷丁香在线五月| 亚洲av成人不卡在线观看播放网| 免费观看的影片在线观看| 欧美乱码精品一区二区三区| 免费高清视频大片| 国内久久婷婷六月综合欲色啪| 久久精品人妻少妇| 久久久久国内视频| 最新美女视频免费是黄的| 日日夜夜操网爽| 亚洲精品一卡2卡三卡4卡5卡| 国产蜜桃级精品一区二区三区| 搡老妇女老女人老熟妇| 国产美女午夜福利| 久久久久久久久中文| 欧美一区二区精品小视频在线| 美女黄网站色视频| 很黄的视频免费| 在线a可以看的网站| or卡值多少钱| 一级毛片精品| 99热只有精品国产| 法律面前人人平等表现在哪些方面| 好男人电影高清在线观看| 在线观看午夜福利视频| 不卡av一区二区三区| 国产精品一区二区三区四区久久| 亚洲欧洲精品一区二区精品久久久| 久久久久亚洲av毛片大全| 久久久久国内视频| h日本视频在线播放| 九九热线精品视视频播放| 中文字幕最新亚洲高清| 久久亚洲精品不卡| 精品日产1卡2卡| 18禁观看日本| 好男人在线观看高清免费视频| 欧美日韩瑟瑟在线播放| av在线天堂中文字幕| 亚洲欧美日韩高清在线视频| 国产不卡一卡二| bbb黄色大片| 久久国产精品影院| 男女视频在线观看网站免费| 一个人看视频在线观看www免费 | 欧美激情在线99| 久久久久久久久中文| 国产精品免费一区二区三区在线| 美女扒开内裤让男人捅视频| 亚洲成人中文字幕在线播放| 桃色一区二区三区在线观看| 又粗又爽又猛毛片免费看| 桃红色精品国产亚洲av| 国产乱人伦免费视频| 成年女人永久免费观看视频| 夜夜躁狠狠躁天天躁| 国产av在哪里看| 国产精品av久久久久免费| 日韩欧美国产在线观看| 久久国产乱子伦精品免费另类| 精品免费久久久久久久清纯| 久久精品国产综合久久久| 一二三四社区在线视频社区8| svipshipincom国产片| 日韩欧美精品v在线| 操出白浆在线播放| 悠悠久久av| 一边摸一边抽搐一进一小说| 国语自产精品视频在线第100页| 香蕉丝袜av| 成人一区二区视频在线观看| 波多野结衣高清作品| www.精华液| 亚洲国产精品sss在线观看| 久99久视频精品免费| 日本黄色视频三级网站网址| 在线观看午夜福利视频| 婷婷精品国产亚洲av| 精品国产乱码久久久久久男人| 天堂av国产一区二区熟女人妻| 欧美黄色片欧美黄色片| 国产aⅴ精品一区二区三区波| 国产一区在线观看成人免费| 欧美中文日本在线观看视频| 日韩欧美精品v在线| 中文字幕精品亚洲无线码一区| 精品一区二区三区视频在线观看免费| 黄片大片在线免费观看| 三级男女做爰猛烈吃奶摸视频| 日本免费a在线| 亚洲国产欧美网| 床上黄色一级片| 成人18禁在线播放| 日韩欧美一区二区三区在线观看| 国产精品久久电影中文字幕| 日韩 欧美 亚洲 中文字幕| 欧美丝袜亚洲另类 | 久久草成人影院| 亚洲av成人不卡在线观看播放网| 中文字幕精品亚洲无线码一区| 免费在线观看影片大全网站| 国产真实乱freesex| 国产亚洲精品久久久久久毛片| 久久亚洲真实| av天堂中文字幕网| 国产精品 国内视频| 757午夜福利合集在线观看| 国产一区二区三区在线臀色熟女| 成人精品一区二区免费| 精品久久久久久久毛片微露脸| 一级毛片女人18水好多| 麻豆国产97在线/欧美| 久久久精品大字幕| www.999成人在线观看| 天堂影院成人在线观看| 美女黄网站色视频| 夜夜躁狠狠躁天天躁| 精品乱码久久久久久99久播| 亚洲av成人精品一区久久| 1024香蕉在线观看| 久久人妻av系列| 丰满的人妻完整版| 国产人伦9x9x在线观看| 亚洲,欧美精品.| 午夜久久久久精精品| 99久久精品热视频| 中文字幕最新亚洲高清| 亚洲精品色激情综合| 观看免费一级毛片| 天堂动漫精品| 日日摸夜夜添夜夜添小说| 免费高清视频大片| 美女被艹到高潮喷水动态| 五月玫瑰六月丁香| 精品国产乱子伦一区二区三区| 88av欧美| 99热精品在线国产| 欧美性猛交黑人性爽| 真人做人爱边吃奶动态| 综合色av麻豆| 成人永久免费在线观看视频| 一个人免费在线观看电影 | 久久天躁狠狠躁夜夜2o2o| 欧美日韩精品网址| 丝袜人妻中文字幕| 日本黄大片高清| 1024手机看黄色片| 久久久久久人人人人人| 黄色片一级片一级黄色片| 国产高潮美女av| 1024手机看黄色片| 久久精品人妻少妇| 欧美黄色淫秽网站| 少妇丰满av| 亚洲国产中文字幕在线视频| 久久久成人免费电影| 午夜成年电影在线免费观看| 丰满的人妻完整版| 淫妇啪啪啪对白视频| 亚洲精品美女久久久久99蜜臀| 怎么达到女性高潮| 久久久久久大精品| 成人永久免费在线观看视频| 69av精品久久久久久| 岛国在线观看网站| 一边摸一边抽搐一进一小说| 国产一级毛片七仙女欲春2| 久久午夜亚洲精品久久| 好男人电影高清在线观看| 在线免费观看不下载黄p国产 | 久久伊人香网站| 久久这里只有精品中国| 国产人伦9x9x在线观看| 一二三四社区在线视频社区8| 99热精品在线国产| 亚洲国产欧美人成| 久久久久免费精品人妻一区二区| 国产黄色小视频在线观看| 免费在线观看视频国产中文字幕亚洲| 99国产精品一区二区蜜桃av| 在线观看66精品国产| 亚洲黑人精品在线| 亚洲 欧美 日韩 在线 免费| 成人性生交大片免费视频hd| 免费看a级黄色片| 免费看日本二区| 国产成+人综合+亚洲专区| 少妇裸体淫交视频免费看高清| 国产免费男女视频| 最近最新免费中文字幕在线| 国产精品久久久久久久电影 | 久久久精品大字幕| 淫秽高清视频在线观看| 免费在线观看视频国产中文字幕亚洲| 亚洲五月天丁香| 亚洲中文字幕日韩| 久久久国产成人免费| 欧美+亚洲+日韩+国产| 国产视频内射| 午夜a级毛片| av黄色大香蕉| 国产成人福利小说| 欧美日本视频| 国产成人精品无人区| 国产黄片美女视频| 真人一进一出gif抽搐免费| 成人av一区二区三区在线看| 日本黄色片子视频| 久久精品国产亚洲av香蕉五月| 真实男女啪啪啪动态图| 国产一区二区激情短视频| 看黄色毛片网站| 午夜亚洲福利在线播放| 国语自产精品视频在线第100页| 性色avwww在线观看| 国产极品精品免费视频能看的| 久久久国产成人免费| 亚洲精品在线观看二区| 欧美另类亚洲清纯唯美| 国产私拍福利视频在线观看| 国产伦精品一区二区三区四那| 国产精品爽爽va在线观看网站| 亚洲自偷自拍图片 自拍| 男女视频在线观看网站免费| 日本黄大片高清| 美女 人体艺术 gogo| 在线视频色国产色| 久久久久精品国产欧美久久久| 波多野结衣高清作品| 国内精品久久久久精免费| 亚洲,欧美精品.| www.熟女人妻精品国产| 午夜福利在线在线| 国产亚洲精品久久久com| aaaaa片日本免费| 黄色成人免费大全| 91av网站免费观看| 国产精品99久久久久久久久| 男女视频在线观看网站免费| av在线蜜桃| 无人区码免费观看不卡| 美女午夜性视频免费| 中文字幕最新亚洲高清| 亚洲av日韩精品久久久久久密| 特级一级黄色大片| 欧美成人一区二区免费高清观看 | av片东京热男人的天堂| 久久久成人免费电影| 免费观看精品视频网站| 观看美女的网站| 黄色成人免费大全| 熟女人妻精品中文字幕| 美女午夜性视频免费| 真实男女啪啪啪动态图| 久久久精品欧美日韩精品| 久久久久国产精品人妻aⅴ院| 午夜福利在线观看吧| 麻豆久久精品国产亚洲av| 国产亚洲欧美98| 99久久精品热视频| 99久久精品一区二区三区| 国产精品女同一区二区软件 | 1024手机看黄色片| 无遮挡黄片免费观看| 黄色丝袜av网址大全| 19禁男女啪啪无遮挡网站| 91九色精品人成在线观看| 免费搜索国产男女视频| 国产高潮美女av| 久久精品国产99精品国产亚洲性色| 国产伦精品一区二区三区视频9 | 日韩国内少妇激情av| 国产成人影院久久av| 18禁观看日本| 亚洲avbb在线观看| 亚洲国产欧洲综合997久久,| 又黄又粗又硬又大视频| 亚洲五月婷婷丁香| 国产野战对白在线观看| 伦理电影免费视频| a级毛片a级免费在线| 成年版毛片免费区| 亚洲人成电影免费在线| 国产又色又爽无遮挡免费看| 久久久精品大字幕| 黄频高清免费视频| 午夜福利在线观看免费完整高清在 | 哪里可以看免费的av片| 又黄又粗又硬又大视频| 免费观看的影片在线观看| 亚洲精品一区av在线观看| 欧美国产日韩亚洲一区| 国产午夜精品久久久久久| 日韩国内少妇激情av| 免费观看的影片在线观看| 男女午夜视频在线观看| 国产 一区 欧美 日韩| 90打野战视频偷拍视频| 黄色成人免费大全| 午夜激情福利司机影院| 色综合亚洲欧美另类图片| 少妇的逼水好多| 99国产精品一区二区蜜桃av| 一进一出抽搐gif免费好疼| 91麻豆av在线| АⅤ资源中文在线天堂| 欧美激情久久久久久爽电影| av女优亚洲男人天堂 | 两个人看的免费小视频| 日韩欧美免费精品| 国产精品久久久久久久电影 | 又黄又粗又硬又大视频| 欧美乱妇无乱码| 亚洲国产精品sss在线观看| 亚洲人成网站高清观看| 一个人免费在线观看电影 | 最新在线观看一区二区三区| 久久天堂一区二区三区四区| 国产熟女xx| 桃红色精品国产亚洲av| 久久久国产欧美日韩av| 九色国产91popny在线| 免费大片18禁| 夜夜看夜夜爽夜夜摸| e午夜精品久久久久久久| 国产精品免费一区二区三区在线| 亚洲无线观看免费| 给我免费播放毛片高清在线观看| 成人三级黄色视频| 精品国内亚洲2022精品成人| 91久久精品国产一区二区成人 | 亚洲欧美日韩无卡精品| 亚洲欧美日韩高清在线视频| 两个人视频免费观看高清| 老汉色∧v一级毛片| 欧美成人免费av一区二区三区| 国产av不卡久久| 欧美不卡视频在线免费观看| 美女cb高潮喷水在线观看 | 观看免费一级毛片| 午夜亚洲福利在线播放| 一区二区三区激情视频| 热99re8久久精品国产| 亚洲国产精品999在线| 国产精品久久电影中文字幕| 1024香蕉在线观看| 国产高清三级在线| 久久久国产精品麻豆| 婷婷亚洲欧美| 久久性视频一级片| 欧美+亚洲+日韩+国产| 99久久国产精品久久久| 大型黄色视频在线免费观看| 日韩有码中文字幕| 亚洲国产精品999在线| 蜜桃久久精品国产亚洲av| 国产欧美日韩一区二区三| 脱女人内裤的视频| 黄色视频,在线免费观看| 婷婷亚洲欧美| 日韩高清综合在线| 久久久久久九九精品二区国产| 97超级碰碰碰精品色视频在线观看| 精华霜和精华液先用哪个| 亚洲第一电影网av| 久久久久久久久久黄片| 美女被艹到高潮喷水动态| 成在线人永久免费视频| www日本在线高清视频| 老鸭窝网址在线观看| 午夜福利在线观看免费完整高清在 | 国产日本99.免费观看| 美女午夜性视频免费| 欧美大码av| 欧美一区二区国产精品久久精品| 欧美乱色亚洲激情| 免费看十八禁软件| 2021天堂中文幕一二区在线观| 天堂网av新在线| 老鸭窝网址在线观看| 午夜影院日韩av| 亚洲 欧美一区二区三区| 最近最新免费中文字幕在线| 久久人人精品亚洲av| 人妻丰满熟妇av一区二区三区| 母亲3免费完整高清在线观看| 国产男靠女视频免费网站| 精品国产乱子伦一区二区三区| 久久亚洲真实| 亚洲美女黄片视频| 久久精品影院6| 亚洲精品一卡2卡三卡4卡5卡| 国产69精品久久久久777片 | 91在线观看av| 麻豆国产av国片精品|