• <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 ?

    “類人”社交機器人檢測數據集擴充方法研究

    2022-01-26 12:43:18劉欣然徐雅斌
    電子科技大學學報 2022年1期
    關鍵詞:類人編碼器損失

    劉欣然,徐雅斌*

    (1. 北京信息科技大學網絡文化與數字傳播北京市重點實驗室 北京 朝陽區(qū) 100101;2. 北京信息科技大學計算機學院 北京 朝陽區(qū) 100101)

    社交機器人是一種具有虛擬人格化形象的算法智能體,它們滲透于社交網絡之中,通過大量連接社交網絡用戶并發(fā)送特定信息,在一定程度上影響著公眾輿論。其中,部分社交機器人利用了其對于輿論的影響力,在社交網絡中實施謠言傳播、虛假消息散布等惡意行為,威脅著社交網絡的安全與穩(wěn)定?;诖?,針對社交機器人的檢測技術成了近年來的研究熱點。

    然而,為逃避檢測,另有一部分社交機器人通過升級換代,具有了逼真的網絡身份(頭像、用戶名等詳細的個人資料)、發(fā)送帶有情感色彩博文的能力、相當數量的粉絲及關注者等一系列更為“類人”的網絡形象特征。本文將上述經過升級的社交機器人命名為“類人”社交機器人?;谄洹邦惾恕钡膶傩裕瑥暮A康木W絡用戶群體中識別出“類人”社交機器人的難度更大,正因如此,能夠使用相應的技術手段對它們進行有效、準確的檢測就顯得更加重要。

    與普通的社交機器人檢測任務相同,“類人”社交機器人檢測,旨在使用分類模型對“類人”社交機器人用戶和人類用戶進行二分類。然而,現實中能夠直接從社交網絡中識別并獲取到的“類人”社交機器人用戶的數量遠少于正常人類用戶的數量,在此情況下訓練得到的檢測模型將存在嚴重的過擬合問題。為了獲得性能更為優(yōu)越的檢測模型,就要求在訓練模型之前首先進行訓練數據集的擴充。由于“類人”社交機器人已經混跡在真實人類用戶之中且難以被“識破”,那么便可以學習人類用戶的社交行為數據,并生成相似數據,以達到擴充其檢測訓練集的目的。

    為實現數據擴充,文獻[1]提出使用數字DNA編碼社交機器人用戶的行為壽命,并使用遺傳算法對當前的機器人用戶進行迭代優(yōu)化,由此生成符合實驗要求的數據。雖然該方法具有一定的作用,但是需要事先對采集到的每個數據樣本進行建模,工作量大、且實現效率低。

    不同于文獻[1],文獻[2-3]分別提出使用生成式對抗網絡(generative adversarial networks, GAN)和改進的條件對抗網絡(conditional generative adversarial networks, CGAN)來擴充社交機器人數據集。文中二者均取得了良好的擴充效果,且提出的方法相較于文獻[1]均更易于操作、實現效率更高。但是文獻[2-3]均未考慮到GAN 的固有缺點(如生成器模式崩潰問題等)對于數據擴充結果可能產生的影響,更沒有提出相應的解決辦法。

    為緩解GAN[4]生成器的模式崩潰問題,文獻[5]提出了進化生成式對抗網絡(evolutionary generative adversarial networks, E-GAN)。訓練中,E-GAN 借用種群進化的思想訓練生成器、使用多目標函數評價各生成器的性能并保留最優(yōu)個體,以此保證了生成的數據同時具有較高的“真實性”與多樣性,從而緩解了模式崩潰問題。但是E-GAN 的設計并非完美。首先,由單個全連接網絡或卷積網絡構成的生成器,難以從輸入的隨機噪聲中充分挖掘出與訓練數據相關的隱藏特征,導致生成數據的“真實性”與多樣性程度差強人意。其次,E-GAN 生成器損失函數的優(yōu)化目標存在自相矛盾的現象,導致訓練過程中模型收斂速度慢、生成器梯度不穩(wěn)定;訓練結束后,生成數據的質量優(yōu)劣不一。

    為優(yōu)化E-GAN 的訓練效果,文獻[6]提出修改E-GAN 生成器的損失函數及判別器結構,以避免梯度消失的發(fā)生;文獻[7]提出改變判別器的輸出形式及生成器的損失函數,從而提高生成數據的多樣性;文獻[8]提出使用帕累托優(yōu)勢度(Pareto dominance)函數作為評估生成器性能的多目標評估函數;文獻[9]在E-GAN 的 “突變”步驟后引入“交叉”步驟,以進一步提高生成數據的多樣性。文獻[6-9]的實驗結果較之原始E-GAN 均有一定的提高,但是均未解決制約模型性能提高的本質問題。

    基于此,本文提出了一種基于改進的海林格距離的變分進化生成式對抗網絡(Hellinger distance based variational evolutionary generative adversarial network, HVE-GAN)模型,以提高E-GAN 性能、實現“類人”社交機器人檢測數據集的有效擴充。

    1 E-GAN 生成器的結構改進

    1.1 E-GAN 及變分自編碼器

    E-GAN 的結構如圖1 所示,若無特殊說明,則文中D特指判別器(discriminator),D 特指解碼器(decoder)。父代生成器Gθ通過變異產生子代生成器,子代生成器分別生成數據,通過評估函數對于各子代生成器的性能進行評估,性能最優(yōu)的子代生成器將被保留作為下一次變異的父代;此時被挑選出來的生成器與判別器進行對抗訓練,且根據對抗結果進行優(yōu)化。

    圖1 E-GAN 模型結構圖

    由圖1 可知,E-GAN 模型在訓練過程中借用了進化算法的思想,其每個訓練步驟由3 個階段組成:

    1)變異(variation):給定一個父代生成器個體Gθ,使其在不同的損失函數的指導下變異并產生新的子代

    2)評價(evaluation):對于每一個子代生成器,它們的性能將在當前的“自然環(huán)境”(即與判別器的對抗訓練)下,由評價函數給出;

    3)選擇(selection):E-GAN 將根據子代生成器的評估值進行“自然選擇”,即優(yōu)秀的子代生成器被保留到下一代,作為下一次訓練過程中進行變異的父本。

    變分自編碼器[10](variational autoencoder, VAE)是以自編碼器(autoencoder, AE)[11]結構為基礎的深度生成模型。但是AE 的解碼器不具有數據生成能力,而VAE 通過引入“重參數化”過程,使其解碼器具有了數據生成能力。

    1.2 E-GAN 的生成器結構改進方法

    為了進一步提高E-GAN 生成數據的“真實性”與多樣性,本文將E-GAN 的生成器由變分自編碼器取代,形成變分進化生成式對抗網絡(variational evolutionary generative adversarial networks, VEGAN)。

    VE-GAN 的模型結構如圖2 所示。修改后的生成器中,編碼器E 負責接收人類用戶數據,并將其編碼至包含人類用戶數據隱藏特征的低維數據空間,解碼器D 負責從中采樣,并將采樣數據在不同的損失函數的指導下解碼為與人類用戶數據相似的“類人”社交機器人數據。

    圖2 VE-GAN 模型結構圖

    對生成器的結構進行修改后,模型的損失函數也要相應地發(fā)生變化。借鑒文獻[12],則此時編碼器E 的損失函數為:

    其中,

    式中,X為真實數據;先驗分布Z~N(0,1),為重參數化后的隱空間數據;Q(|X)與P(Z)分別為與Z采樣分布情況的表示。

    對于單個生成器G而言,其損失函數為:

    式中,LE?GAN(G_fake)為用于指導當前生成器變異的損失函數。判別器D的損失函數為:

    則模型整體的損失函數為:

    將E-GAN 的單個網絡結構的生成器修改為VAE 結構,修改后:1)模型使用編碼得到的隱空間數據而非隨機噪聲進行數據生成,隱空間數據中含有豐富的訓練數據隱藏特征信息,有助于模型在信息加持下,生成“真實性”和多樣性程度與訓練數據更為相似的用戶數據;2)生成器訓練過程中,VAE 的損失函數能夠迫使解碼器輸出與訓練數據更為相似的數據,不斷提升解碼器利用隱空間數據擬合訓練數據的能力。以上兩點共同作用,使得生成數據的“真實性”和多樣性程度得到了提高。

    2 E-GAN 的損失函數優(yōu)化設計

    用于指導E-GAN 生成器變異的損失函數之一為Heuristic 損失函數,其定義為:

    推理可知,最小化式(6)相當于最小化[KL(pg||preal)?2JS(pg||preal)],這便意味著生成器要在減小pg和preal之間的KL 散度的同時增大其JS 散度,顯然該目標是自相矛盾的。在實踐中,該目標也會嚴重影響生成器梯度的穩(wěn)定性。因此需要對該損失函數進行替換。

    本文使用改進的海林格距離(Hellinger distance)替換Heuristic 損失函數,將其作為生成器的損失函數之一。海林格距離是f 散度的一種,被用來度量兩個概率分布之間的距離。在可度量空間上,海林格距離被定義為:

    式中,P(x)和Q(x)分 別為在給定連續(xù)空間X中,x∈X的兩個連續(xù)性分布。由于海林格距離具有對于不平衡數據集不敏感的優(yōu)秀特征,被廣泛應用于采樣方法中?;谏鲜隹紤],可將海林格距離應用于本模型,作為指導生成器變異的損失函數。

    同時,為了避免在具體的訓練過程中,由于生成器生成的數據量較大,導致原始的海林格距離的值也較大,從而給梯度帶來較大的影響,本文將原始的海林格距離進行了縮放改進,使其更加適用于當前模型的特點。

    改進的海林格距離為:

    式(8)可理解為:生成器試圖縮小其生成數據的實際概率分布值與目標概率分布值1 之間的海林格距離。式中,n為生成器生成數據的數量。式(8)僅對原始公式進行了縮放處理,既不會影響公式的性能,又能很好地將函數值控制在較小的范圍內,從而也穩(wěn)定了梯度。

    在更為魯棒的損失函數(改進的海林格距離)的指導下,徹底解決了在訓練過程中,由不合理的損失函數優(yōu)化目標導致的生成器梯度不穩(wěn)定問題,從而使生成數據的質量也得到了保證。本文將進行了上述生成器結構與損失函數改進的模型稱為基于海林格距離的變分進化生成式對抗網絡(HVEGAN),并使用該模型完成“類人”社交機器人檢測數據集的擴充任務。

    3 “類人”社交機器人數據擴充算法

    利用本文提出的HVE-GAN 進行“類人”社交機器人數據生成的算法步驟如下。

    算法:“類人”社交機器人數據生成

    輸入:人類用戶的數據X

    輸出:“類人”社交機器人數據X′

    1) 初始化一個VAE 結構的生成器G0,并令其編碼器 Enc0為初代編碼器,解碼器為初代解碼器,初始化一個判別器D;

    2) 將X輸入給E nc0,并將其編碼得到的包含人類用戶隱藏特征的隱空間數據輸 入給 D ec0,令其解碼得到“類人”社交機器人數據=Dec();

    4) 利用評估函數F=Fq+γFd,γ>0評 估G0的性能,并給出相應的評估分數,其中,γ為一個可學習的超參數,Fq為適應度分數,Fd為多樣性分數;

    5) 優(yōu)化判別器D,以提高判別器性能,從而更好地促進生成器的進化;

    6) 將X輸入給子代生成器的編碼器種群{Enc1,Enc2,···,Encn} 中 的各編碼器個體 Enci,n為子代生成器的數量,i∈{1,2,···,n};經過單獨的編碼及重參數化后,分別得到數據集的不同隱空間變量數據集將z中 的各數據集分別輸入給子代生成器的解碼器種群 { Dec1,Dec2,···,Decn}中相應的解碼器個體D eci,各解碼器分別解碼出“類人”社交機器人數據集

    8) 由F給出該生成數據集的候選子代生成器Gi的評估分數,若任意Gi的評估函數值均低于G0的值,則繼續(xù)選擇G0作為本次訓練中變異的父本生成器,否則根據他們的評估函數值排名選出最優(yōu)模型代替G0作為本次的變異父本;

    9) 本次變異父本G0在不同的損失函數的指導下進行變異,得到子代生成器及其相應的編碼器、解碼器種群;

    10) 優(yōu)化判別器D;

    11) 若未完成預設次數的訓練,則返回步驟6),進入下一次訓練;若完成預設次數的訓練后停止訓練,并進入步驟12);

    12) 取得HVE-GAN 當前的解碼器模型,對其輸入z~N(0,1),獲得所需“類人”社交機器人的數據X′。

    在上述算法中,步驟1)~步驟5)為利用HVEGAN 的初始生成器生成“類人”社交機器人數據階段;步驟6)~步驟11)為子代生成器的數據生成階段;步驟11)為循環(huán)條件,步驟12)為最終的檢測數據集生成階段。

    其中,步驟4)提到的評估函數F的適應度分數為:

    即Fq為判別器對于待評估數據給出的真實性度量。多樣性分數為:

    即Fd為判別器D的優(yōu)化函數時,通過D的梯度值的高低反映出待評估數據分布的集中程度。梯度值越小,則數據分布越分散,其多樣性程度越高。

    4 實 驗

    為了驗證HVE-GAN 模型性能的優(yōu)越性,及其生成的“類人”社交機器人數據的“真實性”與多樣性,選取文獻[3]提出的社交機器人數據集擴充模型,以及E-GAN 作為基線模型,與本文提出的VE-GAN、HVE-GAN 一同進行數據生成,并進行對比實驗;為了驗證損失函數改進的有效性,進行E-GAN、VE-GAN 及HVE-GAN 在訓練過程中生成器損失函數的變化情況對比實驗。

    4.1 模型參數設置

    本文所提出的HVE-GAN 模型是基于E-GAN模型(http://github.com:WANG-Chaoyue/Evolutionary GAN.git)做出的進一步改進。模型搭建于Theano框架下。HVE-GAN 的生成器中,編碼器為有一個隱藏層的全連接層結構,隱藏層的激活函數為LeakyRelu,輸出層的激活函數為Sigmoid;解碼器為有3 個隱藏層的全連接層結構,隱藏層的激活函數為LeakyRelu,輸出層為一層線性連接層,沒有激活函數;判別器同樣為有3 個隱藏層的全連接層結構,其隱藏層的激活函數為LeakyRelu,而輸出層的激活函數為Sigmoid。E-GAN 的生成器與判別器結構與VE-GAN 無異,只是減少了編碼器結構。

    模型訓練時,上述模型的編碼器、解碼器或生成器、判別器均使用了Adam 優(yōu)化算法,生成器與判別器的學習率均為0.0001,編碼器的學習率為0.0002。訓練時的batch size 大小設為64,訓練次數設為10000。同樣,除了編碼器的超參數被去掉外,E-GAN 與HVE-GAN 的超參數設置均一致。

    本文基于代碼(https://github.com/eriklindernoren/PyTorch-GAN.git)對文獻[2]中提出的GAN 的社交機器人生成模型進行了復現。GAN 搭建于PyTorch框架之下,生成器與判別器均采用了具有3 個隱藏層的全連接層結構,隱藏層的激活函數均為LeakyRelu。其中,GAN 判別器輸出層的激活函數為Sigmoid。訓練時,GAN 的其他超參數的設置也與E-GAN 完全相同,不再贅述。

    4.2 實驗數據獲取及處理

    由于“類人”社交機器人檢測技術的原理為基于用戶的社交行為特征向量進行二分類,則擴充檢測數據集即為擴充“類人”社交機器人的社交行為特征向量,因此需要提取人類用戶的社交行為特征,構造出每一位用戶的特征向量用作實驗的訓練數據。為此,本文借鑒文獻[13-14],提取了具有較高信息熵且普適的情感、非情感兩類特征。

    1) 情感特征提取。情感特征特指用戶所發(fā)布的微博文本(以下簡稱博文)中所蘊含的語義情感特征。本實驗借鑒文獻[14],使用基于Attention 機制的BiLSTM 模型進行用戶博文情感特征提取。博文情感特征定義為:

    式中,K為該用戶發(fā)布的所有博文的數量;affective_valuesi表示該用戶發(fā)布的第i條博文的情感分數。Mean_of_affective_values 的取值范圍為[0,1],越靠近0 或者1,則該用戶所發(fā)布的博文中所蘊含的情感越強烈鮮明,該用戶是真實人類用戶的概率越大;若該值越靠近0.5,表明該用戶發(fā)布的微博文本中蘊含的情感越微弱,或具有正向情感傾向和負向情感傾向的微博分布越均勻,則該用戶是社交機器人用戶的可能性越大。

    2) 非情感特征提取。本文提取的非情感特征共3 類:用戶發(fā)微博的時序特征、微博用戶賬號特征、用戶微博傳播特征,如表1~表3 所示。對于表中提到的Pic、Name、Verified、Location 4 個特征,分別用“1”或“0”替代“是”或“否”的值,其他非情感特征的提取方法參見文獻[13-14],此處不再贅述。

    表1 用戶發(fā)微博的時序特征

    表2 微博用戶賬號特征

    表3 用戶微博傳播特征

    經過上述兩個步驟的特征提取,最終構造出的人類用戶特征向量,即可作為HVE-GAN 的“學習對象”。

    模型訓練完成后,即可利用訓練好的生成器生成實驗所需的數據。但由于訓練時間較短,生成的數據雖然與真實數據的差異性較小,仍然難以完全符合實驗需求的精度,因此需要人為對數據進行預處理,處理方法如下:

    1)將負數全部重置為0;

    2) FriendCount 與FollowerCount 的特征數據僅保留整數部分;

    3)對Pic、Name、Verified、Location 的特征數據,篩選出大于等于0.6,小于等于1.5 的數值,將其更新為1,小于0.6 的值將其更新為0;去掉這4 列值中不為0 或1 的特征向量數據;

    4)去掉Mean_of_affective_values >1 的特征向量數據。

    經過上述處理后的數據最終用于本文的實驗。

    4.3 實驗結果及評估

    實驗一:生成數據“真實性”對比實驗。

    為了驗證HVE-GAN 模型性能的優(yōu)越性,及HVE-GAN 生成的“類人”社交機器人特征向量數據是否可以“以假亂真”,本實驗利用各模型分別生成250 個“類人”社交機器人用戶數據集,分別與同一批的250 個人類用戶數據集混合,并使用分類器對各混合數據集進行分類,根據分類情況評價各模型的性能及生成數據的“真實性”程度。實驗中選取AdaBoost、支持向量機(support vector machines,SVM)、邏輯回歸(logistic regression)分類器,對上述經過混合數據集中的數據進行分類。并使用精確度(precision)、準確度(accuracy)、召回率(recall)、F1 值4 個指標對于分類結果進行評價。上述分類器對各個模型生成的“類人”社交機器人特征向量數據的分類評價情況如表4 所示。

    由表4 可知,利用AdaBoost 分類器對于各模型生成的數據的分類情況相同;使用Logistic Regression 分類器對于上述模型生成的數據進行分類時,HVE-GAN 的評價指標值均明顯低于其他模型;使用SVM 分類器進行分類時,HVE-GAN 在Precision 與Accuracy 指標值上僅略高于VE-GAN,但低于基線模型。且使用Logistic Regression 與SVM 分類時,VE-GAN 的分類評價情況也明顯優(yōu)于基線模型。

    表4 各模型生成數據分類情況

    由此可得,HVE-GAN 生成的數據質量優(yōu)于基線模型,即其性能優(yōu)于基線模型。且由VEGAN 的表現可知,模型性能的提升主要依賴于生成器模型結構的改進,由此證明了模型結構改進的有效性。由表4 還可以看出,雖然HVE-GAN 分類結果的Recall 值較高,但是Precision 與Accuracy均低于0.5(即分類器能夠正確分類的概率低于0.5),說明分類器雖然能識別出人類用戶的特征向量數據,但是難以區(qū)分生成的“類人”社交機器人的數據。由此可知,HVE-GAN 生成的數據具有較高的“真實性”。

    實驗二:生成數據多樣性對比實驗。

    本實驗旨在通過使用各模型一同生成“類人”社交機器人特征向量數據,并進行對原始數據覆蓋圖像的對比,驗證HVE-GAN 在生成數據多樣性方面的優(yōu)越性及模型結構改進的有效性。

    為了突出體現各模型生成的數據的多樣性差異,本實驗利用熵權法計算出人類用戶特征向量中各特征的權重,選擇權重排名前三的特征來表示該用戶,并基于上述特征進行數據覆蓋圖像的繪制。權重較大,表明該特征對于用戶身份識別的影響較大,從而可以代表該用戶。

    根據熵權法計算結果,本實驗分別進行了粉絲數,發(fā)布博文時間間隔方差(以下簡稱時間間隔方差)和關注數特征的生成數據的覆蓋對比。若某個模型生成的“類人”社交機器人特征向量數據可以較高程度地覆蓋人類用戶數據,則可以證明該模型生成的數據多樣性程度高。

    如圖3 所示,HVE-GAN 除了在時間間隔方差特征覆蓋對比實驗中表現略遜于E-GAN 外,其生成的數據覆蓋程度相比其他模型均有明顯的優(yōu)勢。該情況一方面證明了E-GAN 本身即具有強大的生成能力,另一方面也證明了HVE-GAN 生成的數據的多樣性程度顯然更勝一籌,也可證明HVE-GAN模型的性能優(yōu)于基線模型。

    圖3 特征覆蓋對比

    VE-GAN 的覆蓋能力雖然不如HVE-GAN,但它們之間的差距并不大,由此也可以證明模型結構的修改是提高生成數據的多樣性程度的決定因素。又由圖3 可知,HVE-GAN 生成的數據雖然與基線模型相比其多樣性程度有了明顯的提高,但是與原始訓練數據相比還有較大的差距。這是由于為了提高本次實驗效率,對模型進行的訓練時間較短、訓練不夠充分導致的。

    實驗三:損失函數修改有效性驗證實驗。

    用于指導E-GAN 變異的損失函數共有3 種,除了Heuristic 損失函數外,還有Minimax 與Least Square 兩種損失函數,其定義分別為:

    經推導,Minimax 損失函數的優(yōu)化目標相當于最小化生成數據的實際分布概率與目標分布概率之間的JS 散度;Least Square 損失函數的優(yōu)化目標為縮小生成數據的實際分布概率與目標分布概率之間的均方誤差。上述兩個函數的優(yōu)化目標均為縮小生成數據的實際分布概率與目標分布概率之間的距離,與本文的損失函數設計目標是完全一致的。

    E-GAN 生成器損失函數的變化情況如圖4a 所示,可見,Heuristic 損失函數在E-GAN 訓練過程中震蕩嚴重,由此可以推導出,在該損失函數指導下進行訓練的生成器模型梯度十分不穩(wěn)定,導致訓練出的生成器生成數據的質量參差不齊。

    VE-GAN 生成器的損失函數變化趨勢如圖4b所示,由圖可知訓練中VE-GAN 生成器的Heuristic損失函數震蕩幅度依然較大??梢?,即使進行了模型結構的改進,Heuristic 損失函數依然影響著生成器的性能。

    如圖4c 所示,進行了損失函數的更換的HVEGAN,訓練中生成器的損失函數均呈平穩(wěn)下降的趨勢,模型的收斂速度得到了顯著提升。由此可知,HVE-GAN 生成器的性能及生成數據的質量得到了持續(xù)穩(wěn)定的提高??梢姳疚奶岢龅膿p失函數的改進是必要和有效的。

    圖4 各生成模型生成器損失函數變化趨勢

    5 結束語

    針對“類人”社交機器人檢測所需的訓練數據不足的問題,本文提出了一種數據集擴充模型HVE-GAN,模型將生成器修改為VAE 結構,提高了生成的“類人”社交機器人數據的“真實性”與多樣性;將Heuristic 損失函數修改為改進的海林格距離,穩(wěn)定了生成器的梯度,提高了模型收斂速度,保證了生成數據的質量。對比實驗結果也充分表明,本文提出的HVE-GAN 模型,在生成數據“真實性”和多樣性方面優(yōu)于基線模型;在訓練過程中其損失函數的變化趨勢更加平穩(wěn),從而證明了HVE-GAN 性能的優(yōu)越性及模型結構修改的有效性。

    猜你喜歡
    類人編碼器損失
    少問一句,損失千金
    胖胖損失了多少元
    5類人跟泡腳“八字不合”
    玉米抽穗前倒伏怎么辦?怎么減少損失?
    基于FPGA的同步機軸角編碼器
    口頭禪暴露性格
    基于PRBS檢測的8B/IOB編碼器設計
    JESD204B接口協(xié)議中的8B10B編碼器設計
    電子器件(2015年5期)2015-12-29 08:42:24
    一般自由碰撞的最大動能損失
    多總線式光電編碼器的設計與應用
    人人妻,人人澡人人爽秒播 | 欧美在线黄色| 精品卡一卡二卡四卡免费| 久久久久国产一级毛片高清牌| 国产福利在线免费观看视频| 在线精品无人区一区二区三| 三上悠亚av全集在线观看| 欧美日韩精品网址| 亚洲精品久久午夜乱码| 最新在线观看一区二区三区 | 青春草国产在线视频| 天堂8中文在线网| 中国三级夫妇交换| 青草久久国产| 香蕉丝袜av| 99国产精品免费福利视频| 午夜福利视频在线观看免费| netflix在线观看网站| svipshipincom国产片| 日本av免费视频播放| 女人久久www免费人成看片| 国产一卡二卡三卡精品 | 日韩欧美一区视频在线观看| 女的被弄到高潮叫床怎么办| a 毛片基地| 久久韩国三级中文字幕| 狂野欧美激情性xxxx| 欧美精品一区二区大全| 美女高潮到喷水免费观看| 另类亚洲欧美激情| 亚洲少妇的诱惑av| 亚洲三区欧美一区| 精品久久久精品久久久| 最近中文字幕高清免费大全6| 精品一区二区三区四区五区乱码 | 最近的中文字幕免费完整| 久久99热这里只频精品6学生| 一级片'在线观看视频| 桃花免费在线播放| 国产精品无大码| 黑丝袜美女国产一区| 欧美老熟妇乱子伦牲交| 国产野战对白在线观看| 国产亚洲一区二区精品| a 毛片基地| 一区二区三区乱码不卡18| 欧美日韩视频高清一区二区三区二| 男女国产视频网站| 日韩中文字幕视频在线看片| 又大又黄又爽视频免费| 纵有疾风起免费观看全集完整版| av视频免费观看在线观看| 精品一区二区三卡| 国产亚洲精品第一综合不卡| 久久久久久久大尺度免费视频| 亚洲欧美日韩另类电影网站| 中文乱码字字幕精品一区二区三区| 男男h啪啪无遮挡| 天堂8中文在线网| 国产人伦9x9x在线观看| 自拍欧美九色日韩亚洲蝌蚪91| 菩萨蛮人人尽说江南好唐韦庄| 交换朋友夫妻互换小说| 色网站视频免费| 丝袜美腿诱惑在线| 日韩,欧美,国产一区二区三区| 亚洲欧美成人精品一区二区| 精品人妻在线不人妻| 欧美在线黄色| 天天影视国产精品| 伊人久久国产一区二区| 国产精品久久久久久精品古装| 99热全是精品| 久久人人97超碰香蕉20202| 九九爱精品视频在线观看| 97精品久久久久久久久久精品| 亚洲熟女毛片儿| 美女国产高潮福利片在线看| 久久久久久久久免费视频了| 国产亚洲午夜精品一区二区久久| 十分钟在线观看高清视频www| 精品国产一区二区久久| 精品国产乱码久久久久久小说| 亚洲色图 男人天堂 中文字幕| 天堂中文最新版在线下载| 国产亚洲欧美精品永久| 一级毛片黄色毛片免费观看视频| 另类亚洲欧美激情| 超色免费av| 青春草视频在线免费观看| 91成人精品电影| 亚洲av成人不卡在线观看播放网 | 精品国产一区二区三区久久久樱花| 亚洲在久久综合| 在线天堂中文资源库| 亚洲国产精品999| 亚洲国产精品999| 蜜桃在线观看..| 啦啦啦 在线观看视频| 国产成人精品在线电影| 免费观看人在逋| 最近中文字幕2019免费版| 在线天堂中文资源库| 91精品三级在线观看| 亚洲男人天堂网一区| 国产成人一区二区在线| 国产伦理片在线播放av一区| 国产亚洲av片在线观看秒播厂| 国产精品久久久av美女十八| 97在线人人人人妻| 亚洲国产精品国产精品| 国产欧美日韩一区二区三区在线| 亚洲精品国产区一区二| 建设人人有责人人尽责人人享有的| 美女视频免费永久观看网站| 秋霞在线观看毛片| 黄色 视频免费看| 一级a爱视频在线免费观看| 美国免费a级毛片| 美女福利国产在线| netflix在线观看网站| 啦啦啦视频在线资源免费观看| 亚洲精品国产一区二区精华液| 国产成人啪精品午夜网站| 亚洲精品国产一区二区精华液| 国产国语露脸激情在线看| 中文天堂在线官网| 精品国产乱码久久久久久男人| 国产精品.久久久| 国产毛片在线视频| 欧美激情 高清一区二区三区| 国产色婷婷99| videos熟女内射| 飞空精品影院首页| 热re99久久精品国产66热6| 精品少妇一区二区三区视频日本电影 | 日韩 亚洲 欧美在线| 夜夜骑夜夜射夜夜干| 中国国产av一级| 最近最新中文字幕免费大全7| 99香蕉大伊视频| 欧美亚洲 丝袜 人妻 在线| 国产伦人伦偷精品视频| 亚洲av日韩精品久久久久久密 | 精品一区二区免费观看| 久久久久久久久久久久大奶| 99国产综合亚洲精品| 国产成人精品在线电影| 亚洲人成77777在线视频| 国产伦理片在线播放av一区| av视频免费观看在线观看| 亚洲视频免费观看视频| 欧美老熟妇乱子伦牲交| 午夜免费男女啪啪视频观看| 在线观看一区二区三区激情| 久久天堂一区二区三区四区| 美女高潮到喷水免费观看| 丝袜美腿诱惑在线| 免费观看av网站的网址| 男女下面插进去视频免费观看| 母亲3免费完整高清在线观看| 这个男人来自地球电影免费观看 | 亚洲欧美精品综合一区二区三区| 丝袜脚勾引网站| 超碰97精品在线观看| 乱人伦中国视频| 精品人妻在线不人妻| 黄片播放在线免费| 男男h啪啪无遮挡| 日韩 亚洲 欧美在线| 女的被弄到高潮叫床怎么办| 秋霞在线观看毛片| 又黄又粗又硬又大视频| 日本猛色少妇xxxxx猛交久久| 各种免费的搞黄视频| 2018国产大陆天天弄谢| 亚洲欧洲精品一区二区精品久久久 | 午夜福利在线免费观看网站| 美女脱内裤让男人舔精品视频| 母亲3免费完整高清在线观看| 日本午夜av视频| 一区二区av电影网| 自拍欧美九色日韩亚洲蝌蚪91| 黑人猛操日本美女一级片| 日本爱情动作片www.在线观看| 我要看黄色一级片免费的| 国产片特级美女逼逼视频| 不卡av一区二区三区| 国产一级毛片在线| 中文字幕亚洲精品专区| 亚洲国产看品久久| 欧美人与善性xxx| videosex国产| 成人毛片60女人毛片免费| 麻豆av在线久日| 午夜av观看不卡| 国产一区亚洲一区在线观看| 校园人妻丝袜中文字幕| 777久久人妻少妇嫩草av网站| 婷婷色av中文字幕| 少妇精品久久久久久久| 少妇被粗大的猛进出69影院| 国产精品.久久久| 男女免费视频国产| 久久性视频一级片| 国产精品亚洲av一区麻豆 | 天天影视国产精品| 捣出白浆h1v1| 亚洲av日韩在线播放| 成人黄色视频免费在线看| 日韩伦理黄色片| 日韩中文字幕视频在线看片| 久久人人爽av亚洲精品天堂| 精品卡一卡二卡四卡免费| 日本欧美国产在线视频| 亚洲熟女毛片儿| 国产精品麻豆人妻色哟哟久久| 十八禁网站网址无遮挡| 欧美激情高清一区二区三区 | 国产精品嫩草影院av在线观看| 亚洲成人一二三区av| tube8黄色片| 性高湖久久久久久久久免费观看| 男女下面插进去视频免费观看| 国产 一区精品| 亚洲综合色网址| 久久国产亚洲av麻豆专区| 一二三四在线观看免费中文在| 成年av动漫网址| 宅男免费午夜| 看十八女毛片水多多多| 国产黄频视频在线观看| 成人三级做爰电影| 久久久久久久精品精品| 国产片特级美女逼逼视频| 久久久久久人妻| 欧美人与善性xxx| 亚洲精品aⅴ在线观看| 久久免费观看电影| 一本—道久久a久久精品蜜桃钙片| 9色porny在线观看| 国产片特级美女逼逼视频| 人人妻,人人澡人人爽秒播 | 亚洲综合精品二区| 国产精品一区二区精品视频观看| 国产一级毛片在线| 久久精品aⅴ一区二区三区四区| 欧美日韩综合久久久久久| 亚洲一卡2卡3卡4卡5卡精品中文| 大码成人一级视频| 久久国产亚洲av麻豆专区| 激情视频va一区二区三区| 天天躁狠狠躁夜夜躁狠狠躁| 熟女av电影| 国产免费福利视频在线观看| 亚洲美女视频黄频| 久久久久人妻精品一区果冻| 亚洲四区av| 新久久久久国产一级毛片| 老汉色av国产亚洲站长工具| 人成视频在线观看免费观看| 久久久久国产一级毛片高清牌| 精品少妇内射三级| 另类精品久久| 男女边吃奶边做爰视频| 亚洲欧美一区二区三区久久| 欧美日韩亚洲高清精品| 国产探花极品一区二区| 欧美日韩福利视频一区二区| 久久久久久久久免费视频了| 99久国产av精品国产电影| 精品亚洲成a人片在线观看| 日本黄色日本黄色录像| 天天躁夜夜躁狠狠久久av| 久久精品aⅴ一区二区三区四区| 在线精品无人区一区二区三| 久久天躁狠狠躁夜夜2o2o | 国产精品成人在线| 欧美日韩亚洲国产一区二区在线观看 | 精品第一国产精品| 国产精品熟女久久久久浪| 韩国精品一区二区三区| 91精品三级在线观看| 日韩av在线免费看完整版不卡| 色综合欧美亚洲国产小说| 丰满少妇做爰视频| 热re99久久精品国产66热6| 亚洲成人国产一区在线观看 | 国产精品av久久久久免费| 少妇被粗大猛烈的视频| 欧美日韩视频高清一区二区三区二| 狂野欧美激情性bbbbbb| 精品一品国产午夜福利视频| 51午夜福利影视在线观看| 色吧在线观看| 丰满少妇做爰视频| 亚洲av成人不卡在线观看播放网 | 久久青草综合色| 亚洲欧美精品综合一区二区三区| 成年动漫av网址| 成年美女黄网站色视频大全免费| 七月丁香在线播放| netflix在线观看网站| 十八禁高潮呻吟视频| 色网站视频免费| 亚洲一级一片aⅴ在线观看| 女人爽到高潮嗷嗷叫在线视频| 纯流量卡能插随身wifi吗| 亚洲久久久国产精品| 亚洲精品自拍成人| av一本久久久久| 曰老女人黄片| 天天影视国产精品| 纵有疾风起免费观看全集完整版| 又粗又硬又长又爽又黄的视频| av不卡在线播放| 国产精品久久久av美女十八| 欧美精品一区二区大全| 成人国语在线视频| 日日摸夜夜添夜夜爱| 亚洲av在线观看美女高潮| 夫妻性生交免费视频一级片| 性少妇av在线| 日日摸夜夜添夜夜爱| 伊人久久大香线蕉亚洲五| 久久久久久久久久久免费av| 国产熟女午夜一区二区三区| 国产视频首页在线观看| 一区二区三区激情视频| 亚洲欧美成人精品一区二区| 久久精品国产亚洲av高清一级| 午夜激情久久久久久久| 不卡av一区二区三区| 国产xxxxx性猛交| a级毛片在线看网站| 国产精品 欧美亚洲| 欧美日韩av久久| 免费看不卡的av| 大香蕉久久成人网| 黄片播放在线免费| 亚洲av综合色区一区| 国产毛片在线视频| 亚洲精品久久久久久婷婷小说| 久久影院123| 在线亚洲精品国产二区图片欧美| 一本一本久久a久久精品综合妖精| 哪个播放器可以免费观看大片| 精品少妇久久久久久888优播| 亚洲成人一二三区av| 国产伦理片在线播放av一区| 亚洲精品久久久久久婷婷小说| 国产日韩一区二区三区精品不卡| 天堂俺去俺来也www色官网| 国产精品国产av在线观看| 丝袜人妻中文字幕| 黄片播放在线免费| 另类精品久久| 五月开心婷婷网| 精品国产一区二区久久| 毛片一级片免费看久久久久| 成年av动漫网址| 99精国产麻豆久久婷婷| 色综合欧美亚洲国产小说| 777久久人妻少妇嫩草av网站| 国产午夜精品一二区理论片| 18在线观看网站| 啦啦啦在线免费观看视频4| 极品少妇高潮喷水抽搐| 满18在线观看网站| 制服人妻中文乱码| 亚洲国产欧美日韩在线播放| 黑丝袜美女国产一区| 黑人猛操日本美女一级片| 丝袜在线中文字幕| 国产男女超爽视频在线观看| 高清av免费在线| 啦啦啦啦在线视频资源| 国产高清不卡午夜福利| 国产亚洲欧美精品永久| 日韩中文字幕欧美一区二区 | 免费看不卡的av| 国产欧美日韩综合在线一区二区| av国产精品久久久久影院| 亚洲av成人不卡在线观看播放网 | 精品卡一卡二卡四卡免费| av线在线观看网站| 一级毛片黄色毛片免费观看视频| 亚洲精品国产色婷婷电影| 亚洲国产成人一精品久久久| 欧美日韩亚洲综合一区二区三区_| 男女高潮啪啪啪动态图| 三上悠亚av全集在线观看| 亚洲成色77777| xxx大片免费视频| 秋霞在线观看毛片| 人体艺术视频欧美日本| 黑人猛操日本美女一级片| 久久久久久久大尺度免费视频| 久热爱精品视频在线9| 欧美黄色片欧美黄色片| bbb黄色大片| 无限看片的www在线观看| 亚洲视频免费观看视频| 欧美日韩福利视频一区二区| 免费在线观看视频国产中文字幕亚洲 | 国产一区有黄有色的免费视频| 久久99一区二区三区| 青青草视频在线视频观看| 亚洲美女搞黄在线观看| 亚洲人成77777在线视频| 2018国产大陆天天弄谢| 超碰97精品在线观看| 人人妻人人澡人人爽人人夜夜| 多毛熟女@视频| 自线自在国产av| 亚洲av欧美aⅴ国产| 欧美少妇被猛烈插入视频| 亚洲三区欧美一区| 人妻一区二区av| 欧美日韩综合久久久久久| 女性生殖器流出的白浆| 新久久久久国产一级毛片| av女优亚洲男人天堂| e午夜精品久久久久久久| 伦理电影大哥的女人| 国产黄色免费在线视频| 亚洲伊人久久精品综合| 久热爱精品视频在线9| 亚洲av电影在线进入| 欧美国产精品一级二级三级| a级毛片黄视频| 捣出白浆h1v1| 亚洲综合色网址| 婷婷成人精品国产| 亚洲欧美精品自产自拍| 青青草视频在线视频观看| 精品亚洲成a人片在线观看| 汤姆久久久久久久影院中文字幕| 丝袜美足系列| h视频一区二区三区| 午夜老司机福利片| 少妇 在线观看| 亚洲人成77777在线视频| 亚洲国产欧美网| 少妇人妻精品综合一区二区| 大香蕉久久网| 欧美国产精品一级二级三级| 丝瓜视频免费看黄片| av网站免费在线观看视频| 亚洲 欧美一区二区三区| 精品亚洲成a人片在线观看| 亚洲av中文av极速乱| 夜夜骑夜夜射夜夜干| 日韩,欧美,国产一区二区三区| 亚洲综合色网址| 久久精品久久久久久久性| 在线看a的网站| 91精品国产国语对白视频| 成年动漫av网址| 日韩制服骚丝袜av| 在线免费观看不下载黄p国产| 免费高清在线观看日韩| 国产一区二区 视频在线| 一级爰片在线观看| av免费观看日本| 国产精品嫩草影院av在线观看| 高清视频免费观看一区二区| 国产成人免费观看mmmm| 亚洲成人一二三区av| 中文天堂在线官网| 色播在线永久视频| 国产伦理片在线播放av一区| 亚洲国产欧美在线一区| 18禁动态无遮挡网站| 美女大奶头黄色视频| av国产久精品久网站免费入址| 黄片小视频在线播放| 一级片'在线观看视频| 嫩草影视91久久| 制服丝袜香蕉在线| 欧美精品av麻豆av| 国产免费又黄又爽又色| 亚洲国产av影院在线观看| 精品国产超薄肉色丝袜足j| 久久精品国产亚洲av高清一级| 黄色毛片三级朝国网站| 国产一卡二卡三卡精品 | 国产精品女同一区二区软件| 精品人妻一区二区三区麻豆| 中文欧美无线码| 亚洲欧美一区二区三区国产| 欧美激情极品国产一区二区三区| 国产精品人妻久久久影院| 麻豆精品久久久久久蜜桃| 国产精品久久久久久人妻精品电影 | 欧美日韩视频精品一区| 色婷婷久久久亚洲欧美| 人人妻人人澡人人爽人人夜夜| 青春草亚洲视频在线观看| 午夜福利视频在线观看免费| 久久性视频一级片| 成年人午夜在线观看视频| 久久国产精品大桥未久av| 观看美女的网站| 久久婷婷青草| 狂野欧美激情性xxxx| 嫩草影视91久久| 只有这里有精品99| 欧美精品亚洲一区二区| 男女之事视频高清在线观看 | 日韩人妻精品一区2区三区| av国产久精品久网站免费入址| 十八禁网站网址无遮挡| av天堂久久9| 人妻 亚洲 视频| 精品久久蜜臀av无| 国产日韩欧美在线精品| 少妇被粗大猛烈的视频| 狂野欧美激情性bbbbbb| 肉色欧美久久久久久久蜜桃| 亚洲,一卡二卡三卡| 欧美黑人欧美精品刺激| 在线观看国产h片| 久久精品熟女亚洲av麻豆精品| 一级毛片 在线播放| 成人手机av| 97人妻天天添夜夜摸| 啦啦啦 在线观看视频| 一级毛片电影观看| 国产精品香港三级国产av潘金莲 | 国产 一区精品| 亚洲精品国产av成人精品| h视频一区二区三区| 亚洲国产av新网站| 99热全是精品| 午夜福利免费观看在线| 久久热在线av| 久久毛片免费看一区二区三区| 国产精品三级大全| 国产精品久久久av美女十八| 日韩一卡2卡3卡4卡2021年| 国产精品蜜桃在线观看| 欧美精品一区二区免费开放| 一二三四在线观看免费中文在| 日韩一本色道免费dvd| 亚洲欧美中文字幕日韩二区| 久久精品人人爽人人爽视色| 少妇猛男粗大的猛烈进出视频| videosex国产| 午夜福利视频精品| 国产高清不卡午夜福利| 精品国产国语对白av| 免费高清在线观看日韩| 99久久综合免费| 夫妻性生交免费视频一级片| 午夜日韩欧美国产| 国产高清不卡午夜福利| 热re99久久国产66热| 国产男女超爽视频在线观看| netflix在线观看网站| 99精国产麻豆久久婷婷| 亚洲综合精品二区| 中文字幕另类日韩欧美亚洲嫩草| 久久精品国产综合久久久| 美女脱内裤让男人舔精品视频| 精品国产国语对白av| 女性生殖器流出的白浆| 大片免费播放器 马上看| 黑丝袜美女国产一区| 大片免费播放器 马上看| 成年人免费黄色播放视频| 啦啦啦中文免费视频观看日本| 岛国毛片在线播放| 啦啦啦在线免费观看视频4| 亚洲精品美女久久av网站| 日韩成人av中文字幕在线观看| 91精品三级在线观看| 国产av国产精品国产| 久久久国产精品麻豆| 久久精品国产综合久久久| 欧美黄色片欧美黄色片| 久久久久人妻精品一区果冻| 亚洲,欧美,日韩| 啦啦啦视频在线资源免费观看| 90打野战视频偷拍视频| 最近手机中文字幕大全| 人体艺术视频欧美日本| 在现免费观看毛片| 天天躁夜夜躁狠狠久久av| 亚洲熟女毛片儿| 在线观看免费午夜福利视频| 国产深夜福利视频在线观看| 国产精品亚洲av一区麻豆 | 日日撸夜夜添| 久久国产精品男人的天堂亚洲| 日韩av免费高清视频| 亚洲精华国产精华液的使用体验| 久久影院123| 亚洲国产日韩一区二区| 99久久综合免费| 精品国产露脸久久av麻豆| 女性被躁到高潮视频| 人体艺术视频欧美日本| 黄色怎么调成土黄色| 91精品三级在线观看| 少妇猛男粗大的猛烈进出视频| 免费高清在线观看日韩| 日本欧美国产在线视频| 色精品久久人妻99蜜桃| 国产精品一二三区在线看| 免费在线观看黄色视频的| 97在线人人人人妻| 又粗又硬又长又爽又黄的视频| 蜜桃在线观看..| 亚洲精品av麻豆狂野|