• <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 ?

    基于實(shí)例和屬性加權(quán)樸素貝葉斯的電氣故障分類研究

    2022-06-01 13:36:30舒一飛郭汶昇康潔瀅許詩(shī)雨
    關(guān)鍵詞:樸素貝葉斯權(quán)值

    舒一飛,郭汶昇,樊 博,康潔瀅,許詩(shī)雨,楊 林

    (1.國(guó)網(wǎng)寧夏電力有限公司營(yíng)銷服務(wù)中心,銀川 750000; 2.四川大學(xué) 電氣工程學(xué)院,成都 610065)

    0 引言

    我國(guó)電氣急速發(fā)展,電氣化進(jìn)程顯著改善人民生活,但由諸多因素引起的電氣故障時(shí)有發(fā)生,給用電安全、經(jīng)濟(jì)建設(shè)及電氣市場(chǎng)發(fā)展帶來(lái)直接影響。因此及時(shí)、快速、準(zhǔn)確地對(duì)電氣故障進(jìn)行分類,對(duì)后續(xù)檢修、防治,用電線路升級(jí)都具有重要意義。居民用電過(guò)程中的電氣故障主要有漏電,短路,過(guò)壓,斷相等,而電氣故障診斷分類的傳統(tǒng)方法是基于知識(shí)驅(qū)動(dòng)的,該方法由故障診斷知識(shí)庫(kù)、專家知識(shí)庫(kù)、故障診斷推理機(jī)等組成,通過(guò)將監(jiān)視的物理征兆導(dǎo)入推理機(jī),并由故障診斷推理機(jī)與專家知識(shí)庫(kù)交互,求解出物理征兆下的故障類型,從而完成分類。該方法簡(jiǎn)單易行,但存在較大的主觀性,不能做到對(duì)電網(wǎng)監(jiān)測(cè)數(shù)據(jù)的實(shí)時(shí)充分利用和準(zhǔn)確的故障分析分類。

    近年來(lái),諸如神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、K近鄰、決策樹(shù)等快速發(fā)展的數(shù)據(jù)驅(qū)動(dòng)方式為故障分類提供了新的手段,由于具備堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ),無(wú)需先驗(yàn)知識(shí),可僅利用原始的數(shù)據(jù)特征就完成故障分類任務(wù)。但目前這種方法面臨挑戰(zhàn),數(shù)據(jù)驅(qū)動(dòng)方式對(duì)數(shù)據(jù)的數(shù)量及質(zhì)量都有著較高的要求。不充分的數(shù)據(jù)量將導(dǎo)致網(wǎng)絡(luò)架構(gòu)無(wú)法擬合,過(guò)差的數(shù)據(jù)質(zhì)量將使得網(wǎng)絡(luò)的推廣能力下降,對(duì)于居民用電故障分類來(lái)說(shuō),缺乏大量真實(shí)故障數(shù)據(jù),需通過(guò)仿真機(jī)產(chǎn)生大量的模擬故障數(shù)據(jù)片段,不具有較強(qiáng)的推廣能力。同時(shí)這種方法無(wú)法明確地表征數(shù)據(jù)特征,僅在架構(gòu)內(nèi)部進(jìn)行學(xué)習(xí),沒(méi)有充分完整地對(duì)數(shù)據(jù)屬性及特征進(jìn)行分析和利用,造成了數(shù)據(jù)資源的浪費(fèi)。

    而樸素貝葉斯將貝葉斯概率、統(tǒng)計(jì)學(xué)理論和特征條件獨(dú)立假設(shè)相結(jié)合,對(duì)樣本的數(shù)據(jù)信息進(jìn)行了嚴(yán)密的推理計(jì)算,形成了穩(wěn)固的理論體系與方法,可以解決數(shù)據(jù)分析不確定性和不完整性問(wèn)題。同時(shí)為降低屬性條件獨(dú)立假設(shè)所帶來(lái)的負(fù)面影響,改進(jìn)樸素貝葉斯網(wǎng)絡(luò)分類算法引起了越來(lái)越多學(xué)者的廣泛關(guān)注,并由此產(chǎn)生了許多改進(jìn)的分類模型和學(xué)習(xí)算法;其中包括通過(guò)增加有向邊限制條件獨(dú)立假設(shè)的結(jié)構(gòu)擴(kuò)展、根據(jù)待測(cè)實(shí)例領(lǐng)域選擇的實(shí)例選擇、選擇最合理屬性子集的屬性選擇以及屬性加權(quán)、實(shí)例加權(quán)五種改進(jìn)方式。

    其中效果較優(yōu)的為屬性加權(quán)樸素貝葉斯和實(shí)例加權(quán)樸素貝葉斯。屬性加權(quán)是根據(jù)屬性對(duì)分類預(yù)測(cè)的影響力來(lái)為不同的屬性分配不同的權(quán)值,然后在加權(quán)以后的實(shí)例樣本集上構(gòu)建貝葉斯分類器;實(shí)例加權(quán)則根據(jù)實(shí)例分布情況對(duì)訓(xùn)練實(shí)例賦予不同的權(quán)重,然后在加權(quán)的訓(xùn)練實(shí)例集上構(gòu)建分類器;加權(quán)方式可以科學(xué)嚴(yán)謹(jǐn)?shù)乇碚鲾?shù)據(jù)特征,并且能夠充分對(duì)其進(jìn)行計(jì)算與分析,使得輸入算法框架內(nèi)的特征信息濃度更高,較充分地提升算法性能表現(xiàn)。

    但目前的研究局限于僅采用一種加權(quán)方法,未將屬性加權(quán)與實(shí)例加權(quán)有機(jī)結(jié)合在樸素貝葉斯框架內(nèi),文章充分考慮不同屬性應(yīng)具有不同重要性,不同實(shí)例應(yīng)具有不同可靠性,在樸素貝葉斯框架內(nèi)采用雙重加權(quán),解決數(shù)據(jù)分析不確定性和數(shù)據(jù)不完整性問(wèn)題,增加對(duì)數(shù)據(jù)片段特征的捕捉和利用,提高算法的實(shí)用性和魯棒性,完成對(duì)電氣故障高效準(zhǔn)確的分類,并可推廣至其他分類情形;并與其他基于數(shù)據(jù)驅(qū)動(dòng)方式的電力故障分類方法進(jìn)行對(duì)比,驗(yàn)證文中算法的有效性。

    1 樸素貝葉斯分類

    樸素貝葉斯分類是依據(jù)貝葉斯定理計(jì)算條件概率從而實(shí)現(xiàn)分類預(yù)測(cè),而貝葉斯定理的前提條件是各條件屬性相互獨(dú)立且對(duì)分類結(jié)果影響相同,但這在現(xiàn)實(shí)中常常難以滿足。

    如果

    D

    ={

    A

    ,

    A

    ,…,

    A

    ,

    C

    }為訓(xùn)練數(shù)據(jù)集,其中{

    A

    ,

    A

    ,…,

    A

    }為

    m

    個(gè)屬性變量,

    a

    為是屬性

    A

    的取值,

    C

    ={

    c

    ,

    c

    ,…,

    c

    }是類別總數(shù)為

    q

    的類別變量。一個(gè)待分類實(shí)例

    x

    =[

    a

    ,

    a

    ,…,

    a

    ]屬于

    c

    類的條件概率,根據(jù)貝葉斯定理有:

    (1)

    其中:為進(jìn)行分類預(yù)測(cè)的后驗(yàn)概率,

    P

    (

    a

    ,

    a

    ,…,

    a

    c

    )為給定第

    c

    類下屬性值為[

    a

    ,

    a

    ,…,

    a

    ]的條件概率,

    P

    (

    c

    )是第

    c

    類的先驗(yàn)概率,

    P

    (

    a

    ,

    a

    ,…,

    a

    )是屬性的先驗(yàn)概率,對(duì)于各類別都相同。

    基于各屬性相互獨(dú)立的前提條件,條件概率可表示為:

    (2)

    其中:

    P

    (

    a

    c

    )表示第

    c

    類下屬性

    a

    的條件概率。對(duì)于待分類實(shí)例

    x

    ,基于后驗(yàn)概率最大的原則,樸素貝葉斯分類可表示為:

    (3)

    式中,

    P

    (

    c

    )和

    P

    (

    a

    c

    )可以通過(guò)訓(xùn)練樣本而求得,其計(jì)算方式如下:

    (4)

    (5)

    其中:

    n

    為訓(xùn)練樣本總數(shù),

    a

    為第

    i

    個(gè)訓(xùn)練樣本的第

    j

    個(gè)屬性值,

    n

    為第

    j

    個(gè)屬性值在訓(xùn)練樣本中的個(gè)數(shù),

    δ

    (

    r

    ,

    t

    )為二值函數(shù),定義為:

    (6)

    2 實(shí)例和屬性加權(quán)的樸素貝葉斯

    樸素貝葉斯分類基于各條件屬性相互獨(dú)立且對(duì)分類結(jié)果影響相同的假設(shè)條件,這在現(xiàn)實(shí)中難以滿足。事實(shí)上,屬性集中的一些屬性比其他屬性對(duì)預(yù)測(cè)分類更加重要,因此,可以通過(guò)屬性加權(quán)為每個(gè)屬性分配一個(gè)不同的權(quán)重,通常,對(duì)預(yù)測(cè)分類越重要的屬性為其分配越大的權(quán)重,反之亦然。此外,一些訓(xùn)練實(shí)例比其他實(shí)例對(duì)預(yù)測(cè)分類更可靠,它們對(duì)最終模型的影響應(yīng)該也更大,因此實(shí)例加權(quán)也是另一種緩解樸素貝葉斯劣勢(shì)的有效方法。

    2.1 雙重加權(quán)樸素貝葉斯框架

    鑒于此,本文融合屬性加權(quán)和實(shí)例加權(quán)的優(yōu)勢(shì),提出屬性和實(shí)例加權(quán)的樸素貝葉斯分類(AIWNB)。改進(jìn)后的AIWNB,一方面采用屬性加權(quán)方法對(duì)不同的屬性分別賦予不同的權(quán)重,另一方面,采用實(shí)例加權(quán)方法更準(zhǔn)確地估計(jì)先驗(yàn)概率和條件概率。因此,AIWNB可以同時(shí)繼承屬性加權(quán)的優(yōu)點(diǎn)和實(shí)例加權(quán)的優(yōu)點(diǎn),從而獲得比單一屬性加權(quán)或單一實(shí)例加權(quán)更好的性能。

    在AIWNB中,將屬性權(quán)重納入樸素貝葉斯分類公式中,并將實(shí)例權(quán)重納入先驗(yàn)概率和條件概率中。 因此,AIWNB的預(yù)測(cè)分類可表示為:

    (7)

    (8)

    (9)

    圖1 AIWNB算法架構(gòu)

    2.2 實(shí)例權(quán)值的設(shè)置

    尋找實(shí)例權(quán)值的方法通常采用積極學(xué)習(xí)方法和消極學(xué)習(xí)方法,文中采用了這兩種實(shí)例加權(quán)方法,并通過(guò)實(shí)驗(yàn)比較兩種實(shí)例加權(quán)算法的差異性;并據(jù)此提出二者的較為適宜的使用環(huán)境,發(fā)揮更大的算法優(yōu)勢(shì)。

    2.2.1 積極實(shí)例加權(quán)

    為了保持樸素貝葉斯的計(jì)算簡(jiǎn)單性,采用一種簡(jiǎn)單、高效、有效的方法——基于屬性值頻度的實(shí)例加權(quán)濾波器來(lái)學(xué)習(xí)每個(gè)實(shí)例的權(quán)重。這種方法是基于以下觀察結(jié)果:1)每個(gè)屬性值的頻率包含一些重要的信息,這些信息可以用來(lái)定義訓(xùn)練實(shí)例的權(quán)重;2)每個(gè)訓(xùn)練實(shí)例的權(quán)重與其屬性值頻率向量和整個(gè)訓(xùn)練數(shù)據(jù)集的屬性值個(gè)數(shù)向量呈正相關(guān)。

    首先,計(jì)算每個(gè)屬性值的頻率,

    (10)

    f

    a

    (第

    i

    個(gè)實(shí)例第

    j

    個(gè)屬性值)的頻率,

    n

    是訓(xùn)練實(shí)例的數(shù)量,

    a

    是第

    r

    個(gè)實(shí)例第

    j

    個(gè)屬性值。令

    n

    為第

    j

    個(gè)屬性的值的數(shù)量,并且可表示為[

    n

    ,

    n

    ,…,

    n

    ];則第

    i

    個(gè)實(shí)例的權(quán)重定義為屬性值頻率向量與屬性值個(gè)數(shù)向量的內(nèi)積,

    (11)

    2.2.2 消極實(shí)例加權(quán)

    不同于積極實(shí)例加權(quán),消極實(shí)例加權(quán)集中注意力于計(jì)算并統(tǒng)計(jì)訓(xùn)練實(shí)例與測(cè)試實(shí)例間的相關(guān)性,雖然時(shí)間復(fù)雜度較積極加權(quán)方式更高,但是可以在分類準(zhǔn)確率上得到提升。

    x

    為測(cè)試實(shí)例,

    y

    為第

    i

    個(gè)訓(xùn)練實(shí)例,它們間的相似性定義為:

    (12)

    從式(16)可以看出,

    s

    (

    x

    ,

    y

    )簡(jiǎn)單地對(duì)

    x

    y

    的相同屬性的數(shù)量進(jìn)行統(tǒng)計(jì)的函數(shù),進(jìn)而粗略地衡量?jī)蓚€(gè)實(shí)例間的相似程度,定義第

    i

    個(gè)訓(xùn)練實(shí)例的權(quán)重為:

    (13)

    2.3 屬性權(quán)值的設(shè)置

    鑒于互信息可以度量每對(duì)隨機(jī)離散變量之間的相關(guān)性,因此,文中利用互信息來(lái)度量屬性-類之間、屬性-屬性之間的相關(guān)性,從而計(jì)算得到類關(guān)聯(lián)度和屬性間的相互關(guān)聯(lián)度。每個(gè)屬性的權(quán)重可以通過(guò)對(duì)歸一化后的類關(guān)聯(lián)度與平均相互關(guān)聯(lián)度之間的差值進(jìn)行Sigmoid變換后獲取,具體的計(jì)算步驟如下所示:

    1)屬性(

    A

    )-類(

    C

    )的相關(guān)性、屬性(

    A

    )-屬性(

    A

    )的相關(guān)性采用互信息來(lái)度量,分別定義為:

    (14)

    (15)

    2)對(duì)

    I

    (

    A

    ;

    C

    )和

    I

    (

    A

    ;

    A

    )進(jìn)行歸一化操作:

    (16)

    (17)

    其中:

    NI

    (

    A

    ;

    C

    )和

    NI

    (

    A

    ;

    A

    )分別為歸一化類關(guān)聯(lián)度和相互關(guān)聯(lián)度;歸一化后的各相關(guān)性可直接用于運(yùn)算,不受相關(guān)屬性的單位限制。

    3) 將屬性權(quán)重定義為類關(guān)聯(lián)度與平均相互關(guān)聯(lián)度的差值。

    (18)

    根據(jù)上式計(jì)算得到的權(quán)值可能為負(fù)數(shù),應(yīng)使權(quán)值范圍落入[0,1],利用sigmoid函數(shù)對(duì)其進(jìn)行變換,可得到各屬性權(quán)值,

    (19)

    進(jìn)一步地,將屬性加權(quán)和兩種實(shí)例加權(quán)相結(jié)合,由此得到如下兩種用于電氣設(shè)備故障分類的算法,AIWNB(屬性-積極實(shí)例加權(quán)樸素貝葉斯)和AIWNB(屬性-消極實(shí)例加權(quán)樸素貝葉斯)。

    算法1:AIWNB

    輸入:原始訓(xùn)練集

    輸出:屬性權(quán)值向量

    w

    ,實(shí)例權(quán)值向量

    w

    ,類別

    c

    1.計(jì)算訓(xùn)練集各實(shí)例的屬性值頻率

    f

    及屬性值個(gè)數(shù)

    n

    3.計(jì)算各屬性

    A

    I

    (

    A

    ;

    C

    )與

    I

    (

    A

    ;

    A

    );4.對(duì)各屬性的

    I

    (

    A

    ;

    C

    )與

    I

    (

    A

    ;

    A

    )歸一化得到

    NI

    (

    A

    ;

    C

    ),

    NI

    (

    A

    ;

    A

    );

    7.計(jì)算先驗(yàn)概率

    P

    (

    c

    ),條件概率

    P

    (

    a

    |

    c

    ),類別概率

    c

    (

    x

    );

    8.返回類別。

    算法2:AIWNB

    輸入:原始訓(xùn)練集

    輸出:屬性權(quán)值向量

    w

    ,實(shí)例權(quán)值向量

    w

    ,類別

    c

    1)計(jì)算訓(xùn)練實(shí)例

    y

    和待測(cè)實(shí)例

    x

    的相似性

    s

    (

    x

    ,

    y

    );

    3)計(jì)算各屬性

    A

    I

    (

    A

    ;

    C

    )與

    I

    (

    A

    ;

    A

    );4)對(duì)各屬性的

    I

    (

    A

    ;

    C

    )與

    I

    (

    A

    ;

    A

    )歸一化得到

    NI

    (

    A

    ;

    C

    ),

    NI

    (

    A

    ;

    A

    );

    6)計(jì)算先驗(yàn)概率

    P

    (

    c

    ),條件概率

    P

    (

    a

    |

    c

    ),類別概率

    c

    (

    x

    );

    7)返回類別。

    3 實(shí)例驗(yàn)證

    3.1 數(shù)據(jù)預(yù)處理

    用電數(shù)據(jù)采集于國(guó)網(wǎng)寧夏電氣有限公司計(jì)量中心,包含高低壓用戶783戶為期31天的三相電壓,三相電流,功率及功率因數(shù)8項(xiàng)數(shù)據(jù)。獲得數(shù)據(jù)后對(duì)異常數(shù)據(jù)進(jìn)行清洗,因電氣故障的發(fā)生將導(dǎo)致各項(xiàng)數(shù)據(jù)發(fā)生相應(yīng)變化,僅去除掉空值、數(shù)值偏差極大、重復(fù)值的數(shù)據(jù)段。

    根據(jù)已統(tǒng)計(jì)到的用電情況,并結(jié)合故障發(fā)生時(shí)電壓電流變化情況,經(jīng)由相關(guān)文獻(xiàn)[17-20]及專家標(biāo)注,可總結(jié)為如表1的故障類別及判定依據(jù)。如果設(shè)備負(fù)載是家用熱電偶、燈、加熱器等,供電線路出現(xiàn)以下4種故障時(shí)設(shè)備電流、電壓和功率變化趨勢(shì)如表1所示,正常運(yùn)行數(shù)據(jù)段標(biāo)簽為“1”。

    由于數(shù)據(jù)集內(nèi)包含的故障數(shù)據(jù)段過(guò)少,通過(guò)在故障數(shù)據(jù)段內(nèi)的每個(gè)屬性疊加隨機(jī)高斯噪聲,增加少量故障數(shù)據(jù)片段,提升加權(quán)樸素貝葉斯對(duì)其特征的捕捉能力;隨機(jī)噪聲與真實(shí)情況接近,保證數(shù)據(jù)可用,較大程度模擬真實(shí)故障數(shù)據(jù)。公式如下:

    表1 電氣故障判據(jù)

    (20)

    其中:

    μ

    為高斯噪聲的均值,設(shè)置為0;

    δ

    為高斯噪聲的標(biāo)準(zhǔn)差,設(shè)置為0.1;

    Gauss

    (

    x

    )為生成的噪聲,將其與原始數(shù)據(jù)疊加,完成數(shù)據(jù)增強(qiáng)。僅對(duì)4種電氣故障類型進(jìn)行數(shù)據(jù)增強(qiáng),正常運(yùn)作片段不作處理。原始數(shù)據(jù)及數(shù)據(jù)增強(qiáng)后的各電氣故障類型數(shù)量對(duì)比如表2所示。

    表2 數(shù)據(jù)增強(qiáng)前后故障類型數(shù)量

    經(jīng)由數(shù)據(jù)增強(qiáng)后總共獲得58 209條數(shù)據(jù)段,隨機(jī)取得10 000條數(shù)據(jù)作為測(cè)試集,并對(duì)訓(xùn)練集與測(cè)試集進(jìn)行歸一化,歸一化可提高AIWNB的收斂速度以及分類精度,文章采取min-max歸一化方法,其公式如下,

    (21)

    其中:

    min

    為所有數(shù)據(jù)段的當(dāng)前屬性

    A

    的最小值,

    max

    為所有數(shù)據(jù)段的當(dāng)前屬性

    A

    的最大值。

    3.2 評(píng)價(jià)指標(biāo)

    為準(zhǔn)確評(píng)估文章提出模型在分類中的表現(xiàn),選擇準(zhǔn)確率(

    Accuracy

    )和

    F

    1分?jǐn)?shù)也作為衡量模型性能和有效性的指標(biāo),其計(jì)算公式如下:

    (22)

    (23)

    其中:精準(zhǔn)率(

    Precision

    )及召回率(

    Recall

    )計(jì)算公式如下,

    (24)

    (25)

    式中,

    TP

    表示正類別中準(zhǔn)確分類樣本的數(shù)量;

    TN

    表示負(fù)類別中準(zhǔn)確分類樣本的數(shù)量;

    FP

    表示正類別中錯(cuò)誤分類樣本的數(shù)量;

    FN

    是負(fù)類別中錯(cuò)誤分類樣本的數(shù)量。

    3.3 結(jié)果及分析

    按前文所述,對(duì)屬性及實(shí)例分別求解其權(quán)值,為使實(shí)驗(yàn)更嚴(yán)謹(jǐn)、更具說(shuō)服性,將分別使用單獨(dú)屬性加權(quán),單獨(dú)積極實(shí)例加權(quán),單獨(dú)消極實(shí)例加權(quán),屬性-積極實(shí)例加權(quán),屬性-消極實(shí)例加權(quán)與原始樸素貝葉斯實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比,獲取到效果最佳的加權(quán)樸素貝葉斯方式。

    3.3.1 屬性及實(shí)例權(quán)值

    積極實(shí)例加權(quán)依賴于對(duì)各屬性的屬性值頻率計(jì)算,而觀察采集到的數(shù)據(jù)得知實(shí)際運(yùn)行數(shù)據(jù)的各屬性值分散,導(dǎo)致屬性值頻率

    f

    極小,并不利于計(jì)算;因此借用模糊化思想,文中按照表1所述的各屬性值變化界定范圍,按照類別進(jìn)行劃分,進(jìn)而計(jì)算得到各類實(shí)例的權(quán)值,如表3所示。

    表3 積極實(shí)例加權(quán)各類實(shí)例權(quán)值

    消極實(shí)例加權(quán)更注重于訓(xùn)練實(shí)例與測(cè)試實(shí)例的相似性,通過(guò)計(jì)算每條訓(xùn)練實(shí)例與每條測(cè)試實(shí)例的相似性對(duì)實(shí)例進(jìn)行權(quán)值的劃分,進(jìn)而改善樸素貝葉斯對(duì)不同實(shí)例的注意程度,提升分類精度。因數(shù)據(jù)片段過(guò)多,部分實(shí)例權(quán)值如表4所示。

    表4 消極實(shí)例加權(quán)-部分實(shí)例權(quán)值

    通過(guò)對(duì)屬性-類相關(guān)性和屬性-屬性相關(guān)性的殘差進(jìn)行sigmoid變化得到各屬性權(quán)值,基于互信息的各屬性權(quán)值如表5所示。

    表5 基于互信息的各屬性權(quán)值

    3.3.2 算法性能分析

    為全面評(píng)價(jià)算法的整體性能,文章對(duì)各算法的準(zhǔn)確率及F1分?jǐn)?shù)進(jìn)行計(jì)算,具體值如表6~7所示,各算法總體準(zhǔn)確率如圖2所示。

    表6 算法準(zhǔn)確率對(duì)比

    表7 算法F1分?jǐn)?shù)對(duì)比

    圖2 算法總準(zhǔn)確率曲線圖

    可以看出,加權(quán)樸素貝葉斯在納入不同屬性、實(shí)例的權(quán)值后,相較于單一樸素貝葉斯提高了對(duì)電氣故障分類的準(zhǔn)確率,同時(shí)獲得較高的F1分?jǐn)?shù),證明在加權(quán)樸素貝葉斯能夠提取到更多的全局特征,可較大程度提高分類準(zhǔn)確率。積極實(shí)例加權(quán)與消極實(shí)例加權(quán)的準(zhǔn)確率相差較小,但在實(shí)驗(yàn)過(guò)程中,消極實(shí)例加權(quán)因需要對(duì)訓(xùn)練實(shí)例及測(cè)試實(shí)例逐條計(jì)算相關(guān)性,耗費(fèi)更多的運(yùn)算時(shí)間,實(shí)際使用中偏向于實(shí)時(shí)性,可考慮使用積極實(shí)例加權(quán)。而在電氣數(shù)據(jù)分析和診斷中,消極實(shí)例加權(quán)的優(yōu)勢(shì)更大,可以獲得最高的分類準(zhǔn)確率。

    雙重加權(quán)樸素貝葉斯較單一樸素貝葉斯的準(zhǔn)確率提升為0.11%~3.09%,F(xiàn)1分?jǐn)?shù)提升為0.32%~9.39%。屬性-實(shí)例雙重加權(quán)樸素貝葉斯對(duì)于待分類的電氣故障的高準(zhǔn)確率來(lái)源于對(duì)屬性和實(shí)例兩者權(quán)值的同時(shí)分析,完整又準(zhǔn)確地提取各電氣故障的特征分布;并且在第4類與第5類取得接近完全準(zhǔn)確的分類效果。屬性-積極實(shí)例加權(quán)樸素貝葉斯(AIWNB)及屬性-消極實(shí)例加權(quán)樸素貝葉斯(AIWNB)的混淆矩陣如圖3所示。

    圖3 雙重加權(quán)樸素貝葉斯分類混淆矩陣

    AIWNB與AIWNB在面對(duì)第2,3,4,5類時(shí)幾乎可以取得完全準(zhǔn)確的分類結(jié)果,且在1類的偏差較小;由于消極實(shí)例加權(quán)更注重于對(duì)測(cè)試實(shí)例的分析,進(jìn)而會(huì)取得更加優(yōu)良的分類效果,而代價(jià)則是增加運(yùn)算時(shí)間,積極實(shí)例加權(quán)的分類效果稍弱,但運(yùn)算時(shí)間較少,僅需根據(jù)屬性范圍確定權(quán)值。

    3.4 其他電氣故障分類方法性能對(duì)比

    文中基于屬性-消極實(shí)例加權(quán)樸素貝葉斯的電氣故障分類在實(shí)際數(shù)據(jù)中取得了98.06%的準(zhǔn)確率,為進(jìn)一步驗(yàn)證算法有效性,選取K近鄰(KNN,k-nearest neighbor),決策樹(shù)(DT,decision tree)、支持向量機(jī)(SVM,support vector machine)、極端梯度提升(XGBoost)等基于數(shù)據(jù)驅(qū)動(dòng)方式作為電氣故障分類方法進(jìn)行對(duì)比;上述機(jī)器學(xué)習(xí)方法使用廣泛,分類效果較好,可形成較好的對(duì)比組。

    為保證對(duì)比實(shí)驗(yàn)的可信度,在完全相同的訓(xùn)練集與測(cè)試集下收集各電氣故障分類方法的分類準(zhǔn)確率,如表8所示。

    表8 其他電氣故障分類方法準(zhǔn)確率對(duì)比

    對(duì)各方法指標(biāo)數(shù)據(jù)的進(jìn)一步觀察可知,雙重加權(quán)樸素貝葉斯在獲得屬性及實(shí)例的權(quán)值后,能夠更加準(zhǔn)確地對(duì)電氣故障進(jìn)行分類,相較于KNN、DT與SVM取得了更好的分類效果;而XGBoost在第4類取得了更好的分類效果,但XGBoost依賴于梯度的下降,計(jì)算量較大,根據(jù)實(shí)驗(yàn)數(shù)據(jù)顯示運(yùn)算時(shí)間為1.18 s;而AIWNB的運(yùn)算時(shí)間僅為0.536 s,具有更好的實(shí)時(shí)性。

    4 結(jié)束語(yǔ)

    文章采用樸素貝葉斯架構(gòu),提出了基于屬性加權(quán)和實(shí)例加權(quán)的電氣故障分類算法。該算法通過(guò)互信息統(tǒng)計(jì)屬性-類間依賴性和屬性-屬性冗余度獲取各屬性權(quán)值,提升算法對(duì)各屬性特征的提取與利用能力;分別計(jì)算實(shí)例屬性值頻率和實(shí)例間相關(guān)性完成積極、消極實(shí)例加權(quán),進(jìn)一步提升算法對(duì)數(shù)據(jù)全局特征的把控能力。在實(shí)驗(yàn)過(guò)程中,雙重加權(quán)樸素貝葉斯在準(zhǔn)確率、F1分?jǐn)?shù)優(yōu)于單獨(dú)加權(quán)樸素貝葉斯、單一樸素貝葉斯與其他常用分類方法,較顯著降低誤分?jǐn)?shù)量,提高分類實(shí)時(shí)性。文章算法是通用算法,可以推廣至其他待分類情形,譬如心電信號(hào)、巖爆等。

    猜你喜歡
    樸素貝葉斯權(quán)值
    一種融合時(shí)間權(quán)值和用戶行為序列的電影推薦模型
    隔離樸素
    CONTENTS
    樸素的安慰(組詩(shī))
    他是那樣“笨拙”和樸素——30多年后,我們?yōu)槭裁催€需要讀路遙?
    最神奇最樸素的兩本書(shū)
    貝葉斯公式及其應(yīng)用
    基于權(quán)值動(dòng)量的RBM加速學(xué)習(xí)算法研究
    基于貝葉斯估計(jì)的軌道占用識(shí)別方法
    一種基于貝葉斯壓縮感知的說(shuō)話人識(shí)別方法
    電子器件(2015年5期)2015-12-29 08:43:15
    久久久久国产精品人妻aⅴ院| 可以在线观看的亚洲视频| 亚洲无线在线观看| 美女黄网站色视频| 日韩精品青青久久久久久| 亚洲专区国产一区二区| 日本熟妇午夜| 成人欧美大片| 久久国产精品人妻蜜桃| 国产精品久久电影中文字幕| 99热6这里只有精品| 欧美色视频一区免费| 国模一区二区三区四区视频 | 首页视频小说图片口味搜索| 很黄的视频免费| 成人av在线播放网站| 男人的好看免费观看在线视频| 精品久久久久久久末码| 叶爱在线成人免费视频播放| 岛国视频午夜一区免费看| 亚洲美女视频黄频| 欧美又色又爽又黄视频| 高清在线国产一区| 国产97色在线日韩免费| 真人一进一出gif抽搐免费| 亚洲精品中文字幕一二三四区| 免费大片18禁| 国产午夜精品久久久久久| 久久精品aⅴ一区二区三区四区| 国产三级中文精品| 亚洲国产精品合色在线| 国产精品野战在线观看| 久久久久精品国产欧美久久久| xxxwww97欧美| 国产欧美日韩一区二区精品| 亚洲欧美一区二区三区黑人| 天堂动漫精品| 天天躁狠狠躁夜夜躁狠狠躁| 国产99白浆流出| www日本在线高清视频| 国产亚洲精品一区二区www| 真实男女啪啪啪动态图| 国产97色在线日韩免费| 少妇的丰满在线观看| 亚洲成a人片在线一区二区| 久久九九热精品免费| 国产高清有码在线观看视频| 久久久久久久午夜电影| 日韩欧美三级三区| 18禁国产床啪视频网站| 欧美午夜高清在线| or卡值多少钱| 国内揄拍国产精品人妻在线| 波多野结衣高清无吗| 夜夜看夜夜爽夜夜摸| 国语自产精品视频在线第100页| 亚洲av成人一区二区三| 成人欧美大片| 可以在线观看毛片的网站| 国产又黄又爽又无遮挡在线| 国产精品永久免费网站| 性欧美人与动物交配| 国产视频内射| 99久久国产精品久久久| 成人无遮挡网站| 中国美女看黄片| 嫁个100分男人电影在线观看| 岛国在线免费视频观看| 少妇裸体淫交视频免费看高清| 亚洲av电影在线进入| 女生性感内裤真人,穿戴方法视频| 国产私拍福利视频在线观看| 国产精品一及| 18禁国产床啪视频网站| 国产精品一及| 国产成年人精品一区二区| АⅤ资源中文在线天堂| 亚洲激情在线av| 亚洲成人中文字幕在线播放| 91av网一区二区| 男女下面进入的视频免费午夜| 国产成人系列免费观看| 男人舔女人下体高潮全视频| 国产欧美日韩一区二区三| 国产主播在线观看一区二区| 亚洲片人在线观看| 国产高清激情床上av| 欧美午夜高清在线| 免费电影在线观看免费观看| 香蕉av资源在线| 美女高潮喷水抽搐中文字幕| 丰满人妻一区二区三区视频av | 日本一本二区三区精品| 99热精品在线国产| 亚洲欧洲精品一区二区精品久久久| 美女扒开内裤让男人捅视频| 亚洲av电影不卡..在线观看| 欧美另类亚洲清纯唯美| 丰满人妻熟妇乱又伦精品不卡| 亚洲第一电影网av| 真实男女啪啪啪动态图| 精品久久久久久久久久免费视频| 国产激情偷乱视频一区二区| 国产熟女xx| 久久久久免费精品人妻一区二区| 日韩国内少妇激情av| 国产精品一区二区三区四区免费观看 | 99精品在免费线老司机午夜| 国产综合懂色| 亚洲人成网站高清观看| 啦啦啦韩国在线观看视频| 看黄色毛片网站| 波多野结衣巨乳人妻| 亚洲精品中文字幕一二三四区| 亚洲av成人av| 久久精品影院6| 哪里可以看免费的av片| 精品久久久久久久毛片微露脸| 久久精品综合一区二区三区| 亚洲精品粉嫩美女一区| 国产精品自产拍在线观看55亚洲| 亚洲狠狠婷婷综合久久图片| 免费观看人在逋| 国产精品女同一区二区软件 | 一a级毛片在线观看| 日韩欧美精品v在线| 亚洲国产看品久久| 日韩欧美一区二区三区在线观看| 欧美午夜高清在线| 国产精品一区二区三区四区久久| 亚洲av日韩精品久久久久久密| 日本免费a在线| 亚洲五月天丁香| 欧美黑人巨大hd| www.www免费av| 99久久国产精品久久久| 亚洲精品456在线播放app | 国产成人欧美在线观看| 久久久久国产一级毛片高清牌| 伦理电影免费视频| 国产久久久一区二区三区| 国产又黄又爽又无遮挡在线| 一级毛片女人18水好多| 国内精品久久久久精免费| 9191精品国产免费久久| 手机成人av网站| 午夜视频精品福利| 一进一出抽搐gif免费好疼| 亚洲真实伦在线观看| 91av网一区二区| 亚洲av免费在线观看| 亚洲精品色激情综合| 欧美性猛交╳xxx乱大交人| 亚洲性夜色夜夜综合| 91久久精品国产一区二区成人 | 国产精品香港三级国产av潘金莲| 香蕉av资源在线| 淫秽高清视频在线观看| 成人午夜高清在线视频| 欧美乱妇无乱码| 97超级碰碰碰精品色视频在线观看| 色av中文字幕| 成人欧美大片| 婷婷亚洲欧美| 女同久久另类99精品国产91| 悠悠久久av| 波多野结衣高清无吗| 久久精品夜夜夜夜夜久久蜜豆| 男女做爰动态图高潮gif福利片| 亚洲精品国产精品久久久不卡| 精品国产乱码久久久久久男人| 国产伦人伦偷精品视频| 国产一区二区三区在线臀色熟女| 五月玫瑰六月丁香| 99re在线观看精品视频| 少妇人妻一区二区三区视频| 亚洲精品美女久久久久99蜜臀| 淫秽高清视频在线观看| 夜夜爽天天搞| 女警被强在线播放| 国产久久久一区二区三区| 亚洲 欧美一区二区三区| 曰老女人黄片| 男女午夜视频在线观看| 久久精品国产亚洲av香蕉五月| 男女床上黄色一级片免费看| 最近视频中文字幕2019在线8| 丝袜人妻中文字幕| 操出白浆在线播放| 日韩欧美在线二视频| 欧美一级a爱片免费观看看| 亚洲av片天天在线观看| 又黄又爽又免费观看的视频| 999久久久国产精品视频| 日韩 欧美 亚洲 中文字幕| 99热只有精品国产| 黄色视频,在线免费观看| 欧美黑人巨大hd| 成人av在线播放网站| 99久久精品国产亚洲精品| 日本三级黄在线观看| 一级毛片女人18水好多| 欧美绝顶高潮抽搐喷水| 亚洲精品在线美女| 日韩欧美精品v在线| 老汉色av国产亚洲站长工具| 亚洲黑人精品在线| bbb黄色大片| 色尼玛亚洲综合影院| 中文字幕高清在线视频| 国产精品98久久久久久宅男小说| 一区二区三区高清视频在线| 国产午夜福利久久久久久| 国产精品久久久av美女十八| 麻豆av在线久日| 亚洲七黄色美女视频| 亚洲成av人片免费观看| 中文字幕精品亚洲无线码一区| 级片在线观看| 美女被艹到高潮喷水动态| 久久久久国产精品人妻aⅴ院| 精品久久久久久久人妻蜜臀av| 国产精品一区二区三区四区久久| 久久久久久九九精品二区国产| 欧美日本视频| 欧美三级亚洲精品| 国产精品亚洲一级av第二区| 久久久久亚洲av毛片大全| 久久精品aⅴ一区二区三区四区| 老汉色av国产亚洲站长工具| a级毛片在线看网站| 好男人在线观看高清免费视频| 欧美成人免费av一区二区三区| 淫妇啪啪啪对白视频| 成年版毛片免费区| 久久欧美精品欧美久久欧美| 国产蜜桃级精品一区二区三区| 两个人视频免费观看高清| tocl精华| 高清在线国产一区| 91九色精品人成在线观看| 我的老师免费观看完整版| 亚洲国产看品久久| 亚洲熟妇熟女久久| 成人无遮挡网站| 中出人妻视频一区二区| 欧美高清成人免费视频www| 不卡一级毛片| 国产免费av片在线观看野外av| 亚洲性夜色夜夜综合| 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| 国产免费男女视频| 欧美+亚洲+日韩+国产| 在线免费观看的www视频| 91久久精品国产一区二区成人 | 1024香蕉在线观看| 少妇裸体淫交视频免费看高清| 欧美日韩一级在线毛片| 国产高清三级在线| 国产亚洲av高清不卡| 啦啦啦免费观看视频1| 欧美日韩中文字幕国产精品一区二区三区| 午夜免费激情av| 美女扒开内裤让男人捅视频| 好看av亚洲va欧美ⅴa在| 日本免费一区二区三区高清不卡| 久久这里只有精品中国| 日韩三级视频一区二区三区| 亚洲aⅴ乱码一区二区在线播放| 两性夫妻黄色片| 成年女人毛片免费观看观看9| 丁香六月欧美| 亚洲精品一卡2卡三卡4卡5卡| 美女午夜性视频免费| 亚洲狠狠婷婷综合久久图片| 久99久视频精品免费| 中文字幕久久专区| 欧美日韩黄片免| 日本精品一区二区三区蜜桃| 久久久久国内视频| www国产在线视频色| 亚洲第一电影网av| 色综合婷婷激情| 国产伦一二天堂av在线观看| 精品国产超薄肉色丝袜足j| 精品国产三级普通话版| 岛国在线免费视频观看| 国产v大片淫在线免费观看| 国产精品亚洲美女久久久| 18禁观看日本| 九色成人免费人妻av| 美女cb高潮喷水在线观看 | 久久久久亚洲av毛片大全| 哪里可以看免费的av片| 一级作爱视频免费观看| 国产欧美日韩精品一区二区| 999精品在线视频| 久久精品影院6| 日本一二三区视频观看| 丰满人妻熟妇乱又伦精品不卡| av天堂中文字幕网| 久久久国产欧美日韩av| 国产一区二区激情短视频| 一本一本综合久久| 日韩大尺度精品在线看网址| 不卡一级毛片| 哪里可以看免费的av片| 欧美成狂野欧美在线观看| 国产精品永久免费网站| 国产毛片a区久久久久| av中文乱码字幕在线| 国产精品av久久久久免费| 1024手机看黄色片| 精品国内亚洲2022精品成人| 成人国产一区最新在线观看| 久久精品综合一区二区三区| 在线观看免费午夜福利视频| 日日夜夜操网爽| 亚洲 国产 在线| 国产一区二区三区在线臀色熟女| 18禁裸乳无遮挡免费网站照片| 成人亚洲精品av一区二区| 亚洲av五月六月丁香网| 精华霜和精华液先用哪个| 亚洲欧美一区二区三区黑人| 亚洲人成伊人成综合网2020| 高潮久久久久久久久久久不卡| 又紧又爽又黄一区二区| 国产蜜桃级精品一区二区三区| 亚洲精品在线观看二区| 九九热线精品视视频播放| 精品久久久久久成人av| 亚洲自偷自拍图片 自拍| 又粗又爽又猛毛片免费看| 国产精品精品国产色婷婷| 国产69精品久久久久777片 | 国产成年人精品一区二区| 后天国语完整版免费观看| 天堂网av新在线| 不卡一级毛片| 黄色视频,在线免费观看| 精品一区二区三区四区五区乱码| 国产熟女xx| 亚洲国产看品久久| 最近最新中文字幕大全免费视频| 亚洲人成电影免费在线| 亚洲一区二区三区不卡视频| 亚洲乱码一区二区免费版| 综合色av麻豆| 久久这里只有精品19| 99国产精品一区二区三区| 久久精品夜夜夜夜夜久久蜜豆| 男插女下体视频免费在线播放| 两个人看的免费小视频| 男人舔女人的私密视频| 琪琪午夜伦伦电影理论片6080| 女警被强在线播放| 少妇熟女aⅴ在线视频| av欧美777| 午夜福利视频1000在线观看| 国产av麻豆久久久久久久| 国产野战对白在线观看| 观看美女的网站| 蜜桃久久精品国产亚洲av| av福利片在线观看| 亚洲av免费在线观看| 热99re8久久精品国产| 91九色精品人成在线观看| 美女午夜性视频免费| 麻豆av在线久日| 国产又黄又爽又无遮挡在线| 亚洲专区中文字幕在线| 18禁美女被吸乳视频| 国产精品久久电影中文字幕| 熟女电影av网| 1024香蕉在线观看| 亚洲色图 男人天堂 中文字幕| 国产亚洲精品av在线| 一区福利在线观看| 香蕉国产在线看| 国产亚洲精品av在线| 草草在线视频免费看| 午夜精品在线福利| 人人妻人人看人人澡| 色噜噜av男人的天堂激情| 午夜福利视频1000在线观看| 怎么达到女性高潮| 国产男靠女视频免费网站| 精品久久久久久久末码| 一级毛片精品| 久久婷婷人人爽人人干人人爱| 精品熟女少妇八av免费久了| 亚洲自偷自拍图片 自拍| 色综合亚洲欧美另类图片| 久99久视频精品免费| 国产午夜精品论理片| 国产精品av视频在线免费观看| tocl精华| 欧美绝顶高潮抽搐喷水| 久久天堂一区二区三区四区| 国产真实乱freesex| 一个人看视频在线观看www免费 | 香蕉av资源在线| 欧美色欧美亚洲另类二区| 欧美不卡视频在线免费观看| 亚洲精品色激情综合| aaaaa片日本免费| 日本熟妇午夜| 国产av不卡久久| 中出人妻视频一区二区| 成年女人看的毛片在线观看| 亚洲av电影在线进入| 蜜桃久久精品国产亚洲av| 欧美一区二区精品小视频在线| 欧美在线一区亚洲| 欧美一级a爱片免费观看看| av国产免费在线观看| 99在线视频只有这里精品首页| 欧美绝顶高潮抽搐喷水| 亚洲精品色激情综合| 亚洲人成伊人成综合网2020| 国产亚洲精品久久久久久毛片| 露出奶头的视频| 制服人妻中文乱码| 村上凉子中文字幕在线| 一本久久中文字幕| 亚洲成av人片在线播放无| 久久精品国产亚洲av香蕉五月| 非洲黑人性xxxx精品又粗又长| 欧美日韩精品网址| 中文字幕人妻丝袜一区二区| xxxwww97欧美| 亚洲精品在线美女| 国产高清有码在线观看视频| 免费观看的影片在线观看| 亚洲人与动物交配视频| 好看av亚洲va欧美ⅴa在| avwww免费| x7x7x7水蜜桃| 亚洲熟女毛片儿| 俄罗斯特黄特色一大片| 九色国产91popny在线| 欧美又色又爽又黄视频| 亚洲av熟女| 看免费av毛片| 在线观看一区二区三区| 女警被强在线播放| 日本成人三级电影网站| 亚洲狠狠婷婷综合久久图片| 国产成人啪精品午夜网站| 三级男女做爰猛烈吃奶摸视频| 国产一区二区激情短视频| 欧美成人免费av一区二区三区| 午夜两性在线视频| 精品久久久久久久毛片微露脸| www.熟女人妻精品国产| 亚洲自拍偷在线| 村上凉子中文字幕在线| 免费观看人在逋| 午夜精品一区二区三区免费看| 午夜福利在线在线| 国产成人精品久久二区二区91| 欧美一级a爱片免费观看看| 亚洲成人中文字幕在线播放| 99在线视频只有这里精品首页| 免费看光身美女| 99在线人妻在线中文字幕| 99久国产av精品| av中文乱码字幕在线| 美女cb高潮喷水在线观看 | 五月玫瑰六月丁香| 色视频www国产| 亚洲中文字幕一区二区三区有码在线看 | 免费人成视频x8x8入口观看| 精品久久久久久久人妻蜜臀av| 亚洲国产看品久久| bbb黄色大片| 三级男女做爰猛烈吃奶摸视频| 19禁男女啪啪无遮挡网站| 免费看日本二区| 日韩免费av在线播放| 91av网站免费观看| 夜夜躁狠狠躁天天躁| 少妇丰满av| 女警被强在线播放| 午夜两性在线视频| 极品教师在线免费播放| 啦啦啦韩国在线观看视频| 久久婷婷人人爽人人干人人爱| 99在线视频只有这里精品首页| 超碰成人久久| 麻豆国产97在线/欧美| 国内久久婷婷六月综合欲色啪| 又黄又粗又硬又大视频| 中文字幕人妻丝袜一区二区| 日本撒尿小便嘘嘘汇集6| 国产亚洲精品久久久久久毛片| 舔av片在线| 黑人欧美特级aaaaaa片| 天天躁狠狠躁夜夜躁狠狠躁| 精品熟女少妇八av免费久了| 亚洲最大成人中文| 18禁国产床啪视频网站| 亚洲第一欧美日韩一区二区三区| 一区二区三区高清视频在线| 久久天躁狠狠躁夜夜2o2o| 不卡av一区二区三区| 最近视频中文字幕2019在线8| 99热这里只有是精品50| 五月伊人婷婷丁香| 精品熟女少妇八av免费久了| 亚洲无线观看免费| 99在线人妻在线中文字幕| 黄色丝袜av网址大全| 亚洲成人中文字幕在线播放| 久久久久性生活片| 三级国产精品欧美在线观看 | 国产亚洲精品一区二区www| 国产一区二区在线av高清观看| 久久国产精品人妻蜜桃| 少妇丰满av| 性欧美人与动物交配| 每晚都被弄得嗷嗷叫到高潮| 亚洲五月婷婷丁香| 网址你懂的国产日韩在线| 黄频高清免费视频| 亚洲国产日韩欧美精品在线观看 | 亚洲,欧美精品.| 国产久久久一区二区三区| 精品久久久久久,| 日本撒尿小便嘘嘘汇集6| 又粗又爽又猛毛片免费看| 国产淫片久久久久久久久 | 九色成人免费人妻av| svipshipincom国产片| 在线视频色国产色| 久久久久性生活片| ponron亚洲| 亚洲成av人片免费观看| av福利片在线观看| 夜夜爽天天搞| 少妇熟女aⅴ在线视频| 偷拍熟女少妇极品色| 看黄色毛片网站| 久久香蕉国产精品| 啦啦啦韩国在线观看视频| 丰满人妻一区二区三区视频av | 亚洲精品久久国产高清桃花| 国产精品一区二区三区四区免费观看 | 最新在线观看一区二区三区| 日本免费一区二区三区高清不卡| 欧美色视频一区免费| 欧美三级亚洲精品| 高清毛片免费观看视频网站| 国产精品98久久久久久宅男小说| 亚洲av熟女| 欧美绝顶高潮抽搐喷水| 我要搜黄色片| 国产免费男女视频| 天天添夜夜摸| 91九色精品人成在线观看| 欧美性猛交╳xxx乱大交人| 免费一级毛片在线播放高清视频| 久久久久久国产a免费观看| 午夜精品一区二区三区免费看| 久久精品影院6| 国产精品电影一区二区三区| 床上黄色一级片| 天堂av国产一区二区熟女人妻| 琪琪午夜伦伦电影理论片6080| 99久久精品一区二区三区| 视频区欧美日本亚洲| 人人妻人人看人人澡| 亚洲性夜色夜夜综合| 中文资源天堂在线| 午夜亚洲福利在线播放| 老司机深夜福利视频在线观看| 久久中文字幕一级| 老司机深夜福利视频在线观看| 日本a在线网址| 国产乱人伦免费视频| 这个男人来自地球电影免费观看| 亚洲专区国产一区二区| 男人的好看免费观看在线视频| 女同久久另类99精品国产91| 丝袜人妻中文字幕| 日本黄大片高清| av女优亚洲男人天堂 | 午夜免费激情av| 身体一侧抽搐| 成人av在线播放网站| www.自偷自拍.com| 桃色一区二区三区在线观看| 日韩中文字幕欧美一区二区| 香蕉国产在线看| 又粗又爽又猛毛片免费看| 亚洲成a人片在线一区二区| 久久国产乱子伦精品免费另类| 夜夜夜夜夜久久久久| 欧美av亚洲av综合av国产av| 精品日产1卡2卡| 久久精品国产亚洲av香蕉五月| 午夜久久久久精精品| 99热只有精品国产| 日日夜夜操网爽| 天天添夜夜摸| 不卡av一区二区三区| 天天躁日日操中文字幕| 熟女电影av网| 午夜精品久久久久久毛片777| 日韩欧美国产一区二区入口| 日本撒尿小便嘘嘘汇集6| 亚洲成人中文字幕在线播放| 蜜桃久久精品国产亚洲av|