• <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 ?

    基于雙模型集成的太陽黑子磁類型分類

    2022-11-16 01:42:28陳清源馮德華王云龍梁毅軍
    天文研究與技術(shù) 2022年6期
    關(guān)鍵詞:太陽黑子白光類別

    陳清源,金 帆,馮德華,王云龍,梁毅軍*

    (1. 西安交通大學(xué),陜西 西安 710049;2. 浙江科技學(xué)院,浙江 杭州 310023)

    太陽黑子與太陽活動密切相關(guān),太陽活動中最強(qiáng)烈的活動現(xiàn)象是太陽耀斑[1-2],主要爆發(fā)在太陽黑子上方的大氣中。這些活動會擾亂地球大氣層,影響地面無線電短波通信,并產(chǎn)生危害,如 “磁暴” 現(xiàn)象。世界各地的天文臺一直在追蹤所有可見的太陽黑子群,并對其進(jìn)行分類和分析,以便及早發(fā)現(xiàn)耀斑。如果能夠比較準(zhǔn)確地實(shí)現(xiàn)太陽黑子群自動分類,我們可以更好地檢測某些類別的太陽黑子群,對預(yù)警耀斑具有重要意義,同時提高對太陽周期、空間氣候及其對地球氣候系統(tǒng)影響的理解和預(yù)警能力。典型的黑子群分類方法可以分為基于傳統(tǒng)數(shù)字圖像處理算法、數(shù)學(xué)形態(tài)法和小波分析法,以及當(dāng)下流行的基于數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)方法。近年來,隨著觀測條件的進(jìn)步,與太陽活動有關(guān)的數(shù)據(jù)迅速增長,基于深度學(xué)習(xí)方法的優(yōu)勢越來越顯著。

    文[3]采用McIntosh分類方法,提出了一種混合系統(tǒng),該系統(tǒng)使用從太陽和太陽風(fēng)層探測器/邁爾遜多普勒成像儀(Solar And Heliospheric Observatory/Michelson Doppler Imager, SOHO/MDI)磁圖圖像中提取的活動區(qū)數(shù)據(jù),對白光圖像上的黑子群進(jìn)行自動檢測。從白光圖像中檢測到黑子后,使用磁圖圖像對它們進(jìn)行分組或聚類。通過集成圖像處理和神經(jīng)網(wǎng)絡(luò),自動對檢測到的黑子進(jìn)行分類。但系統(tǒng)存在分組錯誤和小型黑子漏檢的缺陷。文[4]使用機(jī)器學(xué)習(xí)方法結(jié)合傳統(tǒng)圖像處理算法提取太陽黑子特征,改善了特征提取效果,但仍存在不同數(shù)據(jù)集間泛化性較差的問題。

    文[5]采用改良后的七類Zurich分類方法,使用支持向量機(jī)(Support Vector Machine, SVM)實(shí)現(xiàn)對太陽全日面白光圖像黑子群的自動分類。在數(shù)據(jù)預(yù)處理階段,文[5]使用了邊緣檢測、噪聲去除以及二值化分割黑子群和日面,再對黑子群進(jìn)行無監(jiān)督分割,將屬于同一組的黑子合并,然后提取每個黑子組的屬性,最后使用支持向量機(jī)進(jìn)行分類。該方法精度對圖片質(zhì)量和失真程度有所要求,且分割過程對推斷耗時有較大影響。

    隨著深度學(xué)習(xí)的發(fā)展和可訓(xùn)練數(shù)據(jù)量的增加,越來越多的人嘗試基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)提取圖像特征,以解決圖像的分類[6-7]、分割[8-9]和檢測[10-11]問題。文[12]使用卷積神經(jīng)網(wǎng)絡(luò)對黑子群的磁類型進(jìn)行分類,在數(shù)據(jù)預(yù)處理階段將圖像分為3類,分別為白光圖、磁圖以及白光圖和磁圖的合成圖像。將3類圖像分別作為輸入源輸入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類,結(jié)果顯示,單獨(dú)使用白光圖的分類效果最佳。文[12]認(rèn)為,相對白光圖,磁圖結(jié)構(gòu)較為復(fù)雜,且磁圖使用卷積神經(jīng)網(wǎng)絡(luò)不能很好地提取特征,是造成使用磁圖分類不佳的主要原因之一。除此之外,3類圖像樣本數(shù)量不均衡帶來的問題同樣沒有得到解決,存在Beta-x類過擬合現(xiàn)象。

    文[13]提出一種雙流卷積神經(jīng)網(wǎng)絡(luò)的太陽黑子磁類型分類方法。該模型通過雙流結(jié)構(gòu)解決了白光圖和磁圖的多元輸入問題,在Alpha類上的分類準(zhǔn)確率較高,但模型參數(shù)量較大,在Beta-x類上依然存在過擬合問題。除了分類問題,當(dāng)下最優(yōu)的太陽黑子檢測模型同樣存在小樣本類別過擬合的問題,如文[14]提出的SunspotsNet太陽黑子檢測模型依然無法解決類別不均衡問題。

    本文提出的雙模型集成算法通過兩個模型分別承擔(dān)Alpha類和Beta-x類的分類任務(wù),即針對Alpha類和Beta-x類分別設(shè)計(jì)最適合的分類模型和訓(xùn)練策略,并輔以大量針對不均衡數(shù)據(jù)集訓(xùn)練的調(diào)優(yōu)技巧,最終對兩個模型的結(jié)果進(jìn)行集成,從而能夠最大程度地解決數(shù)據(jù)集中類別不均衡的問題。上述雙模型集成算法與主流的集成算法不同[15-17],其中涉及的兩個模型均有明確的任務(wù)分工,集成單元更少,效果更優(yōu)。另外,本文提出的基于雙模型集成的不平衡數(shù)據(jù)集定向分類模型取得了阿里天池太陽風(fēng)暴識別和預(yù)警人工智能挑戰(zhàn)賽的第二名,挑戰(zhàn)賽地址:https://tianchi.aliyun.com/competition/entrance/531803/rankingList;代碼也已開源:https://github.com/qingyuanchen1997/Dual-Model-Integration。

    1 本文方法

    1.1 數(shù)據(jù)集介紹與分析

    深度學(xué)習(xí)由數(shù)據(jù)驅(qū)動,故本文首先介紹并分析實(shí)驗(yàn)所用數(shù)據(jù)集,進(jìn)而引出后續(xù)算法。

    本文實(shí)驗(yàn)所用數(shù)據(jù)集為SOLAR-STORM1,由空間環(huán)境人工智能預(yù)警創(chuàng)新工坊整理提供,可在天池實(shí)驗(yàn)室(https://tianchi.aliyun.com/dataset/)公開下載。該數(shù)據(jù)集基于威爾遜山(Mount Wilson)黑子群磁類型分類方案,該方案根據(jù)磁場極性對黑子群進(jìn)行分類。數(shù)據(jù)集共包含Alpha, Beta和Beta-x 3個類別的太陽黑子數(shù)據(jù)樣本,分別代表單極黑子群、極性之間具有簡單且明確劃分的雙極黑子群和極性之間無明確劃分的復(fù)雜雙極黑子群,3個類別總計(jì)14 469個數(shù)據(jù)樣本,每個數(shù)據(jù)樣本包含兩張圖像:磁圖和白光圖,兩者為一一對應(yīng)關(guān)系,如圖1。其中Alpha類太陽黑子的磁場圖和白光圖各4 709張,占32.54%;Beta類太陽黑子的磁場圖和白光圖各7 353張,占50.82%;Beta-x類太陽黑子的磁場圖和白光圖各2 407張,占16.64%。具體數(shù)據(jù)如表1。數(shù)據(jù)雖整體數(shù)量尚可,但3個類別的訓(xùn)練圖像數(shù)量差異卻十分巨大,其中Beta-x類圖像的數(shù)量遠(yuǎn)小于Alpha和Beta兩個類別;另經(jīng)查閱資料得知,在觀測過程中,Alpha類和Beta類的太陽黑子出現(xiàn)的概率也顯著高于Beta-x類。

    圖1 Alpha(左1)、Beta(左2)和更復(fù)雜的Beta-x(左3、左4)磁類型的太陽黑子群磁場觀測圖像(行1)和白光觀測圖像(行2)

    表1 Alpha, Beta和Beta-x黑子數(shù)據(jù)樣本占訓(xùn)練集比重

    1.2 雙模型集成算法

    由于數(shù)據(jù)集在萬張量級,總計(jì)14 469組數(shù)據(jù)樣本,為保證模型在驗(yàn)證集和測試集上取得可靠的結(jié)果,將樣本按3∶1∶1的比例劃分為訓(xùn)練集、驗(yàn)證集和測試集。另外,由于數(shù)據(jù)具有時間連續(xù)性,時間精度為96 min,即每間隔96 min對黑子群進(jìn)行一次觀測,且黑子群演化較為緩慢,故同一個黑子群在一定時間內(nèi)通常保持同一種磁類型,且相似度較高。為避免訓(xùn)練集同驗(yàn)證集、

    測試集在信息上重疊,實(shí)驗(yàn)基于時間段對數(shù)據(jù)集進(jìn)行劃分,將位于同一時間段內(nèi)的不同樣本統(tǒng)一放入訓(xùn)練集或驗(yàn)證集或測試集。文中所有實(shí)驗(yàn)均采用五折交叉驗(yàn)證,即將數(shù)據(jù)集切分為5份,1份作為驗(yàn)證集,1份作為測試集,剩余3份作為訓(xùn)練集。每組實(shí)驗(yàn)共進(jìn)行5次,每次實(shí)驗(yàn)基于已切分的5份數(shù)據(jù)集子集重構(gòu)訓(xùn)練集、驗(yàn)證集和測試集,最終結(jié)果取5次實(shí)驗(yàn)的平均值。為保證雙模型集成的可操作性,在每一輪訓(xùn)練中兩個模型使用相同的數(shù)據(jù)集。實(shí)驗(yàn)首先使用骨干網(wǎng)絡(luò)(Backbone)作為ResNet50卷積層的網(wǎng)絡(luò)在訓(xùn)練集上進(jìn)行訓(xùn)練,并用訓(xùn)練的模型對訓(xùn)練集和驗(yàn)證集進(jìn)行分類。

    由表2可見,Beta-x類在訓(xùn)練集上的F1分?jǐn)?shù)遠(yuǎn)高于在驗(yàn)證集上的,而Alpha類和Beta類在訓(xùn)練集上的F1分?jǐn)?shù)只是略高于驗(yàn)證集上的,由此可見,基于ResNet50訓(xùn)練的模型對于訓(xùn)練圖片數(shù)量較少的Beta-x類存在過擬合現(xiàn)象。

    表2 使用ResNet50卷積層作為骨干網(wǎng)絡(luò),Alpha類、Beta類和Beta-x類在訓(xùn)練集和驗(yàn)證集上的F1分?jǐn)?shù)

    實(shí)驗(yàn)采用比ResNet50卷積層數(shù)更少的AlexNet卷積層作為骨干網(wǎng)絡(luò),從而得到更輕量級的網(wǎng)絡(luò)模型,并重新進(jìn)行訓(xùn)練和分類,結(jié)果如表3。更小更輕的網(wǎng)絡(luò)解決了Beta-x類因數(shù)量較少造成的過擬合問題,且顯著提高了Beta-x類在驗(yàn)證集上的F1分?jǐn)?shù)。但由于此網(wǎng)絡(luò)模型參數(shù)量較少,故模型的擬合能力較弱,導(dǎo)致訓(xùn)練圖像數(shù)量較多的Alpha類和數(shù)量更多的Beta類出現(xiàn)了欠擬合現(xiàn)象,其F1分?jǐn)?shù)低于ResNet50模型分類得到的F1分?jǐn)?shù)。

    表3 使用AlexNet作為骨干網(wǎng)絡(luò),Alpha類、Beta類和Beta-x類在訓(xùn)練集和驗(yàn)證集上的F1分?jǐn)?shù)

    由此可見,在分類數(shù)據(jù)集各類別數(shù)量極不平衡的情況下,我們無法找出單一的神經(jīng)網(wǎng)絡(luò)模型同時兼顧訓(xùn)練圖像數(shù)量較多和較少的類別。即對于參數(shù)量較大的網(wǎng)絡(luò),擬合能力較強(qiáng),但需要較多的訓(xùn)練圖像,此類模型對分類問題中訓(xùn)練圖像數(shù)量較多的類別更有利;而對于參數(shù)量較少的網(wǎng)絡(luò),擬合能力較弱,但需要較少的訓(xùn)練圖像,此類模型對分類問題中訓(xùn)練圖像數(shù)量較少的類別更有利。因此,本文確立的雙模型集成理論上是有效的。

    經(jīng)過多個模型的測試,我們發(fā)現(xiàn)Alpha類和Beta-x類存在互不相干性。由表4可得,在所有模型的分類結(jié)果中,真實(shí)的Alpha類沒有出現(xiàn)或極少出現(xiàn)誤分為Beta-x類的情況,同樣,真實(shí)的Beta-x類沒有出現(xiàn)或極少出現(xiàn)誤分為Alpha類的情況,兩者的錯誤均是因?yàn)榕cBeta類混淆。另外將利用神經(jīng)網(wǎng)絡(luò)提取的三維特征在三維特征空間中顯示,由圖2可以看出,Alpha類和Beta-x類的樣本點(diǎn)在特征空間中距離普遍較遠(yuǎn),兩者特征點(diǎn)極少發(fā)生混疊。上述實(shí)驗(yàn)結(jié)果確定了雙模型集成的可行性,即不同模型的Alpha類與Beta-x類的結(jié)果互不影響,集成后的結(jié)果可以保留兩個模型分別在Alpha類和Beta-x類上的分類精度。因此,本文確立的雙模型集成理論是可行的。

    表4 各網(wǎng)絡(luò)模型對驗(yàn)證集的分類結(jié)果中Alpha類和Beta-x類相互誤分的圖像數(shù)量

    圖2 Alpha類(紅)、Beta類(綠)和Beta-x類(藍(lán))特征空間分布示意圖

    綜合上述情況,本文分別單獨(dú)設(shè)計(jì)一重一輕兩個模型,利用重模型的強(qiáng)擬合能力專注于數(shù)量較多的Alpha類太陽黑子分類;利用輕模型的抗過擬合能力專注于數(shù)量較少的Beta-x類太陽黑子分類,最后再利用Alpha類和Beta-x類的互不相干性,對兩個模型的分類結(jié)果進(jìn)行不損失精度的集成融合,用重模型分出的Alpha類和輕模型分出的Beta-x類夾逼出Beta類,即將未被標(biāo)記類別的樣本劃歸為Beta類,如圖3。

    圖3 雙模型集成示意圖Fig.3 Schematic diagram of dual model integration

    本文基于ResNet18設(shè)計(jì)了雙通道并行網(wǎng)絡(luò)paraResNet,將其作為參數(shù)較多的大模型針對訓(xùn)練圖像數(shù)量較多的Alpha類;另外基于AlexNet設(shè)計(jì)了miniAlexNet模型,作為參數(shù)較少的小模型針對訓(xùn)練圖像數(shù)量較少的Beta-x類。

    1.3 Alpha-model: paraResNet

    1.3.1 網(wǎng)絡(luò)結(jié)構(gòu)

    在確立了雙模型集成策略后,本文首先針對性設(shè)計(jì)承擔(dān)Alpha類分類任務(wù)的模型。

    比賽主辦方提供的數(shù)據(jù)集中每個太陽黑子群類別均包含兩種圖像,磁場觀測圖像和白光觀測圖像,如圖4。兩圖像尺寸相同,位深相同,故我們首先嘗試將均為8位位深的單通道白光觀測圖像和磁場觀測圖像拼接成16位位深圖像輸入ResNet18網(wǎng)絡(luò)進(jìn)行訓(xùn)練和分類,但是由于紋理特征差異較大,拼接成的雙通道圖像不是一幅自然圖像,分類效果并不理想。故根據(jù)此數(shù)據(jù)集擁有白光和磁場兩種圖像的特點(diǎn),為充分提取白光圖和磁場圖的特征,本文采用與文[13]雙流模型類似的方案,設(shè)計(jì)了雙通道ResNet18并行網(wǎng)絡(luò)以側(cè)重在Alpha類上的分類性能;該網(wǎng)絡(luò)的上下兩個通道分別負(fù)責(zé)提取白光圖和磁圖的圖像特征,而后將提取的特征拼接后輸入全連接網(wǎng)絡(luò),網(wǎng)絡(luò)結(jié)構(gòu)如圖5。

    圖4 (a)白光觀測圖像;(b)磁場觀測圖像

    圖5 paraResNet網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.5 Network structure diagram of paraResNet

    在此基礎(chǔ)上,本文實(shí)驗(yàn)參考文[18]在模型優(yōu)化方面的工作,對ResNet18的下采樣層進(jìn)行改進(jìn),將原本同時兼顧減小特征圖尺寸和改變特征張量深度的卷積層,替換成負(fù)責(zé)減小特征圖尺寸的平均池化層和負(fù)責(zé)改變特征張量深度的步長為1的卷積層,通過任務(wù)分工減輕原卷積核的負(fù)擔(dān),提高下采樣模塊的精度。改進(jìn)方案如圖6。本文將網(wǎng)絡(luò)結(jié)構(gòu)稱為parallel-ResNet18-D,縮寫為paraResNet。

    圖6 ResNet18的下采樣改進(jìn)方案:ResNet-D

    1.3.2 訓(xùn)練策略

    在訓(xùn)練技巧上,本文首先使用單通道白光圖和磁場圖分別對兩個單網(wǎng)絡(luò)ResNet18模型進(jìn)行預(yù)訓(xùn)練(不采用ImageNet預(yù)訓(xùn)練),再將兩個預(yù)訓(xùn)練模型的卷積層遷移至雙網(wǎng)絡(luò)模型的并行卷積層。使用加權(quán)的交叉熵?fù)p失,樣本較少的類別享有更大的權(quán)重,用于減小各類別樣本數(shù)量不均衡帶來的影響。

    在數(shù)據(jù)增強(qiáng)方面,由于Alpha類和與其相鄰的Beta類可用于訓(xùn)練的圖像數(shù)量較多,故只采用對圖像信息損失較小的水平鏡像和豎直鏡像的數(shù)據(jù)增強(qiáng)方法。若再使用其他數(shù)據(jù)增強(qiáng)方法,不僅無法提高模型分類正確率,反而影響訓(xùn)練時間。

    1.4 Beta-x模型: miniAlexNet

    1.4.1 網(wǎng)絡(luò)結(jié)構(gòu)

    針對訓(xùn)練樣本較少的Beta-x類,為減少參數(shù)量,本文未使用雙通道并行網(wǎng)絡(luò)結(jié)構(gòu),而是使用比ResNet18更為輕量級的AlexNet[19]的卷積層作為Beta-x模型的骨干網(wǎng)絡(luò),輸入源為白光圖和磁圖的混合圖像,即圖像的第1個通道為白光圖,第2個通道為磁圖,為使用ImageNet數(shù)據(jù)集的預(yù)訓(xùn)練模型,需保證輸入圖像為常規(guī)三通道圖像,故設(shè)置第3通道為白光圖和磁圖各按0.5權(quán)重的加權(quán)和,以引導(dǎo)網(wǎng)絡(luò)學(xué)習(xí)白光圖和磁圖之間的紋理關(guān)聯(lián)信息并填補(bǔ)通道空缺。為進(jìn)一步減少后續(xù)全連接層的參數(shù)量,在最后一個卷積層后接一個輸入大小為3 × 3的自適應(yīng)池化層,最后將特征輸入單層全連接,輸出3個類別的置信度。同時,為了補(bǔ)償網(wǎng)絡(luò)提取圖像特征的能力,為網(wǎng)絡(luò)輸入較高分辨率的圖像,將原圖像分辨率變換為 500 × 375,網(wǎng)絡(luò)結(jié)構(gòu)如圖7。

    圖7 miniAlexNet網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.7 Network structure diagram of miniAlexNet

    1.4.2 訓(xùn)練策略

    首先,對數(shù)據(jù)集進(jìn)行清洗。對于 Alpha類和Beta類的數(shù)據(jù),鑒于時間軸連續(xù)性較差,全部保留。對于Beta-x類的數(shù)據(jù),首先按照時間進(jìn)行排序,根據(jù)該類數(shù)據(jù)集圖像序列在時間軸上的強(qiáng)連續(xù)性,對Beta-x類的數(shù)據(jù)以3/4的下采樣率進(jìn)行數(shù)據(jù)清洗,大大降低了數(shù)據(jù)的冗余度和網(wǎng)絡(luò)對重復(fù)信息進(jìn)行無用學(xué)習(xí)的壓力。

    由于Beta-x類和Beta類之間的差異較小,故采用降溫技巧,即降低原先輸出的logit值,再通過softmax函數(shù)增加網(wǎng)絡(luò)在學(xué)習(xí)各個類別的差異性,降低網(wǎng)絡(luò)學(xué)習(xí)壓力,提高收斂速度。

    在數(shù)據(jù)增強(qiáng)方面,我們采用對圖像信息影響較大但抗過擬合效果更佳的圖像隨機(jī)角度旋轉(zhuǎn)對訓(xùn)練集進(jìn)行增廣,旋轉(zhuǎn)角度控制在90°以內(nèi)。

    最后,通過分析對驗(yàn)證集的logit輸出分布,我們發(fā)現(xiàn)當(dāng)Beta-x輸出頭的logit值同Beta輸出頭的logit值的差值在[0, 0.5]區(qū)間時,存在7%的Beta類樣本誤判為Beta-x類。故當(dāng)兩者代表的輸出頭的logit值的差值在[0, 0.5]區(qū)間內(nèi)時,增大Beta類輸出頭的logit值,進(jìn)行概率校正。

    1.5 模型集成

    基于1.3節(jié)討論的Alpha類和Beta-x類的不相干性,將paraResNet模型得到的分類結(jié)果同miniAlexNet模型的分類結(jié)果融合,即采用前者的Alpha類分類結(jié)果和后者的Beta-x類分類結(jié)果,將未標(biāo)記類別的樣本劃歸為Beta類,從而夾逼出Beta類的分類結(jié)果。

    2 實(shí)驗(yàn)與結(jié)果分析

    2.1 參數(shù)設(shè)置

    在針對Alpha類的模型訓(xùn)練過程中,本文實(shí)驗(yàn)采用Adam自適應(yīng)優(yōu)化器[20],初始學(xué)習(xí)率定為2 × 10-6;作為隨機(jī)梯度下降(Stochastic Gradient Descent, SGD)的擴(kuò)展,Adam Optimizer能夠根據(jù)每個參數(shù)的先前梯度,自適應(yīng)地調(diào)整梯度的系數(shù),適用于數(shù)據(jù)量較大的情況。即對各個類別的交叉熵?fù)p失施加權(quán)重,所加權(quán)重Alpha類為1.56,Beta類為1.0,Beta-x類為3.05。該權(quán)重基于Alpha類、Beta類和Beta-x類在訓(xùn)練集中的樣本數(shù)量比例進(jìn)行設(shè)置,在該比例的基礎(chǔ)上根據(jù)驗(yàn)證集分類效果進(jìn)行微調(diào),從而能夠在損失層降低訓(xùn)練數(shù)據(jù)類別不均衡帶來的影響。

    在針對Beta-x類的模型訓(xùn)練過程中,實(shí)驗(yàn)采用帶有動量的隨機(jī)梯度下降策略,學(xué)習(xí)率為0.000 8,動量參數(shù)為0.9。另外,本實(shí)驗(yàn)做了兩個額外的數(shù)據(jù)集預(yù)處理操作,首先因Beta-x類樣本數(shù)據(jù)量本身較小,故將輸入圖像分辨率修改為500 × 375,盡可能保留數(shù)據(jù)集信息;其次對訓(xùn)練集中的冗余信息進(jìn)行濾除,即對Beta-x類中在時間軸上連續(xù)的圖像樣本序列進(jìn)行以4為步長的下采樣,最終保留891個訓(xùn)練樣本。

    2.2 評價指標(biāo)

    實(shí)驗(yàn)采用F1分?jǐn)?shù)作為太陽黑子三分類任務(wù)的衡量指標(biāo),它是精確率和召回率的調(diào)和平均數(shù),最大為1,最小為0;F1分?jǐn)?shù)接近1代表模型在該類別上的分類性能較好,接近0則代表模型在該類別上的分類性能較差。F1分?jǐn)?shù)計(jì)算公式為

    (1)

    其中,P為精確率;R為召回率。數(shù)據(jù)集共有Alpha,Beta和Beta-x 3個類別,每個類別對應(yīng)一個F1分?jǐn)?shù),因?yàn)锽eta類太陽黑子在現(xiàn)實(shí)中出現(xiàn)概率最高,故實(shí)驗(yàn)將Beta類的F1分?jǐn)?shù)作為首要考慮對象,其次為Alpha類和Beta-x類。

    2.3 消融實(shí)驗(yàn)

    本文針對訓(xùn)練數(shù)據(jù)不平衡的特性,采用針對性的雙模型融合算法,即使用雙通道并行ResNet18進(jìn)行針對性訓(xùn)練得到較好的Alpha類分類模型,使用miniAlexNet進(jìn)行針對性訓(xùn)練得到較好的Beta-x類分類模型。最后再基于Alpha類和Beta-x類的不相干性,將前者的Alpha類分類結(jié)果同后者的Beta類分類結(jié)果進(jìn)行融合,得到最終的三分類結(jié)果。

    本文對分類模型的評價指標(biāo)同比賽方要求相同,使用綜合了精確率和召回率的F1分?jǐn)?shù)以衡量模型在測試集上的分類性能。

    2.3.1 Alpha類模型

    本文首先對Alpha類的模型進(jìn)行消融實(shí)驗(yàn),以驗(yàn)證各項(xiàng)策略的有效性。由表5可見,每一項(xiàng)技巧對模型的分類性能有了顯著提高。數(shù)據(jù)增強(qiáng)(水平鏡像+豎直鏡像)在對圖像信息影響較小的基礎(chǔ)上彌補(bǔ)了訓(xùn)練集較小的問題,增強(qiáng)了抗過擬合能力。雙通道網(wǎng)絡(luò)更好地提取太陽黑子的白光圖像和磁場圖像的特征,更多的參數(shù)也帶來更強(qiáng)的擬合能力。損失加權(quán)平衡了Alpha類和Beta類在訓(xùn)練數(shù)據(jù)量上的不平衡關(guān)系;下采樣模塊精度提高進(jìn)一步提升了網(wǎng)絡(luò)提取特征的有效性。最為關(guān)鍵的是,針對性訓(xùn)練后的雙通道并行模型paraResNet對Alpha類的分類效果非常好。

    表5 各項(xiàng)技巧為Alpha模型帶來的F1分?jǐn)?shù)提高

    2.3.2 Beta-x模型

    我們對Beta-x類的模型進(jìn)行消融實(shí)驗(yàn),驗(yàn)證各項(xiàng)策略的有效性。

    由表6可見,每一項(xiàng)技巧對模型的分類性能有了顯著提高。數(shù)據(jù)增強(qiáng)(隨機(jī)角度旋轉(zhuǎn))降低了Beta-x類數(shù)據(jù)量過小帶來的不利影響,降低了小數(shù)據(jù)量帶來的過擬合風(fēng)險(xiǎn);將更高分辨率的圖像進(jìn)行網(wǎng)絡(luò)訓(xùn)練,彌補(bǔ)了小網(wǎng)絡(luò)特征提取能力的不足;降溫和概率性校正則通過人為調(diào)整干預(yù),提升了模型對復(fù)雜分類邊界的擬合能力;而小巧的網(wǎng)絡(luò)和較少的參數(shù)使miniAlexNet模型對訓(xùn)練數(shù)據(jù)量較少的Beta-x類的分類效果相比雙通道網(wǎng)絡(luò)更好。

    表6 各項(xiàng)技巧為Beta-x模型帶來的F1分?jǐn)?shù)提高

    2.3.3 雙模型集成

    模型最終將paraResNet和miniAlexNet集成,即將前者的Alpha類分類結(jié)果同后者的Beta-x類分類結(jié)果進(jìn)行融合,將未標(biāo)記類別的樣本劃歸為Beta類,最終得到三分類結(jié)果。

    由表7可以看出,融合后的模型完全保留了雙通道并行模型paraResNet在Alpha類上得到的F1分?jǐn)?shù)和miniAlexNet模型在Beta-x類上得到的F1分?jǐn)?shù),從而夾逼出比兩者都高的Beta類的F1分?jǐn)?shù),最終在測試集上,Alpha類、Beta類和Beta-x類的F1分?jǐn)?shù)分別為0.970,0.946和0.877。

    表7 雙模型集成在測試集上帶來的F1分?jǐn)?shù)提高

    2.4 與其他算法比較

    本文對文[12]和文[13]設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)以及當(dāng)下主流網(wǎng)絡(luò)結(jié)構(gòu)ResNet[21]在使用翻轉(zhuǎn)增強(qiáng)和損失加權(quán)的基礎(chǔ)上,在SOLAR-STORM1數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證。

    對比實(shí)驗(yàn)結(jié)果如表8,從表8可以看出,本文的paraResNet模型在Alpha類上取得了非常優(yōu)異的效果,F(xiàn)1分?jǐn)?shù)達(dá)0.970;同樣的,本文的miniAlexNet網(wǎng)絡(luò)在Beta-x類上取得了優(yōu)異的性能,F(xiàn)1分?jǐn)?shù)達(dá)到0.877。將paraResNet模型和miniAlexNet模型集成后,保留了前者在Alpha類的性能和后者在Beta-x類的性能,取得了最優(yōu)的Beta類分類結(jié)果,Beta類的F1分?jǐn)?shù)達(dá)到0.946,遠(yuǎn)超所有單網(wǎng)絡(luò)模型。

    表8 多種模型實(shí)驗(yàn)結(jié)果Table 8 Experimental results of various models

    3 結(jié) 論

    本文對太陽黑子數(shù)據(jù)集進(jìn)行分析,在論證雙模型集成有效性和可行性的基礎(chǔ)上,通過分別訓(xùn)練針對Alpha類的雙通道并行模型paraResNet和針對Beta-x類的miniAlexNet模型,并將兩者結(jié)果融合夾逼Beta類的方法,巧妙地避免了重模型在少樣本類別的過擬合問題和輕模型在多樣本類別擬合能力不足的問題,且保留了兩者在各自優(yōu)勢類別上的優(yōu)異性能,從全新的角度降低了類別不均衡問題帶來的影響,最終在SOLAR-STORM1數(shù)據(jù)集的3個類別取得的平均F1分?jǐn)?shù)超越了所有單網(wǎng)絡(luò)模型。

    雙模型集成算法不僅對太陽黑子分類任務(wù)有效,其余任何三分類任務(wù)均可參考此集成方法,此算法對所有基于機(jī)器學(xué)習(xí)的、各類別樣本數(shù)量不均衡的分類任務(wù)具有啟發(fā)意義。

    為了進(jìn)一步減小模型的復(fù)雜度、減少參數(shù)量和前向推理耗時,并降低模型的部署難度,未來我們可以考慮通過知識蒸餾和小樣本學(xué)習(xí)的方式,使單網(wǎng)絡(luò)模型能夠同時兼顧在多樣本類別和少樣本類別的分類性能,從而替代雙模型結(jié)構(gòu)。

    猜你喜歡
    太陽黑子白光類別
    太陽黑子
    太陽黑子自動識別與特征參量自動提取
    為什么太陽會長斑?
    白云與太陽黑子的故事
    白光LED無線通信的研究進(jìn)展
    白光(選頁)
    中國房地產(chǎn)業(yè)(2016年9期)2016-03-01 01:26:18
    服務(wù)類別
    新校長(2016年8期)2016-01-10 06:43:59
    論類別股東會
    商事法論集(2014年1期)2014-06-27 01:20:42
    中醫(yī)類別全科醫(yī)師培養(yǎng)模式的探討
    久久国产精品大桥未久av| 欧美日韩福利视频一区二区| 一级片'在线观看视频| 丁香六月欧美| 欧美 日韩 精品 国产| 国产又色又爽无遮挡免| 久久99一区二区三区| 亚洲国产av影院在线观看| xxxhd国产人妻xxx| 亚洲欧美日韩另类电影网站| videos熟女内射| 大香蕉久久网| 大香蕉久久成人网| 制服人妻中文乱码| 亚洲精品第二区| 成年动漫av网址| 夫妻性生交免费视频一级片| 99精品久久久久人妻精品| 中国国产av一级| 日韩 亚洲 欧美在线| 日韩 欧美 亚洲 中文字幕| 亚洲九九香蕉| 亚洲国产av影院在线观看| 啦啦啦视频在线资源免费观看| 建设人人有责人人尽责人人享有的| 在线观看免费视频网站a站| 黄频高清免费视频| 爱豆传媒免费全集在线观看| 91九色精品人成在线观看| 国产爽快片一区二区三区| 精品少妇黑人巨大在线播放| 嫁个100分男人电影在线观看 | 国产av国产精品国产| 一级黄片播放器| 午夜免费观看性视频| 久久精品国产亚洲av高清一级| 桃花免费在线播放| 咕卡用的链子| www.自偷自拍.com| 成人亚洲欧美一区二区av| 亚洲欧美成人综合另类久久久| 脱女人内裤的视频| 纯流量卡能插随身wifi吗| 国产欧美日韩精品亚洲av| 在线观看免费日韩欧美大片| 亚洲欧洲精品一区二区精品久久久| 亚洲国产精品成人久久小说| 丝袜喷水一区| 男女免费视频国产| 欧美中文综合在线视频| 国产精品久久久久久精品电影小说| 巨乳人妻的诱惑在线观看| 久久人妻熟女aⅴ| 首页视频小说图片口味搜索 | 人成视频在线观看免费观看| 大片电影免费在线观看免费| 亚洲精品日本国产第一区| av线在线观看网站| 色网站视频免费| 两人在一起打扑克的视频| 王馨瑶露胸无遮挡在线观看| 丝瓜视频免费看黄片| 国产免费现黄频在线看| 亚洲免费av在线视频| 天天躁日日躁夜夜躁夜夜| av在线app专区| 国产av精品麻豆| 十分钟在线观看高清视频www| 人妻人人澡人人爽人人| 国产在线观看jvid| 天天操日日干夜夜撸| 熟女少妇亚洲综合色aaa.| 下体分泌物呈黄色| 免费看不卡的av| 日韩大码丰满熟妇| 午夜免费鲁丝| 国产欧美日韩一区二区三区在线| 美女高潮到喷水免费观看| 视频区图区小说| 亚洲中文日韩欧美视频| tube8黄色片| 亚洲欧美精品自产自拍| 丰满人妻熟妇乱又伦精品不卡| 少妇 在线观看| 久久天堂一区二区三区四区| 亚洲人成电影观看| 看免费av毛片| 99久久人妻综合| 国产有黄有色有爽视频| 午夜激情久久久久久久| 久久人人爽人人片av| 欧美黑人欧美精品刺激| 欧美日韩一级在线毛片| 国产成人精品久久二区二区免费| 乱人伦中国视频| 99精国产麻豆久久婷婷| 高清av免费在线| 一级a爱视频在线免费观看| 少妇被粗大的猛进出69影院| 久久99精品国语久久久| 亚洲精品av麻豆狂野| 成年av动漫网址| 99精国产麻豆久久婷婷| 欧美中文综合在线视频| 久久精品久久久久久久性| 国产一区二区三区综合在线观看| 亚洲欧洲国产日韩| 老司机亚洲免费影院| 午夜福利乱码中文字幕| 亚洲熟女精品中文字幕| 99久久99久久久精品蜜桃| 新久久久久国产一级毛片| 少妇裸体淫交视频免费看高清 | 免费在线观看黄色视频的| 欧美国产精品一级二级三级| 99热全是精品| 日韩,欧美,国产一区二区三区| 亚洲av成人精品一二三区| 91九色精品人成在线观看| 欧美在线黄色| 青草久久国产| av国产久精品久网站免费入址| 天天躁狠狠躁夜夜躁狠狠躁| 欧美精品一区二区大全| 高潮久久久久久久久久久不卡| 亚洲专区中文字幕在线| 成年美女黄网站色视频大全免费| 欧美日韩亚洲国产一区二区在线观看 | 亚洲国产毛片av蜜桃av| 麻豆av在线久日| 久久综合国产亚洲精品| 亚洲av在线观看美女高潮| 欧美xxⅹ黑人| 国产一区二区 视频在线| 女人被躁到高潮嗷嗷叫费观| 欧美日韩亚洲综合一区二区三区_| 午夜激情久久久久久久| 美女视频免费永久观看网站| 视频区欧美日本亚洲| 国产成人欧美在线观看 | 婷婷色综合大香蕉| 国语对白做爰xxxⅹ性视频网站| 日韩视频在线欧美| 久久九九热精品免费| 午夜福利视频精品| 久久狼人影院| 欧美人与性动交α欧美精品济南到| 中文字幕高清在线视频| 人妻 亚洲 视频| 中文欧美无线码| 亚洲成人手机| 精品人妻在线不人妻| 成人黄色视频免费在线看| 99久久综合免费| 午夜影院在线不卡| 亚洲精品日韩在线中文字幕| 亚洲欧美日韩高清在线视频 | 中文字幕亚洲精品专区| 在线看a的网站| 成人18禁高潮啪啪吃奶动态图| 国产高清视频在线播放一区 | 97在线人人人人妻| 中文字幕另类日韩欧美亚洲嫩草| 多毛熟女@视频| 美女视频免费永久观看网站| 久久中文字幕一级| 久久热在线av| 国产深夜福利视频在线观看| 国产成人精品久久二区二区91| 国产一区二区 视频在线| 老熟女久久久| 色精品久久人妻99蜜桃| 99国产精品99久久久久| 少妇被粗大的猛进出69影院| 人人妻人人澡人人看| 亚洲欧美清纯卡通| 99国产精品免费福利视频| 国产麻豆69| 成年人午夜在线观看视频| 亚洲,欧美精品.| 视频区图区小说| 美女国产高潮福利片在线看| 99re6热这里在线精品视频| 日本vs欧美在线观看视频| 国产黄色视频一区二区在线观看| 日本黄色日本黄色录像| 日韩av免费高清视频| 黄色 视频免费看| 国产有黄有色有爽视频| 日本av手机在线免费观看| 国产日韩欧美亚洲二区| 免费人妻精品一区二区三区视频| 丝袜美足系列| 久热这里只有精品99| 操出白浆在线播放| 亚洲欧美精品综合一区二区三区| 啦啦啦 在线观看视频| 中文字幕色久视频| 午夜视频精品福利| 高清黄色对白视频在线免费看| 亚洲欧美日韩高清在线视频 | 日韩制服丝袜自拍偷拍| 亚洲人成电影观看| 老司机亚洲免费影院| 99国产精品免费福利视频| 亚洲成国产人片在线观看| 午夜两性在线视频| 欧美激情高清一区二区三区| 中国国产av一级| 精品亚洲成a人片在线观看| 麻豆av在线久日| 亚洲国产欧美网| 欧美黑人精品巨大| 精品一区二区三区四区五区乱码 | 国产免费福利视频在线观看| 久久久久久久精品精品| 精品一品国产午夜福利视频| 免费在线观看黄色视频的| a 毛片基地| 视频区欧美日本亚洲| 丰满人妻熟妇乱又伦精品不卡| www.自偷自拍.com| 国产精品成人在线| 9热在线视频观看99| 成年人免费黄色播放视频| 2018国产大陆天天弄谢| 精品人妻1区二区| 十八禁人妻一区二区| 日日摸夜夜添夜夜爱| 丝袜在线中文字幕| 欧美激情高清一区二区三区| 国产精品 欧美亚洲| 手机成人av网站| 黄色一级大片看看| 国产视频首页在线观看| 国产成人系列免费观看| 精品一区二区三区四区五区乱码 | 纵有疾风起免费观看全集完整版| 日日爽夜夜爽网站| 国产一卡二卡三卡精品| 91麻豆av在线| 女人高潮潮喷娇喘18禁视频| 这个男人来自地球电影免费观看| 91老司机精品| 成年av动漫网址| 欧美日本中文国产一区发布| 久久九九热精品免费| 岛国毛片在线播放| 中文字幕人妻丝袜一区二区| 老鸭窝网址在线观看| 午夜激情久久久久久久| 九色亚洲精品在线播放| 国产精品国产av在线观看| 国产一区二区三区av在线| 亚洲,一卡二卡三卡| 国产深夜福利视频在线观看| 最近中文字幕2019免费版| 中文字幕色久视频| 国产老妇伦熟女老妇高清| 久久久精品免费免费高清| 欧美亚洲 丝袜 人妻 在线| 高潮久久久久久久久久久不卡| 亚洲专区中文字幕在线| 国产有黄有色有爽视频| 国产亚洲欧美精品永久| 国产亚洲av高清不卡| 天天添夜夜摸| 青青草视频在线视频观看| 精品亚洲乱码少妇综合久久| 欧美亚洲日本最大视频资源| 久久人人爽人人片av| 搡老岳熟女国产| 亚洲av欧美aⅴ国产| 午夜久久久在线观看| 下体分泌物呈黄色| 宅男免费午夜| 嫁个100分男人电影在线观看 | tube8黄色片| 国产成人精品久久二区二区91| 欧美另类一区| 一边摸一边做爽爽视频免费| 一二三四社区在线视频社区8| 免费在线观看黄色视频的| 国产免费一区二区三区四区乱码| 亚洲成人免费av在线播放| 美女大奶头黄色视频| 搡老乐熟女国产| 每晚都被弄得嗷嗷叫到高潮| av网站免费在线观看视频| 欧美日韩国产mv在线观看视频| 男女床上黄色一级片免费看| √禁漫天堂资源中文www| 丝袜喷水一区| 一本—道久久a久久精品蜜桃钙片| 久久久久久久大尺度免费视频| 免费看十八禁软件| 少妇 在线观看| 亚洲国产精品一区二区三区在线| 99久久99久久久精品蜜桃| 看十八女毛片水多多多| www.精华液| 国产在线观看jvid| 少妇的丰满在线观看| 韩国精品一区二区三区| 国产精品秋霞免费鲁丝片| 蜜桃国产av成人99| 午夜av观看不卡| 国产亚洲av高清不卡| 亚洲黑人精品在线| 久久精品亚洲熟妇少妇任你| 人体艺术视频欧美日本| av电影中文网址| 久久女婷五月综合色啪小说| 啦啦啦视频在线资源免费观看| 国产精品二区激情视频| 激情五月婷婷亚洲| 久久毛片免费看一区二区三区| xxx大片免费视频| 97在线人人人人妻| 亚洲av成人精品一二三区| 免费在线观看影片大全网站 | 欧美性长视频在线观看| 叶爱在线成人免费视频播放| 黄色毛片三级朝国网站| 19禁男女啪啪无遮挡网站| 青青草视频在线视频观看| kizo精华| 国产亚洲午夜精品一区二区久久| 男女无遮挡免费网站观看| 国产精品人妻久久久影院| 涩涩av久久男人的天堂| 亚洲成国产人片在线观看| 十八禁高潮呻吟视频| 国产成人一区二区三区免费视频网站 | av在线老鸭窝| 精品久久蜜臀av无| 国产免费又黄又爽又色| 久久久国产一区二区| 亚洲第一av免费看| 777米奇影视久久| 少妇精品久久久久久久| 国产精品人妻久久久影院| 波多野结衣av一区二区av| 国产成人免费观看mmmm| 欧美av亚洲av综合av国产av| 各种免费的搞黄视频| 女人高潮潮喷娇喘18禁视频| 亚洲伊人久久精品综合| 亚洲成人免费av在线播放| 免费不卡黄色视频| videos熟女内射| av片东京热男人的天堂| 91成人精品电影| 七月丁香在线播放| 午夜福利视频在线观看免费| 日韩大片免费观看网站| 搡老岳熟女国产| 国产精品人妻久久久影院| 天天躁狠狠躁夜夜躁狠狠躁| 日韩中文字幕视频在线看片| av在线老鸭窝| 欧美日韩亚洲国产一区二区在线观看 | 国产亚洲精品久久久久5区| 9191精品国产免费久久| 国产伦人伦偷精品视频| a级毛片黄视频| 天天操日日干夜夜撸| 手机成人av网站| 国产精品久久久久久人妻精品电影 | 十分钟在线观看高清视频www| 男女午夜视频在线观看| 国产精品亚洲av一区麻豆| av在线老鸭窝| 亚洲国产中文字幕在线视频| 欧美黑人精品巨大| 亚洲av电影在线观看一区二区三区| 欧美老熟妇乱子伦牲交| 黄色a级毛片大全视频| www.999成人在线观看| 91老司机精品| 美女高潮到喷水免费观看| 真人做人爱边吃奶动态| 叶爱在线成人免费视频播放| 不卡av一区二区三区| 亚洲av日韩在线播放| 免费日韩欧美在线观看| 一级,二级,三级黄色视频| 欧美精品亚洲一区二区| 超色免费av| 在线观看www视频免费| 成人黄色视频免费在线看| 少妇粗大呻吟视频| 精品久久久久久电影网| 亚洲第一av免费看| 丰满人妻熟妇乱又伦精品不卡| 久久天堂一区二区三区四区| 精品一区二区三区av网在线观看 | 中文字幕制服av| 在线观看免费午夜福利视频| av天堂在线播放| 桃花免费在线播放| 精品视频人人做人人爽| 国产视频首页在线观看| 老汉色av国产亚洲站长工具| 99久久综合免费| 国产熟女欧美一区二区| 精品福利观看| 两性夫妻黄色片| 女人被躁到高潮嗷嗷叫费观| 国产一区二区在线观看av| 久久久国产欧美日韩av| 国产男人的电影天堂91| 91麻豆精品激情在线观看国产 | 少妇粗大呻吟视频| 99久久精品国产亚洲精品| 在线观看人妻少妇| 美女扒开内裤让男人捅视频| 欧美变态另类bdsm刘玥| 人人妻人人添人人爽欧美一区卜| 亚洲中文av在线| 中文字幕高清在线视频| 亚洲欧美精品自产自拍| 秋霞在线观看毛片| 精品熟女少妇八av免费久了| 新久久久久国产一级毛片| av又黄又爽大尺度在线免费看| 精品一区二区三卡| 欧美精品av麻豆av| 老汉色av国产亚洲站长工具| 99九九在线精品视频| 欧美xxⅹ黑人| 国产亚洲av高清不卡| 欧美日韩视频精品一区| 女人高潮潮喷娇喘18禁视频| 2018国产大陆天天弄谢| 亚洲男人天堂网一区| 黄色毛片三级朝国网站| 天堂中文最新版在线下载| 欧美精品亚洲一区二区| 后天国语完整版免费观看| 成年av动漫网址| 国产精品亚洲av一区麻豆| h视频一区二区三区| 亚洲欧洲精品一区二区精品久久久| 国产精品二区激情视频| netflix在线观看网站| 波多野结衣一区麻豆| 飞空精品影院首页| 国产97色在线日韩免费| 国产主播在线观看一区二区 | 国产av精品麻豆| 成年人午夜在线观看视频| 汤姆久久久久久久影院中文字幕| 纯流量卡能插随身wifi吗| 亚洲免费av在线视频| av欧美777| 9色porny在线观看| 精品久久久久久久毛片微露脸 | 婷婷成人精品国产| 日韩一卡2卡3卡4卡2021年| 搡老岳熟女国产| 国产视频首页在线观看| 国产精品.久久久| 国产在视频线精品| 日韩av在线免费看完整版不卡| 在线观看www视频免费| 精品国产一区二区久久| av欧美777| 国产成人av激情在线播放| 人人妻人人澡人人爽人人夜夜| 超碰成人久久| 久久精品亚洲av国产电影网| 亚洲 国产 在线| 一本—道久久a久久精品蜜桃钙片| 国产主播在线观看一区二区 | 成年美女黄网站色视频大全免费| 日韩一区二区三区影片| 精品国产一区二区久久| 在线观看免费视频网站a站| 黄色a级毛片大全视频| 黑丝袜美女国产一区| 老司机在亚洲福利影院| 一区在线观看完整版| 涩涩av久久男人的天堂| 国产高清videossex| 亚洲国产日韩一区二区| 国产精品av久久久久免费| 九色亚洲精品在线播放| 99热国产这里只有精品6| 天天影视国产精品| 国产日韩一区二区三区精品不卡| 免费高清在线观看日韩| 一级a爱视频在线免费观看| 99精品久久久久人妻精品| 欧美精品高潮呻吟av久久| 国产亚洲欧美精品永久| 亚洲精品美女久久av网站| 日韩免费高清中文字幕av| a级毛片在线看网站| 午夜视频精品福利| 色综合欧美亚洲国产小说| 亚洲,欧美,日韩| 一本久久精品| 大香蕉久久成人网| 国产野战对白在线观看| 国产片内射在线| 国产精品.久久久| 美女国产高潮福利片在线看| 中文字幕人妻熟女乱码| 国产又爽黄色视频| xxx大片免费视频| 一本一本久久a久久精品综合妖精| 久久精品国产综合久久久| 日韩av不卡免费在线播放| 天天躁夜夜躁狠狠躁躁| 亚洲欧洲日产国产| 日韩熟女老妇一区二区性免费视频| 美女国产高潮福利片在线看| av福利片在线| 午夜福利乱码中文字幕| 在线观看免费高清a一片| 99国产精品一区二区蜜桃av | xxx大片免费视频| 亚洲成av片中文字幕在线观看| av国产久精品久网站免费入址| 色精品久久人妻99蜜桃| 丝瓜视频免费看黄片| 免费av中文字幕在线| 亚洲av日韩精品久久久久久密 | 国产亚洲精品久久久久5区| 国产精品一二三区在线看| 最新在线观看一区二区三区 | 午夜久久久在线观看| 黄色一级大片看看| 97人妻天天添夜夜摸| 视频区图区小说| 久久久精品免费免费高清| 精品高清国产在线一区| 一级,二级,三级黄色视频| 99久久人妻综合| www.熟女人妻精品国产| 午夜福利在线免费观看网站| 久热爱精品视频在线9| 亚洲国产av影院在线观看| 久久久欧美国产精品| 久久精品国产综合久久久| 国产精品国产三级专区第一集| av在线app专区| 欧美久久黑人一区二区| 精品免费久久久久久久清纯 | 欧美黄色淫秽网站| 亚洲第一青青草原| 国产1区2区3区精品| 老司机影院毛片| 人妻人人澡人人爽人人| 亚洲久久久国产精品| 交换朋友夫妻互换小说| 在现免费观看毛片| 电影成人av| 午夜两性在线视频| 亚洲色图 男人天堂 中文字幕| 女人被躁到高潮嗷嗷叫费观| 国产国语露脸激情在线看| 日本五十路高清| 亚洲av男天堂| 少妇精品久久久久久久| 一边亲一边摸免费视频| 欧美老熟妇乱子伦牲交| 男男h啪啪无遮挡| 亚洲av日韩在线播放| 99国产精品一区二区三区| 亚洲国产欧美一区二区综合| 国产黄色视频一区二区在线观看| 久久精品亚洲av国产电影网| 狠狠精品人妻久久久久久综合| 亚洲伊人久久精品综合| 久久久国产欧美日韩av| 777米奇影视久久| 午夜影院在线不卡| 首页视频小说图片口味搜索 | 日本av免费视频播放| 欧美 日韩 精品 国产| 最黄视频免费看| 亚洲精品一区蜜桃| 少妇的丰满在线观看| 国产精品麻豆人妻色哟哟久久| 久久影院123| 看十八女毛片水多多多| 最近手机中文字幕大全| 电影成人av| 久久久久久久大尺度免费视频| 老司机午夜十八禁免费视频| 国产一区有黄有色的免费视频| 国产视频首页在线观看| 免费高清在线观看日韩| 久久精品久久精品一区二区三区| 欧美日韩亚洲综合一区二区三区_| 一级a爱视频在线免费观看| 久久九九热精品免费| 手机成人av网站| 久久精品亚洲av国产电影网| 男女午夜视频在线观看| 亚洲欧洲精品一区二区精品久久久| 19禁男女啪啪无遮挡网站| 又黄又粗又硬又大视频| 国产成人精品久久二区二区91| 国产精品国产三级国产专区5o| 中文字幕人妻熟女乱码| 丝袜喷水一区| av天堂久久9| www.av在线官网国产| 免费日韩欧美在线观看| 婷婷色综合大香蕉| 在线观看人妻少妇| √禁漫天堂资源中文www|