• <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 ?

    融合KPCA與改進KNN的蒙古族音樂分類方法

    2022-11-17 02:12:04王海龍裴冬梅
    復旦學報(自然科學版) 2022年5期
    關鍵詞:分類特征音樂

    宋 揚,王海龍,柳 林,裴冬梅

    (內蒙古師范大學 計算機科學技術學院,內蒙古 呼和浩特 010022)

    近年來,隨著信息技術的成熟及互聯(lián)網(wǎng)的發(fā)展,海量數(shù)字音樂信息迅速涌現(xiàn)并呈現(xiàn)爆發(fā)式增長[1],如何高效地從浩瀚媒體資源中快速檢索到用戶喜愛的音樂,對檢索數(shù)字音樂資源具有重要意義。面對大規(guī)模的網(wǎng)絡音樂數(shù)據(jù),數(shù)字音樂的檢索與分類成為當前的研究熱點,尤其是針對音樂流派/曲風(Music genre/style)的分類成為其中的重要分支[2]。在眾多不同曲風的音樂中,有關民族音樂的研究受到了研究者的廣泛關注。2008年,蒙古族民歌被列入國家第二批非物質文化遺產,但由于蒙古族音樂傳承方式較為落后,其生存空間日益減小。如何依托音樂分類技術,對蒙古族音樂進行有效、數(shù)字化的分類研究成為傳承保護蒙古族文化的迫切需要[3]。

    在音樂分類領域中,音樂的種類和形式繁多,并存在差異性[4],因此,音樂分類是一項極其復雜的任務,往往存在分類準確率較低、周期性長、噪聲影響較大、魯棒性較差等問題[5-6]。音樂流派/曲風分類方法主要采用支持向量機(Support Vector Machine,SVM)、K近鄰(K-Nearest Neighbors,KNN)、隱馬爾可夫模型(Hidden Markov Model,HMM)、人工神經(jīng)網(wǎng)絡(Artificial Neural Network,ANN)等模型進行分類,其中KNN在音樂分類中的應用較為廣泛。目前特征提取在音樂分類研究中占據(jù)重要地位,特征數(shù)量的增加并不一定會提高模型的性能,通常反而會顯著增加模型訓練所需的樣本量,而足夠的樣本量往往很難獲取。為了避免特征過多造成分類性能差的問題,有必要對特征進行篩選,選擇重要特征并消除無關和冗余特征。現(xiàn)有的KNN分類方法對過濾掉冗余、無關特征并不適用,所以如何有效進行特征選擇,提升音樂分類準確率是進一步需要解決的問題。針對此問題,本文在分析現(xiàn)有的音樂分類研究成果的基礎上,提出一種適用于蒙古族音樂資源的分類方法,著重對蒙古族音樂進行分類與整理。

    1 研究背景

    音樂特征提取是分類任務中至關重要的一部分,對最終的音樂分類效果起到了關鍵作用。Trabelsi等[7]在對音樂分類的過程中提取了Mel頻率倒譜系數(shù)(Mel Frequency Cepstrum Coefficient,MFCC),證實了MFCC是區(qū)分音樂類型的重要特征參數(shù)。Baniya等[8]提取了MFCC和節(jié)拍直方圖兩類特征參數(shù)作為音樂的相關特征對音樂進行分類。楊曉宇等[9]通過提取短時能量、短時平均過零率和短時平均幅度作為特征值,對音樂進行了較為準確的分類。但文獻[7-9]均存在所采用的特征參數(shù)較少、提取特征較單一等問題。為了解決上述問題,雷文康[10]抽取音樂信號的特征(音色特征、節(jié)奏特征、音高特征)與聲譜圖特征(短時傅里葉變換得到的時頻圖、Mel譜、常數(shù)Q聲譜)輸入到循環(huán)神經(jīng)網(wǎng)絡中對音樂曲風進行分類。劉雨亭[11]通過基于內容的音樂特征(音色特征、聽感特征和節(jié)拍特征)對音樂進行分類。但文獻[10-11]所用方法的特征向量維數(shù)過多,導致分類所需的時間較長?;谏鲜鎏卣魈崛〈嬖凇熬S數(shù)災難”的問題,本文引入了對提取的特征采取降維和進行特征選擇的方法。

    在分類模型的構建上,為了解決音樂分類過程中存在分類準確率較低等問題,邵曦等[12]對傳統(tǒng)的SVM進行改進,利用改進后的SVM對音樂進行分類,驗證了SVM主動學習方法的有效性。但SVM模型對參數(shù)的依賴較為嚴重,參數(shù)往往會影響音樂分類的結果。除此之外,肖曉紅等[13]將提取的特征輸入到HMM中,從中找到最佳HMM參數(shù)。HMM作為一種線性分類技術,它認為音樂類型與特征之間存在線性關系,但大多數(shù)情況下,音樂類型與特征之間存在著非線性關系。因此,HMM的局限性很明顯,得到的音樂分類結果也并不穩(wěn)定。除上述模型外,神經(jīng)網(wǎng)絡也是音樂分類中常用的模型之一。它可以使音樂類型與特征之間進行有效的擬合,但仍存在一些明顯的缺陷,例如需要大規(guī)模的音樂訓練樣本,如果訓練樣本較少,會影響音樂分類的準確率;神經(jīng)網(wǎng)絡的結構也較為復雜,使得音樂分類模型的收斂效率較低且分類時間較長[14-15]。因此,應用上述傳統(tǒng)分類方法去解決音樂分類問題時會存在不足,大多數(shù)情況下采用混合或者改進的方法來提升分類準確率。KNN作為經(jīng)典的分類方法之一,與其他分類算法相比,優(yōu)勢在于它可以充分利用訓練樣本的鄰域信息,在一定程度上提高算法的分類準確率。雖然KNN方法具有易實現(xiàn)、魯棒性高等優(yōu)點,但在具體應用中也存在不足: 一方面計算開銷大,分類效率低;另一方面,在進行相似性度量和類別判斷時,等同對待各個特征項和近鄰樣本,從而影響分類準確率[16]。因此,辛欣等[17]提出結合KNN算法與潛在概率語義分析(Probabilistic Latent Semantic Analysis,PLSA)模型進行音樂分類,與單一的傳統(tǒng)KNN分類算法相比,分類效果上得到了明顯的提高。蒙古族音樂由于其本身的“長、短調”具有鮮明的民族風格和自身的獨特性,對蒙古族音樂的分類研究相對于其他音樂的分類研究較少,因此,蒙古族音樂的自動分類是一項非常具有挑戰(zhàn)性的任務。本文主要將KNN算法應用到蒙古族音樂分類中,并針對目前音樂分類工作中存在的特征易出現(xiàn)冗余導致分類準確率較低等問題,提出一種核主成分分析(Kernel Principal Components Analysis,KPCA)與改進的KNN算法進行融合的分類方法,即KPCA-FSKNN(Kernel Principal Components Analysis-Feature Selection K-Nearest Neighbor)分類方法,通過該方法篩選出最佳特征子集,并進行更有效的蒙古族音樂分類。

    2 研究方法

    經(jīng)典的子空間學習方法例如主成分分析(Principal Component Analysis,PCA)、線性判別分析(Linear Discriminant Analysis,LDA)等通過尋找投影矩陣從而得到低維魯棒特征,在降低維度的同時,沒有進行有效的特征選擇,在一定程度上影響了特征表示的準確性[18]。因此,不同于傳統(tǒng)的子空間學習方法,本文引入核的主成分分析降維方法并將核主成分分析與改進的基于特征選擇的KNN算法進行融合。利用核主成分分析對輸入的時域特征、頻域特征和倒譜域特征進行篩選,在此基礎上,將篩選過后的新的特征集輸入到改進后的KNN分類模型中,從中尋找最佳特征子集,通過應用最佳特征子集,提高KNN算法的分類準確率。

    2.1 核主成分分析

    核主成分分析是解決維數(shù)災難的一種有效方式,它的優(yōu)勢在于利用兩個向量之間的點積——核函數(shù),通過核函數(shù)的方法直接實現(xiàn)非線性變換[19]。核主成分分析是主成分分析的非線性擴充,可以發(fā)現(xiàn)數(shù)據(jù)集中隱匿的非線性信息。實質上,核主成分分析利用非線性函數(shù)φ將原始輸入空間的數(shù)據(jù)映射到高維特征空間中,隨后在該空間中進行主成分分析變換。

    首先,將樣本映射到高維特征空間中,設變量X為音樂樣本訓練集,X={x1,x2,…,x i,…,x n}是所有樣本點的集合,x i∈X為樣本點。X中共有n個樣本。

    非線性映射的定義如下所示:

    將樣本通過非線性映射φ映射到高維空間RF中,其中: 樣本數(shù)據(jù)矩陣為Xφ=(φ(x1),φ(x2),…,φ(x n))。

    將訓練樣本映射到高維空間后,采取數(shù)據(jù)中心化,即映射后的協(xié)方差矩陣

    式(2)的特征值為λ,則Cφw=λw,其中w是特征向量。對于所有滿足λ≠0的特征向量w,它位于所在的空間中。存在系數(shù)a i(i=1,2,…,n)滿足

    代入式(2)中,得

    定義n×n的核矩陣K,且

    代入式(5)得出:

    即nλa=Ka。λ1,λ2,…,λn是式(7)的特征值,a1,a2,…,a n是對應的特征向量。這時只需簡單地計算核函數(shù)K(x i,x j)就可以進行核主成分分析,而不需要具體了解非線性映射φ的形式。

    核主成分分析常用的核函數(shù)有線性核函數(shù)、多項式核函數(shù)、Sigmoid核函數(shù)和高斯核函數(shù)[19]。高斯核函數(shù)可以將樣本映射到一個更高維的空間,對于多項式核函數(shù)來說,高斯核函數(shù)需要確定的參數(shù)較少;線性核函數(shù)只能用于線性可分的情況;Sigmoid核函數(shù)的表現(xiàn)與高斯核函數(shù)類似[20]。因此,本文選取的核函數(shù)為高斯核函數(shù),高斯核函數(shù)如下所示:

    式中:x i、x j為樣本點;σ是高斯核函數(shù)半徑。

    2.2 改進的KNN算法

    傳統(tǒng)的KNN算法計算開銷大,等同對待各個特征項和近鄰樣本,因此導致分類準確率低[16]。本文通過引入特征選擇的思想對傳統(tǒng)KNN算法進行改進,并將改進的KNN算法應用到蒙古族音樂分類中。

    該算法的改進思路為: 當提取的特征輸入到KNN分類模型中,對于KNN來說,由于其同等對待各個特征項和近鄰樣本,導致每一維度的特征對其距離的貢獻都相同。若存在某n維特征對音樂分類無影響,那么它們的存在則會降低音樂分類的準確率?;谝陨霞僭O,設原始輸入的特征集合為I,是否存在一個I的子集I′,利用I′里的特征在KNN分類算法上能夠達到更好的分類效果,從而提高KNN算法的分類準確率。因此,本文通過引入特征選擇對KNN算法進行改進。改進KNN使得KNN可以選擇出對分類算法更有價值的特征屬性。同時,也可以選擇真正相關的特征來簡化模型,使得數(shù)據(jù)生成過程更容易理解。

    首先,從完整的特征集中隨機生成一個特征子集,然后使用評價函數(shù)對特征子集進行評價,比較評價結果與停止準則,如果評價結果優(yōu)于停止準則,則停止;否則,繼續(xù)生成下一組特征子集。繼續(xù)保持特征選擇,所選出來的特征子集需要去驗證它的有效性。

    本文的改進KNN基于特征選擇的過程包括4個部分: 生成子集、采用評價函數(shù)、停止準則和驗證結果。

    1) 生成子集是指搜索特征子集,然后為評價函數(shù)提供生成好的特征子集。

    2) 評價函數(shù)是用來評價特征子集質量的標準,本文中采用準確率來評價該生成子集的質量。

    3) 停止準則,其決定什么時候停止搜索,即結束算法的執(zhí)行。本文的改進算法設定的停止準則為評價次數(shù),設置算法需要運算多少次,用于規(guī)定隨機搜索的次數(shù),尤其當算法運行的結果不穩(wěn)定的情況下,通過若干次的運行結果找出其中穩(wěn)定的因素。當達到設定的搜索次數(shù)后,停止搜索。

    4) 驗證結果,驗證所選特征子集在驗證數(shù)據(jù)集中是否有效。

    改進KNN的算法步驟如下:

    1) 設訓練集為X={x i|i=1,2,…,n},對訓練集進行歸一化處理。

    2) 初始化Best_Score=0,Local_Score=0。

    3) 設原始的定義特征屬性集合為I={I1,I2,I3,…,I M}。

    4) 設最佳的特征屬性集合為Best_I={I1,I2,I3,…,I N},N≤M。

    5) 將訓練集X={x i|i=1,2,…,n}進一步劃分,用于尋找最佳特征集合。

    6) 隨機創(chuàng)建一個子集Local_I={I1,I2,I3,…,I L}。

    7) 生成步驟6)中隨機從特征集合選取N個特征屬性的特征子集。

    8) 并對各個特征子集Local_I={I1,I2,I3,…,I L}運行分類算法。

    9) 使用部分數(shù)據(jù)集X′={x i|i=1,2,…,m}進行測試,其中m<n。

    10) 從中選取分類準確率最高的特征子集作為最佳特征子集的集合,計算樣本點之間的距離公式如下:

    式中:p為可變參數(shù);x k和y k分別是x和y的第k個屬性值(分量)。當p=1時,式(9)被稱之為曼哈頓距離(Manhattan distance);當p=2時,式(9)被稱之為歐式距離(Euclidean distance);當p→∞時,式(9)被稱之為切比雪夫距離(Chebyshev distance)。

    11) 更新Best_I=Local_IifBest_Score=Local_Score。

    12) 利用步驟7)選取的特征子集對所有數(shù)據(jù)集進行訓練和測試。

    13) 得到一個最優(yōu)的特征子集Best_I,最終完成分類預測工作。

    2.3 KPCA-FSKNN分類方法

    傳統(tǒng)的線性降維方法在提取特征時,存在樣本間非線性相關性有可能會丟失的問題。而核主成分分析利用核化的思想,一方面可以將特征映射到高維空間,便于捕捉特征與類別的非線性關系;另一方面,最終的特征之間為正交關系,距離計算可以更加有效。針對之前所描述KNN分類算法受某些特征影響導致分類準確率降低的問題,結合核主成分分析的優(yōu)勢,本文對KNN算法進行了改進,可以有效尋找到最佳特征子集,從而提高分類準確率。綜上所述,本文構造了一種融合核主成分分析與改進的KNN算法的分類方法,即KPCA-FSKNN分類方法,并將其應用到蒙古族音樂分類中。

    KPCA-FSKNN分類方法主要分為兩個階段: 核主成分分析特征轉換階段和改進KNN算法分類階段。兩階段的過程具體描述如下:

    1) 核主成分分析篩選特征。首先通過核主成分分析可以將特征映射到高維空間然后降維的原理,將提取到的共26維特征的組合用來描述一首音樂的特征信息,隨后將其升為30維,最終顯示的特征為正交關系,從而更有效地進行KNN距離計算。

    2) 特征選擇?;谔卣鬟x擇的KNN通過設定子集范圍,可以更好地搜索特征子集。由于搜索全部子集的開銷很大,而且子集太大,接近全集,那么計算量則偏大,導致運行速度變慢,達不到搜索的效果;反之,若子集大小太接近0則會丟失過多信息,則找不到好的子集。因此,實驗設置迭代次數(shù)為2 000次的效果最佳,測試2 000個隨機集合。最后驗證特征子集,為了進一步評估子集的合理性,通過多次計算交叉驗證是否為最優(yōu)特征子集。先將訓練集劃分,在訓練集上搜索達到最優(yōu)的子集,再到測試集上測試,最后2 000次搜索后結束。上述過程重復10次,取這10次運行結果的平均值,得出最終的特征子集分類結果。

    KPCA-FSKNN分類方法具體實現(xiàn)的流程如圖1所示,實現(xiàn)的偽代碼如下所示:

    圖1 KPCA-FSKNN方法流程圖Fig.1 Flow chart of KPCA-FSKNN method

    3 實驗結果與分析

    3.1 實驗數(shù)據(jù)

    實驗中使用的數(shù)據(jù)集是公開數(shù)據(jù)集GTZAN與蒙古族音樂資源數(shù)據(jù)庫[3]中的蒙古族音樂的組合,實驗數(shù)據(jù)集主要包括11類不同曲風音樂,每類包含100首,共1 100首音樂。由于公開數(shù)據(jù)集GTZAN中每段音頻都為30 s時長,為了確保實驗的有效性,蒙古族音樂同樣從音樂中間的人聲部分截取30 s的音頻,實驗中所有音頻均采用統(tǒng)一格式(.wav)。

    特征集通過特征提取實驗預處理輸入每段長30 s的音頻信號,分析提取出的3類特征主要包括譜質心、RMS(Root Mean Square)能量包絡、帶寬、譜滾降、色度特征、過零率、前20個MFCC,總共26個特征的組合來描述一首音樂的特征信息,對訓練數(shù)據(jù)的每一列進行歸一化預處理。

    3.2 實驗結果與分析

    為了評價本文提出的KPCA-FSKNN分類方法的有效性,與以下幾種方法進行了對比實驗。

    1) 傳統(tǒng)分類方法: 在本文中的音樂數(shù)據(jù)集下訓練得到的傳統(tǒng)KNN、隨機森林(Random Forest,RF)和SVM分類模型用于蒙古族音樂分類(Our group 1)。

    2) 基于PCA與SVM、KNN分類模型融合的方法用于蒙古族音樂分類(Our group 2、Our group 3)。

    3) 基于核主成分分析與SVM、KNN分類模型融合的方法用于蒙古族音樂分類(Our group 4、Our group 5)。

    4) 本文提出的KPCA-FSKNN方法用于蒙古族音樂分類(Our group 6)。

    圖2給出了針對傳統(tǒng)分類模型的蒙古族音樂分類結果。本文首先驗證了KNN、RF和SVM的分類效果對比,數(shù)據(jù)顯示KNN具有更高的分類效果,其平均準確率達到了69.83%,其余兩個分類模型的平均準確率分別為53.87%、62.21%。由圖2可以看出,KNN在蒙古族音樂數(shù)據(jù)上的分類性能較SVM與RF模型表現(xiàn)得更好,但分類效果仍不理想,因此,本文主要針對KNN分類模型存在的問題,從特征的角度出發(fā),對KNN分類模型進行改進,通過驗證蒙古族音樂分類的準確率得出改進后模型的好壞。

    圖2 傳統(tǒng)分類模型的蒙古族音樂分類準確率Fig.2 Accuracy of Mongolian music classification based on traditional classification model

    表1給出了在上述不同分類方法下的音樂分類結果。由表1可以看出: 相對于傳統(tǒng)方法,1) 核主成分分析降維相對于主成分分析降維更適用于蒙古族音樂分類;2) 降維與KNN分類器融合的效果和SVM分類器融合效果相比,融合KNN分類器的分類效果更好;3) 本文提出的核主成分分析降維與基于特征選擇改進的KNN分類器融合的方法可以獲得更好的分類效果,這說明了融入特征選擇的必要性,在對蒙古族音樂進行分類時,將特征選擇考慮進去可以顯著提升蒙古族音樂分類的準確率。

    表1 不同分類算法準確率的比較Tab.1 Comparison of accuracy of different classification algorithms

    表2展示了實驗在搜尋子集時特征選擇的結果。為達到搜索子集的效果,子集范圍為1/2開始搜索并逐漸遞減,當子集維度選取為10~15維度時,分類準確率逐漸遞減;當子集維度選取為7~10維度時,分類準確率逐漸遞增。實驗結果表明,當子集范圍為1/3時,蒙古族音樂分類的準確率相對較好。

    表2 特征選擇結果Tab.2 The results of feature selection

    為了進一步驗證融合后KNN算法的有效性,表3給出了在不同鄰居數(shù)量K下,傳統(tǒng)KNN、PCAKNN、KPCA-KNN和本文提出的KPCA-FSKNN方法對蒙古族音樂分類的準確率。本文提出的KPCAFSKNN方法由于要尋找最佳特征子集,從而能達到較好的分類準確率,因此,實驗中將本文所提方法的分類結果隨機運行10次,交叉驗證計算平均值得出其分類準確率。

    對表3進行分析可知:

    表3 不同K下,4種方法對蒙古族音樂分類的準確率Tab.3 Accuracy of four methods for Mongolian music classification under different K

    1) 特征降維前,不同K下,使用傳統(tǒng)KNN分類方法對蒙古族音樂分類的準確率較低。

    2) 相對于PCA-KNN,KPCA-KNN對蒙古族音樂分類的準確率得到了提高,該組實驗結果驗證了利用KPCA提取的特征可以更加準確地反映蒙古族音樂的曲風類型。

    3)PCA-KNN、KPCA-KNN整體上的準確率高于傳統(tǒng)KNN算法,說明引入降維方法可以提高對蒙古族音樂分類的準確率。相對于KPCA-KNN,KPCA-FSKNN方法考慮了特征選擇,因此,對蒙古族音樂分類的準確率得到了進一步的提升,該組實驗方法集成了核主成分分析與改進的基于特征選擇的KNN分類方法的優(yōu)點,能夠更準確地劃分蒙古族音樂的曲風類型。

    此外,為了更進一步說明本文所提方法的有效性,在該數(shù)據(jù)集中測試了其他音樂曲風類別的實驗結果,如表4所示。從表4中可以看出,采用KPCA-FSKNN方法對其他非蒙古族音樂分類的準確率也得到了有效的提升。

    表4 對其他類別音樂分類的準確率Tab.4 Accuracy of classification of other categories of music

    4 結語

    本文對蒙古族音樂數(shù)據(jù)分別選取了代表時域特征、頻域特征和倒譜域特征的主要特征,上述3個領域特征包括頻譜質心、帶寬、RMS能量包絡、譜滾降、過零率、色度特征以及MFCC作為衡量蒙古族音樂的特征參數(shù)。通過核主成分分析將特征映射到更高維空間,隨后降維;利用本文改進后的基于特征選擇的KNN算法從中進行特征選取,尋找到最佳特征子集;最后,將核主成分分析與改進的KNN進行融合,提出了KPCA-FSKNN分類方法。最終實驗表明,本文提出的KPCA-FSKNN分類方法,對蒙古族音樂進行分類時可以得到一個較高的準確率。通過與文中列出的其他分類方法的對比可以得出結論,本文提出的KPCAFSKNN方法優(yōu)于傳統(tǒng)KNN、SVM和其他分類算法,使蒙古族音樂分類的準確率得到了大幅度的提升,同時也驗證了該方法對其他音樂分類的有效性。本文提出的KPCA-FSKNN方法能夠在一定程度上將蒙古族音樂從海量的音樂中篩選、分類和整理出來,是蒙古族音樂分類的一種可行方法。

    猜你喜歡
    分類特征音樂
    分類算一算
    如何表達“特征”
    不忠誠的四個特征
    當代陜西(2019年10期)2019-06-03 10:12:04
    分類討論求坐標
    數(shù)據(jù)分析中的分類討論
    圣誕音樂路
    兒童繪本(2017年24期)2018-01-07 15:51:37
    教你一招:數(shù)的分類
    抓住特征巧觀察
    音樂
    線性代數(shù)的應用特征
    河南科技(2014年23期)2014-02-27 14:19:15
    观看免费一级毛片| 国产在线精品亚洲第一网站| 亚洲18禁久久av| 精品人妻偷拍中文字幕| 看十八女毛片水多多多| 欧美潮喷喷水| 国内精品久久久久久久电影| 亚洲av第一区精品v没综合| 99在线人妻在线中文字幕| 久久精品人妻少妇| 欧美激情国产日韩精品一区| 免费观看精品视频网站| 日本在线视频免费播放| 性色avwww在线观看| 久久久精品欧美日韩精品| 国产蜜桃级精品一区二区三区| 国产三级中文精品| 国产亚洲精品av在线| 精品久久久久久久久久免费视频| 欧美日韩福利视频一区二区| 亚洲精华国产精华精| 99久久精品热视频| 老司机深夜福利视频在线观看| 嫩草影院新地址| 在线免费观看的www视频| 日韩欧美国产一区二区入口| .国产精品久久| 久久久久精品国产欧美久久久| 免费在线观看成人毛片| 禁无遮挡网站| 中亚洲国语对白在线视频| 亚洲av日韩精品久久久久久密| 搡女人真爽免费视频火全软件 | 久久精品国产亚洲av涩爱 | 日本三级黄在线观看| 国产麻豆成人av免费视频| 欧美在线一区亚洲| 91在线精品国自产拍蜜月| 国产亚洲欧美在线一区二区| 久久99热这里只有精品18| 国产精品综合久久久久久久免费| 日韩精品中文字幕看吧| 欧美潮喷喷水| 精品人妻一区二区三区麻豆 | 别揉我奶头 嗯啊视频| 国产精品美女特级片免费视频播放器| 免费人成视频x8x8入口观看| 床上黄色一级片| 一级a爱片免费观看的视频| av在线蜜桃| 精品福利观看| 中文字幕av在线有码专区| 亚洲精品乱码久久久v下载方式| 免费在线观看亚洲国产| 国产人妻一区二区三区在| www.www免费av| 两个人视频免费观看高清| 久久久久久大精品| 国产av不卡久久| 在线观看一区二区三区| 国产精品久久久久久亚洲av鲁大| 午夜福利在线观看免费完整高清在 | 天美传媒精品一区二区| 在线国产一区二区在线| 韩国av一区二区三区四区| 九九在线视频观看精品| 国产av在哪里看| 人人妻,人人澡人人爽秒播| 亚洲电影在线观看av| av福利片在线观看| 亚洲va日本ⅴa欧美va伊人久久| 可以在线观看毛片的网站| 国产又黄又爽又无遮挡在线| 国产精品伦人一区二区| 简卡轻食公司| 俺也久久电影网| 亚洲欧美日韩卡通动漫| 最近视频中文字幕2019在线8| 日韩欧美三级三区| 男女下面进入的视频免费午夜| 村上凉子中文字幕在线| 日韩免费av在线播放| 亚洲成人免费电影在线观看| 成人高潮视频无遮挡免费网站| 看黄色毛片网站| 国产探花在线观看一区二区| 乱码一卡2卡4卡精品| 人妻久久中文字幕网| 首页视频小说图片口味搜索| 一级作爱视频免费观看| 老鸭窝网址在线观看| 乱人视频在线观看| 国产亚洲欧美在线一区二区| 国产高清视频在线观看网站| 少妇丰满av| 亚洲成人精品中文字幕电影| 欧美一区二区精品小视频在线| 网址你懂的国产日韩在线| 久久久久免费精品人妻一区二区| 国产色婷婷99| 久久久精品大字幕| 欧美日韩亚洲国产一区二区在线观看| 能在线免费观看的黄片| a在线观看视频网站| 免费人成视频x8x8入口观看| 深爱激情五月婷婷| 丰满乱子伦码专区| 欧美3d第一页| 我要搜黄色片| 久久久久久大精品| 色综合站精品国产| 欧美日韩中文字幕国产精品一区二区三区| 88av欧美| 美女高潮喷水抽搐中文字幕| 久久中文看片网| 色吧在线观看| 久久精品国产亚洲av香蕉五月| 亚洲成人中文字幕在线播放| 日本五十路高清| 亚洲av成人不卡在线观看播放网| 日韩免费av在线播放| 国产高潮美女av| 日韩欧美 国产精品| 欧美日韩黄片免| 又紧又爽又黄一区二区| 亚洲专区国产一区二区| 欧美三级亚洲精品| 999久久久精品免费观看国产| 国产视频一区二区在线看| 一个人看的www免费观看视频| 久久久久久久久久成人| 国产熟女xx| 欧美激情国产日韩精品一区| 欧美乱色亚洲激情| 91狼人影院| 好看av亚洲va欧美ⅴa在| 韩国av一区二区三区四区| 中文字幕av在线有码专区| 高潮久久久久久久久久久不卡| 国产高清三级在线| 午夜精品一区二区三区免费看| 又黄又爽又刺激的免费视频.| 久久久精品大字幕| 久久久精品大字幕| 麻豆一二三区av精品| 国产av麻豆久久久久久久| 天堂av国产一区二区熟女人妻| 天堂av国产一区二区熟女人妻| 午夜视频国产福利| 波多野结衣巨乳人妻| 色综合婷婷激情| 亚洲国产日韩欧美精品在线观看| 亚洲午夜理论影院| 亚洲va日本ⅴa欧美va伊人久久| 1000部很黄的大片| 在线天堂最新版资源| 国产亚洲精品久久久久久毛片| 亚洲第一区二区三区不卡| 99久久久亚洲精品蜜臀av| 中文字幕av成人在线电影| 亚洲精品在线观看二区| av中文乱码字幕在线| 亚洲欧美日韩无卡精品| 男人舔女人下体高潮全视频| 热99在线观看视频| 日本 av在线| 久久精品国产清高在天天线| 丰满人妻一区二区三区视频av| 久久久久久久久久黄片| 有码 亚洲区| 69av精品久久久久久| 亚洲精品影视一区二区三区av| 高清毛片免费观看视频网站| 久久久色成人| 非洲黑人性xxxx精品又粗又长| 精品无人区乱码1区二区| 国内精品久久久久久久电影| 一级av片app| 直男gayav资源| 啦啦啦观看免费观看视频高清| 看片在线看免费视频| 好看av亚洲va欧美ⅴa在| 又黄又爽又免费观看的视频| 一个人看的www免费观看视频| 日韩中文字幕欧美一区二区| 亚洲成人久久性| 男人舔奶头视频| 日韩成人在线观看一区二区三区| 美女免费视频网站| www.色视频.com| 99在线人妻在线中文字幕| 国产精品自产拍在线观看55亚洲| 51午夜福利影视在线观看| 欧美xxxx黑人xx丫x性爽| 禁无遮挡网站| 国产美女午夜福利| 美女 人体艺术 gogo| 国产69精品久久久久777片| 别揉我奶头 嗯啊视频| 高潮久久久久久久久久久不卡| 在线十欧美十亚洲十日本专区| 久久精品91蜜桃| 亚洲成人精品中文字幕电影| АⅤ资源中文在线天堂| 99国产精品一区二区蜜桃av| 青草久久国产| 亚洲男人的天堂狠狠| 天堂av国产一区二区熟女人妻| 伦理电影大哥的女人| 久久热精品热| 久久精品夜夜夜夜夜久久蜜豆| 成人国产综合亚洲| 每晚都被弄得嗷嗷叫到高潮| www.色视频.com| 舔av片在线| a在线观看视频网站| 99热这里只有是精品在线观看 | 国产精品98久久久久久宅男小说| 国产精品影院久久| 免费电影在线观看免费观看| 超碰av人人做人人爽久久| 午夜老司机福利剧场| 国产精品美女特级片免费视频播放器| 婷婷丁香在线五月| 真实男女啪啪啪动态图| 国产亚洲精品av在线| 国产精品亚洲一级av第二区| 久久久久久九九精品二区国产| 国产三级在线视频| 一进一出好大好爽视频| 亚洲性夜色夜夜综合| 精品久久久久久久末码| 精品无人区乱码1区二区| 国产久久久一区二区三区| 亚洲国产日韩欧美精品在线观看| 成人特级黄色片久久久久久久| 自拍偷自拍亚洲精品老妇| 国产蜜桃级精品一区二区三区| 欧美一区二区国产精品久久精品| 一夜夜www| 久9热在线精品视频| 成人亚洲精品av一区二区| 人人妻人人看人人澡| 在线观看免费视频日本深夜| 五月伊人婷婷丁香| 国产精品一区二区三区四区久久| 免费搜索国产男女视频| 麻豆成人午夜福利视频| 欧美成人免费av一区二区三区| 免费观看精品视频网站| 日韩精品中文字幕看吧| 色哟哟哟哟哟哟| 亚洲精品日韩av片在线观看| 国产蜜桃级精品一区二区三区| 嫩草影院精品99| 亚洲五月婷婷丁香| 97超级碰碰碰精品色视频在线观看| 蜜桃久久精品国产亚洲av| 淫妇啪啪啪对白视频| 国产白丝娇喘喷水9色精品| 婷婷精品国产亚洲av在线| 亚洲激情在线av| 少妇裸体淫交视频免费看高清| 男人和女人高潮做爰伦理| 国产精品伦人一区二区| 中文字幕免费在线视频6| 久久久久免费精品人妻一区二区| 欧美一区二区精品小视频在线| 我的女老师完整版在线观看| 欧美一区二区亚洲| 午夜精品久久久久久毛片777| 国产精品久久久久久久久免 | 两性午夜刺激爽爽歪歪视频在线观看| 亚洲中文字幕日韩| 男女下面进入的视频免费午夜| 免费看美女性在线毛片视频| 亚洲人成电影免费在线| 国产在线精品亚洲第一网站| 国产白丝娇喘喷水9色精品| 少妇人妻一区二区三区视频| 欧美性感艳星| 亚洲人成电影免费在线| 亚洲av成人精品一区久久| 白带黄色成豆腐渣| 亚洲美女黄片视频| 麻豆国产97在线/欧美| 色精品久久人妻99蜜桃| 精品午夜福利视频在线观看一区| 18+在线观看网站| 免费在线观看影片大全网站| 色吧在线观看| 最近最新免费中文字幕在线| x7x7x7水蜜桃| 脱女人内裤的视频| .国产精品久久| 国产真实伦视频高清在线观看 | 日本 av在线| 两个人视频免费观看高清| 性欧美人与动物交配| 国产精品亚洲美女久久久| 人人妻人人澡欧美一区二区| 偷拍熟女少妇极品色| 国内精品久久久久久久电影| 免费一级毛片在线播放高清视频| 一区二区三区激情视频| 一区福利在线观看| 岛国在线免费视频观看| 亚洲第一欧美日韩一区二区三区| 亚洲无线观看免费| 日韩欧美 国产精品| 深夜精品福利| 久久性视频一级片| 亚洲第一电影网av| 亚洲国产精品合色在线| 国内揄拍国产精品人妻在线| 狠狠狠狠99中文字幕| 成人鲁丝片一二三区免费| 亚洲在线自拍视频| 成人特级黄色片久久久久久久| 男女做爰动态图高潮gif福利片| 国产黄色小视频在线观看| 最新在线观看一区二区三区| 国产精品人妻久久久久久| 国产高潮美女av| 国产成人福利小说| 麻豆成人午夜福利视频| 真实男女啪啪啪动态图| 久久国产精品影院| 内射极品少妇av片p| 免费av不卡在线播放| 国产蜜桃级精品一区二区三区| 91久久精品国产一区二区成人| 男人狂女人下面高潮的视频| 搞女人的毛片| 精品久久久久久,| 18禁在线播放成人免费| 99热6这里只有精品| a级一级毛片免费在线观看| 精品人妻偷拍中文字幕| 国产精品三级大全| 久久久国产成人免费| 怎么达到女性高潮| 欧美一区二区精品小视频在线| 女生性感内裤真人,穿戴方法视频| 亚洲成人久久爱视频| 国产在线男女| av在线观看视频网站免费| 亚洲七黄色美女视频| 精品久久久久久久久久久久久| 成人av一区二区三区在线看| 超碰av人人做人人爽久久| 免费看日本二区| 757午夜福利合集在线观看| 久久中文看片网| 别揉我奶头~嗯~啊~动态视频| 中文字幕高清在线视频| 男人舔奶头视频| 制服丝袜大香蕉在线| 国产精品久久久久久久久免 | 全区人妻精品视频| 亚洲精品色激情综合| 久久久色成人| 国产精品电影一区二区三区| 1000部很黄的大片| 亚洲熟妇熟女久久| 日韩有码中文字幕| 成人精品一区二区免费| 人人妻人人澡欧美一区二区| 99国产综合亚洲精品| 麻豆av噜噜一区二区三区| 久久久久久久久久成人| 精品人妻视频免费看| 欧美成人性av电影在线观看| 色av中文字幕| 在线观看66精品国产| 香蕉av资源在线| 亚洲最大成人手机在线| 国产在线精品亚洲第一网站| 日本黄大片高清| 亚洲国产欧美人成| 热99re8久久精品国产| 欧美日韩国产亚洲二区| 精品人妻视频免费看| 亚洲aⅴ乱码一区二区在线播放| 色av中文字幕| 国产精品1区2区在线观看.| 亚洲av.av天堂| 国产淫片久久久久久久久 | 亚洲专区国产一区二区| 久久久精品欧美日韩精品| 99久久成人亚洲精品观看| 亚洲 国产 在线| 欧美在线一区亚洲| av在线老鸭窝| 嫩草影视91久久| 91久久精品国产一区二区成人| 午夜久久久久精精品| 成人av一区二区三区在线看| 亚洲最大成人av| 国产精品伦人一区二区| 国产视频一区二区在线看| 一个人免费在线观看的高清视频| 色综合欧美亚洲国产小说| 亚洲专区国产一区二区| 精品一区二区免费观看| 亚洲五月婷婷丁香| 国内精品久久久久精免费| 神马国产精品三级电影在线观看| 最近视频中文字幕2019在线8| 精品午夜福利视频在线观看一区| 国产极品精品免费视频能看的| 美女xxoo啪啪120秒动态图 | 亚洲专区中文字幕在线| 精品免费久久久久久久清纯| 观看免费一级毛片| 午夜免费成人在线视频| 99久久无色码亚洲精品果冻| 国内精品久久久久精免费| 国产精品久久久久久亚洲av鲁大| 极品教师在线免费播放| 成人亚洲精品av一区二区| 亚洲国产高清在线一区二区三| 露出奶头的视频| 欧美国产日韩亚洲一区| 91久久精品电影网| 最近中文字幕高清免费大全6 | 色哟哟·www| 99久久精品国产亚洲精品| 一级黄色大片毛片| 午夜福利免费观看在线| 精品久久久久久成人av| 身体一侧抽搐| 亚洲av一区综合| 国产aⅴ精品一区二区三区波| 中文字幕av成人在线电影| 最近中文字幕高清免费大全6 | 观看美女的网站| 国产又黄又爽又无遮挡在线| 亚洲 国产 在线| 久久久久久久精品吃奶| 亚洲人成网站高清观看| 一级av片app| 国产免费男女视频| 国产精品,欧美在线| 免费在线观看亚洲国产| 麻豆成人av在线观看| 午夜福利免费观看在线| 99久久成人亚洲精品观看| 久久欧美精品欧美久久欧美| 午夜免费激情av| 国产伦一二天堂av在线观看| 久久久久久久久久黄片| 精品午夜福利视频在线观看一区| 12—13女人毛片做爰片一| 欧美一区二区亚洲| 天堂影院成人在线观看| 少妇裸体淫交视频免费看高清| 亚洲美女搞黄在线观看 | 一个人免费在线观看的高清视频| 一卡2卡三卡四卡精品乱码亚洲| 1000部很黄的大片| 69人妻影院| 脱女人内裤的视频| 日韩欧美精品v在线| 精品欧美国产一区二区三| 欧美不卡视频在线免费观看| 久久久久久国产a免费观看| 亚洲男人的天堂狠狠| 97碰自拍视频| 啪啪无遮挡十八禁网站| 日韩欧美在线乱码| 国产私拍福利视频在线观看| 国产中年淑女户外野战色| av天堂中文字幕网| 九色成人免费人妻av| 又爽又黄无遮挡网站| 亚洲精品在线美女| 亚洲七黄色美女视频| 免费观看精品视频网站| 美女大奶头视频| 免费观看的影片在线观看| 欧美日韩国产亚洲二区| 亚洲熟妇中文字幕五十中出| 久久精品国产99精品国产亚洲性色| 日本黄大片高清| 99久久无色码亚洲精品果冻| 色综合婷婷激情| 国产午夜福利久久久久久| 热99在线观看视频| 97超级碰碰碰精品色视频在线观看| 小说图片视频综合网站| 乱人视频在线观看| 成人美女网站在线观看视频| 亚洲成人中文字幕在线播放| 最近在线观看免费完整版| 伦理电影大哥的女人| 露出奶头的视频| 国产综合懂色| 搡老岳熟女国产| 精品熟女少妇八av免费久了| h日本视频在线播放| 欧美性猛交╳xxx乱大交人| 国产高清三级在线| 搡老岳熟女国产| bbb黄色大片| 九九在线视频观看精品| 嫩草影院新地址| 麻豆一二三区av精品| 高清日韩中文字幕在线| 久久草成人影院| 国产精品综合久久久久久久免费| 嫩草影院入口| 国产探花极品一区二区| 久久久久久国产a免费观看| 一本精品99久久精品77| 日韩欧美精品v在线| 成人av在线播放网站| 又紧又爽又黄一区二区| 观看美女的网站| 国产精品野战在线观看| 91麻豆精品激情在线观看国产| 国产精品伦人一区二区| 大型黄色视频在线免费观看| 高清毛片免费观看视频网站| 人妻制服诱惑在线中文字幕| 一个人免费在线观看的高清视频| 亚洲在线自拍视频| 色吧在线观看| 亚洲在线观看片| 在线免费观看的www视频| 欧美国产日韩亚洲一区| 97人妻精品一区二区三区麻豆| 亚洲成人久久爱视频| 成年女人看的毛片在线观看| 精品久久久久久久末码| 在线十欧美十亚洲十日本专区| or卡值多少钱| 国产精品野战在线观看| 久久人人爽人人爽人人片va | 成人欧美大片| 欧美黑人欧美精品刺激| 又爽又黄a免费视频| www.色视频.com| 亚洲国产精品久久男人天堂| 中文字幕人成人乱码亚洲影| 欧美丝袜亚洲另类 | 精品不卡国产一区二区三区| 女人十人毛片免费观看3o分钟| 亚洲无线观看免费| 舔av片在线| 亚洲中文日韩欧美视频| 国产一区二区在线av高清观看| 真实男女啪啪啪动态图| 久久99热这里只有精品18| 国产精品久久久久久久久免 | 精品乱码久久久久久99久播| 欧洲精品卡2卡3卡4卡5卡区| 丁香欧美五月| 99热这里只有是精品在线观看 | 桃红色精品国产亚洲av| 波野结衣二区三区在线| 成人午夜高清在线视频| 久久久久久久久久成人| 极品教师在线免费播放| 少妇的逼水好多| 成年女人永久免费观看视频| 脱女人内裤的视频| 亚洲av免费在线观看| 国产 一区 欧美 日韩| 久久久成人免费电影| 直男gayav资源| 草草在线视频免费看| 亚洲男人的天堂狠狠| 久久亚洲精品不卡| 欧美极品一区二区三区四区| 亚洲国产精品999在线| 欧美丝袜亚洲另类 | 国产爱豆传媒在线观看| 日韩有码中文字幕| 国产精品综合久久久久久久免费| 欧美色视频一区免费| 夜夜看夜夜爽夜夜摸| 久久性视频一级片| 欧美三级亚洲精品| 青草久久国产| 永久网站在线| 午夜福利视频1000在线观看| 夜夜看夜夜爽夜夜摸| 一本久久中文字幕| 精品一区二区三区视频在线观看免费| 久久性视频一级片| 12—13女人毛片做爰片一| 99精品久久久久人妻精品| 成人国产一区最新在线观看| 非洲黑人性xxxx精品又粗又长| 中文字幕av成人在线电影| 熟女人妻精品中文字幕| 每晚都被弄得嗷嗷叫到高潮| 午夜福利视频1000在线观看| 亚洲电影在线观看av| 99精品久久久久人妻精品| 中文字幕av成人在线电影| 国产真实乱freesex| av在线蜜桃| 18禁黄网站禁片午夜丰满| 亚洲精品亚洲一区二区| 免费在线观看亚洲国产| av天堂在线播放| 女人被狂操c到高潮| 久久国产乱子伦精品免费另类| 久久草成人影院| 男女下面进入的视频免费午夜| 别揉我奶头 嗯啊视频| 色综合亚洲欧美另类图片| 国产又黄又爽又无遮挡在线|