• <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 ?

    多分類概率極限學習機及其在剩余使用壽命預測中的應用

    2015-06-05 15:33:39杜占龍李小民席雷平張金中劉新海
    系統(tǒng)工程與電子技術 2015年12期
    關鍵詞:訓練樣本準確率概率

    杜占龍,李小民,席雷平,張金中,劉新海

    (1.軍械工程學院無人機工程系,河北石家莊050003;2.總參通信工程設計研究院,遼寧沈陽110000)

    由式(23)可得

    中的B。因為

    多分類概率極限學習機及其在剩余使用壽命預測中的應用

    杜占龍1,李小民1,席雷平1,張金中2,劉新海1

    (1.軍械工程學院無人機工程系,河北石家莊050003;2.總參通信工程設計研究院,遼寧沈陽110000)

    針對多分類極限學習機(extreme learning machine,ELM)缺乏概率輸出能力問題,提出一種基于sigmoid后驗概率映射和Lagrange成對耦合法的多分類概率ELM(multi-class probabilistic ELM,MPELM)。采用成對耦合法將多分類問題分解成多個二分類問題,利用sigmoid函數(shù)將二分類ELM輸出映射成概率輸出。為融合所有二分類概率輸出,推導基于Lagrange乘子法的多分類概率計算公式,最終求解被預測樣本分屬不同類別的概率。將MPELM用于剩余使用壽命(remaining useful life,RUL)預測,實驗結果表明,相比于多分類概率支持向量機(multi-class probabilistic support vector machine,MPSVM),MPELM耗時高于MPSVM,但MPELM所需優(yōu)化參數(shù)少,預測精度高于MPSVM;與基于Hastie成對耦合法的MPELM相比,兩者預測精度相近,本文MPELM的測試耗時較少。

    極限學習機;后驗概率;成對耦合法;故障預測

    0 引 言

    ____剩余使用壽命(remaining useful life,RUL)預測[1]作為故障預測與健康管理(prognostics and health management,PHM)重要組成部分,其預測結果是健康管理環(huán)節(jié)制定維修保障決策的重要依據(jù),也是目前故障預測領域研究熱點和難點。根據(jù)文獻[2]分類方法,RUL預測主要包括模型法[3-4]和數(shù)據(jù)驅動法[5]。如文獻[3]根據(jù)鋰離子電池的退化模型,結合無跡粒子濾波預測電池的RUL。但是,實際設備通常難以建立準確的物理模型或者數(shù)學模型,限制了基于模型方法的應用范圍,這種情況下,數(shù)據(jù)驅動法受到了更大關注。

    數(shù)據(jù)驅動法預測RUL主要有基于退化軌跡相似性[5-6],基于狀態(tài)概率估計等方法[7]。其中,文獻[5]根據(jù)同類設備性能退化數(shù)據(jù),建立基于支持向量回歸機(support vector regression,SVR)的退化軌跡模型,實現(xiàn)RUL預測。狀態(tài)概率估計法根據(jù)已知設備的全壽命故障數(shù)據(jù),確定每種退化狀態(tài)對應的訓練樣本和RUL,建立具有概率輸出能力的狀態(tài)分類器,對于被預測設備,根據(jù)分類器得到的其分屬不同退化狀態(tài)的概率,連同每個狀態(tài)對應的RUL計算其剩余使用壽命。如文獻[7]利用概率支持向量機(support vector machine,SVM)預測軸承RUL。然而,SVM中的懲罰參數(shù)和核參數(shù)對預測性能影響較大,若參數(shù)選取不當,會降低RUL預測準確性。

    極限學習機(extreme learning machine,ELM),是由文獻[8]提出的一種單隱層前饋神經(jīng)網(wǎng)絡學習算法。理論上ELM可以提供良好的泛化能力,為解決回歸和分類問題提供一種新途徑,已經(jīng)在時間序列預測[9]、故障診斷[10]等領域得到應用。文獻[11]詳細分析了ELM的分類性能,實驗結果表明,ELM與SVM的分類精度相似,但ELM只需調整一個參數(shù)。與SVM需調整兩個參數(shù)相比,ELM參數(shù)優(yōu)化更易實現(xiàn),同時能降低參數(shù)尋優(yōu)過程復雜度。為利用ELM這一優(yōu)勢,將ELM應用于基于狀態(tài)概率估計的RUL預測方法中,但是,傳統(tǒng)的ELM不具備概率輸出能力。

    為此,本文利用Platt提出的sigmoid后驗概率映射算法[12],將ELM的數(shù)值型輸出映射為概率輸出。為克服sigmoid后驗概率映射法只能用于二分類問題的局限性,采用成對耦合法融合所有的二分類概率輸出。已有的成對耦合法包括投票法[13]、Hastie等人提出的方法[14]等,文獻[15]對比了不同成對耦合法的多分類誤差,實驗結果表明Hastie法的分類準確率高于投票法。但是,Hastie法在計算多分類概率時需要進行多次迭代求解最優(yōu)值,增加了運算時間。為此,本文將成對耦合法轉化為二次規(guī)劃求解最優(yōu)值,推導基于Lagrange乘子法的多分類概率表達式。即對于D分類情況,首先將其分解成D(D-1)/2個二分類問題,利用ELM求解每個二分類情況的數(shù)值輸出,并利用sigmoid后驗概率映射將每個二分類的數(shù)值輸出轉化為概率輸出;然后,采用Lagrange成對耦合法融合所有D(D-1)/2個概率輸出值,最終得到D分類問題的概率輸出。將多分類概率ELM(multi-class probabilistic ELM,MPELM)應用于設備的RUL預測中,某型無人機機載發(fā)射機參考時鐘的RUL預測結果驗證了本文方法的有效性。

    1 極限學習機

    ELM模型的輸出可以表示為

    式中,L為隱含層節(jié)點數(shù)目;ai∈Rn和bi∈R為ELM隱含層的參數(shù);βi∈Rm為第i個隱節(jié)點到輸出節(jié)點的權值;G(ai,bi,x)表示第i個隱節(jié)點的輸出函數(shù),若隱含層為加性隱節(jié)點,則

    式中,ai為連接第i個隱節(jié)點的輸入權值;bi為第i個隱節(jié)點的偏差;g(·)為激活函數(shù)。

    給定由N組數(shù)據(jù)組成的訓練樣本集{(xl,tl)1,其中xl∈Rn為輸入向量,tl∈Rm為對應的期望輸出,即

    將式(3)改寫成矩陣形式,即

    式中

    在ELM學習算法中,ai和bi均為隨機產生,只有β利用{(xl,tl)計算得到。為了提高ELM泛化性能,在解決分類問題時,可以將求解β看成如下優(yōu)化問題[11]:

    式中,訓練誤差εl用于避免過擬合現(xiàn)象;λ為懲罰因子。根據(jù)Karush-Kuhn-Tucker定理[11],式(6)可以轉化為雙重優(yōu)化問題。

    由式(7)可以得到β的最優(yōu)解[11]為

    對被預測樣本x的二分類問題,決策方程為

    對被預測樣本x的多分類問題,決策方程為

    式中,fi(x)為第i個輸出節(jié)點的輸出,且f(x)=[f1(x),…,fm(x)]T。

    2 MPELM

    2.1 Sigmoid函數(shù)概率映射

    對于分類問題,傳統(tǒng)的ELM只能輸出類別結果,即給出被預測樣本屬于某一類別,而缺乏概率輸出能力,即樣本分屬于不同類別的概率。為了將ELM的輸出轉化為概率形式,采用Platt提出的基于sigmoid函數(shù)的后驗概率映射法[12],將ELM的輸出值轉化為后驗概率。對于二分類問題{+1,-1},映射函數(shù)可以表示為

    式中,f+1(x)為ELM對應于類別標簽為+1的輸出,P(t=-1|x)=1-P(t=+1|x)。對于參數(shù)A+1和B+1的確定,需要根據(jù)訓練樣本{(xl,yl)求解以下對數(shù)似然函數(shù)最小值:

    式中

    式中,N+和N-分別為標簽為+1和-1的訓練樣本數(shù)目。采用Levenberg-Marquardt算法求解式(12)中的A+1和B+1,具體算法流程可以參考文獻[12]中的附錄部分。

    2.2 成對耦合法

    Platt提出的Sigmoid函數(shù)后驗概率映射法僅適用于二分類問題,為了解決D分類問題,采用成對耦合法將其分解成D(D-1)/2個二分類問題,其中D>2為類別個數(shù)。對于由第i類別和第j類別組成的二分類問題,記rij為輸入樣本x屬于第i類別的概率值,即

    為了最終計算輸入向量x屬于不同類別i的概率pi,如式(16)所示,需要融合D(D-1)/2個二分類概率值rij。

    融合D(D-1)/2個rij求解pi可以等效為求解以下方程的最小值[16]:

    文獻[16]已經(jīng)證明式(17)中任意優(yōu)化后得到的p={p1,…,pi,…,pD}均能滿足pi≥0,i=1,2,…,D。則式(17)可以變成二次規(guī)劃問題:

    式中

    式中,Qij為式(18)中Q的第i行j列元素,i,j=1,2,…,D。利用Lagrange乘子法求解式(18),則Lagrange函數(shù)為

    令pL(p,α)=0,αL(p,α)=0,得到方程組

    將式(21)寫成分塊矩陣形式

    由式(23)可得

    中的B。因為

    對式(26)進行求解,得

    最后,將BT的值作為輸入向量x屬于不同類別i的概率集合{p1,…,pi,…,pD}。

    2.3 MPELM算法流程

    給定訓練樣本集{(xl,tl),其中xl∈Rn為輸入向量,tl∈{1,…,D}為類別標簽。則整理得多分類概率極限學習機算法步驟如下。

    步驟1將{(xl,tl)分解成D(D-1)/2組二分類{i,j}訓練樣本,其中由類別i和j組成的訓練樣本為{(xl, t′l),t′l∈{i,j}。若t′l=i,則令=1,若t′l=j,則令=-1。從而將{i,j}類訓練樣本變成{(xl,),i,j=1,2,…,D,且i≠j。

    步驟2 將{(xl)}代入式(8)計算其對應的ELM輸出權重βij,按式(28)計算xl對應的ELM輸出fij(xl)。式中,h(xl)按式(5)計算。

    步驟3 利用{fij(xl)}求解{i,j}類對應的參數(shù)Aij和Bij,l=1,2,…,Nij。

    式中,Ni和Nj分別為屬于類別i和類別j的訓練樣本個數(shù),將pl和yl代入式(12)計算Aij和Bij。

    步驟4 對于被預測樣本的輸入向量x,計算其與{i,j}類對應的ELM輸出fij(x)和概率輸出rij,i,j=1,2,…,D,且i≠j。

    步驟5 利用Lagrange乘子法求解多分類概率。即將rij代入式(19)計算Q,然后將Q和式(19)中的A代入式(27)計算B,則BT為被預測樣本的輸入向量x分屬于所有D個類別的概率{p1,…,pD}。

    3 RUL預測

    根據(jù)設備的歷史全壽命數(shù)據(jù),采用狀態(tài)概率估計法預測RUL,其中利用本文提出的MPELM估計當前時刻設備分屬于不同退化狀態(tài)的概率,連同由歷史數(shù)據(jù)確定的不同退化狀態(tài)對應的剩余使用壽命,計算當前設備的RUL?;诙喾诸惛怕蕵O限學習機的RUL預測算法如下。

    (1)利用歷史全壽命數(shù)據(jù)組成訓練樣本{(xl,tl)},其中xl為能反映設備退化程度的故障特征,tl∈{1,…,D}為不同退化狀態(tài)標簽,D為退化狀態(tài)數(shù)目。根據(jù){(xl,tl)}訓練MPELM。

    (2)對于被預測設備,將其當前時刻k的故障特征xk代入訓練好的MPELM,計算設備屬于退化狀態(tài)i(i=1,2,…,D)的概率pi,k。

    (3)k時刻RUL的預測按照下式計算:

    式中,τi為根據(jù)歷史全壽命數(shù)據(jù)確定的退化狀態(tài)i對應的RUL。

    值得注意的是,在RUL預測中,當前設備的壽命數(shù)據(jù)和歷史設備往往存在差異,可能將不屬于任何已知類別的數(shù)據(jù)歸到錯誤的一類,導致RUL預測失效。為克服此問題,可以參考文獻[18]的方法,即利用每種退化類別標簽對應的故障特征訓練一個OCSVMj(一類支持向量機),j=1,2,…,D。對于當前時刻k的故障特征xk,分別將xk送入D個OCSVMj,并判斷xk是否屬于OCSVMj。若結果為xk至少屬于一種OCSVMj,說明xk屬于已知的退化狀態(tài),可以按照本文提出的MPELM預測RUL。反之,說明xk不屬于已知的退化狀態(tài),可能導致RUL預測無效。

    4 實例分析

    4.1 實驗數(shù)據(jù)

    利用某型無人機機載發(fā)射機故障注入實驗臺的故障數(shù)據(jù)驗證本文方法在RUL預測中的有效性,實驗臺主要由發(fā)射機故障注入樣機、計算機、程控測量儀器和直流電源組成,如圖1所示。

    圖1 機載發(fā)射機故障注入實驗臺

    圖2 參考時鐘緩變故障下輸出頻率和功率

    4.2 參數(shù)選擇

    為證明本文方法有效性,采用3種方法:多分類概率支持向量機(MPSVM)、基于Hastie成對耦合法的多分類概率ELM(Hastie-MPELM)、本文提出的基于Lagrange成對耦合法的多分類概率ELM(Lagrange-MPELM),作為設備退化狀態(tài)分類器,預測發(fā)射機RUL。其中,方法1采用LIBSVM工具箱中提供的概率SVM,為了求解式(16)的概率,方法2采用Hastie方法[14]融合不同二分類概率輸出、方法3采用本文推導的Lagrange乘子法融合二分類概率輸出。式(2)中ELM激活函數(shù)g(·)選為sig。實驗環(huán)境為Windows XP系統(tǒng),酷睿i3處理器(主頻3.3 GHz),3.4 GB內存,運行軟件為MATLAB R2011b。

    對于MPSVM,懲罰參數(shù)C和核參數(shù)γ對分類性能影響較大;對于Hastie-MPELM和Lagrange-MPELM,式(8)中的參數(shù)λ和式(3)中的隱節(jié)點數(shù)目L需要人為確定。另一方面,退化狀態(tài)數(shù)D同樣影響著RUL預測的準確性。

    4.2.1 λ和L對MPELM的影響

    對于兩種MPELM,λ和L需要人為確定。分別令兩個參數(shù)λ={2-24,2-23,…,224,225},L={100,200,…,2 000},利用網(wǎng)格搜索法計算每一對λ和L對應的RUL預測準確率,其中第1~3組數(shù)據(jù)用于訓練兩種MPELM,利用第4組數(shù)據(jù)計算RUL準確率,如式(34)所示。同理,對MPSVM,分別令C和γ={2-24,2-23,…,224,225},計算每一對C和γ對應的RUL預測準確率。以退化狀態(tài)數(shù)為4時的情況為例,3種方法的RUL預測準確率如圖3所示。

    式中,Ntest=208為測試樣本的采樣點數(shù);^ξk為RUL的預測值;ξk為RUL的實際值。

    圖3 不同參數(shù)對應的RUL預測準確率

    由圖3可知,對于兩種MPELM,只要λ選擇恰當,L對RUL準確性影響較??;而對于MPSVM,參數(shù)C和γ對RUL準確性影響較大。與MPSVM需要同時優(yōu)化兩個參數(shù)C和γ相比,兩種MPELM只需對λ進行優(yōu)化,從而簡化參數(shù)尋優(yōu)過程。因此,在本文下面的參數(shù)尋優(yōu)過程中,固定L=1 000,分別令Hastie-MPELM和Lagrange-MPELM中的λ、MPSVM中的C和γ在{2-24,2-23,…,224,225}中搜索最優(yōu)參數(shù)。

    4.2.2 參數(shù)優(yōu)化結果

    由4.2.1節(jié)分析結果可知,兩種MPELM的λ,MPSVM的C和γ需人為確定。此外,不同退化狀態(tài)數(shù)目D同樣影響著RUL的預測準確性。為了確定合理的D,選擇已知的一組故障數(shù)據(jù)作為評價標準,計算不同D下該組數(shù)據(jù)的RUL預測準確率,選擇最大準確率對應的D作為選定的退化狀態(tài)個數(shù)。對于本實驗,選擇第4組數(shù)據(jù)用于優(yōu)化D,分別令D=2,3,…,10,D在每種取值下,令λ在{2-24,2-23,…,224,225}中變化,λ每取一次值,利用第1~3組數(shù)據(jù)組成的訓練樣本建立一個Lagrange-MPELM,然后計算其對第4組數(shù)據(jù)的RUL預測準確率,取所有λ中RUL預測準確率最大值作為狀態(tài)數(shù)為D時的準確率,如圖4所示。可以看出,當D=4時,RUL準確率最大,為此,選取退化狀態(tài)數(shù)目為4。其中,第1~3組故障數(shù)據(jù)作為訓練樣本的抽取方式及其對應的RUL如表1所示,利用(208Δt-Ti)/207Δt計算不同退化狀態(tài)對應的RUL,Ti為狀態(tài)i對應的平均工作時間。

    圖4 不同退化狀態(tài)數(shù)對應的RUL預測準確率

    表1 退化狀態(tài)數(shù)為4時的訓練樣本

    固定L=1 000,分別令兩種MPELM中的λ、MPSVM中的C和γ在{2-24,2-23,…,224,225}中搜索最優(yōu)值。對于每一次Hastie-MPELM和Lagrange-MPELM中λ的搜索值,根據(jù)訓練樣本(見表1)建立MPELM模型,利用第4組故障數(shù)據(jù)計算RUL預測準確率,選擇RUL預測準確率最大時對應的λ作為預測RUL的最優(yōu)參數(shù),如表2所示。同理,MPSVM的最優(yōu)C和γ如表2所示。3種方法搜索最優(yōu)參數(shù)的耗時如表2所示,與MPSVM需要同時優(yōu)化2個參數(shù)C和γ相比,2種MPELM只需要優(yōu)化1個參數(shù)λ,所以2種MPELM的尋優(yōu)耗時少于MPSVM。

    表2 最優(yōu)參數(shù)及尋優(yōu)耗時

    4.3 RUL預測

    分別利用3種方法預測第4、5組數(shù)據(jù)的RUL,訓練樣本和狀態(tài)分類器參數(shù)如表1和表2所示。其中,參數(shù)優(yōu)化利用第4組數(shù)據(jù),本文稱其為已知測試樣本,第5組故障數(shù)據(jù)沒有參與分類器的訓練和參數(shù)優(yōu)化過程,本文稱其為未知測試樣本。本文提出的Lagrange-MPELM對第4、5組故障數(shù)據(jù)分屬于4種退化狀態(tài)的概率估計值如圖5所示,發(fā)射機在起始階段屬于狀態(tài)1的概率接近100%,隨著退化過程延續(xù),屬于狀態(tài)1的概率逐漸降低,屬于狀態(tài)2的概率增加,直至最后屬于狀態(tài)4的概率變?yōu)樽畲?,其中相鄰狀態(tài)間曲線的重疊主要由不同樣本間的差異性造成。

    圖5 Lagrange-MPELM對測試樣本分屬于不同退化狀態(tài)的概率估計

    通過計算不同時刻測試樣本分屬于4個退化狀態(tài)的概率(表3為部分時刻3種方法對第5組數(shù)據(jù)的概率輸出值),連同表1所示的不同退化狀態(tài)對應的RUL,利用式(33)計算所有208個時刻測試數(shù)據(jù)的RUL,3種方法對第4、5組測試樣本的RUL預測值和預測誤差絕對值分別如圖6和圖7所示。

    表3 3種方法對第5組數(shù)據(jù)的部分時刻概率輸出(k=4Δt,78Δt,130Δt,204Δt)

    圖6 第4組數(shù)據(jù)(已知樣本)預測結果

    進行50次蒙特卡羅仿真,3種方法的RUL預測準確率、訓練耗時和測試耗時如表4所示,其中RUL預測準確率按式(34)計算,訓練耗時是指利用表1所示的訓練樣本和表2所示的最優(yōu)參數(shù)訓練分類器的時間,測試耗時是指利用訓練好的分類器計算第4組或第5組的208個故障數(shù)據(jù)對應的RUL所需的時間。

    由圖6、圖7和表4可知,對于已知的測試樣本(第4組故障數(shù)據(jù)),3種方法的預測準確率相差不大,但是對于未知的測試樣本(第5組故障數(shù)據(jù)),兩種MPELM的預測精度高于MPSVM,相比之下,Lagrange-MPELM的預測精度略高于Hastie-MPELM。在模型訓練過程中,兩種MPELM方法需要對式(12)進行優(yōu)化,在模型測試過程中,兩種MPELM方法需要融合所有的二分類概率輸出,因此,兩種MPELM方法的訓練耗時和測試耗時高于MPSVM。在模型測試階段,Hastie-MPELM需要通過多步迭代求解所有二分類融合的最優(yōu)值,而Lagrange-MPELM利用式(27)即可求得最優(yōu)值,所以Lagrange-MPELM的測試耗時低于Hastie-MPELM。

    圖7 第5組數(shù)據(jù)(未知樣本)預測結果

    表4 RUL測試準確率和耗時

    5 結 論

    本文根據(jù)極限學習機在多分類問題中泛化能力強、所需優(yōu)化參數(shù)少這兩個優(yōu)點,提出基于多分類概率極限學習機的剩余使用壽命預測算法。利用無人機發(fā)射機的故障數(shù)據(jù)進行實驗驗證,結果表明,在模型參數(shù)優(yōu)化方面,與MPSVM需要優(yōu)化參數(shù)C和γ相比,MPELM只對參數(shù)λ敏感,所以MPELM方法在參數(shù)尋優(yōu)耗時上少于MPSVM;在RUL預測性能方面,MPELM的訓練和測試耗時高于MPSVM,但是MPELM的預測精度優(yōu)于MPSVM。與Hastie-MPELM相比,本文提出的Lagrange-MPELM測試耗時更低。

    [1]Banjevic D.Remaining useful life in theory and practice[J].Metrika,2009,69(2):337- 349.

    [2]Kamal M,Diego A,Tobon M,et al.Remaining useful life estimation of critical components with application tobearings[J].IEEE Trans.on Reliability,2012,61(2):292- 302.

    [3]Miao Q,Xie L,Cui H G,et al.Remaining useful life prediction of lithiumion battery with unscented particle filter technique[J].Microelectronics Reliability,2013,53(6):805- 810.

    [4]Hu C,Jain G,Gorka T.Method for estimating capacity and predicting remaining useful life of lithiumion battery[J].Applied Energy,2014,126(1):182- 189.

    [5]Benkedjouh T,Medjaher K,Zerhouni N,et al.Remaining useful life estimation based on nonlinear feature reduction and support vector regression[J].Engineering Applications of Artificial Intelligence,2013,26(7):1751- 1760.

    [6]Liu J B,Djurdjanovic D,Ni J,et al.Similarity based method for manufacturing process performance prediction and diagnosis[J].Computers in Industry,2007,58(6):558- 566.

    [7]Kim H E,Tan A C C,Mathew J,et al.Bearing fault prognosis based on health state probability estimation[J].Expert Systems with Applications,2012,39(5):5200- 5213.

    [8]Huang G B,Zhu Q Y,Siew C K.Extreme learning machine:theory and applications[J].Neurocomputing,2006,70(1/3):489- 501.

    [9]Kamran J,Rafael G,Noureddine Z.SW-ELM:a summation wavelet extreme learning machine algorithm with a priori parameter initialization[J].Neurocomputing,2014,123(1):299- 307.

    [10]Yuan X,Chen Y J,Zhu Q X.An extension sample classification-based extreme learning machine ensemble method for process fault diagnosis[J].Chemical Engineering&Technology,2014,37(6):911- 918.

    [11]Huang G B,Zhou H M,Ding X J,et al.Extreme learning machine for regression and multiclass classification[J].IEEE Trans.on Systems,Man,and Cybernetics-Part B:Cybernetics,2012,42(2):513- 529.

    [12]Platt J C.Probabilistic outputs for support vector machines and comparisons to regularized likelihood methods[J].Advances in Large Margin Classifiers,1999,10(3):61- 74.

    [13]Miguel M,Eddy M.Improved pairwise coupling classification with correcting classifiers[C]∥Proc.of the 10th European Conference on Machine Learning,1998:160- 171.

    [14]Trevor H,Robert T.Classification by pairwise coupling[J].The Annals of Statistics,1998,26(2):451- 471.

    [15]Miros?aw K,Waldemar W.New variants of pairwise classification[J].European Journal of Operational Research,2009,199(2):512- 519.

    [16]Wu T F,Lin C J,Weng R C.Probability estimates for multiclass classification by pairwise coupling[J].Journal of Machine Learning Research,2004,5(1):975- 1005.

    [17]Yan X,Li Y S,Gao S,et al.Fast method to enforce the passivity of macromodels for the admittance matrix[J].Journal of Xidian University(Natural Science),2011,38(1):153- 158.(閆旭,李玉山,高崧,等.一種實現(xiàn)導納矩陣宏模型無源性的快速方法[J].西安電子科技大學學報(自然科學版),2011,38(1):153- 158.)

    [18]Wang J C,Shan G L,Duan X S,et al.Analog circuit fault diagnosis method combining OCSVM[J].Computer Engineering,2012,38(4):170 -173.(王儉臣,單甘霖,段修生,等.結合OCSVM的模擬電路故障診斷方法[J].計算機工程,2012,38(4):170- 173.)

    Multi-class probabilistic extreme learning machine and its application in remaining useful life prediction

    DU Zhan-long1,LI Xiao-min1,XI Lei-ping1,ZHANG Jin-zhong2,LIU Xin-hai1
    (1.Department of UAV Engineering,Ordnance Engineering College,Shijiazhuang 050003,China;2.Communication Engineering Design and Research Institute of PLA General Staff Headquarters,Shenyang 110000,China)

    To solve the problem that multi-class extreme learning machine(ELM)lacks the ability of probabilistic output,a multi-class probabilistic ELM(MPELM)algorithm is presented based on the combination of sigmoid posterior probability mapping and Lagrange pairwise coupling.Firstly,after separating the multi-class problem into the type of two-class problem by pairwise coupling,each two-class ELM output is transformed to the probabilistic output by sigmoid function.Then,the multi-class probabilistic computing expression is deduced based on the Lagrange multiplier method,which is utilized to fuse all two-class probabilistic outputs.Finally,the probabilistic results of predicted samples belonging to different classes are obtained.The proposed MPELM is applied to remaining useful life(RUL)prognosis.The experiment results show that,compared with multi-class probabilistic support vector machine(MPSVM),though time consuming of the proposed MPELM is higher than MPSVM,less optimized parameter is required while higher forecasting accuracy is achieved by MPELM.The predicting accuracy of the proposed MPELM is similar to MPELM based on the Hastie pairwise coupling(Hastie-MPELM)algorithm.But test time consuming of the proposed MPELM is less than Hastie-MPELM.

    extreme learning machine(ELM);posterior probability;pairwise coupling;fault prediction

    TP 206+.3

    A

    10.3969/j.issn.1001-506X.2015.12.18

    杜占龍(198-6- ),男,博士研究生,主要研究方向為故障診斷和故障預測。

    E-mail:dzl_1986@163.com

    李小民(196-8- ),男,教授,博士,主要研究方向為電子系統(tǒng)性能檢測與故障診斷。

    E-mail:lxmfy2000@263.net

    席雷平(1979- ),男,講師,博士,主要研究方向為檢測技術、自動目標識別。

    E-mail:research_mail@sina.cn

    張金中(198-5- ),男,工程師,主要研究方向為通信設備檢測診斷。

    E-mail:mec_edu@126.com

    劉新海(198-8- ),男,工程師,主要研究方向為自動測試技術、自動測試理論。

    E-mail:18633084961@126.com

    1001-506X(2015)12-2777-08

    2014- 12- 04;

    2015- 03- 17;網(wǎng)絡優(yōu)先出版日期:2015- 08- 17。

    網(wǎng)絡優(yōu)先出版地址:http://www.cnki.net/kcms/detail/11.2422.TN.20150817.1817.010.html

    總裝院校科技創(chuàng)新工程項目(ZYX12080008)資助課題

    猜你喜歡
    訓練樣本準確率概率
    第6講 “統(tǒng)計與概率”復習精講
    第6講 “統(tǒng)計與概率”復習精講
    概率與統(tǒng)計(一)
    概率與統(tǒng)計(二)
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準確率比較探討
    2015—2017 年寧夏各天氣預報參考產品質量檢驗分析
    人工智能
    高速公路車牌識別標識站準確率驗證法
    寬帶光譜成像系統(tǒng)最優(yōu)訓練樣本選擇方法研究
    成人美女网站在线观看视频| 精品午夜福利在线看| 亚洲性夜色夜夜综合| 久久久久九九精品影院| 欧美国产日韩亚洲一区| 国产伦在线观看视频一区| 免费观看的影片在线观看| 精品午夜福利视频在线观看一区| 国产伦在线观看视频一区| 亚洲激情五月婷婷啪啪| 波多野结衣高清作品| videossex国产| 欧美丝袜亚洲另类| 日韩欧美在线乱码| av天堂中文字幕网| 99久久中文字幕三级久久日本| 狠狠狠狠99中文字幕| 久久99热6这里只有精品| 精品国内亚洲2022精品成人| 国产免费一级a男人的天堂| 国产精品av视频在线免费观看| 免费观看人在逋| 精品一区二区三区视频在线| 国产高清三级在线| 一级黄色大片毛片| 精品国产三级普通话版| 男女视频在线观看网站免费| 99热这里只有精品一区| 日韩,欧美,国产一区二区三区 | 最近2019中文字幕mv第一页| 99视频精品全部免费 在线| 一个人看的www免费观看视频| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲性久久影院| 成人永久免费在线观看视频| 少妇被粗大猛烈的视频| 嫩草影院入口| 99热这里只有是精品50| 国产女主播在线喷水免费视频网站 | 我要搜黄色片| 男人狂女人下面高潮的视频| 黄色一级大片看看| 国产精品久久久久久精品电影| 女人十人毛片免费观看3o分钟| 成年女人毛片免费观看观看9| 久久精品夜色国产| 久久久久久久久中文| 日韩人妻高清精品专区| 成人漫画全彩无遮挡| 国产片特级美女逼逼视频| 亚洲在线自拍视频| 99久久久亚洲精品蜜臀av| 国产男人的电影天堂91| 国产麻豆成人av免费视频| 99热精品在线国产| 91久久精品电影网| 嫩草影院精品99| 精品无人区乱码1区二区| 可以在线观看毛片的网站| av在线蜜桃| 日韩三级伦理在线观看| 熟女人妻精品中文字幕| 尾随美女入室| 热99在线观看视频| 久久九九热精品免费| 国产精品一区二区免费欧美| 国内精品美女久久久久久| 国产一区亚洲一区在线观看| 51国产日韩欧美| 午夜视频国产福利| 国产精品亚洲一级av第二区| 日日撸夜夜添| 久99久视频精品免费| 国产色婷婷99| 午夜福利在线观看免费完整高清在 | 亚洲精品色激情综合| 美女cb高潮喷水在线观看| 国内久久婷婷六月综合欲色啪| 国产白丝娇喘喷水9色精品| 成人三级黄色视频| 国产精品日韩av在线免费观看| 亚洲欧美中文字幕日韩二区| 精品久久久久久久人妻蜜臀av| 日韩欧美 国产精品| 少妇的逼好多水| 成人av在线播放网站| 99热精品在线国产| 亚洲美女黄片视频| 美女内射精品一级片tv| 中文字幕久久专区| 亚洲激情五月婷婷啪啪| 深爱激情五月婷婷| 久久久久久久久久久丰满| 在线观看66精品国产| 丰满的人妻完整版| 在现免费观看毛片| 日韩成人伦理影院| 3wmmmm亚洲av在线观看| 一区二区三区免费毛片| 日韩大尺度精品在线看网址| 国产爱豆传媒在线观看| 免费看美女性在线毛片视频| 亚洲精品456在线播放app| 久久久久国产精品人妻aⅴ院| 亚洲成人中文字幕在线播放| 搡老妇女老女人老熟妇| 亚洲久久久久久中文字幕| 一级黄色大片毛片| 十八禁网站免费在线| 午夜免费激情av| 99热这里只有是精品50| 国产女主播在线喷水免费视频网站 | 国产精品久久电影中文字幕| 国产午夜福利久久久久久| 国产男人的电影天堂91| 夜夜夜夜夜久久久久| 内射极品少妇av片p| 一级a爱片免费观看的视频| 色播亚洲综合网| 国产精品永久免费网站| 久久久久久九九精品二区国产| 久久久久久久午夜电影| 精品99又大又爽又粗少妇毛片| 三级男女做爰猛烈吃奶摸视频| 色吧在线观看| 最近在线观看免费完整版| 欧美中文日本在线观看视频| 啦啦啦韩国在线观看视频| 黄色一级大片看看| 身体一侧抽搐| av在线亚洲专区| 国产高潮美女av| 国产一区亚洲一区在线观看| 亚洲性夜色夜夜综合| 性色avwww在线观看| 午夜精品在线福利| 日韩一本色道免费dvd| 天堂影院成人在线观看| 亚洲色图av天堂| 国产高潮美女av| 亚洲av美国av| 毛片一级片免费看久久久久| 午夜激情福利司机影院| 中文字幕人妻熟人妻熟丝袜美| 国产免费男女视频| 国产高清视频在线播放一区| 日韩制服骚丝袜av| 俄罗斯特黄特色一大片| 国产成人影院久久av| 晚上一个人看的免费电影| 国产精品人妻久久久久久| 身体一侧抽搐| 色综合亚洲欧美另类图片| 日本免费a在线| 简卡轻食公司| av在线老鸭窝| .国产精品久久| 欧美bdsm另类| 午夜亚洲福利在线播放| 乱码一卡2卡4卡精品| 久久热精品热| 日日摸夜夜添夜夜爱| av在线老鸭窝| 无遮挡黄片免费观看| 少妇猛男粗大的猛烈进出视频 | 亚洲欧美成人精品一区二区| 国产精品久久久久久精品电影| 亚洲国产色片| 国产探花极品一区二区| 国产精品久久久久久精品电影| 国产淫片久久久久久久久| 97超碰精品成人国产| 久久国产乱子免费精品| 国产精品久久视频播放| 欧美高清成人免费视频www| 黄片wwwwww| 午夜福利视频1000在线观看| 国产免费男女视频| 长腿黑丝高跟| 午夜福利成人在线免费观看| 色哟哟哟哟哟哟| 听说在线观看完整版免费高清| 精品日产1卡2卡| 精品一区二区三区视频在线观看免费| 日本a在线网址| 老女人水多毛片| 亚洲精品日韩在线中文字幕 | 欧美另类亚洲清纯唯美| 国产爱豆传媒在线观看| 少妇猛男粗大的猛烈进出视频 | 日韩人妻高清精品专区| 亚洲aⅴ乱码一区二区在线播放| 真实男女啪啪啪动态图| 国产 一区精品| 高清毛片免费观看视频网站| 亚洲最大成人中文| 免费高清视频大片| 精品日产1卡2卡| 国产成人精品久久久久久| av在线天堂中文字幕| 亚洲美女搞黄在线观看 | 国产69精品久久久久777片| 精品福利观看| 有码 亚洲区| 成熟少妇高潮喷水视频| 全区人妻精品视频| or卡值多少钱| 久久久久久久久久久丰满| 日本免费一区二区三区高清不卡| 天美传媒精品一区二区| 国产在视频线在精品| 嫩草影视91久久| 性插视频无遮挡在线免费观看| 日日摸夜夜添夜夜添小说| 国产一区二区三区av在线 | 级片在线观看| 成人特级黄色片久久久久久久| 亚洲国产欧美人成| 免费在线观看成人毛片| 看十八女毛片水多多多| 女生性感内裤真人,穿戴方法视频| 午夜福利成人在线免费观看| 亚洲成人久久性| 日日干狠狠操夜夜爽| 亚洲三级黄色毛片| 久久精品国产自在天天线| 好男人在线观看高清免费视频| 内射极品少妇av片p| 亚洲自偷自拍三级| 男人狂女人下面高潮的视频| 国产午夜福利久久久久久| 午夜亚洲福利在线播放| 国产成人a区在线观看| 亚洲成人精品中文字幕电影| 亚洲va在线va天堂va国产| 中文资源天堂在线| 我的女老师完整版在线观看| 韩国av在线不卡| 网址你懂的国产日韩在线| 久久精品综合一区二区三区| 亚洲不卡免费看| 日韩一本色道免费dvd| 六月丁香七月| 国产亚洲精品综合一区在线观看| 日日撸夜夜添| 免费看av在线观看网站| 永久网站在线| 久久6这里有精品| 亚洲人成网站高清观看| 日韩欧美精品v在线| 老司机影院成人| 黄色一级大片看看| 久久久久久久午夜电影| 亚洲第一电影网av| 欧美日本亚洲视频在线播放| 禁无遮挡网站| 又黄又爽又免费观看的视频| 亚洲无线在线观看| 国产综合懂色| 人妻夜夜爽99麻豆av| 亚洲综合色惰| 国产精品爽爽va在线观看网站| а√天堂www在线а√下载| 国产精品久久电影中文字幕| 国产成人一区二区在线| 中文字幕av成人在线电影| 有码 亚洲区| 三级毛片av免费| 成人精品一区二区免费| 波多野结衣高清无吗| 我要看日韩黄色一级片| 色视频www国产| 欧美人与善性xxx| 亚洲精品成人久久久久久| 一区二区三区四区激情视频 | 国产视频内射| 一个人看视频在线观看www免费| 亚洲成人中文字幕在线播放| 99国产精品一区二区蜜桃av| 国内久久婷婷六月综合欲色啪| 国产视频一区二区在线看| 97超视频在线观看视频| 亚洲成人久久爱视频| 女同久久另类99精品国产91| 91久久精品国产一区二区三区| 国产aⅴ精品一区二区三区波| 少妇人妻一区二区三区视频| 亚洲国产精品成人久久小说 | 国产成人91sexporn| 欧美3d第一页| 22中文网久久字幕| 午夜福利在线观看吧| 日韩,欧美,国产一区二区三区 | 亚洲熟妇熟女久久| 日本三级黄在线观看| 国产三级在线视频| 成人性生交大片免费视频hd| 女同久久另类99精品国产91| 日日干狠狠操夜夜爽| 18+在线观看网站| 波多野结衣高清作品| 国产av一区在线观看免费| 日韩中字成人| 国产亚洲欧美98| 老熟妇仑乱视频hdxx| 午夜福利视频1000在线观看| 白带黄色成豆腐渣| 在线观看美女被高潮喷水网站| 国产av麻豆久久久久久久| 国产私拍福利视频在线观看| 欧美另类亚洲清纯唯美| 亚洲自拍偷在线| 精品人妻熟女av久视频| 成年女人看的毛片在线观看| 卡戴珊不雅视频在线播放| 搡老熟女国产l中国老女人| 亚洲精品粉嫩美女一区| 亚洲人成网站高清观看| 国产伦精品一区二区三区视频9| 亚洲一区高清亚洲精品| 一级av片app| 在线天堂最新版资源| 亚洲aⅴ乱码一区二区在线播放| 伦精品一区二区三区| 欧美一区二区国产精品久久精品| 国产成人a区在线观看| 免费av毛片视频| 亚洲av电影不卡..在线观看| 亚洲成人精品中文字幕电影| 99热6这里只有精品| 身体一侧抽搐| 午夜福利视频1000在线观看| av福利片在线观看| 丝袜美腿在线中文| 国产免费男女视频| 俄罗斯特黄特色一大片| 在线国产一区二区在线| 色在线成人网| 日韩亚洲欧美综合| 亚洲中文字幕日韩| 嫩草影院入口| 色综合色国产| 一夜夜www| 91狼人影院| 我要看日韩黄色一级片| 少妇的逼水好多| 免费高清视频大片| 国产成人a区在线观看| 久久久久久久久大av| 亚洲久久久久久中文字幕| av国产免费在线观看| 在线看三级毛片| 在线观看av片永久免费下载| 国产片特级美女逼逼视频| 精品熟女少妇av免费看| 最近手机中文字幕大全| 在线观看免费视频日本深夜| 97热精品久久久久久| 亚洲av二区三区四区| 女人十人毛片免费观看3o分钟| 两性午夜刺激爽爽歪歪视频在线观看| 免费看美女性在线毛片视频| 日日摸夜夜添夜夜添av毛片| 淫秽高清视频在线观看| 真人做人爱边吃奶动态| 亚洲国产欧美人成| 日韩一区二区视频免费看| 少妇的逼好多水| 精品一区二区三区av网在线观看| 久久中文看片网| 国产aⅴ精品一区二区三区波| 亚洲av.av天堂| 在线播放国产精品三级| 男女做爰动态图高潮gif福利片| 精品99又大又爽又粗少妇毛片| 日韩中字成人| 人妻久久中文字幕网| 少妇人妻一区二区三区视频| 男人狂女人下面高潮的视频| 国产真实伦视频高清在线观看| 97超级碰碰碰精品色视频在线观看| 久久欧美精品欧美久久欧美| 熟女人妻精品中文字幕| 大型黄色视频在线免费观看| 国产成人aa在线观看| 中文字幕av成人在线电影| 可以在线观看的亚洲视频| 欧美一区二区精品小视频在线| 久久久色成人| 老熟妇仑乱视频hdxx| 久99久视频精品免费| 天天躁夜夜躁狠狠久久av| 狂野欧美白嫩少妇大欣赏| 大型黄色视频在线免费观看| 久久精品夜色国产| 亚洲精品在线观看二区| a级毛色黄片| 国产午夜精品久久久久久一区二区三区 | 中文字幕久久专区| 少妇的逼好多水| 天堂av国产一区二区熟女人妻| 免费不卡的大黄色大毛片视频在线观看 | 欧美日韩在线观看h| 成年免费大片在线观看| 国产精品无大码| 国产单亲对白刺激| 看非洲黑人一级黄片| 中文字幕免费在线视频6| 黄片wwwwww| 蜜桃久久精品国产亚洲av| 婷婷六月久久综合丁香| 天堂影院成人在线观看| 亚洲av免费在线观看| 成人综合一区亚洲| 国国产精品蜜臀av免费| 国产精品人妻久久久久久| 国产精品女同一区二区软件| 日韩,欧美,国产一区二区三区 | 欧美日韩乱码在线| 亚洲欧美日韩东京热| 免费人成视频x8x8入口观看| 在线观看66精品国产| 最近手机中文字幕大全| 三级国产精品欧美在线观看| 午夜精品国产一区二区电影 | 一进一出抽搐gif免费好疼| 亚洲七黄色美女视频| 波多野结衣巨乳人妻| 国产精品一及| 欧美另类亚洲清纯唯美| 日本与韩国留学比较| 亚洲欧美日韩高清专用| 在线天堂最新版资源| 久久6这里有精品| 欧美+日韩+精品| 亚洲无线在线观看| 久久精品国产鲁丝片午夜精品| 国内少妇人妻偷人精品xxx网站| 丝袜美腿在线中文| 成人精品一区二区免费| 国产av不卡久久| 日韩一区二区视频免费看| 噜噜噜噜噜久久久久久91| 日韩国内少妇激情av| av卡一久久| 亚洲人成网站在线播放欧美日韩| 亚洲欧美日韩高清专用| 亚洲精品日韩在线中文字幕 | 久久鲁丝午夜福利片| 18禁在线无遮挡免费观看视频 | 色视频www国产| 看非洲黑人一级黄片| av黄色大香蕉| 有码 亚洲区| 尾随美女入室| 免费人成视频x8x8入口观看| 久久精品91蜜桃| 三级毛片av免费| 人人妻,人人澡人人爽秒播| 午夜福利视频1000在线观看| 干丝袜人妻中文字幕| 亚洲三级黄色毛片| 日韩精品有码人妻一区| 国产久久久一区二区三区| 精品熟女少妇av免费看| 一边摸一边抽搐一进一小说| 久久久久国产精品人妻aⅴ院| 综合色丁香网| 亚洲成av人片在线播放无| 男女边吃奶边做爰视频| 啦啦啦观看免费观看视频高清| 色吧在线观看| 日韩欧美国产在线观看| 日韩精品有码人妻一区| 中文字幕免费在线视频6| 3wmmmm亚洲av在线观看| 极品教师在线视频| 亚洲乱码一区二区免费版| 人妻久久中文字幕网| 精品乱码久久久久久99久播| 91在线观看av| 日韩av在线大香蕉| 一区二区三区高清视频在线| 啦啦啦啦在线视频资源| 我的女老师完整版在线观看| 免费av观看视频| 久久韩国三级中文字幕| 一进一出抽搐gif免费好疼| 欧美中文日本在线观看视频| 精品乱码久久久久久99久播| 久久亚洲国产成人精品v| 亚洲精品影视一区二区三区av| 身体一侧抽搐| 免费看日本二区| 国产精品免费一区二区三区在线| 91在线观看av| 在线观看午夜福利视频| 神马国产精品三级电影在线观看| 亚洲不卡免费看| 麻豆国产97在线/欧美| 国产精品乱码一区二三区的特点| 日本一二三区视频观看| 亚洲真实伦在线观看| 国产精品永久免费网站| 欧美性猛交黑人性爽| 成年版毛片免费区| 国产成人aa在线观看| eeuss影院久久| 黄色欧美视频在线观看| 91在线精品国自产拍蜜月| 不卡一级毛片| 蜜桃亚洲精品一区二区三区| 久久精品国产清高在天天线| 国产精品人妻久久久久久| 美女内射精品一级片tv| 亚洲精品日韩在线中文字幕 | 中文字幕av在线有码专区| 亚洲欧美日韩卡通动漫| 日本-黄色视频高清免费观看| 国产亚洲欧美98| 色吧在线观看| av在线亚洲专区| 久久久久九九精品影院| 国产精品福利在线免费观看| 丝袜喷水一区| 观看美女的网站| 亚洲电影在线观看av| 亚洲一区高清亚洲精品| 黑人高潮一二区| 久久精品国产亚洲av涩爱 | 啦啦啦韩国在线观看视频| 狠狠狠狠99中文字幕| 我的老师免费观看完整版| 国产精品久久久久久久久免| 天堂动漫精品| 日本熟妇午夜| 亚洲国产色片| 久久精品夜夜夜夜夜久久蜜豆| 国产精品电影一区二区三区| 免费搜索国产男女视频| 日韩精品青青久久久久久| 成年av动漫网址| 欧美一区二区国产精品久久精品| 波野结衣二区三区在线| 好男人在线观看高清免费视频| 日本色播在线视频| 国产精品电影一区二区三区| 色播亚洲综合网| 91午夜精品亚洲一区二区三区| 欧美国产日韩亚洲一区| 一级毛片电影观看 | 两个人视频免费观看高清| 国产久久久一区二区三区| 有码 亚洲区| 中文字幕av在线有码专区| 欧美性猛交╳xxx乱大交人| 夜夜看夜夜爽夜夜摸| 久久午夜福利片| 九九在线视频观看精品| 桃色一区二区三区在线观看| 日本精品一区二区三区蜜桃| 日韩大尺度精品在线看网址| 日韩成人av中文字幕在线观看 | av在线天堂中文字幕| 国产亚洲精品av在线| 99久久精品国产国产毛片| av国产免费在线观看| 亚洲欧美精品综合久久99| 九色成人免费人妻av| 一个人看的www免费观看视频| 三级毛片av免费| 精品一区二区三区人妻视频| 成人性生交大片免费视频hd| 亚洲真实伦在线观看| 性欧美人与动物交配| 色噜噜av男人的天堂激情| 国产色婷婷99| 国产精品久久久久久av不卡| 日本五十路高清| 成年免费大片在线观看| 国产男人的电影天堂91| 三级经典国产精品| 国产日本99.免费观看| 最新中文字幕久久久久| 国产亚洲精品综合一区在线观看| 国产亚洲av嫩草精品影院| 悠悠久久av| 在线播放国产精品三级| 综合色丁香网| 伊人久久精品亚洲午夜| 在线观看午夜福利视频| 久久国产乱子免费精品| 亚洲av成人精品一区久久| 在线免费观看的www视频| 国产精品野战在线观看| 午夜福利在线在线| 国产精品精品国产色婷婷| 啦啦啦韩国在线观看视频| 久久久精品欧美日韩精品| 在线播放国产精品三级| 国产精品一区二区三区四区久久| 午夜日韩欧美国产| 长腿黑丝高跟| 在线播放无遮挡| 变态另类丝袜制服| 久久久久免费精品人妻一区二区| 日韩强制内射视频| 免费人成在线观看视频色| 欧美一区二区国产精品久久精品| 国产久久久一区二区三区| 美女大奶头视频| 久久人人爽人人片av| 国产精品一区二区性色av| 男人和女人高潮做爰伦理| 亚洲精品在线观看二区|