• <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
    激情五月婷婷亚洲| 日韩 欧美 亚洲 中文字幕| 亚洲精品第二区| 久久久久久久久免费视频了| 亚洲免费av在线视频| 久久精品久久久久久噜噜老黄| 美女大奶头黄色视频| 极品少妇高潮喷水抽搐| 亚洲 国产 在线| 91字幕亚洲| 男人舔女人的私密视频| 亚洲图色成人| 天天躁夜夜躁狠狠躁躁| 亚洲图色成人| 久久久久久久大尺度免费视频| 婷婷色av中文字幕| 777久久人妻少妇嫩草av网站| 在线观看免费高清a一片| 亚洲国产欧美网| 日日摸夜夜添夜夜爱| 成年女人毛片免费观看观看9 | 国产亚洲午夜精品一区二区久久| 免费高清在线观看视频在线观看| 久久精品国产亚洲av涩爱| 一个人免费看片子| 99久久综合免费| 日日摸夜夜添夜夜爱| 国产99久久九九免费精品| www.精华液| 成人国语在线视频| 久久久久久亚洲精品国产蜜桃av| 免费人妻精品一区二区三区视频| 国产成人精品无人区| 女性生殖器流出的白浆| 日韩熟女老妇一区二区性免费视频| 女性生殖器流出的白浆| www.av在线官网国产| 成人免费观看视频高清| 欧美日本中文国产一区发布| 久久亚洲国产成人精品v| 久久亚洲国产成人精品v| 少妇精品久久久久久久| 精品亚洲成a人片在线观看| 久久久久久免费高清国产稀缺| 国产精品熟女久久久久浪| 日韩免费高清中文字幕av| 亚洲伊人色综图| 狂野欧美激情性bbbbbb| 亚洲专区国产一区二区| 久久久精品区二区三区| 精品少妇一区二区三区视频日本电影| 男人爽女人下面视频在线观看| 高清欧美精品videossex| 午夜福利影视在线免费观看| 人妻人人澡人人爽人人| av电影中文网址| 老司机亚洲免费影院| 免费日韩欧美在线观看| 久久国产精品影院| 50天的宝宝边吃奶边哭怎么回事| 久久精品久久久久久噜噜老黄| 视频区图区小说| 亚洲成国产人片在线观看| √禁漫天堂资源中文www| 欧美日韩亚洲国产一区二区在线观看 | 亚洲欧洲日产国产| 国产男人的电影天堂91| 中国国产av一级| 黑人欧美特级aaaaaa片| 少妇的丰满在线观看| 天天影视国产精品| 亚洲av成人不卡在线观看播放网 | 亚洲人成电影免费在线| 久久精品国产a三级三级三级| 秋霞在线观看毛片| 亚洲国产欧美日韩在线播放| 久久久国产欧美日韩av| 日韩电影二区| 99re6热这里在线精品视频| 国产在线免费精品| 日本a在线网址| 日韩一本色道免费dvd| 日本色播在线视频| 午夜老司机福利片| 国产精品人妻久久久影院| svipshipincom国产片| 欧美国产精品一级二级三级| 校园人妻丝袜中文字幕| 王馨瑶露胸无遮挡在线观看| 又黄又粗又硬又大视频| 女性被躁到高潮视频| 亚洲欧美一区二区三区国产| 韩国高清视频一区二区三区| 每晚都被弄得嗷嗷叫到高潮| 欧美av亚洲av综合av国产av| 青春草视频在线免费观看| 国产伦理片在线播放av一区| 久久精品人人爽人人爽视色| 精品国产一区二区三区久久久樱花| 丝袜美腿诱惑在线| 国产女主播在线喷水免费视频网站| 这个男人来自地球电影免费观看| 1024视频免费在线观看| 大香蕉久久成人网| 最黄视频免费看| 日韩中文字幕视频在线看片| 丰满迷人的少妇在线观看| 久久精品国产综合久久久| 欧美日韩av久久| 国产亚洲av高清不卡| 在线观看www视频免费| 午夜精品国产一区二区电影| 极品少妇高潮喷水抽搐| 国产亚洲精品第一综合不卡| avwww免费| 久久av网站| 欧美日本中文国产一区发布| 欧美日本中文国产一区发布| 男女床上黄色一级片免费看| 国产成人精品久久久久久| 国产精品一国产av| 欧美黄色淫秽网站| 久久久久精品国产欧美久久久 | 欧美xxⅹ黑人| 嫁个100分男人电影在线观看 | www.自偷自拍.com| 青春草视频在线免费观看| 熟女av电影| 中文字幕人妻丝袜一区二区| 美女脱内裤让男人舔精品视频| 亚洲国产精品一区二区三区在线| 最近中文字幕2019免费版| 在线看a的网站| 久久久亚洲精品成人影院| 亚洲av国产av综合av卡| 99香蕉大伊视频| 少妇人妻久久综合中文| 桃花免费在线播放| 国产精品三级大全| 国产日韩欧美在线精品| 久久精品国产综合久久久| 一边摸一边抽搐一进一出视频| 性色av一级| 亚洲av成人不卡在线观看播放网 | 97人妻天天添夜夜摸| 国产日韩欧美视频二区| 激情视频va一区二区三区| 在线亚洲精品国产二区图片欧美| videos熟女内射| 欧美变态另类bdsm刘玥| 少妇裸体淫交视频免费看高清 | 乱人伦中国视频| 国产精品久久久av美女十八| 1024香蕉在线观看| 国产欧美亚洲国产| 国产成人精品无人区| 欧美日韩福利视频一区二区| 黄色片一级片一级黄色片| 免费久久久久久久精品成人欧美视频| 免费一级毛片在线播放高清视频 | 亚洲自偷自拍图片 自拍| 又紧又爽又黄一区二区| 国产日韩欧美视频二区| 亚洲 国产 在线| 国产主播在线观看一区二区 | 少妇的丰满在线观看| 大片电影免费在线观看免费| 女警被强在线播放| 日韩av免费高清视频| 亚洲,一卡二卡三卡| 97人妻天天添夜夜摸| 亚洲av成人不卡在线观看播放网 | 国产精品香港三级国产av潘金莲 | 校园人妻丝袜中文字幕| 一本久久精品| 亚洲精品成人av观看孕妇| 国产精品久久久av美女十八| 亚洲精品美女久久av网站| 永久免费av网站大全| 人人妻人人澡人人看| 国产激情久久老熟女| 丰满少妇做爰视频| 麻豆乱淫一区二区| 成年av动漫网址| 国产成人一区二区在线| 母亲3免费完整高清在线观看| 少妇的丰满在线观看| 久久青草综合色| 高清不卡的av网站| 亚洲熟女毛片儿| 国产日韩欧美在线精品| 亚洲人成77777在线视频| 午夜av观看不卡| 亚洲欧洲日产国产| 国产精品熟女久久久久浪| 嫩草影视91久久| 国产精品二区激情视频| 纵有疾风起免费观看全集完整版| 女人精品久久久久毛片| 丁香六月欧美| 中文字幕亚洲精品专区| 熟女av电影| 一级,二级,三级黄色视频| 自拍欧美九色日韩亚洲蝌蚪91| 又黄又粗又硬又大视频| 97在线人人人人妻| 黄色视频不卡| 久9热在线精品视频| 美女扒开内裤让男人捅视频| 热re99久久国产66热| 欧美性长视频在线观看| 亚洲国产毛片av蜜桃av| 免费观看人在逋| 亚洲伊人久久精品综合| 啦啦啦视频在线资源免费观看| 久久久精品区二区三区| a级片在线免费高清观看视频| 男女免费视频国产| 日韩人妻精品一区2区三区| 99国产精品一区二区蜜桃av | 乱人伦中国视频| 国产高清视频在线播放一区 | 亚洲精品国产av成人精品| 91九色精品人成在线观看| 一边摸一边抽搐一进一出视频| 精品少妇一区二区三区视频日本电影| 国产精品国产三级国产专区5o| 又紧又爽又黄一区二区| 亚洲五月色婷婷综合| 熟女少妇亚洲综合色aaa.| 国产一区二区在线观看av| 精品久久久久久电影网| 极品人妻少妇av视频| 国产麻豆69| 在线 av 中文字幕| netflix在线观看网站| 激情视频va一区二区三区| 国产主播在线观看一区二区 | netflix在线观看网站| 亚洲三区欧美一区| 亚洲视频免费观看视频| 国产女主播在线喷水免费视频网站| av片东京热男人的天堂| 美女福利国产在线| 亚洲国产成人一精品久久久| 国产一卡二卡三卡精品| 满18在线观看网站| 免费高清在线观看视频在线观看| 成人影院久久| 亚洲中文日韩欧美视频| 天堂俺去俺来也www色官网| 黄色a级毛片大全视频| 日韩 亚洲 欧美在线| 日本欧美视频一区| 成年美女黄网站色视频大全免费| 各种免费的搞黄视频| 一级毛片我不卡| 成人国产一区最新在线观看 | 美女扒开内裤让男人捅视频| 欧美精品啪啪一区二区三区 | 最近手机中文字幕大全| 人人妻,人人澡人人爽秒播 | 69精品国产乱码久久久| 黑人猛操日本美女一级片| 一本大道久久a久久精品| av线在线观看网站| 国产精品九九99| 欧美成狂野欧美在线观看| 国精品久久久久久国模美| 亚洲国产成人一精品久久久| 国产欧美亚洲国产| 麻豆国产av国片精品| 欧美日韩视频高清一区二区三区二| 欧美日韩亚洲高清精品| 日韩熟女老妇一区二区性免费视频| 女警被强在线播放| 精品高清国产在线一区| 午夜免费成人在线视频| 女性生殖器流出的白浆| av福利片在线| 国产免费视频播放在线视频| 亚洲成人免费电影在线观看 | 十分钟在线观看高清视频www| 91精品国产国语对白视频| 亚洲少妇的诱惑av| 午夜福利在线免费观看网站| 日韩大片免费观看网站| 高清欧美精品videossex| 涩涩av久久男人的天堂| 国产亚洲精品久久久久5区| 狂野欧美激情性xxxx| 天天躁日日躁夜夜躁夜夜| 天天躁狠狠躁夜夜躁狠狠躁| 99国产综合亚洲精品| 一区二区av电影网| 一级毛片女人18水好多 | 色精品久久人妻99蜜桃| 免费av中文字幕在线| 久久国产精品影院| 考比视频在线观看| 欧美精品一区二区大全| 女人精品久久久久毛片| 高清欧美精品videossex| 亚洲国产毛片av蜜桃av| 大型av网站在线播放| 一边亲一边摸免费视频| 国产精品久久久久久精品电影小说| 国产精品麻豆人妻色哟哟久久| 中文字幕另类日韩欧美亚洲嫩草| 日本vs欧美在线观看视频| 99久久99久久久精品蜜桃| 国产深夜福利视频在线观看| 99国产综合亚洲精品| 欧美黄色淫秽网站| 免费在线观看视频国产中文字幕亚洲 | 菩萨蛮人人尽说江南好唐韦庄| 少妇猛男粗大的猛烈进出视频| 亚洲av在线观看美女高潮| 国产高清不卡午夜福利| 国产一区二区在线观看av| 人妻人人澡人人爽人人| av欧美777| 一区二区三区精品91| 中国国产av一级| 欧美日韩亚洲高清精品| 成人亚洲精品一区在线观看| 亚洲人成电影免费在线| 日日摸夜夜添夜夜爱| 国产深夜福利视频在线观看| 亚洲欧美精品自产自拍| 国产片内射在线| 日韩一区二区三区影片| www.av在线官网国产| 少妇人妻久久综合中文| 美国免费a级毛片| 亚洲第一av免费看| 99国产精品一区二区蜜桃av | 亚洲一卡2卡3卡4卡5卡精品中文| 国产精品一区二区在线不卡| 亚洲欧美精品综合一区二区三区| 少妇被粗大的猛进出69影院| 久久99精品国语久久久| 国产免费视频播放在线视频| 亚洲伊人色综图| 中文字幕人妻丝袜制服| www.熟女人妻精品国产| 精品国产超薄肉色丝袜足j| 国产高清不卡午夜福利| 首页视频小说图片口味搜索 | 免费在线观看完整版高清| 18禁黄网站禁片午夜丰满| av电影中文网址| 精品人妻一区二区三区麻豆| 最新在线观看一区二区三区 | 美女国产高潮福利片在线看| 午夜免费观看性视频| 91国产中文字幕| 亚洲精品av麻豆狂野| tube8黄色片| 男女之事视频高清在线观看 | 又紧又爽又黄一区二区| 黄色一级大片看看| 成人国语在线视频| 欧美国产精品va在线观看不卡| 久久亚洲精品不卡| 欧美亚洲 丝袜 人妻 在线| 免费一级毛片在线播放高清视频 | 黑人巨大精品欧美一区二区蜜桃| 欧美日韩亚洲综合一区二区三区_| 成年女人毛片免费观看观看9 | 久久影院123| 日韩一区二区三区影片| 国产在线视频一区二区| 精品国产一区二区久久| 婷婷色综合www| 国产av一区二区精品久久| 国产精品久久久久久人妻精品电影 | 一级毛片黄色毛片免费观看视频| 这个男人来自地球电影免费观看| avwww免费| 999久久久国产精品视频| 亚洲第一av免费看| 美女高潮到喷水免费观看| 成年美女黄网站色视频大全免费| 只有这里有精品99| 啦啦啦在线观看免费高清www| 亚洲,一卡二卡三卡| 亚洲五月色婷婷综合| 日韩电影二区| 免费观看人在逋| 亚洲精品乱久久久久久| 国产成人免费无遮挡视频| 黄色视频在线播放观看不卡| 精品人妻1区二区| 丝袜人妻中文字幕| 国产成人精品久久二区二区免费| av欧美777| 极品人妻少妇av视频| 国产视频一区二区在线看| 美女高潮到喷水免费观看| 一级,二级,三级黄色视频| 午夜日韩欧美国产| 精品国产一区二区三区四区第35| 国产精品一国产av| 欧美 亚洲 国产 日韩一| 欧美人与善性xxx| 精品欧美一区二区三区在线| 国产精品99久久99久久久不卡| 国产精品一区二区在线观看99| 久久久久国产一级毛片高清牌| 欧美亚洲日本最大视频资源| 性色av乱码一区二区三区2| 天堂8中文在线网| 国产亚洲精品第一综合不卡| 婷婷色麻豆天堂久久| 国语对白做爰xxxⅹ性视频网站| 午夜福利乱码中文字幕| 99热国产这里只有精品6| 丝袜脚勾引网站| 成在线人永久免费视频| 50天的宝宝边吃奶边哭怎么回事| 午夜影院在线不卡| 久9热在线精品视频| 欧美精品亚洲一区二区| 性高湖久久久久久久久免费观看| 激情五月婷婷亚洲| 亚洲图色成人| 亚洲五月婷婷丁香| 在现免费观看毛片| 19禁男女啪啪无遮挡网站| 国产精品三级大全| 午夜免费成人在线视频| 国产精品一国产av| 中文乱码字字幕精品一区二区三区| 看免费成人av毛片| 国产日韩一区二区三区精品不卡| 国产亚洲av片在线观看秒播厂| 国产熟女午夜一区二区三区| 亚洲国产中文字幕在线视频| 丝袜脚勾引网站| 国产精品香港三级国产av潘金莲 | 国产97色在线日韩免费| 99九九在线精品视频| 男女午夜视频在线观看| 免费女性裸体啪啪无遮挡网站| 精品欧美一区二区三区在线| 免费日韩欧美在线观看| 美女午夜性视频免费| 性色av乱码一区二区三区2| √禁漫天堂资源中文www| 日韩 亚洲 欧美在线| 亚洲,欧美精品.| 日本午夜av视频| 亚洲欧美日韩高清在线视频 | 午夜福利一区二区在线看| 亚洲黑人精品在线| 熟女少妇亚洲综合色aaa.| a级毛片黄视频| 久久狼人影院| 在线天堂中文资源库| 久久女婷五月综合色啪小说| 极品人妻少妇av视频| 高清欧美精品videossex| 国产精品久久久av美女十八| 精品熟女少妇八av免费久了| 下体分泌物呈黄色| 免费高清在线观看日韩| 黄色怎么调成土黄色| 午夜福利一区二区在线看| 国产一区亚洲一区在线观看| 超碰97精品在线观看| 久久天躁狠狠躁夜夜2o2o | 日本黄色日本黄色录像| 少妇的丰满在线观看| 亚洲精品国产av蜜桃| 亚洲精品日韩在线中文字幕| 国产老妇伦熟女老妇高清| 精品国产一区二区三区久久久樱花| 黑人猛操日本美女一级片| 日本91视频免费播放| 免费高清在线观看视频在线观看| 亚洲欧美中文字幕日韩二区| 久久国产精品大桥未久av| av在线播放精品| 欧美老熟妇乱子伦牲交| 午夜久久久在线观看| 在线观看一区二区三区激情| 一区二区av电影网| 又紧又爽又黄一区二区| 永久免费av网站大全| 夜夜骑夜夜射夜夜干| 国产成人精品在线电影| 精品少妇久久久久久888优播| 在线观看一区二区三区激情| bbb黄色大片| 天堂俺去俺来也www色官网| 天天操日日干夜夜撸| 国产成人a∨麻豆精品| 两个人免费观看高清视频| 亚洲av男天堂| 日韩制服丝袜自拍偷拍| 国产一区二区三区av在线| 色婷婷久久久亚洲欧美| 久久女婷五月综合色啪小说| 久久综合国产亚洲精品| h视频一区二区三区| 2018国产大陆天天弄谢| 巨乳人妻的诱惑在线观看| 操美女的视频在线观看| 欧美成人午夜精品| 免费观看av网站的网址| 一区二区三区乱码不卡18| 欧美激情 高清一区二区三区| 激情五月婷婷亚洲| 国产主播在线观看一区二区 | 国产精品久久久久久精品古装| 国产福利在线免费观看视频| 一本久久精品| 国产男女超爽视频在线观看| 精品少妇久久久久久888优播| 高清视频免费观看一区二区| 成人18禁高潮啪啪吃奶动态图| 国产主播在线观看一区二区 | 少妇精品久久久久久久| 久久久精品国产亚洲av高清涩受| 飞空精品影院首页| 国产精品偷伦视频观看了| 欧美成人午夜精品| 免费看十八禁软件| 丝袜脚勾引网站| 纵有疾风起免费观看全集完整版| 最近手机中文字幕大全| 国产男女超爽视频在线观看| 午夜免费鲁丝| 巨乳人妻的诱惑在线观看| 汤姆久久久久久久影院中文字幕| 久久久久精品国产欧美久久久 | 精品一区二区三卡| 亚洲av日韩精品久久久久久密 | 亚洲专区国产一区二区| 久久精品国产亚洲av高清一级| 亚洲精品久久午夜乱码| 黄片小视频在线播放| √禁漫天堂资源中文www| 在线观看一区二区三区激情| 免费在线观看黄色视频的| 婷婷成人精品国产| 国产黄色免费在线视频| a 毛片基地| 欧美精品人与动牲交sv欧美| 欧美人与性动交α欧美软件| 日韩熟女老妇一区二区性免费视频| 青春草亚洲视频在线观看| 日韩精品免费视频一区二区三区| 在线av久久热| 精品人妻一区二区三区麻豆| 极品人妻少妇av视频| av线在线观看网站| 午夜老司机福利片| 国产一级毛片在线| 中文欧美无线码| 韩国高清视频一区二区三区| 国产黄频视频在线观看| 亚洲熟女毛片儿| 18在线观看网站| 一级黄色大片毛片| 亚洲国产欧美一区二区综合| 精品卡一卡二卡四卡免费| av有码第一页| av国产精品久久久久影院| 老汉色av国产亚洲站长工具| 欧美日韩视频高清一区二区三区二| 亚洲,欧美精品.| 精品一区二区三区av网在线观看 | 少妇人妻 视频| 亚洲精品在线美女| 波多野结衣一区麻豆| 国产精品久久久久久精品古装| 这个男人来自地球电影免费观看| 97精品久久久久久久久久精品| 交换朋友夫妻互换小说| 2021少妇久久久久久久久久久| 欧美激情高清一区二区三区| 日日摸夜夜添夜夜爱| 最近中文字幕2019免费版| 中文字幕精品免费在线观看视频| 大陆偷拍与自拍| 9191精品国产免费久久| 久久女婷五月综合色啪小说| 欧美日韩国产mv在线观看视频| 波野结衣二区三区在线| 丰满少妇做爰视频| 狠狠婷婷综合久久久久久88av| 曰老女人黄片| 男的添女的下面高潮视频| 狂野欧美激情性bbbbbb| 久久天躁狠狠躁夜夜2o2o | 你懂的网址亚洲精品在线观看| 色婷婷久久久亚洲欧美| 国产女主播在线喷水免费视频网站| a级毛片黄视频| 只有这里有精品99| 丝袜在线中文字幕| 亚洲av成人精品一二三区| 波多野结衣av一区二区av| 一级毛片 在线播放| 亚洲少妇的诱惑av| 色综合欧美亚洲国产小说| 巨乳人妻的诱惑在线观看| 2018国产大陆天天弄谢| 亚洲视频免费观看视频| 久久国产亚洲av麻豆专区| 看十八女毛片水多多多| 欧美乱码精品一区二区三区| 免费观看人在逋|