• <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 ?

    基于特征選擇和GWO-KELM的鳥(niǎo)聲識(shí)別算法

    2022-12-05 07:49:44李大鵬周曉彥徐華南
    聲學(xué)技術(shù) 2022年5期
    關(guān)鍵詞:鳥(niǎo)聲灰狼特征選擇

    李大鵬,周曉彥,葉 如,夏 煜,徐華南

    (南京信息工程大學(xué)電子與信息工程學(xué)院,江蘇 南京 210044)

    0 引言

    鳥(niǎo)類作為生態(tài)系統(tǒng)的重要組成部分,對(duì)鳥(niǎo)類活動(dòng)和分布的監(jiān)測(cè),為了解一個(gè)地區(qū)的生物多樣性變化和氣候變化提供了重要的依據(jù)[1-2],因此對(duì)鳥(niǎo)類的監(jiān)測(cè)與分類識(shí)別具有重要意義。鳥(niǎo)鳴聲和形態(tài)特征是區(qū)分鳥(niǎo)類的重要特征,也是目前鳥(niǎo)類物種識(shí)別普遍采用的方式,在實(shí)際監(jiān)測(cè)中鳥(niǎo)鳴聲相較于形態(tài)特征更加便于監(jiān)測(cè)。雖然目前國(guó)內(nèi)外對(duì)于鳥(niǎo)聲識(shí)別的研究并不多,但也取得了一定的成果。通過(guò)調(diào)查研究發(fā)現(xiàn),目前國(guó)內(nèi)的鳥(niǎo)聲識(shí)別技術(shù)主要通過(guò)改進(jìn)鳥(niǎo)聲特征提取算法,提取各種鳥(niǎo)聲特征然后使用機(jī)器學(xué)習(xí)算法構(gòu)建分類器進(jìn)行識(shí)別[3]。

    目前,鳥(niǎo)聲識(shí)別的分類方法可以分為3種:(1)基于模板匹配的分類方法。最常見(jiàn)的是動(dòng)態(tài)時(shí)間規(guī)整(Dynamic Time Warping,DTW)算法,如徐淑正使用基于音長(zhǎng)、梅爾倒譜系數(shù)(Mel-Frequency Ceps-tral Coefficients,MFCC)、線性預(yù)測(cè)系數(shù)(Linear Prediction Coefficient,LPCC)系數(shù)和時(shí)頻域紋理特征的動(dòng)態(tài)時(shí)間規(guī)整算法可以達(dá)到90%的準(zhǔn)確率[4]。(2)通過(guò)人工算法提取特征,選擇合適的分類模型。孫悅?cè)A等提取了4種鳥(niǎo)類鳴聲的MFCC,然后使用高斯混合模型對(duì)其進(jìn)行分類識(shí)別,正確率可以達(dá)到89.1%~92.5%[5]。陳莎莎等為了降低環(huán)境噪聲對(duì)鳥(niǎo)聲識(shí)別的干擾,使用灰度共生法提取紋理特征,然后利用隨機(jī)森林(Random Forest,RF)模型對(duì)20種鳥(niǎo)聲進(jìn)行識(shí)別,平均正確率可以達(dá)到95.35%[6]。錢坤等首次使用OpenSmile提取大規(guī)模聲學(xué)特征,使用ReliefF算法降低特征維度,極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)作為分類器實(shí)現(xiàn)鳥(niǎo)聲的分類識(shí)別,該方法在10種、30種和54種鳥(niǎo)類的識(shí)別正確率分別為94.71%、89.56%和86.57%[7]。張賽花等提取了一種梅爾子帶參數(shù)化特征,使用支持向量機(jī)(Support Vector Machine,SVM)對(duì)野外11種鳥(niǎo)鳴聲進(jìn)行分類識(shí)別,結(jié)果表明該方法對(duì)11類鳥(niǎo)聲查全率、查準(zhǔn)率和F1-score均高于89%[8]。(3)基于深度學(xué)習(xí)的方法。EmreCakir等基于提出了卷積遞歸神經(jīng)網(wǎng)絡(luò)(Convolutional Recurrent Neural Networks,CRNN)的方法實(shí)現(xiàn)鳴聲的高維特征及短時(shí)幀間的相關(guān)性特征提取,對(duì)Freesoung數(shù)據(jù)庫(kù)中的鳥(niǎo)鳴聲進(jìn)行分類實(shí)驗(yàn),正確率達(dá)到88.5%[9]。馮郁茜提出了基于雙模態(tài)特征融合的鳥(niǎo)類物種分類算法,融合卷積網(wǎng)絡(luò)提取的語(yǔ)圖特征和長(zhǎng)短時(shí)記憶結(jié)構(gòu)提取的鳴聲時(shí)序序列特征,自適應(yīng)完成基于鳴叫或者鳴唱的物種識(shí)別[10]。Bold等利用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)提取語(yǔ)圖特征并且提出跨模態(tài)結(jié)合特征,提高了分類識(shí)別的性能[11]。

    由于文獻(xiàn)[5-7]所提取的鳥(niǎo)聲特征較為單一,分類參數(shù)采用網(wǎng)格搜索的方式容易錯(cuò)過(guò)最優(yōu)值,無(wú)法達(dá)到分類器的最好性能。本文受文獻(xiàn)[7]的啟發(fā),將廣泛應(yīng)用于語(yǔ)音情感識(shí)別的ComParE特征集[12]應(yīng)用于鳥(niǎo)聲識(shí)別領(lǐng)域,同時(shí)為了降低特征冗余度,采用適合高維樣本的特征排序結(jié)合浮動(dòng)搜索策略的混合特征選擇方法,以核極限學(xué)習(xí)機(jī)(Kernel Extreme Learning Machine,KELM)[13]十折交叉驗(yàn)證的正確率來(lái)評(píng)判特征的優(yōu)劣,進(jìn)行特征選擇,得到適用于鳥(niǎo)聲的特征子集,最后通過(guò)灰狼算法[14]對(duì)KELM參數(shù)進(jìn)行尋優(yōu),得到最優(yōu)參數(shù)提高模型識(shí)別正確率。

    1 基于特征選擇和GWO-KELM的鳥(niǎo)聲識(shí)別算法

    本文所提出的鳥(niǎo)聲識(shí)別系統(tǒng)總體框架如圖1所示主要分成兩個(gè)部分:

    圖1 鳥(niǎo)聲識(shí)別系統(tǒng)框圖Fig.1 Block diagram of bird sound recognition system

    (1)基于KELM和Fscore的混合特征選擇

    首先對(duì)獲取的鳥(niǎo)聲進(jìn)行預(yù)處理,并通過(guò)OpenS-mile提取ComParE特征集,然后計(jì)算每個(gè)特征的Fscore,對(duì)特征的區(qū)分能力進(jìn)行評(píng)價(jià)并排序。最后以KELM十折交叉驗(yàn)證正確率作為特征選擇的標(biāo)準(zhǔn),采用廣義順序向前浮動(dòng)搜索(Generalized Sequential Forward Floating Search,GSFFS)[15]作為搜索策略進(jìn)行特征選擇得到最終適用于鳥(niǎo)聲識(shí)別的特征子集。

    (2)基于GWO的KELM識(shí)別算法

    為了提高KELM模型在鳥(niǎo)聲分類識(shí)別上的效果及穩(wěn)定性,將特征子集在KELM模型上十折交叉驗(yàn)證的正確率,作為灰狼優(yōu)化算法的適應(yīng)度,迭代尋找最優(yōu)的正則化參數(shù)c和核函數(shù)參數(shù)σ。最后在該參數(shù)上對(duì)KELM模型進(jìn)行訓(xùn)練,得到識(shí)別結(jié)果。

    1.1 核極限學(xué)習(xí)機(jī)

    極限學(xué)習(xí)機(jī)[16]由黃廣斌在2006年提出,是一種只有一個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),它的隱藏層節(jié)點(diǎn)參數(shù)w和b通過(guò)隨機(jī)生成的方式產(chǎn)生,與訓(xùn)練集無(wú)關(guān)[17],其輸出函數(shù)為

    其中:h(x)為隱藏層的特征映射,隱藏層輸出權(quán)重β根據(jù)廣義逆矩陣原理和最小二乘法計(jì)算得到:

    其中:H是隱藏層的輸出矩陣,T是目標(biāo)矩陣。

    Huang等[13]通過(guò)對(duì)比極限學(xué)習(xí)機(jī)與SVM的原理,結(jié)合核函數(shù)方法用核映射代替ELM中的隨機(jī)映射,提出了核極限學(xué)習(xí)機(jī)(KELM),利用Mercer構(gòu)造核矩陣ΩELM取代廣義逆矩陣中的HHT。

    所以由式(2)、式(3)可得隱藏層輸出權(quán)重:

    為了提高KELM的穩(wěn)定性與泛化能力,引入正則化參數(shù)1/c添加在對(duì)角矩陣HHT對(duì)角線上。則輸出權(quán)重表示為

    其中:I為單位矩陣,由式(3)、(4)可得當(dāng)特征映射h(x)未知時(shí)KELM的輸出函數(shù)可以表示為

    此時(shí),f(x)的表達(dá)式為

    1.2 基于KELM和Fscore的混合特征選擇算法

    由于ComParE特征集是為人類語(yǔ)音情感識(shí)別而設(shè)計(jì),其中部分特征并不能反映鳥(niǎo)聲的特點(diǎn),為了更好地實(shí)現(xiàn)對(duì)鳥(niǎo)聲的識(shí)別,降低特征冗余度,本文使用特征選擇算法尋找合適的特征子集。

    特征選擇算法按照是否獨(dú)立于分類器,可以分為Filter型和Wrapper型[18],F(xiàn)ilter算法根據(jù)特定的準(zhǔn)則評(píng)價(jià)特征重要性,獨(dú)立于分類器,速度快,但特征分類能力較弱;Wrapper算法以分類器性能為評(píng)價(jià)標(biāo)準(zhǔn),特征子集分類效果好,但算法速度慢,特征泛化能力較差[19]。本文將這兩種方式混合,把Fscore作為特征區(qū)分能力評(píng)價(jià)標(biāo)準(zhǔn)結(jié)合KELM分類器,以廣義順序向前浮動(dòng)搜索(GSFFS)[15]為搜索策略尋找最佳特征子集。

    1.2.1 Fscore特征區(qū)分能力評(píng)價(jià)標(biāo)準(zhǔn)

    傳統(tǒng)的Fscore只能用來(lái)計(jì)算兩類特征的區(qū)分能力,謝娟英等[20]及楊勇[21]對(duì)其進(jìn)行了擴(kuò)展,提出了改進(jìn)的Fscore,可以衡量多類特征的區(qū)分能力。為了滿足對(duì)于多種鳥(niǎo)聲識(shí)別的需求,選擇改進(jìn)的Fscore作為鳥(niǎo)聲特征區(qū)分能力評(píng)價(jià)標(biāo)準(zhǔn)對(duì)于提取到的鳥(niǎo)聲特征 樣 本,第i個(gè)特征的Fscore計(jì)算公式為

    1.2.2 混合特征選擇

    為了提高搜索效率,本文首先對(duì)計(jì)算得到鳥(niǎo)聲特征的Fscore按照大小進(jìn)行降序排序,選擇前20%特征作為初始特征集,刪除得分最低的20%特征,剩下60%特征作為預(yù)選特征集。然后,依次不斷加入預(yù)選特征集中Fscore得分最高的特征,以KELM十折交叉驗(yàn)證正確率為特征區(qū)分能力評(píng)價(jià)標(biāo)準(zhǔn),如果正確率沒(méi)有提高就從特征子集中刪除該特征,繼續(xù)依次搜索剩下的預(yù)選特征集。為了解決嚴(yán)格地按照正確率上升作為特征選擇標(biāo)準(zhǔn)造成特征子集無(wú)法更新的問(wèn)題,引入懲罰參數(shù)λ,即KELM正確率下降不超過(guò)λ就不會(huì)刪除該特征,混合特征選擇算法步驟如下:

    (1)計(jì)算每個(gè)鳥(niǎo)聲特征的Fscore,并降序排序;

    (2)選擇前20%特征作為初始特征集,20%~80%特征作為預(yù)選特征集,個(gè)數(shù)為n,初始化i=0,RAcc=0;

    (3)令i=i+1,將第i個(gè)特征加入特征子集;

    (4)計(jì)算特征子集的KELM十折交叉驗(yàn)證正確率為RAcc1;

    (5)若RAcc1+λ>Acc,更新特征子集和正確率令RAcc=RAcc1,否則從特征子集中刪除該特征;

    (6)若i<n返回步驟(3),否則輸出被選特征子集。

    1.3 基于GWO優(yōu)化的KELM分類模型

    對(duì)于分類模型參數(shù)的選取,傳統(tǒng)的方法一般使用網(wǎng)格搜索的方式進(jìn)行,但該方法在較大范圍使用小步長(zhǎng)進(jìn)行搜索時(shí),需要較高的計(jì)算資源和較長(zhǎng)的時(shí)間,而使用較大步長(zhǎng)搜索往往可能錯(cuò)過(guò)全局最優(yōu)值。因此本文采用隨機(jī)搜索的方式尋找KELM模型參數(shù)的全局最優(yōu)值。

    1.3.1 灰狼算法

    灰狼優(yōu)化(Grey Wolf Optimizer,GWO)算法是由澳大利亞學(xué)者M(jìn)irjalili等人在2014年提出的一種元啟發(fā)式群體智能優(yōu)化算法,該算法通過(guò)模擬自然界中灰狼的社會(huì)等級(jí)制度和狩獵機(jī)制,將灰狼按照等級(jí)從高到低分為α狼、β狼、δ狼和ω狼四種狼,實(shí)現(xiàn)對(duì)于獵物的尋找、包圍和攻擊[14]。在GWO算法中,群體適應(yīng)度最優(yōu)的三個(gè)解依次對(duì)應(yīng)為α狼、β狼、δ狼,其余的解為ω狼,通過(guò)α狼、β狼、δ狼引導(dǎo)ω狼包圍、攻擊獵物,從而獲得最優(yōu)值。

    GWO算法數(shù)學(xué)模型為

    其中:D表示灰狼個(gè)體與獵物間的距離,X(t+1)表示灰狼更新后的位置,公式中⊙均為矩陣的哈達(dá)瑪積,為取矩陣中元素的絕對(duì)值。t表示當(dāng)前迭代次數(shù),Xp和X分別表示獵物和灰狼的位置向量。A和C為系數(shù)向量,計(jì)算公式為

    其中:a隨迭代次數(shù)t線性遞減,r1、r2為[0,-1]的隨機(jī)向量。C是系數(shù)向量,用于增加(C>1)或減少(C<1)灰狼與獵物之間的距離,提高全局搜索能力。

    假設(shè)狼α、β、δ知道獵物潛在位置,則灰狼更新公式為

    其中:Dα、Dβ、Dδ分別表示狼α、β、δ與其他個(gè)體的距離,Xα、Xβ、Xδ表示狼α、β、δ的當(dāng)前位置。

    1.3.2 GWO-KELM算法

    常用的KELM核函數(shù)有高斯核函數(shù),多項(xiàng)式核函數(shù),拉普拉斯核函數(shù)和sigmoid核函數(shù)等[13],實(shí)驗(yàn)中KELM核函數(shù)選取高斯核函數(shù),其計(jì)算公式為

    由式(7)、式(15)可知,KELM性能與正則化參數(shù)c和核函數(shù)參數(shù)σ密切相關(guān),為了提高KELM模型分類識(shí)別效果及穩(wěn)定性,本文通過(guò)灰狼算法優(yōu)化KELM的參數(shù)c和σ,把KELM模型十折交叉驗(yàn)證正確率作為灰狼優(yōu)化算法的適應(yīng)度。GWO優(yōu)化KELM分類識(shí)別算法步驟如下:

    (1)初始化GWO算法參數(shù):狼群數(shù)量、最大迭代次數(shù)t、參數(shù)c和σ上下界;

    (2)隨機(jī)初始化狼群位置,位置維度為2;

    (3)根據(jù)狼群位置即c和σ,計(jì)算KELM交叉驗(yàn)證正確率作為灰狼個(gè)體適應(yīng)度;

    (4)選擇適應(yīng)度最好的三個(gè)狼,記錄其位置為Xα、Xβ、Xδ;

    (5)根據(jù)式(13)、式(14)更新狼ω位置;

    (6)根據(jù)式(11)、式(12)參數(shù)A和C;

    (7)計(jì)算位置更新后的適應(yīng)度,并與上次迭代的最優(yōu)適應(yīng)度對(duì)比,更新狼α、β、δ適應(yīng)度和位置;

    (8)若迭代次數(shù)超過(guò)最大次數(shù),輸出全局最優(yōu)適應(yīng)度及其對(duì)應(yīng)位置Xα,否則執(zhí)行步驟(5)。

    2 實(shí)驗(yàn)

    2.1 鳥(niǎo)聲數(shù)據(jù)庫(kù)及預(yù)處理

    為了驗(yàn)證算法的有效性,本文采用國(guó)內(nèi)國(guó)外兩種數(shù)據(jù)庫(kù)進(jìn)行實(shí)驗(yàn)。一是德國(guó)柏林自然科學(xué)博物館數(shù)據(jù)庫(kù),該數(shù)據(jù)庫(kù)由專業(yè)的鳥(niǎo)類學(xué)家在自然野外環(huán)境中采集的鳥(niǎo)鳴聲數(shù)據(jù)組成。為了保證足夠的訓(xùn)練、測(cè)試數(shù)據(jù),實(shí)驗(yàn)中刪除數(shù)據(jù)庫(kù)中鳥(niǎo)聲音頻文件數(shù)少于25個(gè)的鳥(niǎo)類,采用了60種鳥(niǎo)類、共計(jì)4 468個(gè)鳥(niǎo)鳴聲音頻文件,最短時(shí)長(zhǎng)約為0.3 s,最長(zhǎng)為36 s。同時(shí)將這4 468個(gè)長(zhǎng)度不等的鳥(niǎo)聲數(shù)據(jù)統(tǒng)一為單聲道、采樣率44.1 kHz、32 bit的WAV格式音頻。二是由北京百鳥(niǎo)數(shù)據(jù)科技有限責(zé)任公司發(fā)布的中國(guó)常見(jiàn)20種鳥(niǎo)類鳴聲合集,包含灰雁、大天鵝、綠頭鴨、綠翅鴨、灰山鶉、西鵪鶉、雉雞、紅喉潛鳥(niǎo)、蒼鷺、普通鸕鶿、蒼鷹、歐亞鵟、西方秧雞、骨頂雞、黑翅長(zhǎng)腳鷸、鳳頭麥雞、白腰草鷸、紅腳鷸、林鷸、麻雀,共14 311個(gè)長(zhǎng)度均為2 s的WAV格式音頻。

    2.2 特征提取

    使用在語(yǔ)音情感識(shí)別中廣泛使用的開(kāi)源工具OpenSmile提取ComParE特征集。該特征集在2013年InterSpeech中被提出,包含了大量手工設(shè)計(jì)的低水平特征LLDs和在LLDs基礎(chǔ)上統(tǒng)計(jì)得到的高級(jí)統(tǒng)計(jì)特征HSFs,共包含6 373維度特征,包括MFCC、時(shí)間信號(hào)的過(guò)零率(Zero-Crossing Rate,ZCR)、幀能量均方根(Root Mean Square,RMS)、基音頻率(F0)等特征,具體信息可參見(jiàn)文獻(xiàn)[12]。

    2.3 分類模型評(píng)價(jià)標(biāo)準(zhǔn)

    混淆矩陣是一種直觀地評(píng)價(jià)分類模型結(jié)果的指標(biāo),如圖2所示是二分類結(jié)果混淆矩陣。

    圖2 二分類結(jié)果混淆矩陣Fig.2 The confusion matrix of dichotomy results

    圖2中,NTP為樣本的真實(shí)類別是正例且模型預(yù)測(cè)的結(jié)果也是正例的樣本個(gè)數(shù);NTN為真實(shí)類別是負(fù)例,且預(yù)測(cè)成為負(fù)例的樣本個(gè)數(shù);NFP為真實(shí)類別是負(fù)例,但預(yù)測(cè)成為正例的樣本個(gè)數(shù);NFN為真實(shí)類別是正例,但預(yù)測(cè)成為負(fù)例的樣本個(gè)數(shù)。

    對(duì)混淆矩陣的數(shù)據(jù)進(jìn)行簡(jiǎn)單計(jì)算,可以延伸得到查準(zhǔn)率、查全率、正確率和F1-score等常用評(píng)價(jià)指標(biāo)。對(duì)于每種鳥(niǎo)類其計(jì)算公式如下:

    本文選擇正確率和兼顧查準(zhǔn)率和查全率的F1-score作為分類模型評(píng)價(jià)指標(biāo)。

    2.4 實(shí)驗(yàn)與分析

    為了驗(yàn)證本文算法的有效性,實(shí)驗(yàn)共分為三個(gè)部分,其中前兩部分實(shí)驗(yàn)均在德國(guó)柏林自然科學(xué)博物館數(shù)據(jù)庫(kù)上實(shí)現(xiàn)。首先對(duì)比原始ComParE特征集在不同分類器上的表現(xiàn);其次對(duì)比選擇后的特征子集與原始ComParE特征集在不同分類器上的識(shí)別精度,并對(duì)比采用網(wǎng)格搜索方式和GWO隨機(jī)搜索方式所得參數(shù)識(shí)別結(jié)果;最后對(duì)比了近年來(lái)相關(guān)論文所提算法和主流的深度學(xué)習(xí)算法。實(shí)驗(yàn)的特征提取部分,通過(guò)基于python的OpenSmile3.0工具包實(shí)現(xiàn)提取鳥(niǎo)聲音頻的ComParE特征,每個(gè)音頻文件可以得到6 373×1維特征向量,循環(huán)遍歷數(shù)據(jù)庫(kù)中的所有音頻提取其特征并保存為CSV文件。然后以Matlab 2018b軟件為算法實(shí)驗(yàn)平臺(tái),采用十折交叉驗(yàn)證方式作為實(shí)驗(yàn)協(xié)議即將數(shù)據(jù)集分成十份,輪流將其中9份作為訓(xùn)練數(shù)據(jù)、1份作為測(cè)試數(shù)據(jù),進(jìn)行試驗(yàn)。

    2.4.1 ComParE特征集在不同分類器上的表現(xiàn)

    該實(shí)驗(yàn)在德國(guó)柏林自然科學(xué)博物館數(shù)據(jù)庫(kù)上進(jìn)行,并隨機(jī)選取了其中10類,30類和全部60類數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。對(duì)比了原始ComParE特征集在RF、SVM、ELM和KELM分類器上的表現(xiàn)結(jié)果如表1所示。實(shí)驗(yàn)設(shè)置如下,除RF模型以外在將特征向量輸入分類器之前,首先對(duì)特征進(jìn)行歸一化處理,其中RF模型采用默認(rèn)設(shè)置決策樹(shù)數(shù)量為500,特征數(shù)量為79;由于特征參數(shù)維度很高,因此SVM模型采用線性核函數(shù),正則化參數(shù)設(shè)置為1;ELM模型隱藏層數(shù)量通過(guò)循環(huán)搜索的方式遍歷[1 000 2 000… 30 000]最終在10類,30類和60類實(shí)驗(yàn)中對(duì)應(yīng)的設(shè)置為10 000、16 000、20 000;KELM模型核函數(shù)選擇為高斯核函數(shù),采用網(wǎng)格搜索的方式,高斯核函數(shù)參數(shù)σ∈[2-52-4...215]和正則化參數(shù)c∈[2-52-4...215]最終σ和c設(shè)置為4 096和2 048。

    從表1中可以看到KELM分類器在10類、30類和60類鳥(niǎo)聲識(shí)別十折交叉驗(yàn)證正確率為96.67%、93.77%和93.23%,相對(duì)于其他分類器均具有更高的正確率。結(jié)果表明KELM算法相較于其他算法在高維度鳥(niǎo)聲特征分類識(shí)別中更具優(yōu)勢(shì),體現(xiàn)了KELM分類器的優(yōu)越性。

    表1 ComParE特征集在分類器上的表現(xiàn)Table 1 The performance of the ComParE feature set on the classifier

    2.4.2 基于特征選擇和GWO-KELM算法實(shí)驗(yàn)

    為了進(jìn)一步提高鳥(niǎo)聲識(shí)別的效果,本文對(duì)提取到的6 373維特征集采用Fscore+KELM的方法在德國(guó)柏林自然科學(xué)博物館全部60類數(shù)據(jù)庫(kù)進(jìn)行特征選擇,減少冗余特征,實(shí)驗(yàn)懲罰參數(shù)λ設(shè)置為0.001。為了更好地體現(xiàn)特征對(duì)于分類器性能的影響,將KELM參數(shù)σ和c固定為4 096和2 048,最終選擇出2 710維特征。

    GWO算法初始設(shè)置為初始化狼群數(shù)量為10,最大迭代次數(shù)為100,參數(shù)c和σ的上下界設(shè)置為10 000和0.000 1,初始狼群位置在上下界范圍內(nèi)隨機(jī)生成。如圖3所示GWO-KELM在選擇后的特征集上的迭代結(jié)果,最終選擇的最優(yōu)參數(shù)c和σ分別為316、6 112。其他分類器的參數(shù)設(shè)置與2.4.1節(jié)相同。

    圖3 GWO-KELM迭代結(jié)果Fig.3 GWO-KELM iteration results

    表2所示為選擇后的特征子集與原始ComParE特征集在不同分類器和GWO-KELM算法的識(shí)別結(jié)果。從表2中可以看出選擇后的特征子集在四個(gè)分類器上的識(shí)別正確率和F1-score均高于原始特征集,提升幅度約2%~5%。結(jié)果表明,基于Fscore和KELM特征選擇算法減少了冗余特征,所選特征集具有良好的分類能力,能夠更好地反映鳥(niǎo)鳴聲的特點(diǎn)。在GWO-KELM模型(c=316,σ=6112)上識(shí)別正確率為94.45%,相比采用網(wǎng)格搜索的方式KELM算法提高0.5%左右。與傳統(tǒng)的網(wǎng)格搜索方式相比,GWO搜索方式更容易找到全局最優(yōu)值,證明了GWO-KELM模型的有效性。

    表2 不同分類器對(duì)60類鳥(niǎo)聲特征選擇前后的特征集的識(shí)別結(jié)果Table 2 Identification results of different classifiers for the feature sets before and after the selection of the 60-class bird acoustic features

    2.4.3 與其他論文方案的比較

    由于德國(guó)柏林?jǐn)?shù)據(jù)庫(kù)語(yǔ)音長(zhǎng)短差距較大,無(wú)法直接作為CNN模型的輸入,所以為了與目前主流的深度學(xué)習(xí)模型進(jìn)行對(duì)比,實(shí)驗(yàn)增加了北京百鳥(niǎo)數(shù)據(jù)庫(kù)的實(shí)驗(yàn)。該部分實(shí)驗(yàn)主要與以下4種方法進(jìn)行對(duì)比:

    (1)ComParE+SVM:使用OpenSmile工具包提取ComParE特征集,通過(guò)經(jīng)典的SVM算法進(jìn)行識(shí)別。

    (2)09IS+ELM[7]:通過(guò)p-centre方法實(shí)現(xiàn)對(duì)鳥(niǎo)鳴聲的音節(jié)檢測(cè),然后使用OpenSmile工具包提取09IS特征集,并通過(guò)ReliefF算法減少特征維數(shù),最后采用ELM進(jìn)行識(shí)別。

    (3)Logmel+CNN[11]:通過(guò)librosa提取鳥(niǎo)鳴聲的梅爾譜圖,輸入CNN進(jìn)行識(shí)別。

    (4)Logmel+CRNN[9]:通過(guò)librosa提取鳥(niǎo)鳴聲的梅爾譜圖,輸入CNN和兩層循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)進(jìn)行識(shí)別。

    (注:09IS+ELM模型采用原文在德國(guó)柏林?jǐn)?shù)據(jù)庫(kù)上的實(shí)驗(yàn)結(jié)果,Logmel+CNN和Logmel+CRNN模型實(shí)驗(yàn)結(jié)果通過(guò)python 3.7和基于TensorFlow的kreas 2.3框架,采用原文參數(shù)復(fù)現(xiàn)所得)。

    實(shí)驗(yàn)結(jié)果如表3所示,從表中可以看出相較于手工特征加分類器的方式,端到端的深度學(xué)習(xí)模型在識(shí)別率上更具備優(yōu)勢(shì),本文所提的基于特征選擇和GWO-KELM的鳥(niǎo)聲識(shí)別算法,在傳統(tǒng)手工特征方法中具備明顯優(yōu)勢(shì),可以達(dá)到與目前常見(jiàn)的卷積神經(jīng)網(wǎng)絡(luò)(CNN)近似相同的正確率,與CNN加RNN的方式仍有一定差距。但深度學(xué)習(xí)網(wǎng)絡(luò)往往需要更高的計(jì)算量和更多數(shù)據(jù)樣本。同時(shí)本文的方法不受音頻長(zhǎng)短的影響,在音頻長(zhǎng)短一致的北京百鳥(niǎo)數(shù)據(jù)庫(kù)和音頻長(zhǎng)短不一的德國(guó)柏林?jǐn)?shù)據(jù)庫(kù)都可以實(shí)現(xiàn)較好的分類效果。而深度學(xué)習(xí)網(wǎng)絡(luò)需要固定的語(yǔ)音長(zhǎng)度或者通過(guò)補(bǔ)0等方法實(shí)現(xiàn)特征補(bǔ)齊,對(duì)于語(yǔ)音長(zhǎng)短差距較大數(shù)據(jù)庫(kù)處理較為困難。因此本文方法對(duì)于數(shù)據(jù)要求更低,具有更好的適應(yīng)性。

    表3 與其他論文方案的對(duì)比Table 3 Comparison with other paper schemes

    3 結(jié)論

    為了提高種類較多的鳥(niǎo)聲識(shí)別正確率,解決目前鳥(niǎo)聲識(shí)別算法中特征單一的問(wèn)題,本文提出了一種基于混合特征選擇和灰狼算法優(yōu)化核極限學(xué)習(xí)機(jī)的鳥(niǎo)聲識(shí)別算法。該算法將Fscore特征區(qū)分能力標(biāo)準(zhǔn)與KELM分類器相結(jié)合對(duì)提取的ComParE特征集進(jìn)行特征選擇,然后通過(guò)GWO算法優(yōu)化KELM進(jìn)行分類識(shí)別。通過(guò)對(duì)比實(shí)驗(yàn)可以看出,相較于原始ComParE特征集,選擇后的特征子集在不同分類器上的識(shí)別正確率均有提高,表明了基于KELM和Fscore的混合特征選擇算法所選特征子集具有良好的分類能力。該方法在德國(guó)柏林?jǐn)?shù)據(jù)庫(kù)和北京百鳥(niǎo)數(shù)據(jù)庫(kù)的分類識(shí)別正確率分別可以達(dá)到94.45%和91.16%。雖識(shí)別正確率略低于目前計(jì)算量更大的深度學(xué)習(xí)模型,但由于深度學(xué)習(xí)模型需要更多的數(shù)據(jù)樣本,本文所提方法在小樣本鳥(niǎo)聲數(shù)據(jù)的識(shí)別上仍具有一定優(yōu)勢(shì)。

    猜你喜歡
    鳥(niǎo)聲灰狼特征選擇
    清晨,我們走在林子里
    草堂(2023年1期)2023-09-25 08:44:48
    七種鳥(niǎo)聲
    江南詩(shī)(2020年1期)2020-02-25 14:12:56
    谷谷雞和小灰狼
    灰狼的大大噴嚏
    閑情
    詩(shī)潮(2017年12期)2018-01-08 07:25:20
    Kmeans 應(yīng)用與特征選擇
    電子制作(2017年23期)2017-02-02 07:17:06
    早 晨
    文苑(2016年14期)2016-11-26 23:04:39
    灰狼和老虎
    聯(lián)合互信息水下目標(biāo)特征選擇算法
    灰狼的幸福
    国产日韩一区二区三区精品不卡| 啦啦啦啦在线视频资源| 久久精品亚洲熟妇少妇任你| 涩涩av久久男人的天堂| 亚洲国产日韩一区二区| 午夜福利在线观看吧| 99久久精品国产亚洲精品| 啦啦啦中文免费视频观看日本| 日日爽夜夜爽网站| 一边摸一边做爽爽视频免费| 午夜福利一区二区在线看| 亚洲性夜色夜夜综合| 亚洲一区二区三区欧美精品| 日韩大片免费观看网站| 在线观看舔阴道视频| 欧美亚洲日本最大视频资源| 亚洲成av片中文字幕在线观看| 国产成人精品无人区| 精品一区二区三区四区五区乱码| 久久 成人 亚洲| 亚洲成人免费电影在线观看| 亚洲国产精品999| 国产精品一区二区在线观看99| 国产黄频视频在线观看| 制服人妻中文乱码| 在线十欧美十亚洲十日本专区| 国产深夜福利视频在线观看| 国产精品.久久久| 中文欧美无线码| 亚洲国产中文字幕在线视频| 亚洲国产精品成人久久小说| 国产主播在线观看一区二区| 亚洲av欧美aⅴ国产| 少妇人妻久久综合中文| 王馨瑶露胸无遮挡在线观看| 日韩欧美国产一区二区入口| 91成年电影在线观看| 久久免费观看电影| 国产精品亚洲av一区麻豆| 日日夜夜操网爽| 男人爽女人下面视频在线观看| 亚洲专区字幕在线| 老司机午夜福利在线观看视频 | 日韩 亚洲 欧美在线| 久久久久网色| 真人做人爱边吃奶动态| 大码成人一级视频| 亚洲精品久久久久久婷婷小说| 高清黄色对白视频在线免费看| 男女之事视频高清在线观看| 成年美女黄网站色视频大全免费| 亚洲成av片中文字幕在线观看| 99精品欧美一区二区三区四区| 宅男免费午夜| 中文字幕人妻丝袜一区二区| 欧美黑人欧美精品刺激| 国产精品九九99| 香蕉丝袜av| 国产精品一区二区在线观看99| 成年美女黄网站色视频大全免费| 亚洲avbb在线观看| 九色亚洲精品在线播放| 18禁国产床啪视频网站| 男女下面插进去视频免费观看| av片东京热男人的天堂| 中文字幕精品免费在线观看视频| 日韩 欧美 亚洲 中文字幕| 美女脱内裤让男人舔精品视频| 日韩有码中文字幕| 大片免费播放器 马上看| 日韩制服丝袜自拍偷拍| 大香蕉久久网| 各种免费的搞黄视频| 99国产精品99久久久久| 亚洲国产毛片av蜜桃av| 交换朋友夫妻互换小说| 欧美精品av麻豆av| 九色亚洲精品在线播放| 亚洲第一青青草原| 免费观看a级毛片全部| 亚洲情色 制服丝袜| 老司机亚洲免费影院| 中文字幕制服av| 女人高潮潮喷娇喘18禁视频| 欧美国产精品一级二级三级| 精品久久久精品久久久| 成年av动漫网址| 亚洲第一青青草原| 国产福利在线免费观看视频| 精品熟女少妇八av免费久了| 亚洲成国产人片在线观看| 午夜久久久在线观看| 国产精品 欧美亚洲| 黄色a级毛片大全视频| 王馨瑶露胸无遮挡在线观看| 国产视频一区二区在线看| 女人被躁到高潮嗷嗷叫费观| 国产精品国产av在线观看| 国产亚洲欧美在线一区二区| 黄片大片在线免费观看| 一本—道久久a久久精品蜜桃钙片| 国产高清videossex| 亚洲国产av影院在线观看| www.精华液| 丰满迷人的少妇在线观看| 男人爽女人下面视频在线观看| 在线观看www视频免费| 中文字幕制服av| 激情视频va一区二区三区| 国产精品影院久久| 久久久国产欧美日韩av| 午夜福利一区二区在线看| 少妇粗大呻吟视频| 激情视频va一区二区三区| 在线观看人妻少妇| 国精品久久久久久国模美| 欧美人与性动交α欧美精品济南到| 少妇人妻久久综合中文| 国产精品 欧美亚洲| 欧美精品av麻豆av| 一级毛片女人18水好多| av电影中文网址| 黄色视频在线播放观看不卡| 女人被躁到高潮嗷嗷叫费观| 丁香六月天网| 亚洲国产精品999| 欧美激情高清一区二区三区| 交换朋友夫妻互换小说| 亚洲精品日韩在线中文字幕| 高清黄色对白视频在线免费看| 免费观看av网站的网址| 国产精品.久久久| 十八禁网站免费在线| 99国产综合亚洲精品| 美女高潮到喷水免费观看| 久久中文字幕一级| a在线观看视频网站| 99久久国产精品久久久| 少妇的丰满在线观看| 丰满迷人的少妇在线观看| 黑人操中国人逼视频| 亚洲五月色婷婷综合| 国产深夜福利视频在线观看| 十八禁高潮呻吟视频| 国产av一区二区精品久久| 岛国毛片在线播放| 免费观看人在逋| 亚洲精品中文字幕一二三四区 | 亚洲精品成人av观看孕妇| av国产精品久久久久影院| 狂野欧美激情性bbbbbb| 天天影视国产精品| 精品乱码久久久久久99久播| 亚洲国产精品999| 欧美97在线视频| 捣出白浆h1v1| 高清黄色对白视频在线免费看| 视频在线观看一区二区三区| 欧美日韩一级在线毛片| 欧美另类亚洲清纯唯美| 精品国内亚洲2022精品成人 | 美女高潮喷水抽搐中文字幕| 狠狠婷婷综合久久久久久88av| 久久精品亚洲av国产电影网| 十分钟在线观看高清视频www| 黑人欧美特级aaaaaa片| 嫩草影视91久久| 亚洲精品中文字幕一二三四区 | 久久人人爽人人片av| kizo精华| 桃花免费在线播放| 国产精品国产三级国产专区5o| 十八禁网站网址无遮挡| 一本色道久久久久久精品综合| 水蜜桃什么品种好| 亚洲成av片中文字幕在线观看| 国产精品秋霞免费鲁丝片| 欧美 亚洲 国产 日韩一| 午夜免费观看性视频| 在线观看免费日韩欧美大片| 国产在视频线精品| 老汉色av国产亚洲站长工具| 中文字幕色久视频| 亚洲精品第二区| 国产三级黄色录像| 男女高潮啪啪啪动态图| 在线亚洲精品国产二区图片欧美| 性色av乱码一区二区三区2| 男女高潮啪啪啪动态图| 十八禁高潮呻吟视频| av网站免费在线观看视频| 亚洲情色 制服丝袜| 一边摸一边做爽爽视频免费| 他把我摸到了高潮在线观看 | 亚洲视频免费观看视频| 十八禁网站免费在线| 色94色欧美一区二区| 日本a在线网址| 亚洲av欧美aⅴ国产| 一区二区三区精品91| 日韩一卡2卡3卡4卡2021年| 亚洲情色 制服丝袜| 一边摸一边抽搐一进一出视频| 18禁观看日本| 久久毛片免费看一区二区三区| 成年动漫av网址| 国产主播在线观看一区二区| 日韩三级视频一区二区三区| 中文字幕另类日韩欧美亚洲嫩草| 亚洲精华国产精华精| 精品欧美一区二区三区在线| 高潮久久久久久久久久久不卡| 国产精品1区2区在线观看. | 久久影院123| 欧美精品av麻豆av| 国产成人免费无遮挡视频| 欧美乱码精品一区二区三区| 久久 成人 亚洲| 精品国产超薄肉色丝袜足j| 久久国产精品男人的天堂亚洲| 午夜视频精品福利| 精品亚洲成a人片在线观看| 韩国高清视频一区二区三区| 国产亚洲av片在线观看秒播厂| 日韩人妻精品一区2区三区| 国产一区二区三区av在线| 成人国产av品久久久| bbb黄色大片| 精品少妇久久久久久888优播| 国产精品熟女久久久久浪| 另类精品久久| 在线观看人妻少妇| www.av在线官网国产| 国产欧美日韩综合在线一区二区| 国产黄色免费在线视频| 精品欧美一区二区三区在线| 黑人操中国人逼视频| 国产一级毛片在线| 国产伦理片在线播放av一区| 欧美精品人与动牲交sv欧美| 黄色毛片三级朝国网站| av欧美777| 精品一区二区三区四区五区乱码| 12—13女人毛片做爰片一| 国产成人精品无人区| 热re99久久国产66热| 欧美老熟妇乱子伦牲交| 高清av免费在线| 久久人人爽人人片av| 久久国产精品大桥未久av| 国产高清国产精品国产三级| 欧美在线黄色| 两人在一起打扑克的视频| 国产精品久久久久久精品古装| 欧美xxⅹ黑人| 99久久99久久久精品蜜桃| 蜜桃在线观看..| 精品久久蜜臀av无| 国产在线一区二区三区精| 久久久久国内视频| 亚洲午夜精品一区,二区,三区| 一二三四社区在线视频社区8| 老司机福利观看| 秋霞在线观看毛片| cao死你这个sao货| 一本大道久久a久久精品| 91精品三级在线观看| 大片电影免费在线观看免费| 精品亚洲成国产av| 亚洲欧美成人综合另类久久久| 黑人巨大精品欧美一区二区mp4| 亚洲九九香蕉| 午夜福利视频精品| 日本黄色日本黄色录像| 国产高清国产精品国产三级| 日韩精品免费视频一区二区三区| 狂野欧美激情性xxxx| 午夜精品国产一区二区电影| 欧美日韩成人在线一区二区| 亚洲欧美日韩另类电影网站| 满18在线观看网站| 超碰成人久久| 大陆偷拍与自拍| 高潮久久久久久久久久久不卡| av视频免费观看在线观看| 亚洲免费av在线视频| 国产高清视频在线播放一区 | 悠悠久久av| 最近最新免费中文字幕在线| 五月天丁香电影| 亚洲性夜色夜夜综合| 啦啦啦在线免费观看视频4| 啦啦啦啦在线视频资源| 最新的欧美精品一区二区| 欧美精品啪啪一区二区三区 | 制服诱惑二区| 九色亚洲精品在线播放| 亚洲av日韩在线播放| av在线播放精品| 日本欧美视频一区| 国产色视频综合| 在线十欧美十亚洲十日本专区| 中文字幕色久视频| 欧美日韩av久久| 少妇被粗大的猛进出69影院| 国产av精品麻豆| 日韩大片免费观看网站| 国产高清视频在线播放一区 | 国产亚洲午夜精品一区二区久久| 国产精品免费视频内射| 激情视频va一区二区三区| 久久久久精品人妻al黑| 久久精品成人免费网站| 亚洲精品国产一区二区精华液| 夫妻午夜视频| 国产精品偷伦视频观看了| 青草久久国产| 国产一区二区三区av在线| 又大又爽又粗| 日本a在线网址| 国产色视频综合| 啦啦啦视频在线资源免费观看| 天堂8中文在线网| 欧美 日韩 精品 国产| 90打野战视频偷拍视频| 日韩一卡2卡3卡4卡2021年| 12—13女人毛片做爰片一| 中文字幕人妻丝袜制服| 久久综合国产亚洲精品| 三上悠亚av全集在线观看| 99精国产麻豆久久婷婷| 一级毛片电影观看| 国产精品1区2区在线观看. | 婷婷丁香在线五月| 亚洲精品中文字幕在线视频| 国产精品自产拍在线观看55亚洲 | 精品少妇一区二区三区视频日本电影| 91精品国产国语对白视频| 日韩大片免费观看网站| 老熟妇乱子伦视频在线观看 | 大片免费播放器 马上看| 狂野欧美激情性bbbbbb| 久久久久久人人人人人| 宅男免费午夜| 亚洲国产欧美一区二区综合| 国产熟女午夜一区二区三区| 亚洲精品国产色婷婷电影| 免费日韩欧美在线观看| 成人国产一区最新在线观看| 老熟女久久久| 90打野战视频偷拍视频| 大香蕉久久成人网| 国产熟女午夜一区二区三区| 久久狼人影院| 美女扒开内裤让男人捅视频| 成人国语在线视频| 国产97色在线日韩免费| 一区二区av电影网| 精品一区二区三区四区五区乱码| 成年女人毛片免费观看观看9 | 国产成人欧美在线观看 | 国产一区二区在线观看av| 国产成+人综合+亚洲专区| 久久天堂一区二区三区四区| 2018国产大陆天天弄谢| 另类精品久久| 欧美精品人与动牲交sv欧美| xxxhd国产人妻xxx| 亚洲成av片中文字幕在线观看| 一本色道久久久久久精品综合| 亚洲熟女毛片儿| 亚洲欧美精品自产自拍| 窝窝影院91人妻| 日韩视频在线欧美| 成年人黄色毛片网站| 久久久精品区二区三区| 黄频高清免费视频| 午夜免费鲁丝| 亚洲国产毛片av蜜桃av| 成人亚洲精品一区在线观看| 美女大奶头黄色视频| 免费在线观看完整版高清| 在线观看免费日韩欧美大片| 欧美日韩一级在线毛片| 精品一区在线观看国产| 亚洲精品在线美女| 国产精品二区激情视频| 亚洲av欧美aⅴ国产| 欧美一级毛片孕妇| 大片免费播放器 马上看| 国产成人欧美| 久久中文看片网| 少妇人妻久久综合中文| 波多野结衣av一区二区av| 日本av免费视频播放| 曰老女人黄片| 99国产精品一区二区蜜桃av | 性色av一级| 美女视频免费永久观看网站| 亚洲国产欧美网| 韩国高清视频一区二区三区| 18禁观看日本| 丝袜美腿诱惑在线| 精品国产乱码久久久久久小说| 一级毛片精品| 亚洲精品中文字幕在线视频| 在线永久观看黄色视频| 人妻一区二区av| 国产精品亚洲av一区麻豆| 涩涩av久久男人的天堂| tocl精华| 免费在线观看视频国产中文字幕亚洲 | 黄色视频,在线免费观看| 国产成人啪精品午夜网站| 亚洲av成人不卡在线观看播放网 | 国产免费福利视频在线观看| 久久久久精品国产欧美久久久 | 精品国产超薄肉色丝袜足j| 亚洲国产毛片av蜜桃av| 国产真人三级小视频在线观看| 深夜精品福利| 99国产精品一区二区蜜桃av | 精品国产国语对白av| 亚洲欧美一区二区三区久久| 成年av动漫网址| 国产精品国产av在线观看| 亚洲av日韩在线播放| 精品欧美一区二区三区在线| 老熟妇仑乱视频hdxx| 日本一区二区免费在线视频| 午夜两性在线视频| a级毛片在线看网站| 麻豆乱淫一区二区| 亚洲欧美一区二区三区黑人| 亚洲av片天天在线观看| 国产成人精品无人区| 色播在线永久视频| 老汉色av国产亚洲站长工具| 99国产精品99久久久久| 在线天堂中文资源库| 日本猛色少妇xxxxx猛交久久| 国产精品国产av在线观看| 一本色道久久久久久精品综合| av网站在线播放免费| 亚洲va日本ⅴa欧美va伊人久久 | 老司机午夜福利在线观看视频 | 91精品伊人久久大香线蕉| 欧美激情极品国产一区二区三区| 久久热在线av| 五月开心婷婷网| 我的亚洲天堂| 亚洲性夜色夜夜综合| 一级毛片女人18水好多| 成人亚洲精品一区在线观看| 一区二区三区四区激情视频| 成人免费观看视频高清| 午夜福利视频精品| 亚洲精品中文字幕一二三四区 | av国产精品久久久久影院| 好男人电影高清在线观看| 国产成人免费观看mmmm| av视频免费观看在线观看| 成人三级做爰电影| 欧美黑人欧美精品刺激| 国产精品一区二区在线不卡| 深夜精品福利| 精品少妇内射三级| 国产精品.久久久| 国产在视频线精品| 国产精品av久久久久免费| 久久久久网色| 高清黄色对白视频在线免费看| 亚洲熟女毛片儿| 午夜福利在线观看吧| 国产成+人综合+亚洲专区| 亚洲激情五月婷婷啪啪| 国产精品1区2区在线观看. | 亚洲午夜精品一区,二区,三区| 人人妻人人澡人人爽人人夜夜| av网站在线播放免费| 人人妻人人爽人人添夜夜欢视频| 制服人妻中文乱码| 十八禁网站网址无遮挡| 国产99久久九九免费精品| 免费少妇av软件| 精品第一国产精品| 欧美午夜高清在线| 久久国产亚洲av麻豆专区| 亚洲精品美女久久av网站| 成人国语在线视频| 久久亚洲国产成人精品v| 国产日韩一区二区三区精品不卡| 国产免费现黄频在线看| 亚洲精品av麻豆狂野| 美女高潮喷水抽搐中文字幕| 一本久久精品| 久久人妻福利社区极品人妻图片| 一二三四在线观看免费中文在| 狠狠狠狠99中文字幕| 国产成人免费无遮挡视频| 亚洲欧美一区二区三区黑人| 久久精品亚洲熟妇少妇任你| 亚洲av国产av综合av卡| 亚洲国产精品成人久久小说| 亚洲熟女精品中文字幕| 热re99久久精品国产66热6| 日本vs欧美在线观看视频| 国产无遮挡羞羞视频在线观看| 国产成人免费观看mmmm| 国产亚洲av片在线观看秒播厂| 成人影院久久| 热99久久久久精品小说推荐| 色综合欧美亚洲国产小说| www.999成人在线观看| 亚洲欧洲精品一区二区精品久久久| 亚洲av日韩精品久久久久久密| 日日夜夜操网爽| 十八禁网站免费在线| 欧美 亚洲 国产 日韩一| 国产有黄有色有爽视频| 欧美乱码精品一区二区三区| 超色免费av| 秋霞在线观看毛片| 99热网站在线观看| 女人高潮潮喷娇喘18禁视频| 色婷婷av一区二区三区视频| 宅男免费午夜| 国产成人av激情在线播放| 中文字幕人妻丝袜制服| 欧美人与性动交α欧美软件| 国产男女超爽视频在线观看| 王馨瑶露胸无遮挡在线观看| 丝袜美腿诱惑在线| 在线观看www视频免费| 国产黄频视频在线观看| 亚洲少妇的诱惑av| 国产区一区二久久| 久久久久久人人人人人| 国产男人的电影天堂91| 久久亚洲精品不卡| 国产成人免费无遮挡视频| 成人亚洲精品一区在线观看| 欧美国产精品一级二级三级| 午夜福利在线免费观看网站| 国产在视频线精品| 久久九九热精品免费| 一级黄色大片毛片| 国产精品秋霞免费鲁丝片| 国产野战对白在线观看| 国产成人影院久久av| 成人av一区二区三区在线看 | 无限看片的www在线观看| 亚洲精品日韩在线中文字幕| 一二三四在线观看免费中文在| 人成视频在线观看免费观看| 久久久久网色| 亚洲激情五月婷婷啪啪| av线在线观看网站| 大型av网站在线播放| 777久久人妻少妇嫩草av网站| 电影成人av| 超碰成人久久| 午夜福利乱码中文字幕| 亚洲欧洲精品一区二区精品久久久| 久久久精品免费免费高清| 男男h啪啪无遮挡| 亚洲av电影在线进入| 色老头精品视频在线观看| 欧美精品人与动牲交sv欧美| 欧美精品啪啪一区二区三区 | 男女无遮挡免费网站观看| 最近最新中文字幕大全免费视频| 国产一区二区在线观看av| 一级黄色大片毛片| 国产精品自产拍在线观看55亚洲 | 久久久久国产一级毛片高清牌| videos熟女内射| 国产在线视频一区二区| 少妇的丰满在线观看| 久久久久久免费高清国产稀缺| 欧美激情高清一区二区三区| 精品国内亚洲2022精品成人 | 高清视频免费观看一区二区| 欧美精品av麻豆av| 午夜福利一区二区在线看| 亚洲欧洲日产国产| 亚洲精品一区蜜桃| 国产成人欧美在线观看 | 欧美日韩亚洲国产一区二区在线观看 | 国产精品影院久久| 成年女人毛片免费观看观看9 | 亚洲精品在线美女| 亚洲精品日韩在线中文字幕| 精品亚洲成国产av| 色综合欧美亚洲国产小说| 久久久国产精品麻豆| 亚洲成人手机| 国产在线免费精品| 侵犯人妻中文字幕一二三四区| 免费高清在线观看视频在线观看| 亚洲第一av免费看| 夫妻午夜视频| 中文字幕人妻丝袜制服| 不卡av一区二区三区| 在线观看免费午夜福利视频| 嫩草影视91久久| 国产成人免费观看mmmm| 亚洲精品美女久久久久99蜜臀| 午夜成年电影在线免费观看| 精品国产乱码久久久久久男人| 久久久久久久久免费视频了| 老鸭窝网址在线观看| 少妇 在线观看| 一本—道久久a久久精品蜜桃钙片| 亚洲国产看品久久|