• <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R-OSELM的海洋環(huán)境數(shù)據(jù)在線預(yù)測(cè)

    2023-06-14 09:39:40李志剛劉宇杰韓國(guó)峰程尚付多民李瑩琦

    李志剛 劉宇杰 韓國(guó)峰 程尚 付多民 李瑩琦

    摘要為及時(shí)辨識(shí)海洋環(huán)境的變化趨勢(shì)和降低長(zhǎng)期累積的海洋環(huán)境數(shù)據(jù)對(duì)預(yù)測(cè)模型的影響,提出一種基于循環(huán)在線順序極限學(xué)習(xí)機(jī)(Recurrent Online Sequential Extreme Learning Machine R-OSELM)的海洋環(huán)境數(shù)據(jù)在線預(yù)測(cè)模型.采用完全在線的方法初始化海洋環(huán)境數(shù)據(jù)訓(xùn)練集,通過在線順序極限學(xué)習(xí)機(jī)算法對(duì)已有的海洋環(huán)境數(shù)據(jù)進(jìn)行逐塊輸入,利用極限學(xué)習(xí)機(jī)的自動(dòng)編碼技術(shù)與一種歸一化方法對(duì)輸入權(quán)重循環(huán)處理,實(shí)現(xiàn)預(yù)測(cè)模型的在線更新,最后完成對(duì)海洋環(huán)境數(shù)據(jù)的在線預(yù)測(cè).使用該模型對(duì)溶解氧、葉綠素a、濁度、藍(lán)綠藻進(jìn)行預(yù)測(cè),結(jié)果表明R-OSELM模型的預(yù)測(cè)精度高于對(duì)比模型,確定其具備海洋環(huán)境數(shù)據(jù)在線預(yù)測(cè)能力,可為海洋水域水體富營(yíng)養(yǎng)化與海洋環(huán)境污染預(yù)警提供參考.

    關(guān)鍵詞海洋環(huán)境數(shù)據(jù);時(shí)間序列預(yù)測(cè);在線預(yù)測(cè);在線順序極限學(xué)習(xí)機(jī);循環(huán)神經(jīng)網(wǎng)絡(luò)

    中圖分類號(hào)

    TP311.13;P714

    文獻(xiàn)標(biāo)志碼

    A

    收稿日期

    2022-02-09

    資助項(xiàng)目

    國(guó)家重點(diǎn)研發(fā)計(jì)劃 (2017YFE0135700);河北省高等學(xué)校科學(xué)技術(shù)研究項(xiàng)目 (ZD2021088);唐山市科技計(jì)劃 (19150230E)

    作者簡(jiǎn)介李志剛,男,博士,教授,研究方向?yàn)閿?shù)據(jù)挖掘.lizhigang@ncst.edu.cn

    李瑩琦(通信作者),女,講師,研究方向?yàn)闄C(jī)器學(xué)習(xí)理論與應(yīng)用研究.liyingqi@ncst.edu.cn

    0 引言

    隨著人類活動(dòng)的加劇,海洋海域的自然生態(tài)環(huán)境遭到了嚴(yán)重的破壞[1].隨著信息技術(shù)的發(fā)展,海洋環(huán)境數(shù)據(jù)的獲取已經(jīng)成為可能.通過數(shù)據(jù)分析[2]的手段,來對(duì)海洋環(huán)境數(shù)據(jù)實(shí)施監(jiān)控是可行的.為保護(hù)海洋生態(tài)系統(tǒng),對(duì)海洋環(huán)境污染提供預(yù)警,許多學(xué)者利用神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)海洋環(huán)境數(shù)據(jù).在海洋水質(zhì)預(yù)測(cè)方面,現(xiàn)有的預(yù)測(cè)模型在訓(xùn)練方式上使用批量學(xué)習(xí)算法[3-5],即每當(dāng)收到新數(shù)據(jù)時(shí),批量學(xué)習(xí)過去的數(shù)據(jù)和新的數(shù)據(jù)來重新訓(xùn)練模型.在海洋環(huán)境工程應(yīng)用中,當(dāng)監(jiān)測(cè)站采集到的海洋環(huán)境訓(xùn)練樣本發(fā)生變化或者有新的海洋環(huán)境訓(xùn)練樣本加入時(shí)必須對(duì)全部海洋環(huán)境訓(xùn)練樣本重新進(jìn)行訓(xùn)練,這將浪費(fèi)額外的計(jì)算資源.在離線預(yù)測(cè)中,數(shù)據(jù)被輸入到一個(gè)固定的公式或訓(xùn)練好的模型中,忽略對(duì)模型的更新,從而導(dǎo)致其學(xué)習(xí)效率低下,難以滿足模型在線預(yù)測(cè)的要求.所以,將在線預(yù)測(cè)方法應(yīng)用于海洋環(huán)境數(shù)據(jù)預(yù)測(cè)具有重要意義.

    近年來,已提出許多在線預(yù)測(cè)模型和方法,如滑動(dòng)時(shí)間窗方法、在線順序極限學(xué)習(xí)機(jī)等.滑動(dòng)時(shí)間窗方法是將數(shù)據(jù)以等量樣本選擇的方式進(jìn)行在線預(yù)測(cè),但預(yù)測(cè)模型本身沒有隨時(shí)間序列在線更新和動(dòng)態(tài)學(xué)習(xí)的能力,導(dǎo)致預(yù)測(cè)精度不優(yōu)秀.海洋環(huán)境數(shù)據(jù)在線預(yù)測(cè)是逐個(gè)或逐塊學(xué)習(xí)已有的海洋環(huán)境數(shù)據(jù),并對(duì)未來的海洋環(huán)境數(shù)據(jù)進(jìn)行預(yù)測(cè),從而對(duì)海洋環(huán)境實(shí)現(xiàn)污染監(jiān)測(cè)和動(dòng)態(tài)維護(hù).在海洋環(huán)境預(yù)報(bào)中,海洋環(huán)境數(shù)據(jù)的生成是連續(xù)的,為提高學(xué)習(xí)效率,模型更新是不可避免的.但在新數(shù)據(jù)不斷到來的情況下,頻繁地更新模型計(jì)算成本高昂.在線順序極限學(xué)習(xí)機(jī)(Online Sequential Extreme Learning Machine,OS-ELM)[6-8]會(huì)在新數(shù)據(jù)到達(dá)時(shí)以較低的成本自動(dòng)更新(然后可以丟棄新數(shù)據(jù))模型方程,通過使用遞歸最小二乘法隨機(jī)初始化輸入權(quán)重和更新輸出權(quán)重,使網(wǎng)絡(luò)能夠逐個(gè)或逐塊學(xué)習(xí)數(shù)據(jù).同時(shí),通過應(yīng)用遞歸最小二乘法的遺忘因子,OS-ELM可以快速適應(yīng)新的輸入模式,基于后續(xù)數(shù)據(jù)和隨機(jī)選擇隱藏節(jié)點(diǎn)參數(shù)更新權(quán)重使該方法快速準(zhǔn)確.但是OS-ELM是針對(duì)單層前饋神經(jīng)網(wǎng)絡(luò)的,并且其輸入權(quán)重?zé)o法調(diào)整,而循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)[9-11]則具有記憶過去事件的能力.RNN在連續(xù)序列數(shù)據(jù)建模方面不僅考慮當(dāng)前的輸入,而且還使用它以前學(xué)到的東西.但是RNN在學(xué)習(xí)過程中存在訓(xùn)練集長(zhǎng)度過大導(dǎo)致的梯度消失或爆炸問題.因此,需要探索能夠面對(duì)長(zhǎng)期累積的海洋環(huán)境數(shù)據(jù)保證預(yù)測(cè)精度的在線預(yù)測(cè)方法.

    面對(duì)長(zhǎng)期累積的海洋環(huán)境數(shù)據(jù),現(xiàn)有的在線預(yù)測(cè)模型自身沒有隨時(shí)間序列在線更新和動(dòng)態(tài)學(xué)習(xí)的能力,導(dǎo)致模型預(yù)測(cè)精度下降.在OS-ELM的基礎(chǔ)上,以“調(diào)整輸入權(quán)重反饋更新”為原則,本文提出了基于循環(huán)在線順序極限學(xué)習(xí)機(jī)(Recurrent Online Sequential Extreme Learning Machine,R-OSELM)的海洋環(huán)境在線預(yù)測(cè)模型.以海洋環(huán)境時(shí)間序列為例進(jìn)行建模和在線預(yù)測(cè)實(shí)驗(yàn)驗(yàn)證,結(jié)果表明,R-OSELM與其他在線預(yù)測(cè)模型相比對(duì)海洋環(huán)境數(shù)據(jù)在線預(yù)測(cè)精度較好,可以滿足海洋大數(shù)據(jù)觀測(cè)監(jiān)測(cè)服務(wù)平臺(tái)對(duì)海洋環(huán)境數(shù)據(jù)在線預(yù)測(cè)的更高需求.

    1 R-OSELM模型

    1.1 模型結(jié)構(gòu)

    R-OSELM是一種改進(jìn)的OS-ELM,它將兩種新的方法應(yīng)用于傳統(tǒng)的OS-ELM:具有歸一化的自動(dòng)編碼技術(shù)和RNN結(jié)構(gòu)的反饋更新輸入權(quán)重,如圖1所示.R-OSELM模型的構(gòu)造:在RNN框架中,其n維輸入層通過輸入權(quán)重W連接到L維隱藏層,隱藏層通過輸出權(quán)重β連接到m維輸出層,隱藏層通過隱藏權(quán)重V也連接到自身.

    R-OSELM模型還定義了兩個(gè)輔助ELM-AE(Extreme Learning Machine-Auto Encoder)網(wǎng)絡(luò),兩個(gè)輔助ELM-AE網(wǎng)絡(luò)的工作原理是通過調(diào)整隱藏層的節(jié)點(diǎn)數(shù),將輸入特征壓縮,一個(gè)用于更新輸入權(quán)重稱為輸入權(quán)重下極限學(xué)習(xí)機(jī)自動(dòng)編碼器,另一個(gè)用于更新隱藏權(quán)重稱為隱藏權(quán)重下極限學(xué)習(xí)機(jī)自動(dòng)編碼器(圖2).在輸入權(quán)重下極限學(xué)習(xí)機(jī)自動(dòng)編碼器中,其輸入層通過輸入權(quán)重連接到隱藏層,隱藏層通過輸出權(quán)重連接到輸出層.輸入權(quán)重下極限學(xué)習(xí)機(jī)自動(dòng)編碼器的輸入層維數(shù)和輸出層維數(shù)與R-OSELM的輸入層維數(shù)相同,輸入權(quán)重下極限學(xué)習(xí)機(jī)自動(dòng)編碼器的隱藏層維數(shù)與R-OSELM的隱藏層維數(shù)相同.隱藏權(quán)重下極限學(xué)習(xí)機(jī)自動(dòng)編碼器的結(jié)構(gòu)同理,它的輸入層、輸出層和隱藏層的維數(shù)與R-OSELM的隱藏層維數(shù)相同.

    每當(dāng)新的海洋環(huán)境數(shù)據(jù)輸入時(shí),采用遞歸最小二乘法隨機(jī)初始化輸入權(quán)重與隱藏權(quán)重下極限學(xué)習(xí)機(jī)自動(dòng)編碼器.極限學(xué)習(xí)機(jī)的自動(dòng)編碼技術(shù)(ELM-AE)[12]調(diào)整隱藏節(jié)點(diǎn)數(shù)將輸入特征壓縮,然后通過應(yīng)用遞歸最小二乘法的遺忘因子,使其可以快速適應(yīng)新的輸入模式.在OS-ELM的非線性激活層的之前加入一個(gè)歸一層,通過減去特征的平均值,再除以特征的方差,簡(jiǎn)單地歸一化輸入特征.連接隱藏層的隱藏權(quán)重也會(huì)在新輸入到達(dá)時(shí)更新,使用與更新輸入權(quán)重相同的技術(shù),這樣可使模型持續(xù)更新輸入與輸出權(quán)重.將這種在線學(xué)習(xí)方法用于學(xué)習(xí)RNN,最后可得模型的預(yù)測(cè)輸出.應(yīng)用極限學(xué)習(xí)機(jī)的自動(dòng)編碼器和歸一化方法來調(diào)整輸入權(quán)重的R-OSELM模型,使預(yù)測(cè)模型隨時(shí)間序列的更新能夠動(dòng)態(tài)調(diào)整,有利于提高海洋環(huán)境數(shù)據(jù)預(yù)測(cè)精度.R-OESELM的結(jié)構(gòu)特點(diǎn)決定了其訓(xùn)練方式的特殊性.

    1.2 模型算法

    R-OSELM模型組成包括兩個(gè)階段:初始化階段和在線順序?qū)W習(xí)階段.

    1.2.1 初始化階段

    對(duì)R-OSELM使用一種全在線初始化方法,不需要初始數(shù)據(jù)集.公式如下:

    β 0=0, Ρ 0=ΙC-1.? (1)

    利用式(1)設(shè)定其初始輸出權(quán)重β 0和初始輔助矩陣P 0.其隱藏層輸出的初始值H 0是隨機(jī)生成的,輸入權(quán)重下極限學(xué)習(xí)機(jī)自動(dòng)編碼器的輸入權(quán)重Wi和隱藏權(quán)重下極限學(xué)習(xí)機(jī)自動(dòng)編碼器的輸入權(quán)重Wh也隨機(jī)賦值.用式(1)對(duì)它們的輸出權(quán)重βi 0,βh 0和相應(yīng)的輔助矩陣Pi 0,Ph 0初始化.

    當(dāng)有一個(gè)新的海洋環(huán)境訓(xùn)練樣本為Nk+1的輸入數(shù)據(jù)塊到達(dá)時(shí),其中k+1表示第k+1個(gè)海洋環(huán)境訓(xùn)練樣本輸入數(shù)據(jù)塊,k從0開始遞增時(shí),進(jìn)行下面的學(xué)習(xí)過程.為了數(shù)學(xué)上的簡(jiǎn)單性,將海洋環(huán)境數(shù)據(jù)訓(xùn)練樣本Nk+1的大小設(shè)置為1.

    1.2.2 在線順序?qū)W習(xí)階段

    1)更新輸入權(quán)重.首先使用輸入權(quán)重下極限學(xué)習(xí)機(jī)自動(dòng)編碼器更新R-OSELM的輸入權(quán)重.輸入權(quán)重下極限學(xué)習(xí)機(jī)自動(dòng)編碼器將第k+1個(gè)輸入樣本x(k+1)傳送到隱藏層.輸入權(quán)重下極限學(xué)習(xí)機(jī)自動(dòng)編碼器隱藏層的輸出矩陣Hi k+1計(jì)算公式如下:

    Hi k+1=g(norm(Wi k+1x(k+1))), (2)

    norm(x)=x-μiσi2+ε,? (3)

    μi=1L∑Lj=1x j, (4)

    σi=1L∑Lj=1(x j-μi)2,? (5)

    式(5)中,x j表示訓(xùn)練樣本,具有L個(gè)隱藏節(jié)點(diǎn)的輸出.在非線性激活層的前面加入norm函數(shù)作為歸一化層,然后使用遞歸最小二乘法計(jì)算輸入權(quán)重下極限學(xué)習(xí)機(jī)自動(dòng)編碼器的輸出權(quán)重βi k+1:

    βi k+1=βi k+Pi k+1Hi k+1T(x(k+1)-Hi k+1βi k),? (6)

    Pi k+1=1λPi k-Pi kHi k+1T(λ2+λHi k+1Pi kHi k+1T)-1Hi k+1Pi k, ?(7)

    式(7)中λ為常數(shù)遺忘因子.用T k+1代替x(k+1)執(zhí)行無監(jiān)督自動(dòng)編碼[13],公式如下:

    β k+1=β k+P k+1HT k+1(T k+1-H k+1β k).? (8)

    將βi k+1的轉(zhuǎn)置作為R-OSELM模型的輸入權(quán)重W k+1:

    W k+1=βi k+1T.? (9)

    2)更新隱藏權(quán)重.同樣,使用隱藏權(quán)重下極限學(xué)習(xí)機(jī)自動(dòng)編碼器更新R-OSELM的隱藏權(quán)重.隱藏權(quán)重下極限學(xué)習(xí)機(jī)自動(dòng)編碼器將R-OSELM的第k個(gè)隱藏層輸出H k輸送到隱藏層,隱藏權(quán)重下極限學(xué)習(xí)機(jī)自動(dòng)編碼器隱藏層的輸出矩陣Hh k+1計(jì)算公式如下:

    Hh k+1=g(norm(Wh k+1H k)).? (10)

    執(zhí)行無監(jiān)督自動(dòng)編碼[13],使用遞歸最小二乘法計(jì)算隱藏權(quán)重下極限學(xué)習(xí)機(jī)自動(dòng)編碼器的輸出權(quán)重βh k+1:

    βh k+1=βh k+Ph k+1Hh k+1T(H k-Hh k+1βh k), (11)

    Ph k+1=1λPh k-Ph kHh k+1T(λ2+λHh k+1Ph kHh k+1T)-1Hh k+1Ph k, (12)

    把βh k+1的轉(zhuǎn)置當(dāng)作R-OSELM的隱藏權(quán)重V k+1:

    V k+1=βh k+1T.? (13)

    3)前饋傳播.用第k+1個(gè)輸入樣本x(k+1)來計(jì)算R-OSELM的隱藏層輸出矩陣H k+1,公式如下:

    H k+1=g(norm(W k+1x(k+1)+V k+1H k)).? (14)

    4)更新輸出權(quán)重.利用式(8)和式(15)更新R-OSELM的輸出權(quán)重β k+1:

    P k+1=P k-P kHT k+1(I+H k+1P kHT k+1)-1H k+1P k. (15)

    本文提出的R-OSELM不限于單個(gè)隱藏層,而是可以有m個(gè)隱藏層,此時(shí)R-OSELM有m個(gè)輸入權(quán)重下極限學(xué)習(xí)機(jī)自動(dòng)編碼器、m個(gè)隱藏權(quán)重下極限學(xué)習(xí)機(jī)自動(dòng)編碼器.在此更深層次的結(jié)構(gòu)中,可以學(xué)習(xí)更復(fù)雜的海洋環(huán)境數(shù)據(jù)特征.

    1.3 算法流程(見下頁)

    2 仿真實(shí)驗(yàn)與性能評(píng)估

    2.1 實(shí)驗(yàn)數(shù)據(jù)集

    本文使用中國(guó)北部海灣海域某定點(diǎn)浮標(biāo)的實(shí)測(cè)數(shù)據(jù)驗(yàn)證R-OSELM模型性能.?dāng)?shù)據(jù)樣本選擇中國(guó)某海域的海洋環(huán)境數(shù)據(jù),樣本選擇周期為5 min,涵蓋氣象參數(shù)和水質(zhì)參數(shù)兩種類型.在線監(jiān)控的樣本特征屬性由溶解氧、葉綠素a、濁度和藍(lán)綠藻組成.選取4種因素各8 000個(gè)海洋環(huán)境數(shù)據(jù)實(shí)驗(yàn)樣本.監(jiān)測(cè)的海洋生態(tài)環(huán)境原始數(shù)據(jù)變化曲線如圖3所示.

    2.2 在線預(yù)測(cè)模型性能分析

    為使模型在在線訓(xùn)練階段效果更佳,將模型輸入維數(shù)設(shè)置為100.在模型參數(shù)選擇上,將遺忘因子λ=0.915,隱節(jié)點(diǎn)數(shù)設(shè)置為21,采用sigmoid作為激活函數(shù).本文選用標(biāo)準(zhǔn)均方根誤差(NRMSE)、平均絕對(duì)百分比誤差(MAPE)和決定系數(shù)(R2)作為模型預(yù)測(cè)性能的度量標(biāo)準(zhǔn).

    R-OSELM算法流程

    步驟1(初始化階段):1)設(shè)置隱藏節(jié)點(diǎn)數(shù)目L,隨機(jī)生成隱藏層輸出的初始值H 0,輸入權(quán)重下極限學(xué)習(xí)機(jī)自動(dòng)編碼器的輸入權(quán)重Wi,隱藏權(quán)重下極限學(xué)習(xí)機(jī)自動(dòng)編碼器的輸入權(quán)重Wh和隱藏層偏置σi(i=1,2,…,L).

    2)使βi 0=βh 0=0,Pi 0=Ph 0=(I/C)-1.步驟2(在線順序?qū)W習(xí)階段):For k=1,2,…

    ① 獲得第(k+1)個(gè)海洋環(huán)境數(shù)據(jù)訓(xùn)練樣本塊(x i,t i)∑k+1j=0N j

    i=∑kj=0N j+1,其中N j表示第j個(gè)海洋環(huán)境數(shù)據(jù)訓(xùn)練樣本塊的數(shù)目;

    ② 由式(2)計(jì)算Hi k+1,由式(7)和式(8)計(jì)算Pi k+1和βi k+1;

    ③ 由式(10)計(jì)算Hh k+1,由式(12)和式(11)計(jì)算Ph k+1和βh k+1;

    ④ 把βi k+1和βh k+1轉(zhuǎn)置分別得出W k+1和V k+1;

    ⑤ 將W k+1和V k+1代入式(14)計(jì)算出H k+1;

    ⑥ 由式(8)和式(15)更新R-OSELM的輸出權(quán)重β k+1.

    重復(fù)步驟2直到?jīng)]有新數(shù)據(jù)到達(dá).

    End

    NRMSE=∑Nt=1(y r(t)-y p(t))2Nσ2,? (16)

    MAPE=1N∑Nt=1y r(t)-y p(t)y p(t)×100%,? (17)

    R2=1-∑Nt=1(y r(t)-y p(t))2∑Nt=1 (y r(t)- r(t))2,? (18)

    式中,N為海洋數(shù)據(jù)集的長(zhǎng)度,y r(t)為t時(shí)刻的實(shí)際數(shù)據(jù), r(t)為實(shí)際數(shù)據(jù)的平均值,y p(t)為模型在t時(shí)刻的預(yù)測(cè)數(shù)據(jù),σ2為預(yù)測(cè)值的方差

    OS-ELM僅使用ELM-AE更新輸入權(quán)重,雖可獲得更好的隱藏層特征,但OS-ELM的性能會(huì)下降.本實(shí)驗(yàn)首先驗(yàn)證R-OSELM在不加入歸一化層前,ELM-AE對(duì)OS-ELM的影響,將OS-ELM與OS-ELM-AE的隱藏節(jié)點(diǎn)數(shù)分別設(shè)置為5、15、20、25,以NRMSE為度量標(biāo)準(zhǔn).實(shí)驗(yàn)結(jié)果表明,OS-ELM在僅使用ELM-AE后,隨著隱藏節(jié)點(diǎn)數(shù)量的增加,模型的性能變得更差,如圖4所示.所以,需要對(duì)OS-ELM-AE再使用一種歸一化方法提升模型的性能.

    海洋環(huán)境數(shù)據(jù)的預(yù)測(cè)和實(shí)際對(duì)比如圖5所示,可知4種海洋環(huán)境因素的預(yù)測(cè)曲線基本能擬合實(shí)際數(shù)據(jù)的變化情況,能夠準(zhǔn)確地反映出未來海洋環(huán)境的變化趨勢(shì),驗(yàn)證了R-OSELM在海洋環(huán)境數(shù)據(jù)在線預(yù)測(cè)任務(wù)中的可行性.

    4種海洋環(huán)境數(shù)據(jù)預(yù)測(cè)結(jié)果如表1所示.其中:NRMSE的值均小于0.1;MAPE的值均小于10%,尤其是溶解氧與濁度的MAPE值小于1%;R2均大于0.99.結(jié)果表明R-OSELM模型擬合效果優(yōu)秀.

    2.3 與對(duì)比模型的性能比較

    挑選處理在線預(yù)測(cè)任務(wù)的3種傳統(tǒng)模型:OS-ELM、在線LSTM[14]和在線SVR[15]為對(duì)比模型,對(duì)溶解氧、葉綠素a、濁度和藍(lán)綠藻4種海洋環(huán)境數(shù)據(jù)進(jìn)行在線預(yù)測(cè)實(shí)驗(yàn),驗(yàn)證R-OSELM在海洋環(huán)境數(shù)據(jù)在線預(yù)測(cè)任務(wù)中的可行性.為保證實(shí)驗(yàn)的可對(duì)比性,對(duì)比模型的輸入層尺寸和輸出層尺寸與R-OSELM相同.

    圖6給出了R-OSELM與其他3種模型對(duì)溶解氧、葉綠素a、濁度和藍(lán)綠藻數(shù)據(jù)的NRMSE對(duì)比,可以看出R-OSELM明顯優(yōu)于其他3種對(duì)比模型,其NRMSE值均在0.1以下.由圖6可知,在線LSTM與在線SVR預(yù)測(cè)能力明顯不如R-OSELM和OS-ELM,這可能是由于OS-ELM擁有對(duì)模型在線更新的能力,而前2種在線方法只是在于對(duì)樣本輸入的處理上.R-OSELM在加入提出的歸一化方法對(duì)輸入權(quán)重不斷更新后,效果優(yōu)于OS-ELM,能使其性能進(jìn)一步提高.

    總體來說,R-OSELM在海洋環(huán)境數(shù)據(jù)在線預(yù)測(cè)任務(wù)中表現(xiàn)穩(wěn)定,能有效實(shí)現(xiàn)對(duì)海洋環(huán)境數(shù)據(jù)的在線預(yù)測(cè),提升預(yù)測(cè)的準(zhǔn)確性.

    3 結(jié)語

    本文提出一種R-OSELM的海洋環(huán)境數(shù)據(jù)在線預(yù)測(cè)模型,對(duì)長(zhǎng)期累積的海洋環(huán)境數(shù)據(jù),隨海洋環(huán)境時(shí)間序列在線更新,動(dòng)態(tài)調(diào)整在線預(yù)測(cè)模型提升預(yù)測(cè)精度.該模型使用ELM-AE用于提取更好的輸入特征,之后使用歸一化處理并對(duì)隱藏權(quán)重進(jìn)行循環(huán)輸入,使其能夠很好地訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò).實(shí)驗(yàn)結(jié)果表明R-OSELM應(yīng)用于海洋環(huán)境數(shù)據(jù)在線預(yù)測(cè)任務(wù),預(yù)測(cè)精度有顯著提升.R-OSELM的特殊結(jié)構(gòu)不僅在初始學(xué)習(xí)階段能夠快速學(xué)習(xí)輸入模式,而且比其他在線預(yù)測(cè)方法更能快速適應(yīng)輸入模式的變化,可以高效完成海洋環(huán)境數(shù)據(jù)在線預(yù)測(cè)任務(wù),滿足對(duì)海洋水質(zhì)環(huán)境在線預(yù)測(cè)的需求.

    參考文獻(xiàn)

    References

    [1] 王利明,馬蕾,楊曉飛,等.渤海環(huán)境污染的治理與保護(hù)對(duì)策[J].中國(guó)資源綜合利用,2020,38(3):109-111

    WANG Liming,MA Lei,YANG Xiaofei,et al.The countermeasures for the pollution control and protection in the Bohai Sea[J].China Resources Comprehensive Utilization,2020,38(3):109-111

    [2] Babak V P,Babak S V,Myslovych M V,et al.Methods and models for information data analysis[M]//Diagnostic Systems for Energy Equipments.Cham:Springer International Publishing,2020:23-70

    [3] 豆荊輝,夏瑞,張凱,等.非參數(shù)模型在河湖富營(yíng)養(yǎng)化研究領(lǐng)域應(yīng)用進(jìn)展[J].環(huán)境科學(xué)研究,2021,34(8):1928-1940

    DOU Jinghui,XIA Rui,ZHANG Kai,et al.Application progress of non-parametric models in the field of river and lake eutrophication research[J].Research of Environmental Sciences,2021,34(8):1928-1940

    [4] 張雪薇,韓震.基于Conv GRU深度學(xué)習(xí)網(wǎng)絡(luò)模型的海表面溫度預(yù)測(cè)[J].大連海洋大學(xué)學(xué)報(bào),2022,37(3):531-538

    ZHANG Xuewei,HAN Zhen.Sea surface temperature prediction based on ConvGRU deep learning network model [J].Journal of Dalian Ocean University,2022,37(3):531-538

    [5] 孫龍清,吳雨寒,孫希蓓,等.基于IBAS和LSTM網(wǎng)絡(luò)的池塘水溶解氧含量預(yù)測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2021,52(增刊1):252-260

    SUN Longqing,WU Yuhan,SUN Xibei,et al.Dissolved oxygen prediction model in ponds based on improved beetle antennae search and LSTM network[J].Transactions of the Chinese Society for Agricultural Machinery,2021,52(sup1):252-260

    [6] Cao W P,Ming Z,Xu Z W,et al.Online sequential extreme learning machine with dynamic forgetting factor[J].IEEE Access,2019,7:179746-179757

    [7] Cao W W,Yang Q M.Online sequential extreme learning machine based adaptive control for wastewater treatment plant[J].Neurocomputing,2020,408:169-175

    [8] Al-Dhief F T,Baki M M,Latiff N M A,et al.Voice pathology detection and classification by adopting online sequential extreme learning machine[J].IEEE Access,2021,9:77293-77306

    [9] 楊麗,吳雨茜,王俊麗,等.循環(huán)神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)應(yīng)用,2018,38(增刊2):1-6,26

    YANG Li,WU Yuxi,WANG Junli,et al.Research on recurrent neural network[J].Journal of Computer Applications,2018,38(sup2):1-6,26

    [10] Li L,Jiang P,Xu H,et al.Water quality prediction based on recurrent neural network and improved evidence theory:a case study of Qiantang River,China[J].Environmental Science and Pollution Research,2019,26(19):19879-19896

    [11] Ye Q Q,Yang X Q,Chen C B,et al.River water quality parameters prediction method based on LSTM-RNN model[C]//2019 Chinese Control and Decision Conference (CCDC).June 3-5,2019,Nanchang,China.IEEE,2019:3024-3028

    [12] Ding S F,Zhang N,Zhang J,et al.Unsupervised extreme learning machine with representational features[J].International Journal of Machine Learning and Cybernetics,2017,8(2):587-595

    [13] Liu Z,Huang S L,Jin W,et al.Broad learning system for semi-supervised learning[J].Neurocomputing,2021,444:38-47

    [14] Bakhashwain N,University K F,Sagheer A,et al.Online tuning of hyperparameters in deep LSTM for time series applications[J].International Journal of Intelligent Engineering and Systems,2021,14(1):212-220

    [15] Hu Z G,Kang H,Zheng M G.Stream data load prediction for resource scaling using online support vector regression[J].Algorithms,2019,12(2):37

    Online prediction of marine environment data based on R-OSELM

    LI Zhigang1 LIU Yujie1 HAN Guofeng2 CHENG Shang1 FU Duomin1 LI Yingqi1

    1College of Artificial Intelligence/Hebei Key Laboratory of Industrial Intelligent Perception,

    North China University of Science and Technology,Tangshan 063210

    2Tangshan Employment Service Center,Tangshan 063000

    Abstract In order to timely identify the changing trend of marine environment and reduce the influence of long-term accumulated marine environment data on prediction model,an online prediction model of marine environment data based on recurrent online sequential extreme learning machine (R-OSELM) is proposed.The marine environment data training set is initialized by an online method,the existing marine environment data is input block by block via online sequential extreme learning machine algorithm,and the input weight is cyclically processed by automatic coding technology of extreme learning machine and a normalized method,which realize the online update of the prediction model.Finally,online prediction of marine environment data is completed.The model is then used to predict dissolved oxygen,chlorophyll A,turbidity,and blue-green algae.The results show that the prediction accuracy of R-OSELM model is better than that of the comparison model.It is verified that the proposed R-OSELM model is capable of online prediction of marine environment data,which can provide support for early warning of marine eutrophication and other marine environmental pollution.

    Key words marine environment data;time series prediction;online prediction;online sequential extreme learning machine;recurrent neural network

    色网站视频免费| 美女xxoo啪啪120秒动态图| 精品国产一区二区三区久久久樱花| 久久精品夜色国产| 久久久久精品久久久久真实原创| 韩国高清视频一区二区三区| 极品人妻少妇av视频| 久久人妻熟女aⅴ| 天天影视国产精品| 91在线精品国自产拍蜜月| av.在线天堂| 国产精品麻豆人妻色哟哟久久| 99热全是精品| 美女国产视频在线观看| 国产亚洲精品第一综合不卡 | 搡老乐熟女国产| 在线天堂最新版资源| 婷婷色av中文字幕| av卡一久久| 日韩中文字幕视频在线看片| 国产午夜精品一二区理论片| 最近手机中文字幕大全| 国产精品女同一区二区软件| 日韩av在线免费看完整版不卡| 丝袜在线中文字幕| 免费观看性生交大片5| 亚洲精品色激情综合| 欧美+日韩+精品| 亚洲欧美一区二区三区国产| 午夜免费鲁丝| 欧美人与性动交α欧美精品济南到 | 久久ye,这里只有精品| 国产精品一二三区在线看| 看非洲黑人一级黄片| 亚洲人成77777在线视频| 久久 成人 亚洲| 一区二区三区精品91| 中文天堂在线官网| 国产深夜福利视频在线观看| 国产精品女同一区二区软件| 我的女老师完整版在线观看| 欧美最新免费一区二区三区| 欧美精品亚洲一区二区| xxx大片免费视频| 日韩不卡一区二区三区视频在线| 久久久国产欧美日韩av| 亚洲欧美日韩卡通动漫| 男女国产视频网站| 亚洲第一区二区三区不卡| 自线自在国产av| 国产亚洲精品久久久com| 黑人猛操日本美女一级片| 精品少妇黑人巨大在线播放| 欧美 亚洲 国产 日韩一| 涩涩av久久男人的天堂| 久久国产亚洲av麻豆专区| 婷婷色综合大香蕉| 高清午夜精品一区二区三区| 如何舔出高潮| 人人澡人人妻人| 日韩中文字幕视频在线看片| 男女免费视频国产| 日日啪夜夜爽| 色婷婷久久久亚洲欧美| 人人妻人人添人人爽欧美一区卜| 波野结衣二区三区在线| 黑人巨大精品欧美一区二区蜜桃 | 日韩中字成人| 欧美激情 高清一区二区三区| 国产黄色视频一区二区在线观看| 国产视频首页在线观看| 国产精品女同一区二区软件| 日本vs欧美在线观看视频| 蜜臀久久99精品久久宅男| 成人综合一区亚洲| 亚洲欧美清纯卡通| 高清不卡的av网站| 日本色播在线视频| 午夜视频国产福利| 日韩精品免费视频一区二区三区 | 免费av不卡在线播放| 国产乱人偷精品视频| 在线天堂最新版资源| 伦精品一区二区三区| 亚洲精品成人av观看孕妇| a级毛片免费高清观看在线播放| 亚洲精品,欧美精品| 亚洲久久久国产精品| 人妻系列 视频| 国语对白做爰xxxⅹ性视频网站| 亚洲怡红院男人天堂| 免费看光身美女| 男男h啪啪无遮挡| 国产亚洲欧美精品永久| 午夜久久久在线观看| 三级国产精品欧美在线观看| 伦理电影大哥的女人| 国产精品久久久久久精品古装| 一本色道久久久久久精品综合| 日韩熟女老妇一区二区性免费视频| 亚洲三级黄色毛片| 国产精品久久久久成人av| 中国三级夫妇交换| 亚洲av成人精品一二三区| 国产成人精品福利久久| 亚洲国产成人一精品久久久| 国产日韩欧美视频二区| 久久久久人妻精品一区果冻| 久久久午夜欧美精品| 狠狠婷婷综合久久久久久88av| 99久久人妻综合| 大片免费播放器 马上看| 久久国产亚洲av麻豆专区| 99热国产这里只有精品6| 女人久久www免费人成看片| 日韩视频在线欧美| 国产一级毛片在线| 91在线精品国自产拍蜜月| 欧美精品国产亚洲| 欧美日韩成人在线一区二区| 熟女av电影| 考比视频在线观看| 国产乱来视频区| 亚洲情色 制服丝袜| 精品少妇久久久久久888优播| 亚洲国产精品一区二区三区在线| 国产色爽女视频免费观看| 婷婷色av中文字幕| 99久久综合免费| av免费在线看不卡| 欧美日韩视频精品一区| 人人妻人人澡人人爽人人夜夜| 亚洲精品国产av蜜桃| 麻豆乱淫一区二区| 亚洲精品av麻豆狂野| 亚洲综合色惰| 制服诱惑二区| 久久国产精品大桥未久av| 免费黄频网站在线观看国产| 蜜桃国产av成人99| 精品国产国语对白av| 日韩大片免费观看网站| 如日韩欧美国产精品一区二区三区 | 男女国产视频网站| 高清黄色对白视频在线免费看| 国产成人精品福利久久| 久久久久久久久久久丰满| 一本大道久久a久久精品| 高清欧美精品videossex| 亚洲av福利一区| 国产精品偷伦视频观看了| 九九久久精品国产亚洲av麻豆| 一级,二级,三级黄色视频| 看免费成人av毛片| 中文字幕久久专区| 亚洲欧美日韩另类电影网站| 亚洲精品中文字幕在线视频| 亚洲精品av麻豆狂野| 2018国产大陆天天弄谢| 又粗又硬又长又爽又黄的视频| 全区人妻精品视频| 嘟嘟电影网在线观看| 亚洲美女搞黄在线观看| 国语对白做爰xxxⅹ性视频网站| 一本—道久久a久久精品蜜桃钙片| 精品国产乱码久久久久久小说| av有码第一页| 久久久久久久亚洲中文字幕| 黄色欧美视频在线观看| 少妇人妻精品综合一区二区| 精品久久久精品久久久| 午夜免费鲁丝| 成人国语在线视频| av播播在线观看一区| 亚洲成色77777| 欧美97在线视频| 欧美老熟妇乱子伦牲交| 黄色毛片三级朝国网站| 久久久久视频综合| 日韩人妻高清精品专区| 国产av精品麻豆| 国产精品一区二区三区四区免费观看| 国产深夜福利视频在线观看| 内地一区二区视频在线| 亚洲欧美中文字幕日韩二区| av在线播放精品| 高清欧美精品videossex| 国产精品一区二区在线不卡| 精品久久久久久久久av| 五月伊人婷婷丁香| 国产有黄有色有爽视频| freevideosex欧美| 波野结衣二区三区在线| 我的老师免费观看完整版| 亚洲无线观看免费| 一级毛片aaaaaa免费看小| 青春草视频在线免费观看| 国产精品国产三级国产专区5o| 亚洲成人手机| 9色porny在线观看| 久久久久视频综合| 91在线精品国自产拍蜜月| 啦啦啦在线观看免费高清www| 男人操女人黄网站| 国产女主播在线喷水免费视频网站| 国产成人午夜福利电影在线观看| 国产淫语在线视频| 蜜桃国产av成人99| 午夜激情av网站| 亚洲欧美日韩另类电影网站| 嫩草影院入口| 一区二区三区免费毛片| 欧美少妇被猛烈插入视频| 一本—道久久a久久精品蜜桃钙片| 亚洲一级一片aⅴ在线观看| 最新的欧美精品一区二区| a级毛片在线看网站| 九九在线视频观看精品| 亚洲在久久综合| 肉色欧美久久久久久久蜜桃| 在线精品无人区一区二区三| 免费观看av网站的网址| 免费看不卡的av| videos熟女内射| 精品人妻一区二区三区麻豆| 欧美丝袜亚洲另类| 国产精品麻豆人妻色哟哟久久| 五月天丁香电影| 99久国产av精品国产电影| 国精品久久久久久国模美| 亚洲欧洲日产国产| 在线观看免费高清a一片| 欧美国产精品一级二级三级| 亚洲成人手机| 天美传媒精品一区二区| 国语对白做爰xxxⅹ性视频网站| 一本大道久久a久久精品| 亚洲精品中文字幕在线视频| 久热久热在线精品观看| 熟女人妻精品中文字幕| 国产日韩欧美视频二区| 色婷婷久久久亚洲欧美| 99久久人妻综合| 蜜桃国产av成人99| 一级爰片在线观看| 国产av码专区亚洲av| 日本黄大片高清| 精品久久国产蜜桃| av免费在线看不卡| 少妇人妻久久综合中文| 男人操女人黄网站| 制服诱惑二区| 亚洲伊人久久精品综合| 26uuu在线亚洲综合色| 亚洲欧洲日产国产| 在线观看三级黄色| 久久久精品94久久精品| 七月丁香在线播放| 久久久久久伊人网av| 最近最新中文字幕免费大全7| 国产毛片在线视频| 插逼视频在线观看| 精品99又大又爽又粗少妇毛片| 丝袜在线中文字幕| a级毛色黄片| 热re99久久精品国产66热6| 久久 成人 亚洲| 91久久精品国产一区二区三区| 国产一区二区在线观看日韩| 久久人人爽人人爽人人片va| 亚洲伊人久久精品综合| 国产精品免费大片| 大码成人一级视频| 久久人人爽人人爽人人片va| 亚洲av福利一区| 大码成人一级视频| 国产日韩一区二区三区精品不卡 | 日本vs欧美在线观看视频| 欧美日韩精品成人综合77777| 男的添女的下面高潮视频| 人人妻人人澡人人看| 免费人妻精品一区二区三区视频| 午夜日本视频在线| 久久免费观看电影| 日本与韩国留学比较| 亚洲精品久久久久久婷婷小说| 大陆偷拍与自拍| 免费人妻精品一区二区三区视频| 夜夜看夜夜爽夜夜摸| 亚洲av中文av极速乱| 久久99一区二区三区| 欧美三级亚洲精品| 国产成人精品久久久久久| 国产在线视频一区二区| 男女啪啪激烈高潮av片| 人成视频在线观看免费观看| 日本午夜av视频| 日韩中字成人| 国产 一区精品| 日本午夜av视频| 久久久久精品久久久久真实原创| 国产精品人妻久久久影院| 日韩三级伦理在线观看| 王馨瑶露胸无遮挡在线观看| 亚洲婷婷狠狠爱综合网| 亚洲精品乱码久久久v下载方式| 久久精品国产亚洲网站| 老女人水多毛片| 国产色爽女视频免费观看| 精品少妇黑人巨大在线播放| 黄色一级大片看看| 精品国产露脸久久av麻豆| 国产av精品麻豆| 成人毛片a级毛片在线播放| 久久99蜜桃精品久久| 久久久久精品久久久久真实原创| 亚洲一级一片aⅴ在线观看| 十分钟在线观看高清视频www| 色哟哟·www| 欧美国产精品一级二级三级| 少妇人妻精品综合一区二区| 国产精品久久久久久精品古装| 国产日韩欧美亚洲二区| 国产亚洲av片在线观看秒播厂| 亚洲丝袜综合中文字幕| 两个人免费观看高清视频| 精品熟女少妇av免费看| 天天操日日干夜夜撸| 精品国产一区二区久久| 99久久中文字幕三级久久日本| 国产精品秋霞免费鲁丝片| 国产伦精品一区二区三区视频9| 色婷婷av一区二区三区视频| 一边亲一边摸免费视频| 九色成人免费人妻av| 国产高清有码在线观看视频| 男男h啪啪无遮挡| 国产乱来视频区| 18禁观看日本| 波野结衣二区三区在线| 人妻制服诱惑在线中文字幕| 免费观看av网站的网址| 纵有疾风起免费观看全集完整版| 国产成人精品无人区| 亚洲av中文av极速乱| 精品国产一区二区久久| 久久人人爽人人爽人人片va| 久久久久人妻精品一区果冻| 美女福利国产在线| 亚洲综合精品二区| 秋霞在线观看毛片| 国产精品久久久久久久久免| 少妇的逼水好多| 尾随美女入室| 午夜日本视频在线| 母亲3免费完整高清在线观看 | 街头女战士在线观看网站| 欧美日韩成人在线一区二区| 蜜臀久久99精品久久宅男| 国产国语露脸激情在线看| 男女国产视频网站| 91久久精品国产一区二区成人| 午夜免费鲁丝| 一级毛片我不卡| 国产精品女同一区二区软件| 国产免费视频播放在线视频| 中文字幕最新亚洲高清| 国产在视频线精品| 国产在线免费精品| 全区人妻精品视频| 亚洲av国产av综合av卡| 最新中文字幕久久久久| 国国产精品蜜臀av免费| 91在线精品国自产拍蜜月| av女优亚洲男人天堂| 久久久久久久大尺度免费视频| 中文字幕人妻熟人妻熟丝袜美| 国产淫语在线视频| 久久久久久久久久久免费av| 久久热精品热| 又大又黄又爽视频免费| 伦理电影免费视频| 春色校园在线视频观看| 天堂俺去俺来也www色官网| 黄色欧美视频在线观看| 欧美激情极品国产一区二区三区 | 国产毛片在线视频| 国产av精品麻豆| 日本vs欧美在线观看视频| 美女xxoo啪啪120秒动态图| 大香蕉97超碰在线| 特大巨黑吊av在线直播| 午夜免费观看性视频| 亚洲第一区二区三区不卡| 黄片无遮挡物在线观看| 97在线视频观看| 国模一区二区三区四区视频| av黄色大香蕉| 国产精品99久久久久久久久| 日本午夜av视频| 免费av中文字幕在线| 一级黄片播放器| 久久久久久久亚洲中文字幕| 国产白丝娇喘喷水9色精品| 久久99精品国语久久久| 啦啦啦在线观看免费高清www| 天美传媒精品一区二区| 色婷婷久久久亚洲欧美| 中文字幕人妻熟人妻熟丝袜美| 99久久精品一区二区三区| 亚洲经典国产精华液单| 亚洲精品,欧美精品| 免费av中文字幕在线| 精品久久久精品久久久| 国产在线一区二区三区精| 人妻一区二区av| 亚洲国产av新网站| 在线观看国产h片| 亚洲欧美一区二区三区国产| 日本91视频免费播放| 精品酒店卫生间| 亚洲av中文av极速乱| 中国三级夫妇交换| 中文字幕av电影在线播放| 狂野欧美激情性bbbbbb| 欧美97在线视频| 美女脱内裤让男人舔精品视频| 永久免费av网站大全| 少妇人妻 视频| 一本大道久久a久久精品| 狠狠精品人妻久久久久久综合| 国产欧美亚洲国产| 国产黄色免费在线视频| 高清av免费在线| 男男h啪啪无遮挡| 亚洲成人一二三区av| 亚洲精品一二三| 我的老师免费观看完整版| 亚洲av福利一区| 一本久久精品| 国产精品不卡视频一区二区| 纵有疾风起免费观看全集完整版| 国产精品秋霞免费鲁丝片| 丰满迷人的少妇在线观看| 简卡轻食公司| 国产免费又黄又爽又色| 国产高清不卡午夜福利| 免费播放大片免费观看视频在线观看| 有码 亚洲区| 99热6这里只有精品| 80岁老熟妇乱子伦牲交| 欧美日韩在线观看h| av一本久久久久| 欧美xxxx性猛交bbbb| 精品酒店卫生间| 久久久国产一区二区| 天堂俺去俺来也www色官网| 青春草视频在线免费观看| 男女边摸边吃奶| 日韩强制内射视频| 免费黄色在线免费观看| 亚洲,欧美,日韩| 中文欧美无线码| 插阴视频在线观看视频| 久久久久网色| 99久国产av精品国产电影| 热99久久久久精品小说推荐| 日产精品乱码卡一卡2卡三| 亚洲国产精品一区三区| 久久久国产欧美日韩av| 在线天堂最新版资源| 欧美国产精品一级二级三级| 久久精品夜色国产| 久久av网站| 亚洲内射少妇av| 午夜激情福利司机影院| 久久av网站| 91久久精品国产一区二区三区| 午夜福利影视在线免费观看| 欧美丝袜亚洲另类| 国产精品一区二区三区四区免费观看| 永久网站在线| 成人国产麻豆网| av卡一久久| 中文字幕亚洲精品专区| 黄色配什么色好看| 亚洲国产av新网站| 美女视频免费永久观看网站| 女人久久www免费人成看片| 亚洲伊人久久精品综合| 一级黄片播放器| 久久精品国产亚洲av涩爱| www.色视频.com| 老司机亚洲免费影院| 国产午夜精品一二区理论片| 十分钟在线观看高清视频www| 18禁在线无遮挡免费观看视频| 久久精品国产亚洲av天美| 男的添女的下面高潮视频| 久久影院123| 亚洲国产精品国产精品| 大话2 男鬼变身卡| 男女高潮啪啪啪动态图| 亚洲国产精品国产精品| 日本黄大片高清| 男女国产视频网站| 内地一区二区视频在线| 欧美xxⅹ黑人| 人人妻人人添人人爽欧美一区卜| 久久人人爽人人片av| 久热这里只有精品99| 蜜臀久久99精品久久宅男| 午夜福利在线观看免费完整高清在| 97超视频在线观看视频| 男人爽女人下面视频在线观看| 大又大粗又爽又黄少妇毛片口| 人妻夜夜爽99麻豆av| av又黄又爽大尺度在线免费看| 五月天丁香电影| 男女无遮挡免费网站观看| 亚洲怡红院男人天堂| 精品少妇内射三级| 黑人巨大精品欧美一区二区蜜桃 | 青春草国产在线视频| 91精品国产国语对白视频| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 麻豆精品久久久久久蜜桃| 国产色爽女视频免费观看| 亚洲精品自拍成人| 亚洲,一卡二卡三卡| 亚洲国产成人一精品久久久| 国产成人精品福利久久| 久久影院123| 亚洲欧美日韩另类电影网站| 考比视频在线观看| 国产精品偷伦视频观看了| 亚洲色图综合在线观看| 午夜福利,免费看| 美女主播在线视频| 丰满少妇做爰视频| 国产一区有黄有色的免费视频| 大陆偷拍与自拍| 亚州av有码| 在线 av 中文字幕| 80岁老熟妇乱子伦牲交| 欧美精品人与动牲交sv欧美| 中文字幕最新亚洲高清| av黄色大香蕉| 免费观看av网站的网址| 少妇的逼好多水| 欧美 日韩 精品 国产| 国产精品.久久久| 2018国产大陆天天弄谢| 韩国高清视频一区二区三区| kizo精华| 欧美另类一区| 如何舔出高潮| 天天操日日干夜夜撸| videossex国产| 亚洲不卡免费看| 成年美女黄网站色视频大全免费 | 天美传媒精品一区二区| 日韩一区二区视频免费看| 亚洲精品,欧美精品| 欧美 亚洲 国产 日韩一| 日韩精品免费视频一区二区三区 | av女优亚洲男人天堂| 成人午夜精彩视频在线观看| 日韩伦理黄色片| 久久久精品区二区三区| 美女脱内裤让男人舔精品视频| 午夜激情久久久久久久| 秋霞在线观看毛片| 三级国产精品欧美在线观看| 中国国产av一级| 精品久久久噜噜| 国产成人91sexporn| 亚洲少妇的诱惑av| 自拍欧美九色日韩亚洲蝌蚪91| 伊人久久国产一区二区| 亚洲精品乱码久久久久久按摩| 最近中文字幕高清免费大全6| 国产色爽女视频免费观看| 成人黄色视频免费在线看| 性色avwww在线观看| 国产高清不卡午夜福利| 国产视频首页在线观看| 亚洲国产毛片av蜜桃av| 日韩中字成人| 成人漫画全彩无遮挡| 如何舔出高潮| av网站免费在线观看视频| 久久久精品94久久精品| 精品人妻一区二区三区麻豆| 国产精品一国产av| 亚洲欧美清纯卡通| 国产熟女欧美一区二区| 91精品国产国语对白视频| 久热这里只有精品99| 精品久久久久久电影网| 王馨瑶露胸无遮挡在线观看| 亚洲国产精品国产精品| 交换朋友夫妻互换小说| 精品久久久久久久久av| 99热全是精品| 日韩,欧美,国产一区二区三区| 久久女婷五月综合色啪小说| 国产国语露脸激情在线看| 国产精品久久久久成人av| 久热这里只有精品99| 亚洲一区二区三区欧美精品| 王馨瑶露胸无遮挡在线观看| 中文字幕免费在线视频6| 中文字幕人妻熟人妻熟丝袜美| 国产亚洲av片在线观看秒播厂|