• <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

    伊人久久大香线蕉亚洲五| 国产精品av久久久久免费| 久久av网站| 日韩三级视频一区二区三区| 国产精品香港三级国产av潘金莲| 久久精品国产a三级三级三级| 亚洲精品国产av蜜桃| 国产无遮挡羞羞视频在线观看| 一区二区三区乱码不卡18| 国产精品一区二区免费欧美 | 国产亚洲精品一区二区www | 在线观看免费午夜福利视频| 菩萨蛮人人尽说江南好唐韦庄| 日本vs欧美在线观看视频| av又黄又爽大尺度在线免费看| 法律面前人人平等表现在哪些方面 | 在线天堂中文资源库| 99国产综合亚洲精品| 中亚洲国语对白在线视频| 精品熟女少妇八av免费久了| 亚洲国产欧美在线一区| 国产高清videossex| 在线十欧美十亚洲十日本专区| 黄色 视频免费看| 久久中文看片网| 母亲3免费完整高清在线观看| 成人国产av品久久久| 一本综合久久免费| 一个人免费看片子| 纵有疾风起免费观看全集完整版| 亚洲avbb在线观看| 欧美成人午夜精品| 热99久久久久精品小说推荐| 亚洲五月婷婷丁香| 一级毛片女人18水好多| 成人国产一区最新在线观看| 国产精品自产拍在线观看55亚洲 | 欧美精品人与动牲交sv欧美| 搡老乐熟女国产| 下体分泌物呈黄色| 蜜桃在线观看..| 国产精品 国内视频| 免费久久久久久久精品成人欧美视频| 久久久久国产精品人妻一区二区| 午夜福利,免费看| 久久精品亚洲av国产电影网| 脱女人内裤的视频| av线在线观看网站| 91av网站免费观看| 亚洲精品乱久久久久久| a 毛片基地| 久久狼人影院| 1024视频免费在线观看| 国产日韩一区二区三区精品不卡| 久久国产精品影院| 亚洲男人天堂网一区| 久久精品成人免费网站| 人人妻人人添人人爽欧美一区卜| 国产深夜福利视频在线观看| 国产精品自产拍在线观看55亚洲 | 美女主播在线视频| 国产av国产精品国产| 老汉色∧v一级毛片| 国产在线视频一区二区| 少妇人妻久久综合中文| 亚洲自偷自拍图片 自拍| 99久久人妻综合| 国产成人精品在线电影| 中文精品一卡2卡3卡4更新| av不卡在线播放| 日本91视频免费播放| 黄色视频,在线免费观看| 国产精品秋霞免费鲁丝片| 真人做人爱边吃奶动态| 免费黄频网站在线观看国产| 美女大奶头黄色视频| 亚洲欧洲日产国产| 午夜两性在线视频| 性高湖久久久久久久久免费观看| 国产精品亚洲av一区麻豆| 一区二区三区乱码不卡18| 久久久国产欧美日韩av| 母亲3免费完整高清在线观看| svipshipincom国产片| 国产精品免费视频内射| 1024香蕉在线观看| 日本一区二区免费在线视频| 女人爽到高潮嗷嗷叫在线视频| 人人妻,人人澡人人爽秒播| 99国产综合亚洲精品| 国产精品亚洲av一区麻豆| 热99国产精品久久久久久7| 啦啦啦免费观看视频1| 天天操日日干夜夜撸| 国产成人啪精品午夜网站| 精品福利观看| 久久久久精品人妻al黑| 国产97色在线日韩免费| 少妇 在线观看| 欧美午夜高清在线| bbb黄色大片| 在线观看舔阴道视频| 一个人免费看片子| 亚洲人成电影观看| 国产成人精品久久二区二区免费| avwww免费| 亚洲一区二区三区欧美精品| 人人澡人人妻人| 999精品在线视频| 国产精品九九99| 日本vs欧美在线观看视频| 无限看片的www在线观看| 国产日韩欧美在线精品| 麻豆av在线久日| 制服人妻中文乱码| 欧美+亚洲+日韩+国产| 免费高清在线观看日韩| 丰满人妻熟妇乱又伦精品不卡| 久久人人爽人人片av| 欧美黑人欧美精品刺激| 免费看十八禁软件| 老司机午夜十八禁免费视频| 亚洲国产av新网站| 夜夜夜夜夜久久久久| 两个人看的免费小视频| 热99国产精品久久久久久7| 97精品久久久久久久久久精品| 新久久久久国产一级毛片| 久久av网站| 国产成人精品久久二区二区91| 亚洲国产av新网站| 久久青草综合色| 男人爽女人下面视频在线观看| 男人舔女人的私密视频| 大型av网站在线播放| www.熟女人妻精品国产| 亚洲 国产 在线| 欧美日韩亚洲综合一区二区三区_| 2018国产大陆天天弄谢| 999精品在线视频| 亚洲av电影在线进入| 久久久久久亚洲精品国产蜜桃av| 色老头精品视频在线观看| 成人av一区二区三区在线看 | 精品高清国产在线一区| avwww免费| 丝袜美腿诱惑在线| 欧美日韩亚洲国产一区二区在线观看 | 69av精品久久久久久 | 成年人午夜在线观看视频| 日韩视频在线欧美| 欧美成狂野欧美在线观看| 日日摸夜夜添夜夜添小说| 97在线人人人人妻| 男女边摸边吃奶| 制服人妻中文乱码| 免费黄频网站在线观看国产| 青草久久国产| 国产在视频线精品| 亚洲国产精品999| 一进一出抽搐动态| 又紧又爽又黄一区二区| 亚洲中文av在线| 一本色道久久久久久精品综合| 水蜜桃什么品种好| 性高湖久久久久久久久免费观看| 国产精品 欧美亚洲| 999久久久精品免费观看国产| 久久女婷五月综合色啪小说| 国产高清国产精品国产三级| 十八禁高潮呻吟视频| 满18在线观看网站| 啦啦啦中文免费视频观看日本| 亚洲精品一区蜜桃| 美女大奶头黄色视频| 久久久久视频综合| 侵犯人妻中文字幕一二三四区| 亚洲第一青青草原| 亚洲国产av影院在线观看| 成年人午夜在线观看视频| 中文字幕人妻丝袜一区二区| 欧美一级毛片孕妇| 久久久久久久大尺度免费视频| 大陆偷拍与自拍| 欧美成狂野欧美在线观看| 亚洲国产欧美网| 男人添女人高潮全过程视频| 黄色片一级片一级黄色片| 久久久久久久久免费视频了| 欧美97在线视频| 亚洲美女黄色视频免费看| 亚洲av成人一区二区三| 精品国产一区二区三区四区第35| 99久久国产精品久久久| 亚洲精品成人av观看孕妇| 91成年电影在线观看| 91麻豆av在线| 亚洲全国av大片| 欧美在线一区亚洲| 精品少妇内射三级| 美女中出高潮动态图| 亚洲一区二区三区欧美精品| 99国产精品一区二区三区| 国产精品二区激情视频| 成年女人毛片免费观看观看9 | 男女高潮啪啪啪动态图| 极品少妇高潮喷水抽搐| 久9热在线精品视频| 五月天丁香电影| 一二三四社区在线视频社区8| 夜夜夜夜夜久久久久| 国产日韩欧美视频二区| 欧美xxⅹ黑人| 亚洲成人手机| 宅男免费午夜| 欧美另类亚洲清纯唯美| 精品亚洲乱码少妇综合久久| 欧美亚洲 丝袜 人妻 在线| 亚洲av成人一区二区三| 十八禁网站网址无遮挡| √禁漫天堂资源中文www| 999久久久国产精品视频| 亚洲av日韩在线播放| 搡老乐熟女国产| 亚洲国产精品成人久久小说| 国产精品香港三级国产av潘金莲| 女人精品久久久久毛片| 悠悠久久av| 亚洲九九香蕉| 看免费av毛片| 18禁国产床啪视频网站| 亚洲综合色网址| 婷婷成人精品国产| 丝袜人妻中文字幕| 老司机在亚洲福利影院| 性色av乱码一区二区三区2| 久久久久久久精品精品| 他把我摸到了高潮在线观看 | 一本久久精品| 视频区欧美日本亚洲| 精品一区在线观看国产| 精品视频人人做人人爽| 精品国产一区二区久久| 每晚都被弄得嗷嗷叫到高潮| 国产精品偷伦视频观看了| 欧美性长视频在线观看| 久久久水蜜桃国产精品网| 人妻久久中文字幕网| 成人国产一区最新在线观看| 欧美人与性动交α欧美精品济南到| 亚洲国产精品成人久久小说| 国产伦人伦偷精品视频| 精品国产国语对白av| 美女高潮喷水抽搐中文字幕| 久久久久国产一级毛片高清牌| 中文字幕制服av| 亚洲精华国产精华精| 亚洲欧美一区二区三区久久| 性高湖久久久久久久久免费观看| 久久99热这里只频精品6学生| 成年动漫av网址| 日本撒尿小便嘘嘘汇集6| 妹子高潮喷水视频| 这个男人来自地球电影免费观看| 高清欧美精品videossex| 一区二区日韩欧美中文字幕| 国产色视频综合| 黑人欧美特级aaaaaa片| 美女国产高潮福利片在线看| 成年动漫av网址| 久久久久久久久久久久大奶| 亚洲avbb在线观看| 自线自在国产av| 国产伦人伦偷精品视频| 亚洲精品国产一区二区精华液| 一二三四在线观看免费中文在| 蜜桃在线观看..| 99香蕉大伊视频| 99九九在线精品视频| 久久狼人影院| 久久精品亚洲av国产电影网| 久久国产亚洲av麻豆专区| 午夜福利视频在线观看免费| a在线观看视频网站| 黑人欧美特级aaaaaa片| 成年av动漫网址| 成年美女黄网站色视频大全免费| 色视频在线一区二区三区| 一区二区日韩欧美中文字幕| 亚洲精品乱久久久久久| 国产野战对白在线观看| av福利片在线| 老司机靠b影院| 国产黄色免费在线视频| 亚洲精品第二区| 国产成人精品久久二区二区91| 欧美乱码精品一区二区三区| 久久女婷五月综合色啪小说| 中文字幕av电影在线播放| 欧美午夜高清在线| 久久久久久久精品精品| 久久精品国产亚洲av香蕉五月 | 91国产中文字幕| a级毛片黄视频| 久久人妻福利社区极品人妻图片| 女人爽到高潮嗷嗷叫在线视频| 国产一区二区激情短视频 | 最近中文字幕2019免费版| 脱女人内裤的视频| 成年人免费黄色播放视频| 久久热在线av| 人人妻人人爽人人添夜夜欢视频| 黑人欧美特级aaaaaa片| 99精品欧美一区二区三区四区| 夫妻午夜视频| 两个人免费观看高清视频| 18禁裸乳无遮挡动漫免费视频| 欧美日韩亚洲高清精品| 最黄视频免费看| 久久久精品区二区三区| 日本av免费视频播放| 亚洲熟女毛片儿| 一级,二级,三级黄色视频| 王馨瑶露胸无遮挡在线观看| 成人亚洲精品一区在线观看| 丁香六月欧美| 19禁男女啪啪无遮挡网站| 2018国产大陆天天弄谢| 成年av动漫网址| 最新的欧美精品一区二区| 欧美性长视频在线观看| 国产欧美亚洲国产| 伦理电影免费视频| a级片在线免费高清观看视频| 法律面前人人平等表现在哪些方面 | 日韩大码丰满熟妇| 麻豆乱淫一区二区| 亚洲欧美精品自产自拍| a级毛片黄视频| 亚洲精品中文字幕一二三四区 | 日韩 欧美 亚洲 中文字幕| 国产精品亚洲av一区麻豆| 国产日韩欧美亚洲二区| 亚洲精品乱久久久久久| 在线观看人妻少妇| 大码成人一级视频| 国产日韩欧美在线精品| 国产精品免费大片| 80岁老熟妇乱子伦牲交| 搡老乐熟女国产| 久久久欧美国产精品| 多毛熟女@视频| 国产主播在线观看一区二区| 正在播放国产对白刺激| 久久久精品免费免费高清| 操出白浆在线播放| 满18在线观看网站| 国产高清视频在线播放一区 | 亚洲激情五月婷婷啪啪| 美女福利国产在线| 国产一卡二卡三卡精品| 精品久久蜜臀av无| 悠悠久久av| 电影成人av| 国产成人免费无遮挡视频| 在线观看免费视频网站a站| 老司机午夜十八禁免费视频| 男人爽女人下面视频在线观看| 国产主播在线观看一区二区| 成人国语在线视频| www.自偷自拍.com| 国产伦人伦偷精品视频| 窝窝影院91人妻| 黄片小视频在线播放| 老司机午夜十八禁免费视频| 色老头精品视频在线观看| 十八禁网站免费在线| 777米奇影视久久| 99久久人妻综合| 十八禁人妻一区二区| 久久精品国产综合久久久| 欧美老熟妇乱子伦牲交| 777米奇影视久久| 久久久久久人人人人人| 男女下面插进去视频免费观看| 一级毛片女人18水好多| 欧美av亚洲av综合av国产av| 亚洲五月婷婷丁香| 亚洲午夜精品一区,二区,三区| 久久女婷五月综合色啪小说| svipshipincom国产片| 亚洲精品一区蜜桃| 国产精品久久久久久人妻精品电影 | 国产日韩欧美在线精品| 91av网站免费观看| 欧美久久黑人一区二区| 日本五十路高清| 十八禁人妻一区二区| 国产老妇伦熟女老妇高清| 精品人妻在线不人妻| 中国美女看黄片| 男男h啪啪无遮挡| 亚洲第一青青草原| 熟女少妇亚洲综合色aaa.| 日韩制服丝袜自拍偷拍| 亚洲精品久久久久久婷婷小说| 下体分泌物呈黄色| 天天添夜夜摸| 日本av手机在线免费观看| 考比视频在线观看| 中文精品一卡2卡3卡4更新| 亚洲午夜精品一区,二区,三区| 女性生殖器流出的白浆| 多毛熟女@视频| 精品国产一区二区三区四区第35| 少妇人妻久久综合中文| 亚洲精品成人av观看孕妇| 在线看a的网站| 精品久久久精品久久久| 久久久国产精品麻豆| 9色porny在线观看| 精品视频人人做人人爽| e午夜精品久久久久久久| 亚洲精品一卡2卡三卡4卡5卡 | 久久久国产一区二区| 老汉色∧v一级毛片| 亚洲欧美精品自产自拍| 99国产精品99久久久久| 亚洲精品一区蜜桃| 久久精品国产a三级三级三级| 天堂中文最新版在线下载| 日本av手机在线免费观看| 成年动漫av网址| 操美女的视频在线观看| 亚洲精品中文字幕在线视频| 香蕉丝袜av| 91精品伊人久久大香线蕉| 午夜福利,免费看| 男女国产视频网站| 亚洲国产毛片av蜜桃av| 免费观看a级毛片全部| 国产视频一区二区在线看| 满18在线观看网站| 一本大道久久a久久精品| 亚洲av日韩精品久久久久久密| 亚洲国产精品一区三区| 日韩 欧美 亚洲 中文字幕| 性少妇av在线| 男人舔女人的私密视频| 亚洲色图 男人天堂 中文字幕| 麻豆乱淫一区二区| 一级片免费观看大全| 欧美国产精品va在线观看不卡| 欧美激情高清一区二区三区| 99久久99久久久精品蜜桃| 捣出白浆h1v1| 99国产精品99久久久久| 男女免费视频国产| 啦啦啦啦在线视频资源| 免费不卡黄色视频| av视频免费观看在线观看| 一级毛片女人18水好多| 精品国产乱码久久久久久男人| 精品福利观看| 午夜精品久久久久久毛片777| 极品少妇高潮喷水抽搐| 一级毛片电影观看| 日韩,欧美,国产一区二区三区| 女人爽到高潮嗷嗷叫在线视频| 亚洲av欧美aⅴ国产| 热re99久久精品国产66热6| 一区二区av电影网| 午夜福利视频在线观看免费| 搡老乐熟女国产| 女人久久www免费人成看片| 中文字幕精品免费在线观看视频| 国产黄色免费在线视频| 日韩制服丝袜自拍偷拍| www.精华液| 国产欧美日韩精品亚洲av| 天天躁日日躁夜夜躁夜夜| av超薄肉色丝袜交足视频| 飞空精品影院首页| 亚洲国产欧美在线一区| 在线精品无人区一区二区三| 日韩免费高清中文字幕av| 免费看十八禁软件| 日韩欧美国产一区二区入口| 国产男女内射视频| 啦啦啦 在线观看视频| 国产精品久久久久成人av| 久久精品国产亚洲av高清一级| 午夜两性在线视频| 色婷婷av一区二区三区视频| 在线永久观看黄色视频| 亚洲成人手机| 亚洲激情五月婷婷啪啪| www.自偷自拍.com| 免费av中文字幕在线| 大香蕉久久网| 9热在线视频观看99| 欧美人与性动交α欧美精品济南到| 一个人免费看片子| 丰满迷人的少妇在线观看| 日韩视频一区二区在线观看| 午夜激情av网站| 99香蕉大伊视频| 日本欧美视频一区| 一级毛片女人18水好多| 最近最新中文字幕大全免费视频| 老司机靠b影院| 成年女人毛片免费观看观看9 | av在线播放精品| 欧美xxⅹ黑人| 国产一级毛片在线| 色综合欧美亚洲国产小说| 99国产精品免费福利视频| 亚洲精品国产av成人精品| 久久久久国内视频| 国产精品影院久久| 久久ye,这里只有精品| 国产成人精品在线电影| 一级黄色大片毛片| 亚洲av男天堂| 国产一卡二卡三卡精品| 一区二区三区乱码不卡18| 十八禁人妻一区二区| 极品少妇高潮喷水抽搐| 精品第一国产精品| 男女之事视频高清在线观看| 丝袜在线中文字幕| 大片电影免费在线观看免费| 成年人免费黄色播放视频| 亚洲一区中文字幕在线| 免费在线观看黄色视频的| 日韩电影二区| av国产精品久久久久影院| 男女下面插进去视频免费观看| 欧美日韩亚洲高清精品| 国产成人啪精品午夜网站| 视频区欧美日本亚洲| 一级a爱视频在线免费观看| 99热国产这里只有精品6| 精品一品国产午夜福利视频| 在线观看免费高清a一片| 中亚洲国语对白在线视频| 99久久人妻综合| 中文字幕最新亚洲高清| 黑丝袜美女国产一区| 亚洲中文字幕日韩| 国产精品亚洲av一区麻豆| 亚洲久久久国产精品| 老司机影院成人| 欧美日韩一级在线毛片| 日韩欧美一区视频在线观看| 精品国产国语对白av| 免费人妻精品一区二区三区视频| 午夜福利视频在线观看免费| 日本av手机在线免费观看| 69av精品久久久久久 | 国产男女超爽视频在线观看| 亚洲三区欧美一区| 老司机午夜福利在线观看视频 | 高清黄色对白视频在线免费看| 中文字幕制服av| 国产精品欧美亚洲77777| 国产男女超爽视频在线观看| 建设人人有责人人尽责人人享有的| 亚洲国产av新网站| 精品乱码久久久久久99久播| 色婷婷久久久亚洲欧美| 黄色片一级片一级黄色片| 热99久久久久精品小说推荐| 日韩免费高清中文字幕av| 亚洲天堂av无毛| 精品人妻在线不人妻| 91九色精品人成在线观看| tocl精华| 日韩电影二区| 久久精品国产综合久久久| 亚洲美女黄色视频免费看| 男女无遮挡免费网站观看| 亚洲成人手机| 国产精品成人在线| 国产精品香港三级国产av潘金莲| 亚洲成人手机| 欧美精品一区二区免费开放| avwww免费| 丰满少妇做爰视频| 波多野结衣一区麻豆| 人妻 亚洲 视频| 美国免费a级毛片| 午夜精品久久久久久毛片777| 久久精品国产亚洲av香蕉五月 | 国产成人a∨麻豆精品| 这个男人来自地球电影免费观看| 欧美av亚洲av综合av国产av| 免费一级毛片在线播放高清视频 | 精品少妇久久久久久888优播| 美女大奶头黄色视频| av在线app专区| 精品国产乱子伦一区二区三区 | 男人舔女人的私密视频| 91大片在线观看| 叶爱在线成人免费视频播放| 欧美日韩亚洲高清精品| 国产人伦9x9x在线观看| 国产免费福利视频在线观看| 丝瓜视频免费看黄片| 国产成人av激情在线播放| 永久免费av网站大全| 极品少妇高潮喷水抽搐| 亚洲 欧美一区二区三区| 日韩大码丰满熟妇| 男女午夜视频在线观看|