• <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

    欧美 亚洲 国产 日韩一| 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 | 又大又黄又爽视频免费| 欧美中文综合在线视频| 91在线精品国自产拍蜜月| 一级毛片我不卡| 麻豆乱淫一区二区| 91成人精品电影| 熟女av电影| 波野结衣二区三区在线| 亚洲av国产av综合av卡| 国产一区亚洲一区在线观看| 免费观看无遮挡的男女| 日本欧美国产在线视频| 欧美成人午夜免费资源| 国产在线视频一区二区| 久久精品亚洲av国产电影网| 啦啦啦在线观看免费高清www| 夫妻午夜视频| 午夜免费鲁丝| 麻豆乱淫一区二区| 午夜免费观看性视频| 五月开心婷婷网| 亚洲av中文av极速乱| 七月丁香在线播放| 国产成人免费无遮挡视频| 97人妻天天添夜夜摸| 18禁观看日本| 亚洲人成网站在线观看播放| 欧美日韩一区二区视频在线观看视频在线| 成人黄色视频免费在线看| 99久久中文字幕三级久久日本| av网站在线播放免费| 免费观看性生交大片5| 日本欧美国产在线视频| 久久精品国产鲁丝片午夜精品| 亚洲欧美色中文字幕在线| 成年人免费黄色播放视频| 日韩一本色道免费dvd| 亚洲美女视频黄频| 搡老乐熟女国产| av电影中文网址| 婷婷色av中文字幕| 精品人妻一区二区三区麻豆| 大香蕉久久网| 欧美日韩精品成人综合77777| 一本—道久久a久久精品蜜桃钙片| 夫妻午夜视频| 国产精品99久久99久久久不卡 | 国产综合精华液| 中文乱码字字幕精品一区二区三区| 日韩中文字幕欧美一区二区 | 国产亚洲最大av| 9191精品国产免费久久| 在线亚洲精品国产二区图片欧美| 热99久久久久精品小说推荐| 99国产精品免费福利视频| 国产福利在线免费观看视频| 精品国产一区二区久久| 日日摸夜夜添夜夜爱| 一二三四在线观看免费中文在| 香蕉精品网在线| 日韩电影二区| 欧美人与善性xxx| 久久精品国产亚洲av高清一级| 国产黄频视频在线观看| 亚洲欧洲日产国产| 97人妻天天添夜夜摸| 久久久a久久爽久久v久久| 国产成人精品福利久久| 久久99蜜桃精品久久| 久久久国产一区二区| 99九九在线精品视频| 999精品在线视频| 赤兔流量卡办理| 制服丝袜香蕉在线| 日韩一卡2卡3卡4卡2021年| 在线观看美女被高潮喷水网站| 亚洲欧美清纯卡通| 伊人久久国产一区二区| 亚洲,欧美精品.| 纵有疾风起免费观看全集完整版| 99热网站在线观看| 午夜日韩欧美国产| 自线自在国产av| 老汉色av国产亚洲站长工具| 亚洲国产精品一区二区三区在线| 菩萨蛮人人尽说江南好唐韦庄| 夫妻午夜视频| 色婷婷久久久亚洲欧美| 亚洲第一av免费看| 综合色丁香网| 欧美精品亚洲一区二区| 久久亚洲国产成人精品v| 在线看a的网站| 少妇人妻 视频| 在线观看美女被高潮喷水网站| 亚洲国产精品成人久久小说| 亚洲国产看品久久| 波野结衣二区三区在线| 欧美日韩一级在线毛片| 一区二区三区四区激情视频| 欧美亚洲日本最大视频资源| 欧美人与善性xxx| 丝袜人妻中文字幕| 男女边吃奶边做爰视频| 欧美成人午夜精品| 精品一品国产午夜福利视频| 91午夜精品亚洲一区二区三区| 欧美bdsm另类| 91精品伊人久久大香线蕉| 国产无遮挡羞羞视频在线观看| 久久国产精品男人的天堂亚洲| 国产精品二区激情视频| 大香蕉久久成人网| 久久人人爽av亚洲精品天堂| 亚洲成人一二三区av| 热99久久久久精品小说推荐| 亚洲熟女精品中文字幕| 在线观看美女被高潮喷水网站| 国产片特级美女逼逼视频| 国产野战对白在线观看| 久久久久久久久久人人人人人人| 最新的欧美精品一区二区| 熟女少妇亚洲综合色aaa.| 亚洲欧美清纯卡通| 亚洲三级黄色毛片| av网站免费在线观看视频| 一本色道久久久久久精品综合| 天美传媒精品一区二区| 999精品在线视频| 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 | 国产女主播在线喷水免费视频网站| 国产熟女午夜一区二区三区| 午夜日韩欧美国产| 老熟女久久久| 亚洲av日韩在线播放| 日韩中文字幕视频在线看片| 国产精品久久久久久精品电影小说| 极品少妇高潮喷水抽搐| 国产成人精品久久久久久| 又大又黄又爽视频免费| 日日摸夜夜添夜夜爱| 女人被躁到高潮嗷嗷叫费观| 女性生殖器流出的白浆| 国产麻豆69| 在线观看国产h片| 九色亚洲精品在线播放| 国产精品国产av在线观看| 亚洲欧美精品自产自拍| 男女边吃奶边做爰视频| 一区二区三区激情视频| 熟女av电影| 欧美亚洲 丝袜 人妻 在线| 成人影院久久| 国产一级毛片在线| 精品酒店卫生间| 美女主播在线视频| 精品国产国语对白av| 亚洲精品一区蜜桃| 在线看a的网站| √禁漫天堂资源中文www| av女优亚洲男人天堂| 成年动漫av网址| 男女边摸边吃奶| 亚洲欧洲精品一区二区精品久久久 | 欧美日韩一区二区视频在线观看视频在线| 免费不卡的大黄色大毛片视频在线观看| 欧美日韩国产mv在线观看视频| 欧美日韩亚洲高清精品| 看免费成人av毛片| 久久久久久伊人网av| 一级毛片我不卡| 久久久久久久亚洲中文字幕| 日韩av在线免费看完整版不卡| 午夜激情久久久久久久| 久久人人爽人人片av| 国产成人午夜福利电影在线观看| 国产成人精品无人区| 一级片'在线观看视频| 国产老妇伦熟女老妇高清| 免费少妇av软件| 国产成人精品无人区| 有码 亚洲区| 9热在线视频观看99| 80岁老熟妇乱子伦牲交| 欧美精品一区二区免费开放| 大片免费播放器 马上看| 亚洲精品一区蜜桃| 国产精品av久久久久免费| av免费在线看不卡| 最近的中文字幕免费完整| 国产精品国产av在线观看| 国产精品偷伦视频观看了| 久久青草综合色| 国产又爽黄色视频| 中文字幕人妻熟女乱码| 国产成人aa在线观看| 久久久久国产网址| 2018国产大陆天天弄谢| 国产深夜福利视频在线观看| 欧美精品一区二区大全| 亚洲国产欧美网| 欧美变态另类bdsm刘玥| 99久久中文字幕三级久久日本| 曰老女人黄片| 亚洲精品美女久久久久99蜜臀 | 成年女人在线观看亚洲视频| 亚洲av中文av极速乱| 久久综合国产亚洲精品| av线在线观看网站| 男的添女的下面高潮视频| 欧美精品av麻豆av| 伊人久久大香线蕉亚洲五| 中文字幕人妻丝袜制服| 啦啦啦在线观看免费高清www| 在现免费观看毛片| 国产成人一区二区在线| 国产精品 国内视频| 在线观看美女被高潮喷水网站| 日本色播在线视频| videossex国产| 国产日韩欧美在线精品| 国产精品一国产av| 日本欧美国产在线视频| 亚洲人成网站在线观看播放| 国产精品国产三级专区第一集| 黑人猛操日本美女一级片| 亚洲精品成人av观看孕妇| 亚洲成av片中文字幕在线观看 | 中国国产av一级| 日韩一区二区三区影片| av有码第一页| 国产亚洲午夜精品一区二区久久| 一级a爱视频在线免费观看| 热99久久久久精品小说推荐| 美女主播在线视频| av国产久精品久网站免费入址| 老司机影院成人| 精品国产一区二区三区四区第35| 永久免费av网站大全| 免费av中文字幕在线| 亚洲精品日本国产第一区| 人妻 亚洲 视频| 免费女性裸体啪啪无遮挡网站| 免费不卡的大黄色大毛片视频在线观看| 亚洲欧美清纯卡通| 18+在线观看网站| 美女主播在线视频| 亚洲国产精品成人久久小说| 黄色一级大片看看| 有码 亚洲区| 精品国产超薄肉色丝袜足j| 大香蕉久久网| 一本色道久久久久久精品综合| 欧美国产精品va在线观看不卡| 亚洲精华国产精华液的使用体验| 国产一区二区在线观看av| www日本在线高清视频| 国产又色又爽无遮挡免| 亚洲欧美成人综合另类久久久| 啦啦啦在线免费观看视频4| 国产成人免费观看mmmm| 国产 精品1| 老汉色av国产亚洲站长工具| 大码成人一级视频| 另类精品久久| 亚洲成人av在线免费| 人人妻人人澡人人看| av不卡在线播放| 国产午夜精品一二区理论片| 国产熟女午夜一区二区三区| 午夜福利影视在线免费观看| 欧美人与善性xxx| 七月丁香在线播放| 婷婷色av中文字幕| 国产高清不卡午夜福利| 亚洲欧洲精品一区二区精品久久久 | 亚洲精品视频女| 中文乱码字字幕精品一区二区三区| 久久狼人影院| 在线观看免费日韩欧美大片| 美国免费a级毛片| 午夜免费观看性视频| 五月伊人婷婷丁香| 亚洲欧美精品综合一区二区三区 | 亚洲,欧美,日韩| 欧美bdsm另类| 亚洲欧美清纯卡通| 欧美黄色片欧美黄色片| 少妇人妻久久综合中文| 日韩中文字幕欧美一区二区 | 99久久综合免费| 日本欧美视频一区| 69精品国产乱码久久久| 色播在线永久视频| 免费在线观看完整版高清| 亚洲av.av天堂| 午夜老司机福利剧场| 免费看不卡的av| 黄片无遮挡物在线观看| a级毛片黄视频| av有码第一页| 成人18禁高潮啪啪吃奶动态图| 三上悠亚av全集在线观看| 制服丝袜香蕉在线| 国产1区2区3区精品| 在线观看一区二区三区激情| 母亲3免费完整高清在线观看 | 日本欧美国产在线视频| 人妻一区二区av| 精品一区二区免费观看| 人妻系列 视频| 老司机影院毛片| 国产亚洲最大av| 中文字幕制服av| 午夜福利网站1000一区二区三区| 日韩av不卡免费在线播放| 久久午夜综合久久蜜桃| 午夜免费男女啪啪视频观看| 夫妻午夜视频| 80岁老熟妇乱子伦牲交| www.熟女人妻精品国产| 亚洲精品久久成人aⅴ小说| 日韩三级伦理在线观看| 久久精品国产a三级三级三级| 这个男人来自地球电影免费观看 | 老汉色∧v一级毛片| 18在线观看网站| av女优亚洲男人天堂| 成年美女黄网站色视频大全免费| 嫩草影院入口| 大陆偷拍与自拍| 免费观看无遮挡的男女| 成人免费观看视频高清| 一二三四中文在线观看免费高清| 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 | 国产成人欧美| 99香蕉大伊视频| 另类精品久久| 观看av在线不卡| 另类精品久久| 观看av在线不卡| 婷婷成人精品国产| 国产 一区精品| 青春草国产在线视频| 老鸭窝网址在线观看| 国产精品嫩草影院av在线观看| 国产欧美亚洲国产| av在线播放精品| 亚洲精品美女久久久久99蜜臀 | 777米奇影视久久| 国产日韩欧美亚洲二区| 亚洲成国产人片在线观看| 国产野战对白在线观看| 中文字幕色久视频| 精品国产一区二区三区久久久樱花| 色吧在线观看| 久久久a久久爽久久v久久| av片东京热男人的天堂| av在线老鸭窝| 免费不卡的大黄色大毛片视频在线观看| 久久人人97超碰香蕉20202| 五月伊人婷婷丁香| www.自偷自拍.com| 国产97色在线日韩免费| 国产精品久久久av美女十八| 国产男人的电影天堂91| 成年动漫av网址| 国产激情久久老熟女| 美女午夜性视频免费| 日韩中文字幕视频在线看片| 精品一品国产午夜福利视频| 欧美精品国产亚洲| 人妻 亚洲 视频| 欧美少妇被猛烈插入视频| 午夜福利乱码中文字幕| 国产精品一区二区在线不卡| 免费在线观看完整版高清| 久久综合国产亚洲精品| 黄色配什么色好看| 午夜福利视频精品| 大陆偷拍与自拍| 一本久久精品| 午夜福利网站1000一区二区三区| 中文乱码字字幕精品一区二区三区| 国产有黄有色有爽视频| 99久国产av精品国产电影| 欧美xxⅹ黑人| 又黄又粗又硬又大视频| 男女免费视频国产| 欧美日韩精品网址| 亚洲av国产av综合av卡| 亚洲精品中文字幕在线视频| 99香蕉大伊视频| 精品99又大又爽又粗少妇毛片| 制服诱惑二区| 国产欧美日韩一区二区三区在线| 中文字幕人妻熟女乱码| 精品亚洲乱码少妇综合久久| 18禁裸乳无遮挡动漫免费视频| 黑人巨大精品欧美一区二区蜜桃| 日韩精品有码人妻一区| 老熟女久久久| 国产精品人妻久久久影院| 一级爰片在线观看| 一边亲一边摸免费视频| 午夜免费男女啪啪视频观看| 日本爱情动作片www.在线观看| 亚洲久久久国产精品| 国产av国产精品国产| 精品酒店卫生间| av国产久精品久网站免费入址| 亚洲成色77777| 精品久久久精品久久久| 边亲边吃奶的免费视频| 欧美成人午夜精品| 最黄视频免费看| 伊人久久大香线蕉亚洲五| 国产成人91sexporn| 国产精品久久久av美女十八| 久久久精品94久久精品| 人妻一区二区av| 久久97久久精品| 欧美最新免费一区二区三区| 五月天丁香电影| 91午夜精品亚洲一区二区三区| 黄色视频在线播放观看不卡| 黄片无遮挡物在线观看| 伊人久久大香线蕉亚洲五| 成人国产av品久久久| 91精品三级在线观看| 久久精品久久精品一区二区三区| 日韩熟女老妇一区二区性免费视频| 国产1区2区3区精品| 99精国产麻豆久久婷婷| 熟妇人妻不卡中文字幕| 亚洲欧美成人综合另类久久久| 青春草国产在线视频| 69精品国产乱码久久久| 老女人水多毛片| 精品久久蜜臀av无| 久久久精品免费免费高清| av天堂久久9| 老汉色av国产亚洲站长工具| 人妻人人澡人人爽人人| 老鸭窝网址在线观看| 性色av一级| 久久精品久久久久久噜噜老黄| 欧美成人午夜免费资源| xxx大片免费视频| 另类亚洲欧美激情| 亚洲精品久久午夜乱码| 久久国产精品大桥未久av| 老司机影院成人| 婷婷色麻豆天堂久久| 亚洲成人一二三区av| 亚洲国产av新网站| 国产精品香港三级国产av潘金莲 | 国产97色在线日韩免费| 久热这里只有精品99| 欧美日韩视频高清一区二区三区二| 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 | 免费黄频网站在线观看国产| 97在线视频观看| 免费在线观看完整版高清| 卡戴珊不雅视频在线播放| 国产av码专区亚洲av| a级毛片黄视频| 大香蕉久久成人网| 亚洲精品一区蜜桃| 午夜久久久在线观看| 欧美人与善性xxx| 久久午夜福利片| 人成视频在线观看免费观看| 美女视频免费永久观看网站| 国产成人免费观看mmmm| 久久毛片免费看一区二区三区| 久久久久人妻精品一区果冻| 亚洲经典国产精华液单| 亚洲国产色片| 日本午夜av视频| 91成人精品电影| 男女高潮啪啪啪动态图| 性高湖久久久久久久久免费观看| 午夜老司机福利剧场| 母亲3免费完整高清在线观看 | 国产女主播在线喷水免费视频网站| 国产黄色视频一区二区在线观看| 免费高清在线观看视频在线观看| 婷婷成人精品国产| 一本色道久久久久久精品综合| 男女无遮挡免费网站观看| 在线观看美女被高潮喷水网站| 看免费成人av毛片| 日本欧美国产在线视频| 两性夫妻黄色片| 久久精品国产a三级三级三级| 少妇人妻 视频| 亚洲国产毛片av蜜桃av| 亚洲精品国产色婷婷电影| 成年人免费黄色播放视频| 欧美 亚洲 国产 日韩一| av在线观看视频网站免费| 999久久久国产精品视频| 可以免费在线观看a视频的电影网站 | 热99久久久久精品小说推荐| 毛片一级片免费看久久久久| 成人毛片60女人毛片免费| 超碰97精品在线观看| 少妇人妻久久综合中文| 国产成人午夜福利电影在线观看| 国产av国产精品国产| 亚洲第一区二区三区不卡| 韩国av在线不卡| 搡女人真爽免费视频火全软件| 国产亚洲精品第一综合不卡| 国产日韩一区二区三区精品不卡| 日本黄色日本黄色录像| 亚洲av免费高清在线观看| 这个男人来自地球电影免费观看 | 国产成人精品无人区| 三级国产精品片| 久久久精品国产亚洲av高清涩受| 一个人免费看片子| 国产精品女同一区二区软件| 黑丝袜美女国产一区| 国产精品免费视频内射| 又大又黄又爽视频免费| 国产淫语在线视频| 我的亚洲天堂| 亚洲欧美精品自产自拍| 美女视频免费永久观看网站| 国产精品人妻久久久影院| 99国产精品免费福利视频| 免费在线观看视频国产中文字幕亚洲 | 黄色怎么调成土黄色| 久久久国产精品麻豆| 777久久人妻少妇嫩草av网站| 超色免费av| 侵犯人妻中文字幕一二三四区| 最近最新中文字幕大全免费视频 | 成人亚洲欧美一区二区av| 最近中文字幕高清免费大全6| 欧美在线黄色| 高清av免费在线| 秋霞伦理黄片| 国产高清国产精品国产三级| 熟女av电影| 精品第一国产精品| 亚洲精品美女久久av网站| 黄色毛片三级朝国网站| 国产成人精品在线电影| 日韩欧美精品免费久久| 美女脱内裤让男人舔精品视频| 一级毛片我不卡| 大话2 男鬼变身卡| 国产精品久久久久久精品电影小说| 天堂中文最新版在线下载| 曰老女人黄片| 亚洲精品日韩在线中文字幕| 麻豆精品久久久久久蜜桃| 欧美日韩成人在线一区二区| 激情视频va一区二区三区| 欧美日韩一级在线毛片| 亚洲国产精品国产精品| 99久久中文字幕三级久久日本| 日本91视频免费播放| 国产亚洲欧美精品永久| 另类亚洲欧美激情| 日韩成人av中文字幕在线观看| 亚洲,欧美,日韩| 国产1区2区3区精品| 日韩av在线免费看完整版不卡| 免费黄网站久久成人精品| 激情五月婷婷亚洲| 熟女电影av网| 飞空精品影院首页| 国产精品 欧美亚洲| 黑丝袜美女国产一区| 妹子高潮喷水视频| 在线观看三级黄色| 性高湖久久久久久久久免费观看| 水蜜桃什么品种好| 精品一区二区免费观看| 欧美黄色片欧美黄色片| 国产片特级美女逼逼视频| 亚洲美女视频黄频| 亚洲国产精品999| 五月天丁香电影| 久久久精品国产亚洲av高清涩受| 少妇被粗大的猛进出69影院| 久久精品国产综合久久久| 国产精品成人在线| 成年女人在线观看亚洲视频| 9191精品国产免费久久| 国产一区二区三区av在线| 久久婷婷青草| 日韩欧美精品免费久久| 亚洲色图 男人天堂 中文字幕| 天天影视国产精品| 国产成人免费无遮挡视频| 国产极品天堂在线| 久久久a久久爽久久v久久| 国产av国产精品国产| 18在线观看网站| 国产又爽黄色视频| 热re99久久国产66热| 青草久久国产| 日韩视频在线欧美| 午夜福利视频精品| 中文欧美无线码| 国产精品香港三级国产av潘金莲 | 青青草视频在线视频观看| 男女下面插进去视频免费观看|