• <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

    黑人欧美特级aaaaaa片| 亚洲国产精品国产精品| 国产精品久久久人人做人人爽| 免费观看av网站的网址| 日本午夜av视频| 国产1区2区3区精品| a 毛片基地| 乱人伦中国视频| 久久久久精品人妻al黑| av.在线天堂| 亚洲av成人精品一二三区| 亚洲av电影在线观看一区二区三区| 国产精品熟女久久久久浪| av线在线观看网站| 国产一区二区三区综合在线观看| 亚洲熟女精品中文字幕| 啦啦啦在线观看免费高清www| 国产免费一区二区三区四区乱码| 十八禁高潮呻吟视频| 一区福利在线观看| 国产av精品麻豆| 亚洲一卡2卡3卡4卡5卡精品中文| 国产精品女同一区二区软件| 晚上一个人看的免费电影| 亚洲精华国产精华液的使用体验| 麻豆av在线久日| 大码成人一级视频| 亚洲国产最新在线播放| 婷婷成人精品国产| 亚洲精华国产精华液的使用体验| 男人操女人黄网站| 久久影院123| 丝袜脚勾引网站| 搡老岳熟女国产| 五月开心婷婷网| 亚洲美女黄色视频免费看| 成人三级做爰电影| 日韩免费高清中文字幕av| 一边摸一边做爽爽视频免费| 少妇 在线观看| 男人操女人黄网站| 日韩伦理黄色片| 国产精品人妻久久久影院| 又大又黄又爽视频免费| 亚洲精品,欧美精品| 久久精品国产亚洲av高清一级| 亚洲第一区二区三区不卡| 午夜福利在线免费观看网站| 精品国产露脸久久av麻豆| 免费观看av网站的网址| 美女大奶头黄色视频| 国产精品久久久久久人妻精品电影 | 国产无遮挡羞羞视频在线观看| 一级a爱视频在线免费观看| 秋霞在线观看毛片| 精品国产一区二区三区四区第35| 色精品久久人妻99蜜桃| 美女扒开内裤让男人捅视频| 亚洲三区欧美一区| 亚洲第一青青草原| 最新的欧美精品一区二区| 国产视频首页在线观看| 九色亚洲精品在线播放| 在线观看免费视频网站a站| 亚洲一码二码三码区别大吗| 美女主播在线视频| 国产精品久久久久久人妻精品电影 | 一级片'在线观看视频| 伊人久久国产一区二区| videos熟女内射| 午夜福利乱码中文字幕| 人人妻人人爽人人添夜夜欢视频| 久久久久久久久久久免费av| 老司机靠b影院| 老熟女久久久| 美女午夜性视频免费| 熟女av电影| 在线天堂中文资源库| 国产成人精品久久久久久| 男女边摸边吃奶| svipshipincom国产片| 国产亚洲av高清不卡| 国产不卡av网站在线观看| 视频在线观看一区二区三区| 观看美女的网站| 婷婷成人精品国产| 九草在线视频观看| 视频区图区小说| 99久久综合免费| 女人高潮潮喷娇喘18禁视频| 亚洲精品aⅴ在线观看| 国产精品人妻久久久影院| 国产老妇伦熟女老妇高清| h视频一区二区三区| 亚洲av中文av极速乱| 在线观看国产h片| 欧美成人午夜精品| 亚洲久久久国产精品| 日本午夜av视频| 精品少妇内射三级| 97在线人人人人妻| 国产有黄有色有爽视频| 在线观看三级黄色| 老司机在亚洲福利影院| 考比视频在线观看| 国产精品国产三级专区第一集| 青草久久国产| 免费高清在线观看日韩| 日日撸夜夜添| 中文乱码字字幕精品一区二区三区| 亚洲欧美色中文字幕在线| 叶爱在线成人免费视频播放| 一级毛片电影观看| 777久久人妻少妇嫩草av网站| 精品一区二区三卡| 亚洲精品自拍成人| 国产亚洲最大av| 激情视频va一区二区三区| 一本一本久久a久久精品综合妖精| 欧美日韩成人在线一区二区| 高清不卡的av网站| videos熟女内射| 亚洲一码二码三码区别大吗| 国产成人av激情在线播放| 国产精品久久久久久久久免| 国产有黄有色有爽视频| 午夜激情久久久久久久| 欧美精品亚洲一区二区| 国产精品国产av在线观看| 街头女战士在线观看网站| 校园人妻丝袜中文字幕| 国产欧美日韩一区二区三区在线| 黄频高清免费视频| 免费久久久久久久精品成人欧美视频| 亚洲av综合色区一区| 五月开心婷婷网| 成人国语在线视频| 亚洲精品国产av成人精品| 久久国产精品男人的天堂亚洲| 美女大奶头黄色视频| 两个人看的免费小视频| 国产欧美日韩一区二区三区在线| 成年美女黄网站色视频大全免费| 国产日韩一区二区三区精品不卡| 国产乱人偷精品视频| 精品免费久久久久久久清纯 | 一本大道久久a久久精品| 午夜福利视频在线观看免费| 婷婷色麻豆天堂久久| 我的亚洲天堂| 亚洲国产毛片av蜜桃av| 日韩一本色道免费dvd| 国产成人av激情在线播放| 黑人巨大精品欧美一区二区蜜桃| 日韩一本色道免费dvd| 亚洲情色 制服丝袜| 久久久久久人人人人人| 一个人免费看片子| 国产精品国产av在线观看| 两性夫妻黄色片| xxxhd国产人妻xxx| 久久人人97超碰香蕉20202| 免费高清在线观看日韩| 狂野欧美激情性xxxx| 女性被躁到高潮视频| 国产又色又爽无遮挡免| 99香蕉大伊视频| 欧美日韩国产mv在线观看视频| 男女无遮挡免费网站观看| 18在线观看网站| 一区二区三区四区激情视频| 日本欧美视频一区| 电影成人av| 黄片播放在线免费| 国产深夜福利视频在线观看| 欧美激情高清一区二区三区 | 1024香蕉在线观看| 视频区图区小说| 国产片特级美女逼逼视频| 一本一本久久a久久精品综合妖精| 又大又黄又爽视频免费| 亚洲自偷自拍图片 自拍| 亚洲国产看品久久| 视频在线观看一区二区三区| 国产99久久九九免费精品| 99久久人妻综合| 久久99一区二区三区| 制服人妻中文乱码| 黑人巨大精品欧美一区二区蜜桃| 国产精品国产三级专区第一集| 亚洲成人手机| 国产毛片在线视频| 菩萨蛮人人尽说江南好唐韦庄| 我要看黄色一级片免费的| 另类亚洲欧美激情| 国产极品粉嫩免费观看在线| 亚洲欧美一区二区三区国产| 国产有黄有色有爽视频| 国产日韩一区二区三区精品不卡| 国产免费又黄又爽又色| 亚洲精品,欧美精品| 精品久久久精品久久久| 18禁国产床啪视频网站| 国产精品秋霞免费鲁丝片| 一边摸一边抽搐一进一出视频| 精品少妇黑人巨大在线播放| 欧美另类一区| 丝袜喷水一区| 婷婷色综合大香蕉| 免费在线观看视频国产中文字幕亚洲 | 国产精品一区二区在线不卡| 精品人妻一区二区三区麻豆| 欧美激情 高清一区二区三区| 国产伦人伦偷精品视频| 亚洲一级一片aⅴ在线观看| 亚洲情色 制服丝袜| 最近最新中文字幕大全免费视频 | 精品人妻在线不人妻| 深夜精品福利| 国产成人精品久久久久久| 男女国产视频网站| 国产深夜福利视频在线观看| 午夜av观看不卡| 王馨瑶露胸无遮挡在线观看| 嫩草影视91久久| 一区二区三区乱码不卡18| 在线 av 中文字幕| 丝袜在线中文字幕| 亚洲人成网站在线观看播放| 亚洲精品视频女| 可以免费在线观看a视频的电影网站 | 久久影院123| 我要看黄色一级片免费的| 亚洲少妇的诱惑av| 看免费成人av毛片| 别揉我奶头~嗯~啊~动态视频 | 青春草视频在线免费观看| 亚洲国产精品999| 国产福利在线免费观看视频| 国产极品粉嫩免费观看在线| 久久久国产一区二区| 午夜日韩欧美国产| 青春草国产在线视频| 国产xxxxx性猛交| 波野结衣二区三区在线| 久久久亚洲精品成人影院| 狂野欧美激情性xxxx| 男男h啪啪无遮挡| 老汉色∧v一级毛片| 黄网站色视频无遮挡免费观看| 国产精品一国产av| 丰满乱子伦码专区| 曰老女人黄片| 熟妇人妻不卡中文字幕| 亚洲欧美成人精品一区二区| 亚洲精品aⅴ在线观看| 一本—道久久a久久精品蜜桃钙片| 99久久综合免费| 亚洲少妇的诱惑av| 成人亚洲欧美一区二区av| 哪个播放器可以免费观看大片| 黑人欧美特级aaaaaa片| 一级a爱视频在线免费观看| 人妻 亚洲 视频| 成人毛片60女人毛片免费| 国产精品 欧美亚洲| 一二三四在线观看免费中文在| 1024香蕉在线观看| 99热网站在线观看| 国产精品国产三级国产专区5o| 精品国产露脸久久av麻豆| xxxhd国产人妻xxx| 少妇被粗大的猛进出69影院| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲国产成人一精品久久久| 国产成人精品久久久久久| 亚洲,一卡二卡三卡| 男女无遮挡免费网站观看| 国产欧美日韩综合在线一区二区| 侵犯人妻中文字幕一二三四区| 99精国产麻豆久久婷婷| 91老司机精品| 久热这里只有精品99| 精品国产一区二区久久| 亚洲精品第二区| 色网站视频免费| 人人澡人人妻人| 久久国产精品男人的天堂亚洲| bbb黄色大片| 另类精品久久| 超色免费av| 美女国产高潮福利片在线看| 男女之事视频高清在线观看 | 亚洲色图综合在线观看| 欧美变态另类bdsm刘玥| 国产成人免费观看mmmm| 美女主播在线视频| 最近最新中文字幕免费大全7| 婷婷成人精品国产| 日韩av不卡免费在线播放| av电影中文网址| 成年人免费黄色播放视频| 一级毛片电影观看| 国产xxxxx性猛交| 国产成人免费观看mmmm| 狠狠精品人妻久久久久久综合| 欧美日韩成人在线一区二区| 青春草国产在线视频| 欧美精品人与动牲交sv欧美| 日本欧美国产在线视频| 午夜福利免费观看在线| 91老司机精品| 亚洲,欧美,日韩| 男女国产视频网站| 午夜免费观看性视频| 久久久久视频综合| 自线自在国产av| 日本色播在线视频| 另类精品久久| 丝袜人妻中文字幕| 美女国产高潮福利片在线看| 永久免费av网站大全| 女人爽到高潮嗷嗷叫在线视频| 成年人免费黄色播放视频| 国产人伦9x9x在线观看| 亚洲国产看品久久| 免费不卡黄色视频| av线在线观看网站| 国产国语露脸激情在线看| 韩国高清视频一区二区三区| a级毛片在线看网站| 曰老女人黄片| 一级,二级,三级黄色视频| 老司机影院成人| 欧美xxⅹ黑人| 女性被躁到高潮视频| 久久人妻熟女aⅴ| 99九九在线精品视频| 成年人免费黄色播放视频| 国产精品女同一区二区软件| 亚洲国产精品999| 国产视频首页在线观看| av视频免费观看在线观看| av网站在线播放免费| 精品国产一区二区三区久久久樱花| 天堂8中文在线网| 欧美老熟妇乱子伦牲交| 丰满乱子伦码专区| 人妻 亚洲 视频| 国产成人啪精品午夜网站| 亚洲国产毛片av蜜桃av| 狂野欧美激情性xxxx| 精品亚洲成国产av| 午夜老司机福利片| 亚洲国产欧美日韩在线播放| 日本色播在线视频| 如何舔出高潮| 最近最新中文字幕大全免费视频 | 国产精品国产三级国产专区5o| 欧美在线黄色| 母亲3免费完整高清在线观看| 国产成人啪精品午夜网站| 九色亚洲精品在线播放| 国产成人一区二区在线| 看非洲黑人一级黄片| 午夜激情av网站| 99久久综合免费| 青春草视频在线免费观看| 街头女战士在线观看网站| 亚洲精品国产av成人精品| 蜜桃在线观看..| 亚洲伊人久久精品综合| 国产日韩欧美视频二区| 美女脱内裤让男人舔精品视频| 亚洲精品国产一区二区精华液| 久久久久久人妻| 日韩av不卡免费在线播放| 精品久久久精品久久久| 香蕉丝袜av| 欧美人与性动交α欧美软件| 男女免费视频国产| 午夜福利影视在线免费观看| 亚洲国产精品一区二区三区在线| 老司机影院成人| 精品福利永久在线观看| 免费日韩欧美在线观看| 男女之事视频高清在线观看 | 丝袜脚勾引网站| 精品福利永久在线观看| 丝袜脚勾引网站| 天天躁夜夜躁狠狠久久av| 欧美精品亚洲一区二区| 亚洲av国产av综合av卡| 国产亚洲av高清不卡| 日韩大码丰满熟妇| 久久久精品区二区三区| 91国产中文字幕| 久久久精品区二区三区| 波多野结衣一区麻豆| 亚洲精品国产av蜜桃| 别揉我奶头~嗯~啊~动态视频 | 国产精品99久久99久久久不卡 | 婷婷成人精品国产| av福利片在线| 嫩草影视91久久| 亚洲av成人精品一二三区| 黑人巨大精品欧美一区二区蜜桃| 桃花免费在线播放| 少妇精品久久久久久久| 亚洲精品国产一区二区精华液| 午夜福利乱码中文字幕| 中文字幕最新亚洲高清| 亚洲精品一二三| 精品第一国产精品| 欧美人与善性xxx| 日韩成人av中文字幕在线观看| 99re6热这里在线精品视频| 亚洲色图综合在线观看| 久久久久久人人人人人| 日韩欧美一区视频在线观看| 国产亚洲最大av| 深夜精品福利| 中文字幕高清在线视频| 人体艺术视频欧美日本| 国产精品嫩草影院av在线观看| 国产成人精品久久二区二区91 | 狠狠婷婷综合久久久久久88av| 无限看片的www在线观看| 最近最新中文字幕大全免费视频 | 国产午夜精品一二区理论片| 黄色怎么调成土黄色| 国产成人精品福利久久| 亚洲 欧美一区二区三区| 精品人妻熟女毛片av久久网站| 91精品国产国语对白视频| 欧美最新免费一区二区三区| 夜夜骑夜夜射夜夜干| 亚洲欧美一区二区三区黑人| 午夜福利,免费看| 在线观看免费午夜福利视频| 老司机影院成人| 九草在线视频观看| 丰满迷人的少妇在线观看| 免费看不卡的av| 国产片内射在线| 国产午夜精品一二区理论片| 国产精品免费大片| 日韩 欧美 亚洲 中文字幕| 日日撸夜夜添| 国产在线一区二区三区精| 男女午夜视频在线观看| 一级毛片黄色毛片免费观看视频| 久久综合国产亚洲精品| 午夜福利视频在线观看免费| 国产黄频视频在线观看| 下体分泌物呈黄色| 国产精品 国内视频| 啦啦啦啦在线视频资源| 男人操女人黄网站| 九九爱精品视频在线观看| 免费不卡黄色视频| 成人午夜精彩视频在线观看| 中国国产av一级| 日韩,欧美,国产一区二区三区| 精品少妇黑人巨大在线播放| 蜜桃在线观看..| 欧美日本中文国产一区发布| 啦啦啦在线观看免费高清www| 国产乱来视频区| 国产伦人伦偷精品视频| 日韩成人av中文字幕在线观看| 国产一卡二卡三卡精品 | 国产亚洲欧美精品永久| 在线观看人妻少妇| 久久这里只有精品19| 精品国产超薄肉色丝袜足j| 亚洲精品日韩在线中文字幕| 久久精品国产综合久久久| 亚洲久久久国产精品| 欧美国产精品一级二级三级| 无遮挡黄片免费观看| 久久免费观看电影| 一区二区三区四区激情视频| 老汉色∧v一级毛片| 欧美最新免费一区二区三区| 欧美久久黑人一区二区| 欧美精品高潮呻吟av久久| 国产精品亚洲av一区麻豆 | 男的添女的下面高潮视频| 黄片播放在线免费| 久久狼人影院| 成人手机av| 亚洲一码二码三码区别大吗| 天堂8中文在线网| tube8黄色片| 美女主播在线视频| 国产99久久九九免费精品| a级片在线免费高清观看视频| 亚洲av福利一区| 如何舔出高潮| 久久精品国产亚洲av高清一级| 国产高清国产精品国产三级| 亚洲国产最新在线播放| 国产精品一区二区在线观看99| 亚洲色图综合在线观看| 国产成人午夜福利电影在线观看| 成人国语在线视频| 18禁观看日本| 电影成人av| av国产精品久久久久影院| 美女中出高潮动态图| 国产欧美日韩综合在线一区二区| 在线观看www视频免费| 亚洲一区二区三区欧美精品| 1024香蕉在线观看| 宅男免费午夜| 欧美少妇被猛烈插入视频| 日韩精品免费视频一区二区三区| 国产一区亚洲一区在线观看| av线在线观看网站| 国产精品秋霞免费鲁丝片| 嫩草影视91久久| 日韩制服骚丝袜av| 精品亚洲成a人片在线观看| 午夜老司机福利片| 丝瓜视频免费看黄片| 久久久精品国产亚洲av高清涩受| 久久精品国产a三级三级三级| 少妇被粗大猛烈的视频| 18禁观看日本| 观看av在线不卡| 国产亚洲av片在线观看秒播厂| 青春草亚洲视频在线观看| 五月开心婷婷网| 久久久久精品性色| 中文字幕人妻熟女乱码| 精品视频人人做人人爽| 午夜福利视频精品| 亚洲国产欧美一区二区综合| 九九爱精品视频在线观看| 国产精品 欧美亚洲| 国产在线免费精品| 97人妻天天添夜夜摸| 亚洲熟女精品中文字幕| 精品国产一区二区三区四区第35| 18禁观看日本| 久久久久视频综合| 国产精品二区激情视频| 超碰成人久久| 91国产中文字幕| 一个人免费看片子| 精品少妇久久久久久888优播| 你懂的网址亚洲精品在线观看| 国产精品一二三区在线看| 一本—道久久a久久精品蜜桃钙片| 亚洲视频免费观看视频| av卡一久久| 亚洲一区二区三区欧美精品| 日日啪夜夜爽| 青青草视频在线视频观看| videosex国产| 亚洲欧美一区二区三区国产| 日本vs欧美在线观看视频| 18禁国产床啪视频网站| 又黄又粗又硬又大视频| 久久精品亚洲av国产电影网| 欧美av亚洲av综合av国产av | 午夜福利免费观看在线| 99热全是精品| 桃花免费在线播放| 午夜免费男女啪啪视频观看| av电影中文网址| 精品国产露脸久久av麻豆| 欧美乱码精品一区二区三区| 欧美xxⅹ黑人| 秋霞在线观看毛片| 亚洲欧洲国产日韩| 亚洲精品久久成人aⅴ小说| 人人澡人人妻人| 午夜福利在线免费观看网站| 亚洲四区av| 亚洲成人国产一区在线观看 | 久久99热这里只频精品6学生| 欧美激情 高清一区二区三区| 中文字幕av电影在线播放| 在线天堂最新版资源| 男人爽女人下面视频在线观看| 一区二区三区精品91| 亚洲精品一区蜜桃| 多毛熟女@视频| 久久鲁丝午夜福利片| 91精品国产国语对白视频| 国产成人精品久久二区二区91 | 天天添夜夜摸| 亚洲一区中文字幕在线| 日韩av在线免费看完整版不卡| 韩国高清视频一区二区三区| 午夜老司机福利片| 日韩电影二区| 天堂8中文在线网| 啦啦啦 在线观看视频| 国产在视频线精品| 亚洲av日韩在线播放| 99热全是精品| 欧美人与性动交α欧美精品济南到| 丝瓜视频免费看黄片| 高清av免费在线| 久久精品国产亚洲av涩爱| 久久韩国三级中文字幕| 国产女主播在线喷水免费视频网站| 国产亚洲一区二区精品| 99热国产这里只有精品6| 亚洲少妇的诱惑av| 国产精品三级大全| 久久亚洲国产成人精品v|