• <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

    999久久久精品免费观看国产| 久久久久久人人人人人| 免费在线观看影片大全网站| 在线永久观看黄色视频| 51午夜福利影视在线观看| 免费看十八禁软件| 2018国产大陆天天弄谢| 亚洲一区二区三区欧美精品| 国产又色又爽无遮挡免| 男女下面插进去视频免费观看| 久久国产精品大桥未久av| 人妻 亚洲 视频| 一个人免费看片子| 亚洲 国产 在线| 久久久久久免费高清国产稀缺| 日韩免费高清中文字幕av| 人妻人人澡人人爽人人| 亚洲专区字幕在线| 无限看片的www在线观看| 午夜91福利影院| 中文字幕精品免费在线观看视频| 国产精品熟女久久久久浪| 99国产精品一区二区三区| 色婷婷久久久亚洲欧美| 精品少妇一区二区三区视频日本电影| 午夜福利乱码中文字幕| 大型av网站在线播放| 久久久精品国产亚洲av高清涩受| 国产成人免费无遮挡视频| 少妇 在线观看| 乱人伦中国视频| 中文字幕人妻丝袜一区二区| 男女边摸边吃奶| 午夜老司机福利片| 亚洲成人手机| 伊人久久大香线蕉亚洲五| 另类亚洲欧美激情| 伊人亚洲综合成人网| 国产一区二区在线观看av| 久久人人爽av亚洲精品天堂| 麻豆乱淫一区二区| 午夜免费观看性视频| 久久国产精品大桥未久av| 免费观看a级毛片全部| 免费av中文字幕在线| 亚洲欧美一区二区三区黑人| 国产欧美日韩一区二区三 | 黑人操中国人逼视频| 亚洲精品av麻豆狂野| 9色porny在线观看| 啦啦啦中文免费视频观看日本| 两个人看的免费小视频| 亚洲 欧美一区二区三区| 精品卡一卡二卡四卡免费| 又黄又粗又硬又大视频| 狂野欧美激情性bbbbbb| 国产日韩欧美视频二区| 老司机靠b影院| 亚洲精品国产av蜜桃| 亚洲第一av免费看| 国产精品九九99| 亚洲五月婷婷丁香| 成人av一区二区三区在线看 | 夜夜夜夜夜久久久久| xxxhd国产人妻xxx| 每晚都被弄得嗷嗷叫到高潮| 成年人免费黄色播放视频| 久久性视频一级片| 国产片内射在线| 女性被躁到高潮视频| 亚洲少妇的诱惑av| 久久人妻福利社区极品人妻图片| 国产精品亚洲av一区麻豆| 丝袜美足系列| 人人妻,人人澡人人爽秒播| 一边摸一边做爽爽视频免费| 高清在线国产一区| 亚洲成人免费电影在线观看| 午夜福利视频在线观看免费| 97在线人人人人妻| 三上悠亚av全集在线观看| 亚洲精品在线美女| 丝瓜视频免费看黄片| 日韩欧美一区二区三区在线观看 | 黄片大片在线免费观看| 99久久国产精品久久久| 老司机午夜福利在线观看视频 | 国产国语露脸激情在线看| 国产97色在线日韩免费| 欧美另类一区| 一区二区三区四区激情视频| 一区二区三区乱码不卡18| 国产精品免费视频内射| 日本91视频免费播放| 人人妻人人澡人人爽人人夜夜| 69精品国产乱码久久久| 真人做人爱边吃奶动态| 极品少妇高潮喷水抽搐| 亚洲一码二码三码区别大吗| 久久久精品94久久精品| 欧美日韩黄片免| 人人妻人人爽人人添夜夜欢视频| 麻豆国产av国片精品| 两个人看的免费小视频| 每晚都被弄得嗷嗷叫到高潮| 免费高清在线观看日韩| 亚洲成国产人片在线观看| 国产麻豆69| 国产亚洲精品久久久久5区| 午夜精品久久久久久毛片777| 十分钟在线观看高清视频www| 国产一区二区在线观看av| 久久久精品94久久精品| 一本久久精品| 老司机深夜福利视频在线观看 | 热99久久久久精品小说推荐| 成人免费观看视频高清| 母亲3免费完整高清在线观看| 波多野结衣一区麻豆| 一本色道久久久久久精品综合| 制服人妻中文乱码| 99九九在线精品视频| 侵犯人妻中文字幕一二三四区| 亚洲专区中文字幕在线| 啦啦啦免费观看视频1| 99国产精品免费福利视频| 亚洲av日韩精品久久久久久密| 久久久精品免费免费高清| 亚洲视频免费观看视频| 极品少妇高潮喷水抽搐| 国产成人精品久久二区二区91| 日本wwww免费看| 亚洲精品国产色婷婷电影| 两性午夜刺激爽爽歪歪视频在线观看 | 国产成人a∨麻豆精品| 夜夜骑夜夜射夜夜干| 亚洲少妇的诱惑av| 中亚洲国语对白在线视频| 美女扒开内裤让男人捅视频| 999精品在线视频| 99re6热这里在线精品视频| 成年人黄色毛片网站| 精品一区二区三区av网在线观看 | 十八禁高潮呻吟视频| 色94色欧美一区二区| 日本wwww免费看| 国产亚洲精品一区二区www | 午夜福利视频在线观看免费| 男女边摸边吃奶| 欧美久久黑人一区二区| 91字幕亚洲| 亚洲av电影在线进入| 日本wwww免费看| 国产成+人综合+亚洲专区| 欧美精品高潮呻吟av久久| 久久精品国产亚洲av高清一级| 久久久国产一区二区| 欧美日韩av久久| kizo精华| 视频区图区小说| 99久久99久久久精品蜜桃| 精品人妻一区二区三区麻豆| cao死你这个sao货| 久久人人爽av亚洲精品天堂| 男女午夜视频在线观看| 亚洲精华国产精华精| av天堂久久9| 波多野结衣一区麻豆| 国产1区2区3区精品| 999久久久国产精品视频| av天堂久久9| 不卡一级毛片| 久久中文字幕一级| 精品一区在线观看国产| 欧美日韩亚洲高清精品| 国内毛片毛片毛片毛片毛片| 男女国产视频网站| 好男人电影高清在线观看| 国产一区二区三区在线臀色熟女 | 亚洲成人国产一区在线观看| 欧美精品一区二区免费开放| 日韩免费高清中文字幕av| 日韩精品免费视频一区二区三区| 国产精品偷伦视频观看了| 久久 成人 亚洲| 精品人妻1区二区| 男女下面插进去视频免费观看| 久久ye,这里只有精品| 妹子高潮喷水视频| 国产男女超爽视频在线观看| 777米奇影视久久| 亚洲精品第二区| 久久av网站| 日本一区二区免费在线视频| 国产成+人综合+亚洲专区| 午夜免费观看性视频| 国产一区二区三区av在线| 大片免费播放器 马上看| 亚洲第一av免费看| 大香蕉久久成人网| 一区二区三区乱码不卡18| 国产主播在线观看一区二区| 国产一区二区三区av在线| 丝袜美足系列| 考比视频在线观看| 最黄视频免费看| 国产成+人综合+亚洲专区| 欧美变态另类bdsm刘玥| 一区二区av电影网| 亚洲一区中文字幕在线| 久久久水蜜桃国产精品网| 操美女的视频在线观看| 欧美激情久久久久久爽电影 | 日韩 欧美 亚洲 中文字幕| 永久免费av网站大全| 久久久久精品国产欧美久久久 | 国产黄色免费在线视频| netflix在线观看网站| 日韩欧美国产一区二区入口| 亚洲欧美色中文字幕在线| 久久99热这里只频精品6学生| 免费日韩欧美在线观看| 999精品在线视频| 午夜免费观看性视频| 亚洲欧美一区二区三区黑人| 日本撒尿小便嘘嘘汇集6| 高清av免费在线| 夜夜骑夜夜射夜夜干| 99久久人妻综合| 捣出白浆h1v1| 精品福利永久在线观看| 国产成人欧美在线观看 | 国产精品av久久久久免费| 国产麻豆69| 真人做人爱边吃奶动态| 国产高清视频在线播放一区 | 精品第一国产精品| 男人爽女人下面视频在线观看| 欧美av亚洲av综合av国产av| 欧美激情极品国产一区二区三区| 久久久国产成人免费| 国精品久久久久久国模美| 国产日韩欧美在线精品| 亚洲人成电影免费在线| av不卡在线播放| 宅男免费午夜| 免费在线观看黄色视频的| 国产1区2区3区精品| 日韩制服丝袜自拍偷拍| 久久精品人人爽人人爽视色| 日本一区二区免费在线视频| 精品少妇一区二区三区视频日本电影| 亚洲九九香蕉| av在线播放精品| 欧美精品高潮呻吟av久久| 色老头精品视频在线观看| 久久久精品94久久精品| 涩涩av久久男人的天堂| 最新的欧美精品一区二区| 亚洲成人手机| 99精品欧美一区二区三区四区| 久久久国产成人免费| 国产亚洲欧美精品永久| 又大又爽又粗| 欧美日韩亚洲国产一区二区在线观看 | 两个人看的免费小视频| 亚洲熟女毛片儿| 宅男免费午夜| 青草久久国产| 91大片在线观看| 亚洲熟女毛片儿| 高清视频免费观看一区二区| 又大又爽又粗| 久久ye,这里只有精品| 久久人人爽人人片av| 亚洲视频免费观看视频| 91麻豆av在线| 亚洲av成人不卡在线观看播放网 | 三上悠亚av全集在线观看| 国产精品久久久久久人妻精品电影 | 91精品伊人久久大香线蕉| 80岁老熟妇乱子伦牲交| 国产97色在线日韩免费| 国产一级毛片在线| 亚洲国产欧美一区二区综合| 美女福利国产在线| kizo精华| 国产精品免费大片| 新久久久久国产一级毛片| 欧美国产精品va在线观看不卡| 少妇被粗大的猛进出69影院| 亚洲第一欧美日韩一区二区三区 | 在线观看人妻少妇| 国产熟女午夜一区二区三区| 亚洲精品一卡2卡三卡4卡5卡 | 亚洲精品久久午夜乱码| 日韩欧美一区二区三区在线观看 | 国产伦人伦偷精品视频| 国产成人免费无遮挡视频| 他把我摸到了高潮在线观看 | 欧美精品人与动牲交sv欧美| 亚洲欧美精品自产自拍| 精品国产乱子伦一区二区三区 | 搡老乐熟女国产| 午夜免费成人在线视频| 久久香蕉激情| 亚洲三区欧美一区| 永久免费av网站大全| 男男h啪啪无遮挡| 91麻豆精品激情在线观看国产 | 男女床上黄色一级片免费看| 丰满人妻熟妇乱又伦精品不卡| 午夜免费成人在线视频| 国产av又大| 男人爽女人下面视频在线观看| 国产免费现黄频在线看| 亚洲av电影在线观看一区二区三区| 国产精品久久久av美女十八| av片东京热男人的天堂| 国产无遮挡羞羞视频在线观看| 最近最新中文字幕大全免费视频| 国产在视频线精品| 国产一区二区激情短视频 | videosex国产| 久久99热这里只频精品6学生| 午夜福利乱码中文字幕| 亚洲成国产人片在线观看| 亚洲国产成人一精品久久久| 桃红色精品国产亚洲av| 又紧又爽又黄一区二区| 大型av网站在线播放| 欧美日韩国产mv在线观看视频| 亚洲av美国av| 丰满人妻熟妇乱又伦精品不卡| 天天躁狠狠躁夜夜躁狠狠躁| 18禁黄网站禁片午夜丰满| 国产亚洲av高清不卡| 在线看a的网站| 精品高清国产在线一区| 岛国毛片在线播放| xxxhd国产人妻xxx| 深夜精品福利| 久久热在线av| 精品人妻在线不人妻| 久久久久视频综合| 亚洲少妇的诱惑av| 极品人妻少妇av视频| 免费在线观看影片大全网站| 成年人黄色毛片网站| 国产精品免费视频内射| 一级片免费观看大全| 两性午夜刺激爽爽歪歪视频在线观看 | 又黄又粗又硬又大视频| 免费少妇av软件| 国产色视频综合| 欧美 亚洲 国产 日韩一| 十八禁网站网址无遮挡| 国产成人欧美在线观看 | 亚洲av电影在线观看一区二区三区| 日韩欧美国产一区二区入口| 欧美精品人与动牲交sv欧美| 国产成人免费无遮挡视频| avwww免费| 国产麻豆69| 下体分泌物呈黄色| 日本精品一区二区三区蜜桃| 国产区一区二久久| 秋霞在线观看毛片| 黄色视频,在线免费观看| 黄片播放在线免费| 人人妻,人人澡人人爽秒播| 亚洲精品中文字幕一二三四区 | 久久热在线av| 午夜免费成人在线视频| 老鸭窝网址在线观看| 脱女人内裤的视频| 男女午夜视频在线观看| 免费看十八禁软件| 久久 成人 亚洲| 精品一区二区三卡| 两性夫妻黄色片| 亚洲欧美清纯卡通| 国产一卡二卡三卡精品| 操出白浆在线播放| 国产精品久久久久久精品电影小说| 人妻一区二区av| 日韩大片免费观看网站| 黑人巨大精品欧美一区二区mp4| 一二三四社区在线视频社区8| 性少妇av在线| 侵犯人妻中文字幕一二三四区| 久久精品人人爽人人爽视色| svipshipincom国产片| 好男人电影高清在线观看| 母亲3免费完整高清在线观看| www日本在线高清视频| 免费观看人在逋| 91九色精品人成在线观看| 国产精品.久久久| 亚洲 欧美一区二区三区| 在线精品无人区一区二区三| 久久99热这里只频精品6学生| 一本一本久久a久久精品综合妖精| 多毛熟女@视频| 精品视频人人做人人爽| 夫妻午夜视频| 久久毛片免费看一区二区三区| 午夜久久久在线观看| 青春草视频在线免费观看| av又黄又爽大尺度在线免费看| av在线老鸭窝| 久久久久国产一级毛片高清牌| 久久久国产欧美日韩av| 精品久久蜜臀av无| 美女中出高潮动态图| 欧美一级毛片孕妇| 日韩精品免费视频一区二区三区| 国产成人啪精品午夜网站| 啦啦啦免费观看视频1| 老司机午夜福利在线观看视频 | 精品乱码久久久久久99久播| 亚洲情色 制服丝袜| 久久天堂一区二区三区四区| 制服人妻中文乱码| 99精品欧美一区二区三区四区| 人人澡人人妻人| 亚洲成av片中文字幕在线观看| 91大片在线观看| 久久中文看片网| 丰满迷人的少妇在线观看| 欧美激情 高清一区二区三区| 国产高清国产精品国产三级| 欧美黄色片欧美黄色片| 久久99热这里只频精品6学生| 精品人妻熟女毛片av久久网站| xxxhd国产人妻xxx| 性高湖久久久久久久久免费观看| 热re99久久国产66热| 国产精品一区二区在线观看99| 日韩三级视频一区二区三区| 飞空精品影院首页| 久久人妻福利社区极品人妻图片| 99国产精品一区二区三区| 成年美女黄网站色视频大全免费| 色婷婷久久久亚洲欧美| 国产免费福利视频在线观看| 老司机亚洲免费影院| 欧美xxⅹ黑人| 日韩 亚洲 欧美在线| 视频在线观看一区二区三区| 黄网站色视频无遮挡免费观看| 成人手机av| 动漫黄色视频在线观看| 69精品国产乱码久久久| 久久精品国产a三级三级三级| 操美女的视频在线观看| 日本欧美视频一区| 高清av免费在线| 80岁老熟妇乱子伦牲交| 丰满迷人的少妇在线观看| 日韩制服丝袜自拍偷拍| 国产一区二区在线观看av| 男女午夜视频在线观看| 欧美一级毛片孕妇| 日韩精品免费视频一区二区三区| 亚洲欧洲精品一区二区精品久久久| 久久中文看片网| 精品国产乱子伦一区二区三区 | 一本久久精品| cao死你这个sao货| 国产视频一区二区在线看| 两性夫妻黄色片| 亚洲国产成人一精品久久久| 99久久精品国产亚洲精品| 亚洲国产毛片av蜜桃av| 一级片'在线观看视频| 久久精品国产亚洲av香蕉五月 | www.精华液| 蜜桃在线观看..| 久久国产精品人妻蜜桃| 十八禁网站免费在线| 一区二区三区四区激情视频| 成在线人永久免费视频| 成年人午夜在线观看视频| 视频在线观看一区二区三区| 美女视频免费永久观看网站| 精品国产乱码久久久久久小说| 99久久人妻综合| 可以免费在线观看a视频的电影网站| 久久精品熟女亚洲av麻豆精品| 国产精品欧美亚洲77777| 亚洲成人国产一区在线观看| 亚洲精品av麻豆狂野| 天天添夜夜摸| 亚洲午夜精品一区,二区,三区| 1024视频免费在线观看| 亚洲精品国产区一区二| 精品久久久久久电影网| 国产亚洲av片在线观看秒播厂| 久久久久视频综合| 欧美变态另类bdsm刘玥| 一级毛片女人18水好多| 黄色视频,在线免费观看| 五月天丁香电影| 日韩人妻精品一区2区三区| 激情视频va一区二区三区| 日韩三级视频一区二区三区| 国产97色在线日韩免费| 午夜福利乱码中文字幕| 淫妇啪啪啪对白视频 | 搡老乐熟女国产| 亚洲精品美女久久av网站| 精品国产国语对白av| 亚洲一码二码三码区别大吗| 亚洲成人免费电影在线观看| 18禁黄网站禁片午夜丰满| av在线老鸭窝| 国产片内射在线| 亚洲精品美女久久av网站| 亚洲欧美一区二区三区久久| 欧美在线一区亚洲| 超碰97精品在线观看| 久久精品久久久久久噜噜老黄| 亚洲精品一区蜜桃| 亚洲国产中文字幕在线视频| 国产伦理片在线播放av一区| 男男h啪啪无遮挡| 亚洲国产精品一区二区三区在线| 国产精品国产三级国产专区5o| 操出白浆在线播放| 国产精品久久久av美女十八| 国产精品一区二区在线不卡| www.av在线官网国产| 高清欧美精品videossex| 午夜福利在线观看吧| 超碰97精品在线观看| 日韩一卡2卡3卡4卡2021年| 成年动漫av网址| 亚洲国产精品一区三区| 日韩三级视频一区二区三区| 免费在线观看视频国产中文字幕亚洲 | 91精品伊人久久大香线蕉| 51午夜福利影视在线观看| 麻豆乱淫一区二区| 日本wwww免费看| 国产精品香港三级国产av潘金莲| 人人妻人人添人人爽欧美一区卜| 黄色视频,在线免费观看| 九色亚洲精品在线播放| 后天国语完整版免费观看| videos熟女内射| www.熟女人妻精品国产| 大香蕉久久网| 国产精品熟女久久久久浪| 一区二区三区精品91| 精品亚洲乱码少妇综合久久| 多毛熟女@视频| 国产精品九九99| 在线十欧美十亚洲十日本专区| 这个男人来自地球电影免费观看| 韩国精品一区二区三区| 国产男女内射视频| www.999成人在线观看| 咕卡用的链子| 1024视频免费在线观看| 韩国精品一区二区三区| 国产亚洲午夜精品一区二区久久| 亚洲国产日韩一区二区| 国产精品熟女久久久久浪| 成年人黄色毛片网站| 久久久国产欧美日韩av| 成人18禁高潮啪啪吃奶动态图| 亚洲人成77777在线视频| 亚洲国产精品成人久久小说| 美女主播在线视频| 午夜影院在线不卡| 久久国产精品人妻蜜桃| 亚洲九九香蕉| 亚洲中文字幕日韩| 日韩一卡2卡3卡4卡2021年| 国产av一区二区精品久久| 在线观看免费高清a一片| 交换朋友夫妻互换小说| 亚洲国产成人一精品久久久| 大片电影免费在线观看免费| 中文字幕人妻丝袜一区二区| 老司机深夜福利视频在线观看 | 精品亚洲成a人片在线观看| 正在播放国产对白刺激| 久久久国产精品麻豆| 国产精品99久久99久久久不卡| 精品国产乱码久久久久久小说| 久久精品熟女亚洲av麻豆精品| 亚洲精品av麻豆狂野| 国产精品久久久久久人妻精品电影 | 男女午夜视频在线观看| av天堂久久9| 99国产综合亚洲精品| 黄网站色视频无遮挡免费观看| 亚洲免费av在线视频| 亚洲av美国av| 日本撒尿小便嘘嘘汇集6| 欧美黑人精品巨大| 日日爽夜夜爽网站| 亚洲精品中文字幕一二三四区 | 日本黄色日本黄色录像| 我要看黄色一级片免费的| 国产黄频视频在线观看| 少妇精品久久久久久久| 亚洲av电影在线观看一区二区三区| 俄罗斯特黄特色一大片| 动漫黄色视频在线观看| 中文字幕色久视频| 日本黄色日本黄色录像| 老熟妇乱子伦视频在线观看 |