• <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

    十八禁国产超污无遮挡网站| 国产真实伦视频高清在线观看| 国产男人的电影天堂91| 欧美成人a在线观看| 欧美色欧美亚洲另类二区| 国产大屁股一区二区在线视频| 国内精品一区二区在线观看| 亚洲欧美精品专区久久| 舔av片在线| 国产亚洲精品久久久com| 高清毛片免费看| 尾随美女入室| 中文字幕av成人在线电影| 爱豆传媒免费全集在线观看| 亚洲aⅴ乱码一区二区在线播放| 午夜激情欧美在线| 日韩大尺度精品在线看网址| 国产亚洲精品久久久久久毛片| 3wmmmm亚洲av在线观看| 嫩草影院精品99| 中国国产av一级| 欧美最黄视频在线播放免费| 国产单亲对白刺激| 在线免费十八禁| 毛片一级片免费看久久久久| 日本一二三区视频观看| 岛国在线免费视频观看| 日日摸夜夜添夜夜爱| 女人十人毛片免费观看3o分钟| 嫩草影院新地址| 亚洲国产精品成人综合色| 亚洲av熟女| 精品久久久久久久末码| 精品久久久久久久末码| 亚洲欧美日韩高清专用| 人妻少妇偷人精品九色| 国产成人aa在线观看| 中出人妻视频一区二区| 成人午夜精彩视频在线观看| 91午夜精品亚洲一区二区三区| 哪里可以看免费的av片| 国产成人aa在线观看| 中文字幕久久专区| 男女啪啪激烈高潮av片| 一级毛片电影观看 | 一级二级三级毛片免费看| 成人性生交大片免费视频hd| 成人欧美大片| 午夜福利高清视频| 国产一区二区激情短视频| 亚洲国产色片| 免费人成在线观看视频色| 午夜福利在线观看免费完整高清在 | 久久韩国三级中文字幕| 色尼玛亚洲综合影院| 成年版毛片免费区| 久久中文看片网| 大又大粗又爽又黄少妇毛片口| 久久精品人妻少妇| 欧美变态另类bdsm刘玥| 国产探花极品一区二区| 久久久久久久久中文| 亚洲精华国产精华液的使用体验 | 久久久久久久久久久免费av| 国产精品一区二区在线观看99 | 欧美日韩乱码在线| av卡一久久| 男插女下体视频免费在线播放| 99久国产av精品国产电影| 午夜激情福利司机影院| 啦啦啦啦在线视频资源| 日本一本二区三区精品| 亚洲人成网站在线播放欧美日韩| 又粗又硬又长又爽又黄的视频 | 成人亚洲欧美一区二区av| 国产成人91sexporn| 美女内射精品一级片tv| 天堂网av新在线| 天堂中文最新版在线下载 | 一本精品99久久精品77| 我的老师免费观看完整版| 又粗又硬又长又爽又黄的视频 | 日本黄色视频三级网站网址| 国产精品三级大全| 久久久国产成人精品二区| 亚洲,欧美,日韩| 亚洲成人精品中文字幕电影| 国产高清有码在线观看视频| 久久久久久久亚洲中文字幕| 91午夜精品亚洲一区二区三区| 亚洲最大成人av| 免费在线观看成人毛片| 亚洲国产精品合色在线| av免费在线看不卡| 亚洲欧美日韩高清专用| 成人永久免费在线观看视频| 日韩精品有码人妻一区| 亚洲最大成人手机在线| 久久久欧美国产精品| 欧美又色又爽又黄视频| av在线播放精品| 精品99又大又爽又粗少妇毛片| 看十八女毛片水多多多| 99热网站在线观看| 国产淫片久久久久久久久| 99久久精品一区二区三区| 亚洲精品久久久久久婷婷小说 | 欧美成人免费av一区二区三区| 少妇熟女aⅴ在线视频| 少妇丰满av| 性插视频无遮挡在线免费观看| 国产大屁股一区二区在线视频| 寂寞人妻少妇视频99o| 长腿黑丝高跟| 麻豆乱淫一区二区| 伦理电影大哥的女人| 日韩欧美一区二区三区在线观看| 老司机影院成人| 国产激情偷乱视频一区二区| 国产精品无大码| 岛国在线免费视频观看| 亚洲欧美日韩高清在线视频| 日本免费一区二区三区高清不卡| 欧美激情在线99| 高清毛片免费看| 精品熟女少妇av免费看| 九色成人免费人妻av| a级毛色黄片| 日本熟妇午夜| 亚洲综合色惰| 麻豆乱淫一区二区| 欧美日韩综合久久久久久| 爱豆传媒免费全集在线观看| 99热这里只有是精品在线观看| 伊人久久精品亚洲午夜| 中文精品一卡2卡3卡4更新| 中文字幕精品亚洲无线码一区| 中文资源天堂在线| 国产成人91sexporn| av女优亚洲男人天堂| 国产精品不卡视频一区二区| 日韩中字成人| 欧美色视频一区免费| 赤兔流量卡办理| 亚洲自拍偷在线| 国产成人a∨麻豆精品| 国产成人精品一,二区 | 真实男女啪啪啪动态图| 中文欧美无线码| 欧美在线一区亚洲| 国产色婷婷99| 黄片wwwwww| 春色校园在线视频观看| 色5月婷婷丁香| 国内揄拍国产精品人妻在线| 日本一二三区视频观看| 少妇熟女aⅴ在线视频| 国产精品,欧美在线| 亚洲欧美日韩高清专用| 黄色配什么色好看| 美女黄网站色视频| 欧美丝袜亚洲另类| 插逼视频在线观看| 黄色视频,在线免费观看| 午夜福利成人在线免费观看| 亚洲一区二区三区色噜噜| 中文字幕熟女人妻在线| 中文字幕制服av| 你懂的网址亚洲精品在线观看 | 久久精品国产亚洲网站| 小说图片视频综合网站| 偷拍熟女少妇极品色| 99久久成人亚洲精品观看| 两个人的视频大全免费| 日日摸夜夜添夜夜爱| 成人美女网站在线观看视频| 只有这里有精品99| 春色校园在线视频观看| 国产成人一区二区在线| 国产高清视频在线观看网站| 国产精品伦人一区二区| 成人特级黄色片久久久久久久| 欧美性猛交黑人性爽| 特大巨黑吊av在线直播| 国产爱豆传媒在线观看| 欧美zozozo另类| 99热这里只有是精品50| 欧美日韩精品成人综合77777| 禁无遮挡网站| 成人高潮视频无遮挡免费网站| 免费电影在线观看免费观看| 国产精品久久久久久久久免| 国产爱豆传媒在线观看| 一本久久精品| 欧美激情国产日韩精品一区| 国产一区二区在线av高清观看| 中出人妻视频一区二区| 日韩精品青青久久久久久| 国产成人a∨麻豆精品| 国产av麻豆久久久久久久| 黄片wwwwww| 亚洲国产色片| 三级经典国产精品| 中文字幕熟女人妻在线| 黄色欧美视频在线观看| 九九久久精品国产亚洲av麻豆| 国产精品一区www在线观看| 九草在线视频观看| 综合色av麻豆| 精品久久久久久久久久免费视频| 少妇丰满av| 可以在线观看的亚洲视频| 黄色配什么色好看| 欧美性感艳星| 国产精品电影一区二区三区| 99久久精品热视频| 国产v大片淫在线免费观看| 国产免费一级a男人的天堂| 一个人免费在线观看电影| 亚洲av成人精品一区久久| 中文欧美无线码| 给我免费播放毛片高清在线观看| 久久久久国产网址| 成人漫画全彩无遮挡| 国产色爽女视频免费观看| 国产真实伦视频高清在线观看| 日本欧美国产在线视频| 亚洲av二区三区四区| 噜噜噜噜噜久久久久久91| 亚洲av电影不卡..在线观看| 精品人妻偷拍中文字幕| 99久国产av精品国产电影| 亚洲欧美日韩东京热| 国产男人的电影天堂91| 国内久久婷婷六月综合欲色啪| 欧美区成人在线视频| 26uuu在线亚洲综合色| 国产成人一区二区在线| 18禁黄网站禁片免费观看直播| 国产精品久久视频播放| 成人综合一区亚洲| 欧美又色又爽又黄视频| 少妇猛男粗大的猛烈进出视频 | 国产精品.久久久| 在线观看一区二区三区| 日韩av在线大香蕉| 成人欧美大片| 亚洲国产欧洲综合997久久,| 国内久久婷婷六月综合欲色啪| 自拍偷自拍亚洲精品老妇| 久久九九热精品免费| 伊人久久精品亚洲午夜| 免费看美女性在线毛片视频| 欧美高清成人免费视频www| 日韩欧美三级三区| 精品久久久久久久久久久久久| 久久99精品国语久久久| 可以在线观看的亚洲视频| 村上凉子中文字幕在线| 精品一区二区三区视频在线| 熟女电影av网| 国产精品久久久久久av不卡| 在线国产一区二区在线| 国产精品国产三级国产av玫瑰| 又爽又黄无遮挡网站| 1000部很黄的大片| 午夜精品在线福利| av.在线天堂| 色播亚洲综合网| 久久久久久久久中文| 深夜精品福利| 别揉我奶头 嗯啊视频| 国产三级在线视频| 久久午夜亚洲精品久久| 人人妻人人澡人人爽人人夜夜 | 婷婷色综合大香蕉| 久久精品久久久久久久性| 1000部很黄的大片| 午夜精品在线福利| 欧美三级亚洲精品| 97热精品久久久久久| 内射极品少妇av片p| 国产成人福利小说| 免费人成在线观看视频色| 日日撸夜夜添| 日本三级黄在线观看| 国产av在哪里看| 老司机影院成人| 99视频精品全部免费 在线| 91在线精品国自产拍蜜月| 亚洲成av人片在线播放无| 国产国拍精品亚洲av在线观看| 日韩欧美国产在线观看| 久久久久久久久大av| 午夜福利成人在线免费观看| eeuss影院久久| 99热全是精品| 蜜臀久久99精品久久宅男| 午夜爱爱视频在线播放| 国产精品一区二区性色av| 成人无遮挡网站| 看免费成人av毛片| 成人午夜高清在线视频| 精品少妇黑人巨大在线播放 | 又爽又黄无遮挡网站| 亚洲精品乱码久久久久久按摩| 日本欧美国产在线视频| 国产成人精品久久久久久| 在线观看午夜福利视频| av福利片在线观看| 淫秽高清视频在线观看| 中出人妻视频一区二区| 婷婷精品国产亚洲av| 九色成人免费人妻av| 午夜福利成人在线免费观看| 国产一区二区三区av在线 | 热99在线观看视频| avwww免费| 亚洲欧美日韩东京热| av在线观看视频网站免费| 亚洲av熟女| 久久久精品大字幕| 22中文网久久字幕| 噜噜噜噜噜久久久久久91| a级毛色黄片| 久久久久国产网址| 欧美bdsm另类| 插阴视频在线观看视频| 18+在线观看网站| 国内揄拍国产精品人妻在线| 1024手机看黄色片| 亚洲,欧美,日韩| 免费av毛片视频| 精品无人区乱码1区二区| 亚洲色图av天堂| 又粗又硬又长又爽又黄的视频 | 又黄又爽又刺激的免费视频.| 99国产极品粉嫩在线观看| 亚洲精品影视一区二区三区av| 日韩一区二区视频免费看| 少妇丰满av| 精品人妻熟女av久视频| 国产精品.久久久| 亚洲18禁久久av| 真实男女啪啪啪动态图| 国产精品一及| 国产精品麻豆人妻色哟哟久久 | 久久精品国产自在天天线| 一级av片app| 欧美日韩在线观看h| 夜夜夜夜夜久久久久| 蜜臀久久99精品久久宅男| 午夜激情福利司机影院| 日韩一本色道免费dvd| 可以在线观看的亚洲视频| 91久久精品电影网| 美女 人体艺术 gogo| 国产免费一级a男人的天堂| 一本一本综合久久| 国内少妇人妻偷人精品xxx网站| 久久久国产成人免费| 1000部很黄的大片| 狂野欧美白嫩少妇大欣赏| 国产高潮美女av| 国产真实乱freesex| 边亲边吃奶的免费视频| 热99re8久久精品国产| 国内少妇人妻偷人精品xxx网站| 成人av在线播放网站| 边亲边吃奶的免费视频| 精品无人区乱码1区二区| 久久欧美精品欧美久久欧美| 人妻系列 视频| av在线观看视频网站免费| 人妻系列 视频| 自拍偷自拍亚洲精品老妇| 麻豆av噜噜一区二区三区| 91aial.com中文字幕在线观看| 干丝袜人妻中文字幕| 自拍偷自拍亚洲精品老妇| 麻豆av噜噜一区二区三区| 亚洲自拍偷在线| 一级av片app| av国产免费在线观看| 99久国产av精品| 少妇被粗大猛烈的视频| 国产乱人偷精品视频| 久久久成人免费电影| 一本精品99久久精品77| 又粗又硬又长又爽又黄的视频 | 亚洲激情五月婷婷啪啪| 色吧在线观看| 久久九九热精品免费| 久久亚洲国产成人精品v| 国产高清视频在线观看网站| 国产91av在线免费观看| 悠悠久久av| 免费人成视频x8x8入口观看| 国产欧美日韩精品一区二区| 国产视频首页在线观看| 国产伦一二天堂av在线观看| 岛国在线免费视频观看| 精品不卡国产一区二区三区| 日本欧美国产在线视频| 男人舔奶头视频| 美女高潮的动态| www日本黄色视频网| 亚洲不卡免费看| 男女做爰动态图高潮gif福利片| 日本三级黄在线观看| 我的女老师完整版在线观看| 青春草视频在线免费观看| 97在线视频观看| 亚洲无线观看免费| 色播亚洲综合网| 国产老妇女一区| 99久国产av精品国产电影| 国内少妇人妻偷人精品xxx网站| 久久人人爽人人片av| 日本与韩国留学比较| 如何舔出高潮| 久久久成人免费电影| 国产在线精品亚洲第一网站| 色哟哟·www| kizo精华| 色播亚洲综合网| 亚洲精品久久国产高清桃花| 国产极品精品免费视频能看的| 老司机影院成人| 大型黄色视频在线免费观看| 久久精品久久久久久久性| 国产一区二区在线观看日韩| av黄色大香蕉| 国产一区二区激情短视频| 久久亚洲国产成人精品v| 一区二区三区四区激情视频 | videossex国产| 亚洲第一区二区三区不卡| 国产淫片久久久久久久久| 日日啪夜夜撸| 国产91av在线免费观看| 黑人高潮一二区| 国产精品电影一区二区三区| 在线观看美女被高潮喷水网站| 老熟妇乱子伦视频在线观看| 男插女下体视频免费在线播放| 男的添女的下面高潮视频| 亚洲成a人片在线一区二区| 国产一区二区在线观看日韩| 国产在线精品亚洲第一网站| 国产一区二区三区在线臀色熟女| 看免费成人av毛片| 午夜福利视频1000在线观看| 神马国产精品三级电影在线观看| 亚洲欧美精品综合久久99| 亚洲欧洲国产日韩| 国产成人a区在线观看| 丰满乱子伦码专区| 岛国毛片在线播放| 亚洲av免费高清在线观看| 男人舔奶头视频| 女的被弄到高潮叫床怎么办| 久久精品国产清高在天天线| 天堂av国产一区二区熟女人妻| 日本免费a在线| 成年版毛片免费区| av在线播放精品| 国产探花极品一区二区| 男人舔奶头视频| 婷婷色综合大香蕉| 韩国av在线不卡| h日本视频在线播放| 少妇被粗大猛烈的视频| 99热这里只有是精品在线观看| 91久久精品电影网| 男人和女人高潮做爰伦理| 三级男女做爰猛烈吃奶摸视频| 最近中文字幕高清免费大全6| 欧美bdsm另类| 麻豆乱淫一区二区| av在线蜜桃| 美女cb高潮喷水在线观看| 国产亚洲精品久久久久久毛片| 卡戴珊不雅视频在线播放| 黄色一级大片看看| 偷拍熟女少妇极品色| 日韩欧美在线乱码| 色综合站精品国产| 看黄色毛片网站| 亚洲精品国产成人久久av| 日韩在线高清观看一区二区三区| 噜噜噜噜噜久久久久久91| 国内精品久久久久精免费| 丰满人妻一区二区三区视频av| 欧美另类亚洲清纯唯美| 中文欧美无线码| 桃色一区二区三区在线观看| 中文字幕av成人在线电影| 在线免费十八禁| 精品一区二区三区人妻视频| 一边摸一边抽搐一进一小说| 国产精品一区二区三区四区免费观看| 欧美日韩乱码在线| 亚洲,欧美,日韩| 在线观看美女被高潮喷水网站| 国产精品不卡视频一区二区| 久久精品综合一区二区三区| 啦啦啦韩国在线观看视频| 精品午夜福利在线看| 午夜久久久久精精品| 亚洲av男天堂| 国产综合懂色| 99热网站在线观看| 国产亚洲av片在线观看秒播厂 | 欧美激情久久久久久爽电影| 久久久色成人| av国产免费在线观看| 亚洲在线观看片| 欧美日韩乱码在线| 亚洲欧美精品自产自拍| 色视频www国产| av免费在线看不卡| 国产伦在线观看视频一区| 中国美女看黄片| 亚洲精品亚洲一区二区| 亚洲国产精品国产精品| 嫩草影院精品99| 国产老妇女一区| 欧美色欧美亚洲另类二区| 亚洲综合色惰| av在线亚洲专区| 午夜福利视频1000在线观看| 深夜a级毛片| 精品久久久噜噜| 亚洲av第一区精品v没综合| 欧美日韩一区二区视频在线观看视频在线 | 天堂影院成人在线观看| 听说在线观看完整版免费高清| 网址你懂的国产日韩在线| 亚洲欧美中文字幕日韩二区| eeuss影院久久| 成人欧美大片| 嫩草影院入口| 男人舔奶头视频| 又爽又黄a免费视频| 久久久久久大精品| 欧美最新免费一区二区三区| 日韩一区二区三区影片| 99热只有精品国产| 天天一区二区日本电影三级| 在线免费十八禁| 日韩精品有码人妻一区| 久久这里有精品视频免费| 国产精品久久久久久av不卡| 午夜福利在线在线| 精品99又大又爽又粗少妇毛片| 97在线视频观看| 成人亚洲欧美一区二区av| 夜夜夜夜夜久久久久| 亚洲精品色激情综合| 少妇熟女aⅴ在线视频| 人妻少妇偷人精品九色| 日韩制服骚丝袜av| 日韩一区二区视频免费看| 嫩草影院入口| 最好的美女福利视频网| 久久久精品大字幕| 91久久精品国产一区二区成人| 国产精品综合久久久久久久免费| 亚洲精品乱码久久久v下载方式| 一级毛片电影观看 | 久久久午夜欧美精品| 老女人水多毛片| 亚洲av第一区精品v没综合| 一进一出抽搐gif免费好疼| 午夜福利成人在线免费观看| 一级毛片电影观看 | 国产av在哪里看| 久久久久久久亚洲中文字幕| 欧美激情在线99| 国内少妇人妻偷人精品xxx网站| 在线播放国产精品三级| 最近视频中文字幕2019在线8| 亚洲第一区二区三区不卡| 亚洲av电影不卡..在线观看| 国产视频首页在线观看| 成年女人看的毛片在线观看| 校园春色视频在线观看| 中文字幕熟女人妻在线| 亚洲中文字幕一区二区三区有码在线看| 亚洲av电影不卡..在线观看| 国产精品爽爽va在线观看网站| av.在线天堂| 校园春色视频在线观看| 中文字幕熟女人妻在线| 寂寞人妻少妇视频99o| 欧洲精品卡2卡3卡4卡5卡区| av在线天堂中文字幕| 亚洲一区二区三区色噜噜| 九九爱精品视频在线观看| 欧美性感艳星| 欧美精品一区二区大全| 精品人妻一区二区三区麻豆| 日本爱情动作片www.在线观看| 成人毛片a级毛片在线播放| 日本三级黄在线观看| 我要搜黄色片| 天天躁夜夜躁狠狠久久av| 久久久a久久爽久久v久久| 日韩av在线大香蕉| 自拍偷自拍亚洲精品老妇| 免费人成在线观看视频色| 最后的刺客免费高清国语| 日韩中字成人| 亚洲国产日韩欧美精品在线观看|