• <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Relief-WGS 優(yōu)化算法的圖像分類方法*

    2023-11-29 11:26:02紀(jì)峰馬圓月劉瑩
    關(guān)鍵詞:子集鯨魚(yú)適應(yīng)度

    紀(jì)峰 馬圓月 劉瑩

    1.陜西環(huán)保產(chǎn)業(yè)研究院有限公司;2.西安微電子技術(shù)研究所

    針對(duì)圖像特征選擇問(wèn)題,特征屬性過(guò)多不但會(huì)造成維數(shù)災(zāi)難,而且會(huì)影響分類的正確率。在采用支持向量機(jī)分類時(shí),特征維數(shù)較高,會(huì)造成分類準(zhǔn)確率較低,運(yùn)算速度較慢等問(wèn)題。為了解決此問(wèn)題,提出Relief 算法、鯨魚(yú)算法、遺傳算法和支持向量機(jī)相結(jié)合的Relief-WGS 優(yōu)化算法,實(shí)現(xiàn)圖像特征選擇和分類。首先,使用Relief 算法對(duì)特征集進(jìn)行初步篩選,其次,將篩選的特征子集個(gè)數(shù)和支持向量機(jī)參數(shù)編碼到鯨魚(yú)-遺傳算法中,最后對(duì)特征子集進(jìn)行優(yōu)化的同時(shí),對(duì)支持向量機(jī)參數(shù)也進(jìn)行同步優(yōu)化。計(jì)算結(jié)果表明,所提出的算法能在去除掉不重要特征的同時(shí)對(duì)支持向量機(jī)參數(shù)進(jìn)行優(yōu)化,有效地提高圖像分類準(zhǔn)確率。

    近年來(lái),隨著圖像技術(shù)的發(fā)展和相關(guān)應(yīng)用的普及,為了能更好地反映圖像特征,使圖像更有效地應(yīng)用在多個(gè)方面,為此需要在提高圖像識(shí)別度的問(wèn)題上不斷地進(jìn)行研究。圖像分類準(zhǔn)確率的高低取決于所利用的分類特征是否能夠很好地反映所要研究的分類問(wèn)題。一般而言,特征集中或多或少都包含著一些對(duì)分類結(jié)果無(wú)貢獻(xiàn)的特征,這些特征也稱為冗余特征,過(guò)多的冗余特征不僅會(huì)使運(yùn)算變得復(fù)雜,處理速度下降,而且可能會(huì)導(dǎo)致分類精度降低,因此需要選用對(duì)分類識(shí)別作用較大的特征[1]。本文對(duì)提取的紋理特征進(jìn)行篩選,根據(jù)各個(gè)特征和類別的相關(guān)性進(jìn)行特征選擇,降低特征空間維數(shù),加快算法的運(yùn)算效率。

    支持向量機(jī)(Support Vector Machine, SVM)作為一種基本的監(jiān)督學(xué)習(xí)方法,被廣泛應(yīng)用于文本識(shí)別、圖像識(shí)別等[2]。SVM 的原理是通過(guò)構(gòu)建分類超平面作為決策面來(lái)最大化不同類型數(shù)據(jù)之間的差異,有效避免局部最優(yōu),在處理有限樣本、高維和非線性數(shù)據(jù)等復(fù)雜問(wèn)題時(shí)具有獨(dú)特的優(yōu)勢(shì)。本文結(jié)合鯨魚(yú)優(yōu)化算法和遺傳算法來(lái)提高算法的精確度和獲得全局最優(yōu)解。遺傳算法(Genetic Algorithm,GA)是通過(guò)模擬自然進(jìn)化過(guò)程搜索最優(yōu)化的方法[3]。它有著較好的全局搜索能力和保持種群的多樣性,但是計(jì)算效率較低。鯨魚(yú)優(yōu)化算法(Whale Optimization Algorithm)具有強(qiáng)大的全局搜索能力,但是在迭代后期容易陷入局部最優(yōu)解不能得到全局最優(yōu)解[4]。因此,將兩種算法結(jié)合既可以提高算法的精確度又可以達(dá)到全局最優(yōu)解。為了減少前期的運(yùn)算量,刪除不相關(guān)的特征屬性,減少特征維度,利用Relief 算法進(jìn)行特征選擇。Relief 算法是一種針對(duì)二分類問(wèn)題通過(guò)計(jì)算特征權(quán)重對(duì)特征進(jìn)行選擇的方法。根據(jù)各個(gè)特征和類別的相關(guān)性賦予特征不同的權(quán)重,權(quán)重小于某個(gè)閾值的特征將被移除[5]。采用這種方法可以在分類前期降低樣本維數(shù),減少計(jì)算量。

    綜上所述,本文提出了一種Relief-WGS 優(yōu)化算法。該算法首先使用Relief 算法對(duì)特征集進(jìn)行初步篩選,其次,將篩選的特征子集個(gè)數(shù)和SVM 參數(shù)一起編碼到鯨魚(yú)-遺傳算法中,再對(duì)特征子集進(jìn)行優(yōu)化的同時(shí),對(duì)SVM 參數(shù)進(jìn)行同步優(yōu)化,實(shí)現(xiàn)圖像分類。

    1 原理與方法

    首先利用Relief 作為特征預(yù)選器濾除相關(guān)性小的特征,以WSO-GA 作為搜索算法,SVM 的分類精度作為評(píng)估函數(shù),在剩余特征中選擇最優(yōu)特征子集,最后利用SVM 分類器對(duì)所選擇的最優(yōu)特征進(jìn)行分類。

    1.1 Relief 算法

    Relief 算法是一種典型的過(guò)濾式算法,在對(duì)特征樣本進(jìn)行選擇與分類的過(guò)程中相互獨(dú)立,過(guò)濾式算法的通用性比較強(qiáng)并且計(jì)算的復(fù)雜度比較低,適合對(duì)大數(shù)據(jù)的特征樣本進(jìn)行特征選擇[6]。Relief 算法中特征和類別的相關(guān)性是基于特征對(duì)近距離樣本的區(qū)分能力。核心原理是根據(jù)各個(gè)特征和類別之間的相關(guān)性給每個(gè)特征不同的權(quán)重,將權(quán)重和閾值進(jìn)行比較,當(dāng)權(quán)重比閾值小時(shí)則將該特征刪除。權(quán)重值越大則表明該特征代表某圖像的能力越強(qiáng),反之權(quán)重越小則該特征代表某圖像的能力越弱。

    1.2 支持向量機(jī)

    SVM 算法是一個(gè)凸優(yōu)化問(wèn)題,其原理是用分離超平面作為分離訓(xùn)練數(shù)據(jù)的線性函數(shù),解決線性分類問(wèn)題。假設(shè)訓(xùn)練樣本集合其中,xi∈Rn表示訓(xùn)練樣本,yi∈ {1 , - 1}表示輸入樣本的類別。訓(xùn)練的最終目的是找到一個(gè)最優(yōu)分類面,使得兩類樣本之間以最大間隔分開(kāi),使泛化誤差達(dá)到最小或者有上界。這個(gè)最優(yōu)分類面即超平面,該超平面可描述為如式(1)所示:

    式(1)中x為樣本,ω為權(quán)向量,b為分類閾值。

    1.3 鯨魚(yú)-遺傳算法

    遺傳算法(Genetic Algorithm, GA)是一種依據(jù)生物界優(yōu)勝劣汰的進(jìn)化準(zhǔn)則衍生出的隨機(jī)優(yōu)化搜索方法。GA 算法的核心思想是先隨機(jī)得到一個(gè)父代種群,通過(guò)計(jì)算種群中每一個(gè)個(gè)體的適應(yīng)度值,然后對(duì)得到的值進(jìn)行排序,從中找出適應(yīng)度值最大或最小的n個(gè)個(gè)體,確定種群的進(jìn)化方向,然后對(duì)個(gè)體中的染色體進(jìn)行遺傳操作,得到新的子代種群,經(jīng)過(guò)有限次迭代之后,得到問(wèn)題的近似最優(yōu)解,GA 算法包括三個(gè)基本操作:選擇、交叉和變異。

    鯨魚(yú)優(yōu)化算法是一種基于復(fù)雜優(yōu)化問(wèn)題進(jìn)行尋優(yōu)的算法,模擬了座頭鯨群體的捕獵行為。該算法可分為包圍收縮、螺旋捕食和搜索獵物三步。

    (1)包圍收縮。該階段對(duì)鯨群識(shí)別獵物并且收縮包圍圈的動(dòng)作進(jìn)行模擬。

    (2)螺旋捕食。在圍捕獵物時(shí),鯨魚(yú)通過(guò)螺旋向上游動(dòng)的方式向獵物移動(dòng)并吐出氣泡對(duì)獵物進(jìn)行捕食,即在螺旋更新位置的同時(shí)對(duì)包圍圈進(jìn)行收縮。

    (3)搜索獵物。當(dāng)≥1時(shí),鯨魚(yú)隨機(jī)選擇一個(gè)領(lǐng)導(dǎo)個(gè)體,以此進(jìn)行全局搜索。

    對(duì)于參數(shù)優(yōu)化問(wèn)題,GA 算法有著較好的全局搜索能力和種群的多樣性,但由于要經(jīng)歷選擇、交叉和變異三步操作才能得到下代種群,因而計(jì)算效率較低,收斂速度較慢。由于鯨魚(yú)算法在控制參數(shù)尋優(yōu)時(shí)會(huì)出現(xiàn)實(shí)際的優(yōu)化搜索過(guò)程不能完全體現(xiàn),導(dǎo)致存在求解精度低、收斂速度慢和易陷入局部最優(yōu)的缺點(diǎn)。因此,將遺傳算法與鯨魚(yú)算法進(jìn)行結(jié)合可以提升算法的收斂效果[7]。

    2 Relief-WGS 優(yōu)化算法

    基于以上研究,提出Relief-WGS 優(yōu)化算法,其流程圖如圖1 所示。該算法首先使用Relief 算法對(duì)數(shù)據(jù)特征集進(jìn)行初步的篩選,然后將SVM 的參數(shù)和篩選的特征子集編碼到WOA-GA 算法中,以SVM 的分類精度構(gòu)建適應(yīng)度函數(shù),同時(shí)優(yōu)化特征子集和SVM 的參數(shù),具體流程分為如下幾個(gè)步驟:

    圖1 Relief-WGS 算法流程圖Fig.1 Relief-WGS algorithm flowchart

    步驟1:采用Relief 算法對(duì)圖像特征進(jìn)行第一次提取,得到特征矩陣;

    步驟2:WOA-GA 算法進(jìn)行參數(shù)初始化,種群大小為30,迭代次數(shù)為50,算法的終止條件為達(dá)到迭代次數(shù)或連續(xù)十代的適應(yīng)度值不變;

    步驟3:生成初代種群,由于SVM 的懲罰系數(shù)C和核參數(shù)σ采用實(shí)數(shù)編碼,而對(duì)特征的二次篩選是通過(guò)0、1 進(jìn)行,0 表示沒(méi)有選擇該特征,1 表示選擇該特征,采用二進(jìn)制編碼;

    步驟4:將個(gè)體的后N位帶入樣本中進(jìn)行特征的第二次篩選;

    步驟5:將個(gè)體的前兩位帶入SVM 模型中,結(jié)合二次篩選的訓(xùn)練樣本,確定SVM 分類模型;

    步驟6:將二次篩選測(cè)試樣本帶入確定的SVM 中,得到分類結(jié)果;

    步驟7:計(jì)算初代種群的適應(yīng)度值;

    步驟8:根據(jù)初代種群的適應(yīng)度值進(jìn)入鯨魚(yú)算法中,計(jì)算每一頭鯨魚(yú)的適應(yīng)度值,更新個(gè)體位置;

    步驟9:將位置更新的鯨魚(yú)個(gè)體代入到遺傳算法中,經(jīng)過(guò)交叉和變異操作,得到新的種群;

    步驟10:返回步驟4,計(jì)算新種群的適應(yīng)度值;

    步驟11:判斷是否滿足終止條件,若滿足,則輸出最終結(jié)果;若不滿足,繼續(xù)對(duì)種群進(jìn)行處理,直至滿足終止條件,得到最終結(jié)果。

    3 實(shí)驗(yàn)結(jié)果

    本實(shí)驗(yàn)為了驗(yàn)證Relief-WGS 算法的有效性,將特征子集個(gè)數(shù)和SVM 參數(shù)一起編碼到WOA-GA 算法中,在對(duì)SVM 參數(shù)進(jìn)行優(yōu)化的同時(shí)對(duì)所有特征進(jìn)行同步優(yōu)化。在實(shí)驗(yàn)時(shí)需要對(duì)數(shù)據(jù)和參數(shù)進(jìn)行如下幾步處理。

    3.1 數(shù)據(jù)的預(yù)處理

    為了提高SVM 的分類準(zhǔn)確率,將需要用于分類的所選數(shù)據(jù)樣本進(jìn)行歸一化處理,并將其分為訓(xùn)練樣本和測(cè)試樣本進(jìn)行后續(xù)分類。

    3.2 參數(shù)選擇方法

    本文使用WOA-GA 算法對(duì)SVM 的參數(shù)進(jìn)行優(yōu)化。設(shè)置算法的迭代次數(shù)為50,個(gè)體長(zhǎng)度設(shè)定為2,遺傳算法中交叉和變異概率是基于適應(yīng)度值自適應(yīng)計(jì)算得來(lái)的,鯨魚(yú)算法位置更新是根據(jù)適應(yīng)度值計(jì)算。

    適應(yīng)度函數(shù)統(tǒng)一設(shè)置為如式(2)-式(4)所示:

    式(2)中we1為訓(xùn)練樣本識(shí)別結(jié)果的權(quán)重,we2為測(cè)試樣本識(shí)別結(jié)果的權(quán)重,m1為訓(xùn)練樣本的總數(shù),m2為測(cè)試樣本的總數(shù),nsv1為訓(xùn)練樣本分類正確的結(jié)果,nsv2為測(cè)試樣本分類正確的結(jié)果,fitness越小,表明綜合的分類準(zhǔn)確率越高[8]。

    3.3 模型建立

    利用從每組訓(xùn)練樣本中選擇優(yōu)化后的核參數(shù)來(lái)對(duì)樣本進(jìn)行新一輪的訓(xùn)練,獲得SVM 的分類模型,然后通過(guò)測(cè)試樣本來(lái)測(cè)試模型的分類精度。實(shí)驗(yàn)選取UCI 數(shù)據(jù)庫(kù)中的5 種數(shù)據(jù)集進(jìn)行試驗(yàn),所選取數(shù)據(jù)集的基本信息如表1 所示。

    表1 實(shí)驗(yàn)數(shù)據(jù)集Tab.1 Experimental datasets

    利用Relief 算法對(duì)提取的特征進(jìn)行篩選,保留與目標(biāo)類別相關(guān)性較大的特征,然后利用WOA-GA 算法優(yōu)化參數(shù)的SVM 算法對(duì)特征子集和核參數(shù)進(jìn)行同步優(yōu)化,獲得優(yōu)化后的特征子集。優(yōu)化特征子集的個(gè)數(shù)如表2 所示。

    表2 優(yōu)化特征子集個(gè)數(shù)Tab.2 Number of optimized feature subsets

    獲取的優(yōu)化特征子集通過(guò)表2 可知,利用選擇的多個(gè)優(yōu)化特征,以SVM 為分類器進(jìn)行分類,其中SVM 選用RBF 為核函數(shù)。為進(jìn)一步驗(yàn)證Relief-WGS 優(yōu)化算法的有效性,分別和默認(rèn)核參數(shù)的SVM、采用WSO-GA算法優(yōu)化參數(shù)的SVM(WGS)、Relief 算法優(yōu)化特征的SVM(Relief-SVM)進(jìn)行分類結(jié)果的比較。通過(guò)比較分類準(zhǔn)確率來(lái)評(píng)價(jià)特征選擇方法的優(yōu)劣,如表3 所示。

    表3 數(shù)據(jù)集分類結(jié)果對(duì)比Tab.3 Comparison of dataset classification results

    通過(guò)表3 可知,本文提出的Relief-WGS 優(yōu)化算法可以同時(shí)優(yōu)化特征子集和SVM 的參數(shù),實(shí)現(xiàn)以優(yōu)化的特征子集和優(yōu)化的SVM 參數(shù)來(lái)提高分類的準(zhǔn)確率。為了進(jìn)一步驗(yàn)證Relief-WGS 優(yōu)化算法的有效性,將其與SVM、WGS 和Relief-SVM 進(jìn)行比較,實(shí)驗(yàn)結(jié)果顯示:

    (1)對(duì)于任意的特征數(shù)據(jù)而言,使用WGS 優(yōu)化算法進(jìn)行參數(shù)尋優(yōu)后的分類準(zhǔn)確率比采用默認(rèn)參數(shù)的SVM高,證明了對(duì)傳統(tǒng)的SVM 中的參數(shù)進(jìn)行尋優(yōu),找到優(yōu)化的控制參數(shù),可以提高SVM 的分類準(zhǔn)確率。

    (2)使用Relief-SVM 優(yōu)化算法對(duì)輸入的特征向量篩選后進(jìn)行分類,分類準(zhǔn)確率均有提高,證明了利用Relief-SVM 對(duì)輸入的特征數(shù)據(jù)集進(jìn)行篩選和優(yōu)化,得到優(yōu)化的特征子集,去除掉一些特征不明顯的影響因素,減少不重要因素對(duì)分類造成的影響,可以提高分類的準(zhǔn)確率。

    (3)使用本文提出的Relief-WGS 優(yōu)化算法得到的分類準(zhǔn)確率最高,證明在對(duì)特征子集和SVM 的參數(shù)同步進(jìn)行優(yōu)化時(shí),去除掉不重要的特征并對(duì)參數(shù)進(jìn)行優(yōu)化可以得到更好的分類效果。

    4 結(jié)論

    本文提出一種Relief-WGS 優(yōu)化算法,同時(shí)優(yōu)化特征子集和SVM 的參數(shù),實(shí)現(xiàn)用優(yōu)化的特征子集和優(yōu)化的SVM 參數(shù)來(lái)提高分類的準(zhǔn)確率。通過(guò)與傳統(tǒng)的SVM、WGS 算法和Relief-SVM 算法相比,本文所提算法將圖像的平均分類準(zhǔn)確率分別提高了21.97%、4.19%和3.26%,證明了圖像分類識(shí)別的準(zhǔn)確性。結(jié)果表明,本文提出的特征選擇方法利用最少的特征獲得了最高的分類精度,更有效地用于特征選擇分類。

    猜你喜歡
    子集鯨魚(yú)適應(yīng)度
    由一道有關(guān)集合的子集個(gè)數(shù)題引發(fā)的思考
    小鯨魚(yú)
    幼兒100(2022年41期)2022-11-24 03:20:20
    改進(jìn)的自適應(yīng)復(fù)制、交叉和突變遺傳算法
    拓?fù)淇臻g中緊致子集的性質(zhì)研究
    迷途鯨魚(yú)
    關(guān)于奇數(shù)階二元子集的分離序列
    鯨魚(yú)
    鯨魚(yú)島——拖延癥
    基于空調(diào)導(dǎo)風(fēng)板成型工藝的Kriging模型適應(yīng)度研究
    每一次愛(ài)情都只是愛(ài)情的子集
    都市麗人(2015年4期)2015-03-20 13:33:22
    一级av片app| 国产大屁股一区二区在线视频| 国产麻豆成人av免费视频| 国产精品人妻久久久影院| 欧美绝顶高潮抽搐喷水| 免费黄网站久久成人精品| 欧美色视频一区免费| 中文字幕熟女人妻在线| 国产精品久久久久久av不卡| 欧美成人免费av一区二区三区| 少妇的逼水好多| 亚洲av二区三区四区| 国产精品一区二区三区四区免费观看 | 久久婷婷人人爽人人干人人爱| 国产亚洲精品av在线| 九九爱精品视频在线观看| 久久久a久久爽久久v久久| 日日摸夜夜添夜夜添小说| 又爽又黄a免费视频| 黄色视频,在线免费观看| 日本-黄色视频高清免费观看| 大香蕉久久网| 国产探花在线观看一区二区| 啦啦啦韩国在线观看视频| 在线天堂最新版资源| 亚洲美女视频黄频| 男女之事视频高清在线观看| 国产精品久久久久久av不卡| 久久久久国内视频| 国产一级毛片七仙女欲春2| 午夜精品一区二区三区免费看| 在现免费观看毛片| 免费观看的影片在线观看| 人妻久久中文字幕网| 乱码一卡2卡4卡精品| 午夜久久久久精精品| 亚洲性夜色夜夜综合| 美女大奶头视频| av在线观看视频网站免费| 亚洲欧美精品自产自拍| 成人特级黄色片久久久久久久| 男人舔女人下体高潮全视频| 欧美在线一区亚洲| 亚洲天堂国产精品一区在线| 国产精品亚洲美女久久久| 久久久久国产精品人妻aⅴ院| 精品人妻一区二区三区麻豆 | 校园人妻丝袜中文字幕| 男女做爰动态图高潮gif福利片| 亚洲乱码一区二区免费版| 日韩精品青青久久久久久| 人妻夜夜爽99麻豆av| 一区福利在线观看| 国模一区二区三区四区视频| 国产成人a区在线观看| av.在线天堂| 日本在线视频免费播放| 国产高清不卡午夜福利| 国产精品国产三级国产av玫瑰| 国产成人影院久久av| 亚洲国产精品国产精品| 网址你懂的国产日韩在线| 亚洲欧美日韩无卡精品| 97超视频在线观看视频| 国产亚洲91精品色在线| 国产女主播在线喷水免费视频网站 | 国产精品人妻久久久影院| 久久精品夜夜夜夜夜久久蜜豆| 欧美在线一区亚洲| 蜜桃亚洲精品一区二区三区| 欧美一级a爱片免费观看看| 国产成人a区在线观看| 春色校园在线视频观看| 国产精品,欧美在线| 久久精品国产亚洲av香蕉五月| 美女黄网站色视频| 我的女老师完整版在线观看| av视频在线观看入口| 如何舔出高潮| 免费观看在线日韩| 国产精品一区二区三区四区久久| 国模一区二区三区四区视频| 干丝袜人妻中文字幕| 成熟少妇高潮喷水视频| 国产精品日韩av在线免费观看| 亚洲精品日韩av片在线观看| 中文字幕av成人在线电影| 亚洲成人av在线免费| 亚洲国产精品sss在线观看| 精品久久久久久久久av| 一夜夜www| 九九久久精品国产亚洲av麻豆| 欧美三级亚洲精品| 国产亚洲精品av在线| 国产精品不卡视频一区二区| 日韩成人伦理影院| 亚洲欧美精品自产自拍| 欧美一区二区亚洲| 国内久久婷婷六月综合欲色啪| 小说图片视频综合网站| 美女免费视频网站| 久久精品影院6| 国产一区二区三区av在线 | 午夜激情福利司机影院| 男人和女人高潮做爰伦理| 亚洲婷婷狠狠爱综合网| 亚洲在线观看片| 三级男女做爰猛烈吃奶摸视频| 欧美三级亚洲精品| 成年女人看的毛片在线观看| 在线播放国产精品三级| 简卡轻食公司| 在线免费十八禁| 麻豆国产av国片精品| 亚洲人与动物交配视频| 国产毛片a区久久久久| 婷婷六月久久综合丁香| 好男人在线观看高清免费视频| 久久久a久久爽久久v久久| 免费无遮挡裸体视频| 黄色日韩在线| 亚洲在线自拍视频| 国产精品一二三区在线看| 麻豆av噜噜一区二区三区| 欧美中文日本在线观看视频| 国产伦精品一区二区三区四那| 99久久久亚洲精品蜜臀av| 久久亚洲精品不卡| 亚洲av免费在线观看| 国内揄拍国产精品人妻在线| 国内揄拍国产精品人妻在线| 搡老岳熟女国产| 日韩精品有码人妻一区| 国产成年人精品一区二区| 能在线免费观看的黄片| 日本熟妇午夜| 国产男人的电影天堂91| 久久久久性生活片| 国产免费男女视频| 婷婷精品国产亚洲av在线| 久久精品国产亚洲av香蕉五月| 少妇高潮的动态图| 国产精品人妻久久久久久| 人人妻人人看人人澡| 欧美激情久久久久久爽电影| 欧美日韩综合久久久久久| 老熟妇仑乱视频hdxx| 18禁在线播放成人免费| aaaaa片日本免费| 午夜视频国产福利| 午夜精品一区二区三区免费看| 亚洲美女搞黄在线观看 | 精品福利观看| 亚洲,欧美,日韩| 亚洲国产精品合色在线| 国产免费一级a男人的天堂| 日韩av不卡免费在线播放| 国产伦精品一区二区三区视频9| 在线免费观看的www视频| 久久国产乱子免费精品| 九九久久精品国产亚洲av麻豆| 日本五十路高清| 久久精品夜夜夜夜夜久久蜜豆| 精品午夜福利在线看| 国产精品爽爽va在线观看网站| 国产成人aa在线观看| 国产 一区 欧美 日韩| 亚洲欧美成人精品一区二区| 免费黄网站久久成人精品| 亚洲国产精品久久男人天堂| 国产精品永久免费网站| 久久精品国产鲁丝片午夜精品| 可以在线观看毛片的网站| 日韩人妻高清精品专区| 亚洲精品色激情综合| 日韩强制内射视频| 变态另类丝袜制服| 床上黄色一级片| 黄色视频,在线免费观看| 高清毛片免费观看视频网站| 午夜福利在线观看吧| 欧美丝袜亚洲另类| 日韩精品中文字幕看吧| 精品久久久久久久久av| 日本在线视频免费播放| 日韩人妻高清精品专区| 国产一区二区亚洲精品在线观看| 毛片女人毛片| 18禁在线无遮挡免费观看视频 | 欧美国产日韩亚洲一区| 亚洲天堂国产精品一区在线| 18+在线观看网站| 99视频精品全部免费 在线| 91麻豆精品激情在线观看国产| 在线观看美女被高潮喷水网站| 日本爱情动作片www.在线观看 | 乱码一卡2卡4卡精品| 一本精品99久久精品77| 中文字幕人妻熟人妻熟丝袜美| 麻豆精品久久久久久蜜桃| 日日摸夜夜添夜夜添小说| 欧美+亚洲+日韩+国产| 亚洲熟妇中文字幕五十中出| 人妻久久中文字幕网| 悠悠久久av| 最近中文字幕高清免费大全6| 又黄又爽又刺激的免费视频.| 日本与韩国留学比较| 亚洲va在线va天堂va国产| 久久久欧美国产精品| 久久99热这里只有精品18| 久99久视频精品免费| 黄色一级大片看看| 噜噜噜噜噜久久久久久91| 又爽又黄无遮挡网站| 看免费成人av毛片| 久久久午夜欧美精品| 亚洲国产精品sss在线观看| 亚洲欧美成人综合另类久久久 | 99热全是精品| 蜜桃亚洲精品一区二区三区| 12—13女人毛片做爰片一| 欧美精品国产亚洲| 18禁在线无遮挡免费观看视频 | 淫妇啪啪啪对白视频| 日韩大尺度精品在线看网址| 中国美白少妇内射xxxbb| 夜夜看夜夜爽夜夜摸| 九九久久精品国产亚洲av麻豆| 日韩强制内射视频| 国产又黄又爽又无遮挡在线| 久久精品久久久久久噜噜老黄 | 亚洲色图av天堂| 国产探花极品一区二区| 一个人看视频在线观看www免费| 国产亚洲精品久久久久久毛片| 国产女主播在线喷水免费视频网站 | 亚洲av熟女| 中文字幕久久专区| 高清日韩中文字幕在线| 特大巨黑吊av在线直播| 日韩欧美 国产精品| 免费人成视频x8x8入口观看| 国产伦在线观看视频一区| 热99在线观看视频| 久久国内精品自在自线图片| 欧美极品一区二区三区四区| 尤物成人国产欧美一区二区三区| 日本在线视频免费播放| av专区在线播放| 色综合色国产| 久久热精品热| 国产国拍精品亚洲av在线观看| 日本欧美国产在线视频| 久久久久国产精品人妻aⅴ院| 九色成人免费人妻av| 99热这里只有精品一区| 国产一区二区三区av在线 | 国产精品嫩草影院av在线观看| 精品久久久久久久久久久久久| 免费一级毛片在线播放高清视频| 在线播放无遮挡| 欧美激情国产日韩精品一区| 久久久久久九九精品二区国产| www.色视频.com| 卡戴珊不雅视频在线播放| 国产av麻豆久久久久久久| 老熟妇仑乱视频hdxx| a级毛片免费高清观看在线播放| 97热精品久久久久久| 国产亚洲欧美98| 国产白丝娇喘喷水9色精品| 日韩强制内射视频| 国产伦精品一区二区三区四那| 九九久久精品国产亚洲av麻豆| 最新在线观看一区二区三区| 秋霞在线观看毛片| 精品一区二区三区视频在线观看免费| 欧美xxxx黑人xx丫x性爽| 色5月婷婷丁香| 哪里可以看免费的av片| 久久久精品大字幕| 日韩欧美三级三区| 国产在视频线在精品| 美女大奶头视频| 午夜激情福利司机影院| 日韩人妻高清精品专区| 在线免费十八禁| 国产视频一区二区在线看| 久久久久久大精品| 久久99热6这里只有精品| 亚洲国产精品合色在线| 亚洲一区二区三区色噜噜| 搞女人的毛片| 97人妻精品一区二区三区麻豆| 床上黄色一级片| 国产真实乱freesex| 国产在视频线在精品| 人妻夜夜爽99麻豆av| 色综合站精品国产| 麻豆乱淫一区二区| 人妻制服诱惑在线中文字幕| 欧美精品国产亚洲| 色视频www国产| 搞女人的毛片| 菩萨蛮人人尽说江南好唐韦庄 | 一级毛片aaaaaa免费看小| 亚洲激情五月婷婷啪啪| 在线观看美女被高潮喷水网站| 在线播放国产精品三级| 国产爱豆传媒在线观看| 97在线视频观看| 午夜福利成人在线免费观看| 三级国产精品欧美在线观看| 国产精品精品国产色婷婷| 久久久久久久久久久丰满| 日韩av不卡免费在线播放| 欧美日韩乱码在线| 色尼玛亚洲综合影院| 22中文网久久字幕| 免费搜索国产男女视频| 免费一级毛片在线播放高清视频| 成人三级黄色视频| 久久九九热精品免费| 国产伦在线观看视频一区| 亚洲国产欧洲综合997久久,| 欧美成人免费av一区二区三区| 一进一出抽搐gif免费好疼| 日韩成人av中文字幕在线观看 | 人人妻人人澡欧美一区二区| 免费大片18禁| 精品久久久久久久久久久久久| 一进一出抽搐gif免费好疼| 国产国拍精品亚洲av在线观看| 精品99又大又爽又粗少妇毛片| 黄色日韩在线| 床上黄色一级片| 男人狂女人下面高潮的视频| 伦理电影大哥的女人| 免费高清视频大片| 欧美xxxx性猛交bbbb| 日韩,欧美,国产一区二区三区 | 日日摸夜夜添夜夜添小说| 亚洲自拍偷在线| 亚洲aⅴ乱码一区二区在线播放| 人妻久久中文字幕网| 国产乱人视频| 国产黄色小视频在线观看| 日本在线视频免费播放| 国产精品久久久久久亚洲av鲁大| 18禁裸乳无遮挡免费网站照片| 欧美最黄视频在线播放免费| 亚洲真实伦在线观看| 成人午夜高清在线视频| 人妻丰满熟妇av一区二区三区| 搡老岳熟女国产| 国产真实乱freesex| 色综合色国产| or卡值多少钱| 欧洲精品卡2卡3卡4卡5卡区| 人妻夜夜爽99麻豆av| 综合色丁香网| 国产精品久久电影中文字幕| 中文亚洲av片在线观看爽| 日本a在线网址| 国产在线男女| 久久久久久伊人网av| 国产精品一区www在线观看| 精品福利观看| 日本爱情动作片www.在线观看 | 久久久成人免费电影| 亚洲人与动物交配视频| 小说图片视频综合网站| 国产男人的电影天堂91| 一卡2卡三卡四卡精品乱码亚洲| 久久久午夜欧美精品| 久久久色成人| 天堂av国产一区二区熟女人妻| 欧美bdsm另类| 在线观看午夜福利视频| 精品国内亚洲2022精品成人| 亚洲精品日韩av片在线观看| 简卡轻食公司| 一级黄色大片毛片| 午夜亚洲福利在线播放| 欧美成人精品欧美一级黄| 99视频精品全部免费 在线| 亚洲性夜色夜夜综合| 免费人成在线观看视频色| 男女做爰动态图高潮gif福利片| 国产精品一区www在线观看| 国产精品亚洲美女久久久| 国产一区亚洲一区在线观看| 啦啦啦啦在线视频资源| 精品一区二区三区人妻视频| а√天堂www在线а√下载| 十八禁国产超污无遮挡网站| 亚洲精品日韩av片在线观看| 久久人人爽人人片av| 国产精品一区二区三区四区免费观看 | 日韩av在线大香蕉| 男女那种视频在线观看| 久久久午夜欧美精品| 在线观看午夜福利视频| 久久鲁丝午夜福利片| 综合色丁香网| 国产伦在线观看视频一区| 日韩强制内射视频| 日韩大尺度精品在线看网址| 国产不卡一卡二| 1024手机看黄色片| 两性午夜刺激爽爽歪歪视频在线观看| 嫩草影院精品99| 国产激情偷乱视频一区二区| 久久精品国产清高在天天线| 国产黄色视频一区二区在线观看 | 久久久国产成人免费| 日韩精品中文字幕看吧| 丰满乱子伦码专区| 别揉我奶头 嗯啊视频| 亚洲av中文av极速乱| 禁无遮挡网站| 小说图片视频综合网站| 天美传媒精品一区二区| 国产单亲对白刺激| 国产探花极品一区二区| 久久婷婷人人爽人人干人人爱| 欧美另类亚洲清纯唯美| 亚洲一级一片aⅴ在线观看| 大又大粗又爽又黄少妇毛片口| 九九热线精品视视频播放| 欧美日本视频| 日韩av在线大香蕉| 久久精品91蜜桃| 可以在线观看的亚洲视频| 欧美又色又爽又黄视频| 特大巨黑吊av在线直播| 最近2019中文字幕mv第一页| 亚洲av五月六月丁香网| 欧美性猛交黑人性爽| 精品人妻一区二区三区麻豆 | 一个人免费在线观看电影| 亚洲精华国产精华液的使用体验 | 美女xxoo啪啪120秒动态图| 久久久久久久久中文| 99热只有精品国产| 欧美极品一区二区三区四区| 91av网一区二区| 日本黄色片子视频| 我的老师免费观看完整版| 久久久久国内视频| 亚洲专区国产一区二区| 日本免费a在线| 亚洲av中文字字幕乱码综合| 精品久久久久久久久av| 亚洲在线观看片| 丰满人妻一区二区三区视频av| 久久精品国产鲁丝片午夜精品| 日韩精品有码人妻一区| 亚洲不卡免费看| 久久亚洲精品不卡| 日本黄色片子视频| 日韩av不卡免费在线播放| 亚洲精品国产av成人精品 | 精品久久久久久久久av| 校园春色视频在线观看| 国产爱豆传媒在线观看| 99riav亚洲国产免费| 尾随美女入室| 国产精品人妻久久久影院| 久久精品国产亚洲av天美| 精品国产三级普通话版| 成年女人毛片免费观看观看9| 国产成人精品久久久久久| 男插女下体视频免费在线播放| 国产白丝娇喘喷水9色精品| 国产高清有码在线观看视频| 又黄又爽又免费观看的视频| 久久6这里有精品| 欧美日韩国产亚洲二区| 亚洲无线在线观看| 少妇的逼水好多| 美女xxoo啪啪120秒动态图| 欧美人与善性xxx| 欧美一区二区亚洲| 午夜免费男女啪啪视频观看 | 99热精品在线国产| 日韩精品有码人妻一区| 欧美成人精品欧美一级黄| 精品久久久久久久久亚洲| 成人亚洲精品av一区二区| 国产 一区精品| 国产中年淑女户外野战色| 午夜福利在线观看免费完整高清在 | 精品久久久久久久久亚洲| 麻豆av噜噜一区二区三区| 男人舔奶头视频| 麻豆国产av国片精品| 久久精品91蜜桃| 亚洲av免费高清在线观看| 国产高潮美女av| 午夜精品在线福利| 亚洲电影在线观看av| 在现免费观看毛片| 午夜福利高清视频| 日韩 亚洲 欧美在线| 国产成人精品久久久久久| 日本一二三区视频观看| 寂寞人妻少妇视频99o| 亚洲欧美日韩高清专用| 国产成人精品久久久久久| 精品人妻熟女av久视频| 国产爱豆传媒在线观看| 国产真实乱freesex| 99久久久亚洲精品蜜臀av| 给我免费播放毛片高清在线观看| 高清午夜精品一区二区三区 | 国产精品嫩草影院av在线观看| 亚洲中文字幕一区二区三区有码在线看| 国产亚洲av嫩草精品影院| 悠悠久久av| 在线免费观看不下载黄p国产| 两个人的视频大全免费| 麻豆国产av国片精品| 男人舔奶头视频| 成人鲁丝片一二三区免费| 久久国产乱子免费精品| 久久草成人影院| 热99在线观看视频| 中文字幕免费在线视频6| 一区福利在线观看| 午夜精品国产一区二区电影 | 成人美女网站在线观看视频| 国产精品三级大全| 国产在线男女| 国产精品精品国产色婷婷| 色5月婷婷丁香| 免费人成视频x8x8入口观看| 中文亚洲av片在线观看爽| 欧美色视频一区免费| 99久久久亚洲精品蜜臀av| 一级黄片播放器| 午夜福利18| 欧美另类亚洲清纯唯美| 国产精品av视频在线免费观看| 丝袜喷水一区| 女生性感内裤真人,穿戴方法视频| 国产午夜精品论理片| 18禁在线播放成人免费| 亚洲最大成人中文| 欧美zozozo另类| 成人特级黄色片久久久久久久| 亚洲成人久久爱视频| 国产精品福利在线免费观看| 午夜福利成人在线免费观看| 日韩精品有码人妻一区| 久久精品国产鲁丝片午夜精品| 国产精品人妻久久久影院| 日日摸夜夜添夜夜添小说| 国产欧美日韩精品亚洲av| a级一级毛片免费在线观看| 狂野欧美激情性xxxx在线观看| 不卡视频在线观看欧美| 夜夜爽天天搞| 午夜福利在线观看免费完整高清在 | 久久久久久国产a免费观看| 国产免费男女视频| av卡一久久| 夜夜看夜夜爽夜夜摸| 能在线免费观看的黄片| 亚洲自拍偷在线| 特大巨黑吊av在线直播| 久久久成人免费电影| 久久人妻av系列| 久久久久久大精品| 日韩,欧美,国产一区二区三区 | 国产精品无大码| 国产在视频线在精品| 国产一区二区亚洲精品在线观看| 欧美+日韩+精品| 国产精品久久久久久av不卡| 日本-黄色视频高清免费观看| 简卡轻食公司| 2021天堂中文幕一二区在线观| 老司机福利观看| 日韩制服骚丝袜av| 可以在线观看毛片的网站| 噜噜噜噜噜久久久久久91| h日本视频在线播放| 在现免费观看毛片| 国产av在哪里看| 高清毛片免费看| 波多野结衣高清作品| 亚洲欧美成人精品一区二区| 免费人成视频x8x8入口观看| av.在线天堂| 久久韩国三级中文字幕| 三级国产精品欧美在线观看| 99热6这里只有精品| 少妇人妻一区二区三区视频| 午夜福利成人在线免费观看| 亚洲国产欧洲综合997久久,| 午夜日韩欧美国产| 日韩av在线大香蕉| 国产一级毛片七仙女欲春2| 99热6这里只有精品| 男人舔女人下体高潮全视频| 免费人成在线观看视频色| 乱人视频在线观看| 在线观看免费视频日本深夜| 午夜爱爱视频在线播放| 亚洲精品一区av在线观看| 国产av一区在线观看免费| 亚洲内射少妇av| 熟妇人妻久久中文字幕3abv|