• <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VMD-LSTM的河流流量預測方法

    2024-02-26 02:49:16欒策
    東北水利水電 2024年2期
    關鍵詞:分量模態(tài)流量

    欒策

    (遼寧生態(tài)工程職業(yè)學院,遼寧 沈陽 110122)

    0 引言

    近年來,受極端氣候影響,我國旱澇災害頻發(fā),松遼流域也多次出現(xiàn)汛情,使城鄉(xiāng)積澇,給交通、農業(yè)和生產等帶來不利影響。準確的水文預報對防洪、抗旱、水資源合理利用和國防事業(yè)具有重要意義。湖泊水位具有復雜性且受季節(jié)影響較為明顯,降雨量和氣候的變化亦對其產生較大的影響[1],這些因素都給流量預測的準確性帶來巨大的挑戰(zhàn)。

    隨著人工智能的快速發(fā)展,越來越多的學者通過深度學習算法對水文數(shù)據(jù)進行分析,從中獲取有效信息以進行預測。王亦斌和孫濤等[2]利用經驗模式分解和長短期記憶網絡相結合的方法對水位進行預測;Zhang 等[3]基于經驗模態(tài)分解方法進行數(shù)據(jù)預處理,通過建立長短期記憶神經網絡(LSTM)模型進行城市供水水質預測,提高水質檢測的準確性。

    與支持向量機SVM[4]、BP 神經網絡[5]、極限學習機ELM[6]等模型相比,帶有記憶功能的LSTM 既可對連續(xù)的徑流數(shù)據(jù)進行處理,又能考慮到長時間徑流序列的季節(jié)性和周期性,因此能更合理地處理序列信息,實現(xiàn)序列預測。對于復雜的水位流量關系,變分模態(tài)分解(VMD)算法可有效減少數(shù)據(jù)的繁雜性?;谏鲜鲈?,本文提出一種組合模型(VMD-LSTM)應用于沙里寨水文站,以期提高該水文站的徑流預測精度。

    1 研究方法及模型建立

    1.1 變分模態(tài)分解算法

    變分模態(tài)分解算法(VMD)是一種信號分解方法,在得到分解分量的過程中,通過迭代搜尋變分模型最優(yōu)解,從而確定每個分量的頻率中心和寬帶,自適應地實現(xiàn)信號的頻域剖分和各分量的有效分離[7],具有較高的分解精度和較好的抗噪性能。VMD 在變分框架內構造約束變分問題,采用交替方向乘子算法(ADMM)迭代更新各模態(tài)函數(shù)及中心頻率,將原始信號分解為若干個包含原始信息的子序列。

    VMD將原始信號f(t)分解為L個本征模函數(shù)uk(t)(k=1,2,3,…,L),有以下幾個主要算法[8]。

    1)定義uk(t)為一個調幅調頻信號

    式中:相位?t(t)為非遞減函數(shù);Ak(t)為包絡線,Ak(t)≥0。

    3)定義瞬時頻率ωk(t)=?k(t)≥0,且ωk(t)相對于?k(t)變化緩慢。每個本征模函數(shù)uk(t)與調諧到相應估計中心頻率ωk的指數(shù)混頻,將模態(tài)的頻譜移至基頻帶

    4)對分解信號梯度的平方范數(shù)進行運算,從而獲得信號寬度,如式(2)。求解解調信號的高斯平滑度(梯度的平方范數(shù)),確保各模態(tài)估計寬帶之和最小,且任意時刻所有模態(tài)之和等于原始信號,得到約束變分問題:

    式中:{uk} ∶={u1,…,uk} 是分解后的單分量調頻調幅信號,即本征模函數(shù);{ωk} ∶={ω1,…,ωk} 為單分量調頻調幅信號的中心頻率;?t為對t求偏導數(shù),t為分解信號的個數(shù);δ(t)為脈沖函數(shù);j為虛數(shù)單位。

    5)采用懲罰因子α和拉格朗日乘子λ(t)將上述的約束問題轉換為非約束問題:

    6)根據(jù)傅里葉變換中的帕塞瓦爾定理,信號的能量在時域和頻域具有等效性,將時域的問題在頻域解決。利用交替方向乘子法迭代更新模態(tài)函數(shù)中心頻率和拉格朗日乘子最終得到信號分解的所有模態(tài)。的迭代公式如下:

    式中:∧為信號傅里葉變換對應的頻域形式;τ為噪聲容忍度;n為迭代次數(shù);ω為頻率;(ω)分別為f(t),ukt,λ(t)對應的傅里葉變換。

    7)迭代條件。ε為收斂容許度誤差常量,迭代停止條件表達式:

    1.2 長短期記憶神經網絡模型

    長短期記憶神經網絡(LSTM)模型[9]是深度神經網絡的一種,是在循環(huán)神經網絡[10](RNN)的基礎上增加了遺忘門、輸入門和輸出門,使得模型可選擇性地記憶有效信息和刪除無效信息,并解決了RNN 梯度爆炸和梯度容易消失的不足[11]。因此,LSTM模型已經在許多領域得到應用[12-15],如地下水位模擬、降水預報及COVID-19疫情分析等[16]。

    LSTM 模型作為一種特殊的遞歸神經網絡,由多個記憶單元結構組成,每個記憶單元的功能由3個“門”控制:遺忘門決定對上一個單元狀態(tài)信息的舍棄量;輸入門決定新獲取的信息中儲存在當前單元狀態(tài)內的比例;輸出門決定這一時刻最終的輸出信息[17],這些門通過穩(wěn)定的梯度計算確保了先前信息的保存。在單元狀態(tài)內的這3 個門上,使用以下公式,按照順序計算來處理信息。

    式中:Xt為指定當前時間步的輸入變量;ht當前時間的輸出;ht-1為前一個單元的輸出;為通過tanhh激活函數(shù)將結果轉換成-1~1 之間的值;Ct為當前時刻的單元狀態(tài);Ct-1為提供過去信息的前一個單元狀態(tài);σ為邏輯sigmoid 函數(shù);Wf,Wi,Wc,Wo為網絡權重矩陣;bf,bi,bc,bo為偏差向量;ft,it和Ot為遺忘門、輸入門和輸出門的激活值向量。其內部結構圖如圖1 所示。

    圖1 基于VMD-LSTM 模型流量預測流程圖

    1.3 VMD-LSTM 流量預測模型

    VMD 算法是具有堅實的數(shù)學理論基礎,且自適應性較好的分級算法,與EMD 分解算法相比,避免了多次循環(huán)分解與模態(tài)混疊的現(xiàn)象。VMD分解算法在處理非平穩(wěn)、非線性的數(shù)據(jù)上具有良好的效果。LSTM 模型作為目前深度學習的主流方法,具備很強的學習能力,能解決很復雜的問題[18],該模型能夠更好地處理時間序列的任務,解決了RNN 的長期依賴問題。將兩種方法組合成VMD-LSTM 模型來處理水位和流量的非線性擬合及預測,可降低數(shù)據(jù)的波動性,有效提高模型的預測精度。具體預測步驟:1)VMD 分解,利用VMD 算法對原始數(shù)據(jù)進行分解,得到K個包含原始信息的子序列IMF 1~IMF k;2)數(shù)據(jù)準備,將每個分量歸一化后劃分為訓練數(shù)據(jù)集和測試數(shù)據(jù)集;3)建模預測,基于每個分量的訓練數(shù)據(jù)集建立LSTM 模型,并對測試數(shù)據(jù)集進行預測,將預測結果作反歸一化處理;4)重構,累加步驟3 中所有分量的預測結果,得到原始徑流序列的預測結果。預測流程圖如圖2 所示。

    圖2 基于VMD-LSTM 模型流量預測流程圖

    2 實例分析

    沙里寨水文站位于遼寧省鳳城市沙里寨鄉(xiāng)蔡家村,處于黃海岸一級支流大洋河下游,是大洋河的重要控制站,集水面積為4 810 km2,距大洋河口43 km。該站是國家重要水文站,觀測項目有水位、流量、降水、蒸發(fā)水溫、水質等。沙里寨水文站歷史最高洪水位為102.83 m,發(fā)生于1960 年8 月4日;歷史最大洪峰流量為12 900 m3/s,發(fā)生于1960年8 月4 日。

    2.1 數(shù)據(jù)來源

    選取沙里寨水文站2010—2019 年間的實測日流量序列為研究對象,將數(shù)據(jù)集劃分為訓練數(shù)據(jù)集和測試數(shù)據(jù)集兩部分,以7∶3比例劃分,訓練數(shù)據(jù)集為2010 年1 月1 日至2017 年1 月6 日共計2 562 個數(shù)據(jù),用于構建模型;測試集數(shù)據(jù)為2017 年1 月7日至2019 年12 月31 日共計1 091 個數(shù)據(jù),用于評估模型的預測能力。其流量原始序列如圖3 所示。

    圖3 原始序列

    2.2 VMD 數(shù)據(jù)分解

    在VMD進行分解前,需設置相關參數(shù),其主要的建模參數(shù)有判別精度(ε)、噪聲容限(τ)、懲罰因子(α)和分解尺度(K),通過相關實證研究發(fā)現(xiàn)[19],模型結果受到ε和τ的影響不大,而α和K的取值對整個模型有很大的影響。所以著重討論VMD 模型中K和α兩個參數(shù)的選擇及最終分解結果。

    在VMD 模型里,模型分量個數(shù)由K表示,K值過大或過小都會對模型帶來不利的影響,使模型分解出現(xiàn)模態(tài)共享或者信息分解不全。α和模態(tài)分量帶寬呈負相關[20],通過諸多研究發(fā)現(xiàn),如果模態(tài)分量帶寬能夠足夠小,分解后就不會出現(xiàn)模態(tài)共享問題,而且此參數(shù)取值還和模型運行、分解時間存在關聯(lián)。模型分解結果受到α和K的影響情況見表1。

    表1 K 和α 取值對分解結果的影響

    2.2.1 分解尺度K

    分解尺度K又稱模態(tài)個數(shù)。如今在VMD 建模中,基本參數(shù)的選取還缺乏科學的選擇手段,所以,大部分學者都是通過多次試驗才對模型參數(shù)取值進行確定,然后在合理范圍內逐步增加模態(tài)個數(shù),以得到相應的模態(tài)分量數(shù),并將模態(tài)分量數(shù)按照從小到大的順序排列,最佳的模態(tài)個數(shù)K對應的模態(tài)分量中心頻率將第一次出現(xiàn)最大值,當K值過大或過小,都會出現(xiàn)中心頻率相同或相近的模態(tài)混疊現(xiàn)象。

    在對K取值問題進行討論之時,暫擬α為2 000,依次取K=2~10,并根據(jù)模態(tài)分量中心頻率來確定K值。對流量序列進行分解,不同K值對應的中心頻率值見表2。

    表2 不同K 值對應的中心頻率值

    通過表2 可知,當K取值為2~6,即模態(tài)分量個數(shù)取值較小時,此時的VMD 相當于自適應濾波器,在分解時往往會忽略原始序列中的一些重要信息,在表2 中體現(xiàn)為最后一個模態(tài)分量還包含有細節(jié)信息未能完全分解。當K=8 時,分量6 和分量7 的中心頻率十分相近,兩個中心頻率相差僅為8;當K=9 時,分量2,3 的中心頻率差距只有7,相似度很高,分量3,4 和6~8 的中心頻率都較為接近;從K=8~10 分解出的各分量中心頻率值可以看出,相近的中心頻率出現(xiàn)在了不同的分量中,即隨著K值的遞增,由于分解過度,產生模態(tài)共享問題。綜上所述,若K過小,就不能完全分解信號,而若其太大,又容易有模態(tài)重疊問題產生,而當K=7時,各個分量間的中心頻率并不相同,即原始序列能夠得到很好的分解。因此,K=7 時最合適。

    2.2.2 懲罰因子α

    通過模型原理分析能夠發(fā)現(xiàn),為了將約束條件變成非約束條件,VMD 分解算法引入了α。為了防止出現(xiàn)模態(tài)共享或模態(tài)堆疊的現(xiàn)象,α的值不宜選取過大。在對α值進行確定時,為了取值足夠合理,保持其他參數(shù)不變,選取不同的α,在模型中得到相應的分解結果,具體結果如表3所示。

    表3 不同懲罰因子時VMD 分解運行時間

    通過表3 能夠發(fā)現(xiàn),α=2 000 時的運行時間最短。當α不斷提升之時,模型分解的收斂速度也不斷提升,而且,α值與分解后各模態(tài)分量帶寬成反比關系,α值越大模態(tài)混疊現(xiàn)象的出現(xiàn)幾率越小,綜上,當α=2 000 時最合適,此時也能夠得到較短的運行時間。

    依據(jù)設置好的參數(shù),對流量序列進行VMD 分解,分解結果如圖4 所示。

    圖4 VMD 分解結果

    2.3 數(shù)據(jù)歸一化

    數(shù)據(jù)歸一化常用于機器學習的預處理階段,當數(shù)據(jù)集的特征間具有不同的值范圍時,數(shù)據(jù)歸一化是非常有必要的,本文數(shù)據(jù)集包含了水位、流量、降水與蒸發(fā),為了使特征具有相同的度量尺度,可通過范圍標準化方法對流量數(shù)據(jù)進行處理,以便建立有效的模型。歸一化公式:

    式中:xmax和xmin為系列中的最大值和最小值。

    2.4 參數(shù)設置

    此次研究采用性能指標評估模型性能,并將VMD-LSTM 模型與單一的LSTM 模型、BP 模型和VMD-BP 模型進行對比實驗,驗證本文提出模型的有效性。通過互信息法[21]確定模型的輸入變量為沙里寨水文站預測日前5 d 的日流量和日水位,以及預測日前3 d 的日降雨量和日蒸發(fā)量。參照已有研究,在LSTM 模型中主要涉及的參數(shù)設置如下:隱藏層層數(shù)設置為3、Dropout 參數(shù)設置為0.2、批量處理參數(shù)為50,經過多次學習訓練,LSTM 模型的其他超參數(shù)設定見表4,BP 神經網絡及網絡參數(shù)見表5。

    表4 模型參數(shù)確定結果

    表5 BP 神經網絡參數(shù)

    表6 預測模型的性能對比表

    2.5 模型評價指標

    通過均方根誤差(RMSE)、平均絕對誤差(MAE)、平均絕對百分誤差(MAPE)和決定系數(shù)(R2)來綜合評價模型的預測效果。RMSE,MAE,MAPE的值越低模型越穩(wěn)定,預測的準確率越高,R2值越接近1,則表示模型的預測性能越好。計算公式:

    式中:i為第i個樣本;yi為實際值;為預測值;yˉ為平均值;SSres為殘差平方和,表示模型預測值與實際觀測值之間的差異的平方和;SStot為總平方和,表示實際觀測值與數(shù)據(jù)均值之間的差異的平方和。

    2.6 預測結果分析

    為了體現(xiàn)各模型之間的性能對比,繪制包含RMSE,MAE,MAPE和R2的4 種評價指標的性能對比表與對比圖。從表2-6 和圖2-3 可以看出,與其他模型相比,VMD-LSTM 模型的4 種指標均為最優(yōu),RMSE,MAE,MAPE都是最小,決定系數(shù)更接近1,說明本文提出的模型有著較強的泛化能力和較高的預測精度。

    為了更加直觀地看出VMD-LSTM 模型的性能,對預測流量與實測流量進行繪圖。圖5 為預測流量與實測流量關于1∶1 真實線的散點圖,由圖5可以看出,相比于其他模型,VMD-LSTM 模型的預測流量更加貼合原始數(shù)據(jù),數(shù)據(jù)更加接近1∶1真實線,而其他模型離散點較為分散。

    圖5 預測流量與實測流量的散點圖

    圖6 為實測流量與每個模型預測的流量過程線圖,從局部放大圖可以看出,在流量波動較大、洪峰流量較大時,VMD-LSTM 模型的預測值與真實值擬合度更高。

    圖6 模型預測值

    3 結語

    本文提出的基于VMD 分解算法的LSTM 流量預測模型,在LSTM模型前利用VMD分解法,將原始序列分解為7 個含有原始數(shù)據(jù)信息的子序列,以減少數(shù)據(jù)的波動性,降低數(shù)據(jù)的復雜性,使LSTM模型能更好地處理數(shù)據(jù)的局部特征關系,提升模型的預測性能。預測結果表明,與單一的LSTM 模型、BP 模型和VMD-BP 模型相比,VMD-LSTM 模型預測精度最高,預測數(shù)據(jù)與實測數(shù)據(jù)更加吻合,后續(xù)可嘗試引入優(yōu)化算法,對模型的參數(shù)進一步優(yōu)化。

    猜你喜歡
    分量模態(tài)流量
    冰墩墩背后的流量密碼
    玩具世界(2022年2期)2022-06-15 07:35:36
    張曉明:流量決定勝負!三大流量高地裂變無限可能!
    房地產導刊(2021年8期)2021-10-13 07:35:16
    帽子的分量
    尋找書業(yè)新流量
    出版人(2020年4期)2020-11-14 08:34:26
    一物千斤
    智族GQ(2019年9期)2019-10-28 08:16:21
    論《哈姆雷特》中良心的分量
    分量
    國內多模態(tài)教學研究回顧與展望
    基于HHT和Prony算法的電力系統(tǒng)低頻振蕩模態(tài)識別
    由單個模態(tài)構造對稱簡支梁的抗彎剛度
    計算物理(2014年2期)2014-03-11 17:01:39
    日本三级黄在线观看| 一级毛片女人18水好多| 中出人妻视频一区二区| 日本撒尿小便嘘嘘汇集6| 性欧美人与动物交配| 欧美中文综合在线视频| 国产久久久一区二区三区| 亚洲国产中文字幕在线视频| 高清在线国产一区| 亚洲在线观看片| 精品国内亚洲2022精品成人| 99热精品在线国产| 亚洲国产日韩欧美精品在线观看 | 亚洲自偷自拍图片 自拍| 欧美最黄视频在线播放免费| 精品久久久久久久久久久久久| 日韩欧美国产在线观看| 日本一本二区三区精品| 国产久久久一区二区三区| 又爽又黄无遮挡网站| 99久久国产精品久久久| x7x7x7水蜜桃| 久久久久国产一级毛片高清牌| 99久久99久久久精品蜜桃| 日韩免费av在线播放| 亚洲av免费在线观看| 国模一区二区三区四区视频 | 1024香蕉在线观看| 久久久色成人| 亚洲欧美日韩高清在线视频| 国产精品亚洲一级av第二区| 久久婷婷人人爽人人干人人爱| 国产成人精品无人区| 国产精品亚洲av一区麻豆| 亚洲国产欧美网| 两个人的视频大全免费| 九色成人免费人妻av| 真人一进一出gif抽搐免费| 久久热在线av| 成人av一区二区三区在线看| 热99在线观看视频| 色吧在线观看| 哪里可以看免费的av片| 叶爱在线成人免费视频播放| 成人午夜高清在线视频| 免费观看的影片在线观看| 首页视频小说图片口味搜索| 亚洲avbb在线观看| 制服人妻中文乱码| 免费观看精品视频网站| 一本综合久久免费| 三级男女做爰猛烈吃奶摸视频| 国产高清视频在线播放一区| 天天躁狠狠躁夜夜躁狠狠躁| 国产精品久久久久久精品电影| 国产av不卡久久| 51午夜福利影视在线观看| 青草久久国产| 桃色一区二区三区在线观看| 亚洲天堂国产精品一区在线| 91在线观看av| 欧美日韩综合久久久久久 | 亚洲国产精品sss在线观看| 1024香蕉在线观看| 成年女人永久免费观看视频| 欧美成人性av电影在线观看| tocl精华| 久久久国产成人精品二区| 观看免费一级毛片| 国产亚洲精品av在线| 国语自产精品视频在线第100页| 999精品在线视频| 丁香欧美五月| 长腿黑丝高跟| 性色av乱码一区二区三区2| 午夜福利视频1000在线观看| 国产69精品久久久久777片 | 99精品欧美一区二区三区四区| av在线天堂中文字幕| 免费看十八禁软件| xxxwww97欧美| 真实男女啪啪啪动态图| 一本综合久久免费| 日本黄大片高清| 日韩 欧美 亚洲 中文字幕| 国产精品一区二区三区四区久久| 99国产综合亚洲精品| 男人的好看免费观看在线视频| xxxwww97欧美| 成人亚洲精品av一区二区| 高清在线国产一区| 91在线观看av| 亚洲 欧美 日韩 在线 免费| 亚洲精品一区av在线观看| 香蕉av资源在线| 久久中文字幕人妻熟女| 给我免费播放毛片高清在线观看| 在线观看日韩欧美| 国产v大片淫在线免费观看| 精品国内亚洲2022精品成人| 一二三四在线观看免费中文在| 亚洲色图av天堂| 三级国产精品欧美在线观看 | 成人性生交大片免费视频hd| 精品久久久久久成人av| 中文字幕高清在线视频| 九九在线视频观看精品| 少妇人妻一区二区三区视频| 亚洲精品美女久久av网站| 欧美激情在线99| 中文字幕精品亚洲无线码一区| 在线播放国产精品三级| 国产伦在线观看视频一区| 黄色 视频免费看| 午夜福利欧美成人| 国产一区二区三区在线臀色熟女| 给我免费播放毛片高清在线观看| 亚洲成a人片在线一区二区| 国产aⅴ精品一区二区三区波| 国产免费男女视频| 18禁观看日本| 亚洲片人在线观看| 亚洲精品粉嫩美女一区| 18美女黄网站色大片免费观看| 成年免费大片在线观看| 精品国内亚洲2022精品成人| 成年版毛片免费区| 亚洲自拍偷在线| 一二三四社区在线视频社区8| cao死你这个sao货| e午夜精品久久久久久久| 日韩大尺度精品在线看网址| 精品福利观看| 村上凉子中文字幕在线| 国产成年人精品一区二区| 色播亚洲综合网| 国产成人一区二区三区免费视频网站| 首页视频小说图片口味搜索| 欧美高清成人免费视频www| 99国产极品粉嫩在线观看| 亚洲欧美一区二区三区黑人| 亚洲欧美日韩高清在线视频| 国产一区二区在线观看日韩 | 熟女人妻精品中文字幕| 成人国产综合亚洲| 久久久久久久久久黄片| 欧美3d第一页| 国产午夜精品论理片| 九九在线视频观看精品| 美女免费视频网站| 后天国语完整版免费观看| 少妇的逼水好多| 97人妻精品一区二区三区麻豆| 亚洲狠狠婷婷综合久久图片| 18美女黄网站色大片免费观看| 在线观看免费午夜福利视频| 成人一区二区视频在线观看| 亚洲精品一卡2卡三卡4卡5卡| 久久人人精品亚洲av| 久久香蕉国产精品| 99在线视频只有这里精品首页| 成年女人毛片免费观看观看9| 国产激情欧美一区二区| 午夜两性在线视频| av欧美777| 一个人免费在线观看电影 | ponron亚洲| 巨乳人妻的诱惑在线观看| 婷婷六月久久综合丁香| 国产一区二区激情短视频| 一个人免费在线观看的高清视频| 亚洲欧美日韩高清专用| 国产综合懂色| 在线a可以看的网站| 在线视频色国产色| 国产精品精品国产色婷婷| 成人性生交大片免费视频hd| 91老司机精品| 精品国产亚洲在线| 免费av毛片视频| 亚洲aⅴ乱码一区二区在线播放| 成年免费大片在线观看| 好看av亚洲va欧美ⅴa在| 国产乱人视频| 国产成人福利小说| 午夜精品久久久久久毛片777| 日本一本二区三区精品| 国产精品久久久久久久电影 | 90打野战视频偷拍视频| bbb黄色大片| 怎么达到女性高潮| 亚洲成人免费电影在线观看| 99久久精品热视频| 亚洲黑人精品在线| 老司机福利观看| 婷婷亚洲欧美| 日本 av在线| 国产精品久久久久久人妻精品电影| 美女高潮的动态| 国产伦在线观看视频一区| 精品久久久久久,| 偷拍熟女少妇极品色| 精品一区二区三区视频在线 | 观看免费一级毛片| 亚洲中文字幕日韩| 黄片小视频在线播放| 在线观看午夜福利视频| 日本在线视频免费播放| www日本在线高清视频| 亚洲av成人不卡在线观看播放网| 国产主播在线观看一区二区| 狠狠狠狠99中文字幕| 亚洲成a人片在线一区二区| 99久久99久久久精品蜜桃| 欧美又色又爽又黄视频| 色播亚洲综合网| 看片在线看免费视频| 亚洲美女视频黄频| 亚洲精品456在线播放app | 国产成人av教育| 老司机在亚洲福利影院| 91在线精品国自产拍蜜月 | 亚洲电影在线观看av| 少妇裸体淫交视频免费看高清| 欧洲精品卡2卡3卡4卡5卡区| av天堂中文字幕网| 久久精品aⅴ一区二区三区四区| cao死你这个sao货| 日韩欧美在线二视频| 午夜日韩欧美国产| 日韩欧美 国产精品| 长腿黑丝高跟| 熟女人妻精品中文字幕| 国产伦精品一区二区三区四那| 国产三级中文精品| 九色成人免费人妻av| 一进一出抽搐动态| 一级毛片高清免费大全| 国产精品影院久久| 天天添夜夜摸| 国产成人欧美在线观看| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲美女黄片视频| 制服丝袜大香蕉在线| 欧美成人免费av一区二区三区| 亚洲最大成人中文| 18禁黄网站禁片免费观看直播| 18禁美女被吸乳视频| 成人鲁丝片一二三区免费| 老司机深夜福利视频在线观看| 大型黄色视频在线免费观看| 国产一区二区在线av高清观看| 男人和女人高潮做爰伦理| 美女被艹到高潮喷水动态| 欧美+亚洲+日韩+国产| 亚洲av电影在线进入| 国产视频内射| 少妇熟女aⅴ在线视频| 五月伊人婷婷丁香| 免费看美女性在线毛片视频| 中出人妻视频一区二区| 黄色成人免费大全| 色吧在线观看| 日韩有码中文字幕| 看黄色毛片网站| 国产男靠女视频免费网站| 黄频高清免费视频| 国产精品久久电影中文字幕| 亚洲人成网站在线播放欧美日韩| 国产精品免费一区二区三区在线| 性色avwww在线观看| 欧美一级a爱片免费观看看| 国产爱豆传媒在线观看| 国产精品自产拍在线观看55亚洲| 又爽又黄无遮挡网站| 成年版毛片免费区| 亚洲av美国av| 可以在线观看的亚洲视频| 久久精品亚洲精品国产色婷小说| 久久精品夜夜夜夜夜久久蜜豆| 一本久久中文字幕| 窝窝影院91人妻| 天天躁狠狠躁夜夜躁狠狠躁| 日韩av在线大香蕉| 亚洲av成人精品一区久久| 日韩欧美国产一区二区入口| 日本免费a在线| 国产激情久久老熟女| 久久精品91蜜桃| 午夜福利免费观看在线| 少妇的丰满在线观看| 亚洲午夜精品一区,二区,三区| 一进一出好大好爽视频| 99精品久久久久人妻精品| 成人欧美大片| 精品久久久久久,| 久久精品91无色码中文字幕| 国产探花在线观看一区二区| 午夜福利在线在线| 色播亚洲综合网| 啦啦啦观看免费观看视频高清| 男女午夜视频在线观看| 啪啪无遮挡十八禁网站| 国产综合懂色| 日韩欧美 国产精品| 偷拍熟女少妇极品色| 伦理电影免费视频| 12—13女人毛片做爰片一| 亚洲九九香蕉| 亚洲精品乱码久久久v下载方式 | 亚洲av成人不卡在线观看播放网| 51午夜福利影视在线观看| 欧美国产日韩亚洲一区| 午夜福利在线观看免费完整高清在 | 国产精品 国内视频| 99热精品在线国产| 美女免费视频网站| 久久午夜亚洲精品久久| 在线观看舔阴道视频| 久久婷婷人人爽人人干人人爱| 久久性视频一级片| 可以在线观看毛片的网站| 婷婷精品国产亚洲av在线| 18禁美女被吸乳视频| 天堂网av新在线| 午夜福利18| 亚洲五月婷婷丁香| 亚洲中文日韩欧美视频| 男女下面进入的视频免费午夜| 久久久色成人| 99国产精品一区二区三区| 他把我摸到了高潮在线观看| 在线观看免费午夜福利视频| 亚洲欧美日韩东京热| 亚洲av美国av| 首页视频小说图片口味搜索| 夜夜看夜夜爽夜夜摸| 久久久精品欧美日韩精品| 日韩欧美在线二视频| 亚洲 国产 在线| a级毛片在线看网站| 成人精品一区二区免费| 日韩 欧美 亚洲 中文字幕| 亚洲欧美日韩高清专用| 亚洲午夜理论影院| 午夜福利在线在线| 亚洲国产精品成人综合色| 精品国产乱子伦一区二区三区| 成人三级黄色视频| 久久久色成人| 岛国在线观看网站| 亚洲熟妇中文字幕五十中出| 欧美一级毛片孕妇| 日本黄大片高清| 欧美激情在线99| 麻豆一二三区av精品| 热99在线观看视频| 亚洲人成伊人成综合网2020| 国产精品亚洲一级av第二区| 久久中文字幕一级| 精品国产乱子伦一区二区三区| 国产伦一二天堂av在线观看| 亚洲美女黄片视频| 十八禁人妻一区二区| 高潮久久久久久久久久久不卡| 日本五十路高清| 国产亚洲av嫩草精品影院| 国产午夜精品论理片| 男女床上黄色一级片免费看| 老司机午夜福利在线观看视频| 国产午夜福利久久久久久| 91av网站免费观看| 人妻丰满熟妇av一区二区三区| 天天躁狠狠躁夜夜躁狠狠躁| 最近在线观看免费完整版| 免费在线观看视频国产中文字幕亚洲| 亚洲av美国av| 亚洲第一欧美日韩一区二区三区| 午夜视频精品福利| 母亲3免费完整高清在线观看| 国产激情偷乱视频一区二区| 黄色女人牲交| 成年免费大片在线观看| 色哟哟哟哟哟哟| 99久久无色码亚洲精品果冻| 中文字幕av在线有码专区| 一a级毛片在线观看| 青草久久国产| 欧美乱码精品一区二区三区| 国产伦精品一区二区三区视频9 | 男女之事视频高清在线观看| 啦啦啦韩国在线观看视频| 宅男免费午夜| 国产精品 欧美亚洲| 999久久久国产精品视频| 99riav亚洲国产免费| 熟女电影av网| 高清毛片免费观看视频网站| 国产高清视频在线播放一区| xxxwww97欧美| 久久国产乱子伦精品免费另类| 好男人在线观看高清免费视频| av福利片在线观看| 搡老妇女老女人老熟妇| 波多野结衣巨乳人妻| 精品国产美女av久久久久小说| av片东京热男人的天堂| 国产午夜福利久久久久久| 欧美激情在线99| 国产亚洲精品综合一区在线观看| 国产精品一及| 老司机福利观看| 国产男靠女视频免费网站| 欧美色视频一区免费| 精品一区二区三区视频在线观看免费| 精品一区二区三区视频在线 | 亚洲av电影在线进入| 国产伦在线观看视频一区| av视频在线观看入口| 国产亚洲精品一区二区www| 亚洲精品美女久久av网站| 美女高潮的动态| 成人特级黄色片久久久久久久| 91在线精品国自产拍蜜月 | 日韩精品中文字幕看吧| 中文字幕熟女人妻在线| 精品国内亚洲2022精品成人| 国产私拍福利视频在线观看| 精品日产1卡2卡| 久久99热这里只有精品18| 色尼玛亚洲综合影院| 午夜免费观看网址| 国产av麻豆久久久久久久| 露出奶头的视频| 一本综合久久免费| 最近最新免费中文字幕在线| 国产精品亚洲一级av第二区| 男女视频在线观看网站免费| 久久精品亚洲精品国产色婷小说| or卡值多少钱| 亚洲欧美日韩高清在线视频| 欧美午夜高清在线| 欧美国产日韩亚洲一区| 日本 av在线| 性欧美人与动物交配| 男人舔女人的私密视频| 给我免费播放毛片高清在线观看| av天堂中文字幕网| 成人午夜高清在线视频| 亚洲无线观看免费| 嫩草影院精品99| 草草在线视频免费看| 亚洲精品乱码久久久v下载方式 | 别揉我奶头~嗯~啊~动态视频| 国内少妇人妻偷人精品xxx网站 | 深夜精品福利| netflix在线观看网站| 亚洲av熟女| 亚洲中文字幕日韩| 中文字幕精品亚洲无线码一区| 美女免费视频网站| 国产高清三级在线| 听说在线观看完整版免费高清| 免费看光身美女| 又大又爽又粗| 日韩精品青青久久久久久| 国产成人欧美在线观看| 午夜影院日韩av| 桃色一区二区三区在线观看| 欧美一区二区精品小视频在线| 午夜免费激情av| 国产精品亚洲一级av第二区| 黄频高清免费视频| 国产伦在线观看视频一区| 淫秽高清视频在线观看| 亚洲av成人精品一区久久| 免费av毛片视频| 亚洲国产中文字幕在线视频| 村上凉子中文字幕在线| 日本撒尿小便嘘嘘汇集6| 嫩草影视91久久| 熟女人妻精品中文字幕| 午夜视频精品福利| 最近在线观看免费完整版| 动漫黄色视频在线观看| 免费看十八禁软件| 国产黄片美女视频| 亚洲av熟女| 欧美日韩瑟瑟在线播放| 欧美成人性av电影在线观看| 757午夜福利合集在线观看| 亚洲欧美一区二区三区黑人| 欧美绝顶高潮抽搐喷水| 俄罗斯特黄特色一大片| 国产亚洲精品一区二区www| 俄罗斯特黄特色一大片| 亚洲av片天天在线观看| 九九热线精品视视频播放| 亚洲av中文字字幕乱码综合| 久久久久久国产a免费观看| 一级毛片精品| 国产精品日韩av在线免费观看| 精品国内亚洲2022精品成人| 哪里可以看免费的av片| 99久久精品一区二区三区| 国产午夜精品久久久久久| 美女被艹到高潮喷水动态| 日韩三级视频一区二区三区| 日日夜夜操网爽| 男女做爰动态图高潮gif福利片| 国产激情久久老熟女| 亚洲国产看品久久| 午夜成年电影在线免费观看| 国产伦精品一区二区三区视频9 | 精品欧美国产一区二区三| 亚洲中文字幕日韩| 欧美成狂野欧美在线观看| 国产高清视频在线播放一区| 久99久视频精品免费| 国产高潮美女av| 黄色片一级片一级黄色片| 欧美又色又爽又黄视频| 色视频www国产| 欧美av亚洲av综合av国产av| 99久久综合精品五月天人人| 搡老岳熟女国产| 校园春色视频在线观看| 男女做爰动态图高潮gif福利片| 高清在线国产一区| 精品国产美女av久久久久小说| 国产综合懂色| 国产精品一区二区三区四区久久| 国内精品久久久久精免费| 五月玫瑰六月丁香| 国产成人av激情在线播放| 亚洲av免费在线观看| 国内精品久久久久精免费| 久久久水蜜桃国产精品网| 精品一区二区三区av网在线观看| 欧美黑人欧美精品刺激| 天堂网av新在线| 国产一区二区在线av高清观看| 麻豆一二三区av精品| 中文字幕熟女人妻在线| 国产亚洲精品一区二区www| 欧美成人性av电影在线观看| 曰老女人黄片| 母亲3免费完整高清在线观看| 三级男女做爰猛烈吃奶摸视频| 一边摸一边抽搐一进一小说| 亚洲 欧美 日韩 在线 免费| 亚洲国产色片| 神马国产精品三级电影在线观看| x7x7x7水蜜桃| 亚洲国产精品sss在线观看| 欧美日韩亚洲国产一区二区在线观看| 国产精品av视频在线免费观看| 最近最新中文字幕大全电影3| 免费大片18禁| 999久久久精品免费观看国产| av女优亚洲男人天堂 | 午夜精品在线福利| 亚洲中文字幕一区二区三区有码在线看 | 国产高清videossex| 男女床上黄色一级片免费看| 天堂av国产一区二区熟女人妻| 俄罗斯特黄特色一大片| 成人高潮视频无遮挡免费网站| 日本 欧美在线| 国产亚洲av高清不卡| 成年人黄色毛片网站| 人妻夜夜爽99麻豆av| 三级毛片av免费| 女人高潮潮喷娇喘18禁视频| 狂野欧美激情性xxxx| 男女做爰动态图高潮gif福利片| 国产在线精品亚洲第一网站| 琪琪午夜伦伦电影理论片6080| 亚洲国产欧美网| 国产成人精品久久二区二区91| 中文亚洲av片在线观看爽| 欧美日韩一级在线毛片| 久久人人精品亚洲av| 国产精品 欧美亚洲| 亚洲18禁久久av| 欧美高清成人免费视频www| 91在线精品国自产拍蜜月 | 97碰自拍视频| 亚洲av电影不卡..在线观看| 国产免费av片在线观看野外av| 两个人看的免费小视频| 久久久国产精品麻豆| 欧美精品啪啪一区二区三区| 丝袜人妻中文字幕| 久久久久久人人人人人| 成年免费大片在线观看| 亚洲美女视频黄频| 国产探花在线观看一区二区| 日韩欧美免费精品| 国产精品一区二区三区四区免费观看 | 国内少妇人妻偷人精品xxx网站 | 搡老岳熟女国产| 国产综合懂色| 国产成人福利小说| 日韩国内少妇激情av| 又大又爽又粗| 久久精品人妻少妇| 人妻久久中文字幕网| 色吧在线观看| 久久久久久久久中文| 国产成人精品久久二区二区91| 亚洲电影在线观看av| 国产日本99.免费观看| 日本 av在线| 欧美最黄视频在线播放免费|