• <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RF-WOA-VMD-BiGRU-Attention的神經(jīng)網(wǎng)絡(luò)模型在海浪預測中的應用

    2024-04-01 07:49:54李練兵張燕亮吳偉強魏玉憧李佳根盧盛欣
    科學技術(shù)與工程 2024年7期
    關(guān)鍵詞:海況海浪注意力

    李練兵, 張燕亮, 吳偉強, 魏玉憧, 李佳根, 盧盛欣

    (1.河北工業(yè)大學人工智能與數(shù)據(jù)科學學院, 天津 300130; 2.河北建投海上風電有限公司, 唐山 063000)

    目前海浪預測[1]的方法主要分為3種:基于物理的數(shù)值方法,基于經(jīng)驗的統(tǒng)計方法和機器學習方法?;谖锢淼臄?shù)值方法是理論驅(qū)動的,利用求解海浪的控制方程進行預測,但是只對海域比較寬闊,環(huán)境比較平緩的海浪有較好的預測結(jié)果。迄今為止,最成熟的基于物理的波模型是第三代海浪波模型[2],但是依舊需要大量的計算時間,這也是日常使用中最大的限制?;诮?jīng)驗的統(tǒng)計方法在預測中使用的假設(shè)模型,根據(jù)從實際得到的與過程有關(guān)的數(shù)據(jù)進行數(shù)理統(tǒng)計分析,預測的效果一般。如自回歸模型和自回歸移動平均法。機器學習方法通過輸入和輸出的大量歷史數(shù)據(jù)描述了更全面的輸入輸出關(guān)系,例如,利用人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)[3]預測海浪數(shù)據(jù),ANN對于建立復雜非線性映射擬合函數(shù)的能力非常顯著。然而,上述神經(jīng)網(wǎng)絡(luò)自身存在的缺點是忽略了數(shù)據(jù)對時間的依賴性,使得預測模型對噪聲十分敏感,預測準確性下降[4]。(long short-term memory, LSTM)和(gated recurrent unit, GRU)都是循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)的進階版本,LSTM[5]是對RNN的細胞結(jié)構(gòu)進行優(yōu)化,GRU則是將LSTM從內(nèi)部結(jié)構(gòu)上進行進一步的優(yōu)化。雙向門控循環(huán)單元(bidirectional gated recurrent unit,BiGRU)在GRU上增加了一個反向隱藏層,這樣正向隱藏層和反向隱藏層可以互相利用隱藏層中的數(shù)據(jù),預測結(jié)果會更加準確。該模型的預期效果在數(shù)據(jù)集較大的情況下具有更快的訓練速度、更高的準確性、更好的處理順序信息、更少的內(nèi)存消耗,提高海浪預測模型預測精度[6]。研究結(jié)果證明GRU的預測性能明顯高于LSTM和RNN,并解決了RNN存在的梯度爆炸性消失和長期記憶力不足等問題。

    為了解決上述的各類問題,現(xiàn)提出一種結(jié)合隨機森林、鯨魚算法、變分模態(tài)分解的雙向門控循環(huán)單元的海上風電場海浪預測模型,選取河北樂亭菩提島風電場近一年來的海上數(shù)據(jù)作為預測模型的基礎(chǔ)數(shù)據(jù)。首先使用隨機森林篩選出與海浪波高相關(guān)性較強的環(huán)境特征數(shù)據(jù),應用WOA(whale optimization algorithm)-VMD(variational mode decomposition)模型進一步降低數(shù)據(jù)噪聲,提高模型的輸入質(zhì)量。最后將BiGRU與隨機森林的注意力機制相結(jié)合,結(jié)合后注意力機制將為BiGRU的隱藏層分配不同權(quán)重并加強關(guān)鍵信息的影響,搭建出RF-WOA-VMD-BiGRU-Attention海浪預測模型。

    1 RF-WOA-VMD-BiGRU-Attention神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

    1.1 數(shù)據(jù)準備

    1.1.1 海況數(shù)據(jù)采集

    采取樂亭菩提島風電場以觀測站的海況數(shù)據(jù)作為樣本數(shù)據(jù)集,樣本數(shù)據(jù)集中采集了2020年1月1日0時—2021年12月31日24時的相關(guān)海況數(shù)據(jù)。表1為一段時間內(nèi)的原始海況數(shù)據(jù)。

    表1 海況數(shù)據(jù)表Table 1 Sea state data sheet

    從表1的數(shù)據(jù)可以看出,該風電場的海況數(shù)據(jù)是間隔1 h進行記錄更新,海況數(shù)據(jù)的要素包括海溫(Sea_T)、浪高(WV_H)、風速(Win_S)、海流流速(SS)、能見度(VS)、體感溫度(Som_T)、云量(CC)、天文潮(Ast_T)、水位(Wat_L)、年/月/日(YY/MM/DD)、時(Hour)、經(jīng)緯度(LaL)、點位(Point)。

    1.1.2 海況數(shù)據(jù)預處理

    (1)數(shù)據(jù)清理。首先要對海況數(shù)據(jù)中重復、缺失的數(shù)據(jù)進行處理。使用線性插值技術(shù),線性插值使用數(shù)據(jù)集中最后一個和第一個可用的平均值插補缺失值。公式為

    (1)

    式(1)中:f(x)為在位置x的估計值;f(x1)和f(x0)為已知數(shù)據(jù)點的對應值;x1和x0為已知數(shù)據(jù)點的位置。

    (2)數(shù)據(jù)規(guī)約。數(shù)據(jù)歸約則是通過降維刪除不需要的屬性來減少數(shù)據(jù)量,最大限度地減少數(shù)據(jù)丟失。其次,在盡可能保證數(shù)據(jù)信息完整性的同時,可以將已有數(shù)據(jù)降維到更低的維度,在實踐中可以提高建模的效率[7]。

    (3)數(shù)據(jù)變換。不同特征的數(shù)據(jù)維度可能不一致,如果對數(shù)據(jù)進行歸一化,則數(shù)據(jù)值之間的差異可能非常大,如果不對數(shù)據(jù)進行處理,可能會影響數(shù)據(jù)分析的結(jié)果。因此,需要將數(shù)據(jù)按照一定的比例放縮,使其停留在特定區(qū)域進行綜合分析。本文中采用最大-最小規(guī)范化方法將數(shù)據(jù)映射到[0 1]區(qū)間[8]。即

    (2)

    式(2)中:xnew為規(guī)范后的數(shù)據(jù);x為原始數(shù)據(jù);xmin和xmax分別為要將數(shù)據(jù)映射到的規(guī)范化范圍的最小值和最大值。

    1.2 隨機森林

    通過隨機森林算法對冗余的數(shù)據(jù)進行剔除,只留下與海浪預測關(guān)聯(lián)性大的特征,來避免因輸入量過于繁雜帶來的數(shù)據(jù)冗余問題[9]。圖1所示為隨機森林算法示意圖。

    圖1 隨機森林算法示意圖Fig.1 Schematic diagram of the random forest algorithm

    (3)

    式(3)中:當0<σ<1時呈現(xiàn)正相關(guān),-1<σ<0時呈現(xiàn)負相關(guān)。當σ的值無限接近1時,表明A和B之間呈現(xiàn)更高的相關(guān)性。

    向量A和B分別表示各個數(shù)據(jù)集的向量值,任意一個數(shù)據(jù)集與另一個數(shù)據(jù)集之間的相關(guān)系數(shù)均由此計算。

    圖2所示為本研究中使用的數(shù)據(jù)集的特征相關(guān)熱圖,這些數(shù)據(jù)集以浪高作為分析目標。從圖2可知,浪高與風速、海流流速、云量、天文潮和水位呈現(xiàn)正相關(guān),因此當風速、海流流速、云量、天文潮以及水位較大(高)時,海平面會發(fā)生變化,海浪高度會隨之變的更高且更加不穩(wěn)定。浪高與海溫、能見度和體感溫度呈現(xiàn)負相關(guān),考慮到當整體溫度較高時且能見度較高時,天氣相對比較晴朗,海平面更加穩(wěn)定,海浪會變得更小、更加平穩(wěn)[10]。

    接下來進行特征重要性評估,在冗余的特征中選擇出對預測結(jié)果影響最大的那幾個特征,以此來縮減模型建立時的特征數(shù)。

    (2)第i棵樹節(jié)點q的Gini指數(shù)計算公式為

    (4)

    式(4)中:pqc、pqc′為節(jié)點q中類別c、c′所占的比例。

    節(jié)點q前后的Gini指數(shù)變化值為

    (5)

    假設(shè)特征XJ在決策樹i中出現(xiàn)的節(jié)點為集合Q,那么XJ在第i棵樹的重要性為

    (6)

    假設(shè)RF中共有I棵樹,那么

    (7)

    最后,將重要性評分進行歸一化處理,得到特征重要性評估結(jié)果,公式為

    (8)

    如圖3可以看出,在海浪預測變量重要性度量[12]過程中,風速與海浪的關(guān)聯(lián)最緊密。

    圖3 隨機森林特征選擇結(jié)果Fig.3 Random forest feature selection results

    1.3 數(shù)據(jù)預處理模型

    1.3.1 變分模態(tài)分解(VMD)

    VMD是一種非遞歸和自適應分解模型,用于處理非平穩(wěn)信號的自適應分解[13]。該模型采用wiener濾波對相關(guān)參數(shù)進行初始化,得到K估計的中心角頻率wk,然后使用交替乘法更新每個模態(tài)函數(shù)及其中心頻率,并將每個模態(tài)解調(diào)到相關(guān)的頻段,以最小化總估計帶寬。公式為

    (9)

    式(9)中:δ(t)為單位沖激函數(shù);{uk}={u1,u2,…,uK}和{ωk}={ω1,ω2,…,ωK}為K從固有模態(tài)函數(shù)(IMF)分解中獲得的分量和中心頻率。式(9)通過使用改進拉格朗日算子λ(t)和二次懲罰因子得到,即

    L({uk},{ωk},λ)=

    (10)

    尋找變量受限的最優(yōu)解,uk和ωk更新后得到

    (11)

    (12)

    VMD模型的步驟如下:

    (2)根據(jù)式(11)和式(12)更新uk、wk。

    1.3.2 鯨魚算法(WOA)

    WOA作為一種新穎的智能算法,其核心是模擬座頭鯨的狩獵行為。在WOA算法中,螺旋用于實現(xiàn)局部搜索,隨機學習策略用于全局搜索。具體步驟如下。

    (1)圍捕獵物。座頭鯨可以識別位置并包圍獵物,在此算法中,離目標最近的單個鯨魚的位置被設(shè)置為最佳位置。確定最佳位置后,其他鯨魚會接近該位置。包圍獵物的公式為

    W(t+1)=W*(t)-AD

    (13)

    D=∣CW*(t)-W(t)∣

    (14)

    A=2ar1-a

    (15)

    C=2r2

    (16)

    (17)

    式中:t為當前迭代;W*(t)為當前最佳位置向量;A、C為系數(shù);r1和r2為0~1的隨機數(shù);a為一個0~2線性變化的量;Tmax為最大迭代次數(shù)。

    (2)搜尋行為。座頭鯨沿著螺旋路徑走向獵物,模擬座頭鯨狩獵行為的數(shù)學模型為

    W(t+1)=W*(t)+Dpeblcos(2πl(wèi))

    (18)

    式(18)中:Dp=∣W*(t)-W(t)∣表示獵物到座頭鯨的有向距離;b作為參數(shù)常量控制螺旋的形狀;l為[-1,1]范圍內(nèi)的隨機數(shù)。

    此外,當座頭鯨圍繞獵物盤旋時,包圍逐漸縮小。為了模擬這種行為,假設(shè)座頭鯨選擇了一個收縮的包絡(luò)和螺旋模型,并有50%的概率更新它們的位置,因此開發(fā)了數(shù)學模型,即

    (19)

    式(19)中:p為[0,1]范圍內(nèi)的隨機數(shù)。

    (3)尋找獵物。座頭鯨在尋找獵物時根據(jù)它們彼此之間的位置隨機游動,這可以用以下數(shù)學模型表示,即

    D=∣CWrand(t)-W(t)∣

    (20)

    W(t+1)=Wrand(t)-AD

    (21)

    式中:Wrand表示隨機選擇的鯨魚位置,當|A|>1,鯨魚被迫遠離獵物,同時用隨機生成的Wrand來尋找更合適的獵物。

    1.3.3 基于WOA的VMD參數(shù)優(yōu)化

    使用WOA優(yōu)化VMD參數(shù)的過程如圖4所示[14]。首先初始化座頭鯨的種群位置向量[K,α],以包絡(luò)熵為適應度函數(shù)計算每頭座頭鯨的適應度,然后通過判斷收斂因子的大小,選擇迭代公式來更新迭代公式,得知滿足終止條件,輸出最優(yōu)VMD參數(shù)。

    圖4 基于WOA優(yōu)化VMD參數(shù)流程圖Fig.4 Flowchart of optimizing VMD parameters based on WOA

    1.4 數(shù)據(jù)集成預測模型

    1.4.1 雙向門控循環(huán)單元(BiGRU)

    圖5為GRU的單元結(jié)構(gòu),其計算工作原理可表示為

    圖5 GRU單元結(jié)構(gòu)Fig.5 Structure of the GRU unit

    zt=σ(Wz[ht-1,xt])

    (22)

    rt=σ(Wr[ht-1,xt])

    (23)

    (24)

    (25)

    雙向GRU由兩個GRU組成:一個是正向的GRU模型,接受正向的輸入;另一個是反向的GRU模型,學習反向的輸入。BiGRU可以提高模型在后續(xù)預測問題中的性能,在任意時刻, 兩個GRU的狀態(tài)共同決定BiGRU的輸出。BiGRU的具體結(jié)構(gòu)如圖6所示。

    圖6 雙向GRU結(jié)構(gòu)模型Fig.6 Bidirectional GRU structure model

    (26)

    (27)

    (28)

    式中:wt、vt分別為正向權(quán)重參數(shù)和反向權(quán)重參數(shù),bt為偏置參數(shù)。

    1.4.2 注意力機制

    在神經(jīng)網(wǎng)絡(luò)模型中,當輸入大量的參數(shù)信息時會造成參數(shù)過載問題。而注意力機制恰好可以在復雜繁多的參數(shù)信息內(nèi)找到最重要的信息,而對其他非重要的信息的注意力會下降,甚至可以有效地過濾掉一些無用信息,提高工作效率的同時保證了準確性。注意力機制主要應用在循環(huán)神經(jīng)網(wǎng)絡(luò)框架中隱藏狀態(tài)矩陣Xi={X1,X2,…,XN}的生成過程中,計算表達式為

    αi=p(z=i∣X,q)

    =softmax[s(xi,q)]

    (29)

    (30)

    式中:Xi為第i時刻的隱藏狀態(tài)信息;att(X,q)是注意力權(quán)重。

    1.5 評估指標

    為了比較不同模型的預測精度,采用均方根誤差(root mean square error,RMSE)和平均絕對百分比誤差(mean absolute percentage error, MAPE)兩個評價指標對比RF-BiGRU、RF-BiGRU-Attention、RF-VMD-BiGRU-Attention、RF-WOA-VMD-BiGRU-Attention,通過分析結(jié)果判斷RF-WOA-VMD-BiGRU-Attention模型預測準確。

    (1)均方根誤差RMSE數(shù)值越小代表預測誤差越小,預測結(jié)果更加準確。計算公式為

    (31)

    (2)平均絕對百分比誤差MAPE數(shù)值越小代表預測誤差越小,預測結(jié)果更加準確。計算公式為

    (32)

    1.6 混合海浪預測模型

    BiGRU網(wǎng)絡(luò)可以有效地學習和訓練波動的時間數(shù)據(jù)序列,從而提取時間特征。注意力機制的引入為特征分配了不同的權(quán)重,放大了重要信息的影響,提高模型效率。因此,該文提出一種引入注意力機制的BiGRU海浪高度預測模型。通過組合多種結(jié)構(gòu),學習原始數(shù)據(jù)的特性,獲得更準確的預測結(jié)果。圖7顯示了有5個主要部分組成的模型結(jié)構(gòu):輸入層、特征過濾層、特征分解、BiGRU層、注意力層和輸出層。分解模塊的結(jié)果作為下一層的輸入,從所提出的特征中學習序列的時間變化模式,以實現(xiàn)預測功能。最后,通過輸出層得到預測結(jié)果。

    圖7 基于RF-WOA-VMD-BiGRU-Attention的海浪預測模型框架Fig.7 Wave prediction model framework based on RF-WOA-VMD-BiGRU-Attention

    2 實驗分析

    2.1 基于WOA-VMD的模型分解結(jié)果

    為了驗證基于RF-BiGRU海浪預測模型的卓越性,采用樂亭菩提島風電場2020—2021兩年的海況數(shù)據(jù)作為訓練樣本,預測樣本為2022年上半年的觀測數(shù)據(jù),并用RF-BiGRU、RF-BiGRU-Attention、RF-VMD-BiGRU-Attention、RF-WOA-VMD-BiGRU-Attention模型作為對比試驗。

    為了進一步提高數(shù)據(jù)質(zhì)量并消除噪聲的影響,采用WOA-VMD對海浪序列進行分解。首先,鯨魚的數(shù)量設(shè)置為10,最大迭代次數(shù)為50,變量數(shù)量為2,懲罰因子為[100, 2 000],K取值范圍為[3,7]且僅包含整數(shù)。然后使用WOA優(yōu)化VMD參數(shù)。

    如圖8所示為預測模型訓練和測試迭代50次的損失函數(shù)曲線,當?shù)螖?shù)達到8次時,損失函數(shù)趨于收斂,且損失值基本不再變化。圖9為懲罰因子優(yōu)化曲線,經(jīng)過8次迭代進化后,得到的最優(yōu)懲罰參數(shù)為100。從圖10可以看出迭代后,本征模函數(shù)(intrinsic mode function,IMF)最佳數(shù)值為7?;谏鲜龃_定好的參數(shù),對原始信號進行分解,得到的基于WOA-VMD的模態(tài)分解圖如圖11所示。

    圖8 損失函數(shù)曲線圖Fig.8 Loss function graph

    圖9 懲罰因子優(yōu)化曲線圖Fig.9 Penalty factor optimization curve

    圖10 模態(tài)分解曲線圖Fig.10 Modal decomposition curve

    圖11 基于WOA-VMD模態(tài)分解圖Fig.11 Based on the WOA-VMD modal exploded view

    2.2 基于RF-WOA-VMD-BiGRU-Attention模型浪高預測結(jié)果

    由于文本海況數(shù)據(jù)量級過大,從數(shù)據(jù)集中隨機選取連續(xù)5 d的數(shù)據(jù)進行預測,得到預測效果如圖12所示。可以看出本文提出的RF-WOA-VMD-BiGRU-Attention模型具有良好的預測精度,在面對波動較大的海況數(shù)據(jù)時保持了良好的魯棒性。本文提出的模型RMSE為0.555 7,MAPE為3.85%。

    圖12 RF-WOA-VMD-BiGRU-Attention模型預測效果圖Fig.12 RF-WOA-VMD-BiGRU-Attention model prediction effect

    2.3 多模型對比

    為了評估所提出模型的優(yōu)化效果,構(gòu)建了另外3個模型來分別驗證添加WOA、VMD和注意力機制的效果。如圖13所示為多模型預測效果對比圖。

    為了精確地對比出不同預測模型的預測精度,表2為測試過程中RF-WOA-VMD-BiGRU-Attention、RF-VMD-BiGRU-Attention、RF-BiGRU-Attention、RF-BiGRU的RMSE、MAPE數(shù)值,通過對比RMSE和MAPE的值可以得出RF-WOA-VMD-BiGRU-Attention預測模型的預測精度更高。

    表2 各模型誤差對比Table 2 Comparison of error between models

    3 結(jié)論

    本文搭建了RF-WOA-VMD-BiGRU-Attention模型,基于隨機森林對輸入特征進行篩選,利用WOA-VMD對模型的數(shù)據(jù)噪聲進行分解,最后利用注意力機制進一步優(yōu)化BiGRU來達到精準預測。以樂亭菩提島風電場的海況數(shù)據(jù)為基礎(chǔ)進行預測分析,實驗結(jié)果表明,VMD可以有效地降低噪聲,提高模型預測能力。VMD分解后RMSE和MAPE指數(shù)分別下降了43.90%和54.20%。采用WOA-VMD算法,得到VMD的最優(yōu)關(guān)鍵參數(shù),提高VMD的分解效果,應用WOA-VMD分解策略,RMSE和MAPE指數(shù)分別下降了78.52%和85.70%。注意力機制可以有效地聚集關(guān)鍵信息,消除冗余信息,引用注意力機制后,RMSE和MAPE指數(shù)分別下降了21.08%和10.65%。RF-WOA-VMD-BiGRU-Attention模型與其他模型相比,有效地降低了數(shù)據(jù)噪聲的干擾,對于處理規(guī)模龐大的數(shù)據(jù)來說訓練速度更快、結(jié)構(gòu)更簡單、處理長短序列性能更優(yōu)越、內(nèi)存消耗更少,能夠更加準確地預測海浪高度??傮w來說,本文提出了性能優(yōu)良、泛化能力強的預測模型,但是海浪預測領(lǐng)域還是存在很多問題需要進一步研究。例如,沒有考慮到風機尾流效應的影響,由于各個風電場的地理位置不同,導致海況數(shù)據(jù)的準確性也不同,預測結(jié)果也會有所不同,這也是將來我們進一步的研究方向。

    猜你喜歡
    海況海浪注意力
    讓注意力“飛”回來
    丫丫和小海浪
    幼兒園(2021年13期)2021-12-02 05:13:54
    海浪
    小讀者(2021年2期)2021-11-23 07:17:34
    典型海況下艦載發(fā)射箱結(jié)構(gòu)強度仿真分析
    樊應舉
    書香兩岸(2020年3期)2020-06-29 12:33:45
    “揚眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    A Beautiful Way Of Looking At Things
    惡劣海況下海洋石油116內(nèi)轉(zhuǎn)塔式FPSO裝配載優(yōu)化
    船海工程(2015年4期)2016-01-05 15:53:38
    極端海況下軟質(zhì)海崖大規(guī)模蝕退計算模型研究
    極限海況下單點系泊系統(tǒng)纜索動張力研究
    亚洲五月婷婷丁香| 热99re8久久精品国产| 欧美色视频一区免费| 99热这里只有精品一区| 99久久九九国产精品国产免费| 日韩欧美国产一区二区入口| 久久精品国产清高在天天线| 天美传媒精品一区二区| 色av中文字幕| 欧美精品啪啪一区二区三区| av中文乱码字幕在线| 亚洲,欧美精品.| 亚洲欧美日韩卡通动漫| svipshipincom国产片| 国产精品乱码一区二三区的特点| 久久国产乱子伦精品免费另类| 九九热线精品视视频播放| 麻豆成人午夜福利视频| 免费观看精品视频网站| 91久久精品电影网| 日韩欧美三级三区| 国产精品嫩草影院av在线观看 | 最近最新中文字幕大全免费视频| 老司机福利观看| 国产熟女xx| 麻豆久久精品国产亚洲av| 在线免费观看的www视频| 久久6这里有精品| 国产成人欧美在线观看| 色综合婷婷激情| 亚洲专区中文字幕在线| 国产精品三级大全| 老司机午夜十八禁免费视频| 亚洲成av人片在线播放无| 亚洲 国产 在线| 久久香蕉国产精品| 男人和女人高潮做爰伦理| 国产亚洲av嫩草精品影院| 在线十欧美十亚洲十日本专区| 亚洲在线自拍视频| 中文字幕久久专区| 欧美乱色亚洲激情| 国产精品亚洲一级av第二区| 91字幕亚洲| 少妇丰满av| 日本精品一区二区三区蜜桃| 超碰av人人做人人爽久久 | av中文乱码字幕在线| av欧美777| 国产一区二区激情短视频| 久久久久久大精品| 亚洲五月婷婷丁香| 一级毛片女人18水好多| 精品一区二区三区人妻视频| 国产一区二区亚洲精品在线观看| 国产成人aa在线观看| 99精品在免费线老司机午夜| 精品国产亚洲在线| 国产欧美日韩一区二区三| 亚洲精品影视一区二区三区av| 国产久久久一区二区三区| 网址你懂的国产日韩在线| 色噜噜av男人的天堂激情| 一夜夜www| 成年女人毛片免费观看观看9| 国产免费男女视频| 一区福利在线观看| 日本一二三区视频观看| 亚洲av成人精品一区久久| 国产一级毛片七仙女欲春2| 男女做爰动态图高潮gif福利片| 免费看a级黄色片| 一卡2卡三卡四卡精品乱码亚洲| 美女 人体艺术 gogo| 亚洲av不卡在线观看| 亚洲av成人精品一区久久| 国产成+人综合+亚洲专区| 国产精品久久久久久久电影 | 久久性视频一级片| www国产在线视频色| 午夜精品一区二区三区免费看| 国产伦一二天堂av在线观看| 亚洲人成网站在线播放欧美日韩| 午夜福利在线在线| 美女黄网站色视频| 观看美女的网站| 日韩有码中文字幕| 精品人妻一区二区三区麻豆 | 国产黄色小视频在线观看| e午夜精品久久久久久久| 无限看片的www在线观看| 五月伊人婷婷丁香| 日韩av在线大香蕉| 真人一进一出gif抽搐免费| 国产淫片久久久久久久久 | 18禁美女被吸乳视频| 国产欧美日韩一区二区精品| 色综合欧美亚洲国产小说| 国内精品久久久久精免费| 亚洲色图av天堂| 午夜福利高清视频| 午夜a级毛片| 国产三级黄色录像| 俺也久久电影网| 精品日产1卡2卡| 午夜日韩欧美国产| 欧美日韩黄片免| 国产伦精品一区二区三区视频9 | 亚洲一区高清亚洲精品| 日韩欧美国产在线观看| 韩国av一区二区三区四区| 欧美三级亚洲精品| avwww免费| 我要搜黄色片| 给我免费播放毛片高清在线观看| 免费看日本二区| 小蜜桃在线观看免费完整版高清| 在线a可以看的网站| 国产精品影院久久| 免费高清视频大片| 老鸭窝网址在线观看| 亚洲成a人片在线一区二区| 亚洲成av人片在线播放无| 亚洲国产精品999在线| 69av精品久久久久久| av黄色大香蕉| 久久久久亚洲av毛片大全| 久久久精品欧美日韩精品| 久久草成人影院| 亚洲av二区三区四区| 在线免费观看的www视频| 成人av在线播放网站| 91在线观看av| 热99在线观看视频| 欧美乱妇无乱码| 看片在线看免费视频| 国产av在哪里看| av视频在线观看入口| 高清在线国产一区| 精品电影一区二区在线| 亚洲aⅴ乱码一区二区在线播放| av黄色大香蕉| 在线观看av片永久免费下载| 成人午夜高清在线视频| 国产aⅴ精品一区二区三区波| av在线蜜桃| 黄色视频,在线免费观看| 校园春色视频在线观看| 国产亚洲精品久久久久久毛片| 丰满的人妻完整版| 别揉我奶头~嗯~啊~动态视频| 91在线观看av| 亚洲av免费在线观看| 美女 人体艺术 gogo| www日本在线高清视频| 亚洲精品成人久久久久久| 久久这里只有精品中国| 好看av亚洲va欧美ⅴa在| 伊人久久精品亚洲午夜| 91字幕亚洲| 长腿黑丝高跟| 国产精品嫩草影院av在线观看 | 国产精品久久久久久久电影 | www.熟女人妻精品国产| 欧美绝顶高潮抽搐喷水| 日本五十路高清| 中文字幕人成人乱码亚洲影| 最近视频中文字幕2019在线8| 亚洲欧美日韩高清专用| xxx96com| 国产老妇女一区| 国产精品一及| 18美女黄网站色大片免费观看| 国产精品 欧美亚洲| 老熟妇乱子伦视频在线观看| 国产aⅴ精品一区二区三区波| 国产午夜精品论理片| 天堂√8在线中文| 色综合婷婷激情| 网址你懂的国产日韩在线| 亚洲av成人不卡在线观看播放网| www日本黄色视频网| 久久久久国产精品人妻aⅴ院| 亚洲 欧美 日韩 在线 免费| 亚洲精品日韩av片在线观看 | 亚洲av美国av| 淫秽高清视频在线观看| 午夜精品久久久久久毛片777| 国产成人av激情在线播放| 中文亚洲av片在线观看爽| 色综合亚洲欧美另类图片| 久久亚洲真实| 国产精品久久电影中文字幕| 欧美日韩精品网址| 啦啦啦免费观看视频1| www.www免费av| 18+在线观看网站| 国产高清激情床上av| 亚洲人成电影免费在线| 久久香蕉精品热| 综合色av麻豆| 久久久久久久亚洲中文字幕 | 欧美性猛交╳xxx乱大交人| 色尼玛亚洲综合影院| 日韩人妻高清精品专区| 国产精品 国内视频| 国产激情欧美一区二区| 宅男免费午夜| 亚洲久久久久久中文字幕| 国内少妇人妻偷人精品xxx网站| 亚洲av第一区精品v没综合| 亚洲在线自拍视频| 男女做爰动态图高潮gif福利片| 国产麻豆成人av免费视频| 白带黄色成豆腐渣| 全区人妻精品视频| 亚洲aⅴ乱码一区二区在线播放| 可以在线观看毛片的网站| eeuss影院久久| 久9热在线精品视频| 免费看光身美女| 五月玫瑰六月丁香| 欧美国产日韩亚洲一区| 在线视频色国产色| 亚洲人与动物交配视频| 熟女电影av网| 日日干狠狠操夜夜爽| 看免费av毛片| 免费av毛片视频| aaaaa片日本免费| 国产视频一区二区在线看| 黄色视频,在线免费观看| 尤物成人国产欧美一区二区三区| 天天一区二区日本电影三级| 日韩欧美在线二视频| 日韩精品中文字幕看吧| 婷婷精品国产亚洲av在线| 五月玫瑰六月丁香| 男插女下体视频免费在线播放| 国产 一区 欧美 日韩| 在线a可以看的网站| 午夜免费观看网址| 国产精品久久视频播放| 日韩欧美国产在线观看| 精品国产超薄肉色丝袜足j| 亚洲18禁久久av| 在线观看日韩欧美| 在线国产一区二区在线| 免费看a级黄色片| 一夜夜www| 蜜桃久久精品国产亚洲av| 婷婷精品国产亚洲av| 午夜视频国产福利| 九九在线视频观看精品| 中文字幕熟女人妻在线| 中文字幕久久专区| 在线免费观看的www视频| 99久国产av精品| 国产爱豆传媒在线观看| 午夜精品在线福利| 国产老妇女一区| 51午夜福利影视在线观看| 国产精品电影一区二区三区| 日韩欧美精品v在线| 午夜福利免费观看在线| 他把我摸到了高潮在线观看| 免费人成视频x8x8入口观看| 成年免费大片在线观看| 国产精品一区二区三区四区免费观看 | 色av中文字幕| 熟妇人妻久久中文字幕3abv| 村上凉子中文字幕在线| а√天堂www在线а√下载| 亚洲不卡免费看| 亚洲 欧美 日韩 在线 免费| 天堂动漫精品| 在线观看日韩欧美| 国产亚洲精品综合一区在线观看| 国产野战对白在线观看| 精品免费久久久久久久清纯| 国产成人啪精品午夜网站| 亚洲国产高清在线一区二区三| 国产黄a三级三级三级人| 国产中年淑女户外野战色| 激情在线观看视频在线高清| 少妇裸体淫交视频免费看高清| 国产精品电影一区二区三区| 国产高清视频在线观看网站| 尤物成人国产欧美一区二区三区| 亚洲片人在线观看| 精品日产1卡2卡| 欧美又色又爽又黄视频| 国产精品美女特级片免费视频播放器| 老汉色∧v一级毛片| 亚洲精品影视一区二区三区av| 国产精品亚洲美女久久久| 久久香蕉国产精品| 啦啦啦韩国在线观看视频| 国产精品久久久人人做人人爽| 国产69精品久久久久777片| 久久久久久人人人人人| 麻豆国产av国片精品| 免费av不卡在线播放| 51午夜福利影视在线观看| 欧美高清成人免费视频www| 波多野结衣高清作品| 国产精品永久免费网站| 日本 av在线| 久久久国产成人精品二区| 国产精品久久久久久亚洲av鲁大| 一级作爱视频免费观看| 我的老师免费观看完整版| 18禁裸乳无遮挡免费网站照片| 99国产精品一区二区三区| 噜噜噜噜噜久久久久久91| 国产探花在线观看一区二区| 88av欧美| 精品一区二区三区av网在线观看| 久久久久久久久久黄片| 久久国产精品人妻蜜桃| 91麻豆精品激情在线观看国产| 老司机福利观看| 婷婷精品国产亚洲av在线| 麻豆成人午夜福利视频| 99久久久亚洲精品蜜臀av| 国产成人影院久久av| 少妇高潮的动态图| 99国产精品一区二区蜜桃av| 成人国产综合亚洲| 亚洲国产精品成人综合色| 无限看片的www在线观看| 嫩草影院精品99| 少妇的逼水好多| 国产黄a三级三级三级人| 国产成人a区在线观看| 91麻豆精品激情在线观看国产| 国产久久久一区二区三区| 久久精品国产自在天天线| 久久草成人影院| 色在线成人网| 一级黄片播放器| 成人国产一区最新在线观看| 国产中年淑女户外野战色| 国产乱人视频| 51国产日韩欧美| 91久久精品电影网| 欧美日韩福利视频一区二区| 久久精品人妻少妇| 亚洲人与动物交配视频| 午夜免费成人在线视频| 午夜激情欧美在线| 2021天堂中文幕一二区在线观| 国产中年淑女户外野战色| 国产爱豆传媒在线观看| 亚洲人与动物交配视频| 午夜免费成人在线视频| 国产精品亚洲av一区麻豆| 国产精品久久久久久亚洲av鲁大| 国产视频内射| 美女免费视频网站| 亚洲男人的天堂狠狠| 久久精品国产自在天天线| 99久久综合精品五月天人人| 精品国产三级普通话版| 中文字幕人妻熟人妻熟丝袜美 | 国产精品野战在线观看| a级毛片a级免费在线| 麻豆一二三区av精品| 国产精品三级大全| 在线国产一区二区在线| 偷拍熟女少妇极品色| 9191精品国产免费久久| 我要搜黄色片| 手机成人av网站| 日韩av在线大香蕉| 又紧又爽又黄一区二区| 黄片大片在线免费观看| 人妻夜夜爽99麻豆av| 十八禁人妻一区二区| 日韩国内少妇激情av| 床上黄色一级片| 色视频www国产| 麻豆国产av国片精品| 在线播放无遮挡| 亚洲国产精品sss在线观看| 日韩高清综合在线| 亚洲午夜理论影院| 国产91精品成人一区二区三区| 久久久久性生活片| 欧美日韩精品网址| 久久精品综合一区二区三区| 欧美中文综合在线视频| 好男人电影高清在线观看| 国产精品久久久久久人妻精品电影| 午夜免费男女啪啪视频观看 | 亚洲av日韩精品久久久久久密| 天堂影院成人在线观看| 精品久久久久久,| 女警被强在线播放| 国产视频一区二区在线看| 国产黄色小视频在线观看| 欧美日本视频| 美女高潮喷水抽搐中文字幕| 国产在线精品亚洲第一网站| 少妇的逼好多水| 国产av麻豆久久久久久久| 琪琪午夜伦伦电影理论片6080| 免费av观看视频| 在线观看美女被高潮喷水网站 | 夜夜看夜夜爽夜夜摸| 午夜精品在线福利| 国产三级中文精品| 老司机午夜福利在线观看视频| www日本黄色视频网| 日韩欧美在线二视频| 91麻豆精品激情在线观看国产| 淫妇啪啪啪对白视频| 九色成人免费人妻av| 中文字幕高清在线视频| 在线观看一区二区三区| 婷婷丁香在线五月| www.色视频.com| 日本一本二区三区精品| 亚洲内射少妇av| 中文字幕av在线有码专区| 叶爱在线成人免费视频播放| 欧美不卡视频在线免费观看| 黄片大片在线免费观看| 中文字幕av成人在线电影| e午夜精品久久久久久久| av国产免费在线观看| 久久伊人香网站| 岛国视频午夜一区免费看| 成人欧美大片| 香蕉丝袜av| 又黄又爽又免费观看的视频| 日韩高清综合在线| 久久久久久九九精品二区国产| 午夜激情福利司机影院| 3wmmmm亚洲av在线观看| 真实男女啪啪啪动态图| 亚洲av日韩精品久久久久久密| 亚洲一区二区三区不卡视频| 亚洲五月天丁香| 国产99白浆流出| 无人区码免费观看不卡| 一级a爱片免费观看的视频| 色尼玛亚洲综合影院| 亚洲精品色激情综合| 国产激情偷乱视频一区二区| 一夜夜www| 在线观看66精品国产| 成年人黄色毛片网站| 在线观看av片永久免费下载| 中出人妻视频一区二区| 亚洲激情在线av| 日本一本二区三区精品| 久久精品国产清高在天天线| av黄色大香蕉| 少妇丰满av| www国产在线视频色| 亚洲精品在线观看二区| 老司机午夜十八禁免费视频| 精品电影一区二区在线| 国产精品嫩草影院av在线观看 | 美女高潮的动态| eeuss影院久久| 最近最新中文字幕大全电影3| 女生性感内裤真人,穿戴方法视频| 欧美日韩国产亚洲二区| 免费看十八禁软件| av片东京热男人的天堂| 亚洲国产精品999在线| 在线播放国产精品三级| 亚洲精品国产精品久久久不卡| 免费av观看视频| 久久久久久久精品吃奶| 国产99白浆流出| 免费在线观看成人毛片| 精品久久久久久,| 黄色丝袜av网址大全| 九色成人免费人妻av| 欧美+日韩+精品| 中国美女看黄片| 久久久久久人人人人人| 欧美成人免费av一区二区三区| 免费av毛片视频| a级一级毛片免费在线观看| 国产精品女同一区二区软件 | 搞女人的毛片| 十八禁人妻一区二区| 亚洲 国产 在线| 欧美成人免费av一区二区三区| 黄片小视频在线播放| 麻豆一二三区av精品| 成人午夜高清在线视频| 老汉色∧v一级毛片| 国产69精品久久久久777片| www.色视频.com| 亚洲av中文字字幕乱码综合| 欧美在线一区亚洲| 国产高潮美女av| 老司机午夜福利在线观看视频| 国产精品,欧美在线| 亚洲国产欧美网| 一个人观看的视频www高清免费观看| 亚洲中文字幕一区二区三区有码在线看| 在线看三级毛片| 99久久精品热视频| 少妇的逼水好多| 啪啪无遮挡十八禁网站| 久久久久久九九精品二区国产| 91麻豆av在线| 老汉色av国产亚洲站长工具| 18+在线观看网站| 超碰av人人做人人爽久久 | 国产真人三级小视频在线观看| 中出人妻视频一区二区| 在线免费观看的www视频| 亚洲国产日韩欧美精品在线观看 | 国产高清视频在线播放一区| 精品午夜福利视频在线观看一区| 亚洲精品美女久久久久99蜜臀| 特级一级黄色大片| 一本一本综合久久| 日韩成人在线观看一区二区三区| 国产精品一区二区免费欧美| 少妇裸体淫交视频免费看高清| 一区二区三区激情视频| 首页视频小说图片口味搜索| 岛国视频午夜一区免费看| 国产精品亚洲美女久久久| 一本久久中文字幕| 亚洲自拍偷在线| 久久人妻av系列| 99国产综合亚洲精品| 99视频精品全部免费 在线| 日本撒尿小便嘘嘘汇集6| 亚洲激情在线av| 亚洲国产日韩欧美精品在线观看 | 日韩欧美国产一区二区入口| 亚洲第一电影网av| 90打野战视频偷拍视频| 女同久久另类99精品国产91| 97超级碰碰碰精品色视频在线观看| 国产欧美日韩一区二区三| 91在线观看av| 男人的好看免费观看在线视频| 久久人人精品亚洲av| 国产综合懂色| 国产黄色小视频在线观看| 国产一级毛片七仙女欲春2| 久久草成人影院| 久久精品影院6| 欧美激情久久久久久爽电影| 熟女人妻精品中文字幕| 黄色女人牲交| 欧美日本视频| 给我免费播放毛片高清在线观看| 美女免费视频网站| 国产欧美日韩精品一区二区| 免费搜索国产男女视频| 欧美+亚洲+日韩+国产| 99久久成人亚洲精品观看| 国产精品精品国产色婷婷| 国产精品久久久久久久电影 | 欧美黄色片欧美黄色片| 免费看光身美女| 99精品久久久久人妻精品| av中文乱码字幕在线| 亚洲av不卡在线观看| 日韩欧美一区二区三区在线观看| 观看免费一级毛片| 丰满的人妻完整版| 国产成人a区在线观看| 88av欧美| 国产精品野战在线观看| 亚洲狠狠婷婷综合久久图片| 韩国av一区二区三区四区| 免费观看人在逋| 网址你懂的国产日韩在线| 美女cb高潮喷水在线观看| 精品电影一区二区在线| 日本黄色片子视频| avwww免费| 男女那种视频在线观看| 变态另类丝袜制服| 欧美+日韩+精品| 久久精品91无色码中文字幕| 精品一区二区三区人妻视频| 一级黄片播放器| 在线观看一区二区三区| 久久人妻av系列| 色综合站精品国产| 亚洲va日本ⅴa欧美va伊人久久| 老鸭窝网址在线观看| av在线蜜桃| 国产97色在线日韩免费| 日本 av在线| 午夜精品一区二区三区免费看| a级毛片a级免费在线| 在线十欧美十亚洲十日本专区| 美女cb高潮喷水在线观看| 欧美日本亚洲视频在线播放| 亚洲久久久久久中文字幕| www.999成人在线观看| 国产精品99久久99久久久不卡| e午夜精品久久久久久久| АⅤ资源中文在线天堂| 黄色成人免费大全| 国产97色在线日韩免费| 19禁男女啪啪无遮挡网站| 国产精品亚洲一级av第二区| 亚洲欧美精品综合久久99| 国产精品爽爽va在线观看网站|