• <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SARIMA-VMD-LSSVM的水產(chǎn)養(yǎng)殖溶解氧質(zhì)量濃度預(yù)測

    2024-09-24 00:00:00唐毅徐全杜彬王磊袁瑞豪袁禹
    江蘇農(nóng)業(yè)學(xué)報 2024年8期

    收稿日期:2023-05-25

    基金項目:四川省科技成果轉(zhuǎn)移轉(zhuǎn)化示范項目(2020ZHCG0076);工業(yè)控制技術(shù)國家重點實驗室開放課題(ICT2022B45)

    作者簡介:唐 毅(1997-),男,四川江油人,碩士,主要研究方向為機器學(xué)習(xí)、智能水產(chǎn)養(yǎng)殖。(Tel)13320889755;(E-mail)tangyi970516@163.com

    通訊作者:徐 全,(E-mail)quanxnjd@sina.com

    摘要: 為了充分利用溶解氧質(zhì)量濃度的數(shù)據(jù)特征,進(jìn)一步提高水產(chǎn)養(yǎng)殖中溶解氧質(zhì)量濃度預(yù)測的準(zhǔn)確性,提出“線性與非線性”與“分解-預(yù)測-集成”相結(jié)合的溶解氧質(zhì)量濃度預(yù)測模型。該模型首先由季節(jié)性差分自回歸滑動平均(SARIMA)模型對溶解氧質(zhì)量濃度隨著時間變化而組成的數(shù)據(jù)序列(簡稱溶解氧質(zhì)量濃度的時間序列)進(jìn)行線性擬合,使用變分模態(tài)分解(VMD)對殘差序列進(jìn)行分解,然后將各殘差分量代入經(jīng)改進(jìn)的灰狼算法(IGWO)優(yōu)化的最小二乘支持向量機模型(LSSVM)中,得到非線性分量的預(yù)測結(jié)果。最后集成線性與非線性預(yù)測結(jié)果,得到最終的溶解氧質(zhì)量濃度預(yù)測值。結(jié)果表明,與SARIMA、LSSVM、VMD-LSSVM模型相比,基于SARIMA-VMD-LSSVM模型對溶解氧質(zhì)量濃度進(jìn)行預(yù)測的精度顯著提高,預(yù)測的均方根誤差(RMSE)為0.078 7,平均相對誤差(MAPE)為0.022 6,說明該組合模型可有效提取溶解氧質(zhì)量濃度的時間序列的多尺度特征,從而更精準(zhǔn)地進(jìn)行溶解氧質(zhì)量濃度的預(yù)測。

    關(guān)鍵詞: 水產(chǎn)養(yǎng)殖;溶解氧;變分模態(tài)分解;組合預(yù)測方法;改進(jìn)的灰狼算法

    中圖分類號: TP391;S912 文獻(xiàn)標(biāo)識碼: A 文章編號: 1000-4440(2024)08-1473-10

    PredictiMNP/kEgoEFb0DjfORnWYag==on of dissolved oxygen mass concentration in aquaculture based on SARIMA-VMD-LSSVM

    TANG Yi, XU Quan, DU Bin, WANG Lei, YUAN Ruihao, YUAN Yu

    (School of Mechanical Engineering, Xihua University, Chengdu 610039, China)

    Abstract: In order to make full use of the data characteristics of dissolved oxygen mass concentration and further improve the accuracy of dissolved oxygen mass concentration prediction in aquaculture, a dissolved oxygen mass concentration prediction model combining "linear and nonlinear" and "decomposition-prediction-integration" was proposed. Firstly, the seasonal auto regressive integrated moving average (SARIMA) model was used to linearly fit the dissolved oxygen mass concentration time series, and the residual sequence was decomposed using variational mode decomposition (VMD). Then, each residual component was substituted into the least square support vector machine (LSSVM) model optimized by the improved gray wolf algorithm (IGWO) to obtain the prediction results of the nonlinear component. Finally, the linear and nonlinear prediction results were integrated to obtain the final dissolved oxygen mass concentration prediction value. Experimental results showed that compared with SARIMA, LSSVM, and VMD-LSSVM models, the prediction accuracy of SARIMA-VMD-LSSVM model was significantly improved. The root mean square error (RMSE) was 0.078 7, and the mean absolute percentage error (MAPE) was 0.022 6, indicating that the combined model could effectively extract the multi-scale features of the time series of dissolved oxygen mass concentration, and achieve more accurate prediction.

    Key words: aquaculture;dissolved oxygen;variational mode decomposition;combinatorial forecasting methods;improved gray wolf algorithm

    在水產(chǎn)養(yǎng)殖中,溶解氧含量是養(yǎng)殖戶關(guān)心的重要參數(shù)之一,其含量過高或不足,都會嚴(yán)重影響水生生物的生長與健康,直接決定著養(yǎng)殖對象的產(chǎn)量和品質(zhì)。目前,調(diào)節(jié)溶解氧含量常用的方法有實時或定時調(diào)節(jié),然而由于數(shù)據(jù)傳輸及增氧機的啟動與停止都存在滯后性,僅依據(jù)現(xiàn)有數(shù)據(jù)進(jìn)行溶解氧含量的調(diào)節(jié),不僅難以改善水質(zhì),還可能引起水質(zhì)指標(biāo)的波動,不利于水生生物的健康[1]。因此,溶解氧含量的預(yù)測,能夠幫助養(yǎng)殖戶及時調(diào)控水質(zhì)、優(yōu)化養(yǎng)殖管理,最大限度地發(fā)揮水生生物的生產(chǎn)潛力,提高生產(chǎn)效益。

    目前,統(tǒng)計預(yù)測、機器學(xué)習(xí)預(yù)測及組合模型預(yù)測等方法是對溶解氧含量進(jìn)行預(yù)測的主要方法。其中,差分自回歸滑動平均(ARIMA)模型是統(tǒng)計預(yù)測中最常使用的模型,如Park等[2]使用ARIMA模型對洛東江口水質(zhì)進(jìn)行預(yù)測。隨著機器學(xué)習(xí)技術(shù)的不斷發(fā)展,其在數(shù)據(jù)預(yù)測領(lǐng)域的應(yīng)用也越來越廣泛,在對水質(zhì)的預(yù)測中也取得了不錯的效果,例如,張夢迪等[3]用反向傳播(BP)神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)了對多水質(zhì)參數(shù)的預(yù)測;龔懷瑾等[4]使用變尺度混沌搜索優(yōu)化的最小二乘支持向量機(LSSVM)模型,實現(xiàn)了對溶解氧含量的預(yù)測。然而,單一模型難以全面有效地表征溶解氧質(zhì)量濃度隨著時間變化而組成的數(shù)據(jù)序列(簡稱溶解氧質(zhì)量濃度的時間序列)的特征。因此,針對溶解氧含量的非線性與非平穩(wěn)特征,“分解-預(yù)測-集成”的組合預(yù)測模型被廣泛應(yīng)用于水質(zhì)預(yù)測中。劉晨等[5]為了降低溶解氧質(zhì)量濃度時間序列的復(fù)雜性,使用集合經(jīng)驗?zāi)B(tài)分解(EEMD),再結(jié)合SVM實現(xiàn)了最終的預(yù)測。白雯睿等[6]將變分模態(tài)分解方法(VMD)與CNN-LSTM模型相結(jié)合,提升了溶解氧含量的預(yù)測精度。然而,上述方法未考慮溶解氧含量的數(shù)據(jù)特征,且在模型的選擇上未考慮預(yù)測的時效性。

    為了彌補上述單一模型與組合模型在水質(zhì)預(yù)測中的不足,本研究提出1種基于季節(jié)性差分自回歸滑動平均(SARIMA)-VMD-LSSVM的短時溶解氧質(zhì)量濃度組合預(yù)測模型。SARIMA模型能夠識別具有周期性與非平穩(wěn)時間序列的線性規(guī)律,且結(jié)構(gòu)簡單,使用少量數(shù)據(jù)便可進(jìn)行預(yù)測。VMD分解算法可用于充分削弱序列的非線性特征,同時能起到降噪的作用。LSSVM模型的訓(xùn)練速度快,適用于非線性回歸問題,且對少量數(shù)據(jù)建模具有一定的優(yōu)勢。因此,本研究擬通過將3種算法進(jìn)行串聯(lián)組合用于水產(chǎn)養(yǎng)殖中溶解氧質(zhì)量濃度的預(yù)測,并引入改進(jìn)的灰狼算法優(yōu)化LSSVM模型,以期避免LSSVM參數(shù)選擇的盲目性,進(jìn)一步提升預(yù)測精度。

    1 基本理論與模型的構(gòu)建

    1.1 SARIMA模型

    SARIMA模型是由Jenkins與Box提出的一種時間序列預(yù)測模型,由自回歸模型(AR)與移動平均模型(MA)逐步發(fā)展而來,這類模型融合了時間序列分析和回歸分析的優(yōu)點,并在此基礎(chǔ)上進(jìn)一步發(fā)展,適用于存在周期性與非平穩(wěn)性的序列,其一般形式如下:

    1.4.2 改進(jìn)的灰狼優(yōu)化算法 GWO作為一種元啟發(fā)式優(yōu)化算法,可以用來優(yōu)化LSSVM的懲罰參數(shù)γ、σ。然而,GWO算法與大多數(shù)智能算法一樣,存在后期收斂速度慢、易陷入局部最優(yōu)解等問題。因此,本研究引入非線性收斂因子,并結(jié)合麻雀算法中的探索者以提升算法跳出局部最優(yōu)的能力與收斂速度。

    (1)非線性收斂因子。在GWO算法中,收斂因子a從2到0線性遞減,無法對全局與局部搜索能力進(jìn)行平衡。非線性收斂因子呈拋物線狀遞減,有利于提升全局搜索能力,在迭代后期快速遞減,有利于提升局部搜索能力。

    a=2-2sinttmaxsin1μ(18)

    式中,μ為調(diào)節(jié)系數(shù),μ=0.5。

    (2)麻雀算法優(yōu)化。本研究將麻雀算法中探索者的大范圍搜索能力引入灰狼算法[10],用于進(jìn)一步提升GWO算法的搜索范圍與收斂能力。具體步驟如下:

    步驟1:根據(jù)比例系數(shù)(ζ),將狼群劃分為探索者狼群與跟隨者狼群。

    ζ=PNN-PN(19)

    式中,N為灰狼總數(shù);PN表示位置較好的探索者灰狼數(shù)量。

    步驟2:探索者灰狼位置更新。

    X(t+1)=X(t)e-tζ·tmax(20)

    式中,ζ為[0,1]范圍內(nèi)的隨機值。

    步驟3:其他灰狼仍按照原灰狼優(yōu)化算法進(jìn)行位置更新。

    1.4.3 改進(jìn)的灰狼算法(IGWO)優(yōu)化LSSVM 采用IGWO優(yōu)化LSSVM的懲罰參數(shù)(γ)和徑向基寬度(σ),并以LSSVM最小均方差函數(shù)(MSE)作為目標(biāo)函數(shù),其表達(dá)式見公式(21)。

    minf(γ,σ)=1m∑mi=1(xi-x^i)2(21)

    式(21)中,xi表示真實值;x^i表示預(yù)測值。

    使用IGWO優(yōu)化LSSVM模型的具體步驟如下:

    步驟1:初始化參數(shù)。生成20只灰狼,每只灰狼對應(yīng)1組LSSVM的γ、σ,設(shè)置其取值范圍為(0.01~1 000.00),設(shè)置最大迭代次數(shù)為100。

    步驟2:尋找最佳獵物。從第1只灰狼開始,根據(jù)公式(21)計算適應(yīng)度,并按照適應(yīng)度高低劃分灰狼等級,適應(yīng)度較佳的前3匹狼分別表示為α狼、β狼、δ狼,剩下的狼則全為ω狼。

    步驟3:位置更新。根據(jù)公式(20)對探索者灰狼進(jìn)行位置更新,根據(jù)公式(17)對其他灰狼進(jìn)行位置更新。

    步驟4:判斷是否達(dá)到最大迭代次數(shù),若達(dá)到,則輸出最優(yōu)參數(shù)組合。

    1.5 SARIMA-VMD-LSSVM模型的構(gòu)建

    溶解氧質(zhì)量濃度時序數(shù)據(jù)具有線性與非線性特征[11],同時也存在周期性與非平穩(wěn)性特征。由于單一模型無法適應(yīng)所有特征結(jié)構(gòu)的數(shù)據(jù),因此擬合結(jié)果不佳。為了兼顧溶解氧質(zhì)量濃度的所有數(shù)據(jù)特征,本研究提出基于SARIMA-VMD-LSSVM模型的水產(chǎn)養(yǎng)殖溶解氧質(zhì)量濃度組合預(yù)測模型。其中,SARIMA模型能夠較好地體現(xiàn)時間序列的線性與周期性特征,且結(jié)構(gòu)簡單;LSSVM模型訓(xùn)練速度快,適用于非線性回歸問題。因此,本研究將SARIMA模型與LSSVM模型進(jìn)行串聯(lián)結(jié)合,以充分發(fā)揮各模型的能力。然而,SARIMA模型擬合后的殘差序列匯聚了溶解氧質(zhì)量濃度時間序列的非線性特征,且整體呈現(xiàn)出白噪聲特性,因此在進(jìn)行LSSVM模型訓(xùn)練之前,本研究引入VMD分解算法對殘差序列進(jìn)行進(jìn)一步的特征提取,以降低其非線性帶來的影響,增強可預(yù)測性。SARIMA-VMD-LSSVM組合模型的結(jié)構(gòu)如圖1所示。

    SARIMA-VMD-LSSVM模型的預(yù)測步驟具體如下:

    步驟1:SARIMA建模及預(yù)測。根據(jù)SARIMA模型建模步驟,確定SARIMA模型參數(shù),并對溶解氧質(zhì)量濃度的時間序列(xt)進(jìn)行擬合與預(yù)測,得到擬合序列{lt}與預(yù)測值(l^),借助公式(22)得到殘差序列{et}:

    et=xt-lt(22)

    步驟2:VMD分解。對{et}進(jìn)行VMD分解,得到K個殘差分量{IMF1}、{IMF2}、… 、{IMFK}。

    步驟3:LSSVM建模及預(yù)測。以{IMF1}、{IMF2}、… 、{IMFK}作為樣本集,對LSSVM進(jìn)行訓(xùn)練和預(yù)測,得到各殘差分量的預(yù)測值{IMF^1}、{IMF^2}、… 、{IMF^K}。

    步驟4:結(jié)合SARIMA預(yù)測值和各殘差分量LSSVM預(yù)測值,得到最終預(yù)測值(Y^),即Y^=l^+IMF^1+IMF^2+…+IMF^K。

    1.6 評價指標(biāo)

    對在本研究中模型的預(yù)測精度與誤差使用平均絕對百分比誤差(MAPE)、均方根誤差(RMSE)進(jìn)行評估,其值越小,表明模型的性能越好。

    MAPE=1m∑mi=1xi-x^ixi(23)

    RMSE=1m∑mi=1(xi-x^i)2(24)

    2 實例分析

    2.1 數(shù)據(jù)來源

    本研究采用的數(shù)據(jù)集來自文獻(xiàn)[12]中報道的海南省陵水黎族自治縣水產(chǎn)養(yǎng)殖基地收集的真實溶解氧質(zhì)量濃度數(shù)據(jù),并對溶解氧質(zhì)量濃度數(shù)據(jù)集進(jìn)行下采樣處理,每隔30 min采集1次,試驗數(shù)據(jù)共計2 985條。其中連續(xù)6 d的溶解氧質(zhì)量濃度的時間序列如圖2所示。劃分訓(xùn)練集與測試集的比例為8∶2,其中測試集用于進(jìn)一步驗證經(jīng)訓(xùn)練集訓(xùn)練后的溶解氧質(zhì)量濃度預(yù)測模型的性能。

    需要說明的是,本研究采用的預(yù)測方式是單步預(yù)測,即通過歷史時刻對下個時刻的預(yù)測值進(jìn)行預(yù)測。由于樣本點過多,為了更好地展示溶解氧質(zhì)量濃度序列的處理過程,下文中每個窗口僅展示其中連續(xù)的500個樣本點。同時,為了更好地對比最終預(yù)測結(jié)果與實測值之間的差異,預(yù)測結(jié)果的圖窗僅展示200個連續(xù)樣本點,但仍然使用全部測試集作為模型最終的評價標(biāo)準(zhǔn)。

    仿真平臺具體參數(shù):Window 10操作系統(tǒng),4核1.80 GHz CPU,MatlabR 2022b。

    2.2 SARIMA線性預(yù)測

    2.2.1 平穩(wěn)化處理 首先通過MATLAB中的adftest函數(shù)對溶解氧質(zhì)量濃度的時間序列進(jìn)行單位根檢測(ADF),此時P=0.054 0(P>0.05),可知此時原溶解氧質(zhì)量濃度的時間序列為非平穩(wěn)序列。對溶解氧質(zhì)量濃度的時間序列進(jìn)行1階差分處理后,P=0.001 0(P<0.05),此時溶解氧質(zhì)量濃度的時間序列整體表現(xiàn)平穩(wěn)。如圖3所示,1階差分處理后的溶解氧質(zhì)量濃度的時間序列仍存在周期性變化,因此還需對其進(jìn)行1階季節(jié)性差分處理,結(jié)果如圖4所示。

    2.2.2 SARIMA模型參數(shù)定階 對溶解氧質(zhì)量濃度時間序列進(jìn)行1階差分與1階季節(jié)性差分處理,則d=0或1,D=0或1。溶解氧質(zhì)量濃度采樣頻率為1次間隔0.5 h,則s=48。由圖5a可以看出,在延遲階數(shù)為1階、48階時溶解氧質(zhì)量濃度的時間序列數(shù)據(jù)與歷史數(shù)據(jù)具有較強的相關(guān)性,即q=0或1,Q=0或1。由圖5b可以看出,在延遲階數(shù)為1階、2階時具有較強相關(guān)性,即p=0~2,在48階、96階、144階時溶解氧質(zhì)量濃度的時間序列數(shù)據(jù)與歷史數(shù)據(jù)具有較強相關(guān)性,即P的取值范圍為0~3。

    根據(jù)參數(shù)p、d、q、P、D、Q的初步定階結(jié)果,用SPSS中的正態(tài)貝葉斯信息量準(zhǔn)則(BIC)確定最佳取值。正態(tài)BIC同時考慮模型擬合度與模型復(fù)雜度,其數(shù)值越小,表明模型越佳。最小正態(tài)BIC為-3.408,此時對應(yīng)的最佳擬合度的模型為SARIMA(2,1,0)(1,1,1)48。

    2.2.3 SARIMA對溶解氧質(zhì)量濃度的預(yù)測 用SARIMA(2,1,0)(1,1,1)48對溶解氧質(zhì)量濃度的時間序列進(jìn)行預(yù)測,結(jié)果如圖6所示。同時得到預(yù)測后剩余的殘差序列,整體呈現(xiàn)白噪聲特征(圖7)。

    2.3 VMD分解

    本研究依據(jù)最小峭度準(zhǔn)則[13],得到溶解氧質(zhì)量濃度殘差序列的最佳分解層數(shù)為6。由圖8可以看出,各分量數(shù)據(jù)雖依舊保持較高頻率,但VMD分解依舊能夠分解出不同頻率的信號,且更具有規(guī)律性,由此提升了殘差數(shù)據(jù)的可預(yù)測性。

    2.4 IGWO-LSSVM殘差預(yù)測

    為了避免數(shù)據(jù)冗余帶來的影響,本研究用偏自相關(guān)系數(shù)(PACF)確定各分量的最佳嵌入維數(shù)。如圖9所示,前3個延遲(Lag)的偏自相關(guān)系數(shù)絕對值都大于0.6,說明IMF1時間序列在任意時刻的值都與其前3個歷史時刻的值密切相關(guān),因此取最佳嵌入維數(shù)(m)=3。同理,得到IMF2~I(xiàn)MF6的最佳嵌入維數(shù),分別為4、4、4、4、3。

    通過IGWO確定各殘差分量的最佳LSSVM模型參數(shù),詳見表1。對各殘差分量進(jìn)行LSSVM建模預(yù)測,并將各分量的預(yù)測結(jié)果疊加,得到最終殘差序列的預(yù)測結(jié)果,如圖10所示。

    基于上述SARIMA模型,得到線性預(yù)測結(jié)果,其中通過LSSVM模型預(yù)測得到非線性結(jié)果,只需將2個分量進(jìn)行集成,便可得到最終溶解氧質(zhì)量濃度的預(yù)測值,結(jié)果見圖11。

    2.5 模型對比分析

    2.5.1 不同模型的對比分析 為了驗證本研究所提模型的預(yù)測性能,將SARIMA-VMD-LSSVM模型與單一模型SARIMA、LSSVM及組合模型VMD-LSSVM進(jìn)行對比分析。如圖12所示,4種模型都能較好地預(yù)測溶解氧質(zhì)量濃度的變化趨勢,但是也能明顯看出,SARIMA與LSSVM模型在轉(zhuǎn)折點的精度較差,這是由于單一模型難以學(xué)習(xí)到轉(zhuǎn)折點的信息。此外還可以看出,VMD-LSSVM與SARIMA-VMD-LSSVM的擬合程度較好。

    進(jìn)一步計算出4種模型的平均相對誤差(MAPE)、均方根誤差(RMSE)并記錄某一時刻所需的運行時間。如表2所示,與SARIMA、LSSVM模型相比,VMD-LSSVM、SARIMA-VMD-LSSVM組合模型的MAPE、RMSE明顯降低,其中SARIMA-VMD-LSSVM模型相較于VMD-LSSVM模型有更好的預(yù)測精度,說明本研究提出的模型能更加充分地挖掘溶解氧質(zhì)量濃度的數(shù)據(jù)特征。由表2還可以看出,SARIMA-VMD-LSSVM組合模型整體預(yù)測時間僅有12.957 2 s,可見該組合模型適用于溶解氧質(zhì)量濃度的短時間預(yù)測。

    2.5.2 不同優(yōu)化算法的對比 為了驗證改進(jìn)灰狼算法的有效性,本研究選用粒子群優(yōu)化算法(PSO)、蟻群優(yōu)化算法(ALO)、灰狼優(yōu)化算法(GWO)、改進(jìn)灰狼優(yōu)化算法(IGWO)分別對LSSVM懲罰參數(shù)和徑向基寬度參數(shù)進(jìn)行尋優(yōu),并用優(yōu)化后的LSSVM模型對SARIMA擬合后的溶解氧質(zhì)量濃度殘差序列進(jìn)行預(yù)測。由于殘差序列中存在值為0的情況,因此僅采用RMSE作為評價指標(biāo)。在本研究中,設(shè)立種群數(shù)量為20個,最大迭代次數(shù)為100次。

    對用4種優(yōu)化方法預(yù)測溶解氧質(zhì)量濃度殘差序列的結(jié)果與真實殘差值(表3)進(jìn)行比較發(fā)現(xiàn),使用固定超參數(shù)的LSSVM模型的RMSE明顯較大,擬合程度不高,說明不同殘差分量所需的LSSVM模型各不相同。加入優(yōu)化算法后,RMSE減小,整體預(yù)測效果提升。由于LSSVM超參數(shù)較少,僅為二維,因此優(yōu)化后的LSSVM模型預(yù)測效果相近,但仍然能看出IGWO-LSSVM模型的RMSE低于其他模型,其原因是對于其他模型而言,某些殘差分量難以找到最優(yōu)LSSVM模型,從而陷入局部最優(yōu)。

    為了進(jìn)一步驗證IGWO的有效性,選取Sphere單峰函數(shù)、Ackely多峰函數(shù)和Griewank多峰函數(shù)進(jìn)行測試[14],并將測試結(jié)果與PSO、ALO、GWO算法所得結(jié)果進(jìn)行比較,設(shè)各算法的種群規(guī)模為50個,最大迭代次數(shù)為100次。由表4可以看出,IGWO在不同測試函數(shù)中整體上有相對較好的尋優(yōu)結(jié)果,其在不同維度下的Sphere函數(shù)的尋優(yōu)精度較PSO、ALO和GWO算法高1~14個數(shù)量級。在不同維度下,Ackely函數(shù)IGWO算法的尋優(yōu)精度比PSO、ALO和GWO算法高1~17個數(shù)量級。在Griewank函數(shù)中,IGWO算法在10~100維范圍均獲得理論最優(yōu)值0;在300維,其理論最優(yōu)值相較于PSO、ALO、GWO至少提升了7個數(shù)量級。由此可見,IGWO具有更好的全局搜索能力與收斂速度。

    3 結(jié)論

    為了充分利用溶解氧質(zhì)量濃度的數(shù)據(jù)特征,進(jìn)一步提升溶解氧質(zhì)量濃度的預(yù)測精度,本研究將SARIMA模型、VMD模型與LSSVM模型相結(jié)合,同時引入改進(jìn)的灰狼優(yōu)化算法(IGWO),構(gòu)建了用于預(yù)測水產(chǎn)養(yǎng)殖中溶解氧質(zhì)量濃度的模型,得出以下結(jié)論:(1)通過改進(jìn)GWO的收斂因子,并結(jié)合麻雀優(yōu)化算法,有效提升了灰狼優(yōu)化算法的尋優(yōu)能力。避免了LSSVM參數(shù)設(shè)定的盲目性,減少了人工選擇參數(shù)的主觀影響。(2)將SARIMA模型、VMD模型與LSSVM模型3種模型結(jié)合,有效地表征了溶解氧質(zhì)量濃度時間序列的周期性、線性、非線性與非平穩(wěn)性特征。結(jié)果顯示,SARIMA-VMD-LSSVM模型的評價指標(biāo)優(yōu)于其單一模型與VMD-LSSVM模型,表明該組合模型更能有效挖掘溶解氧質(zhì)量濃度的數(shù)據(jù)特征。(3)本研究中組合模型的主要預(yù)測原理為SARIMA、LSSVM,兩者都有較快的計算速度。試驗結(jié)果表明,組合模型總用時為12.957 2 s,適合用于溶解氧質(zhì)量濃度的短時預(yù)測。本研究主要針對溶解氧質(zhì)量濃度單因子進(jìn)行研究,未來將嘗試將其與其他水質(zhì)因子結(jié)合,以進(jìn)一步提升預(yù)測精度。此外,還可以結(jié)合嵌入式、網(wǎng)絡(luò)通信和自動控制等技術(shù),實現(xiàn)溶解氧質(zhì)量濃度的在線預(yù)測與管控。

    參考文獻(xiàn):

    [1] 謝雨茜, 李 路, 朱 明,等. 基于EMD與K-means的ILSTM模型在池塘溶解氧預(yù)測中的應(yīng)用[J]. 華中農(nóng)業(yè)大學(xué)學(xué)報(自然科學(xué)版),2022,41(3):200-210.

    [2] PARK K D, KANG D H, SO Y, et al. Water quality prediction using the ARIMA time series analysis model in the Nakdong River estuary[C]. San Francisco: AGU Fall Meeting Abstracts,2019.

    [3] 張夢迪,徐 慶,劉振鴻,等. 基于動態(tài)滑動窗口BP神經(jīng)網(wǎng)絡(luò)的水質(zhì)時間序列預(yù)測[J]. 環(huán)境工程技術(shù)學(xué)報,2022,12(3):809-815.

    [4] 龔懷瑾,毛 力,楊 弘. 基于變尺度混沌QPSO-LSSVM的水質(zhì)溶氧預(yù)測建模[J]. 計算機與應(yīng)用化學(xué), 2013,30(3):315-318.

    [5] 劉 晨,李 莎,叢孫麗,等. 基于EEMD和螢火蟲算法優(yōu)化SVM的溶解氧預(yù)測[J]. 計算機仿真, 2021,38(1):359-365.

    [6] 白雯睿,楊毅強,郭 輝,等. 基于VMD-CNN-LSTM的珠江流域水質(zhì)多步預(yù)測模型研究[J]. 四川輕化工大學(xué)學(xué)報(自然科學(xué)版),2022,35(4):66-74.

    [7] DRAGOMIRETSKIY K, ZOSSO D. Variational mode decomposition[J]. IEEE Transactions on Signal Processing,2014,62(3):531-544.

    [8] LUO H, PAAL S G. Metaheuristic least squares support vector machine-based lateral strength modelling of reinforced concrete columns subjected to earthquake loads[J]. Structures,2021,33:748-758.

    [9] MIRJALILI S, MIRJALILI S M, LEWIS A. Grey wolf optimizer[J]. Advances in Engineering Software,2014,69(3):46-61.

    [10]高 兵,鄭 雅,秦 靜, 等. 基于麻雀搜索算法和改進(jìn)粒子群優(yōu)化算法的網(wǎng)絡(luò)入侵檢測算法[J]. 計算機應(yīng)用,2022,42(4):1201-1206.

    [11]胡衍坤,王 寧,劉 樞,等. 時間序列模型和LSTM模型在水質(zhì)預(yù)測中的應(yīng)用研究[J]. 小型微型計算機系統(tǒng),2021,42(8):1589-1573.

    [12]LIU J T, YU C, HU Z H, et al. Accurate prediction scheme of water quality in smart mariculture with deep Bi-S-SRU learning network[J]. Ieee Access,2020,8(99):24784-24798.

    [13]鄭 圓,胡建中,賈民平,等. 一種基于參數(shù)優(yōu)化變分模態(tài)分解的滾動軸承故障特征提取方法[J]. 振動與沖擊,2020,39(21):195-202.

    [14]崔東文,袁樹堂. 基于WPD-AHA-ELM模型的水質(zhì)時間序列多步預(yù)測[J]. 三峽大學(xué)學(xué)報(自然科學(xué)版),2023,45(1):6-13.

    (責(zé)任編輯:徐 艷)

    久久精品夜色国产| 交换朋友夫妻互换小说| 亚洲精品色激情综合| 国产深夜福利视频在线观看| 日韩中字成人| 国产免费视频播放在线视频| 欧美变态另类bdsm刘玥| 欧美精品一区二区免费开放| 我要看黄色一级片免费的| 少妇的逼水好多| 免费观看a级毛片全部| 最后的刺客免费高清国语| 久久久久久久亚洲中文字幕| av在线观看视频网站免费| 精品午夜福利在线看| 一级av片app| 寂寞人妻少妇视频99o| 嫩草影院新地址| 亚洲三级黄色毛片| 少妇被粗大猛烈的视频| 国产淫片久久久久久久久| 国产成人freesex在线| 有码 亚洲区| 最近手机中文字幕大全| 高清视频免费观看一区二区| 色吧在线观看| 丝袜在线中文字幕| 我的老师免费观看完整版| 亚洲色图综合在线观看| 在线观看人妻少妇| 免费人妻精品一区二区三区视频| 99九九在线精品视频 | 成年人午夜在线观看视频| 尾随美女入室| 又粗又硬又长又爽又黄的视频| 亚洲av不卡在线观看| 美女大奶头黄色视频| 国产精品久久久久久av不卡| 丰满人妻一区二区三区视频av| 蜜桃在线观看..| 搡女人真爽免费视频火全软件| 在线免费观看不下载黄p国产| av福利片在线观看| 性色avwww在线观看| 精品一区二区三卡| 国产成人91sexporn| 国产美女午夜福利| 国产男女超爽视频在线观看| 欧美日韩视频高清一区二区三区二| 久久精品熟女亚洲av麻豆精品| 少妇丰满av| 欧美xxxx性猛交bbbb| .国产精品久久| 亚洲欧洲精品一区二区精品久久久 | 男女免费视频国产| 精品少妇内射三级| 伦精品一区二区三区| 成人特级av手机在线观看| 欧美一级a爱片免费观看看| 日韩不卡一区二区三区视频在线| 久久99热6这里只有精品| 亚洲在久久综合| 男女边吃奶边做爰视频| 日韩一区二区三区影片| 黑丝袜美女国产一区| 最近中文字幕高清免费大全6| 久久久亚洲精品成人影院| 国产伦在线观看视频一区| 久久精品夜色国产| 亚洲精品乱久久久久久| 国产有黄有色有爽视频| 一本久久精品| 制服丝袜香蕉在线| 精品一区在线观看国产| 国产在线男女| 高清av免费在线| 国产精品不卡视频一区二区| 久久精品国产亚洲av天美| 99久久精品国产国产毛片| 日韩中文字幕视频在线看片| 亚洲国产欧美日韩在线播放 | 久久久国产欧美日韩av| 免费在线观看成人毛片| 国产精品熟女久久久久浪| 亚洲va在线va天堂va国产| 午夜91福利影院| 亚洲精品国产成人久久av| 久久人人爽人人爽人人片va| 精品国产乱码久久久久久小说| 国产一区二区在线观看日韩| 男人舔奶头视频| 欧美亚洲 丝袜 人妻 在线| 国内少妇人妻偷人精品xxx网站| 国产高清不卡午夜福利| 日韩熟女老妇一区二区性免费视频| 黄色配什么色好看| 亚洲国产精品999| 日韩在线高清观看一区二区三区| 精品一区二区三卡| 赤兔流量卡办理| 免费少妇av软件| 欧美xxxx性猛交bbbb| 亚洲国产色片| 王馨瑶露胸无遮挡在线观看| 中文精品一卡2卡3卡4更新| 久久久久视频综合| 国产精品三级大全| 国产亚洲91精品色在线| 亚洲av福利一区| 久久人人爽人人爽人人片va| a级毛片免费高清观看在线播放| 色哟哟·www| 2018国产大陆天天弄谢| 国产精品三级大全| 色吧在线观看| 在线观看三级黄色| 夜夜骑夜夜射夜夜干| 成人影院久久| 国产亚洲午夜精品一区二区久久| 菩萨蛮人人尽说江南好唐韦庄| 黄片无遮挡物在线观看| 久久免费观看电影| 日本-黄色视频高清免费观看| 国产在线视频一区二区| 久久精品国产亚洲av天美| 男人狂女人下面高潮的视频| 97精品久久久久久久久久精品| 中文字幕精品免费在线观看视频 | av免费在线看不卡| 这个男人来自地球电影免费观看 | 免费大片黄手机在线观看| 免费看不卡的av| 人妻 亚洲 视频| 十八禁高潮呻吟视频 | 亚洲美女搞黄在线观看| 免费黄频网站在线观看国产| 国产色婷婷99| 国产av一区二区精品久久| av在线老鸭窝| 伊人久久国产一区二区| 99久久人妻综合| 美女视频免费永久观看网站| 天堂俺去俺来也www色官网| 亚洲人与动物交配视频| 99热这里只有是精品在线观看| 国内精品宾馆在线| 一二三四中文在线观看免费高清| 色哟哟·www| 丰满乱子伦码专区| 看非洲黑人一级黄片| 日韩一本色道免费dvd| 日本av免费视频播放| 日产精品乱码卡一卡2卡三| 亚洲精品,欧美精品| 亚洲欧美精品专区久久| 五月伊人婷婷丁香| 精品国产一区二区久久| av免费在线看不卡| 菩萨蛮人人尽说江南好唐韦庄| av又黄又爽大尺度在线免费看| 国产成人91sexporn| 丰满人妻一区二区三区视频av| 国产男人的电影天堂91| 精品久久国产蜜桃| 亚洲精品国产成人久久av| 国产精品三级大全| 搡老乐熟女国产| av天堂久久9| 日韩伦理黄色片| 亚洲国产av新网站| 国产成人精品婷婷| 天美传媒精品一区二区| 激情五月婷婷亚洲| 成人18禁高潮啪啪吃奶动态图 | 热re99久久精品国产66热6| 三级国产精品片| 免费看av在线观看网站| 久久精品国产亚洲网站| 欧美日韩亚洲高清精品| 亚洲国产成人一精品久久久| 欧美日韩亚洲高清精品| 中文字幕免费在线视频6| av黄色大香蕉| tube8黄色片| 日韩电影二区| 国产精品不卡视频一区二区| 国产毛片在线视频| 十八禁网站网址无遮挡 | 最新中文字幕久久久久| av网站免费在线观看视频| 久久久久久久久久久免费av| 女人久久www免费人成看片| 成人亚洲精品一区在线观看| 欧美日本中文国产一区发布| 夜夜看夜夜爽夜夜摸| av网站免费在线观看视频| 日韩中字成人| 亚洲自偷自拍三级| 天堂8中文在线网| 中文字幕av电影在线播放| 亚洲精品国产av成人精品| 在线观看www视频免费| 日韩在线高清观看一区二区三区| 国产精品国产三级专区第一集| 91久久精品国产一区二区三区| 亚洲精品第二区| 中文字幕亚洲精品专区| 日韩在线高清观看一区二区三区| 中文欧美无线码| 国产精品99久久99久久久不卡 | 日韩欧美一区视频在线观看 | 久久久久国产精品人妻一区二区| 99久久精品一区二区三区| 亚洲精品aⅴ在线观看| 自拍欧美九色日韩亚洲蝌蚪91 | 午夜免费观看性视频| 午夜免费男女啪啪视频观看| 亚洲欧美精品自产自拍| 亚洲综合色惰| 美女cb高潮喷水在线观看| 精品亚洲成国产av| 久久免费观看电影| 3wmmmm亚洲av在线观看| 最近手机中文字幕大全| 少妇被粗大的猛进出69影院 | 男女国产视频网站| 国产精品一区www在线观看| 国产色爽女视频免费观看| 国产精品人妻久久久久久| 亚洲经典国产精华液单| 最新的欧美精品一区二区| 精品国产乱码久久久久久小说| 街头女战士在线观看网站| freevideosex欧美| 九九久久精品国产亚洲av麻豆| 久久人人爽人人爽人人片va| 亚洲精品久久午夜乱码| 国产高清国产精品国产三级| 日日摸夜夜添夜夜爱| 精品少妇内射三级| 精品人妻熟女av久视频| 日日啪夜夜爽| 国产午夜精品一二区理论片| 伦精品一区二区三区| 欧美区成人在线视频| 亚洲欧美一区二区三区黑人 | 丰满迷人的少妇在线观看| 久久久久国产精品人妻一区二区| 伊人久久国产一区二区| 国产精品一区二区在线观看99| 亚洲伊人久久精品综合| 啦啦啦视频在线资源免费观看| 自线自在国产av| 最近中文字幕2019免费版| 菩萨蛮人人尽说江南好唐韦庄| 欧美日韩国产mv在线观看视频| 老熟女久久久| 久久国产精品大桥未久av | 久久精品国产a三级三级三级| 成人亚洲欧美一区二区av| 国产精品国产三级国产av玫瑰| av不卡在线播放| 精品一区二区三卡| 一级,二级,三级黄色视频| 久久综合国产亚洲精品| 夜夜爽夜夜爽视频| 国产精品无大码| 青青草视频在线视频观看| 麻豆乱淫一区二区| 日韩视频在线欧美| 久久久久久久久久久久大奶| 国产黄片视频在线免费观看| 久久精品国产亚洲av天美| 肉色欧美久久久久久久蜜桃| 欧美少妇被猛烈插入视频| 亚洲欧美一区二区三区国产| 欧美激情国产日韩精品一区| 观看av在线不卡| 免费观看性生交大片5| 国产精品久久久久久精品古装| 在线播放无遮挡| 日韩欧美 国产精品| 亚洲综合色惰| 97超视频在线观看视频| 在线观看国产h片| 亚洲欧美日韩卡通动漫| 人妻人人澡人人爽人人| 另类精品久久| 成人综合一区亚洲| 午夜视频国产福利| 欧美日本中文国产一区发布| 中文字幕人妻丝袜制服| 亚洲精品乱码久久久久久按摩| 久久精品国产自在天天线| 菩萨蛮人人尽说江南好唐韦庄| 啦啦啦在线观看免费高清www| 午夜免费鲁丝| 18禁在线无遮挡免费观看视频| 久久 成人 亚洲| 久久精品久久久久久久性| 99久久精品一区二区三区| 男女免费视频国产| 如日韩欧美国产精品一区二区三区 | 国产欧美亚洲国产| 国产黄色免费在线视频| 日本猛色少妇xxxxx猛交久久| 久久久久国产精品人妻一区二区| 国产一区二区三区综合在线观看 | 99久久中文字幕三级久久日本| 国产精品久久久久成人av| 日韩一区二区视频免费看| 国产欧美亚洲国产| 欧美少妇被猛烈插入视频| 青春草国产在线视频| 性高湖久久久久久久久免费观看| 亚洲天堂av无毛| 在线看a的网站| 最近最新中文字幕免费大全7| 一区二区av电影网| 狂野欧美激情性xxxx在线观看| 国产男女内射视频| 一本大道久久a久久精品| 中文字幕制服av| 色5月婷婷丁香| 老司机影院毛片| 国产精品偷伦视频观看了| 国产精品三级大全| 最近手机中文字幕大全| 亚洲精品国产av蜜桃| 亚洲av在线观看美女高潮| 色5月婷婷丁香| 天堂中文最新版在线下载| 国产亚洲5aaaaa淫片| 国内揄拍国产精品人妻在线| 久久精品久久精品一区二区三区| 三级国产精品片| 熟女av电影| 男人舔奶头视频| 久久精品久久久久久噜噜老黄| 国产av码专区亚洲av| 国产在线男女| 日韩一本色道免费dvd| 777米奇影视久久| 久久午夜福利片| 在线亚洲精品国产二区图片欧美 | 国产成人午夜福利电影在线观看| 自线自在国产av| 精品亚洲成a人片在线观看| 国产成人freesex在线| 免费av不卡在线播放| 少妇人妻 视频| 精品少妇内射三级| 最近2019中文字幕mv第一页| 亚洲av成人精品一区久久| 你懂的网址亚洲精品在线观看| 亚洲av.av天堂| 国产在视频线精品| 在线观看人妻少妇| 精品国产一区二区三区久久久樱花| 搡女人真爽免费视频火全软件| 亚洲欧美日韩卡通动漫| 欧美精品亚洲一区二区| 国产成人精品一,二区| 久久久午夜欧美精品| 午夜老司机福利剧场| kizo精华| 亚洲av男天堂| 97精品久久久久久久久久精品| 伊人久久精品亚洲午夜| 日韩av免费高清视频| 精品卡一卡二卡四卡免费| 男人添女人高潮全过程视频| 亚洲欧美精品专区久久| 亚洲欧美清纯卡通| 午夜福利,免费看| 美女国产视频在线观看| 妹子高潮喷水视频| 日本黄大片高清| 成人特级av手机在线观看| 国产爽快片一区二区三区| 日本黄大片高清| 久久6这里有精品| 80岁老熟妇乱子伦牲交| 亚洲国产精品专区欧美| 久久精品国产亚洲网站| 午夜福利网站1000一区二区三区| 国产精品熟女久久久久浪| 性高湖久久久久久久久免费观看| 大陆偷拍与自拍| 99九九线精品视频在线观看视频| 国产深夜福利视频在线观看| 男女啪啪激烈高潮av片| 美女内射精品一级片tv| 国产午夜精品一二区理论片| 极品人妻少妇av视频| 国产视频内射| 日本-黄色视频高清免费观看| 嫩草影院新地址| 久久久精品免费免费高清| 国内揄拍国产精品人妻在线| 亚洲精品第二区| 中文字幕人妻丝袜制服| 国精品久久久久久国模美| 赤兔流量卡办理| 女人精品久久久久毛片| 秋霞在线观看毛片| 亚洲第一区二区三区不卡| 久久6这里有精品| 免费看不卡的av| 各种免费的搞黄视频| 在线亚洲精品国产二区图片欧美 | 日韩欧美一区视频在线观看 | 高清在线视频一区二区三区| 亚洲美女黄色视频免费看| 麻豆成人午夜福利视频| 久久女婷五月综合色啪小说| 亚洲国产精品一区三区| 欧美一级a爱片免费观看看| 最新中文字幕久久久久| 国产乱来视频区| 亚洲av日韩在线播放| 亚洲成人手机| 亚洲欧美成人精品一区二区| 国产男人的电影天堂91| 免费黄网站久久成人精品| 国产黄频视频在线观看| 麻豆乱淫一区二区| 欧美bdsm另类| av在线老鸭窝| av一本久久久久| 夜夜爽夜夜爽视频| 草草在线视频免费看| 一级av片app| 男女啪啪激烈高潮av片| 卡戴珊不雅视频在线播放| 97超碰精品成人国产| 日韩三级伦理在线观看| 国产91av在线免费观看| 日本与韩国留学比较| 亚洲精品日本国产第一区| 国产av码专区亚洲av| 日韩亚洲欧美综合| 欧美精品人与动牲交sv欧美| 国产无遮挡羞羞视频在线观看| 五月伊人婷婷丁香| 免费黄频网站在线观看国产| xxx大片免费视频| 91成人精品电影| 人人妻人人澡人人看| 国产亚洲精品久久久com| 一个人看视频在线观看www免费| 国产黄频视频在线观看| 久久97久久精品| 80岁老熟妇乱子伦牲交| 桃花免费在线播放| 女的被弄到高潮叫床怎么办| 七月丁香在线播放| 极品教师在线视频| 精品久久久久久久久亚洲| 亚洲精品一区蜜桃| 色哟哟·www| 亚洲国产精品999| 91精品国产国语对白视频| 91精品一卡2卡3卡4卡| 久久99热这里只频精品6学生| 性高湖久久久久久久久免费观看| 中文乱码字字幕精品一区二区三区| a级毛片免费高清观看在线播放| 欧美精品高潮呻吟av久久| 亚洲精品亚洲一区二区| 丰满少妇做爰视频| 99国产精品免费福利视频| 在线观看三级黄色| 亚洲美女搞黄在线观看| 五月伊人婷婷丁香| 青春草国产在线视频| 在线观看av片永久免费下载| 国国产精品蜜臀av免费| 精品国产国语对白av| 亚洲精品一二三| 99热网站在线观看| 午夜精品国产一区二区电影| 免费人妻精品一区二区三区视频| 亚洲精品第二区| 久久99精品国语久久久| 国产乱来视频区| 这个男人来自地球电影免费观看 | 美女中出高潮动态图| 日本wwww免费看| 国产91av在线免费观看| 日韩不卡一区二区三区视频在线| 麻豆成人午夜福利视频| 欧美日韩综合久久久久久| 99九九在线精品视频 | 国产日韩一区二区三区精品不卡 | 中文字幕人妻熟人妻熟丝袜美| 如日韩欧美国产精品一区二区三区 | 国产女主播在线喷水免费视频网站| 好男人视频免费观看在线| 伦理电影大哥的女人| 日日摸夜夜添夜夜爱| 亚洲国产日韩一区二区| 日本爱情动作片www.在线观看| 国产毛片在线视频| 国产高清国产精品国产三级| 国产69精品久久久久777片| 国产黄频视频在线观看| a级毛色黄片| 一区二区三区精品91| 天堂俺去俺来也www色官网| 最新的欧美精品一区二区| 国产精品久久久久久精品古装| 成年人免费黄色播放视频 | 国产精品一区www在线观看| 亚洲精品aⅴ在线观看| 熟女人妻精品中文字幕| 国产免费一级a男人的天堂| 亚洲四区av| 夜夜骑夜夜射夜夜干| av黄色大香蕉| 久热久热在线精品观看| 亚洲精品成人av观看孕妇| 欧美变态另类bdsm刘玥| 日本av免费视频播放| 热99国产精品久久久久久7| 久久毛片免费看一区二区三区| 成人国产麻豆网| 在现免费观看毛片| 日本黄色日本黄色录像| √禁漫天堂资源中文www| 国产在线一区二区三区精| 国产精品无大码| 黄色毛片三级朝国网站 | 色5月婷婷丁香| √禁漫天堂资源中文www| 一个人免费看片子| 日韩伦理黄色片| 免费看av在线观看网站| 天天操日日干夜夜撸| 午夜91福利影院| 99re6热这里在线精品视频| 高清av免费在线| av在线老鸭窝| 美女国产视频在线观看| 国产爽快片一区二区三区| 日本色播在线视频| 亚洲人与动物交配视频| 亚洲av日韩在线播放| 亚洲国产最新在线播放| 久久久精品免费免费高清| 国产欧美另类精品又又久久亚洲欧美| 超碰97精品在线观看| 只有这里有精品99| 热99国产精品久久久久久7| 日本免费在线观看一区| 91精品国产国语对白视频| 亚洲国产精品999| 我要看日韩黄色一级片| 人妻 亚洲 视频| 欧美少妇被猛烈插入视频| 久久婷婷青草| 2018国产大陆天天弄谢| 一个人免费看片子| 在线播放无遮挡| 亚洲内射少妇av| 秋霞伦理黄片| √禁漫天堂资源中文www| 亚洲第一av免费看| av免费观看日本| 久久精品夜色国产| 22中文网久久字幕| 国语对白做爰xxxⅹ性视频网站| 亚洲成色77777| 六月丁香七月| 久久女婷五月综合色啪小说| av国产精品久久久久影院| 99国产精品免费福利视频| 我要看日韩黄色一级片| 国产成人午夜福利电影在线观看| 国产精品三级大全| 久久精品熟女亚洲av麻豆精品| 亚洲国产欧美在线一区| 免费少妇av软件| 在线观看三级黄色| 欧美一级a爱片免费观看看| 黑人高潮一二区| 日本欧美视频一区| 在线观看三级黄色| 欧美97在线视频| 久久久国产一区二区| 久久狼人影院| 亚洲欧洲日产国产| 80岁老熟妇乱子伦牲交| 成人特级av手机在线观看| av视频免费观看在线观看| 欧美另类一区| 国产又色又爽无遮挡免| 久久久久人妻精品一区果冻| 另类亚洲欧美激情| 成人影院久久| 麻豆成人av视频| 精品少妇久久久久久888优播| 国产在线视频一区二区| 高清不卡的av网站| 成人亚洲精品一区在线观看| 日韩欧美精品免费久久| 国产精品久久久久久久电影| 最后的刺客免费高清国语| 高清午夜精品一区二区三区| 最近手机中文字幕大全| 欧美精品一区二区大全| 国产成人aa在线观看| 免费人妻精品一区二区三区视频| 色视频www国产| 欧美日韩在线观看h|