• <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 ?

    基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對(duì)面料懸垂系數(shù)的預(yù)測(cè)及分析

    2025-02-13 00:00:00邢昊張瑞云許騰飛紀(jì)峰
    山東科學(xué) 2025年1期
    關(guān)鍵詞:遺傳算法神經(jīng)網(wǎng)絡(luò)

    摘要:通過對(duì)面料懸垂系數(shù)的精確預(yù)測(cè),實(shí)現(xiàn)面料懸垂性虛擬化的初步研究?;貧w分析等方法雖實(shí)現(xiàn)了部分懸垂指標(biāo)的預(yù)測(cè),但其存在預(yù)測(cè)準(zhǔn)確性不高,部分指標(biāo)無法計(jì)算的問題。為此,提出了一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)(GA-BP神經(jīng)網(wǎng)絡(luò))的新方法,從面料數(shù)據(jù)庫中選取100塊純棉機(jī)織面料樣本,其中訓(xùn)練樣本80塊,測(cè)試與驗(yàn)證集各10塊,通過遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù),采用相關(guān)性分析優(yōu)化樣本輸入?yún)?shù),以此提高模型的預(yù)測(cè)能力。10塊測(cè)試樣的懸垂系數(shù)預(yù)測(cè)結(jié)果表明,與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)相比,GA-BP神經(jīng)網(wǎng)絡(luò)平均絕對(duì)百分比誤差從12.74%降到了7.03%,同時(shí),利用經(jīng)驗(yàn)公式判斷誤差循環(huán)獲取了最佳的隱含層節(jié)點(diǎn)數(shù)為9。研究表明,GA-BP神經(jīng)網(wǎng)絡(luò)能夠有效提升面料懸垂性預(yù)測(cè)的準(zhǔn)確度,對(duì)于面料懸垂性的虛擬化表現(xiàn)具有重要的應(yīng)用價(jià)值。

    關(guān)鍵詞:懸垂系數(shù);面料數(shù)據(jù)庫;神經(jīng)網(wǎng)絡(luò);遺傳算法

    中圖分類號(hào):TS10""" 文獻(xiàn)標(biāo)志碼:A""" 文章編號(hào):1002-4026(2025)01-0053-11

    開放科學(xué)(資源服務(wù))標(biāo)志碼(OSID):

    DOI:10.3976/j.issn.1002-4026.20240039【新材料】

    收稿日期:2024-03-11

    作者簡(jiǎn)介:邢昊(1999—),男,碩士研究生,研究方向?yàn)閿?shù)字化紡織。E-mail: xio0211@foxmail.com

    *通信作者,張瑞云,女,教授,研究方向?yàn)樾滦屠w維面料設(shè)計(jì)與開發(fā)、紡織CAD技術(shù)等。Tel:15221999857,E-mail: ryzhang@dhu.edu.cn

    Prediction and analysis of fabric drape coefficient based

    on genetic-algorithm optimized BP neural network

    XING Haoa,b, ZHANG Ruiyuna,b*, XU Tengfeia,b, JI Fenga,b

    (a. College of Textile; b. Key Laboratory of Textile Science and Technology, Ministry of Education,

    Donghua University, Shanghai 201620, China)

    Abstract∶Although regression analysis can predict some drape indicators, they have problems such as low prediction accuracy and the inability to calculate some indicators. To overcome these issues, this study proposes a new method using genetic algorithm to optimize BP neural network (GA-BP neural network) to improve the prediction accuracy of real fabric drape. In this study, we designed a GA-BP neural network model, selected 100 pure cotton woven fabric samples from the fabric database, including 80 training samples, 10 test samples, and 10 validation samples, used the genetic algorithm to optimize the parameters of the neural network, and used correlation analysis to optimize sample input parameters to improve the prediction performance of the model. The results of the drape coefficient prediction for the 10 test samples show that compared with the traditional BP neural network, the average absolute percentage error of the BP neural network optimized by the genetic algorithm decreased from 12.74% to 7.03%. Furthermore, we used an empirical equation to identify error cycles and concluded that the optimal number of hidden layer nodes is 9. This study indicates that the GA-BP neural network can effectively improve the accuracy of fabric drape prediction and has important application value for the virtualization of fabric drape performance.

    Key words∶drape coefficient; fabric database; neural network; genetic algorithm

    面料懸垂性是指面料在自由懸掛時(shí),由于重力作用產(chǎn)生的自然下垂?fàn)顟B(tài),描述了面料的柔軟度、挺括度以及形態(tài)保持能力,是面料成形性的直觀表現(xiàn)。其不僅影響服裝的外觀設(shè)計(jì),更關(guān)系到服裝的穿著舒適度和風(fēng)格定位。因此可以通過預(yù)測(cè)面料的懸垂性來實(shí)現(xiàn)服裝面料成形性的虛擬化,對(duì)于服裝設(shè)計(jì)和制作具有重要的參考價(jià)值。面料懸垂性預(yù)測(cè)研究主要分為懸垂指標(biāo)預(yù)測(cè)和懸垂三維形態(tài)模擬兩大方向。科學(xué)處理面料結(jié)構(gòu)和力學(xué)性能對(duì)懸垂性的影響關(guān)系是決定預(yù)測(cè)結(jié)果準(zhǔn)確度的關(guān)鍵[1],當(dāng)前回歸分析和神經(jīng)網(wǎng)絡(luò)方法常用來實(shí)現(xiàn)對(duì)懸垂性指標(biāo)的預(yù)測(cè)[2]。

    回歸分析通過構(gòu)建面料參數(shù)與面料懸垂指標(biāo)之間的回歸方程,定量分析變量間的關(guān)系,實(shí)現(xiàn)面料懸垂性的預(yù)測(cè)。馬磊[3]采用多元線性回歸法構(gòu)建了懸垂系數(shù)和懸垂波數(shù)等指標(biāo)與結(jié)構(gòu)力學(xué)參數(shù)的回歸方程。盡管此方法在某些情況下成功預(yù)測(cè)了懸垂指標(biāo),但仍有部分指標(biāo)的回歸方程未能成功求解,導(dǎo)致預(yù)測(cè)結(jié)果不全面。這主要是因?yàn)?,在多元回歸分析中,選取過多的變量不僅會(huì)增加對(duì)數(shù)據(jù)的需求,還可能引入一些對(duì)因變量影響不顯著的自變量。此外,變量間可能存在的相關(guān)性會(huì)導(dǎo)致某些變量的作用被其他變量所替代,造成冗余。

    為了解決上述問題,多元逐步回歸分析法被引入到面料懸垂性能預(yù)測(cè)中。這種方法允許在回歸分析過程中動(dòng)態(tài)地引入或剔除變量,允許已被排除的變量在后續(xù)分析中重新進(jìn)入選擇,確保了回歸模型的精練與適應(yīng)性。齊紅衢[4]利用多元逐步回歸方法研究了面料的結(jié)構(gòu)參數(shù)和力學(xué)參數(shù)對(duì)織物懸垂性的影響,盡管初步建立了織物懸垂性能參數(shù)的預(yù)測(cè)方程,但忽視了各懸垂指標(biāo)間的相互作用,使得部分指標(biāo)出現(xiàn)預(yù)測(cè)不準(zhǔn)確或者無法預(yù)測(cè)的問題,難以獲得全部表征指標(biāo)的共同最優(yōu)解,存在一定的妥協(xié)性。盡管回歸分析能夠一定程度上分析面料參數(shù)與懸垂指標(biāo)間的關(guān)系,但面料結(jié)構(gòu)的復(fù)雜性導(dǎo)致其結(jié)構(gòu)參數(shù)、力學(xué)參數(shù)與懸垂性表征指標(biāo)間呈復(fù)雜的非線性關(guān)系,限制了回歸分析的準(zhǔn)確性。

    BP神經(jīng)網(wǎng)絡(luò)因其卓越的非線性映射能力,為解決面料懸垂性預(yù)測(cè)中的復(fù)雜關(guān)系提供了新途徑。它可以有效地處理分類和回歸問題,包括變量間的相關(guān)性問題[5]。魏安靜等[6]建立了BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,通過面料的力學(xué)性能參數(shù)來預(yù)測(cè)織物的懸垂特性。曹建達(dá)[7]通過優(yōu)選樣本和參數(shù),優(yōu)選神經(jīng)網(wǎng)絡(luò)參數(shù)等方法改進(jìn)了BP神經(jīng)網(wǎng)絡(luò),構(gòu)建了基于面料結(jié)構(gòu)參數(shù)的面料懸垂性預(yù)測(cè)模型,對(duì)織物的懸垂性能進(jìn)行預(yù)測(cè)。余志才等[8]利用BP神經(jīng)網(wǎng)絡(luò)建立了織物的懸垂系數(shù)和懸垂角與織物力學(xué)性能參數(shù)之間的關(guān)系。上述研究表明,使用BP神經(jīng)網(wǎng)絡(luò)可以對(duì)面料懸垂系數(shù)等指標(biāo)進(jìn)行較高精度的預(yù)測(cè)。

    然而,BP神經(jīng)網(wǎng)絡(luò)在網(wǎng)絡(luò)初始化時(shí)往往隨機(jī)設(shè)定初始權(quán)值和閾值,不適當(dāng)?shù)钠鹗既≈悼赡軐?dǎo)致模型欠擬合和模型誤差較大等問題。為了提高預(yù)測(cè)精度,遺傳算法被用來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值。蘇佳等[9]、嚴(yán)祥高等[10]和李建磊等[11]基于BP神經(jīng)網(wǎng)絡(luò)算法和遺傳算法,在不同領(lǐng)域和研究方向分別建立了預(yù)測(cè)模型,結(jié)果表明,使用遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)能夠提高模型預(yù)測(cè)精度。

    因此,本文提出了一種采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)進(jìn)行真實(shí)面料懸垂性預(yù)測(cè)的新方法。遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)能夠通過面料的結(jié)構(gòu)和力學(xué)參數(shù)快速準(zhǔn)確地預(yù)測(cè)懸垂系數(shù),從而構(gòu)建面料懸垂系數(shù)的預(yù)測(cè)程序,為虛擬空間的用戶提供了一種通過基礎(chǔ)面料信息準(zhǔn)確、快速獲得實(shí)際面料懸垂性的途徑。

    1" 實(shí)驗(yàn)方法與設(shè)計(jì)

    通過神經(jīng)網(wǎng)絡(luò)模型來預(yù)測(cè)面料懸垂系數(shù)。實(shí)驗(yàn)采用了100塊純棉機(jī)織面料,其中80塊用作訓(xùn)練集,10塊用作測(cè)試集,另外10塊作為驗(yàn)證集,以確保模型在未知數(shù)據(jù)上的泛化能力。此外,為了提高預(yù)測(cè)的準(zhǔn)確性,還需優(yōu)化設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)[12]。

    1.1" 面料基礎(chǔ)參數(shù)測(cè)試及變量間相關(guān)性分析

    1.1.1" 面料基礎(chǔ)參數(shù)測(cè)試

    為了研究面料的結(jié)構(gòu)和力學(xué)性能與面料懸垂性的關(guān)系,構(gòu)建面料懸垂系數(shù)的預(yù)測(cè)模型,需要對(duì)樣本面料的基本參數(shù)和面料懸垂系數(shù)進(jìn)行數(shù)據(jù)的采集[13]。

    選取100種常見的棉型機(jī)織襯衣面料進(jìn)行實(shí)驗(yàn),測(cè)量面料試樣的6個(gè)結(jié)構(gòu)指標(biāo):平方米克重(W)、厚度(T)、經(jīng)向密度(MT)、緯向密度(MW)、經(jīng)向細(xì)度(NT)、緯向細(xì)度(NW)。為了確保測(cè)試結(jié)果的準(zhǔn)確性,每種面料都需要按照特定的標(biāo)準(zhǔn)進(jìn)行裁剪,并在(20±1)℃的溫度與相對(duì)濕度為65%±1%的環(huán)境下將試樣平衡24 h后再進(jìn)行測(cè)試,每一塊試樣剪取3塊樣品進(jìn)行測(cè)試,結(jié)果取均值。

    按照標(biāo)準(zhǔn)GB/T 4669—2008[14]的要求,利用面料克重圓盤取樣器與電子分析天平測(cè)量面料的平方米克重;按照標(biāo)準(zhǔn)GB/T 3820—1997[15]要求,用YG141N型面料厚度儀測(cè)量面料的厚度;用面料分析鏡測(cè)量經(jīng)緯向組織密度、采用定重測(cè)長(zhǎng)法測(cè)量面料經(jīng)緯紗線密度,表1顯示了部分試樣的結(jié)構(gòu)參數(shù)數(shù)據(jù)。

    選取研究的棉型機(jī)織襯衣面料的力學(xué)指標(biāo)有:經(jīng)向彎曲剛度BT、緯向彎曲剛度BW、經(jīng)向拉伸模量PT、緯向拉伸模量PW以及剪切模量G等5個(gè)指標(biāo)。實(shí)驗(yàn)前,按硬挺度儀和定負(fù)荷伸長(zhǎng)的實(shí)驗(yàn)要求分別對(duì)每一種面料剪取25 mm×250 mm和40 mm×250 mm的試樣,并置于(20±1)℃的溫度與相對(duì)濕度為65%±1%的環(huán)境下24 h后再進(jìn)行測(cè)試,每種試樣剪取3份樣品進(jìn)行測(cè)試,結(jié)果取均值。在LLY-01型電子硬挺度儀測(cè)量面料的經(jīng)緯向彎曲剛度;用HD026N+多功能電子面料強(qiáng)力儀(南通宏大實(shí)驗(yàn)儀器有限公司,江蘇省啟東市)測(cè)量面料受到定負(fù)荷為20 N時(shí)的經(jīng)緯向拉伸模量和剪切模量。測(cè)得100種棉型機(jī)織襯衣面料的部分力學(xué)指標(biāo)參數(shù)結(jié)果如表2所示。

    對(duì)于樣品懸垂系數(shù)的獲取,本文使用的儀器是XDP-1A型織物懸垂性測(cè)試儀,按照FZ/T01045—1996測(cè)試方法[16]標(biāo)準(zhǔn)設(shè)計(jì),采用國際通用的傘式法,利用圖像處理技術(shù)測(cè)試織物靜動(dòng)態(tài)懸垂性能的新型測(cè)試儀器[17]。對(duì)100塊棉型機(jī)織襯衣面料試樣進(jìn)行懸垂試驗(yàn),得到懸垂系數(shù)測(cè)試結(jié)果[18],部分面料的測(cè)試圖及結(jié)果如表3所示。

    1.1.2" 懸垂系數(shù)與自變量間的相關(guān)性分析

    為了排除自變量之間的自相關(guān)問題與檢驗(yàn)輸入輸出變量之間的非線性關(guān)系,篩選出對(duì)輸出變量相關(guān)性較高且有代表性的參數(shù),分別對(duì)懸垂系數(shù)與各基礎(chǔ)變量進(jìn)行了多種相關(guān)性分析,用來描述變量之間的線性相關(guān)與非線性關(guān)系,獲得了輸入與輸出數(shù)據(jù)之間的皮爾遜相關(guān)系數(shù)和斯皮爾曼相關(guān)系數(shù)[19]。

    相關(guān)性分析結(jié)果的相關(guān)系數(shù)如下表4所示,系數(shù)的值介于-1(完全負(fù)相關(guān))和+1(完全正相關(guān))之間,0表示沒有相關(guān)性。其中相關(guān)系數(shù)的絕對(duì)值越大,代表該變量對(duì)輸出變量具有較大的相關(guān)性,作為模型的輸入變量更具有解釋意義。

    根據(jù)表4的數(shù)據(jù)分析,發(fā)現(xiàn)經(jīng)向彎曲剛度、經(jīng)向密度、緯向彎曲剛度、克重以及初始模量與懸垂系數(shù)之間存在較高的相關(guān)性。在這里,相關(guān)性是通過皮爾遜相關(guān)系數(shù)來衡量的,該系數(shù)用于評(píng)估變量之間的線性相關(guān)度。同時(shí),斯皮爾曼相關(guān)系數(shù)的結(jié)果表明,經(jīng)向拉伸初始模量、經(jīng)向彎曲剛度、初始模量和經(jīng)向彎曲剛度與懸垂系數(shù)之間存在較高的非線性相關(guān)性。此外,緯紗細(xì)度、經(jīng)紗細(xì)度、經(jīng)向拉伸模量、緯向密度和厚度的相關(guān)性較低,代表著它們對(duì)懸垂系數(shù)的影響不大。

    為了驗(yàn)證這些相關(guān)性的統(tǒng)計(jì)顯著性,本文通過顯著性檢驗(yàn)判斷相關(guān)性顯著,p≤0.05認(rèn)為變量之間具有顯著的相關(guān)性;p≤0.01認(rèn)為變量之間具有非常顯著的相關(guān)性。其中經(jīng)向彎曲剛度、緯向彎曲剛度、經(jīng)向密度、初始模量和克重的p≤0.01;緯向拉伸模量的p≤0.05,表明變量之間具有非常顯著的相關(guān)性。

    1.2" 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定

    BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建包括確定網(wǎng)絡(luò)的層級(jí)結(jié)構(gòu)、各層內(nèi)神經(jīng)元的數(shù)量,以及選取適當(dāng)?shù)募せ詈瘮?shù)和訓(xùn)練算法。首先需要確定神經(jīng)網(wǎng)絡(luò)的層數(shù)。萬能近似定理證明,單層隱含層網(wǎng)絡(luò)可以解決任意的非線性擬合問題,結(jié)合面料懸垂的力學(xué)形態(tài)與懸垂系數(shù)、實(shí)際狀況、網(wǎng)絡(luò)訓(xùn)練時(shí)間及整體網(wǎng)絡(luò)復(fù)雜程度等因素的考慮,本文采用單隱含層的BP神經(jīng)網(wǎng)絡(luò),即輸入層、輸出層、隱含層各一層。

    其次要確定各層的節(jié)點(diǎn)數(shù)。對(duì)于輸入層節(jié)點(diǎn)數(shù),輸入層節(jié)點(diǎn)數(shù)對(duì)應(yīng)面料的結(jié)構(gòu)和力學(xué)參數(shù)。其中采集的原始樣本數(shù)據(jù)有11個(gè)參數(shù),包括面料結(jié)構(gòu)參數(shù)6個(gè)和面料力學(xué)性能參數(shù)5個(gè),各參數(shù)描述詳見1.1.1。為防止輸入層節(jié)點(diǎn)數(shù)量過多引起的過擬合現(xiàn)象,同時(shí)解決輸入變量間存在的多重共線性問題,對(duì)原始數(shù)據(jù)進(jìn)行相關(guān)性分析,從11個(gè)輸入?yún)?shù)中選取與輸出參數(shù)相關(guān)性較高的6個(gè)參數(shù)作為輸入?yún)?shù),因此輸入層的節(jié)點(diǎn)數(shù)為6個(gè)。對(duì)于隱含層節(jié)點(diǎn)數(shù),采用經(jīng)驗(yàn)公式(1)[20]來確定。

    h=sqrt(m+n)+a,(1)

    其中,h為隱含層節(jié)點(diǎn)數(shù);sqrt為平方根函數(shù);m為輸入層節(jié)點(diǎn)個(gè)數(shù);n為輸出層節(jié)點(diǎn)個(gè)數(shù);a一般取1~10之間的整數(shù),本文遍歷不同的a值,選出最優(yōu)節(jié)點(diǎn)數(shù)。

    對(duì)于輸出層節(jié)點(diǎn)數(shù),輸出層節(jié)點(diǎn)數(shù)應(yīng)為預(yù)測(cè)指標(biāo)的個(gè)數(shù)。雖然之前的研究嘗試預(yù)測(cè)多個(gè)懸垂性指標(biāo),但這些方法通常不能同時(shí)準(zhǔn)確預(yù)測(cè)所有指標(biāo),有時(shí)只能準(zhǔn)確預(yù)測(cè)其中幾項(xiàng),使得預(yù)測(cè)具有妥協(xié)性?;诖?,本研究采取單一懸垂系數(shù)預(yù)測(cè)的研究方案,故確定神經(jīng)網(wǎng)絡(luò)的輸出節(jié)點(diǎn)為1個(gè)[21]。懸垂系數(shù)(D)是評(píng)價(jià)面料懸性能指標(biāo)中最常使用的指標(biāo),它反映了面料在自重作用下的懸垂程度,如公式(2)所示:

    D=A2-A0A1-A0×100%,(2)

    其中,A0為圓盤面積;A1為面料原面積;A2為面料懸垂投影面積;D為懸垂系數(shù),D值越小,面料的懸垂性越好,面料越柔軟[22]。示意圖如圖1所示。

    最后確定神經(jīng)網(wǎng)絡(luò)的激活和損失函數(shù)。對(duì)于損失函數(shù),在神經(jīng)網(wǎng)絡(luò)中,損失函數(shù)用于評(píng)估模型預(yù)測(cè)值與實(shí)際值之間的偏差。均方誤差(δMSE)作為一種應(yīng)用廣泛的損失函數(shù),可以有效地量化預(yù)測(cè)誤差的大小,幫助優(yōu)化模型以提高預(yù)測(cè)精度,常用于回歸和預(yù)測(cè)問題。因此本研究選擇均方誤差(δMSE),公式如(3):

    δMSE=1n∑ni=1yi-yi︿2,(3)

    其中,yi為實(shí)際值;yi︿為預(yù)測(cè)值;n是樣本數(shù)量。

    對(duì)于激活函數(shù),使用Sigmoid函數(shù)作為非線性激活函數(shù),該函數(shù)輸出范圍在0~1之間,非常適合處理已經(jīng)歸一化的數(shù)據(jù),公式如(4):

    σx=11+e-x。(4)

    在面料懸垂性預(yù)測(cè)中,使用Sigmoid函數(shù)可以幫助網(wǎng)絡(luò)更好地處理和限制輸出值,從而保證輸出的懸垂系數(shù)在合理的范圍內(nèi)。其平滑的梯度也有助于梯度下降算法在訓(xùn)練過程中穩(wěn)定地調(diào)整模型權(quán)重。

    2" GA-BP預(yù)測(cè)模型構(gòu)建與算法優(yōu)化

    BP神經(jīng)網(wǎng)絡(luò)是一種被廣泛采用的前饋式人工神經(jīng)網(wǎng)絡(luò),其學(xué)習(xí)過程分為信號(hào)正向傳播和誤差逆向傳播。通常,采用梯度下降策略來指導(dǎo)誤差朝著梯度降低的方向進(jìn)行優(yōu)化,經(jīng)過連續(xù)多次的循環(huán)迭代訓(xùn)練,逐步微調(diào)網(wǎng)絡(luò)中的權(quán)重與閾值,讓網(wǎng)絡(luò)輸出盡可能接近目標(biāo)值,以此完成網(wǎng)絡(luò)的訓(xùn)練過程[23-24]。

    然而BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值是隨機(jī)生成的,不適當(dāng)?shù)钠鹗既≈悼赡軐?dǎo)致欠擬合或誤差無法取到最小進(jìn)程從而提前結(jié)束等問題,影響網(wǎng)絡(luò)的穩(wěn)定性和預(yù)測(cè)的準(zhǔn)確性[25]。因此利用遺傳算法對(duì)這些權(quán)值和閾值進(jìn)行編碼,并通過選擇、交叉、變異等操作篩選出卓越的種群,有助于篩選出優(yōu)秀的個(gè)體。這些優(yōu)化措施能夠?qū)⒆罴褭?quán)值和閾值固定在BP神經(jīng)網(wǎng)絡(luò)中,可提升BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度和精度[26]。

    下面說明面料懸垂系數(shù)預(yù)測(cè)的GA-BP神經(jīng)網(wǎng)絡(luò)(遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò))的構(gòu)造過程。在GA-BP方法中,通過模擬生物染色體的交叉和變異等操作來替代傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)中的梯度下降迭代方式。這種方法的核心思想和過程如圖2所示。

    2.1" 編碼和種群初始化

    在遺傳算法應(yīng)用中,BP神經(jīng)網(wǎng)絡(luò)的權(quán)重與閾值轉(zhuǎn)化為種群中的個(gè)體進(jìn)行編碼。這種編碼方式通常涉及將網(wǎng)絡(luò)權(quán)重和閾值轉(zhuǎn)換為一系列的實(shí)數(shù)或二進(jìn)制數(shù)列,以適配遺傳算法的操作需求。種群初始化階段,隨機(jī)生成眾多個(gè)體,每一個(gè)體則代表了一套可能的網(wǎng)絡(luò)參數(shù)解決方案。

    2.2" 適應(yīng)度函數(shù)定義

    適應(yīng)度函數(shù)可以定義為神經(jīng)網(wǎng)絡(luò)的性能指標(biāo),在遺傳算法中,它通常定義為誤差的倒數(shù)或誤差指標(biāo)的負(fù)值。這樣的定義確保遺傳算法傾向于選擇誤差較小的個(gè)體,從而優(yōu)化網(wǎng)絡(luò)的預(yù)測(cè)性能。如公式(5)所示:

    F=1C,(5)

    其中,F(xiàn)為適應(yīng)度值;C為一個(gè)基于誤差的計(jì)算公式,如式(6)所示:

    C=1k∑lk=1dk-ok,(6)

    其中,k為系數(shù);d、o分別為期望輸出與預(yù)測(cè)輸出。

    2.3" 遺傳操作

    確定遺傳算法的選擇、交叉、變異操作方法的選取。

    (1)選擇操作:為了平衡算法的探索性和利用性,本研究結(jié)合了精英選擇策略和輪盤賭選擇方式。精英策略確保了種群中最強(qiáng)基因的保存,同時(shí)輪盤賭則增加了種群的多樣性,防止算法過早收斂于局部最優(yōu),以更有效地向全局最優(yōu)進(jìn)化。

    精英選擇策略保證了在種群的演化過程中,適應(yīng)度最高的若干個(gè)體會(huì)被直接復(fù)制到下一代。這意味著這些個(gè)體不會(huì)經(jīng)歷交叉或變異,從而確保種群中的最優(yōu)基因得以保留。這種方法的目的是加快算法向全局最優(yōu)解的收斂,避免優(yōu)秀解被隨機(jī)選擇過程中的不穩(wěn)定因素所影響[23]。

    對(duì)當(dāng)前種群按適應(yīng)度進(jìn)行排序后,直接將適應(yīng)度最高的若干個(gè)體復(fù)制到下一代。剩余的位置通過輪盤賭選擇[24]方式來填充,這種方式下,每個(gè)個(gè)體被選中的概率Pi與其適應(yīng)度fi成正比,計(jì)算公式如式(7):

    Pi=fiΣNi=1fj,(7)

    其中,Pi為第i個(gè)個(gè)體被選中的概率;fi為第i個(gè)體的適應(yīng)度;N為種群中的個(gè)體總數(shù)。

    (2)交叉操作:交叉操作是遺傳算法中模擬生物遺傳過程的關(guān)鍵步驟。通過這種方式,可以在新的子代中結(jié)合來自兩個(gè)不同父代的基因片段,從而增加種群的遺傳多樣性[24]。本文采用兩點(diǎn)交叉法進(jìn)行交叉操作,在此方法中,首先在染色體序列隨機(jī)選取兩個(gè)點(diǎn)p和q(序列數(shù)plt;q)作為交叉點(diǎn),這兩個(gè)點(diǎn)定義了染色體上將要交換的基因片段的開始和結(jié)束位置。假設(shè)有兩個(gè)個(gè)體A=a1,a2,…,an 和B=b1,b2,…,bn,其中n是染色體(個(gè)體)中的基因數(shù)。交叉操作后,子代個(gè)體的生成如下式(8)和式(9):

    A′=a1a2…ap-1bp…bqaq+1…an,(8)

    B′=b1b2…bp-1ap…aqbq+1…bn。(9)

    (3)變異操作:本文采用高斯變異進(jìn)行變異操作[27]。在高斯變異中,選定的基因值會(huì)添加一個(gè)以零為均值的高斯分布產(chǎn)生的隨機(jī)數(shù)。這種變異方式可以使個(gè)體的基因值在原有的基礎(chǔ)上進(jìn)行小幅度的隨機(jī)調(diào)整,有利于維護(hù)種群內(nèi)的遺傳多樣性,防止算法過早收斂到局部最優(yōu)解。設(shè)個(gè)體的某個(gè)基因值為g,變異后的基因值g′可以表示為:

    g′=g+N(0,σ2),(10)

    其中,N(0,σ2) 表示均值為0,方差為σ2 的高斯分布產(chǎn)生的隨機(jī)數(shù)。

    2.4" 適應(yīng)度檢驗(yàn)

    在每一代的演化過程中,通過適應(yīng)度函數(shù)對(duì)所有成員的表現(xiàn)進(jìn)行評(píng)價(jià),挑選出適應(yīng)度更高的個(gè)體以繼續(xù)進(jìn)入下一輪演化。這一步驟會(huì)持續(xù)重復(fù),直到訓(xùn)練誤差達(dá)到設(shè)定的允許誤差閾值0.000 1為止,若種群中最優(yōu)個(gè)體的誤差小于或等于設(shè)定的誤差閾值,則認(rèn)為算法已足夠優(yōu)化,可以終止迭代。本研究使用均方誤差 (δMSE) 進(jìn)行適應(yīng)度評(píng)價(jià),見公式(3)。此外,設(shè)定最大代數(shù)50次,若算法達(dá)到了設(shè)定的最大代數(shù),即使未滿足誤差條件,也將停止迭代。

    2.5" GA-BP網(wǎng)絡(luò)構(gòu)建

    在遺傳算法優(yōu)化過程中,首先設(shè)定BP神經(jīng)網(wǎng)絡(luò)的基本參數(shù)。設(shè)定BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練次數(shù)為2 000次,以允許網(wǎng)絡(luò)充分學(xué)習(xí)和調(diào)整其權(quán)重和偏差,從而達(dá)到收斂;設(shè)置學(xué)習(xí)速率為0.01,學(xué)習(xí)速率決定了權(quán)重更新的速度,此設(shè)定保證了學(xué)習(xí)過程穩(wěn)定有效,避免權(quán)重更新過大導(dǎo)致訓(xùn)練不穩(wěn)定。訓(xùn)練目標(biāo)最小誤差為0.000 1。

    在這些初始設(shè)置之后,利用遺傳算法尋優(yōu)最優(yōu)權(quán)值和閾值,初始種群規(guī)模設(shè)置為30,以提供足夠的多樣性,同時(shí)避免計(jì)算過程過于復(fù)雜;最大進(jìn)化代數(shù)設(shè)定為50,以限制算法的運(yùn)行時(shí)間同時(shí)確保充分的搜索;交叉概率和變異概率分別設(shè)為0.8和0.2,其中高交叉概率有助于增加種群的遺傳多樣性,而較低的變異概率則有助于維持已有的優(yōu)秀基因特性。

    3" 模型驗(yàn)證與評(píng)價(jià)

    選取10塊測(cè)試樣本數(shù)據(jù)集對(duì)優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行性能評(píng)估。表5列出了懸垂系數(shù)的樣本初始值、BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值以及GA-BP神經(jīng)網(wǎng)絡(luò)的懸垂系數(shù)預(yù)測(cè)值。由該表可以得出與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)相比,GA-BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值更接近真實(shí)值。

    圖3展示了神經(jīng)網(wǎng)絡(luò)懸垂系數(shù)預(yù)測(cè)值與真實(shí)值的對(duì)比及GA-BP與BP神經(jīng)網(wǎng)絡(luò)模型的誤差對(duì)比情況。與傳統(tǒng)BP預(yù)測(cè)相比,GA-BP預(yù)測(cè)所得懸垂系數(shù)值更接近原始數(shù)據(jù),而傳統(tǒng)BP預(yù)測(cè)的懸垂系數(shù)值與原始值具有較大的偏差。因此可以得出,在本實(shí)驗(yàn)的純棉樣本中GA-BP的預(yù)測(cè)效果比BP更好,GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差較小,而標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差較大且不穩(wěn)定,表明GA優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)更加準(zhǔn)確,GA-BP神經(jīng)網(wǎng)絡(luò)對(duì)面料懸垂系數(shù)預(yù)測(cè)精度較高。

    圖4展示了驗(yàn)證集樣本的組織結(jié)構(gòu)圖以及面料的靜態(tài)懸垂測(cè)試圖。這10塊驗(yàn)證試樣中,懸垂系數(shù)分布從60到80,預(yù)測(cè)結(jié)果具有廣泛性。其中有9塊試樣預(yù)測(cè)效果符合預(yù)期,GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果明顯優(yōu)于BP神經(jīng)網(wǎng)絡(luò),第5塊試樣出現(xiàn)GA-BP預(yù)測(cè)效果略差于BP神經(jīng)網(wǎng)絡(luò),觀察靜態(tài)懸垂測(cè)試圖可知,第5塊試樣的懸垂波數(shù)為7,其他試樣的懸垂波數(shù)大都小于或等于6個(gè),這種差異性導(dǎo)致了預(yù)測(cè)偏差較大。同時(shí)觀察到懸垂性較差的樣本,如1、2、3、6、7、8塊試樣,其懸垂系數(shù)預(yù)測(cè)值與真實(shí)差距越大,它們的組織結(jié)構(gòu)均為平紋,特點(diǎn)為經(jīng)緯密度大,經(jīng)緯紗較粗;相反,懸垂性較好的樣本,如4、5、9、10塊試樣,其懸垂系數(shù)預(yù)測(cè)值與真實(shí)值差值越小,它們組織結(jié)構(gòu)均為平紋,特點(diǎn)是經(jīng)緯密度小。由此可知本文GA-BP預(yù)測(cè)程序,懸垂性較好的面料預(yù)測(cè)效果優(yōu)于懸垂性較差的面料。

    此外,為了驗(yàn)證模型的穩(wěn)定性和精度,本文采用平均絕對(duì)誤差(δMAE)、平均絕對(duì)百分比誤差(δMAPE)兩個(gè)指標(biāo)對(duì)模型進(jìn)行評(píng)價(jià)。模型的δMAE、δMAPE值越小,懸垂系數(shù)的預(yù)測(cè)值與真實(shí)值的偏差越小,說明模型的預(yù)測(cè)精度越高[28]。表6中列出了BP神經(jīng)網(wǎng)絡(luò)以及優(yōu)化后的網(wǎng)絡(luò)得到的δMAE、δMAPE值,誤差評(píng)估樣本選擇10塊純棉驗(yàn)證樣本,由該表可知GA-BP神經(jīng)網(wǎng)絡(luò)模型的兩種誤差相對(duì)于普通BP神經(jīng)網(wǎng)絡(luò)模型都大幅降低,提高了神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度。

    圖5為隱含層節(jié)點(diǎn)對(duì)神經(jīng)網(wǎng)絡(luò)誤差影響的比較。在神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前,通過優(yōu)選神經(jīng)網(wǎng)絡(luò)的參數(shù)可以使神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能更好的發(fā)揮,本文利用經(jīng)驗(yàn)公式獲取所有可行的隱含層節(jié)點(diǎn)數(shù)并遍歷循環(huán)所有隱含層節(jié)點(diǎn)數(shù)獲取誤差最低的隱含層節(jié)點(diǎn),獲得神經(jīng)網(wǎng)絡(luò)最佳的隱含層節(jié)點(diǎn)數(shù)9,相應(yīng)的均方誤差為0.072 6。

    4" 結(jié)論

    開發(fā)了一種基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型,旨在快速準(zhǔn)確地預(yù)測(cè)真實(shí)面料的懸垂系數(shù)。該方法通過遺傳算法尋優(yōu)固定神經(jīng)網(wǎng)絡(luò)層級(jí)間的權(quán)重和閾值,顯著提高了網(wǎng)絡(luò)預(yù)測(cè)精度。

    通過對(duì)11種面料參數(shù)(包括6種結(jié)構(gòu)參數(shù)和5種力學(xué)參數(shù))與懸垂系數(shù)進(jìn)行相關(guān)性分析,優(yōu)選了經(jīng)向彎曲剛度、緯向彎曲剛度、經(jīng)向密度、初始模量、緯向拉伸模量和克重6個(gè)與懸垂系數(shù)具有高相關(guān)性的參數(shù)用于模型訓(xùn)練。同時(shí)對(duì)神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行了調(diào)整,利用經(jīng)驗(yàn)公式獲取了最佳隱含層節(jié)點(diǎn)數(shù)9。與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)相比,改進(jìn)后的GA-BP神經(jīng)網(wǎng)絡(luò)在平均絕對(duì)百分比誤差方面從12.74%降至7.03%,展示出優(yōu)越的性能。

    本文為面料懸垂性預(yù)測(cè)提供了一種創(chuàng)新且快速準(zhǔn)確的方法,通過GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)既提高了面料懸垂性預(yù)測(cè)的準(zhǔn)確性,又為面料懸垂性的虛擬化提供了新的方法和評(píng)價(jià)標(biāo)準(zhǔn),對(duì)于面料懸垂性的快速、精確預(yù)測(cè)以及虛擬面料模擬領(lǐng)域具有重要意義。

    參考文獻(xiàn):

    [1]周玲玲. 織物力學(xué)性能指標(biāo)與懸垂形態(tài)關(guān)系研究[D]. 杭州: 浙江理工大學(xué), 2010.

    [2]王霞, 羅戎蕾. 織物懸垂性的研究現(xiàn)狀及發(fā)展趨勢(shì)[J]. 紡織導(dǎo)報(bào), 2021(9): 78-82. DOI: 10.16481/j.cnki.ctl.2021.09.023.

    [3]馬磊. 基于紗線及面料性能的織物懸垂指標(biāo)預(yù)測(cè)體系的建立與驗(yàn)證[D]. 上海: 東華大學(xué), 2013.

    [4]齊紅衢. 織物懸垂測(cè)試及三維預(yù)測(cè)系統(tǒng)開發(fā)[D]. 杭州: 浙江理工大學(xué), 2010.

    [5]王霞. 基于BP神經(jīng)網(wǎng)絡(luò)的三維虛擬織物懸垂性的模擬研究[D]. 杭州: 浙江理工大學(xué), 2022.

    [6]魏安靜, 王軍, 李澤應(yīng), 等. 改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)在織物懸垂性能中的預(yù)測(cè)應(yīng)用[J]. 兵工自動(dòng)化, 2007, 26(6): 59-60. DOI: 10.3969/j.issn.1006-1576.2007.06.026.

    [7]曹建達(dá). BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)棉織物懸垂性能[J]. 上海紡織科技, 2003, 31(4): 59-60. DOI: 10.16549/j.cnki.issn.1001-2044.2003.04.035.

    [8]余志才, 鐘躍崎. 應(yīng)用人工神經(jīng)網(wǎng)絡(luò)分析織物的形態(tài)與性能之間的關(guān)系[J]. 毛紡科技, 2021, 49(5): 1-7. DOI: 10.19333/j.mfkj.20210200907.

    [9]蘇佳, 楊澤超, 易卿武, 等. 基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的GNSS干擾源定位技術(shù)[J]. 無線電工程, 2024,54(5):1175-1182.DOI:10.3969/j.issn.1003-3106.2024.05.014.

    [10]嚴(yán)祥高, 賈小林, 朱永興. 運(yùn)用GA-BP算法的BKlob模型優(yōu)化分析[J]. 導(dǎo)航定位學(xué)報(bào), 2023, 11(5): 101-110. DOI: 10.16547/j.cnki.10-1096.20230513.

    [11]李建磊, 付世豪, 宋金繁. 基于神經(jīng)網(wǎng)絡(luò)優(yōu)化算法的降水量預(yù)測(cè)研究[J]. 黑龍江科學(xué), 2023, 14(8): 27-30. DOI: 10.3969/j.issn.1674-8646.2023.08.006.

    [12]余志才. 基于三維模型和深度學(xué)習(xí)的織物懸垂性能研究[D]. 上海: 東華大學(xué), 2020.

    [13]張萍, 于學(xué)成, 于悅. 織物懸垂性能的評(píng)價(jià)指標(biāo)及影響因素[J]. 遼東學(xué)院學(xué)報(bào)(自然科學(xué)版), 2016, 23(4): 290-294. DOI: 10.14168/j.issn.1673-4939.2016.04.13.

    [14]中國紡織工業(yè)協(xié)會(huì). 紡織品 機(jī)織物 單位長(zhǎng)度質(zhì)量和單位面積質(zhì)量的測(cè)定: GB/T 4669—2008[S]. 北京: 中國標(biāo)準(zhǔn)出版社, 2009.

    [15]中國紡織總會(huì). 紡織品和紡織制品厚度的測(cè)定: GB/T 3820—1997[S]. 北京: 中國標(biāo)準(zhǔn)出版社, 1998.

    [16]中國紡織總會(huì)科技發(fā)展部. 織物懸垂性試驗(yàn)方法: FZ/T 01045—1996[S]. 北京: 中國標(biāo)準(zhǔn)出版社, 2004.

    [17]王玉清, 紀(jì)峰. 織物懸垂性能理論研究綜述[J]. 山東紡織科技, 2004, 45(5): 50-52. DOI: 10.3969/j.issn.1009-3028.2004.05.019.

    [18]CHANG Z Y, ZHANG Q, LI Y F, et al. Identification method for XRF spectral analysis based on an AGA-BP-attention neural network[J]. Electronics, 2024, 13(3): 507. DOI: 10.3390/electronics13030507.

    [19]張睿. 基于多類別相關(guān)性分析的多目標(biāo)回歸方法研究[D]. 重慶: 重慶郵電大學(xué), 2021.

    [20]王毅. 基于人工神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林算法的爆破振動(dòng)預(yù)測(cè)研究[D]. 南寧: 廣西大學(xué), 2020.

    [21]姜延, 王瑞, 丁恒. 織物靜態(tài)懸垂效果與KES指標(biāo)的相關(guān)性[J]. 毛紡科技, 2011, 39(11): 45-48. DOI: 10.19333/j.mfkj.2011.11.013.

    [22]莫振恩, 佐同林, 吳薇, 等. 棉織物懸垂系數(shù)與懸垂外觀形貌外張及均勻程度的關(guān)系[J]. 山東紡織科技, 2014, 55(6): 11-14. DOI: 10.3969/j.issn.1009-3028.2014.06.005.

    [23]BEHERA B K, MUTTAGI S B. Performance of error back propagation vis-á-vis radial basis function neural network: Part I: Prediction of properties for design engineering of woven suiting fabrics[J]. The Journal of the Textile Institute, 2004, 95(1/2/3/4/5/6): 283-300. DOI: 10.1533/joti.2003.0054.

    [24]BEHERA B K, MISHRA R. Artificial neural network-based prediction of aesthetic and functional properties of worsted suiting fabrics[J]. International Journal of Clothing Science and Technology, 2007, 19(5): 259-276. DOI: 10.1108/09556220710819483.

    [25]XIA S H, FAN X J. Prediction of fabric drape based on BP neural network paper[C]//2020 IEEE 7th International Conference on Industrial Engineering and Applications (ICIEA). Bangkok, Thailand. IEEE, 2020: 206-210. DOI: 10.1109/iciea49774.2020.9102016.

    [26]DING S F, SU C Y, YU J Z. An optimizing BP neural network algorithm based on genetic algorithm[J]. Artificial Intelligence Review, 2011, 36(2): 153-162. DOI: 10.1007/s10462-011-9208-z.

    [27]ZHANG X, CHEN X D, LI J J. Improving dam seepage prediction using back-propagation neural network and genetic algorithm[J]. Mathematical Problems in Engineering, 2020, 2020: 1404295. DOI: 10.1155/2020/1404295.

    [28]HARUMY T H F, ZARLIS M, EFFENDI S, et al. Prediction using a neural network algorithm approach (a review)[C]//2021 International Conference on Software Engineering amp; Computer Systems and 4th International Conference on Computational Science and Information Management (ICSECS-ICOCSIM). Pekan, Malaysia. IEEE, 2021: 325-330. DOI: 10.1109/icsecs52883.2021.00066.

    猜你喜歡
    遺傳算法神經(jīng)網(wǎng)絡(luò)
    神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    遺傳算法對(duì)CMAC與PID并行勵(lì)磁控制的優(yōu)化
    基于自適應(yīng)遺傳算法的CSAMT一維反演
    一種基于遺傳算法的聚類分析方法在DNA序列比較中的應(yīng)用
    基于遺傳算法和LS-SVM的財(cái)務(wù)危機(jī)預(yù)測(cè)
    協(xié)同進(jìn)化在遺傳算法中的應(yīng)用研究
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
    基于改進(jìn)的遺傳算法的模糊聚類算法
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    基于支持向量機(jī)回歸和RBF神經(jīng)網(wǎng)絡(luò)的PID整定
    freevideosex欧美| 午夜福利视频精品| 99九九在线精品视频| 嫩草影院入口| 天堂俺去俺来也www色官网| 丰满饥渴人妻一区二区三| 国产乱人偷精品视频| 国产精品久久久av美女十八| 免费女性裸体啪啪无遮挡网站| 欧美+日韩+精品| 90打野战视频偷拍视频| 丝袜人妻中文字幕| 精品午夜福利在线看| 国产成人a∨麻豆精品| 超碰97精品在线观看| 精品视频人人做人人爽| 精品酒店卫生间| 丝袜人妻中文字幕| 亚洲国产欧美在线一区| 日韩三级伦理在线观看| av电影中文网址| 三级国产精品片| 伊人久久大香线蕉亚洲五| 国产淫语在线视频| 人人妻人人澡人人爽人人夜夜| 亚洲人成77777在线视频| 交换朋友夫妻互换小说| 亚洲av国产av综合av卡| av网站在线播放免费| 亚洲色图 男人天堂 中文字幕| 黄色一级大片看看| 日韩熟女老妇一区二区性免费视频| 欧美激情极品国产一区二区三区| 亚洲av日韩在线播放| 亚洲精品国产一区二区精华液| av免费观看日本| 国产精品人妻久久久影院| 黑人欧美特级aaaaaa片| 免费日韩欧美在线观看| 亚洲伊人色综图| 宅男免费午夜| 熟女电影av网| 亚洲欧美成人综合另类久久久| 亚洲国产av影院在线观看| 熟女少妇亚洲综合色aaa.| 久久99热这里只频精品6学生| 最近中文字幕高清免费大全6| 咕卡用的链子| 一区二区三区激情视频| 秋霞伦理黄片| 肉色欧美久久久久久久蜜桃| 日韩精品有码人妻一区| 我的亚洲天堂| 天天躁日日躁夜夜躁夜夜| av女优亚洲男人天堂| 亚洲精品国产av蜜桃| 久久久精品免费免费高清| 亚洲成色77777| 久久99精品国语久久久| 亚洲av男天堂| 王馨瑶露胸无遮挡在线观看| 天天躁夜夜躁狠狠躁躁| 99国产精品免费福利视频| 男女下面插进去视频免费观看| 九草在线视频观看| 日韩av在线免费看完整版不卡| 美女主播在线视频| 国产人伦9x9x在线观看 | av视频免费观看在线观看| 另类亚洲欧美激情| 午夜福利网站1000一区二区三区| 最黄视频免费看| 夫妻午夜视频| 亚洲欧美中文字幕日韩二区| 九九爱精品视频在线观看| 久久国产精品男人的天堂亚洲| 国产av一区二区精品久久| 精品国产一区二区三区久久久樱花| 欧美精品一区二区大全| 国产97色在线日韩免费| 卡戴珊不雅视频在线播放| 欧美精品亚洲一区二区| 欧美在线黄色| 成人亚洲欧美一区二区av| 一区二区三区精品91| 2018国产大陆天天弄谢| 春色校园在线视频观看| 欧美成人午夜免费资源| 免费大片黄手机在线观看| 满18在线观看网站| 一本—道久久a久久精品蜜桃钙片| 777米奇影视久久| 欧美少妇被猛烈插入视频| 王馨瑶露胸无遮挡在线观看| 啦啦啦啦在线视频资源| 成年女人在线观看亚洲视频| 亚洲成人av在线免费| 中文欧美无线码| av又黄又爽大尺度在线免费看| 免费av中文字幕在线| 又黄又粗又硬又大视频| 日本91视频免费播放| 大香蕉久久网| 久久精品国产自在天天线| 黄片播放在线免费| 97人妻天天添夜夜摸| 亚洲精品一区蜜桃| 99精国产麻豆久久婷婷| 日本wwww免费看| 男女高潮啪啪啪动态图| 妹子高潮喷水视频| 亚洲久久久国产精品| 成人免费观看视频高清| 在线观看三级黄色| 日本欧美国产在线视频| 巨乳人妻的诱惑在线观看| 色94色欧美一区二区| 欧美日韩视频精品一区| 中国国产av一级| 一二三四在线观看免费中文在| 久久人人97超碰香蕉20202| 人妻一区二区av| 91午夜精品亚洲一区二区三区| av福利片在线| 最近中文字幕高清免费大全6| 国产精品嫩草影院av在线观看| 妹子高潮喷水视频| av视频免费观看在线观看| 久久女婷五月综合色啪小说| 精品一区二区免费观看| 天天躁日日躁夜夜躁夜夜| 久久久久久久大尺度免费视频| 伊人久久国产一区二区| 色94色欧美一区二区| 欧美bdsm另类| 国产精品女同一区二区软件| 女的被弄到高潮叫床怎么办| 久久精品人人爽人人爽视色| 国产97色在线日韩免费| 又黄又粗又硬又大视频| 美女午夜性视频免费| 秋霞伦理黄片| 亚洲美女黄色视频免费看| av一本久久久久| 亚洲欧美中文字幕日韩二区| 亚洲国产看品久久| 亚洲第一区二区三区不卡| 菩萨蛮人人尽说江南好唐韦庄| 夫妻午夜视频| 男人爽女人下面视频在线观看| 久热久热在线精品观看| 亚洲在久久综合| 亚洲精品自拍成人| 国产人伦9x9x在线观看 | 午夜福利,免费看| 中文天堂在线官网| 亚洲av电影在线观看一区二区三区| 99九九在线精品视频| 999精品在线视频| 少妇的逼水好多| 天堂中文最新版在线下载| 桃花免费在线播放| 成年人午夜在线观看视频| 免费黄频网站在线观看国产| 中文字幕人妻丝袜一区二区 | 午夜免费观看性视频| 久久人妻熟女aⅴ| 精品国产一区二区久久| 嫩草影院入口| 亚洲三级黄色毛片| 麻豆av在线久日| 欧美国产精品一级二级三级| 麻豆精品久久久久久蜜桃| 国产午夜精品一二区理论片| 亚洲精品自拍成人| 制服人妻中文乱码| 午夜激情av网站| 午夜福利乱码中文字幕| 一区二区三区精品91| 成人漫画全彩无遮挡| 建设人人有责人人尽责人人享有的| 国产在线一区二区三区精| 看十八女毛片水多多多| 亚洲一级一片aⅴ在线观看| 日韩免费高清中文字幕av| 涩涩av久久男人的天堂| 国产av码专区亚洲av| 久久精品国产综合久久久| 蜜桃国产av成人99| 亚洲成色77777| 国产97色在线日韩免费| 水蜜桃什么品种好| 免费看不卡的av| 国产黄色免费在线视频| 色视频在线一区二区三区| 国产成人欧美| 国产xxxxx性猛交| 国产不卡av网站在线观看| 亚洲五月色婷婷综合| 美女国产高潮福利片在线看| 老司机亚洲免费影院| 天天躁夜夜躁狠狠躁躁| 久久久a久久爽久久v久久| 黄色 视频免费看| 丝袜喷水一区| 欧美人与善性xxx| 欧美日韩一区二区视频在线观看视频在线| 欧美日韩综合久久久久久| 日韩熟女老妇一区二区性免费视频| 亚洲av电影在线进入| 母亲3免费完整高清在线观看 | 伦理电影免费视频| 女的被弄到高潮叫床怎么办| 久久久久久久久久人人人人人人| 欧美人与性动交α欧美精品济南到 | www.av在线官网国产| 久久99精品国语久久久| av一本久久久久| 丰满饥渴人妻一区二区三| 99国产精品免费福利视频| 美女主播在线视频| 2021少妇久久久久久久久久久| 久久精品国产鲁丝片午夜精品| 久久鲁丝午夜福利片| 日本色播在线视频| av在线播放精品| 亚洲av在线观看美女高潮| 亚洲成人av在线免费| 日韩一卡2卡3卡4卡2021年| 久久国产亚洲av麻豆专区| 国产乱人偷精品视频| 成年美女黄网站色视频大全免费| 亚洲国产欧美在线一区| 午夜福利影视在线免费观看| 狠狠精品人妻久久久久久综合| 国产亚洲一区二区精品| 国产一区二区三区综合在线观看| 欧美日韩精品成人综合77777| 中国国产av一级| 在线观看www视频免费| 大香蕉久久网| 中文字幕色久视频| 三级国产精品片| 黄色一级大片看看| 成人手机av| 一本久久精品| 成人午夜精彩视频在线观看| 91国产中文字幕| 高清不卡的av网站| 日日啪夜夜爽| 永久免费av网站大全| 亚洲精品国产色婷婷电影| 9热在线视频观看99| 晚上一个人看的免费电影| 亚洲欧美成人综合另类久久久| 久久精品久久久久久噜噜老黄| 97在线视频观看| 一区二区三区乱码不卡18| 999精品在线视频| 精品一品国产午夜福利视频| 国产精品二区激情视频| 亚洲欧美精品自产自拍| 中文字幕人妻熟女乱码| 日日撸夜夜添| 久久人人爽av亚洲精品天堂| av国产久精品久网站免费入址| 卡戴珊不雅视频在线播放| 国产精品久久久久久精品电影小说| 天堂俺去俺来也www色官网| 丝袜喷水一区| 美女高潮到喷水免费观看| 91午夜精品亚洲一区二区三区| 精品国产乱码久久久久久小说| 中文字幕人妻熟女乱码| 成人18禁高潮啪啪吃奶动态图| 亚洲av免费高清在线观看| 国产av一区二区精品久久| 在线观看免费日韩欧美大片| 又粗又硬又长又爽又黄的视频| 国产精品熟女久久久久浪| 国产午夜精品一二区理论片| 制服诱惑二区| 国产在视频线精品| 午夜福利乱码中文字幕| 日韩制服骚丝袜av| 欧美精品亚洲一区二区| 久久久久精品人妻al黑| 久久久精品国产亚洲av高清涩受| 大片免费播放器 马上看| 午夜福利视频在线观看免费| 免费人妻精品一区二区三区视频| 日韩大片免费观看网站| 最近2019中文字幕mv第一页| 亚洲国产日韩一区二区| 亚洲内射少妇av| 韩国高清视频一区二区三区| 在线天堂最新版资源| 激情五月婷婷亚洲| 久久久久久久国产电影| 2022亚洲国产成人精品| 国语对白做爰xxxⅹ性视频网站| 女人高潮潮喷娇喘18禁视频| 在线天堂最新版资源| 久久99蜜桃精品久久| 热re99久久国产66热| 精品视频人人做人人爽| 日韩制服骚丝袜av| 免费看av在线观看网站| 久久人妻熟女aⅴ| 9色porny在线观看| 天天躁狠狠躁夜夜躁狠狠躁| 男人操女人黄网站| 一本久久精品| 亚洲,欧美,日韩| 极品人妻少妇av视频| 侵犯人妻中文字幕一二三四区| 日日爽夜夜爽网站| 午夜影院在线不卡| 男人操女人黄网站| 男人爽女人下面视频在线观看| 国产午夜精品一二区理论片| 免费在线观看黄色视频的| 黄色视频在线播放观看不卡| 国产av码专区亚洲av| 中国国产av一级| a级毛片黄视频| 国产成人一区二区在线| 免费久久久久久久精品成人欧美视频| 97精品久久久久久久久久精品| 热99久久久久精品小说推荐| 极品人妻少妇av视频| 又黄又粗又硬又大视频| 亚洲精品美女久久久久99蜜臀 | 国产极品粉嫩免费观看在线| 777久久人妻少妇嫩草av网站| 考比视频在线观看| 日本vs欧美在线观看视频| 国产精品免费视频内射| 久久国产精品大桥未久av| 成人影院久久| 久久久久久久亚洲中文字幕| 免费播放大片免费观看视频在线观看| 咕卡用的链子| 国产探花极品一区二区| 又粗又硬又长又爽又黄的视频| 最近的中文字幕免费完整| 女人久久www免费人成看片| 久久久精品94久久精品| 丝瓜视频免费看黄片| 欧美精品一区二区大全| 欧美日韩国产mv在线观看视频| 欧美97在线视频| 国产欧美日韩综合在线一区二区| 两个人看的免费小视频| 午夜影院在线不卡| 久久这里只有精品19| 青春草国产在线视频| 香蕉丝袜av| 国产精品女同一区二区软件| 在线观看一区二区三区激情| 视频区图区小说| 水蜜桃什么品种好| 最近最新中文字幕大全免费视频 | 国产精品麻豆人妻色哟哟久久| 大话2 男鬼变身卡| 王馨瑶露胸无遮挡在线观看| 亚洲国产日韩一区二区| 国产一区二区 视频在线| 午夜福利视频在线观看免费| 亚洲美女视频黄频| 热re99久久精品国产66热6| 在线看a的网站| 国产免费视频播放在线视频| 国产探花极品一区二区| 伦理电影免费视频| 日韩精品免费视频一区二区三区| 中文字幕人妻熟女乱码| 麻豆乱淫一区二区| 黄频高清免费视频| 免费观看无遮挡的男女| 宅男免费午夜| 国产亚洲午夜精品一区二区久久| 婷婷成人精品国产| 亚洲一码二码三码区别大吗| 午夜日韩欧美国产| 中文字幕人妻丝袜一区二区 | 国产av码专区亚洲av| √禁漫天堂资源中文www| 女人高潮潮喷娇喘18禁视频| 哪个播放器可以免费观看大片| 嫩草影院入口| 久久久久精品人妻al黑| 两个人看的免费小视频| 亚洲视频免费观看视频| 多毛熟女@视频| 国产野战对白在线观看| 国产国语露脸激情在线看| 少妇人妻精品综合一区二区| 久久精品国产亚洲av高清一级| 青春草亚洲视频在线观看| 巨乳人妻的诱惑在线观看| 一区二区av电影网| 亚洲av综合色区一区| 1024视频免费在线观看| 欧美国产精品va在线观看不卡| 久久av网站| www.熟女人妻精品国产| 天天影视国产精品| av福利片在线| 韩国高清视频一区二区三区| 欧美精品人与动牲交sv欧美| 中文字幕精品免费在线观看视频| 伦精品一区二区三区| 成人国产av品久久久| av福利片在线| 性色av一级| 日本色播在线视频| 97在线人人人人妻| 熟女少妇亚洲综合色aaa.| 久久毛片免费看一区二区三区| 大片电影免费在线观看免费| 国产精品国产av在线观看| av天堂久久9| 欧美+日韩+精品| 国产1区2区3区精品| 国产免费现黄频在线看| 高清欧美精品videossex| 国产女主播在线喷水免费视频网站| 99九九在线精品视频| 国产一区二区三区综合在线观看| 久久ye,这里只有精品| 国产在线一区二区三区精| 男人操女人黄网站| 免费黄色在线免费观看| 电影成人av| 人妻人人澡人人爽人人| 欧美+日韩+精品| 亚洲av电影在线观看一区二区三区| 极品少妇高潮喷水抽搐| av福利片在线| 建设人人有责人人尽责人人享有的| 欧美精品高潮呻吟av久久| 麻豆av在线久日| 97人妻天天添夜夜摸| 国产免费视频播放在线视频| 久久亚洲国产成人精品v| 97在线视频观看| 亚洲国产毛片av蜜桃av| 日韩不卡一区二区三区视频在线| 亚洲精品第二区| 成人毛片a级毛片在线播放| 色播在线永久视频| 美女高潮到喷水免费观看| 校园人妻丝袜中文字幕| 久久av网站| 国产人伦9x9x在线观看 | 精品福利永久在线观看| 久久午夜福利片| www.av在线官网国产| 亚洲精品av麻豆狂野| 亚洲男人天堂网一区| 亚洲国产精品一区三区| 午夜免费男女啪啪视频观看| 男女边吃奶边做爰视频| 色吧在线观看| 少妇精品久久久久久久| 日本wwww免费看| 欧美成人午夜免费资源| 亚洲国产av新网站| 天天躁夜夜躁狠狠躁躁| av福利片在线| 亚洲精品国产av蜜桃| 99香蕉大伊视频| 成人二区视频| 日本午夜av视频| 老汉色∧v一级毛片| 汤姆久久久久久久影院中文字幕| 性色avwww在线观看| 狠狠婷婷综合久久久久久88av| 女人精品久久久久毛片| 亚洲国产精品国产精品| 亚洲美女视频黄频| 成年av动漫网址| 两性夫妻黄色片| 黄网站色视频无遮挡免费观看| 亚洲成人av在线免费| 91精品伊人久久大香线蕉| 91精品三级在线观看| 久久99热这里只频精品6学生| 免费看不卡的av| 免费播放大片免费观看视频在线观看| 性色avwww在线观看| 香蕉丝袜av| av不卡在线播放| 国产福利在线免费观看视频| 水蜜桃什么品种好| 高清黄色对白视频在线免费看| 男男h啪啪无遮挡| 不卡视频在线观看欧美| 一区二区三区四区激情视频| 伦理电影大哥的女人| 高清不卡的av网站| 女性生殖器流出的白浆| 热re99久久国产66热| 久久久久久久久久久免费av| 久久国产亚洲av麻豆专区| 亚洲精品一二三| 黑人猛操日本美女一级片| 波多野结衣av一区二区av| 亚洲av国产av综合av卡| 欧美精品亚洲一区二区| 91午夜精品亚洲一区二区三区| 午夜福利影视在线免费观看| 日本-黄色视频高清免费观看| 国产综合精华液| 欧美人与善性xxx| 国产成人av激情在线播放| 精品人妻熟女毛片av久久网站| 国产高清国产精品国产三级| 人妻一区二区av| av国产精品久久久久影院| 性高湖久久久久久久久免费观看| 久久久久久久久免费视频了| 五月开心婷婷网| 国产成人a∨麻豆精品| 国产av精品麻豆| 亚洲四区av| 人人妻人人澡人人爽人人夜夜| av在线播放精品| 黄色一级大片看看| 嫩草影院入口| 女性生殖器流出的白浆| 国产精品国产三级国产专区5o| 午夜福利在线观看免费完整高清在| 黄色毛片三级朝国网站| 免费高清在线观看日韩| 又黄又粗又硬又大视频| 纵有疾风起免费观看全集完整版| 亚洲国产最新在线播放| 精品国产乱码久久久久久男人| 大码成人一级视频| 国产色婷婷99| 久久ye,这里只有精品| 亚洲,欧美,日韩| 亚洲一级一片aⅴ在线观看| 免费黄频网站在线观看国产| 七月丁香在线播放| 久久久久久久亚洲中文字幕| 亚洲av男天堂| 亚洲欧美色中文字幕在线| 免费久久久久久久精品成人欧美视频| 日韩电影二区| 免费久久久久久久精品成人欧美视频| 免费看av在线观看网站| 一区在线观看完整版| 超碰97精品在线观看| 老司机影院毛片| 午夜91福利影院| 夫妻性生交免费视频一级片| 国产成人免费无遮挡视频| 国产伦理片在线播放av一区| 中国国产av一级| 久久久欧美国产精品| 午夜久久久在线观看| 秋霞伦理黄片| 免费久久久久久久精品成人欧美视频| 亚洲美女搞黄在线观看| 如日韩欧美国产精品一区二区三区| 丝袜脚勾引网站| 纵有疾风起免费观看全集完整版| 丰满少妇做爰视频| 在线天堂最新版资源| 99久久精品国产国产毛片| 久久久国产精品麻豆| 国产免费一区二区三区四区乱码| 十八禁网站网址无遮挡| av在线播放精品| 欧美激情极品国产一区二区三区| 精品第一国产精品| 国产伦理片在线播放av一区| www.熟女人妻精品国产| 欧美激情极品国产一区二区三区| 久久精品国产综合久久久| 1024视频免费在线观看| 亚洲美女搞黄在线观看| √禁漫天堂资源中文www| 美女高潮到喷水免费观看| 国产精品久久久久久精品电影小说| 国产精品偷伦视频观看了| 国产亚洲精品第一综合不卡| 中文字幕最新亚洲高清| 欧美日韩综合久久久久久| 亚洲欧美日韩另类电影网站| 精品久久久久久电影网| 久热这里只有精品99| 午夜福利视频精品| 久久久亚洲精品成人影院| 黑人巨大精品欧美一区二区蜜桃| 国产一区亚洲一区在线观看| 欧美人与善性xxx| 超碰成人久久| 黄片无遮挡物在线观看| 亚洲国产看品久久| 精品少妇久久久久久888优播| 国产免费现黄频在线看| 三级国产精品片| 亚洲伊人久久精品综合| 国产免费又黄又爽又色| 人人妻人人添人人爽欧美一区卜| 看免费成人av毛片| av女优亚洲男人天堂| 观看av在线不卡| 国产色婷婷99| 啦啦啦视频在线资源免费观看| 狠狠婷婷综合久久久久久88av|