• <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 ?

    基于置信規(guī)則庫推理的二擇眾倉分類方法

    2018-06-29 00:54:04方志堅傅仰耿陳建華
    數(shù)據(jù)采集與處理 2018年3期
    關(guān)鍵詞:置信置信度個數(shù)

    方志堅 傅仰耿 陳建華

    (福州大學(xué)數(shù)學(xué)與計算機科學(xué)學(xué)院,福州, 350116)

    引 言

    隨著互聯(lián)網(wǎng)絡(luò)及媒體設(shè)備的高速發(fā)展,各個行業(yè)領(lǐng)域每時每刻均在產(chǎn)生大量的數(shù)據(jù)。數(shù)據(jù)信息量的激增導(dǎo)致了海量數(shù)據(jù)庫的產(chǎn)生,如何在海量信息源中提取隱藏和有價值的信息,并應(yīng)用這些信息構(gòu)建決策支持的模型一直在商務(wù)管理、生產(chǎn)控制和市場分析等領(lǐng)域有著強烈的需求。因此數(shù)據(jù)挖掘如今成為一個熱門的研究領(lǐng)域。數(shù)據(jù)分類是數(shù)據(jù)挖掘領(lǐng)域中一個重要的分支,這是由于大多數(shù)的實際工程問題均能轉(zhuǎn)換成分類問題。分類就是利用已知標(biāo)簽的數(shù)據(jù)來構(gòu)建相關(guān)的模型,進而確定未知類別數(shù)據(jù)標(biāo)簽的決策過程。

    目前已經(jīng)有許多經(jīng)典的分類算法被提出,例如:K近鄰[1]、支持向量機[2]和粗糙集[3]等方法。K近鄰算法原理相對簡單,方法易于實現(xiàn),并且支持增量學(xué)習(xí),具有對復(fù)雜決策空間進行建模的能力,其缺點在于尋找近鄰點需要大量的計算,且當(dāng)數(shù)據(jù)中包含弱相關(guān)屬性時,其分類精度會下降;支持向量機在已知核函數(shù)的情況下,能夠大大減少對高維問題的求解復(fù)雜度,其在一定程度上具有泛化推廣的能力,因此也導(dǎo)致了支持向量機的分類精度十分依賴核函數(shù)的選擇,而如何選擇核函數(shù)一直是一個公認(rèn)的難題;粗糙集的優(yōu)點在于不需要附加信息或先驗知識,就能夠處理存在不精確乃至不完整數(shù)據(jù)的問題。但它只能處理離散化的屬性,且產(chǎn)生的決策規(guī)則不穩(wěn)定,準(zhǔn)確率有待提高。

    置信規(guī)則庫推理方法(Belief rule-base inference methodology using evidential reasoning approach, RIMER)最早由Yang等[4]提出,囊括了傳統(tǒng)IF-THEN規(guī)則庫[5]、D-S證據(jù)理論[6,7]、決策理論[8]和模糊理論[9]等方面的知識,具有對不完整或不精確信息進行建模的能力。當(dāng)前,以RIMER為核心的置信規(guī)則庫(Belief rule base,BRB)系統(tǒng)已經(jīng)廣泛應(yīng)用于輸油管道檢漏[10]、工程系統(tǒng)安全評估[11]和軍事能力評估[12]等工程領(lǐng)域。傳統(tǒng)的RIMER方法不適用于屬性數(shù)量過多的問題,這是由于BRB在構(gòu)建過程中需要遍歷所有前件屬性的各個候選值,因此隨著屬性數(shù)量的增多,BRB的規(guī)則條數(shù)將呈指數(shù)級增長,這必然會導(dǎo)致“組合爆炸”問題的產(chǎn)生。鑒于此,前人提出了通過線性組合的方式構(gòu)建規(guī)則庫,使得規(guī)則庫的條數(shù)不再隨屬性數(shù)量的增長而增長。由于規(guī)則庫在結(jié)構(gòu)上發(fā)生了改變,使得原有方法中的激活公式不再適用于現(xiàn)有方法。因此,Chang等[13]將原有方法中的激活規(guī)則改為激活屬性,即不再關(guān)注哪條規(guī)則被激活,而是注重前件屬性的哪些候選值被激活。將BRB應(yīng)用于分類算法中,Ye等[14]提出設(shè)定規(guī)則數(shù)等于分類數(shù),以輸入值和候選值之間距離倒數(shù)的歸一化值作為個體匹配度,即對于任何輸入值,規(guī)則庫中的每條規(guī)則都將被激活,激活權(quán)重表現(xiàn)為每條規(guī)則對分類結(jié)果的貢獻度。這些方法不僅解決了“組合爆炸”問題,而且在分類準(zhǔn)確性上獲得了不錯的效果。然而采用線性組合方式也存在兩點不足:(1)線性組合迫使每個前件屬性候選值的個數(shù)必須相等,這也就忽略了各個前件屬性間的差異;(2)激活權(quán)重公式的改變導(dǎo)致后件置信度受到了來自非激活前件屬性候選值的影響,即在原始RIMER方法中,參與證據(jù)推理(Evidertail reasoning, ER)合成的置信度所對應(yīng)規(guī)則的候選值都存在個體匹配度,而采用線性組合的方式,常常出現(xiàn)個體匹配度為0的屬性參與激活合成,這必然會影響后件置信度。

    本文提出一種改進置信規(guī)則庫推理的分類方法。首先,在文獻[13]研究的基礎(chǔ)上,將評價等級個數(shù)設(shè)定為兩個,即后件評價等級個數(shù)不再等于分類數(shù)。對于一組輸入值,RIMER過程只得出該輸入值是否滿足某種特定條件,以及以多大的置信度滿足該條件。其次,對于某一具體問題不再局限于設(shè)定一個規(guī)則庫,而是同時存在多個規(guī)則庫進行決策。依據(jù)數(shù)據(jù)的特性,采用One-versus-One和有向無環(huán)圖來構(gòu)建決策模型。最后,再根據(jù)各個規(guī)則庫的決策結(jié)果進行類別“投票”,票數(shù)最高的即為最終分類結(jié)果。

    1 置信規(guī)則庫推理方法

    采用規(guī)則形式表示相關(guān)信息在人工智能領(lǐng)域是一種非常常見的方式,在置信規(guī)則庫推理方法中,規(guī)則化的信息表示體現(xiàn)在了置信規(guī)則庫中。

    1.1 置信規(guī)則庫表示

    置信規(guī)則庫由傳統(tǒng)IF-THEN規(guī)則庫演化而來,Yang等將置信框架引入IF-THEN規(guī)則中,使得傳統(tǒng)的IF-THEN規(guī)則能夠合理地表示不完整或不確定信息的知識,從而提出新的規(guī)則表達式。新的規(guī)則即稱為置信規(guī)則,其中第k條置信規(guī)則可表示為

    (1)

    1.2 置信規(guī)則庫系統(tǒng)推理過程

    BRB系統(tǒng)的規(guī)則推理由計算激活權(quán)重、修正后件置信度和合成激活規(guī)則3步組成。在計算激活權(quán)重前,需先計算各個前件屬性候選值的個體匹配度,計算方法為

    (2)

    其中,輸入值向量表示為x={x1,x2,…,xT}。

    第k條規(guī)則激活權(quán)重的計算公式為

    (3)

    (4)

    式中:Ut表示第k條規(guī)則的第t個前件屬性;Rk表示第k條規(guī)則的前件屬性集合。

    由激活規(guī)則的后件置信度和激活權(quán)重可以求得基本屬性的基本可信值為

    mj,k=ωkβj,k

    (5)

    (6)

    (7)

    最后將激活的規(guī)則使用ER法則合成,得到相對于評價等級Dj的基本可信度分配值,即

    (8)

    (9)

    (10)

    (11)

    (12)

    (13)

    1.3 參數(shù)學(xué)習(xí)模型

    圖1 BRB參數(shù)訓(xùn)練模型Fig.1 BRB parameter training model

    專家根據(jù)歷史信息和先驗知識給定的初始BRB系統(tǒng)存在主觀局限性,特別是當(dāng)BRB系統(tǒng)應(yīng)用于復(fù)雜決策問題時,人為方式難以精確地給出這些參數(shù)值。故Yang等[15]提出了BRB系統(tǒng)參數(shù)訓(xùn)練模型,通過比較觀測輸出和推導(dǎo)輸出的差值來矯正BRB系統(tǒng)的參數(shù),進而提高RIMER方法決策的準(zhǔn)確性。訓(xùn)練模型如圖1所示。參數(shù)優(yōu)化模型可表示為

    min{Δ(P)}

    s.t.A(P)=0,B(P)≥0

    (14)

    式中:p=(βi,k,θk,δk,i)為待訓(xùn)練的參數(shù)向量;Δ(P)為目標(biāo)函數(shù),當(dāng)Δ(P)越小時,表明該BRB系統(tǒng)更符合實際系統(tǒng),故最小化Δ(P)是參數(shù)訓(xùn)練的最終目的;A(P)和B(P)分別是等式和不等式約束條件。在參數(shù)訓(xùn)練過程中,文獻[15]給出如下規(guī)定

    (15)

    (2) 標(biāo)準(zhǔn)化規(guī)則權(quán)重θk,使其不小于0且不大于1,即

    0≤θk≤1k=1,2,…,L

    (16)

    (3) 任意一條置信規(guī)則的后件置信度均不小于0且不大于1,其中第k條規(guī)則的第j個評價等級上的置信度需滿足

    0≤βj,k≤1j=1,2,…,N;k=1,2,…,L

    (17)

    (4) 假設(shè)第k條規(guī)則是完整的,即輸入不包含不確定或模糊信息,則該條規(guī)則的后件置信度之和等于1,即

    (18)

    2 現(xiàn)有置信規(guī)則庫推理的分類方法

    目前,置信規(guī)則庫推理方法應(yīng)用于分類已經(jīng)在淋巴結(jié)疾病診斷[16]和UCI分類數(shù)據(jù)集的測試[17]上取得了一定的進展。采用置信規(guī)則庫推理方法解決分類問題主要有以下兩種構(gòu)建規(guī)則庫策略。

    (1)采用遍歷前件屬性候選值的方式,無需改變原始BRB系統(tǒng),在處理分類問題時,只需要將后件置信度轉(zhuǎn)換成分類結(jié)果信息,即可直接將RIMER方法應(yīng)用到分類問題中。然而該方法只能應(yīng)用于數(shù)據(jù)屬性數(shù)目較少的情況,這是由于遍歷組合方式繼承了傳統(tǒng)RIMER方法中固有的“組合爆炸”問題。隨著數(shù)據(jù)屬性數(shù)目的增多,規(guī)則庫的條數(shù)將呈指數(shù)級增長。以數(shù)據(jù)集Wine為例,其數(shù)據(jù)屬性個數(shù)有13個,假設(shè)每個前件屬性候選值的個數(shù)均為3個,那么BRB的規(guī)則條數(shù)就達到了313條,此時參數(shù)訓(xùn)練所耗費的時間是令人無法忍受的。通過遍歷組合方式構(gòu)建的規(guī)則庫大小可表示為

    (19)

    其中Tk表示第k個前件屬性候選值的個數(shù)。通過對UCI上210組分類數(shù)據(jù)進行統(tǒng)計后發(fā)現(xiàn),前件屬性個數(shù)小于10的分類數(shù)據(jù)集個數(shù)僅為54組,而屬性個數(shù)大于10的有156組,由此可知分類數(shù)據(jù)通常為多屬性的情況。因此采用遍歷組合方式構(gòu)建規(guī)則庫并不適用于大部分的分類問題。

    (2)采用線性組合方式構(gòu)建置信規(guī)則庫中的規(guī)則。例如,有3個前件屬性,每個前件屬性的候選值依次為:{1,2,3},{4,5,6}和{7,8,9},則通過線性組合方式構(gòu)建的置信規(guī)則庫為

    R1:ifA1is 1∧A2is 4∧A3is 7,then{D}

    R2:ifA1is 2∧A2is 5∧A3is 8,then{D}

    R3:ifA1is 3∧A2is 6∧A3is 9,then{D}

    (20)

    可以看出,采用線性組合的方式,規(guī)則庫中規(guī)則的條數(shù)只與前件屬性候選值的個數(shù)有關(guān),而與前件屬性個數(shù)無關(guān),這樣就有效避免了“組合爆炸”問題的產(chǎn)生。然而,采用線性組合方式構(gòu)建的置信規(guī)則庫中常常會出現(xiàn)“零激活”問題,這是由于在計算個體匹配度時,至多僅有兩個候選值的個體匹配度非零,其余的皆為零。根據(jù)式(3)可知,只要規(guī)則中存在某個前件屬性候選值的個體匹配度為零,那么該條規(guī)則的激活權(quán)重就為零,即不被激活。因此,激活權(quán)重公式可修正為

    (21)

    即將個體匹配度的累乘形式改為累加形式,這樣激活條件變?yōu)榱酥灰?guī)則中某個屬性候選值的個體匹配度不為零,那么該條規(guī)則就會被激活。

    采用線性組合方式構(gòu)建的BRB分類方法在一定程度上已能有效地解決分類問題,然而由于線性組合的方式也暴露出以下兩點不足:

    (1)線性組合的方式迫使每個前件屬性候選值的個數(shù)必須相等,這樣就忽略了各個前件屬性間的差異。在原始BRB規(guī)則庫中,各個前件屬性候選值個數(shù)一般不相等,其個數(shù)往往取決于該屬性值的區(qū)間大小以及所占的權(quán)重比例,通常情況下,區(qū)間越大,比重越大,則候選值的個數(shù)也就越多。文獻[13]所提出的方法中,前件屬性權(quán)重已從激活規(guī)則公式中刪去,也就是說,該方法認(rèn)為各個前件屬性同等重要,這往往不可取,因為這樣會夸大弱屬性的效用,而弱化了強屬性的分類支持度,導(dǎo)致最終的分類準(zhǔn)確性下降。

    (2)激活權(quán)重公式的改變導(dǎo)致了后件置信度受到了來自非激活前件屬性候選值的影響。即原始方法中,參與ER合成的置信度,其所對應(yīng)規(guī)則的候選值都存在個體匹配度。從修正后的激活權(quán)重公式來看,規(guī)則中存在某個屬性候選值的個體匹配度不為零,那么該條規(guī)則所攜帶的信息就會參與ER合成。倘若只有一個候選值的個體匹配度不為零,那么完全可以弱化該條規(guī)則對結(jié)果所占比重的影響。特別是當(dāng)該激活點屬于噪音情況時,肯定會對結(jié)果造成不利的影響,使得最終的分類準(zhǔn)確性下降。從式(8~13)的計算過程可以看出,隨著后件評價等級個數(shù)的增加,該缺點所帶來的影響也會隨之增大。

    3 基于二擇眾倉的置信規(guī)則庫推理的分類方法

    針對現(xiàn)有置信規(guī)則庫推理分類方法的不足,本文提出一種二擇眾倉決策法。對原有的方法作如下改進:

    (1)將規(guī)則表達式修正為

    (22)

    即每條規(guī)則僅設(shè)計兩個評價等級,置信規(guī)則庫的推理結(jié)果只對輸入值作出是與否的置信決策,而不再作多值判定,僅僅是在二者間選擇。其好處是規(guī)則變得簡單,在處理信息時更加快捷高效,而且該設(shè)計策略能夠很好地改善第2節(jié)中所提到的第2點不足,從而使得分類準(zhǔn)確性有所提高。

    (2)引入眾倉決策模型。在對規(guī)則表達式作出修正后可以很明顯地看出由于后件評價等級個數(shù)只有兩個,那么由此類規(guī)則所構(gòu)建的置信規(guī)則庫只能對二分類問題做出判定,而無法解決多分類問題。因此本文創(chuàng)新性地提出采用多規(guī)則庫的方式解決同一個分類問題,即每一個置信規(guī)則庫都是一個二分類決策器,而由多個二分類決策器構(gòu)成了眾倉決策模型,進而解決多分類問題。采用眾倉模型后,每一個置信規(guī)則庫只關(guān)心兩個類別間或兩個大類別間的差異,此時每一個置信規(guī)則庫都可以有自己的前件屬性權(quán)重值。例如:存在一個4屬性、3類別的分類數(shù)據(jù)集,可以在兩兩類別間設(shè)置一個置信規(guī)則庫,假設(shè)區(qū)分1,2類別僅需要前兩個屬性,那么對于第1個置信規(guī)則庫完全可以將3,4屬性的權(quán)重值設(shè)置為零。該優(yōu)點是現(xiàn)有置信規(guī)則庫分類方法所不能擁有的,只有一個置信規(guī)則庫的分類方法,其前件屬性權(quán)重必須同時考慮區(qū)別1,2,3類。因此,采用眾倉決策模型可以很好地解決第2節(jié)中所提到的第1點不足。

    圖2給出了三類別示例。如圖所示,在類別1與類別2間、類別1與類別3間找到一個可分平面十分容易,然而在類別2與類別3間找到一個可分平面就相對比較困難,采用現(xiàn)有的分類方法無法直接了斷地解決該瓶頸,只能通過增加規(guī)則條數(shù)或參數(shù)訓(xùn)練復(fù)雜度的方法來解決,這必然會對類別1產(chǎn)生影響。若是采用二擇眾倉決策法,類別1與類別2間、類別1與類別3間的分類器在訓(xùn)練過程中可以很快地獲得精準(zhǔn)結(jié)果,而對于類別2與類別3間的分類器,在訓(xùn)練過程中就可以發(fā)現(xiàn)這是整個分類問題的瓶頸,這樣就不再是“黑箱”操作,而是清楚明了地知道問題瓶頸所在的位置,此時可以通過增加規(guī)則條數(shù)或增加參數(shù)訓(xùn)練復(fù)雜度的方法來解決,同時對類別1不會造成任何影響。這也是二擇眾倉決策法的優(yōu)點之一。

    圖2 三類別示例Fig.2 Illustraction example of three categories

    二擇眾倉決策法不改變RIMER方法的整個體系結(jié)構(gòu),單個置信規(guī)則庫的所有操作都與原來一致,改變的只是評價等級個數(shù),也就是讓單個置信規(guī)則庫只解決一個小問題,將處理結(jié)果返回給該體系外的眾倉決策模型,該模型將多個小問題的結(jié)果進行融合,從而解決問題。這樣不僅繼承了原有RIMER方法中的優(yōu)點,而且在一定程度上改善了由線性組合方式所帶來的不足。二擇眾倉決策法的具體實現(xiàn)步驟為

    (1)依據(jù)數(shù)據(jù)的特性選擇合適的眾倉決策模型。以Glass數(shù)據(jù)集為例,通過查看其類別描述可獲得如下信息:

    Class Distribution: (out of 214 total instances)

    ——163 Window glass (building windows and vehicle windows)

    -- 87 float processed

    -- 70 building windows

    -- 17 vehicle windows

    -- 76 non-float processed

    -- 76 building windows

    -- 0 vehicle windows

    -- 51 Non-window glass

    -- 13 containers

    -- 9 tableware

    -- 29 headlamps

    圖3 Glass數(shù)據(jù)集的眾倉決策模型Fig.3 Multiply decision-making model of Glass dataset

    可以看出Glass數(shù)據(jù)集的類別結(jié)構(gòu)層次分明,能很容易地采用有向無環(huán)圖來構(gòu)建眾倉決策模型,如圖3所示。Glass數(shù)據(jù)集中類別4的個數(shù)為零,故未在圖中標(biāo)出。從圖3可以看出,對Glass數(shù)據(jù)集進行分類需要設(shè)計6個BRB分類器,其中BRB1用來區(qū)分Window glass與Non-window glass這兩類,Window glass有4個類別標(biāo)簽:1,2,3和4,Non-window有3個類別標(biāo)簽:5,6和7。即BRB1是區(qū)分1,2,3,4類和5,6,7類的分類器。BRB2,BRB3和BRB1同理不再贅述。BRB4,BRB5和BRB6采用One-versus-one算法,即在兩兩類間訓(xùn)練一個分類器,當(dāng)對一個未知樣本進行分類時,每個分類器都對其進行判定,并給相應(yīng)的類別“投上一票”,最后票數(shù)最多的類別作為該樣本的類別。該步驟可用圖4所示的流程圖表示。

    (2)由于各個分類器在訓(xùn)練的過程中相互不存在影響,可以采用并行的策略同時進行訓(xùn)練。訓(xùn)練的過程中發(fā)現(xiàn)有瓶頸問題,可以不斷調(diào)整訓(xùn)練參數(shù),以獲得更加滿意的結(jié)果。本文中的實驗均采用差分進化算法對BRB的參數(shù)進行訓(xùn)練。以均方差(Mean squared error, MSE)作為參數(shù)訓(xùn)練模型中的目標(biāo)函數(shù),即

    (23)

    (3)后件置信度轉(zhuǎn)換成類別信息。由于后件評價等級只有兩個,將兩個評價等級與兩個分類級別對應(yīng)起來,則最終的分類結(jié)果為

    (24)

    其中i,j表示類別的編號。

    4 實驗分析與結(jié)果對比

    通過實驗將二擇眾倉決策法與現(xiàn)有的分類方法進行對比,以差分進化算法作為參數(shù)訓(xùn)練的優(yōu)化算法。一般情況下將種群規(guī)模設(shè)置在50,交叉概率為0.9,縮放因子為0.5。實驗環(huán)境為:Intel(R)Core(TM)i5-4570 CPU @3.20 GHz處理器,8 GB內(nèi)存,Windows7操作系統(tǒng)。程序均在Matlab2014b中實現(xiàn)。

    4.1 實驗1

    本實驗所使用的3個數(shù)據(jù)集均來自UCI公共測試集,分別為:Iris,Wine和Glass。表1顯示了3個測試數(shù)據(jù)集的基本信息。

    表1 數(shù)據(jù)集基本信息

    采用十折交叉驗證法,即將樣本數(shù)據(jù)分成10份,每次取其中的1份作為測試集,其余的作為訓(xùn)練集。十折交叉驗證法的實驗結(jié)果如表2所示。

    表2 十折交叉驗證結(jié)果

    為了進一步驗證本文方法的有效性,將本文方法與文獻[13,14]同樣是采用置信規(guī)則庫推理的分類方法進行對比,并選取近兩年來對這3個數(shù)據(jù)集進行分類的其他方法進行對比,對比結(jié)果如表3和圖5~7所示。

    表3 不同方法在不同數(shù)據(jù)集上的分類準(zhǔn)確率對比

    圖5 Iris數(shù)據(jù)集的各方法分類準(zhǔn)確率對比 圖6 Wine數(shù)據(jù)集的各方法分類準(zhǔn)確率對比

    圖7 Glass數(shù)據(jù)集的各方法分類準(zhǔn)確率對比 Fig.7 Classification accuracy contrast by using different methods on Glass dataset

    將本文方法與非BRB方法進行對比,可以看出除了FGGCA的Glass數(shù)據(jù)集外,余下結(jié)果都不如本文的方法來得更優(yōu)。將本文方法與文獻[13,14]的方法進行對比,文獻[14]的實驗缺失Wine數(shù)據(jù)集的結(jié)果,然而從Iris和Glass數(shù)據(jù)集來看,其結(jié)果均不如本文的方法好。而對比文獻[13]方法,在Glass數(shù)據(jù)上本文的方法有了很大的提升,這是由于Glass數(shù)據(jù)集帶有二分類的特性,特別適用于本文提出的方法。沒有任何一種方法能對所有數(shù)據(jù)集均達到最優(yōu)的結(jié)果,但縱觀全局來看,本文的方法在一定程度上提升了分類的準(zhǔn)確性。

    4.2 實驗2

    本實驗在于說明文獻[13]提出的方法隨著類別個數(shù)的增多,其分類準(zhǔn)確率將會急劇下降。而采用二擇眾倉決策方法,將會大幅度地減少準(zhǔn)確率的下降程度。實驗數(shù)據(jù)樣本來源于Brodatz庫中的14幅紋理圖像,其在Brodatz庫中的編號分別為D1,D6,D12,D15,D20,D34,D37,D52,D56,D65,D72,D87,D93和D110,具體如圖8所示。

    圖8 Brodatz庫中的14幅紋理圖像Fig.8 Fourteen texture images from Brodatz library

    這14幅紋理圖像原始大小均為640像素×640像素,將每幅圖像不重疊地切割成4×4=16幅子圖,每幅子圖大小均為160像素×160像素,共獲得14×16=224幅樣本圖像。選取每幅圖像的前8幅子圖作為訓(xùn)練數(shù)據(jù),后8幅子圖作為測試數(shù)據(jù)。使用Matlab2014b所提供的graycomatrix和graycoprops函數(shù)獲取每幅子圖的灰度共生矩陣特征值,并以此作為分類依據(jù)。實驗類別個數(shù)從初始的4個逐步增加至14個。實驗結(jié)果如圖9所示。

    圖9 實驗結(jié)果對比Fig.9 Experimental results comparison

    從實驗結(jié)果可以看出,在類別個數(shù)較少時,文獻[13]方法與二擇眾倉決策方法差別不大。但隨著類別個數(shù)的增多,其準(zhǔn)確率會急劇下降,對14幅紋理圖像同時進行分類時其準(zhǔn)確率僅有30.36%。這是由于線性組合方式并不適用于類別個數(shù)較多的情況,這已在第2節(jié)中做了詳細說明。而采用二擇眾倉決策方法后會大幅度地減少該不足所帶來的影響,對14幅紋理圖像同時進行分類時依然能保持較高的準(zhǔn)確率,說明本文所提出的方法具有較強的魯棒性。

    5 結(jié)束語

    雖然通過線性組合方式構(gòu)建置信規(guī)則庫避免了規(guī)則條數(shù)隨著問題屬性數(shù)量的增多而激增,但該方式仍然存在不足。鑒于此,本文提出一種改進置信規(guī)則庫推理的分類方法,首先將一個大的分類問題切割成若干個相對獨立的分類小問題,每個小問題都是一個二分類問題;其次將規(guī)則的后件評價等級設(shè)置為兩個讓每個置信規(guī)則庫只處理一個小問題,以此減小線性組合所來的的誤差;最后,采用眾倉決策的方式將若干個小問題的結(jié)果進行整合,從而得出最終的分類結(jié)果,通過實驗分析驗證了該方法的可行性。本文在現(xiàn)有置信規(guī)則庫推理分類算法的基礎(chǔ)上,通過改進分類器的設(shè)計,從而進一步提高了分類準(zhǔn)確率。如何處理類別數(shù)量更多的分類問題將是下一步研究的方向。

    參考文獻:

    [1] Cover T,Hart P.Nearest neighbor pattern classification[J].IEEE Transactions on Information Theory,1967,13(1):21-27.

    [2] Cortes C,Vapnik V.Support-vector networks[J].Machine Learning,1995,20(3):273-297.

    [3] Bazan J G,Nguyen H S,Nguyen S H,et al.Rough set algorithms in classification problem[J].Rough Set Methods and Applications,2000,56(1):49-88.

    [4] Yang Jianbo,Liu Jun,Wang Jin,et al.Belief rule-base inference methodology using the evidential reasoning approach-RIMER[J].IEEE Transactions on Systems, Man and Cybernetics,Part A:Systems and Humans,2006,36(2):266-285.

    [5] Sun R.Robust reasoning:Integrating rule-based and similarity-based reasoning[J].Artificial Intelligence,1995,75(2):241-295.

    [6] Dempster A P.A generalization of Bayesian inference[J].Journal of the Royal Statistical Society,1968,30(2):205-247.

    [7] Shafer G.A mathematical theory of evidence[M].Princeton: Princeton University Press,1976:10-39.

    [8] Hwang C L,Yoon K.Methods for multiple attribute decision making[M].[S.l.]: Sringer Berlin Heidelberg,981:58-191.

    [9] Zadeh L A.Fuzzy sets[J].Information and Control,1965,8(3):338-353.

    [10] 周志杰,楊劍波,胡昌華,等.置信規(guī)則庫專家系統(tǒng)與復(fù)雜系統(tǒng)建模[M].北京:科學(xué)出版社,2011:9-41.

    Zhou Zhijie,Yang Jianbo,Hu Changhua,et al.Belief rule base of expert system and complex system modeling[M].Beijing:Science Press,2011:9-41.

    [11] Liu Jun,Yang Jianbo Ruan Da,et al.Self-tuning of fuzzy belief rule bases for engineering system safety analysis[J].Annals of Operations Research,2008,163(1):143-168.

    [12] Jiang Jiang,Li Xuan,Zhou Zhijie,et al.Weapon system capability assessment under uncertainty based on the evidential reasoning approach[J].Expert Systems with Applications,2011,38(11):13773-13784.

    [13] Chang Leilei,Zhou Zhijie,You Yuan,et al.Belief rule based expert system for classification problems with new rule activation and weight calculation procedures[J].Information Sciences,2016,336(1):75-91.

    [14] 葉青青,楊隆浩,傅仰耿.基于改進置信規(guī)則庫推理的分類方法[J].計算機科學(xué)與探索,2016,10(5):709-721.

    Ye Qingqing,Yang Longhao,F(xiàn)u Yanggeng.Classification approach based on improved belief rule-base reasoning[J].Computer Science and Technology,2016,10(5):709-721.

    [15] Yang Jianbo,Liu Jun,Xu Dongling,et al.Optimization models for training belief-rule-based systems[J].IEEE Transactions on Systems,Man,and Cybernetics,Part A:Systems and Humans,2007,37(4):569-585.

    [16] Zhou Zhiguo, Liu Fang,Jiao Licheng,et al.A bi-level belief rule based decision support system for diagnosis of lymph node metastasis in gastric cancer[J].Knowledge-Based Systems,2013,54:128-136.

    [17] Calzada A,Liu J,Wang H,et al.A new dynamic rule activation method for extended belief rule-based systems[J].IEEE Transactions on Knowledge and Data Engineering,2015,27(4):880-894.

    [18] Nie Qingfeng,Jin Lizou,F(xiàn)ei Shumin,et al.Neural network for multi-class classification by boosting composite stumps[J].Neurocomputing,2015,149:949-956.

    [19] Sanchez M A,Castillo O,Castro J R,et al.Fuzzy granular gravitational clustering algorithm for multivariate data[J].Information Sciences,2014,279:498-511.

    [20] Shao Yuanhai,Chen Weijie,Wang Zhen,et al.Weighted linear loss twin support vector machine for large-scale classification[J].Knowledge-Based Systems,2015,73:276-288.

    猜你喜歡
    置信置信度個數(shù)
    硼鋁復(fù)合材料硼含量置信度臨界安全分析研究
    急診住院醫(yī)師置信職業(yè)行為指標(biāo)構(gòu)建及應(yīng)用初探
    基于置信職業(yè)行為的兒科住院醫(yī)師形成性評價體系的構(gòu)建探索
    怎樣數(shù)出小正方體的個數(shù)
    基于模糊深度置信網(wǎng)絡(luò)的陶瓷梭式窯PID優(yōu)化控制
    等腰三角形個數(shù)探索
    怎樣數(shù)出小木塊的個數(shù)
    怎樣數(shù)出小正方體的個數(shù)
    正負(fù)關(guān)聯(lián)規(guī)則兩級置信度閾值設(shè)置方法
    基于CUDA和深度置信網(wǎng)絡(luò)的手寫字符識別
    精品日产1卡2卡| 久久久久久久午夜电影| 国产免费男女视频| 99热这里只有是精品50| 狂野欧美白嫩少妇大欣赏| 日韩av在线大香蕉| 天堂动漫精品| 五月伊人婷婷丁香| 国产精品久久久久久久电影 | 精品无人区乱码1区二区| 亚洲aⅴ乱码一区二区在线播放| 免费大片18禁| 最新中文字幕久久久久 | 18禁黄网站禁片免费观看直播| 国产精品一区二区三区四区免费观看 | 97超级碰碰碰精品色视频在线观看| 亚洲精品久久国产高清桃花| 免费大片18禁| 亚洲熟妇中文字幕五十中出| 久久国产乱子伦精品免费另类| 久久久久亚洲av毛片大全| 欧美日韩精品网址| xxx96com| 欧美日韩亚洲国产一区二区在线观看| 18禁美女被吸乳视频| 中文字幕人妻丝袜一区二区| 欧洲精品卡2卡3卡4卡5卡区| 嫩草影院入口| 国产精品爽爽va在线观看网站| 国产不卡一卡二| 一二三四在线观看免费中文在| 91九色精品人成在线观看| 久久久国产成人精品二区| 禁无遮挡网站| 日本免费a在线| 亚洲精品色激情综合| 巨乳人妻的诱惑在线观看| 国内揄拍国产精品人妻在线| 久久久国产欧美日韩av| 在线观看免费视频日本深夜| 老司机福利观看| 丝袜人妻中文字幕| 亚洲18禁久久av| 国内精品美女久久久久久| 亚洲人成网站在线播放欧美日韩| 欧美丝袜亚洲另类 | 日韩欧美一区二区三区在线观看| 国产精品亚洲美女久久久| 免费无遮挡裸体视频| 韩国av一区二区三区四区| 亚洲天堂国产精品一区在线| 欧美丝袜亚洲另类 | 岛国在线免费视频观看| 久久中文字幕一级| 男女午夜视频在线观看| 久久精品91蜜桃| 首页视频小说图片口味搜索| 真人一进一出gif抽搐免费| 国产精品av久久久久免费| 婷婷六月久久综合丁香| 国产野战对白在线观看| 人妻夜夜爽99麻豆av| 婷婷精品国产亚洲av| 看片在线看免费视频| 成年女人毛片免费观看观看9| 99在线视频只有这里精品首页| 性色av乱码一区二区三区2| 国产一区二区在线av高清观看| 亚洲美女视频黄频| 亚洲自拍偷在线| 免费在线观看影片大全网站| 亚洲专区字幕在线| 婷婷丁香在线五月| 亚洲人成电影免费在线| 俺也久久电影网| 天天躁日日操中文字幕| 听说在线观看完整版免费高清| 亚洲国产欧洲综合997久久,| 欧美黄色片欧美黄色片| 村上凉子中文字幕在线| 亚洲 欧美 日韩 在线 免费| 久久久精品大字幕| 99久久国产精品久久久| 男人的好看免费观看在线视频| 草草在线视频免费看| 亚洲国产日韩欧美精品在线观看 | 色播亚洲综合网| 午夜亚洲福利在线播放| 国产精品精品国产色婷婷| 欧美黄色片欧美黄色片| 性色av乱码一区二区三区2| 国产亚洲av嫩草精品影院| 一进一出抽搐动态| 国产成人啪精品午夜网站| 亚洲国产欧美网| 成年版毛片免费区| 久久欧美精品欧美久久欧美| 午夜免费观看网址| 国产精品自产拍在线观看55亚洲| 男女视频在线观看网站免费| 男人和女人高潮做爰伦理| 狂野欧美白嫩少妇大欣赏| 亚洲一区高清亚洲精品| 亚洲第一电影网av| 精品久久久久久久人妻蜜臀av| 亚洲午夜理论影院| 亚洲午夜精品一区,二区,三区| 女人高潮潮喷娇喘18禁视频| 老司机在亚洲福利影院| 久久久久久久久中文| 在线播放国产精品三级| 欧美极品一区二区三区四区| 女人被狂操c到高潮| 操出白浆在线播放| 一进一出好大好爽视频| 久久精品国产亚洲av香蕉五月| 国产一区二区三区视频了| 亚洲欧美精品综合一区二区三区| 一个人看视频在线观看www免费 | 国产综合懂色| 久久国产精品人妻蜜桃| 欧美中文日本在线观看视频| 成人性生交大片免费视频hd| a级毛片在线看网站| 中亚洲国语对白在线视频| 日韩av在线大香蕉| cao死你这个sao货| 夜夜爽天天搞| 最近最新中文字幕大全免费视频| 亚洲av第一区精品v没综合| 性色av乱码一区二区三区2| 一夜夜www| 色播亚洲综合网| 亚洲黑人精品在线| 亚洲欧美日韩卡通动漫| 狠狠狠狠99中文字幕| 观看美女的网站| 偷拍熟女少妇极品色| 亚洲精品色激情综合| 亚洲熟妇中文字幕五十中出| 88av欧美| 久久精品影院6| 亚洲九九香蕉| av在线天堂中文字幕| 在线观看午夜福利视频| av片东京热男人的天堂| 黄色丝袜av网址大全| 黑人巨大精品欧美一区二区mp4| 好看av亚洲va欧美ⅴa在| 国产高清三级在线| 高潮久久久久久久久久久不卡| 高潮久久久久久久久久久不卡| 一级毛片女人18水好多| 一级毛片女人18水好多| 亚洲av中文字字幕乱码综合| 国内精品久久久久精免费| 少妇的逼水好多| 国产1区2区3区精品| 亚洲无线观看免费| 国产精品99久久久久久久久| 超碰成人久久| 亚洲中文字幕日韩| 村上凉子中文字幕在线| 99热只有精品国产| 精品国产乱码久久久久久男人| 成人无遮挡网站| 桃色一区二区三区在线观看| 亚洲精品456在线播放app | 最近在线观看免费完整版| 欧美成狂野欧美在线观看| 国产美女午夜福利| 久久久久国产一级毛片高清牌| 色尼玛亚洲综合影院| 成人欧美大片| 天天一区二区日本电影三级| 亚洲中文字幕日韩| 人人妻,人人澡人人爽秒播| 国产高清激情床上av| 天堂动漫精品| 亚洲九九香蕉| 久久精品91无色码中文字幕| 欧美日韩福利视频一区二区| 久久草成人影院| 最近最新中文字幕大全电影3| 丁香六月欧美| 亚洲国产精品合色在线| 国产极品精品免费视频能看的| 午夜福利在线在线| 色噜噜av男人的天堂激情| 99精品欧美一区二区三区四区| 成人特级av手机在线观看| 欧美成人性av电影在线观看| 俺也久久电影网| 亚洲人成伊人成综合网2020| 欧洲精品卡2卡3卡4卡5卡区| 亚洲 欧美一区二区三区| 国产99白浆流出| 欧美黑人欧美精品刺激| 免费看美女性在线毛片视频| 久久中文字幕一级| 亚洲精华国产精华精| 后天国语完整版免费观看| 最近最新中文字幕大全电影3| 黑人巨大精品欧美一区二区mp4| 在线观看一区二区三区| 搡老妇女老女人老熟妇| 老鸭窝网址在线观看| 亚洲成av人片免费观看| 99热这里只有精品一区 | 国产伦一二天堂av在线观看| 亚洲va日本ⅴa欧美va伊人久久| 黄色日韩在线| 全区人妻精品视频| 午夜视频精品福利| 天天躁狠狠躁夜夜躁狠狠躁| 久久亚洲精品不卡| 亚洲av免费在线观看| 亚洲精品粉嫩美女一区| 国产精品自产拍在线观看55亚洲| 亚洲欧美日韩卡通动漫| 丝袜人妻中文字幕| 亚洲色图 男人天堂 中文字幕| 午夜福利免费观看在线| 2021天堂中文幕一二区在线观| 999久久久精品免费观看国产| 999久久久精品免费观看国产| 国产精品影院久久| 午夜福利欧美成人| 国产91精品成人一区二区三区| 国产一区二区激情短视频| 日本免费a在线| 最近最新免费中文字幕在线| 51午夜福利影视在线观看| 这个男人来自地球电影免费观看| 久久久久性生活片| 成人av在线播放网站| 国产单亲对白刺激| 国产综合懂色| 中文字幕av在线有码专区| 国产熟女xx| www日本在线高清视频| 亚洲专区国产一区二区| 亚洲av成人不卡在线观看播放网| av欧美777| 麻豆国产97在线/欧美| 欧美黑人欧美精品刺激| 精品欧美国产一区二区三| 少妇的丰满在线观看| xxx96com| 黑人操中国人逼视频| 麻豆久久精品国产亚洲av| 欧美日韩中文字幕国产精品一区二区三区| 夜夜夜夜夜久久久久| 岛国在线观看网站| 国产三级在线视频| 国产成人精品无人区| 国产 一区 欧美 日韩| 1000部很黄的大片| 露出奶头的视频| 久久久久国内视频| 免费看美女性在线毛片视频| 美女扒开内裤让男人捅视频| 国产精品久久久久久久电影 | 美女黄网站色视频| 一进一出抽搐动态| 特级一级黄色大片| 色综合亚洲欧美另类图片| 亚洲人与动物交配视频| 欧美日韩瑟瑟在线播放| 88av欧美| 非洲黑人性xxxx精品又粗又长| 脱女人内裤的视频| 日本与韩国留学比较| 亚洲av熟女| 久久热在线av| 久久欧美精品欧美久久欧美| 欧美zozozo另类| 久久午夜综合久久蜜桃| 麻豆久久精品国产亚洲av| 久久中文字幕人妻熟女| 蜜桃久久精品国产亚洲av| 午夜福利在线观看免费完整高清在 | 免费观看人在逋| 无人区码免费观看不卡| 亚洲午夜精品一区,二区,三区| 亚洲精品美女久久av网站| 好男人在线观看高清免费视频| 国产精品99久久久久久久久| 丰满的人妻完整版| 久久天躁狠狠躁夜夜2o2o| 热99re8久久精品国产| 国产精品一区二区免费欧美| 成年女人看的毛片在线观看| 免费大片18禁| 久久国产精品人妻蜜桃| 婷婷精品国产亚洲av在线| 黄片大片在线免费观看| 9191精品国产免费久久| 在线永久观看黄色视频| 亚洲国产欧美一区二区综合| 国产av麻豆久久久久久久| 最新中文字幕久久久久 | 中文资源天堂在线| 深夜精品福利| 色视频www国产| 成年版毛片免费区| 国产一区二区在线av高清观看| 成年免费大片在线观看| 国产精品99久久99久久久不卡| 久久久久久久久久黄片| 老司机午夜福利在线观看视频| 亚洲熟女毛片儿| 丰满的人妻完整版| 午夜免费激情av| 国产高清三级在线| 国产精品综合久久久久久久免费| 深夜精品福利| 97超级碰碰碰精品色视频在线观看| 午夜日韩欧美国产| 五月伊人婷婷丁香| 久久九九热精品免费| 亚洲 欧美一区二区三区| 国产又色又爽无遮挡免费看| 后天国语完整版免费观看| 欧美激情久久久久久爽电影| 97超视频在线观看视频| www.www免费av| 美女被艹到高潮喷水动态| 九九久久精品国产亚洲av麻豆 | 人人妻人人看人人澡| 宅男免费午夜| 狂野欧美激情性xxxx| 亚洲一区二区三区色噜噜| 欧美zozozo另类| 少妇的逼水好多| 97超视频在线观看视频| 国产v大片淫在线免费观看| 大型黄色视频在线免费观看| 久久精品91无色码中文字幕| 欧美日韩国产亚洲二区| 搡老岳熟女国产| 久久精品91无色码中文字幕| 国产精品99久久久久久久久| 国产黄a三级三级三级人| 中文字幕最新亚洲高清| 精华霜和精华液先用哪个| 免费在线观看成人毛片| 身体一侧抽搐| av视频在线观看入口| 亚洲av片天天在线观看| 国产成年人精品一区二区| 精品久久久久久成人av| 最好的美女福利视频网| 午夜精品在线福利| 黄色成人免费大全| 狠狠狠狠99中文字幕| 人人妻人人看人人澡| 亚洲av成人av| 国产高清videossex| 男女午夜视频在线观看| av女优亚洲男人天堂 | 十八禁人妻一区二区| 激情在线观看视频在线高清| 中文字幕熟女人妻在线| 国产成人av激情在线播放| 国产精品香港三级国产av潘金莲| 中文字幕精品亚洲无线码一区| 999精品在线视频| 丝袜人妻中文字幕| www日本在线高清视频| 黄色视频,在线免费观看| 丁香六月欧美| 88av欧美| 日本三级黄在线观看| 少妇人妻一区二区三区视频| 亚洲人成伊人成综合网2020| 每晚都被弄得嗷嗷叫到高潮| 这个男人来自地球电影免费观看| 国产精品一区二区三区四区免费观看 | 国语自产精品视频在线第100页| av在线天堂中文字幕| 一级毛片女人18水好多| 黄色女人牲交| 久久久国产成人精品二区| 亚洲专区中文字幕在线| 欧美xxxx黑人xx丫x性爽| 又黄又粗又硬又大视频| 亚洲精品国产精品久久久不卡| 成熟少妇高潮喷水视频| 人人妻,人人澡人人爽秒播| 高潮久久久久久久久久久不卡| 国内揄拍国产精品人妻在线| 在线免费观看不下载黄p国产 | 国产不卡一卡二| 久久久久性生活片| av在线蜜桃| 欧美成人一区二区免费高清观看 | 日本免费a在线| 国产欧美日韩精品一区二区| 久久精品夜夜夜夜夜久久蜜豆| 精品久久久久久久毛片微露脸| 中文在线观看免费www的网站| 亚洲成人中文字幕在线播放| 亚洲成人久久爱视频| 熟女电影av网| 亚洲七黄色美女视频| 日日夜夜操网爽| 宅男免费午夜| 精品久久久久久成人av| av中文乱码字幕在线| 日韩有码中文字幕| 久久精品91蜜桃| 日本 欧美在线| 日本熟妇午夜| 久久久国产精品麻豆| 亚洲人成网站高清观看| 热99在线观看视频| 老司机午夜十八禁免费视频| 久久久久久人人人人人| 中亚洲国语对白在线视频| 成人永久免费在线观看视频| 亚洲18禁久久av| 国产精品 欧美亚洲| 欧美av亚洲av综合av国产av| 18美女黄网站色大片免费观看| 日韩精品中文字幕看吧| 极品教师在线免费播放| 国产精品野战在线观看| 亚洲国产欧洲综合997久久,| 午夜久久久久精精品| 国产精品av视频在线免费观看| 国产成人欧美在线观看| 18禁观看日本| 一本久久中文字幕| 变态另类成人亚洲欧美熟女| 91在线精品国自产拍蜜月 | 99国产精品一区二区三区| 国产黄a三级三级三级人| 国产精品 欧美亚洲| 国产一区在线观看成人免费| 精品无人区乱码1区二区| 国产亚洲av高清不卡| 日韩av在线大香蕉| 国产精品一区二区免费欧美| 久久久久久国产a免费观看| www.精华液| 中文字幕人成人乱码亚洲影| 1024手机看黄色片| 国产精品久久久久久久电影 | 男人和女人高潮做爰伦理| 黑人巨大精品欧美一区二区mp4| 母亲3免费完整高清在线观看| 国产精品野战在线观看| 1024香蕉在线观看| 国产精品永久免费网站| 男女下面进入的视频免费午夜| 在线免费观看不下载黄p国产 | 一区福利在线观看| 午夜激情福利司机影院| 国内少妇人妻偷人精品xxx网站 | 日本免费一区二区三区高清不卡| 好男人在线观看高清免费视频| 日本黄色视频三级网站网址| 亚洲精品久久国产高清桃花| 欧美乱色亚洲激情| 久久中文字幕一级| 99久久99久久久精品蜜桃| 国产一区二区在线av高清观看| 窝窝影院91人妻| 19禁男女啪啪无遮挡网站| 99精品在免费线老司机午夜| 国产av不卡久久| 人妻丰满熟妇av一区二区三区| 亚洲精品色激情综合| 国产高清videossex| 国产精品久久久av美女十八| 女警被强在线播放| 18禁观看日本| 亚洲色图 男人天堂 中文字幕| 国产99白浆流出| 两性夫妻黄色片| 女同久久另类99精品国产91| 欧美xxxx黑人xx丫x性爽| 在线观看66精品国产| 亚洲精华国产精华精| 婷婷精品国产亚洲av| 国产精品爽爽va在线观看网站| 可以在线观看毛片的网站| 亚洲av免费在线观看| 黄色丝袜av网址大全| 久久亚洲精品不卡| 精品久久蜜臀av无| 日韩成人在线观看一区二区三区| 无人区码免费观看不卡| 每晚都被弄得嗷嗷叫到高潮| 禁无遮挡网站| 全区人妻精品视频| 嫁个100分男人电影在线观看| 免费无遮挡裸体视频| 亚洲av成人av| 久久伊人香网站| 久久精品国产亚洲av香蕉五月| 午夜福利成人在线免费观看| av国产免费在线观看| 色综合欧美亚洲国产小说| 无遮挡黄片免费观看| 精品无人区乱码1区二区| 人人妻,人人澡人人爽秒播| 亚洲人成伊人成综合网2020| 国产精品综合久久久久久久免费| 黄片大片在线免费观看| 成年女人看的毛片在线观看| 毛片女人毛片| 悠悠久久av| 成人性生交大片免费视频hd| 又粗又爽又猛毛片免费看| 可以在线观看的亚洲视频| 国产精品综合久久久久久久免费| 男插女下体视频免费在线播放| 两性午夜刺激爽爽歪歪视频在线观看| 老汉色av国产亚洲站长工具| 99热这里只有是精品50| 波多野结衣高清作品| 免费观看精品视频网站| 亚洲av成人av| 国产精品野战在线观看| 中文字幕熟女人妻在线| 国产免费男女视频| 日韩av在线大香蕉| 亚洲成人免费电影在线观看| 一本一本综合久久| h日本视频在线播放| 麻豆av在线久日| 精品一区二区三区视频在线观看免费| 成人性生交大片免费视频hd| 午夜免费成人在线视频| av片东京热男人的天堂| 丁香欧美五月| 色av中文字幕| 久久天堂一区二区三区四区| 午夜精品一区二区三区免费看| 淫秽高清视频在线观看| 久久精品国产综合久久久| 久久久久久大精品| 国产精品99久久久久久久久| 中文字幕熟女人妻在线| 欧美日韩瑟瑟在线播放| 久久亚洲真实| 国产精品1区2区在线观看.| 嫁个100分男人电影在线观看| 亚洲 欧美 日韩 在线 免费| 久9热在线精品视频| 大型黄色视频在线免费观看| 99久久精品国产亚洲精品| 亚洲自拍偷在线| 色av中文字幕| 久久精品国产亚洲av香蕉五月| 真实男女啪啪啪动态图| 欧美黄色片欧美黄色片| 精品国产乱子伦一区二区三区| www.999成人在线观看| 99久久精品一区二区三区| 国产一区二区三区在线臀色熟女| 搞女人的毛片| 男女视频在线观看网站免费| 身体一侧抽搐| 成人av在线播放网站| 日本黄大片高清| 国产欧美日韩一区二区精品| 欧美一区二区精品小视频在线| 精品熟女少妇八av免费久了| 久久久久久人人人人人| 免费在线观看成人毛片| 波多野结衣高清无吗| 亚洲欧美激情综合另类| 色在线成人网| 一卡2卡三卡四卡精品乱码亚洲| 免费av毛片视频| 脱女人内裤的视频| 国产亚洲欧美在线一区二区| 亚洲国产欧美网| 精品国产乱码久久久久久男人| 一个人看的www免费观看视频| 国产亚洲精品久久久com| 九九在线视频观看精品| 青草久久国产| 18禁观看日本| 欧美中文日本在线观看视频| avwww免费| 制服人妻中文乱码| 亚洲精品美女久久久久99蜜臀| 看片在线看免费视频| 制服丝袜大香蕉在线| 老司机在亚洲福利影院| 免费观看的影片在线观看| 老熟妇仑乱视频hdxx| 最新在线观看一区二区三区| 久久精品国产亚洲av香蕉五月| 国产高清三级在线| 中文字幕人妻丝袜一区二区| 99久久精品一区二区三区| 亚洲九九香蕉| h日本视频在线播放| 国产亚洲精品久久久com| 日韩精品青青久久久久久| 99久国产av精品| 免费电影在线观看免费观看| 国产激情偷乱视频一区二区| 制服丝袜大香蕉在线| av天堂中文字幕网| 男插女下体视频免费在线播放| 国内少妇人妻偷人精品xxx网站 | 免费无遮挡裸体视频| 欧美成狂野欧美在线观看| 精品人妻1区二区|