• <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
    久久人人精品亚洲av| 美女黄网站色视频| 久久人妻福利社区极品人妻图片| 午夜免费激情av| 又爽又黄无遮挡网站| 91大片在线观看| 国产黄片美女视频| 久久婷婷人人爽人人干人人爱| 90打野战视频偷拍视频| 亚洲人成电影免费在线| 国产aⅴ精品一区二区三区波| 日韩精品中文字幕看吧| 久久国产乱子伦精品免费另类| 亚洲中文av在线| 桃红色精品国产亚洲av| 国产又黄又爽又无遮挡在线| 成人特级黄色片久久久久久久| 国产高清激情床上av| 极品教师在线免费播放| 国产精品亚洲av一区麻豆| 亚洲av片天天在线观看| ponron亚洲| 欧美黑人欧美精品刺激| 欧美成人性av电影在线观看| 一个人免费在线观看的高清视频| 亚洲 欧美一区二区三区| 亚洲在线自拍视频| 91在线观看av| 天天一区二区日本电影三级| 国产精品一区二区免费欧美| 首页视频小说图片口味搜索| 精品熟女少妇八av免费久了| 免费在线观看亚洲国产| 中文字幕av在线有码专区| 国产视频一区二区在线看| 在线观看一区二区三区| 日本a在线网址| 桃色一区二区三区在线观看| 两性午夜刺激爽爽歪歪视频在线观看 | 黄色a级毛片大全视频| 国产视频一区二区在线看| avwww免费| 亚洲国产欧洲综合997久久,| 免费电影在线观看免费观看| 欧美国产日韩亚洲一区| 色av中文字幕| 亚洲人成伊人成综合网2020| 老司机福利观看| 成年女人毛片免费观看观看9| xxx96com| 看片在线看免费视频| 亚洲av成人精品一区久久| 国产精品永久免费网站| 欧美大码av| 日日夜夜操网爽| 可以在线观看毛片的网站| 亚洲av片天天在线观看| 波多野结衣巨乳人妻| 在线观看舔阴道视频| 曰老女人黄片| 妹子高潮喷水视频| 又粗又爽又猛毛片免费看| 国产精品久久久av美女十八| 久久这里只有精品中国| 亚洲精品美女久久av网站| 国内毛片毛片毛片毛片毛片| 免费搜索国产男女视频| 1024手机看黄色片| 免费看日本二区| 在线播放国产精品三级| 亚洲av成人一区二区三| 亚洲一区二区三区色噜噜| 中文字幕人成人乱码亚洲影| 日本 欧美在线| 日韩欧美在线二视频| 国内精品一区二区在线观看| 婷婷六月久久综合丁香| 久久午夜亚洲精品久久| 国产成人精品久久二区二区免费| 最好的美女福利视频网| 我要搜黄色片| 色av中文字幕| 日本黄色视频三级网站网址| 久久精品aⅴ一区二区三区四区| 久久久久久久精品吃奶| 蜜桃久久精品国产亚洲av| 激情在线观看视频在线高清| 1024香蕉在线观看| 午夜精品在线福利| 亚洲午夜理论影院| av欧美777| 免费搜索国产男女视频| 亚洲在线自拍视频| 最好的美女福利视频网| 亚洲国产精品成人综合色| 国产精品久久电影中文字幕| 欧美日韩黄片免| www.999成人在线观看| 亚洲av第一区精品v没综合| 色av中文字幕| 老熟妇乱子伦视频在线观看| 国产成年人精品一区二区| 午夜精品在线福利| 欧美乱码精品一区二区三区| 99re在线观看精品视频| 精品久久久久久久末码| 精品久久久久久久久久久久久| 在线观看66精品国产| 他把我摸到了高潮在线观看| 久久性视频一级片| 久久 成人 亚洲| 伊人久久大香线蕉亚洲五| 99国产综合亚洲精品| 狂野欧美激情性xxxx| 国内精品一区二区在线观看| 亚洲18禁久久av| 亚洲一卡2卡3卡4卡5卡精品中文| 国产1区2区3区精品| 人人妻,人人澡人人爽秒播| 丝袜美腿诱惑在线| 亚洲avbb在线观看| 悠悠久久av| 色综合站精品国产| 国产成人啪精品午夜网站| 日本成人三级电影网站| 女生性感内裤真人,穿戴方法视频| 午夜老司机福利片| 特级一级黄色大片| 久久中文看片网| 久久香蕉激情| 亚洲成av人片在线播放无| 亚洲欧美日韩无卡精品| 99riav亚洲国产免费| 50天的宝宝边吃奶边哭怎么回事| 男女午夜视频在线观看| 免费看十八禁软件| 精品高清国产在线一区| 少妇人妻一区二区三区视频| 1024视频免费在线观看| 免费一级毛片在线播放高清视频| 国产又色又爽无遮挡免费看| 国产欧美日韩一区二区精品| 欧美绝顶高潮抽搐喷水| 久久久久久久久久黄片| 99久久精品国产亚洲精品| 亚洲自偷自拍图片 自拍| 欧美黑人精品巨大| 欧美日韩福利视频一区二区| 成人高潮视频无遮挡免费网站| 精品国产美女av久久久久小说| 禁无遮挡网站| 中文资源天堂在线| 国产91精品成人一区二区三区| 欧美人与性动交α欧美精品济南到| 色综合婷婷激情| 欧美在线黄色| 后天国语完整版免费观看| 波多野结衣巨乳人妻| 国产在线观看jvid| 精品欧美国产一区二区三| 在线观看舔阴道视频| 最好的美女福利视频网| 国产高清视频在线观看网站| 亚洲成av人片在线播放无| netflix在线观看网站| 三级男女做爰猛烈吃奶摸视频| 欧美日本亚洲视频在线播放| 久久久久久久久久黄片| 夜夜爽天天搞| 国产亚洲欧美98| 成人一区二区视频在线观看| 国产亚洲av高清不卡| 一区福利在线观看| 91av网站免费观看| 麻豆国产av国片精品| 久久午夜综合久久蜜桃| 久久久久国产精品人妻aⅴ院| 久久人人精品亚洲av| 国产精品爽爽va在线观看网站| 精品久久久久久久毛片微露脸| 午夜免费观看网址| 一个人免费在线观看的高清视频| 欧美色视频一区免费| 日日爽夜夜爽网站| 国产一区二区在线观看日韩 | 国产一区二区三区视频了| 国产一区二区三区在线臀色熟女| 级片在线观看| 少妇人妻一区二区三区视频| tocl精华| 亚洲国产精品合色在线| 淫秽高清视频在线观看| 一本精品99久久精品77| 99国产极品粉嫩在线观看| 久久久久久久精品吃奶| 9191精品国产免费久久| 亚洲激情在线av| 精品一区二区三区四区五区乱码| 国产精品亚洲一级av第二区| 制服丝袜大香蕉在线| 日本一本二区三区精品| 丁香欧美五月| 1024手机看黄色片| 在线十欧美十亚洲十日本专区| 久久天堂一区二区三区四区| 精品欧美一区二区三区在线| 18禁观看日本| 一本久久中文字幕| 老司机深夜福利视频在线观看| 精品国产美女av久久久久小说| 精品无人区乱码1区二区| 久久国产精品影院| 久久人妻福利社区极品人妻图片| 成人一区二区视频在线观看| 99re在线观看精品视频| xxxwww97欧美| 老司机靠b影院| 最近最新中文字幕大全免费视频| 国产亚洲精品综合一区在线观看 | 精品国内亚洲2022精品成人| 男女下面进入的视频免费午夜| 国产欧美日韩一区二区精品| 麻豆成人av在线观看| 亚洲狠狠婷婷综合久久图片| 成人18禁在线播放| 美女免费视频网站| 久久久精品国产亚洲av高清涩受| 精品国产亚洲在线| 国产亚洲精品久久久久5区| 久久久精品大字幕| 草草在线视频免费看| 亚洲人成伊人成综合网2020| 悠悠久久av| 啪啪无遮挡十八禁网站| 国产亚洲精品一区二区www| 91麻豆精品激情在线观看国产| 亚洲欧美激情综合另类| 亚洲精品中文字幕在线视频| 欧美黑人巨大hd| 亚洲av中文字字幕乱码综合| 美女黄网站色视频| 日本在线视频免费播放| 国产av在哪里看| 可以在线观看的亚洲视频| 激情在线观看视频在线高清| 天天添夜夜摸| 国内精品久久久久精免费| 在线观看一区二区三区| 国产69精品久久久久777片 | АⅤ资源中文在线天堂| 级片在线观看| 久久精品夜夜夜夜夜久久蜜豆 | 精品少妇一区二区三区视频日本电影| 精品国产乱码久久久久久男人| 91老司机精品| 1024香蕉在线观看| 夜夜夜夜夜久久久久| 国产午夜福利久久久久久| 日日干狠狠操夜夜爽| 脱女人内裤的视频| 日韩欧美三级三区| 亚洲国产精品久久男人天堂| 久久人人精品亚洲av| 久9热在线精品视频| 手机成人av网站| videosex国产| 精品一区二区三区av网在线观看| 在线永久观看黄色视频| 成熟少妇高潮喷水视频| 午夜影院日韩av| 麻豆成人午夜福利视频| 欧美日韩精品网址| 国产一区二区三区在线臀色熟女| 看片在线看免费视频| 亚洲激情在线av| 91麻豆av在线| 亚洲乱码一区二区免费版| 国产熟女午夜一区二区三区| 国产成+人综合+亚洲专区| 国产蜜桃级精品一区二区三区| 国产伦人伦偷精品视频| 中文字幕人成人乱码亚洲影| 99riav亚洲国产免费| 欧美最黄视频在线播放免费| 国产三级中文精品| 久久久久久大精品| av福利片在线| 在线观看舔阴道视频| 国产在线观看jvid| 老鸭窝网址在线观看| www.精华液| 又紧又爽又黄一区二区| 亚洲男人天堂网一区| 桃红色精品国产亚洲av| 丁香六月欧美| 91字幕亚洲| 一个人免费在线观看电影 | xxxwww97欧美| 在线十欧美十亚洲十日本专区| 国产蜜桃级精品一区二区三区| 成人手机av| 看片在线看免费视频| 精华霜和精华液先用哪个| 国产av又大| 人人妻人人看人人澡| 国产高清视频在线观看网站| 国产精品一区二区免费欧美| 日韩欧美三级三区| 久久热在线av| 国产91精品成人一区二区三区| 色av中文字幕| 欧美在线黄色| 欧美成人免费av一区二区三区| 免费看a级黄色片| 欧美人与性动交α欧美精品济南到| 一边摸一边做爽爽视频免费| 99国产精品一区二区蜜桃av| 欧美绝顶高潮抽搐喷水| 18禁美女被吸乳视频| netflix在线观看网站| 日韩三级视频一区二区三区| 免费在线观看日本一区| 亚洲18禁久久av| 国产成人啪精品午夜网站| 18禁观看日本| 亚洲中文av在线| 久久亚洲精品不卡| 久久天躁狠狠躁夜夜2o2o| 欧美另类亚洲清纯唯美| 欧美成人午夜精品| 91成年电影在线观看| 成人三级做爰电影| 夜夜看夜夜爽夜夜摸| 男女做爰动态图高潮gif福利片| 一边摸一边抽搐一进一小说| 正在播放国产对白刺激| 人妻夜夜爽99麻豆av| 亚洲狠狠婷婷综合久久图片| 可以免费在线观看a视频的电影网站| 白带黄色成豆腐渣| 宅男免费午夜| 一进一出抽搐动态| 亚洲最大成人中文| 久久中文看片网| 亚洲人成伊人成综合网2020| 熟妇人妻久久中文字幕3abv| 在线观看一区二区三区| 午夜免费激情av| 黑人操中国人逼视频| 国产主播在线观看一区二区| 亚洲avbb在线观看| 久久婷婷人人爽人人干人人爱| 99热这里只有精品一区 | 男人舔女人的私密视频| 狂野欧美白嫩少妇大欣赏| 午夜福利高清视频| 国产精品美女特级片免费视频播放器 | 久热爱精品视频在线9| а√天堂www在线а√下载| 欧美乱色亚洲激情| 欧美成人性av电影在线观看| 亚洲色图av天堂| 欧美在线一区亚洲| 一二三四在线观看免费中文在| 一级片免费观看大全| 亚洲最大成人中文| 亚洲av熟女| 成人国产综合亚洲| 欧美成人一区二区免费高清观看 | 黄色女人牲交| www.熟女人妻精品国产| 黄片小视频在线播放| 一本精品99久久精品77| 天堂动漫精品| 免费在线观看日本一区| 久久久国产精品麻豆| 一区二区三区国产精品乱码| 露出奶头的视频| 真人做人爱边吃奶动态| or卡值多少钱| 亚洲国产欧美网| 听说在线观看完整版免费高清| 国产亚洲精品综合一区在线观看 | 欧美精品亚洲一区二区| 久久久久九九精品影院| 麻豆久久精品国产亚洲av| 91国产中文字幕| 又紧又爽又黄一区二区| 两性夫妻黄色片| 亚洲 欧美 日韩 在线 免费| 别揉我奶头~嗯~啊~动态视频| 免费在线观看影片大全网站| 成人av在线播放网站| 999久久久国产精品视频| 欧美日韩一级在线毛片| 日韩欧美国产一区二区入口| 久久久国产成人精品二区| 18禁黄网站禁片免费观看直播| 91麻豆av在线| 日韩欧美一区二区三区在线观看| 国产片内射在线| 国产精品免费一区二区三区在线| 欧美不卡视频在线免费观看 | 久久国产精品影院| 俺也久久电影网| 国产99白浆流出| 别揉我奶头~嗯~啊~动态视频| 999久久久国产精品视频| 99久久国产精品久久久| 国产男靠女视频免费网站| 久久精品国产99精品国产亚洲性色| 巨乳人妻的诱惑在线观看| 国产精品久久电影中文字幕| 久久中文看片网| 制服人妻中文乱码| 黄色视频不卡| 在线国产一区二区在线| av在线天堂中文字幕| 国产伦在线观看视频一区| 狠狠狠狠99中文字幕| 国产乱人伦免费视频| 99riav亚洲国产免费| 亚洲一区二区三区色噜噜| 在线观看免费午夜福利视频| 国产av在哪里看| 亚洲第一欧美日韩一区二区三区| 日韩精品免费视频一区二区三区| 观看免费一级毛片| 日韩三级视频一区二区三区| 国产熟女xx| 久久久精品欧美日韩精品| 免费在线观看视频国产中文字幕亚洲| 夜夜爽天天搞| 亚洲一区二区三区色噜噜| 日本一区二区免费在线视频| 少妇人妻一区二区三区视频| 国产片内射在线| 天堂动漫精品| 欧美日本视频| 国产成人精品无人区| 日本成人三级电影网站| 国产真实乱freesex| 日韩精品青青久久久久久| 国产精品亚洲av一区麻豆| 日韩精品免费视频一区二区三区| 国产精品一区二区免费欧美| 91成年电影在线观看| 日韩国内少妇激情av| 色精品久久人妻99蜜桃| 欧美日韩黄片免| 美女 人体艺术 gogo| 亚洲欧美日韩无卡精品| 国产高清videossex| 亚洲av美国av| 亚洲午夜理论影院| 免费搜索国产男女视频| 色哟哟哟哟哟哟| 免费在线观看亚洲国产| 男女下面进入的视频免费午夜| 亚洲天堂国产精品一区在线| 婷婷亚洲欧美| 露出奶头的视频| 成人一区二区视频在线观看| 欧美黄色片欧美黄色片| 日本在线视频免费播放| 99国产精品一区二区蜜桃av| 一本大道久久a久久精品| 久久久久久大精品| 天堂av国产一区二区熟女人妻 | 别揉我奶头~嗯~啊~动态视频| 全区人妻精品视频| 色精品久久人妻99蜜桃| 免费无遮挡裸体视频| 男女之事视频高清在线观看| 成人永久免费在线观看视频| 变态另类丝袜制服| 99精品在免费线老司机午夜| 一二三四社区在线视频社区8| 精品久久久久久久久久免费视频| 在线免费观看的www视频| 国产aⅴ精品一区二区三区波| 久久国产乱子伦精品免费另类| 亚洲免费av在线视频| 99精品在免费线老司机午夜| 午夜免费激情av| 亚洲熟女毛片儿| 免费在线观看黄色视频的| 免费看a级黄色片| 日韩欧美在线二视频| 波多野结衣高清作品| 久久精品国产综合久久久| 一个人观看的视频www高清免费观看 | 免费在线观看黄色视频的| 亚洲欧美日韩无卡精品| 成人18禁高潮啪啪吃奶动态图| 久久久久久国产a免费观看| 天天一区二区日本电影三级| 给我免费播放毛片高清在线观看| 日本五十路高清| 欧美黄色淫秽网站| 国产精品,欧美在线| 人人妻人人看人人澡| 色播亚洲综合网| 两个人的视频大全免费| 成人国语在线视频| 精品乱码久久久久久99久播| 成人精品一区二区免费| av超薄肉色丝袜交足视频| 午夜视频精品福利| 可以免费在线观看a视频的电影网站| 三级男女做爰猛烈吃奶摸视频| 成人av在线播放网站| 搡老岳熟女国产| 两个人看的免费小视频| 国产精品爽爽va在线观看网站| 免费无遮挡裸体视频| 99精品久久久久人妻精品| 五月伊人婷婷丁香| 免费观看精品视频网站| 午夜福利免费观看在线| av免费在线观看网站| 日本一区二区免费在线视频| 午夜a级毛片| 啦啦啦韩国在线观看视频| 18禁美女被吸乳视频| 999久久久精品免费观看国产| 国产区一区二久久| 国产精品免费一区二区三区在线| 欧美日本视频| 嫁个100分男人电影在线观看| 伊人久久大香线蕉亚洲五| 蜜桃久久精品国产亚洲av| 亚洲精品国产精品久久久不卡| 老司机深夜福利视频在线观看| 91国产中文字幕| 精品久久久久久,| 亚洲国产中文字幕在线视频| 亚洲男人天堂网一区| 欧美乱色亚洲激情| 午夜精品在线福利| 搡老岳熟女国产| 人妻丰满熟妇av一区二区三区| 男女之事视频高清在线观看| 999精品在线视频| 精品久久蜜臀av无| 亚洲精品色激情综合| 欧美乱色亚洲激情| 亚洲色图 男人天堂 中文字幕| 2021天堂中文幕一二区在线观| 成人18禁高潮啪啪吃奶动态图| 国产精品av久久久久免费| 成人特级黄色片久久久久久久| 午夜老司机福利片| 色综合亚洲欧美另类图片| netflix在线观看网站| www.www免费av| 免费看a级黄色片| 精品第一国产精品| 日本免费a在线| 在线观看www视频免费| 狂野欧美激情性xxxx| 一二三四社区在线视频社区8| 在线十欧美十亚洲十日本专区| 麻豆成人午夜福利视频| av欧美777| 看黄色毛片网站| 一个人观看的视频www高清免费观看 | 成年版毛片免费区| 午夜激情福利司机影院| 国产精品一及| 一本综合久久免费| 久久性视频一级片| 啦啦啦免费观看视频1| 国产av麻豆久久久久久久| 最近最新免费中文字幕在线| 国产精品影院久久| 日本一本二区三区精品| 狠狠狠狠99中文字幕| 18禁观看日本| 亚洲欧洲精品一区二区精品久久久| 俄罗斯特黄特色一大片| 国产精品1区2区在线观看.| 欧美成狂野欧美在线观看| 天天躁夜夜躁狠狠躁躁| 99久久精品国产亚洲精品| 亚洲 国产 在线| av片东京热男人的天堂| 久久久久亚洲av毛片大全| 热99re8久久精品国产| 午夜福利欧美成人| 50天的宝宝边吃奶边哭怎么回事| 亚洲无线在线观看| 少妇熟女aⅴ在线视频| 成人午夜高清在线视频| 午夜激情av网站| 欧美成狂野欧美在线观看| 神马国产精品三级电影在线观看 | 欧美又色又爽又黄视频| 亚洲欧美激情综合另类| 日韩精品免费视频一区二区三区| 欧美大码av| 19禁男女啪啪无遮挡网站| 男男h啪啪无遮挡| 欧美日韩乱码在线| 精品少妇一区二区三区视频日本电影| 欧美色视频一区免费| 午夜福利18| 成人亚洲精品av一区二区| 国产精品一及| 成人精品一区二区免费| 亚洲av熟女| 国产午夜福利久久久久久| 国产日本99.免费观看| 欧美黑人精品巨大| 一级毛片女人18水好多|