• <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 ?

    SVM的參數(shù)優(yōu)化及在耐熱酶和常溫酶分類中的應用

    2010-08-27 11:13:34張正陽須文波丁彥蕊
    食品與生物技術學報 2010年2期
    關鍵詞:準確率向量蛋白質

    張正陽, 須文波, 丁彥蕊

    (江南大學信息工程學院,江蘇無錫 214122)

    SVM的參數(shù)優(yōu)化及在耐熱酶和常溫酶分類中的應用

    張正陽, 須文波*, 丁彥蕊

    (江南大學信息工程學院,江蘇無錫 214122)

    氨基酸的組成是影響蛋白質耐熱性的主要因素之一,所以以20種氨基酸所占比例作為特征向量,利用支持向量機(Support vector machine,SVM)預測蛋白質的耐熱性。在比較了幾何方法、SVM-KNN和重復訓練3種參數(shù)優(yōu)化的方法之后,從中選擇了幾何方法來優(yōu)化SVM分類器的參數(shù),并使預測率從85.4%提高到88.2%。從預測率上可知:(1)幾何方法優(yōu)化SVM參數(shù)可以有效地提高預測率;(2)氨基酸含量與酶的耐熱性之間存在極強的相關性。

    支持向量機;氨基酸含量;分類;參數(shù)優(yōu)化

    耐熱酶之所以較常溫酶受到更多的關注,是因為它在高溫下比常溫酶有更多的功能,而且具有反應速度快、不易被雜菌污染等特點,不過它的難以培養(yǎng)、不易獲得恐怕是引起更多人興趣的原因。目前,它主要通過篩選耐熱微生物獲得,不過產酶量很低。盡管如此,耐熱酶仍然在食品釀造、醫(yī)藥、環(huán)境保護和金屬冶煉等領域得到了廣泛的應用。所以本文的出發(fā)點就是想通過蛋白質序列信息來研究耐熱酶耐熱的分子機制,了解蛋白質的折疊過程[1],尋求通過蛋白質工程手段提高常溫酶耐熱性的途徑。

    1 研究背景

    耐熱酶和常溫酶都是由20種相同的氨基酸組成,卻在高溫下表現(xiàn)出截然不同的性質,這的確使人難以理解。而在以往的研究中,人們更多的是從分子生物學、結構生物學的角度,去分析二級結構和三級結構等不同結構層次,來了解某個或某些酶的耐熱性。至于研究發(fā)現(xiàn)的影響耐熱的因素也很多,比如氨基酸組成、二肽含量、氫鍵、鹽橋等。

    利用機器學習的方法來研究蛋白質的耐熱性近來也受到重視,比如Cheng等人利用序列和結構的信息來預測單個氨基酸突變對耐熱性的影響,而他們選擇了SVM來進行預測的工作并得到了84%的準確率[2]。而Zhang等人利用新型分類器LogitBoost通過蛋白質主要結構來區(qū)分喜溫和嗜熱的蛋白質,同樣也得到了相當好的效果[3]。

    本次仿真選用的SVM是由Vapnik和他的合作者一同提出的學習算法[4]。其特點是它不但可以學習復雜的非線性的輸入數(shù)據(jù),而且還具有足夠的健壯性可以避免陷入局部最優(yōu)的尷尬境地。而這些是發(fā)現(xiàn)影響蛋白質耐熱性因素所必須具備的條件[2]。它的主要原理是利用核函數(shù)把原始數(shù)據(jù)映射到高維空間,這樣可以使得數(shù)據(jù)有可能變成線性可分的(圖1)。其主要特點是不顯式地將原始數(shù)據(jù)映射到高維空間,而是利用核函數(shù)K(x,z)=去隱式計算點乘,從而減少計算的復雜性,這里x,z是原始數(shù)據(jù),φ是從輸入空間到高維空間的映射[5]。而最終的決策邊界即判斷每個樣本屬于哪一類是用

    來判斷的,其中的K只是起到度量樣本x和xi的相似程度的作用,而αi則是在解決QP問題后得到的拉格朗日乘子,而那些支持向量(SVs)對應著不為0的αi[2,5,6]。

    目前SVM在解決高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢,同時它也被廣泛用于其他機器學習的問題中比如文本分類、圖像識別、手寫數(shù)字識別和生物信息學等[5]。但是在SVM的應用中還存在著一些問題:(1)核函數(shù)的選擇和參數(shù)的優(yōu)化。(2)雖然開發(fā)了較多算法[6]去解決訓練數(shù)據(jù)過多時,訓練時間較長的問題,但是仍有提高的空間。(3)復雜問題分類依舊不是很準確。

    本文主要解決的是針對具體問題的SVM參數(shù)的優(yōu)化。這樣做最直觀的效果是提高了SVM對具

    圖1 SVM原理Fig.1 SVM principle

    體問題的預測率,增加了它的適應性,更重要的是為我們增進對具體問題的認識提供了另一條有效的途徑,同時也拓寬了SVM的應用領域。至于目前針對SVM參數(shù)優(yōu)化的方法主要有3種:(1)根據(jù)具體問題選用、構造或調整核函數(shù)。(2)SVM和其他分類方法相結合。(3)采用新的算法解決QP問題。

    接下來,本文將主要介紹SVM訓練集的構建,以及3種參數(shù)優(yōu)化的方法。之后,比較和分析預測結果,找出最適合分類耐熱酶和常溫酶的參數(shù)優(yōu)化方法。

    2 方法

    2.1 數(shù)據(jù)集的構建

    首先,先從DSMZ[7]數(shù)據(jù)庫中挑選生長溫度大于60℃的微生物,并從Swiss-Prot數(shù)據(jù)庫中下載這些微生物的蛋白質序列,同時下載與耐熱蛋白質數(shù)量相當?shù)某氐鞍踪|序列,然后去除含有假定、可能、假設等詞的蛋白質序列。由于本次仿真是把氨基酸含量當作SVM的特征向量,所以前期還要處理數(shù)據(jù),得到20個氨基酸在每個樣本里的含量,以此完成數(shù)據(jù)集的構建。

    2.2 參數(shù)優(yōu)化的方法介紹

    2.2.1 幾何方法 該方法的第一步與通常的SVM訓練一樣,首先用合適的核函數(shù)訓練以找出分類面的大體位置,而后放大邊界周圍的黎曼度量,這主要是通過對核函數(shù)的縮放來完成。在這個過程中核心就是對核函數(shù)的縮放,其中對之前算法的改進就是使用對邊界的直接度量來擴大核函數(shù),而不是先前使用支持向量的方法。具體方法是在第一次訓練結束之后,先后使用公式:

    得到f(x),D(x)的值,而后通過下列公式得到調整后的核函數(shù):k(x,x′D(x)K(x,x′)D(x′),然后重復上述過程直至得到最好的預測結果[8,9,10]。

    2.2.2 SVM-KNN 由于SVM是可以等同于每類只有一個支持向量為代表點的最近鄰分類器(Near Neighbor)的,所以這使得在同一分類問題里使用不同分類器成為可能[11]。而第二種方法就是通過控制分類閾值ε的大小來達到分類的目的。當樣本到分類面的距離大于給定的閾值,說明樣本離分類面較遠,用SVM分類會達到比較好的效果。反之,當距離小于給定的閾值時,用KNN去分類,去計算樣本和每個支持向量作為代表點的距離來判斷樣本所屬類別。當然在用KNN分類時,因為計算距離是在特征空間里進行的,所以距離公式要采用如下形式:至于ε的取值一般在0到1之間[11,12]。

    2.2.3 重復訓練 該算法的靈感來源于自然界的再學習,即不斷地從錯誤中學習。其出發(fā)點就是處理預測結束后測試集中被誤分的樣例,恰巧這部分通常都是被人遺忘的。而它的核心思想就是將誤分的樣例加入到原訓練集中,以增加支持向量的數(shù)量,形成新的分類面,從而提高SVM的預測率。其主要步驟就是先用準備好的訓練集測試集訓練和預測。而后在得到的結果里,對照測試集挑出被誤分的樣例并把它們加入到原訓練集里。最后,在使用新訓練集和原測試集的情況下,得到新的預測率。當然,如果分類效果不好,可以重復上述步驟,

    直到得到滿意的結果[13]。不過需要注意的是新測試集和原測試集必須是采用同樣的方法從相同的數(shù)據(jù)源得到。

    3 仿真結果及分析

    在使用陸振波的MATLAB下SVM[14]訓練和測試數(shù)據(jù)時,使用了多個核函數(shù)以觀察其實際效果,比如線性、多項式、sigmoid和RBF。最終發(fā)現(xiàn)RBF(exp-γ‖xi-xj‖2,γ>0)具有較好的性能。不過無論是SVM本身還是核函數(shù)RBF都需要調整參數(shù)以得到較好的泛化性能和盡量避免過擬合現(xiàn)象的出現(xiàn)。顯而易見,此過程中需要調整的參數(shù)是RBF中的γ和SVM中C。γ是控制高斯函數(shù)最大值的,一旦它增大就會導致一連串的變化,不光提高了高斯函數(shù)最大值的上限,也會使得決策邊界更加復雜更加不平滑。而C則是αi所能取到的最大值,同時它也控制著訓練錯誤和f(x)平滑度兩者之間的平衡。這樣導致的后果就是C越大就越會得到高擬合度即低錯誤率高復雜度的f(x)(決策邊界),當然這必須付出過擬合數(shù)據(jù)的代價[2],而這些都不是我們所希望的,因為我們不想得到只對某一個或幾個數(shù)據(jù)集能有效分類的分類器。所以在仿真開始階段,主要工作放在替SVM找出合適的參數(shù)γ和C來,而結果是當γ=1,C=200時,分類的效果最好為85.4%。而后在Matlab下實現(xiàn)上述三種方法,并使用之前找到的較好參數(shù)去預測以期得到良好的分類效果。

    第一種方法中需要預設的參數(shù)是Κ,仿真時參考了[8]所建議的參數(shù),具體情況見表1。從表中可以明顯發(fā)現(xiàn)經過該方法優(yōu)化過的SVM較原始版本預測率上有了提高,至少能維持在原始水平。其中提升最大的是當Κ=0.90×10-3,D=1.92×10-3時,準確率為88.2%比原先的85.4%提高了2.8%。而在多數(shù)分組中達到最大準確率的都是各分組的第一組參數(shù),而函數(shù)D的值總是在該組中的比較小和比較大的值之間來回地變動,相對應的是每當D在較大值時,準確率至少維持在未優(yōu)化前的水平即85.4%,而當D在較小值時,準確率一般能達到較高的水平,有的甚至達到了該組的最大值。

    表1 幾何方法Tab.1 G eometric method

    表2 SVM-KNNTab.2 SVM-KNN

    表3 重復訓練Tab.3 Repetition training

    表4 3種方法的比較Tab.4 The comparison of the three methods

    第2種方法中需要預設的參數(shù)是分類閾值ε,仿真時參考了[11][12]所建議的參數(shù),具體情況見表2。從表中可以看出在ε<0.8之后所有的預測率都跟原始的一樣。這說明了KNN發(fā)揮作用也只是限于ε在0.8-1之間,所提升的空間為0.7%,這點可以讓我們知道在特征空間里此仿真樣例到分類面的最小距離都比0.7要大,所以才會導致一旦ε<0.8時,該分類算法采用SVM來分類,而不是KNN,繼而得出的預測結果與使用原始方法得到的結果一致。

    第3種方法需要說明的是在對照測試集后,本仿真共得到50個錯分的樣例,在加入到原訓練集之后與原測試集一起完成仿真,仿真結果見表3。從表中可以看出,相對于原SVM,新SVM在支持向量個數(shù)上增加了57個,占原支持向量個數(shù)的51.4%,而預測率提高了0.7%。這一切都符合了該算法的思想,即在新訓練集是由原訓練集和錯分樣例構成的情況下,重新訓練SVM以獲得更多的支持向量并形成新的分類面,從而達到提高預測率的目的。

    而針對這3種方法的比較見表4,從表中可以明顯地看出,幾何方法的最低準確率只有61.1%,但是考慮到該方法是反復調整參數(shù),因此總能取到最大的準確率,而且在表1中該方法大多數(shù)的準確率都維持在85.4%左右,所以不必擔心其分類能力。而在最高準確率分組中,幾何方法以88.2%的準確率位居榜首。而其他兩種方法無論是在最高或最低準確率上都保持一致。

    4 結 語

    本文使用了3種參數(shù)優(yōu)化的方法來提高SVM在分類耐熱酶和常溫酶過程中的預測率并且都取得了比較好的分類效果,進一步的證實了利用序列信息是可以有效分類蛋白質的。這3種參數(shù)優(yōu)化的方法是從不同的角度出發(fā)來提高SVM的預測率,不過從預測率高低的角度看,第1種方法是3種方法中最好的,其預測率達到了88.2%,較原始預測率提高了2.8%。這說明了相對于其它方法,第一種參數(shù)優(yōu)化的方法更適合在SVM處理氨基酸含量時使用。

    而下一步的工作可能會著重放在提高數(shù)據(jù)集的質量和進一步改進算法提高SVM的預測率上,尤其是加入新的算法去更有效地解決QP問題。

    [1]Hoppe C,Schomburg D.Prediction of protein thermostability with a direction-and distance-dependent knowledge-based potential[J].Protein Science,2005,14:2682-2692.

    [2]Cheng J L,Randall A,Baldi P.Prediction of Protein Stability Changes for Single-Site Mutations Using Support Vector Machines[J].PROTEINS:Structure,Function,and Bioinformatics,2006,62:1125-1132.

    [3]Zhang G Y,Fang B S.LogitBoost classifier for discriminating thermophilic and mesophilic proteins[J].Journal of Biotechnology,2007,127:417-424.

    [4]Vapnik V.The Nature of Statistical Learning Theory[M].New York:Springer-Verlag,1995.

    [5]Cristianini N,Shawe-Taylor J.支持向量機導論[M].李國正,王猛,曾華軍譯,北京:電子工業(yè)出版社,2004:24-29,82 -97.

    [6]Paquet U,Engelbrecht A P.Training support vector machines with particle swarms[C].IEEE World Congress ComputerIntelligence,2003:1593-1598.

    [7]Peter Villiams,Sheng Li,Jiang feng,et al.Ageometrical method to improve performance of the support vector machine [C].IEEE Tramsac on neural networks,[London]:[s.n]2006:1-5.

    [8]Wu S,Amari S-I.Conformal transformation of kernel functions:a data-dependent way to improve support vector machine classifiers[J].Neural Processing Letters,2002,15:59-67.

    [9]Amari S,Wu S.Improving support vector machine classifiers by modifying kernel functions[J].Neural Network,1999, 12:783-789.

    [10]李蓉,葉世偉,史忠植.SVM-KNN分類器——一種提高SVM分類精度的新方法[J].電子學報,2002,30(5):754-748.

    LI Rong,YE Shi-wei,SHI Zhong-zhi.SVM-KNN classifier-s new method of improving the sccuracy of SVM classifier [J].ACTA ELECTRONICA SINICA,2002,30(5):754-748.

    [11]LI R,WANG H N,HE H,et al.Support vector machine combined with K-nearest neighbors for solar flare forecasting [J].Chin.J.Astron.AstroPhys,2007,7(3):41-44.

    [12]董春曦,饒鮮,楊紹全.基于重復訓練提高SVM識別率的算法[J].系統(tǒng)工程與電子技術,2003,25(10):1292-1294.

    DONG Chun-xi,RAO Xian,YANG Shao-quan.An algorithm to improve the recognizing rate based on retraining samples [J].Systems Engineering and Electronics,2003,25(10):1292-1294.

    [13]陸振波.支持向量機Matlab工具箱1.0[EB/OL].www.dsmz.de/microorganisms/archaea_catalogue.php

    (責任編輯:楊萌)

    Parameters Optimization of Support Vector Machine for Discriminating Thermophilic and Mesophilic Enzyme

    ZHANG Zheng-yang, XU Wen-bo*, DING Yan-rui
    (School of Information Technology,Jiangnan University,Wuxi 214122,China)

    It was widely accepted that amino acid composition play vital role on the protein thermostability.In this manuscript,20-amino acid composition in their protein sequence was chosen as the feature vector of SVM and used to predict the protein thermostability by SVM.the accuracy increased from 85.4%to 88.2%by using the geometrical method to optimize SVM parameter.Furthermore,it could be acquired following conclusions:(1)geometrical method is an efficient method to improve the accuracy of SVM parameters;.(2)there is a very close relationship between percentage of amino acid and enzyme thermostability.

    SVM,percentage of amino acid,discrimination,parameters optimization

    TP 183

    :A

    1673-1689(2010)02-0312-05

    2009-04-11

    江南大學創(chuàng)新團隊基金項目(JNIRT0702);江南大學自然科學預研基金項目。

    *通信作者:須文波(1946-),男,教授,博士生導師,主要從事人工智能、計算機控制技術、嵌入式操作系統(tǒng)。Email:zzylivehhit@sohu.com

    猜你喜歡
    準確率向量蛋白質
    蛋白質自由
    肝博士(2022年3期)2022-06-30 02:48:48
    向量的分解
    人工智能與蛋白質結構
    海外星云(2021年9期)2021-10-14 07:26:10
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準確率比較探討
    2015—2017 年寧夏各天氣預報參考產品質量檢驗分析
    聚焦“向量與三角”創(chuàng)新題
    高速公路車牌識別標識站準確率驗證法
    蛋白質計算問題歸納
    向量垂直在解析幾何中的應用
    黄色欧美视频在线观看| 久久毛片免费看一区二区三区| a级毛色黄片| 高清欧美精品videossex| 国产视频首页在线观看| 五月玫瑰六月丁香| 一区二区av电影网| 欧美日韩在线观看h| 91午夜精品亚洲一区二区三区| 日韩人妻高清精品专区| 天天躁夜夜躁狠狠久久av| 免费人妻精品一区二区三区视频| 亚洲av中文av极速乱| 欧美精品亚洲一区二区| 3wmmmm亚洲av在线观看| 午夜福利在线观看免费完整高清在| 看十八女毛片水多多多| 亚洲无线观看免费| 人人妻人人爽人人添夜夜欢视频 | 一边亲一边摸免费视频| 日本午夜av视频| 最黄视频免费看| 美女主播在线视频| 亚洲美女黄色视频免费看| 婷婷色麻豆天堂久久| 久久久亚洲精品成人影院| av网站免费在线观看视频| 国产免费一级a男人的天堂| 国产熟女欧美一区二区| 欧美日韩综合久久久久久| 黄色一级大片看看| 亚洲久久久国产精品| 亚洲性久久影院| 欧美日本视频| 尾随美女入室| 日韩成人伦理影院| 亚洲精华国产精华液的使用体验| 日韩电影二区| 又黄又爽又刺激的免费视频.| 国产乱人偷精品视频| 美女视频免费永久观看网站| 狂野欧美白嫩少妇大欣赏| 精品久久久久久久末码| 免费大片18禁| 国产成人免费观看mmmm| 欧美日韩视频精品一区| 亚洲av中文av极速乱| 国产精品一区二区三区四区免费观看| 麻豆精品久久久久久蜜桃| 精品久久久久久久末码| 91久久精品国产一区二区三区| 亚洲欧洲国产日韩| 国产精品无大码| 国产成人精品久久久久久| 欧美日韩综合久久久久久| 熟女av电影| 亚洲av在线观看美女高潮| 久久久久久久大尺度免费视频| 三级国产精品片| 我要看黄色一级片免费的| 国产av国产精品国产| 丰满迷人的少妇在线观看| 七月丁香在线播放| 亚洲国产精品专区欧美| 免费观看a级毛片全部| 2022亚洲国产成人精品| 交换朋友夫妻互换小说| 全区人妻精品视频| 成人亚洲欧美一区二区av| 伊人久久国产一区二区| 日本黄色片子视频| 免费观看的影片在线观看| 女人十人毛片免费观看3o分钟| 激情五月婷婷亚洲| 亚州av有码| 亚洲av成人精品一二三区| 免费观看在线日韩| 女性生殖器流出的白浆| 国产探花极品一区二区| 亚洲av成人精品一区久久| 精品亚洲乱码少妇综合久久| 在线亚洲精品国产二区图片欧美 | 在线观看人妻少妇| 国产91av在线免费观看| 婷婷色av中文字幕| 在线免费观看不下载黄p国产| 国精品久久久久久国模美| 黄色欧美视频在线观看| 色婷婷久久久亚洲欧美| 中文字幕精品免费在线观看视频 | 日韩人妻高清精品专区| 欧美日韩综合久久久久久| 内射极品少妇av片p| 欧美老熟妇乱子伦牲交| 亚洲,欧美,日韩| 久久久久久久久久成人| 国产毛片在线视频| 国产在线男女| 十八禁网站网址无遮挡 | 蜜桃久久精品国产亚洲av| 国产一级毛片在线| 极品教师在线视频| 欧美丝袜亚洲另类| 最近2019中文字幕mv第一页| 人妻少妇偷人精品九色| 免费黄色在线免费观看| 麻豆乱淫一区二区| 久久精品久久久久久久性| 国产无遮挡羞羞视频在线观看| 干丝袜人妻中文字幕| 亚洲精品中文字幕在线视频 | 国产在线视频一区二区| 一个人看视频在线观看www免费| 国产探花极品一区二区| 国产在线免费精品| 国产一区二区三区综合在线观看 | 日韩不卡一区二区三区视频在线| 天天躁夜夜躁狠狠久久av| 精品人妻偷拍中文字幕| 国产一区二区三区av在线| 在线观看一区二区三区| 精品久久久久久电影网| 黑人高潮一二区| 亚洲精品色激情综合| 亚州av有码| 免费久久久久久久精品成人欧美视频 | 纵有疾风起免费观看全集完整版| 欧美亚洲 丝袜 人妻 在线| 国产极品天堂在线| 一区在线观看完整版| 我的女老师完整版在线观看| 久久久国产一区二区| 久久久精品94久久精品| 免费播放大片免费观看视频在线观看| 亚洲av.av天堂| 亚洲国产av新网站| 大码成人一级视频| 精品久久久久久久久av| 中国国产av一级| 日日摸夜夜添夜夜爱| 久久6这里有精品| 国语对白做爰xxxⅹ性视频网站| 丰满少妇做爰视频| 亚洲人与动物交配视频| 美女高潮的动态| 亚洲精品国产av蜜桃| 久久精品国产a三级三级三级| 亚洲人成网站高清观看| 成人美女网站在线观看视频| 成人一区二区视频在线观看| 亚洲国产精品999| 在线精品无人区一区二区三 | av又黄又爽大尺度在线免费看| av免费在线看不卡| 男女边摸边吃奶| 欧美激情国产日韩精品一区| 青春草国产在线视频| 欧美3d第一页| 蜜桃久久精品国产亚洲av| 特大巨黑吊av在线直播| 高清毛片免费看| 观看免费一级毛片| 久久国产精品男人的天堂亚洲 | 2021少妇久久久久久久久久久| 亚洲人与动物交配视频| 国产成人aa在线观看| 成年免费大片在线观看| 午夜精品国产一区二区电影| 国产大屁股一区二区在线视频| 亚洲人成网站在线观看播放| 日韩在线高清观看一区二区三区| 不卡视频在线观看欧美| 国产高清不卡午夜福利| 国产av精品麻豆| 精品久久国产蜜桃| 久久久久久久精品精品| 18禁在线无遮挡免费观看视频| 日韩欧美精品免费久久| 国产黄色视频一区二区在线观看| 人妻系列 视频| 特大巨黑吊av在线直播| 免费少妇av软件| 国产伦理片在线播放av一区| 国产精品.久久久| 国产欧美亚洲国产| 亚洲av日韩在线播放| 久久久久精品久久久久真实原创| 亚洲精品色激情综合| 舔av片在线| 亚洲精品久久午夜乱码| 成人无遮挡网站| 性色avwww在线观看| 简卡轻食公司| 中文字幕亚洲精品专区| 极品教师在线视频| 在线免费观看不下载黄p国产| 亚洲国产精品一区三区| 亚洲国产成人一精品久久久| 18禁动态无遮挡网站| 国产精品麻豆人妻色哟哟久久| 夫妻午夜视频| 中文精品一卡2卡3卡4更新| 高清av免费在线| 成人18禁高潮啪啪吃奶动态图 | 美女内射精品一级片tv| 我要看黄色一级片免费的| 乱系列少妇在线播放| 欧美成人午夜免费资源| 日本欧美视频一区| 内射极品少妇av片p| 制服丝袜香蕉在线| 精品人妻视频免费看| 一级毛片 在线播放| 天美传媒精品一区二区| 亚洲精品第二区| 亚洲国产毛片av蜜桃av| 99re6热这里在线精品视频| 亚洲色图av天堂| 日韩欧美 国产精品| 国产黄频视频在线观看| 少妇人妻久久综合中文| 亚洲精品乱久久久久久| 国产高清国产精品国产三级 | 日韩成人伦理影院| 女人久久www免费人成看片| 91久久精品电影网| 五月伊人婷婷丁香| 日韩三级伦理在线观看| 久久99热这里只频精品6学生| 久久久色成人| 久久久久久久大尺度免费视频| 久久婷婷青草| 一个人看视频在线观看www免费| 两个人的视频大全免费| 免费观看a级毛片全部| 一区在线观看完整版| 99热网站在线观看| 国产国拍精品亚洲av在线观看| 一本—道久久a久久精品蜜桃钙片| 国产视频首页在线观看| 91精品国产国语对白视频| 狂野欧美白嫩少妇大欣赏| av线在线观看网站| 欧美老熟妇乱子伦牲交| 欧美区成人在线视频| 国产成人午夜福利电影在线观看| 91狼人影院| 三级国产精品欧美在线观看| 国产亚洲5aaaaa淫片| 亚洲自偷自拍三级| 久久久久人妻精品一区果冻| 中文乱码字字幕精品一区二区三区| 免费黄网站久久成人精品| 成年女人在线观看亚洲视频| 亚洲av二区三区四区| 纵有疾风起免费观看全集完整版| 99久久精品热视频| 男女边吃奶边做爰视频| 最后的刺客免费高清国语| 美女高潮的动态| 国产一区有黄有色的免费视频| 99久久精品一区二区三区| 两个人的视频大全免费| 亚洲怡红院男人天堂| 少妇的逼好多水| 欧美xxxx黑人xx丫x性爽| 欧美丝袜亚洲另类| 欧美97在线视频| 色网站视频免费| 亚洲熟女精品中文字幕| 多毛熟女@视频| 国产片特级美女逼逼视频| 99久久人妻综合| 久久亚洲国产成人精品v| 中文天堂在线官网| av免费在线看不卡| 国产黄片视频在线免费观看| 晚上一个人看的免费电影| 免费大片黄手机在线观看| 久久国产乱子免费精品| 一级毛片电影观看| 老司机影院成人| 99热这里只有精品一区| 熟女av电影| 男女边摸边吃奶| 狂野欧美激情性xxxx在线观看| 高清欧美精品videossex| 国产深夜福利视频在线观看| 97超碰精品成人国产| 永久免费av网站大全| 国产一区亚洲一区在线观看| av国产精品久久久久影院| 男人和女人高潮做爰伦理| 免费少妇av软件| 免费观看在线日韩| 99久久精品热视频| 久久青草综合色| 亚洲成人一二三区av| 熟女av电影| 这个男人来自地球电影免费观看 | 中文字幕av成人在线电影| 99热网站在线观看| 天天躁日日操中文字幕| 久久99热6这里只有精品| 国产av一区二区精品久久 | 老司机影院毛片| 国产精品一及| 欧美xxxx黑人xx丫x性爽| 国产深夜福利视频在线观看| 久久久久久久久久成人| 亚洲真实伦在线观看| 国产亚洲午夜精品一区二区久久| 免费观看无遮挡的男女| 妹子高潮喷水视频| 国产av一区二区精品久久 | 少妇的逼好多水| 麻豆乱淫一区二区| 99re6热这里在线精品视频| 最近最新中文字幕大全电影3| 80岁老熟妇乱子伦牲交| 成人亚洲精品一区在线观看 | 日本wwww免费看| 日日摸夜夜添夜夜爱| 久热久热在线精品观看| 日韩欧美一区视频在线观看 | 国产伦理片在线播放av一区| 国产精品一区二区性色av| 国产 一区精品| 亚洲精品国产色婷婷电影| 水蜜桃什么品种好| 一级毛片aaaaaa免费看小| 国产成人精品久久久久久| 亚洲伊人久久精品综合| 亚洲aⅴ乱码一区二区在线播放| 日本黄色片子视频| 国产在线男女| 亚洲精品乱码久久久久久按摩| 18禁裸乳无遮挡动漫免费视频| 国产成人a∨麻豆精品| 久久国产精品男人的天堂亚洲 | av在线老鸭窝| 老司机影院毛片| 视频区图区小说| 午夜福利影视在线免费观看| 妹子高潮喷水视频| 80岁老熟妇乱子伦牲交| 精品人妻偷拍中文字幕| 少妇裸体淫交视频免费看高清| 热re99久久精品国产66热6| 国产乱人偷精品视频| 成人午夜精彩视频在线观看| 两个人的视频大全免费| 亚洲内射少妇av| 日本欧美国产在线视频| 99热这里只有是精品50| 大话2 男鬼变身卡| 2022亚洲国产成人精品| 黑人高潮一二区| 丝袜脚勾引网站| 99久久精品一区二区三区| 日韩一本色道免费dvd| 激情五月婷婷亚洲| 国产黄色视频一区二区在线观看| 亚洲av成人精品一区久久| 久久女婷五月综合色啪小说| 日韩不卡一区二区三区视频在线| a级毛片免费高清观看在线播放| 亚洲精品中文字幕在线视频 | 久久韩国三级中文字幕| 欧美成人精品欧美一级黄| 国产成人一区二区在线| 国产黄色免费在线视频| 一级二级三级毛片免费看| 成年免费大片在线观看| 国产成人午夜福利电影在线观看| 国产女主播在线喷水免费视频网站| 国产精品人妻久久久影院| 2021少妇久久久久久久久久久| 在线播放无遮挡| 成人黄色视频免费在线看| 亚洲高清免费不卡视频| 一个人免费看片子| 国产白丝娇喘喷水9色精品| 亚洲欧美成人综合另类久久久| 成人无遮挡网站| 久久久精品免费免费高清| 寂寞人妻少妇视频99o| 九色成人免费人妻av| 亚洲精品第二区| 婷婷色av中文字幕| 国产成人freesex在线| 美女主播在线视频| 大片免费播放器 马上看| 久久毛片免费看一区二区三区| 天堂中文最新版在线下载| 欧美另类一区| 亚洲欧美一区二区三区国产| 尾随美女入室| 成人国产麻豆网| 国产 精品1| 国产成人一区二区在线| 日本午夜av视频| 亚洲婷婷狠狠爱综合网| 国产一区有黄有色的免费视频| 亚洲第一区二区三区不卡| 菩萨蛮人人尽说江南好唐韦庄| 少妇 在线观看| 国产伦在线观看视频一区| 久久久久精品久久久久真实原创| 超碰av人人做人人爽久久| 在线亚洲精品国产二区图片欧美 | 一级毛片 在线播放| 丝袜脚勾引网站| 精品少妇黑人巨大在线播放| 中文字幕av成人在线电影| 观看美女的网站| 老师上课跳d突然被开到最大视频| 1000部很黄的大片| 高清不卡的av网站| videos熟女内射| 国内少妇人妻偷人精品xxx网站| 青春草亚洲视频在线观看| 特大巨黑吊av在线直播| 国产有黄有色有爽视频| 一级毛片电影观看| 国产精品伦人一区二区| 十八禁网站网址无遮挡 | freevideosex欧美| 少妇裸体淫交视频免费看高清| 尤物成人国产欧美一区二区三区| 22中文网久久字幕| 91久久精品国产一区二区三区| 香蕉精品网在线| 免费观看在线日韩| 丰满乱子伦码专区| 国产 精品1| 国产成人一区二区在线| 亚洲综合色惰| 中文乱码字字幕精品一区二区三区| 亚洲丝袜综合中文字幕| 中文天堂在线官网| 成人18禁高潮啪啪吃奶动态图 | 国产成人a区在线观看| 制服丝袜香蕉在线| 国产国拍精品亚洲av在线观看| 亚洲va在线va天堂va国产| 中文字幕久久专区| 中文天堂在线官网| 欧美zozozo另类| 亚洲第一av免费看| 边亲边吃奶的免费视频| 夫妻午夜视频| 啦啦啦啦在线视频资源| 免费高清在线观看视频在线观看| 亚洲精品乱码久久久久久按摩| 好男人视频免费观看在线| 新久久久久国产一级毛片| av网站免费在线观看视频| 一区二区三区乱码不卡18| 午夜免费观看性视频| 精华霜和精华液先用哪个| 一级毛片久久久久久久久女| 国产欧美日韩一区二区三区在线 | 午夜福利在线观看免费完整高清在| 中文精品一卡2卡3卡4更新| 美女cb高潮喷水在线观看| h视频一区二区三区| 自拍偷自拍亚洲精品老妇| 午夜福利视频精品| 男女无遮挡免费网站观看| 国产精品福利在线免费观看| 最后的刺客免费高清国语| 久久毛片免费看一区二区三区| 日韩中字成人| 麻豆成人午夜福利视频| 伦精品一区二区三区| 亚洲国产av新网站| 精品一区二区三区视频在线| 在线播放无遮挡| av免费观看日本| av女优亚洲男人天堂| 精品酒店卫生间| 婷婷色综合大香蕉| 97热精品久久久久久| 国产精品人妻久久久久久| 久久精品久久久久久噜噜老黄| 亚洲av免费高清在线观看| 伦精品一区二区三区| 少妇丰满av| 大香蕉97超碰在线| 欧美老熟妇乱子伦牲交| 亚洲综合色惰| 国产乱来视频区| 九九在线视频观看精品| 精品久久久久久久久av| 亚洲av不卡在线观看| 一区二区三区精品91| 午夜福利影视在线免费观看| 在线播放无遮挡| 十分钟在线观看高清视频www | 亚洲欧美一区二区三区黑人 | 美女福利国产在线 | 高清av免费在线| 99热这里只有是精品在线观看| 高清视频免费观看一区二区| 中文精品一卡2卡3卡4更新| 成年av动漫网址| 国产成人精品久久久久久| 校园人妻丝袜中文字幕| 联通29元200g的流量卡| 日韩不卡一区二区三区视频在线| 狂野欧美激情性bbbbbb| av福利片在线观看| 男男h啪啪无遮挡| 看十八女毛片水多多多| 亚洲欧美日韩卡通动漫| 日韩国内少妇激情av| 天堂8中文在线网| 亚洲欧美成人精品一区二区| 精品一区在线观看国产| av专区在线播放| 国产亚洲午夜精品一区二区久久| 精品视频人人做人人爽| 自拍欧美九色日韩亚洲蝌蚪91 | 精品一品国产午夜福利视频| 国产成人精品婷婷| 国产高清三级在线| 中国三级夫妇交换| 精品人妻一区二区三区麻豆| 国产伦精品一区二区三区视频9| 欧美 日韩 精品 国产| 三级国产精品欧美在线观看| 嫩草影院新地址| 国产高清三级在线| 国内揄拍国产精品人妻在线| 久久99热6这里只有精品| 日韩一本色道免费dvd| 亚洲国产精品成人久久小说| 插逼视频在线观看| 精品少妇久久久久久888优播| 99国产精品免费福利视频| 亚洲欧洲日产国产| av在线app专区| 少妇被粗大猛烈的视频| 国产一级毛片在线| 欧美亚洲 丝袜 人妻 在线| av女优亚洲男人天堂| 肉色欧美久久久久久久蜜桃| 久久国内精品自在自线图片| 亚洲成色77777| 嫩草影院新地址| 日日摸夜夜添夜夜添av毛片| 日韩中文字幕视频在线看片 | 精品人妻偷拍中文字幕| 亚洲va在线va天堂va国产| 久久久久久久久久久免费av| 国产免费视频播放在线视频| 国产毛片在线视频| a级毛片免费高清观看在线播放| 欧美极品一区二区三区四区| 自拍偷自拍亚洲精品老妇| 精品人妻熟女av久视频| 亚洲在久久综合| 久久99热这里只频精品6学生| 黄色欧美视频在线观看| 久久99热这里只有精品18| 如何舔出高潮| 视频区图区小说| 久热久热在线精品观看| 国产黄频视频在线观看| 韩国av在线不卡| 久久99蜜桃精品久久| 51国产日韩欧美| 在线天堂最新版资源| 国模一区二区三区四区视频| 国产在线视频一区二区| 91精品国产国语对白视频| 久久精品国产a三级三级三级| 亚洲天堂av无毛| 国产视频内射| 成人高潮视频无遮挡免费网站| 欧美精品国产亚洲| 日本欧美视频一区| 久久久久久久久大av| 美女高潮的动态| 国产亚洲5aaaaa淫片| 少妇人妻精品综合一区二区| 日韩欧美 国产精品| 国产在视频线精品| 十八禁网站网址无遮挡 | 在线观看av片永久免费下载| av不卡在线播放| 99精国产麻豆久久婷婷| 六月丁香七月| 尾随美女入室| 卡戴珊不雅视频在线播放| 国产一区二区三区综合在线观看 | 午夜日本视频在线| 妹子高潮喷水视频| 街头女战士在线观看网站| 韩国高清视频一区二区三区| 亚洲精品久久久久久婷婷小说| 美女视频免费永久观看网站| 欧美精品一区二区免费开放| 狂野欧美白嫩少妇大欣赏| 插逼视频在线观看| 亚洲精品国产av成人精品| 91久久精品电影网| av国产久精品久网站免费入址| 亚洲中文av在线| av在线播放精品| 黄色一级大片看看| 午夜免费鲁丝| 亚洲经典国产精华液单| 天堂8中文在线网|