• <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 ?

    一種紫外-可見光譜檢測水質(zhì)COD預(yù)測模型優(yōu)化方法

    2015-11-18 01:29:34趙敬曉蔣上海羅繼陽VoQuangSang米德伶
    中國環(huán)境科學(xué) 2015年2期
    關(guān)鍵詞:降維光譜向量

    湯 斌,趙敬曉,魏 彪,蔣上海,羅繼陽,Vo Quang Sang ,馮 鵬,米德伶

    (重慶大學(xué)光電技術(shù)及系統(tǒng)教育部重點(diǎn)實驗室,重慶 400044)

    一種紫外-可見光譜檢測水質(zhì)COD預(yù)測模型優(yōu)化方法

    湯 斌,趙敬曉,魏 彪*,蔣上海,羅繼陽,Vo Quang Sang ,馮 鵬,米德伶

    (重慶大學(xué)光電技術(shù)及系統(tǒng)教育部重點(diǎn)實驗室,重慶 400044)

    針對紫外-可見光譜法檢測水質(zhì)COD預(yù)測模型的精度低和收斂速度慢等問題,研究了一種基于粒子群算法聯(lián)合最小二乘支持向量機(jī)(PSO_LSSVM)的水質(zhì)檢測COD預(yù)測模型優(yōu)化方法,并引入主元分析(PCA)算法對模型輸入光譜數(shù)據(jù)進(jìn)行降維預(yù)處理,借以提高模型的收斂速度.結(jié)果表明,利用粒子群(PSO)算法收斂速度快和全局優(yōu)化能力,優(yōu)化了最小二乘支持向量機(jī)(LSSVM)模型的懲罰因子和核函數(shù)參數(shù),避免了人為選擇參數(shù)的盲目性,克服了傳統(tǒng)LSSVM預(yù)測模型的精度較低、穩(wěn)健性較差等缺點(diǎn).通過以收斂時間、預(yù)測平均相對誤差(MRE)和均方根誤差(RMSE)為評價標(biāo)準(zhǔn)進(jìn)行評估,輸入樣本經(jīng)過PCA降維預(yù)處理的PSO_LSSVM模型的預(yù)測能力和輸入樣本未經(jīng)過降維預(yù)處理的LSSVM模型與PSO_LSSVM模型進(jìn)行了比較分析,輸入樣本經(jīng)過PCA降維預(yù)處理的PSO_LSSVM模型預(yù)測效果最優(yōu),且此算法使用C語言實現(xiàn),易于移植,這為紫外-可見光譜水質(zhì)COD在線、實時性檢測奠定了基礎(chǔ).

    水質(zhì)COD;紫外-可見光譜法;預(yù)測模型;PCA;PSO_LSSVM

    COD是反映水體受還原性物質(zhì)污染的程度,它既是衡量水質(zhì)狀況的最重要參數(shù)之一,也是水質(zhì)監(jiān)測中的必測項目[1].傳統(tǒng)的化學(xué)法檢測水質(zhì)COD因其需要使用大量試劑而存在二次污染、周期長等缺點(diǎn),以致不適于水質(zhì)監(jiān)測的實時性要求.于是,可實現(xiàn)在線、原位測量水質(zhì)COD的紫外-可見光譜法受到廣泛關(guān)注,發(fā)展前景良好[2].

    本質(zhì)上,采用紫外-可見光譜法實現(xiàn)在線、原位的水質(zhì)COD檢測,即是構(gòu)建基于紫外-可見光譜法的水質(zhì)COD預(yù)測模型,它是通過建立水樣的紫外-可見光譜數(shù)據(jù)與水質(zhì)COD之間的數(shù)學(xué)模型,以此模型為基礎(chǔ),依據(jù)新水樣的光譜數(shù)據(jù)借以預(yù)測其相應(yīng)的水質(zhì)COD.因此,水質(zhì)COD模型的預(yù)測精度取決于建模方法[3].

    目前,代表性的建模方法有:偏最小二乘、主成分回歸、最小二乘和最小二乘支持向量機(jī)(LSSVM)算法等.俞祿等[3]在比較幾種建模方法的應(yīng)用研究中得出,LSSVM模型的預(yù)測精度較高.然而,若直接將LSSVM算法用于建模,則在實際工程應(yīng)用過程中就不可避免地出現(xiàn)泛化能力和穩(wěn)健性較差等問題[4].其原因是:采用LSSVM模型進(jìn)行預(yù)測時,其預(yù)測能力主要依賴于懲罰因子γ和核函數(shù)σ參數(shù).因此,確定合適的參數(shù)γ和σ則是要解決的關(guān)鍵問題.姚全珠等[5]提出基于粒子群優(yōu)化算法(PSO)的LSSVM特征選擇與參數(shù)優(yōu)化算法,證明了使用PSO優(yōu)化LSSVM參數(shù)的有效性.但是,將PSO算法聯(lián)合LSSVM用于光譜法水質(zhì)COD檢測的預(yù)測模型中,目前鮮見有文獻(xiàn)報道.有鑒于此,本文研究了一種基于粒子群優(yōu)化聯(lián)合最小二乘支持向量機(jī)(PSO_LSSVM)的檢測水質(zhì)COD建模方法.利用PSO算法收斂速度快、精度高和全局優(yōu)化能力的優(yōu)點(diǎn),可使LSSVM模型的懲罰因子γ和核函數(shù)σ參數(shù)達(dá)到最佳值,以此提高LSSVM模型的預(yù)測精度.此外,采用主元分析(PCA)算法對模型輸入光譜數(shù)據(jù)進(jìn)行降維預(yù)處理[6],從高維光譜數(shù)據(jù)中提取能夠綜合反映水質(zhì)COD的相互獨(dú)立的光譜數(shù)據(jù),借以加快模型收斂速度和降低計算復(fù)雜度.

    1 原理及方法

    1.1 主成分分析算法(PCA)

    通常情況,高維數(shù)據(jù)包含大量冗余、隱藏重要關(guān)系的相關(guān)性,導(dǎo)致計算工作量增加以及影響決策有效性與可靠性.PCA降維目的,是將多變量的復(fù)雜問題簡化為少變量的簡單問題,步驟如下[7]:①將M個N維樣本,組成樣本矩陣,進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化;②計算樣本矩陣相關(guān)系數(shù)矩陣;③計算相關(guān)系數(shù)矩陣的特征向量及其對應(yīng)的特征值;④計算特征值貢獻(xiàn)率,確定主成分.

    1.2 最小二乘支持向量機(jī)算法(LSSVM)

    LSSVM原理[8]可表述為:對于給定的樣本集為n維輸入向量,yi為一維輸出向量,n為樣本數(shù).LSSVM構(gòu)造如下最小化目標(biāo)函數(shù)及其約束條件:

    式(1)中,ω∈Rn為權(quán)向量;γ為正規(guī)化參數(shù);ek為誤差變量;φ( χk)是將輸入向量映射到高維特征空間的函數(shù);b∈R為偏置參數(shù).于是,相應(yīng)的Lagrange函數(shù)為:

    式(2)中,αk為Lagrange乘子.通過KKT最優(yōu)條件,可將(2)式轉(zhuǎn)化為如下線性方程組:

    利用最小二乘算法求解式(3)線性方程組,即得α和b值,由此,得到預(yù)測模型的決策函數(shù):

    由以上推導(dǎo)過程可知,通過采用最小二乘價值函數(shù)和等式約束,可以將求解的優(yōu)化問題轉(zhuǎn)化成線性方程.此外,采用徑向基核函數(shù)的LSSVM,僅需確定γ,σ兩個參數(shù),大大減少算法的復(fù)雜性.

    1.3 粒子群優(yōu)化算法(PSO)

    PSO算法[10]中,每個優(yōu)化問題的潛在解都是搜索空間中的一只鳥,稱之為粒子,每個粒子都有位置、飛行速度、飛行方向和飛行步長.PSO算法首先初始化一群隨機(jī)粒子,通過多次迭代搜索最優(yōu)解.在每一次迭代中,粒子通過跟蹤兩個"極值"來更新自己下一次迭代的位置和飛行速度:第一個,就是粒子本身所找到的最優(yōu)解,即個體極值;另一個,極值是所有粒子目前找到的最優(yōu)解,即全局極值.算法描述如下:

    在一個D維解的目標(biāo)搜索空間,有N個粒子組成一個群體,假設(shè)第i個粒子的位置向量為χi=(χi1,χi2,…,χiD),速度向量為vi=(vi1,vi 2,…,viD),根據(jù)各粒子的適應(yīng)度值來評價其優(yōu)劣,并找到當(dāng)前時刻的個體極值pi=(pi1,pi2,…,piD)和全局極值pg=(pg1,pg2,…,pgD).對于第t次迭代,其第d維(1≤d≤D)根據(jù)下列方程更新:

    式(5)中,r1和r2為[0,1]之間的隨機(jī)數(shù);c1和c2為學(xué)習(xí)因子;w為慣性權(quán)重.在每一維,粒子都有一個最大限制速度Vmax,如果某一維的速度超過設(shè)定的Vmax,那么,這一維的速度就等于Vmax.

    圖1 PSO_LSSVM算法流程示意Fig.1 Flow Chart of PSO_LSSVM Algorithm

    在PSO算法中,慣性權(quán)重w選擇很關(guān)鍵,較大的有較好的全局搜索能力,而較小的有較強(qiáng)的局部搜索能力,以此其值應(yīng)隨著迭代次數(shù)的增加而減小,從而調(diào)整算法的搜素能力,以達(dá)到優(yōu)化目的[11].一般定義為:

    式(6)中,tmax為總的迭代次數(shù),t為當(dāng)前迭代次數(shù),wmax、wmin分別為最大和最小權(quán)重因子.

    1.4 粒子群算法聯(lián)合最小二乘支持向量機(jī)(PSO-LSSVM)的參數(shù)優(yōu)化

    2 實驗結(jié)果與分析

    2.1 實驗材料

    實驗中,水樣樣本共54組,取自于某市的河流地表水、生活污水和工業(yè)廢水.光源為氘-鹵鎢燈,光譜儀為OceanOptics公司的Maya2000紫外-可見光譜儀,每條光譜數(shù)據(jù)點(diǎn)為2048個.本實驗中,每條光譜數(shù)據(jù)對應(yīng)COD值,采用GB11914-89《重鉻酸鹽法水質(zhì)化學(xué)需氧量的測定》[12]方法測量.

    2.2 結(jié)果與討論

    2.2.1 PCA降維結(jié)果 首先,對獲得的光譜數(shù)據(jù)進(jìn)行去噪、濁度校正處理;然后,采用PCA算法對構(gòu)成的輸入樣本矩陣進(jìn)行冗余信息剔除.分析結(jié)果,如表1所示(由于篇幅有限,圖中僅列出前8個特征值及其貢獻(xiàn)率和累計貢獻(xiàn)率).從表1可以看到,第一主成分獲得全部變化方差的50.1%,第一主成分獲取全部變化方差的26.16%,前7個主成分的累計貢獻(xiàn)率已到達(dá)95.43%,足以代替原始因子所代表的全部信息.通過進(jìn)一步變換,可以得到7個主成分與54個樣本間的相關(guān)矩陣[13],即預(yù)測模型新樣本矩陣,如表2所示.

    2.2.2 預(yù)測模型精度分析 針對54組實驗樣本,隨機(jī)選取40組作為模型訓(xùn)練樣本模, 14組作為預(yù)測樣本.本文PSO算法的參數(shù)設(shè)置為:粒子群算法種群規(guī)模N=100,r1, r2屬于[0,1], c1=c2= 1.8,D=2,最大迭代次數(shù)tmax=1000,wmax=0.94,wmin=0.4.算法采用標(biāo)準(zhǔn)C語言實現(xiàn),使用VC++ 6.0軟件工具,缺省編譯器優(yōu)化選型進(jìn)行編譯.最終得到的優(yōu)化參數(shù)是:C=268.354,σ=10.489.輸入樣本未經(jīng)過降維預(yù)處理的LSSVM模型、PSO_LSSVM模型預(yù)測結(jié)果擬合圖,分別如圖2、圖3所示,簡稱為LSSVM模型、PSO_LSSVM模型.輸入樣本經(jīng)過PCA降維預(yù)處理的PSO_LSSVM模型的預(yù)測結(jié)果擬合圖,如圖4所示,稱之為PCA_PSO_LSSVM模型.

    表1 特征值及主成分貢獻(xiàn)率Table 1 Eigenvalues and principal component contribution rate

    表2 主成分矩陣Table 2 Principal components analysis matrix

    圖2 LSSVM模型預(yù)測值與實際值比較曲線Fig.2 Comparison between the predicted value by LSSVM and the measured value by chemical method

    從圖2~圖4可得, LSSVM模型參數(shù)經(jīng)過PSO優(yōu)化之后,模型預(yù)測結(jié)果擬合精度得到大大提高;與PSO_LSSVM模型相比較,PCA_PSO_ LSSVM模型預(yù)測結(jié)果,雖然擬合精度整體上提升不大,但是第9、10 這2個樣本點(diǎn),其擬合精度得到提高.

    圖3 PSO_LSSVM模型預(yù)測值與實際值比較曲線Fig.3 Comparison between the predicted value by PSO_LSSVM and the measured value by chemical meth

    以收斂時間、預(yù)測平均相對誤差(MRE)和均方根誤差(RMSE)為評價標(biāo)準(zhǔn),進(jìn)一步對比以上3個模型的預(yù)測性能.由表3可得,相對傳統(tǒng)的LSSVM模型,PSO_LSSVM模型的MRE、RMSE提升幅度分別為71.21%和48.36%,模型精度明顯得到提高;相對PSO-LSSVM模型,PCAPSO-LSSVM 模型預(yù)測精度雖沒有明顯優(yōu)勢,其收斂速度大大加快,使用時間僅為9s,遠(yuǎn)少于PCA-PSO-SSVM的用時96s.此外,通過統(tǒng)計分析,PCA-PSO-LSSVM模型中,最大相對誤差僅為5.83%,基本可以實現(xiàn)水質(zhì)COD的在線、實時性檢測.

    圖4 PCA_PSO_LSSVM模型預(yù)測值與實際值比較曲線Fig.4 Comparison between the predicted value by PCA_PSO_LSSVM and the measured value by chemical method

    表3 模型預(yù)測效果評價Table 3 Evaluation table of model predictions

    3 結(jié)語

    本文研究了一種基于粒子群算法聯(lián)合最小二乘支持向量機(jī)(PSO_LSSVM)預(yù)測水質(zhì)COD模型的優(yōu)化方法,進(jìn)而通過引入PCA算法對模型輸入光譜數(shù)據(jù)進(jìn)行降維預(yù)處理以提高模型的收斂速度.研究結(jié)果表明,基于PSO算法聯(lián)合LSSVM優(yōu)化模型參數(shù),克服了LSSVM模型的精度較低、泛化能力和穩(wěn)健性較差等缺點(diǎn),較之于傳統(tǒng)的LSSVM模型,其MRE 、RMSE提升幅度分別為71.21%和48.36%,模型精度明顯得到提高;PCA算法的引入,收斂時間由96s降為9s,節(jié)約90s,大大加速了PSO_LSSVM預(yù)測模型的收斂速度.

    [1]劉子毓.紫外法水質(zhì)COD檢測的理論與實驗研究 [D]. 天津:天津大學(xué), 2010.

    [2]Liu Ziyu. Theoretical and experimental studies on the measurement of COD in water using ultraviolet spectrum method[D]. Tianjin: Univ. of Tianjin, 2010.

    [3]李玉春.基于紫外可見光譜的水下多參數(shù)水質(zhì)檢測技術(shù)研究[D]. 天津:天津大學(xué), 2011.

    [4]Li Yuchun. Research on the submersible muli-prameter water quality monitoring technology based on UV-visible spectra [D]. Tianjin: Univ. of Tianjin, 2011.

    [5]俞 祿,王雪潔,明 倩,等.幾種建模方法在光譜水質(zhì)分析中的應(yīng)用和比較 [C]//中國自動化學(xué)會控制理論專業(yè)委員會b卷,2011:5227-5230.

    [6]Yu Lu, Wang XueJie, Ming Qian, et al. Application and comparison of several modeling methods in spectral based water quality analysis [C]//Control Conference (CCC), 2011 30th Chinese. IEEE, 2011:5227-5230.

    [7]龍 文,焦建軍,龍祖強(qiáng).基于PSO優(yōu)化LSSVM的未知模型混沌系統(tǒng)控制 [J]. 物理學(xué)報, 2011,60(11):112-117.

    [8]Long Wen, Jiao JianJun, Long ZuQiang. Control of chaos solely based on PSO-LSSVM without using an analytical mod [J]. Acta Physica Sinica, 2011,60(11):112-117.

    [9]姚全珠,蔡 婕.基于PSO的LS-SVM特征選擇與參數(shù)優(yōu)化算法 [J]. 計算機(jī)工程與應(yīng)用, 2010,(1):134-136.

    [10]Yao Quanzhu, Can Jie. Feature selection and LSSVM parameters optimization algorithm based on PSO. Computer Engineering and Applications, 2010,46(1):134-136.

    [11]吳元清,杜樹新,嚴(yán) 赟.水體有機(jī)污染物濃度檢測中的紫外光譜分析方法 [J]. 光譜學(xué)與光譜分析, 2011,31(1):233-237.

    [12]Wu Yuanqing, Du Shuxin, Yan Yun. Ultraviolet spectrum analysis methods for detecting the concentration of organic pollutants in Water [J]. Spectroscopy and Spectral Analysis, 2011,31(1):233-237.

    [13]魏遠(yuǎn)隆,尹昌海,陳貴平,等.近紅外光譜結(jié)合主成分分析鑒別不同產(chǎn)地的南豐蜜桔 [J]. 光譜學(xué)與光譜分析, 2013,33(11):3024-3027.

    [14]Huang J, Zhang W. Identification of nanfeng mandarin from different origins by using near infrared spectroscopy coupled withprincipal components analysis [J]. Spectroscopy and Spectral Analysis, 2013,33(11):3024-3027.

    [15]徐麗莎,錢曉山.基于變異CPSO算法的LSSVM出水COD的軟測量研究 [J]. 環(huán)境工程學(xué)報, 2012,5:011.

    [16]Xu Lisha, Qian Xiaoshan. Soft sensor study of effluent COD based on mutant CPSO and LSSVM [J]. Chinese Journal of Environmental Engineering, 2012,5:011.

    [17]周秀軍,戴連奎.基于最小二乘支持向量機(jī)的橄欖油摻雜拉曼快速鑒別方法 [J]. 光散射學(xué)報, 2013,25(2):176-182.

    [18]Zhou Xiujun, Dai Liankui. Fast discrimination of olive oil adulteration based on raman spectra using least squares support vector machine [J]. The Journal of Light Scattering, 2013,25(2):176-182.

    [19]楊 維,李歧強(qiáng).粒子群優(yōu)化算法綜述 [J]. 中國工程科學(xué),2004,6(5):87-94.

    [20]Wei Y, Qiqiang L. Survey on particle swarm optimization algorithm [J]. Engineering Science, 2004,5(5):87-94.

    [21]徐松金,龍 文.基于粒子群優(yōu)化最小二乘向量機(jī)的地震預(yù)測模型 [J]. 西北地震學(xué)報, 2012,34(3):220-223.

    [22]Xu Songjin, Long Wen. Earthquake forecast model based on the partical swarm optimization algorithm used in LSSVM [J]. Northwestern Seismological Jouranl, 2012,34(3):220-223.

    [23]顧 建,趙友全,郭 翼,等.一種投入式光譜法紫外水質(zhì)監(jiān)測系統(tǒng) [J]. 安全與環(huán)境學(xué)報, 2012,12(6):98-102.

    [24]Gu Jian, Zhao Youquan, Guo Yi, et al. On submersible water-quality monitoring systems based on spectral ultraviolet method [J]. Journal of Safety and Environment, 2012,6:022.

    [25]方紅衛(wèi),孫世群,朱雨龍,等.主成分分析法在水質(zhì)評價中的應(yīng)用及分析 [J]. 環(huán)境科學(xué)與管理, 2009,34(12):152-154.

    [26]Fang Hongwei, Sun Shiqun, Zhu Yulong. Principal component analysis apply in water quality assessment [J]. Environmental Science and Management, 2009,34(12):152-154.

    致謝:實驗的由四川碧朗科技的化學(xué)工程師協(xié)助完成,在此表示感謝.

    A method of optimizing the prediction model for the determination of water COD by using UV-visible spectroscopy.

    TANG Bin, ZHAO Jing-xiao, WEI Biao*, JING Shang-hai, LUO Ji-yang, VO Quang Sang, FENG Peng, MI De-ling
    (Key Laboratory of Optoelectronic Technology and Systems, Ministry of Education, Chongqing University, Chongqing 400044,China).

    China Environmental Science, 2015,35(2):478~483

    There are some problems in the prediction model of the determination of water COD by using UV-visible spectroscopy, such as low precision and slow convergence speed. This paper studied an optimization method based on particle swarm optimization algorithm in combination with least squares support vector machine algorithm, and introduced the principal component analysis (PCA) algorithm to reduce the dimension of the input data in order to improve the convergence speed of the model. PSO had the ability of fast convergence speed and global optimization. The penalty factor and the kernel function parameter of the traditional LSSVM model had been optimized by PSO to overcome the blindness of selecting parameters manually and disadvantages of LSSVM prediction model of low precision, poor robustness. LSSVM model and PSO_LSSVM model had been established, which the dimensionality of input data had not been reduced. PSO_LSSVM prediction model had been established, which the dimensionality of input data had been reduced by PCA. Comparisons were conducted by computing the evaluation standard of the convergence time, average relative prediction error (MRE) and root mean square error (RMSE), and result were that the prediction ability of PSO_LSSVM model which using PCA superior than other two. The algorithm of the model were achieved by C language which more easy to transplant, and laid the foundation for real-time, online determination of Water COD by using UV -visible spectroscopy.

    water quality COD;UV-Vis spectroscopy;prediction model;PCA;PSO_LSSVM

    X703

    A

    1000-6923(2015)02-0478-06

    湯 斌(1985-),男,重慶人,重慶大學(xué)博士研究生,主要研究方向為光電檢測與成像技術(shù).發(fā)表論文12篇.

    2014-06-12

    四川省科技支撐計劃項目(2012SZ0111)

    * 責(zé)任作者, 教授, weibiao@cqu.edu.cn

    猜你喜歡
    降維光譜向量
    Three-Body’s epic scale and fiercely guarded fanbase present challenges to adaptations
    基于三維Saab變換的高光譜圖像壓縮方法
    向量的分解
    聚焦“向量與三角”創(chuàng)新題
    降維打擊
    海峽姐妹(2019年12期)2020-01-14 03:24:40
    向量垂直在解析幾何中的應(yīng)用
    向量五種“變身” 玩轉(zhuǎn)圓錐曲線
    星載近紅外高光譜CO2遙感進(jìn)展
    苦味酸與牛血清蛋白相互作用的光譜研究
    拋物化Navier-Stokes方程的降維仿真模型
    計算物理(2014年1期)2014-03-11 17:00:18
    一二三四中文在线观看免费高清| 少妇的逼水好多| 欧美老熟妇乱子伦牲交| av网站免费在线观看视频| 国产伦精品一区二区三区视频9| 欧美少妇被猛烈插入视频| 丰满少妇做爰视频| 中文字幕人妻熟人妻熟丝袜美| 国产探花极品一区二区| 婷婷色综合大香蕉| 免费观看性生交大片5| 国产 精品1| 国产色爽女视频免费观看| 麻豆成人av视频| 日韩人妻高清精品专区| 中文精品一卡2卡3卡4更新| 国产成人aa在线观看| 丝袜脚勾引网站| 久久久国产欧美日韩av| 全区人妻精品视频| 少妇人妻 视频| 青青草视频在线视频观看| 人妻少妇偷人精品九色| 午夜视频国产福利| 一级,二级,三级黄色视频| 美女国产视频在线观看| 一本大道久久a久久精品| 自线自在国产av| 一个人看视频在线观看www免费| 国产精品 国内视频| 日韩三级伦理在线观看| 国产在视频线精品| 国产精品麻豆人妻色哟哟久久| 亚洲人成77777在线视频| 3wmmmm亚洲av在线观看| 卡戴珊不雅视频在线播放| 免费看av在线观看网站| 看免费成人av毛片| 中文欧美无线码| 国产日韩一区二区三区精品不卡 | 婷婷色av中文字幕| 国产欧美亚洲国产| 亚洲国产av新网站| 插阴视频在线观看视频| 日本欧美视频一区| 久久热精品热| 中文字幕最新亚洲高清| 99热全是精品| 中文字幕制服av| 精品一区二区三区视频在线| 欧美亚洲 丝袜 人妻 在线| 午夜福利网站1000一区二区三区| 边亲边吃奶的免费视频| 中文字幕久久专区| 国产日韩欧美亚洲二区| 91aial.com中文字幕在线观看| 少妇人妻 视频| 国产视频首页在线观看| 午夜福利视频精品| 欧美xxxx性猛交bbbb| 国产精品久久久久久精品古装| 亚洲精品国产av蜜桃| 99久久人妻综合| 日本欧美视频一区| 亚洲欧美成人精品一区二区| 成人亚洲精品一区在线观看| 人成视频在线观看免费观看| 91午夜精品亚洲一区二区三区| 亚洲成人av在线免费| 老司机影院毛片| 制服丝袜香蕉在线| 日韩一本色道免费dvd| 22中文网久久字幕| 在线免费观看不下载黄p国产| 久久久久国产精品人妻一区二区| 久久国产精品男人的天堂亚洲 | 国产高清三级在线| 成人综合一区亚洲| 国产色婷婷99| 日韩精品免费视频一区二区三区 | 国产老妇伦熟女老妇高清| 日韩 亚洲 欧美在线| 在线亚洲精品国产二区图片欧美 | 久久久久久久久大av| 青春草亚洲视频在线观看| 亚洲成人手机| 大片免费播放器 马上看| 久久人人爽人人爽人人片va| 久久久国产一区二区| 久久久久人妻精品一区果冻| 天堂8中文在线网| 亚洲av电影在线观看一区二区三区| 久久97久久精品| 亚洲av在线观看美女高潮| 亚洲三级黄色毛片| 精品亚洲乱码少妇综合久久| 精品人妻一区二区三区麻豆| 亚洲国产毛片av蜜桃av| 日韩欧美一区视频在线观看| 国产精品.久久久| 欧美人与性动交α欧美精品济南到 | 日本wwww免费看| 大码成人一级视频| 一区二区三区免费毛片| 亚洲欧美一区二区三区国产| 啦啦啦啦在线视频资源| 久久狼人影院| 大话2 男鬼变身卡| 69精品国产乱码久久久| 欧美精品国产亚洲| 多毛熟女@视频| 国产免费视频播放在线视频| 丝袜美足系列| 国产精品蜜桃在线观看| 夜夜爽夜夜爽视频| 亚洲经典国产精华液单| 国产永久视频网站| 日韩三级伦理在线观看| 中文字幕最新亚洲高清| 国产亚洲精品久久久com| 97在线人人人人妻| 大又大粗又爽又黄少妇毛片口| 国产精品不卡视频一区二区| av.在线天堂| 亚洲精品视频女| 国产精品久久久久久久电影| 午夜日本视频在线| 日韩伦理黄色片| 精品久久久久久久久av| 插阴视频在线观看视频| 嘟嘟电影网在线观看| 久久这里有精品视频免费| 日本免费在线观看一区| 色94色欧美一区二区| 国产毛片在线视频| 99视频精品全部免费 在线| 欧美精品一区二区免费开放| 精品久久蜜臀av无| 国产免费视频播放在线视频| 欧美xxxx性猛交bbbb| 伊人久久国产一区二区| 如何舔出高潮| 日本wwww免费看| 最黄视频免费看| 99热国产这里只有精品6| 大片电影免费在线观看免费| 色哟哟·www| 丰满少妇做爰视频| 国产精品久久久久久久久免| 精品一品国产午夜福利视频| 精品熟女少妇av免费看| 91国产中文字幕| 啦啦啦在线观看免费高清www| 激情五月婷婷亚洲| 中文字幕久久专区| 男女无遮挡免费网站观看| 高清午夜精品一区二区三区| 亚洲天堂av无毛| 2018国产大陆天天弄谢| videossex国产| 91精品国产九色| 少妇被粗大的猛进出69影院 | a级毛片黄视频| 亚洲图色成人| av又黄又爽大尺度在线免费看| 少妇高潮的动态图| 国产成人精品福利久久| 日本-黄色视频高清免费观看| 精品国产乱码久久久久久小说| 美女xxoo啪啪120秒动态图| 亚洲欧美清纯卡通| 男人爽女人下面视频在线观看| 欧美 日韩 精品 国产| 伊人久久精品亚洲午夜| 免费高清在线观看视频在线观看| 黑人欧美特级aaaaaa片| 国产乱来视频区| 欧美老熟妇乱子伦牲交| 国产极品天堂在线| 日本av手机在线免费观看| 成人二区视频| 久久久国产精品麻豆| 少妇被粗大猛烈的视频| 亚洲情色 制服丝袜| 欧美xxxx性猛交bbbb| 亚洲国产毛片av蜜桃av| 国产免费现黄频在线看| 亚洲熟女精品中文字幕| www.色视频.com| 久久久精品94久久精品| 18禁在线播放成人免费| 午夜老司机福利剧场| 亚洲人与动物交配视频| 香蕉精品网在线| av在线app专区| 丝袜喷水一区| 久久国产精品男人的天堂亚洲 | 9色porny在线观看| 国产精品嫩草影院av在线观看| 免费日韩欧美在线观看| 中文字幕精品免费在线观看视频 | xxxhd国产人妻xxx| 91精品国产国语对白视频| 日韩av不卡免费在线播放| 亚洲色图 男人天堂 中文字幕 | 欧美日本中文国产一区发布| 亚洲av国产av综合av卡| 中文字幕最新亚洲高清| 少妇熟女欧美另类| 国产成人精品一,二区| 寂寞人妻少妇视频99o| 国产成人av激情在线播放 | 精品久久久久久久久亚洲| 亚洲精品国产av成人精品| 久久久精品免费免费高清| 最新中文字幕久久久久| a级毛色黄片| 精品国产一区二区三区久久久樱花| av一本久久久久| 亚洲美女搞黄在线观看| 91国产中文字幕| 婷婷色综合www| 国产精品不卡视频一区二区| 大片电影免费在线观看免费| 久久久久久久久久久丰满| a级毛片在线看网站| 亚洲精品av麻豆狂野| 日韩精品免费视频一区二区三区 | 亚州av有码| 丰满饥渴人妻一区二区三| 插逼视频在线观看| 日本爱情动作片www.在线观看| 国产成人精品一,二区| 亚洲精品日韩av片在线观看| 欧美精品亚洲一区二区| 欧美三级亚洲精品| 久久 成人 亚洲| 一级毛片aaaaaa免费看小| 精品国产乱码久久久久久小说| 国产 精品1| 久久女婷五月综合色啪小说| 久久99热这里只频精品6学生| 国产日韩欧美在线精品| 日韩制服骚丝袜av| 女的被弄到高潮叫床怎么办| 国产精品偷伦视频观看了| 夜夜骑夜夜射夜夜干| 国产毛片在线视频| 国产精品欧美亚洲77777| 亚洲精品乱码久久久v下载方式| 亚洲激情五月婷婷啪啪| 老司机亚洲免费影院| 欧美激情国产日韩精品一区| 亚洲精品国产色婷婷电影| 精品亚洲成a人片在线观看| 成人手机av| 亚洲四区av| 大香蕉久久网| 人人澡人人妻人| 男人添女人高潮全过程视频| 亚洲一级一片aⅴ在线观看| 香蕉精品网在线| 久久热精品热| 五月天丁香电影| 少妇高潮的动态图| 精品少妇久久久久久888优播| 精品一区二区三卡| 亚洲精品aⅴ在线观看| 26uuu在线亚洲综合色| 看十八女毛片水多多多| 男人操女人黄网站| 黑人欧美特级aaaaaa片| 国产亚洲精品久久久com| 精品人妻一区二区三区麻豆| 欧美三级亚洲精品| xxx大片免费视频| 简卡轻食公司| 日韩在线高清观看一区二区三区| 亚洲美女黄色视频免费看| 国产高清有码在线观看视频| 99热这里只有精品一区| 插逼视频在线观看| 免费久久久久久久精品成人欧美视频 | 久久久久国产网址| 亚洲国产av影院在线观看| 人妻人人澡人人爽人人| 国产成人一区二区在线| 亚洲精品国产色婷婷电影| 亚洲欧美色中文字幕在线| 人人妻人人澡人人看| 日韩一区二区三区影片| 国产精品 国内视频| 精品久久久精品久久久| 久久久久国产网址| 免费观看性生交大片5| 久久久精品免费免费高清| 亚洲精品乱久久久久久| 国产亚洲av片在线观看秒播厂| 日本av免费视频播放| 亚洲人与动物交配视频| 91久久精品电影网| 国产精品久久久久久精品电影小说| 色94色欧美一区二区| 天堂8中文在线网| 久久婷婷青草| 各种免费的搞黄视频| 麻豆精品久久久久久蜜桃| 免费看光身美女| 黑人猛操日本美女一级片| 日日啪夜夜爽| 精品国产一区二区久久| 欧美日韩亚洲高清精品| 天堂中文最新版在线下载| 黑人猛操日本美女一级片| 国产一区有黄有色的免费视频| 成人毛片60女人毛片免费| 搡老乐熟女国产| 久久婷婷青草| 精品久久久久久久久av| 少妇精品久久久久久久| 七月丁香在线播放| 十八禁高潮呻吟视频| 69精品国产乱码久久久| 如何舔出高潮| 精品午夜福利在线看| 国产69精品久久久久777片| 亚洲av欧美aⅴ国产| 性色avwww在线观看| av有码第一页| 久久国产亚洲av麻豆专区| 日日摸夜夜添夜夜添av毛片| 中国国产av一级| 精品人妻在线不人妻| 亚洲一级一片aⅴ在线观看| 亚洲不卡免费看| 男人操女人黄网站| 国产无遮挡羞羞视频在线观看| 人体艺术视频欧美日本| 中国国产av一级| 一边摸一边做爽爽视频免费| 欧美精品高潮呻吟av久久| 自线自在国产av| 大陆偷拍与自拍| 黑人猛操日本美女一级片| 成年av动漫网址| 一级,二级,三级黄色视频| 99九九线精品视频在线观看视频| 国产亚洲一区二区精品| 国产白丝娇喘喷水9色精品| 18禁裸乳无遮挡动漫免费视频| 成年人午夜在线观看视频| 中文字幕制服av| 美女脱内裤让男人舔精品视频| 高清av免费在线| 最近手机中文字幕大全| 国产成人精品婷婷| a级毛片免费高清观看在线播放| 日本欧美国产在线视频| 国产一区有黄有色的免费视频| 国产高清不卡午夜福利| 国产精品一国产av| 亚洲精品久久午夜乱码| 亚洲av在线观看美女高潮| 精品人妻偷拍中文字幕| xxxhd国产人妻xxx| 日本欧美视频一区| 国产精品一国产av| 国产精品久久久久成人av| 亚洲欧美成人精品一区二区| 女人精品久久久久毛片| 韩国高清视频一区二区三区| 国产精品99久久99久久久不卡 | 日本猛色少妇xxxxx猛交久久| 五月天丁香电影| 日韩电影二区| 午夜日本视频在线| 亚洲欧美日韩卡通动漫| 久久婷婷青草| 久久99蜜桃精品久久| a级毛片免费高清观看在线播放| 亚洲精品国产av蜜桃| 99视频精品全部免费 在线| 久久午夜综合久久蜜桃| 人妻人人澡人人爽人人| 欧美97在线视频| 日本色播在线视频| 插阴视频在线观看视频| 国产伦理片在线播放av一区| 这个男人来自地球电影免费观看 | 亚洲精品一区蜜桃| 人体艺术视频欧美日本| 久久久久视频综合| 免费观看性生交大片5| 亚洲成人一二三区av| 久久久国产精品麻豆| 欧美另类一区| av黄色大香蕉| 午夜av观看不卡| 成年人午夜在线观看视频| 女性生殖器流出的白浆| 男女国产视频网站| 丁香六月天网| 欧美人与性动交α欧美精品济南到 | 久久精品久久久久久久性| 你懂的网址亚洲精品在线观看| 久久人人爽av亚洲精品天堂| 亚洲国产毛片av蜜桃av| av免费观看日本| 亚洲人与动物交配视频| 国产高清不卡午夜福利| 久久人人爽av亚洲精品天堂| 母亲3免费完整高清在线观看 | 一本大道久久a久久精品| 不卡视频在线观看欧美| 高清av免费在线| 99久久人妻综合| 欧美精品一区二区免费开放| 亚洲国产色片| 国产免费现黄频在线看| 一级二级三级毛片免费看| 夜夜爽夜夜爽视频| 亚洲欧洲日产国产| 久久av网站| 久久精品久久精品一区二区三区| 免费高清在线观看日韩| 热99国产精品久久久久久7| 在线天堂最新版资源| 免费日韩欧美在线观看| 亚洲精品视频女| 日韩一区二区三区影片| 亚洲av国产av综合av卡| 亚洲欧美中文字幕日韩二区| 国产女主播在线喷水免费视频网站| 欧美精品亚洲一区二区| 日本av免费视频播放| 久久久久久久国产电影| 18禁裸乳无遮挡动漫免费视频| 男人添女人高潮全过程视频| 国产精品免费大片| 国产日韩欧美在线精品| 亚洲国产精品专区欧美| 国产精品久久久久久精品古装| 午夜激情av网站| 亚洲精品美女久久av网站| 亚洲精品国产色婷婷电影| 国产亚洲精品第一综合不卡 | 国产在线一区二区三区精| 婷婷色综合www| 女性生殖器流出的白浆| av黄色大香蕉| 国产男女超爽视频在线观看| 日韩不卡一区二区三区视频在线| 久久99蜜桃精品久久| 亚洲精品日本国产第一区| 黄色一级大片看看| 搡老乐熟女国产| 国产成人午夜福利电影在线观看| 国产 一区精品| 久久精品夜色国产| 国产免费一级a男人的天堂| 国产精品久久久久久av不卡| 不卡视频在线观看欧美| 天美传媒精品一区二区| 色婷婷av一区二区三区视频| av国产久精品久网站免费入址| 日韩,欧美,国产一区二区三区| 日本爱情动作片www.在线观看| 国产精品99久久久久久久久| 高清av免费在线| 精品亚洲成a人片在线观看| 久久久久久伊人网av| 婷婷色av中文字幕| 亚洲色图 男人天堂 中文字幕 | 中国三级夫妇交换| 亚洲精品乱码久久久v下载方式| 国产一区二区三区av在线| 下体分泌物呈黄色| 亚洲欧美精品自产自拍| 亚洲高清免费不卡视频| 色5月婷婷丁香| 激情五月婷婷亚洲| 国产日韩欧美在线精品| 亚洲国产av影院在线观看| 性色av一级| 我的老师免费观看完整版| 成人无遮挡网站| 国产在线免费精品| 成人无遮挡网站| 天堂中文最新版在线下载| 最近的中文字幕免费完整| 男人操女人黄网站| 国产色爽女视频免费观看| 91久久精品国产一区二区三区| 精品人妻熟女毛片av久久网站| 国产免费视频播放在线视频| 五月开心婷婷网| 久久午夜综合久久蜜桃| av卡一久久| 蜜桃在线观看..| 国产亚洲午夜精品一区二区久久| 亚洲精品一区蜜桃| 一区在线观看完整版| 亚洲国产精品成人久久小说| 人人妻人人澡人人爽人人夜夜| 亚洲av电影在线观看一区二区三区| 午夜福利视频在线观看免费| 亚洲欧美成人综合另类久久久| 国产亚洲一区二区精品| 精品人妻偷拍中文字幕| 一本久久精品| 亚洲中文av在线| 国产黄片视频在线免费观看| 亚洲欧美成人精品一区二区| 亚洲国产精品专区欧美| videos熟女内射| 国国产精品蜜臀av免费| 女人久久www免费人成看片| 国产老妇伦熟女老妇高清| 国产一区二区三区av在线| 丁香六月天网| 美女xxoo啪啪120秒动态图| 99精国产麻豆久久婷婷| 久久精品国产亚洲网站| 久久久久久伊人网av| 久久久欧美国产精品| 丝袜美足系列| 亚洲第一区二区三区不卡| 大香蕉97超碰在线| 寂寞人妻少妇视频99o| 中文字幕人妻丝袜制服| 亚洲精品久久午夜乱码| 一级毛片aaaaaa免费看小| 欧美精品国产亚洲| 在线观看人妻少妇| 99热网站在线观看| 97在线人人人人妻| 国产一区二区在线观看av| 极品少妇高潮喷水抽搐| 青春草亚洲视频在线观看| 亚洲成人av在线免费| 久久精品国产亚洲网站| av免费在线看不卡| 人人妻人人爽人人添夜夜欢视频| 亚洲精品国产av成人精品| 国产黄频视频在线观看| 十八禁高潮呻吟视频| 久久午夜综合久久蜜桃| 在线天堂最新版资源| 丰满饥渴人妻一区二区三| 女人精品久久久久毛片| 高清视频免费观看一区二区| 一本大道久久a久久精品| 日本av免费视频播放| 天天影视国产精品| 久久97久久精品| av网站免费在线观看视频| 99热这里只有精品一区| 男女高潮啪啪啪动态图| 99精国产麻豆久久婷婷| 热re99久久精品国产66热6| 国产精品国产三级国产av玫瑰| 国产成人一区二区在线| 国内精品宾馆在线| 最黄视频免费看| 日韩欧美一区视频在线观看| 好男人视频免费观看在线| 国产极品天堂在线| 黑人巨大精品欧美一区二区蜜桃 | 综合色丁香网| 成人毛片60女人毛片免费| 亚洲精品国产av蜜桃| 国国产精品蜜臀av免费| 黑丝袜美女国产一区| 99热全是精品| 黑人高潮一二区| 免费大片黄手机在线观看| 熟女人妻精品中文字幕| 日本vs欧美在线观看视频| 日韩在线高清观看一区二区三区| 夜夜骑夜夜射夜夜干| 日本午夜av视频| 一区二区日韩欧美中文字幕 | 精品人妻熟女av久视频| 精品一区二区免费观看| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 少妇丰满av| 午夜免费男女啪啪视频观看| 日韩欧美精品免费久久| 欧美日韩视频精品一区| 男人添女人高潮全过程视频| 丝袜美足系列| 国产精品成人在线| 男女无遮挡免费网站观看| 99久久综合免费| av播播在线观看一区| 亚洲av成人精品一区久久| 黄色毛片三级朝国网站| 91午夜精品亚洲一区二区三区| 涩涩av久久男人的天堂| 亚洲精品久久午夜乱码| 男女啪啪激烈高潮av片| 丁香六月天网| 亚洲,一卡二卡三卡| 婷婷色麻豆天堂久久| 又黄又爽又刺激的免费视频.| 免费观看无遮挡的男女| 亚洲精品久久久久久婷婷小说| 国产成人精品一,二区| 午夜福利视频精品| 大香蕉久久成人网| 美女中出高潮动态图| 好男人视频免费观看在线| 欧美日韩在线观看h| 日韩电影二区| 一级毛片我不卡|