• <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
    精品一区在线观看国产| 亚洲精品在线美女| 亚洲情色 制服丝袜| 人成视频在线观看免费观看| 国产精品国产av在线观看| 国产精品一二三区在线看| 欧美日韩视频高清一区二区三区二| 极品人妻少妇av视频| 免费女性裸体啪啪无遮挡网站| 久久精品aⅴ一区二区三区四区| 美女视频免费永久观看网站| 亚洲自偷自拍图片 自拍| 一边亲一边摸免费视频| 香蕉国产在线看| 久久精品人人爽人人爽视色| 日本91视频免费播放| 亚洲熟女毛片儿| 欧美乱码精品一区二区三区| 久久久久国产一级毛片高清牌| 国产精品偷伦视频观看了| 亚洲人成77777在线视频| 国产淫语在线视频| 成人国产一区最新在线观看 | 亚洲午夜精品一区,二区,三区| www.熟女人妻精品国产| 国产黄频视频在线观看| 国产成人精品无人区| 久久久久久久久久久久大奶| 伊人亚洲综合成人网| 在线精品无人区一区二区三| 一区二区日韩欧美中文字幕| www.自偷自拍.com| 午夜两性在线视频| 超碰成人久久| svipshipincom国产片| 七月丁香在线播放| 久久久亚洲精品成人影院| 久久中文字幕一级| 九草在线视频观看| 亚洲欧美色中文字幕在线| 亚洲欧美激情在线| 不卡av一区二区三区| 激情五月婷婷亚洲| 成人三级做爰电影| 制服诱惑二区| 永久免费av网站大全| 国产免费现黄频在线看| 成人亚洲欧美一区二区av| 国产精品久久久人人做人人爽| 亚洲欧美日韩高清在线视频 | 极品人妻少妇av视频| 别揉我奶头~嗯~啊~动态视频 | 天天添夜夜摸| 久久亚洲国产成人精品v| 国产又爽黄色视频| 亚洲少妇的诱惑av| 午夜精品国产一区二区电影| 亚洲精品国产区一区二| 国产精品国产三级国产专区5o| 日韩免费高清中文字幕av| 人人妻人人添人人爽欧美一区卜| www.精华液| 在线av久久热| 十分钟在线观看高清视频www| 少妇人妻 视频| 久久精品久久久久久噜噜老黄| 日本av免费视频播放| 国产成人影院久久av| 免费看十八禁软件| 男的添女的下面高潮视频| 亚洲七黄色美女视频| 成年美女黄网站色视频大全免费| 久久精品人人爽人人爽视色| 国产在线免费精品| 国产一区二区三区综合在线观看| 亚洲视频免费观看视频| 十八禁高潮呻吟视频| 97在线人人人人妻| 国产深夜福利视频在线观看| 亚洲图色成人| 亚洲图色成人| 亚洲国产精品国产精品| 亚洲 国产 在线| 99久久人妻综合| av在线app专区| 男女午夜视频在线观看| 好男人电影高清在线观看| 亚洲精品国产区一区二| 亚洲精品在线美女| 麻豆乱淫一区二区| 咕卡用的链子| netflix在线观看网站| 久久 成人 亚洲| 99久久综合免费| 又黄又粗又硬又大视频| a 毛片基地| 在现免费观看毛片| 水蜜桃什么品种好| 国产亚洲av高清不卡| 亚洲欧美激情在线| 建设人人有责人人尽责人人享有的| 一级a爱视频在线免费观看| 亚洲欧美一区二区三区国产| 黄网站色视频无遮挡免费观看| 欧美成人午夜精品| 国产日韩欧美视频二区| 一级a爱视频在线免费观看| 久久久久国产精品人妻一区二区| 国产日韩欧美视频二区| 国产一级毛片在线| 每晚都被弄得嗷嗷叫到高潮| 黄色 视频免费看| 女人被躁到高潮嗷嗷叫费观| 亚洲精品中文字幕在线视频| 三上悠亚av全集在线观看| 黄色 视频免费看| 久久久久久久国产电影| 新久久久久国产一级毛片| tube8黄色片| 男女无遮挡免费网站观看| 久久精品aⅴ一区二区三区四区| 高清视频免费观看一区二区| 精品人妻熟女毛片av久久网站| 黄色一级大片看看| 看十八女毛片水多多多| 午夜福利在线免费观看网站| 在线天堂中文资源库| 在线天堂中文资源库| 91精品三级在线观看| 亚洲久久久国产精品| 国产成人一区二区在线| 国产一区二区三区综合在线观看| kizo精华| 久久天堂一区二区三区四区| 国产又色又爽无遮挡免| 男女无遮挡免费网站观看| 91成人精品电影| 亚洲一区中文字幕在线| 亚洲欧美中文字幕日韩二区| 亚洲欧美日韩另类电影网站| 精品少妇一区二区三区视频日本电影| 国产精品一区二区精品视频观看| 一区二区三区激情视频| 国精品久久久久久国模美| 日日摸夜夜添夜夜爱| 亚洲国产最新在线播放| 国产精品一区二区精品视频观看| 免费看av在线观看网站| 韩国精品一区二区三区| 久久国产精品男人的天堂亚洲| 人妻 亚洲 视频| 少妇被粗大的猛进出69影院| 成年人免费黄色播放视频| 51午夜福利影视在线观看| 伊人亚洲综合成人网| 久久精品成人免费网站| 亚洲熟女精品中文字幕| 日本vs欧美在线观看视频| 中文精品一卡2卡3卡4更新| 日韩大片免费观看网站| 成年女人毛片免费观看观看9 | 高清视频免费观看一区二区| 精品久久久久久久毛片微露脸 | 纯流量卡能插随身wifi吗| 男人舔女人的私密视频| 亚洲成人免费av在线播放| 精品视频人人做人人爽| 国产真人三级小视频在线观看| 欧美变态另类bdsm刘玥| 精品少妇黑人巨大在线播放| 成人免费观看视频高清| 高清黄色对白视频在线免费看| 精品福利永久在线观看| 青草久久国产| 亚洲伊人久久精品综合| 爱豆传媒免费全集在线观看| 又粗又硬又长又爽又黄的视频| 午夜久久久在线观看| 久久影院123| 少妇猛男粗大的猛烈进出视频| 午夜91福利影院| 9热在线视频观看99| 久热爱精品视频在线9| 国产精品久久久久久精品古装| 中文字幕亚洲精品专区| 亚洲成人免费av在线播放| 久久国产精品男人的天堂亚洲| 两个人免费观看高清视频| 欧美变态另类bdsm刘玥| 99国产精品免费福利视频| 精品少妇黑人巨大在线播放| 亚洲中文av在线| 亚洲黑人精品在线| 两性夫妻黄色片| 成人国产av品久久久| 欧美中文综合在线视频| 午夜激情久久久久久久| 夫妻午夜视频| www.熟女人妻精品国产| 国产1区2区3区精品| 不卡av一区二区三区| 婷婷色av中文字幕| 日本黄色日本黄色录像| 久久久国产精品麻豆| 电影成人av| 免费在线观看黄色视频的| 高清av免费在线| 激情五月婷婷亚洲| 99久久99久久久精品蜜桃| 亚洲午夜精品一区,二区,三区| 久久久久久人人人人人| 精品一品国产午夜福利视频| 国产三级黄色录像| 日韩av不卡免费在线播放| 亚洲人成电影免费在线| 中文精品一卡2卡3卡4更新| 脱女人内裤的视频| 中文字幕精品免费在线观看视频| 欧美日韩亚洲高清精品| 日韩电影二区| 国产亚洲欧美在线一区二区| 午夜福利在线免费观看网站| 亚洲人成电影观看| 精品久久蜜臀av无| 久久久久久久精品精品| 亚洲午夜精品一区,二区,三区| 三上悠亚av全集在线观看| 欧美变态另类bdsm刘玥| 亚洲九九香蕉| 亚洲美女黄色视频免费看| av又黄又爽大尺度在线免费看| 久久青草综合色| 午夜激情av网站| 日本91视频免费播放| 高清视频免费观看一区二区| 美女脱内裤让男人舔精品视频| 国产熟女午夜一区二区三区| 成人三级做爰电影| 国产成人a∨麻豆精品| 欧美成人午夜精品| 亚洲第一av免费看| 欧美日本中文国产一区发布| 大话2 男鬼变身卡| 18禁黄网站禁片午夜丰满| 丰满迷人的少妇在线观看| 老司机深夜福利视频在线观看 | av一本久久久久| 91精品国产国语对白视频| 国产黄色视频一区二区在线观看| 妹子高潮喷水视频| av在线老鸭窝| 国产一区二区三区综合在线观看| 国产欧美亚洲国产| 免费黄频网站在线观看国产| 色综合欧美亚洲国产小说| 国产伦理片在线播放av一区| 97人妻天天添夜夜摸| 成人国产一区最新在线观看 | 成人三级做爰电影| 国产精品久久久久久精品电影小说| 精品一区二区三卡| 天天躁夜夜躁狠狠久久av| 高清av免费在线| 精品高清国产在线一区| 日韩一区二区三区影片| 三上悠亚av全集在线观看| 精品国产一区二区三区四区第35| 岛国毛片在线播放| 免费看十八禁软件| e午夜精品久久久久久久| 91老司机精品| 国产日韩欧美视频二区| 欧美97在线视频| 香蕉丝袜av| 中文字幕人妻熟女乱码| 国产亚洲午夜精品一区二区久久| 久久精品久久精品一区二区三区| 狂野欧美激情性bbbbbb| av天堂在线播放| 亚洲人成网站在线观看播放| 欧美激情极品国产一区二区三区| 亚洲av日韩在线播放| 日韩一卡2卡3卡4卡2021年| 欧美少妇被猛烈插入视频| 午夜91福利影院| 老汉色∧v一级毛片| 亚洲伊人色综图| a级片在线免费高清观看视频| 亚洲精品美女久久av网站| 90打野战视频偷拍视频| 国产精品国产三级专区第一集| 午夜老司机福利片| 国产激情久久老熟女| 两个人看的免费小视频| 国产精品久久久久成人av| 欧美 日韩 精品 国产| 国产精品国产三级专区第一集| 亚洲国产精品999| 夫妻性生交免费视频一级片| 这个男人来自地球电影免费观看| 久久久精品国产亚洲av高清涩受| 亚洲精品国产色婷婷电影| 丝袜美足系列| 飞空精品影院首页| 亚洲欧美色中文字幕在线| 女性生殖器流出的白浆| 观看av在线不卡| 久久人人爽av亚洲精品天堂| 亚洲专区国产一区二区| 国产xxxxx性猛交| 成人亚洲精品一区在线观看| 亚洲av日韩在线播放| 国产精品免费大片| 国产精品国产三级专区第一集| 大片电影免费在线观看免费| 欧美日韩国产mv在线观看视频| 又紧又爽又黄一区二区| 久久狼人影院| 精品久久久久久电影网| 欧美成人精品欧美一级黄| 亚洲人成网站在线观看播放| 成在线人永久免费视频| 亚洲一码二码三码区别大吗| 又大又爽又粗| 夫妻午夜视频| 2021少妇久久久久久久久久久| 韩国精品一区二区三区| 日本黄色日本黄色录像| 如日韩欧美国产精品一区二区三区| 男女高潮啪啪啪动态图| 欧美精品亚洲一区二区| 国产淫语在线视频| 精品免费久久久久久久清纯 | 18在线观看网站| 国产视频首页在线观看| 一边摸一边做爽爽视频免费| 另类亚洲欧美激情| 成人亚洲欧美一区二区av| 亚洲天堂av无毛| 日本a在线网址| 亚洲国产av新网站| 50天的宝宝边吃奶边哭怎么回事| 99热全是精品| 蜜桃在线观看..| 亚洲国产欧美一区二区综合| 又大又黄又爽视频免费| 50天的宝宝边吃奶边哭怎么回事| 天堂俺去俺来也www色官网| 蜜桃在线观看..| 久久天躁狠狠躁夜夜2o2o | 老熟女久久久| 欧美激情极品国产一区二区三区| 日韩av在线免费看完整版不卡| 亚洲精品国产色婷婷电影| 热re99久久精品国产66热6| 亚洲久久久国产精品| 在线观看免费午夜福利视频| 国产99久久九九免费精品| 欧美日韩黄片免| 国产伦理片在线播放av一区| 一级,二级,三级黄色视频| 国产一区亚洲一区在线观看| 不卡av一区二区三区| 十八禁高潮呻吟视频| 欧美日韩综合久久久久久| 国产精品亚洲av一区麻豆| 中文字幕精品免费在线观看视频| 日韩电影二区| 国产黄频视频在线观看| 99国产精品99久久久久| 乱人伦中国视频| 午夜福利在线免费观看网站| 国产熟女午夜一区二区三区| 日日摸夜夜添夜夜爱| 成人国产一区最新在线观看 | 国产精品欧美亚洲77777| 在现免费观看毛片| a级片在线免费高清观看视频| 亚洲av欧美aⅴ国产| 欧美中文综合在线视频| 麻豆乱淫一区二区| 深夜精品福利| 欧美精品一区二区免费开放| 国产高清国产精品国产三级| 9热在线视频观看99| 国产又色又爽无遮挡免| 在线观看免费日韩欧美大片| 欧美日韩视频高清一区二区三区二| 老汉色∧v一级毛片| 岛国毛片在线播放| 日本vs欧美在线观看视频| 国产在视频线精品| 又黄又粗又硬又大视频| 午夜福利视频在线观看免费| 国产精品av久久久久免费| 狂野欧美激情性xxxx| 水蜜桃什么品种好| 在线精品无人区一区二区三| 午夜av观看不卡| 热re99久久国产66热| 日韩精品免费视频一区二区三区| 又大又爽又粗| 啦啦啦中文免费视频观看日本| av线在线观看网站| 国产亚洲精品久久久久5区| 中文精品一卡2卡3卡4更新| 亚洲五月色婷婷综合| 国产精品二区激情视频| 久9热在线精品视频| 男男h啪啪无遮挡| 久久久精品免费免费高清| 女人精品久久久久毛片| 国产视频一区二区在线看| 99国产综合亚洲精品| 男女高潮啪啪啪动态图| 777久久人妻少妇嫩草av网站| 国产一卡二卡三卡精品| 国产麻豆69| 老司机深夜福利视频在线观看 | 午夜视频精品福利| 日韩,欧美,国产一区二区三区| 欧美黄色淫秽网站| www日本在线高清视频| 久久精品熟女亚洲av麻豆精品| 日韩一本色道免费dvd| 久久久久久久久免费视频了| 亚洲专区中文字幕在线| 国产高清不卡午夜福利| 国产精品欧美亚洲77777| 亚洲 国产 在线| 亚洲一码二码三码区别大吗| 50天的宝宝边吃奶边哭怎么回事| 97在线人人人人妻| 国产黄色免费在线视频| 9191精品国产免费久久| 久久久精品免费免费高清| 黄色片一级片一级黄色片| 我要看黄色一级片免费的| 1024香蕉在线观看| 一级毛片 在线播放| 麻豆乱淫一区二区| 国产精品av久久久久免费| 欧美精品av麻豆av| 午夜免费成人在线视频| 欧美在线一区亚洲| 亚洲,一卡二卡三卡| 巨乳人妻的诱惑在线观看| 汤姆久久久久久久影院中文字幕| 99久久99久久久精品蜜桃| 久久精品国产综合久久久| 日韩中文字幕欧美一区二区 | 亚洲精品国产色婷婷电影| 亚洲专区中文字幕在线| cao死你这个sao货| 中文字幕高清在线视频| 国产高清不卡午夜福利| 免费不卡黄色视频| 国产av国产精品国产| videos熟女内射| 黑丝袜美女国产一区| 国产成人91sexporn| 久久人人爽人人片av| 夫妻性生交免费视频一级片| 在线观看国产h片| 日本欧美视频一区| 美女主播在线视频| 国产精品99久久99久久久不卡| 老司机影院毛片| 两个人看的免费小视频| 少妇精品久久久久久久| 亚洲熟女精品中文字幕| 亚洲国产精品成人久久小说| 黄色一级大片看看| 国产高清videossex| av天堂在线播放| 香蕉国产在线看| 欧美日韩av久久| 美女脱内裤让男人舔精品视频| 久久综合国产亚洲精品| 午夜影院在线不卡| 久久精品久久久久久噜噜老黄| 99热全是精品| 最近最新中文字幕大全免费视频 | 国产av一区二区精品久久| 老司机午夜十八禁免费视频| 国产精品国产三级国产专区5o| 国产伦人伦偷精品视频| 丁香六月欧美| 国产又色又爽无遮挡免| 女人精品久久久久毛片| 老汉色∧v一级毛片| 日韩人妻精品一区2区三区| 午夜福利影视在线免费观看| 久久久久精品人妻al黑| 国产亚洲欧美精品永久| 精品人妻一区二区三区麻豆| 亚洲五月婷婷丁香| 亚洲一区中文字幕在线| 大陆偷拍与自拍| av在线播放精品| 另类亚洲欧美激情| 国产精品人妻久久久影院| 久久久久久久大尺度免费视频| 久久免费观看电影| www日本在线高清视频| 欧美日韩综合久久久久久| 青春草亚洲视频在线观看| 成年动漫av网址| 在线av久久热| 亚洲 国产 在线| 香蕉国产在线看| 亚洲精品第二区| 高清黄色对白视频在线免费看| 精品国产国语对白av| 岛国毛片在线播放| 欧美日韩视频高清一区二区三区二| 久久精品熟女亚洲av麻豆精品| 最新在线观看一区二区三区 | 国产午夜精品一二区理论片| 桃花免费在线播放| 国产爽快片一区二区三区| 两性夫妻黄色片| 亚洲欧美中文字幕日韩二区| 亚洲九九香蕉| 亚洲国产欧美网| 久久久久精品人妻al黑| 久久久久久久久免费视频了| 久久精品aⅴ一区二区三区四区| 两人在一起打扑克的视频| 午夜视频精品福利| 青草久久国产| 国产视频一区二区在线看| 人成视频在线观看免费观看| 国产在视频线精品| 天天添夜夜摸| 国产免费视频播放在线视频| 亚洲精品美女久久久久99蜜臀 | 天天影视国产精品| 精品国产一区二区久久| 晚上一个人看的免费电影| 免费观看a级毛片全部| 精品少妇一区二区三区视频日本电影| 久久久久久久久久久久大奶| 色婷婷久久久亚洲欧美| 大陆偷拍与自拍| 好男人视频免费观看在线| 国产亚洲欧美在线一区二区| 脱女人内裤的视频| 深夜精品福利| 国产精品一区二区在线不卡| 久久毛片免费看一区二区三区| 国产成人啪精品午夜网站| 搡老岳熟女国产| 成人国产av品久久久| 日韩av不卡免费在线播放| 又黄又粗又硬又大视频| 波野结衣二区三区在线| 欧美久久黑人一区二区| 80岁老熟妇乱子伦牲交| 多毛熟女@视频| avwww免费| 国产亚洲欧美精品永久| 日本91视频免费播放| 99久久精品国产亚洲精品| 91字幕亚洲| 国产一区二区三区av在线| 亚洲中文字幕日韩| 汤姆久久久久久久影院中文字幕| 9热在线视频观看99| 电影成人av| a 毛片基地| 亚洲欧美精品自产自拍| av不卡在线播放| 大型av网站在线播放| 国产精品久久久久久精品电影小说| 亚洲国产精品一区二区三区在线| 久久久久网色| 亚洲欧美精品自产自拍| 男人爽女人下面视频在线观看| 国产精品久久久久久人妻精品电影 | 看免费av毛片| 高清视频免费观看一区二区| 午夜免费鲁丝| 99国产精品免费福利视频| 色视频在线一区二区三区| 在线天堂中文资源库| 91精品国产国语对白视频| 国产成人精品在线电影| 国产免费一区二区三区四区乱码| 黑丝袜美女国产一区| 亚洲精品国产av成人精品| 欧美日韩亚洲综合一区二区三区_| 美国免费a级毛片| 亚洲国产精品一区二区三区在线| a级毛片黄视频| 1024视频免费在线观看| 国产精品国产三级国产专区5o| 成人手机av| 亚洲av综合色区一区| 亚洲欧美成人综合另类久久久| av天堂在线播放| 啦啦啦在线观看免费高清www| 亚洲人成网站在线观看播放| 青春草亚洲视频在线观看| 久久久久精品人妻al黑| 美女福利国产在线| 精品久久久久久久毛片微露脸 | 波多野结衣一区麻豆| 天天躁夜夜躁狠狠躁躁| 日本wwww免费看| 国产深夜福利视频在线观看| 精品一区二区三区四区五区乱码 | 欧美人与善性xxx| 亚洲国产欧美在线一区| 国产又爽黄色视频|