• <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 ?

    基于增強蜂群優(yōu)化算法的特征選擇算法

    2016-05-14 09:34:53張霞龐秀平
    計算機應(yīng)用 2016年5期
    關(guān)鍵詞:特征選擇

    張霞 龐秀平

    摘要:針對傳統(tǒng)蜂群優(yōu)化(BCO)算法探測能力強但搜索能力較弱的問題,提出一種搜索能力增強的BCO算法,并將其應(yīng)用于數(shù)據(jù)特征選擇問題以提高特征選擇的性能。首先,為食物源引入全局權(quán)重的概念,用以評估各食物源對種群的重要性,降低蜂群搜索的隨機性;然后,設(shè)計了兩步篩選的招募方法提高蜂群搜索能力并保持多樣性;最終,為食物源引入局部權(quán)重的概念,用于評估某個食物源與類標簽的相關(guān)性,從而優(yōu)化解特征選擇問題。仿真實驗結(jié)果表明,所提方法可以明顯提高BCO的優(yōu)化效果,同時獲得了較好的特征選擇效果,并且優(yōu)于基于差異的人工蜂群算法(DisABC)和蜂群優(yōu)化特征選擇算法(BCOFS)。

    關(guān)鍵詞:特征選擇;蜂群優(yōu)化算法;食物源;類標簽;全局權(quán)重;招募算法

    中圖分類號:TP18 文獻標志碼:A

    Abstract:Concerning the problem that the traditional Bee Colony Optimization (BCO) has good exploration but week exploitation performance, an exploitation enhanced BCO algorithm was proposed, and applied to data feature selection problem in order to improve the performance of the feature selection. Firstly, global weight was introduced into the food source, and was used to evaluate the importance of each food source to population, thus the randomness of exploitation was reduced; then, a recruiting method with twostep filtering was designed to improve the exploitation performance and keep diversity; at last, local weight was introduced into the food source to evaluate the correlation between the food source and class labels which were used in the feature selection model. Simulation experimental results show that the proposed method can improve the effect of the BCO and get a good performance in the feature selection problem, and the method outperforms Dissimilarity based Artificial Bee Colony (DisABC) and Feature Selection based on Bee Colony Optimization (BCOFS).

    Key words:feature selection; Bee Colony Optimization (BCO) algorithm; food source; class label; global weight; recruiting algorithm

    0 引言

    蜂群優(yōu)化(Bee Colony Optimization, BCO)算法[1]是一種較好的人工智能算法,該方法模擬自然中蜂群的行為以求解優(yōu)化問題,文獻[1]中將BCO主要分為5個階段:1)初始化;2)建立解;3)適應(yīng)度評估;4)忠誠度評估;5)招募蜂選擇。第1)階段為算法參數(shù)設(shè)置初始值,第2)階段通過幾輪迭代建立解空間,之后3個階段則根據(jù)不同的應(yīng)用場景作不同的設(shè)計[2]。BCO的優(yōu)點是在探測的早期階段可以調(diào)整搜索方向,而其他的群體智能(Swarm Intelligence, SI)算法不具備該特點,例如蟻群優(yōu)化算法(Ant Colony Optimization, ACO)需要蟻群完全遍歷所有路徑最終根據(jù)信息素選擇最優(yōu)路徑。大多SI算法均具有極高的隨機性,

    該特點的好處是提高了算法的探測能力,但導致了搜索能力的降低[3]。

    BCO的每輪迭代均需執(zhí)行上述的3)、4)、5)三個階段,而為了提高BCO的搜索能力,本文對4)、5)兩個階段進行了新的設(shè)計,提高蜂群搜索的方向性,從而提高搜索的性能。

    特征選擇是模式識別、數(shù)據(jù)挖掘等領(lǐng)域極為重要的處理階段,其通過選擇原始特征集合中的重要特征構(gòu)成特征子集以實現(xiàn)數(shù)據(jù)的降維處理,其性能優(yōu)劣直接影響之后的挖掘效果[4-5],特征選擇保留的是原始物理特征,因此,可以真正地降低存儲需要、測量需求、計算開銷等[6]。特征選擇對于構(gòu)建一個簡潔、高效的分類系統(tǒng)有重要作用,它不僅可以揭示系統(tǒng)所隱藏的潛在模式和規(guī)律,還使分類結(jié)果的可視化成為可能[7]。特征選擇方法依據(jù)其與分類器的關(guān)系分為過濾式、封裝式與嵌入式三類方法。過濾式方法根據(jù)每一個特征對分類貢獻的大小,定義其重要度,選擇重要的特征構(gòu)成特征子集;封裝式方法依賴于學習過程,將訓練樣本分成訓練子集和測試子集兩部分。顯然,基于人工智能的特征選擇方法屬于封裝式方法,文獻[8-14]均為近期基于人工智能的特征選擇算法,雖然獲得了較好的效果,但是大多數(shù)此類算法并未結(jié)合特征選擇的特點作深入的設(shè)計,從而其性能依然具有提高的空間。

    本文不僅設(shè)計了新算法將蜂群引向價值較高的食物源,提高BCO的搜索能力,同時為食物源引入局部權(quán)重的概念,并評估該局部權(quán)重與樣本類標簽的相關(guān)性,將特征選擇問題建模為離散優(yōu)化問題,從而實現(xiàn)BCO食物源不僅考慮了蜂群搜索的性能,同時考慮特征選擇的類標簽。實驗結(jié)果表明,本文特征選擇算法具有較好的泛化效果,也使得分類器獲得了較好的分類精確率。

    1 增強的蜂群優(yōu)化算法

    上文指出傳統(tǒng)BCO隨機地分配雇傭蜂,導致搜索能力不足,為了解決該問題,本文基于文獻[1]提出一種改進的BCO算法,簡稱EBCO算法。圖1所示是本文方法的總體簡介,本文設(shè)計了雙權(quán)重分配方法以提高食物源搜索的方向性,此外通過權(quán)重程序評估蜂群對食物源的忠誠度,然后使用兩步篩選機制從未雇傭蜂中選擇招募蜂。

    1.1 參數(shù)初始化

    本文方法的初始化參數(shù)根據(jù)實驗結(jié)果選擇最優(yōu)參數(shù)組合,以期獲得最佳的特征選擇效率與性能,本文假設(shè)蜂群數(shù)量為B,迭代次數(shù)G,建立解所需的迭代次數(shù)為NC。

    1.2 建立局部解

    建立局部解的過程中,每輪搜索之后,蜂群返回蜂巢評估其適應(yīng)度與忠誠度,然后將蜂群分為招募蜂與跟隨蜂。蜜蜂需要NC次迭代創(chuàng)建一個局部解,該階段蜂群隨機地搜索解空間,圖2所示是局部解建立程序的流程。

    算法1評估每個預(yù)測的類標簽對食物源的依賴程度,最終使用式(5)測量每個食物源的局部權(quán)重(第7)行)。如果某個食物源對類標簽的相關(guān)性(貢獻度)較高,則認為該食物源價值較高。簡言之,如果某個食物源提高了數(shù)據(jù)的分類精確率,則認為該食物源價值較高。

    僅考慮相關(guān)性評估可能對蜂群產(chǎn)生誤導,因此需要融合適應(yīng)度值解決該問題。如果適應(yīng)度值與局部權(quán)重的均值較高,則認為該食物源為高質(zhì)量食物源,因此,需要考慮適應(yīng)度值適當?shù)卣{(diào)節(jié)食物源的局部權(quán)重,最終的忠誠度估算方法如式(6)定義:

    獲得忠誠度之后,則可通過多種方法劃分雇傭蜂與非雇傭蜂,本文選擇忠誠度較高的作為雇傭蜂。

    1.4 適應(yīng)度與性能評估

    本文EBCO應(yīng)用于特征選擇問題,因此適應(yīng)度函數(shù)設(shè)為分類準確率[15]。

    1.5 兩步篩選招募算法

    傳統(tǒng)BCO基于輪盤賭方法分配招募蜂[16],由此會引起兩個情況:

    1)大量的未雇傭蜂跟隨少量的雇傭蜂,而大量的雇傭蜂仍然沒有跟隨者。

    2)每個雇傭蜂被一個以上的未雇傭蜂更隨。

    對于第1)種情況,其種群多樣性較低,較多蜜蜂的解相似而導致早熟收斂,并且降低了蜂群的搜索能力。為了解決該問題,本文提出一種兩步篩選分配算法:

    第一步 如果某個雇傭蜂與跟隨蜂搜索的食物源相近,則該跟隨蜂傾向于跟隨該雇傭蜂,該數(shù)學模型如下:

    圖4、5中每個行對應(yīng)一個蜜蜂,第1列是蜜蜂的標識符; 第2~6列的每列對應(yīng)一個食物源,其中1與0分別表示該食物源是否被選擇; 第7列表示該蜜蜂是否被招募(C表示分配(Committed),U表示未分配(Uncommitted));最后一列是蜜蜂的適應(yīng)度值。

    本文兩步分配方法的主要優(yōu)點是有助于提高算法的搜索能力:本方法使跟隨蜂跟隨相似的領(lǐng)蜂加強蜂群的搜索能力,同時并保持多樣性。圖5所示是兩步篩選分配流程:第一步:基于未雇傭蜂與雇傭蜂的相似性進行招募;第二步:根據(jù)適應(yīng)度值從相似蜂群中篩選招募蜂。

    為了使用EBCO算法優(yōu)化特征選擇問題,需將特征選擇問題建模為離散優(yōu)化問題。因此使用二值格式(1與0)表示某個特征是否被選擇,數(shù)據(jù)集的特征數(shù)量應(yīng)該與解長度相等。例如一個解為1111100000,表示選擇前五個特征。

    EBCO_FS初始化之后,每個蜜蜂獨立地向前移動,移動距離為NC,即每個蜜蜂決定是否選擇前NC個特征。算法2是創(chuàng)建局部解的程序,特征總數(shù)量設(shè)為F,x表示前幾個剩余特征,將每個蜜蜂的開始位置設(shè)為第一個特征(第1)、2)行)。然后進行NC長度的局部解創(chuàng)建步驟(第4)~9)行)。在一些情況下,剩余特征的數(shù)量可能低于預(yù)設(shè)的NC值(第12)行),因此蜜蜂將x作為其NC值。

    從表3可以看出,EBCO的性能易受解空間大小與蜂群數(shù)量的影響,主要原因是在評估忠誠度與兩步篩選招募方法中使用了較多的種群信息。實驗結(jié)果可看出,蜂群數(shù)量越大,因為EBCO可從多個方式來評估忠誠度,可篩選出較好的跟隨蜂,因此優(yōu)化性能越好。同時EBCO與標準BCO以及其他兩種改進BCO方法相比,EBCO具有一定的優(yōu)勢,可見本方法對BCO進行了有效的增強。

    3.2 基于EBCO特征選擇算法的性能

    對基于EBCO的特征選擇算法進行測試,使用8個標準的UCI Benchmark數(shù)據(jù)集,如表4所示。首先學習訓練樣本集,然后對測試數(shù)據(jù)集進行分類處理,實驗將數(shù)據(jù)集分為三個子集分別用于訓練、測試與驗證,將一個數(shù)據(jù)集70%分為訓練、20%分為驗證、10%分為測試。

    EBCO_FS算法EBCO部分參數(shù)與3.1節(jié)一致,因為100次迭代之后實驗結(jié)果僅具有極小的提高,所以每組獨立實驗的迭代次數(shù)設(shè)為100,根據(jù)上文實驗結(jié)果,將種群大小設(shè)為5000?;谟柧毤膶Ρ葘嶒?zāi)繕耸菧y試算法創(chuàng)建模型的效果,訓練之后,使用測試數(shù)據(jù)集測試本算法的性能。在訓練實驗中,對訓練集與驗證集進行各特征選擇算法,并且保存每輪的最優(yōu)解。在測試實驗中,利用訓練實驗的每輪最優(yōu)解,對測試數(shù)據(jù)集進行實驗,每輪迭代取其迭代最優(yōu)值,結(jié)果從100個最優(yōu)值中(迭代次數(shù))取均值。

    其中TS與TC分別是樣本總數(shù)量與正確分類樣本的數(shù)量。

    實驗中,將EBCO_FS與基于差異的人工蜂群算法(Dissimilarity based Artificial Bee Colony, DisABC)[9]和蜂群優(yōu)化特征選擇算法(Feature Selection based on Bee Colony Optimization, BCOFS)[13]進行比較,表5所示是特征選擇的實驗結(jié)果,訓練集實驗的結(jié)果顯示,對于大多數(shù)數(shù)據(jù)集,EBCO_FS算法均優(yōu)于BCOFS與DisABC算法;而對于測試集的實驗結(jié)果顯示了本方法具有絕對的優(yōu)勢??梢姳疚牡膬刹胶Y選招募方法與雙權(quán)重食物源分配方法提高了BCO的搜索能力,同時保持了BCO較好的樣本多樣性,并且獲得了較好的特征選擇效果。

    4 結(jié)語

    本文設(shè)計了新算法將蜂群引向價值較高的食物源,提高BCO的搜索能力,同時為食物源引入局部權(quán)重的概念,并評估該局部權(quán)重與樣本類標簽的相關(guān)性,將特征選擇問題建模為離散優(yōu)化問題,從而使得BCO食物源不僅考慮了蜂群搜索的性能,同時考慮特征選擇的類標簽。實驗結(jié)果證明本文的兩步篩選招募方法與雙權(quán)重食物源分配方法提高了BCO的搜索能力,同時保持了BCO較好的樣本多樣性,并且獲得了較好的特征選擇效果。

    參考文獻:

    [1]TEODOROVIC D, LUCIC P, MARKOVIC G, et al. Bee colony optimization: principles and applications[C]// Proceedings of the 8th Seminar on Neural Network Applications in Electrical Engineering. Piscataway, NJ: IEEE, 2006:151-156.

    [2]NIKOLIC M, TEODOROVIC D. Empirical study of the Bee Colony Optimization (BCO) algorithm[J]. Expert Systems with Applications, 2013, 40(11):4609-4620.

    [3]KANG F, LI J, MA Z. Rosenbrock artificial bee colony algorithm for accurate global optimization of numerical functions[J]. Information Sciences, 2011, 181(16):3508-3531.

    [4]張振海, 李士寧, 李志剛,等. 一類基于信息熵的多標簽特征選擇算法[J]. 計算機研究與發(fā)展, 2013, 50(6):1177-1184.(ZHANG Z H, LI S N, LI Z G, et al. Multilabel feature selection algorithm based on information entropy[J]. Journal of Computer Research and Development, 2013, 50(6): 1177-1184.)

    [5]謝娟英, 謝維信. 基于特征子集區(qū)分度與支持向量機的特征選擇算法[J]. 計算機學報, 2014, 37(8):1704-1718.(XIE J Y, XIE W X. Several feature selection algorithms based on the discernibility of a feature subset and support vector machines[J]. Chinese Journal of Computers, 2014, 37(8):1704-1718.)

    [6]BOLNCANEDO V, SNCHEZMAROO N, ALONSOBETANZOS A. A review of feature selection methods on synthetic data[J]. Knowledge & Information Systems, 2013, 34(3):483-519.

    [7]代旺, 方昱春, 李楊. 融合過濾和封裝方式的特征選擇算法[J]. 計算機工程, 2012, 38(24):166-170.(DAI W, FANG Y C, LI Yang. Feature selection algorithm fused with filtering and packaging mode[J]. Computer Engineering, 2012, 38(24): 166-170.)

    [8]DZIWINSKI P, LUKASZ BARTCZUK, STARCZEWSKI J T. Fully controllable ant colony system for text data clustering[C]// Proceedings of the 2012 International Symposia on Swarm and Evolutionary Computation. Berlin: Springer, 2012:199-205.

    [9]KASHAN M H, NAHAVANDI N, KASHAN A H. DisABC: a new artificial bee colony algorithm for binary optimization[J]. Applied Soft Computing, 2012, 12(1):342-352.

    [10]ASAD A H, AZAR A T, HASSAANIEN A E O. A comparative study on feature selection for retinal vessel segmentation using ant colony system[C]// Proceedings of the 2nd International Symposium on Intelligent Informatics. Berlin: Springer, 2014, 235:1-11.

    [11]楊鴻章.基于蟻群算法特征選擇的語音情感識別[J]. 計算機仿真, 2013, 30(4):377-381.(YANG H Z. Feature selection of speech emotional recognition based on ant colony optimization algorithm[J]. Computer Simulation, 2013, 30(4):377-381.)

    [12]PALANISAMY S, KANMANI S. Artificial bee colony approach for optimizing feature selection[J]. International Journal of Computer Science Issues, 2012, 9(3):432-438.

    [13]FORSATI R, MOAYEDIKIA A, SHAMSFARD M, et al. A novel approach for feature selection based on the bee colony optimization[J]. International Journal of Computer Applications, 2012, 43(8):13-16.

    [14]RAKSHIT P, BHATTACHARYYA S, KONAR A, et al. Artificial bee colony based feature selection for motor imagery EEG data[C]// Proceedings of Seventh International Conference on BioInspired Computing: Theories and Applications. Berlin: Springer, 2013:127-138.

    [15]FORSATI R, MOAYEDIKIA A, JENSEN R, et al. Enriched ant colony optimization and its application in feature selection[J]. Neurocomputing, 2014, 142(1):354-371.

    [16]TEODOROVIC D, LUCIC P, MARKOVIC G, et al. Bee colony optimization: principles and applications[C]// Proceedings of the 8th Seminar on Neural Network Applications in Electrical Engineering. Piscataway, NJ: IEEE, 2006:151-156.

    [17]ALZAQEBAH M, ABDULLAH S. Hybrid bee colony optimization for examination timetabling problems[J]. Computers & Operations Research, 2015, 54(54):142-154.

    [18]LU P, ZHOU J, ZHANG H, et al. Chaotic differential bee colony optimization algorithm for dynamic economic dispatch problem with valvepoint effects[J]. International Journal of Electrical Power & Energy Systems, 2014, 62(11):130-143.

    猜你喜歡
    特征選擇
    二進制登山隊優(yōu)化算法及其在特征選擇中的應(yīng)用
    軟件工程(2024年12期)2024-12-28 00:00:00
    基于實例學習和協(xié)同子集搜索的特征選擇方法
    電信科學(2017年6期)2017-07-01 15:44:35
    基于最大信息系數(shù)和近似馬爾科夫毯的特征選擇方法
    自動化學報(2017年5期)2017-05-14 06:20:50
    Kmeans 應(yīng)用與特征選擇
    電子制作(2017年23期)2017-02-02 07:17:06
    基于GA和ELM的電能質(zhì)量擾動識別特征選擇方法
    聯(lián)合互信息水下目標特征選擇算法
    基于特征選擇聚類方法的稀疏TSK模糊系統(tǒng)
    非線性電路多軟故障的智能優(yōu)化遞階特征選擇診斷方法
    基于特征選擇和RRVPMCD的滾動軸承故障診斷方法
    基于二元搭配詞的微博情感特征選擇
    計算機工程(2014年6期)2014-02-28 01:26:36
    国产精品国产高清国产av| 免费看av在线观看网站| 国产精品久久视频播放| 美女xxoo啪啪120秒动态图| 在线a可以看的网站| 亚洲四区av| 久久精品人妻少妇| 久久99热6这里只有精品| 爱豆传媒免费全集在线观看| 91精品国产九色| 三级国产精品欧美在线观看| 国产又色又爽无遮挡免| 免费看av在线观看网站| 国产在视频线精品| 国产亚洲91精品色在线| 亚洲真实伦在线观看| 国产探花在线观看一区二区| 日本爱情动作片www.在线观看| 国产伦理片在线播放av一区| 中文精品一卡2卡3卡4更新| 中国美白少妇内射xxxbb| 亚洲av电影在线观看一区二区三区 | 干丝袜人妻中文字幕| 国内揄拍国产精品人妻在线| 国产伦理片在线播放av一区| 啦啦啦啦在线视频资源| 国产一区二区在线观看日韩| 美女脱内裤让男人舔精品视频| 精品国内亚洲2022精品成人| 日日摸夜夜添夜夜爱| av国产免费在线观看| 久久久久久久久久久免费av| 久久国内精品自在自线图片| 蜜桃亚洲精品一区二区三区| 国产 一区 欧美 日韩| 久久精品夜夜夜夜夜久久蜜豆| 国产成人精品一,二区| 偷拍熟女少妇极品色| 夫妻性生交免费视频一级片| 极品教师在线视频| 亚洲精品国产成人久久av| 国产av码专区亚洲av| 禁无遮挡网站| 91午夜精品亚洲一区二区三区| 欧美又色又爽又黄视频| 两个人视频免费观看高清| 午夜福利在线在线| 精品少妇黑人巨大在线播放 | 91久久精品电影网| 精品人妻熟女av久视频| 69av精品久久久久久| 亚洲乱码一区二区免费版| 国产精品麻豆人妻色哟哟久久 | 大香蕉97超碰在线| 变态另类丝袜制服| 3wmmmm亚洲av在线观看| 国产在线一区二区三区精 | 亚洲欧美日韩高清专用| 69av精品久久久久久| 国产伦精品一区二区三区视频9| 日本免费一区二区三区高清不卡| 青春草视频在线免费观看| 性色avwww在线观看| 亚州av有码| 国产不卡一卡二| 内射极品少妇av片p| 99久国产av精品| 欧美成人a在线观看| 国产一区二区在线av高清观看| 一区二区三区高清视频在线| 欧美日本视频| av线在线观看网站| videossex国产| 欧美激情在线99| 免费观看性生交大片5| 精品免费久久久久久久清纯| 欧美性感艳星| 超碰av人人做人人爽久久| 狂野欧美激情性xxxx在线观看| 日日撸夜夜添| 最近中文字幕2019免费版| 亚洲国产精品合色在线| 国产日韩欧美在线精品| av在线天堂中文字幕| 五月伊人婷婷丁香| 国产精品野战在线观看| 美女高潮的动态| 丰满少妇做爰视频| 亚洲av电影在线观看一区二区三区 | 亚洲18禁久久av| 亚洲一级一片aⅴ在线观看| 日本wwww免费看| 免费看a级黄色片| 国产免费福利视频在线观看| 国产熟女欧美一区二区| 中文字幕av在线有码专区| 亚洲欧美中文字幕日韩二区| videossex国产| 久久久精品欧美日韩精品| 少妇裸体淫交视频免费看高清| 搡老妇女老女人老熟妇| 国产黄色小视频在线观看| 99国产精品一区二区蜜桃av| 偷拍熟女少妇极品色| 哪个播放器可以免费观看大片| 国产极品精品免费视频能看的| 搞女人的毛片| 伊人久久精品亚洲午夜| 麻豆成人av视频| 成人综合一区亚洲| 成人综合一区亚洲| 国产综合懂色| av专区在线播放| 中文资源天堂在线| 免费看光身美女| 国产黄片美女视频| 久久精品91蜜桃| 欧美三级亚洲精品| 我的老师免费观看完整版| av线在线观看网站| 欧美极品一区二区三区四区| 六月丁香七月| 五月玫瑰六月丁香| 国产av不卡久久| 2021天堂中文幕一二区在线观| 女人久久www免费人成看片 | 日产精品乱码卡一卡2卡三| 黄色日韩在线| 人妻制服诱惑在线中文字幕| 久久鲁丝午夜福利片| 免费看a级黄色片| 草草在线视频免费看| 狠狠狠狠99中文字幕| 淫秽高清视频在线观看| 国产精品嫩草影院av在线观看| 午夜精品国产一区二区电影 | 1000部很黄的大片| 高清午夜精品一区二区三区| 日韩一本色道免费dvd| 22中文网久久字幕| 国产成人免费观看mmmm| 一级毛片久久久久久久久女| 国产亚洲精品久久久com| 最近最新中文字幕大全电影3| av福利片在线观看| 国产一区二区在线观看日韩| 少妇人妻一区二区三区视频| 插逼视频在线观看| 欧美日韩在线观看h| 久久99蜜桃精品久久| 精品人妻偷拍中文字幕| 网址你懂的国产日韩在线| 免费看光身美女| 麻豆成人av视频| 亚洲成色77777| 在线天堂最新版资源| 国产精品久久久久久久电影| 日韩av在线免费看完整版不卡| 国产一区二区三区av在线| 色吧在线观看| 国产视频首页在线观看| 99九九线精品视频在线观看视频| av又黄又爽大尺度在线免费看 | 亚洲第一区二区三区不卡| 国产日韩欧美在线精品| 特大巨黑吊av在线直播| 一区二区三区免费毛片| 两个人视频免费观看高清| 久久精品久久精品一区二区三区| 卡戴珊不雅视频在线播放| 能在线免费看毛片的网站| 久久久色成人| 麻豆成人午夜福利视频| 建设人人有责人人尽责人人享有的 | 亚洲美女搞黄在线观看| 亚洲综合精品二区| 免费看美女性在线毛片视频| 久久人人爽人人爽人人片va| 国产精品女同一区二区软件| 国产在视频线精品| 女人被狂操c到高潮| 中文在线观看免费www的网站| 免费av观看视频| 特级一级黄色大片| 国产在视频线在精品| 青春草国产在线视频| 色播亚洲综合网| 男插女下体视频免费在线播放| 熟女人妻精品中文字幕| 久久韩国三级中文字幕| 亚洲精品国产av成人精品| 国产成人aa在线观看| 又爽又黄无遮挡网站| 久久久精品大字幕| 国产伦在线观看视频一区| 美女脱内裤让男人舔精品视频| 2022亚洲国产成人精品| 少妇丰满av| 成年女人永久免费观看视频| 99国产精品一区二区蜜桃av| 成人av在线播放网站| 久久韩国三级中文字幕| 18禁在线无遮挡免费观看视频| 日本免费a在线| 久久久久久久午夜电影| 毛片女人毛片| av国产久精品久网站免费入址| 亚洲国产最新在线播放| av在线播放精品| 偷拍熟女少妇极品色| 亚洲欧美日韩高清专用| videossex国产| 91在线精品国自产拍蜜月| 免费观看性生交大片5| 欧美性猛交╳xxx乱大交人| 精品久久久久久久末码| 能在线免费观看的黄片| 日本黄色片子视频| 一级av片app| 精品久久久久久久人妻蜜臀av| 亚洲成色77777| 亚洲欧美精品专区久久| 高清av免费在线| 两个人视频免费观看高清| 非洲黑人性xxxx精品又粗又长| 丝袜喷水一区| 女人久久www免费人成看片 | a级毛片免费高清观看在线播放| 中文精品一卡2卡3卡4更新| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 亚洲精品国产av成人精品| 国产亚洲午夜精品一区二区久久 | 国产在视频线在精品| a级一级毛片免费在线观看| 内射极品少妇av片p| 精品国产露脸久久av麻豆 | 精品久久久噜噜| 欧美日韩国产亚洲二区| 欧美最新免费一区二区三区| 我的老师免费观看完整版| 免费看a级黄色片| 亚洲伊人久久精品综合 | 国产亚洲一区二区精品| 国产精品伦人一区二区| 国产成人精品一,二区| 国产激情偷乱视频一区二区| 网址你懂的国产日韩在线| 男人舔奶头视频| 国产女主播在线喷水免费视频网站 | 国语对白做爰xxxⅹ性视频网站| 99在线人妻在线中文字幕| 国产精品,欧美在线| 成人漫画全彩无遮挡| 色播亚洲综合网| 嘟嘟电影网在线观看| 精品久久久久久久人妻蜜臀av| 国产午夜福利久久久久久| 久久99热这里只有精品18| 免费观看性生交大片5| 久久草成人影院| 国产亚洲av片在线观看秒播厂 | 国产精品,欧美在线| 欧美性猛交黑人性爽| 好男人在线观看高清免费视频| 国产单亲对白刺激| 精品人妻一区二区三区麻豆| 色5月婷婷丁香| 亚洲激情五月婷婷啪啪| 国产亚洲91精品色在线| 最近手机中文字幕大全| 精品久久久久久成人av| 久久精品国产亚洲av涩爱| 亚洲精品久久久久久婷婷小说 | 一区二区三区免费毛片| 国产精品伦人一区二区| 日韩视频在线欧美| 两个人的视频大全免费| 熟女电影av网| 人妻制服诱惑在线中文字幕| 波野结衣二区三区在线| av.在线天堂| 一区二区三区高清视频在线| 中文欧美无线码| 美女黄网站色视频| 国产国拍精品亚洲av在线观看| 禁无遮挡网站| 国产成人aa在线观看| 久久久久久久久中文| 久久这里有精品视频免费| 国产免费男女视频| 国产精品1区2区在线观看.| 亚洲成色77777| 2021天堂中文幕一二区在线观| 久久婷婷人人爽人人干人人爱| 精品午夜福利在线看| 国产精品日韩av在线免费观看| 日韩欧美精品免费久久| 中文字幕制服av| 欧美激情国产日韩精品一区| 2021天堂中文幕一二区在线观| 国产精品精品国产色婷婷| 国产精品美女特级片免费视频播放器| 久久久久久久亚洲中文字幕| 久久精品91蜜桃| av免费在线看不卡| 视频中文字幕在线观看| 99久国产av精品国产电影| 一级爰片在线观看| 亚洲最大成人中文| 人妻夜夜爽99麻豆av| 国产乱人视频| 日本与韩国留学比较| 午夜福利高清视频| 日本五十路高清| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 天天躁日日操中文字幕| 久久精品国产99精品国产亚洲性色| av专区在线播放| 日本黄大片高清| av国产免费在线观看| a级毛片免费高清观看在线播放| 日韩成人av中文字幕在线观看| 性色avwww在线观看| 成人二区视频| av黄色大香蕉| av在线亚洲专区| 欧美三级亚洲精品| 日韩三级伦理在线观看| 18禁在线无遮挡免费观看视频| 久久久久久久久久久丰满| 中文亚洲av片在线观看爽| 99热网站在线观看| 男插女下体视频免费在线播放| 国产熟女欧美一区二区| 国产高清不卡午夜福利| 两个人的视频大全免费| 中文欧美无线码| 亚洲伊人久久精品综合 | 97在线视频观看| 日韩av在线大香蕉| 国产69精品久久久久777片| 搞女人的毛片| 精品人妻视频免费看| 日日干狠狠操夜夜爽| 国产69精品久久久久777片| 麻豆成人av视频| 少妇被粗大猛烈的视频| 国产精品女同一区二区软件| 水蜜桃什么品种好| 久久久欧美国产精品| 亚洲成人精品中文字幕电影| 两个人视频免费观看高清| 中文字幕久久专区| ponron亚洲| 久久久久久大精品| 免费在线观看成人毛片| 国产v大片淫在线免费观看| 日韩成人伦理影院| 在线天堂最新版资源| 99久久精品热视频| 一级毛片久久久久久久久女| 免费在线观看成人毛片| 又爽又黄a免费视频| 成年版毛片免费区| 欧美日韩一区二区视频在线观看视频在线 | 午夜视频国产福利| 寂寞人妻少妇视频99o| 五月伊人婷婷丁香| 观看美女的网站| 国内精品宾馆在线| 国产日韩欧美在线精品| 国语自产精品视频在线第100页| www日本黄色视频网| 99九九线精品视频在线观看视频| 中文乱码字字幕精品一区二区三区 | 亚洲av一区综合| 女的被弄到高潮叫床怎么办| 亚洲成人av在线免费| 精品午夜福利在线看| 秋霞在线观看毛片| 九草在线视频观看| 国产精品,欧美在线| 最近2019中文字幕mv第一页| 国产一区有黄有色的免费视频 | 极品教师在线视频| 日韩,欧美,国产一区二区三区 | 成人无遮挡网站| 一卡2卡三卡四卡精品乱码亚洲| 久久久a久久爽久久v久久| 亚洲成人久久爱视频| 亚洲久久久久久中文字幕| av福利片在线观看| 久久久久久久久大av| 美女cb高潮喷水在线观看| 国产又黄又爽又无遮挡在线| 九九在线视频观看精品| 国产私拍福利视频在线观看| 免费观看的影片在线观看| 日韩视频在线欧美| 天天躁夜夜躁狠狠久久av| 色综合站精品国产| 精品无人区乱码1区二区| 国产伦一二天堂av在线观看| 欧美日韩精品成人综合77777| 久久韩国三级中文字幕| videos熟女内射| 91久久精品电影网| 青春草亚洲视频在线观看| 韩国高清视频一区二区三区| 不卡视频在线观看欧美| 3wmmmm亚洲av在线观看| 18禁在线无遮挡免费观看视频| 亚洲不卡免费看| 精品不卡国产一区二区三区| 七月丁香在线播放| 久久国内精品自在自线图片| 日韩视频在线欧美| 久久热精品热| 嫩草影院新地址| 久久久久久久久久久丰满| 成人毛片60女人毛片免费| 美女xxoo啪啪120秒动态图| 国产乱人偷精品视频| 日韩av不卡免费在线播放| 丝袜美腿在线中文| 午夜精品国产一区二区电影 | 午夜福利网站1000一区二区三区| 国产亚洲91精品色在线| 啦啦啦啦在线视频资源| 中文亚洲av片在线观看爽| 91久久精品国产一区二区三区| 久久精品夜色国产| 久久亚洲国产成人精品v| 亚洲av成人精品一二三区| 最近2019中文字幕mv第一页| 大香蕉久久网| 有码 亚洲区| 女的被弄到高潮叫床怎么办| 我的老师免费观看完整版| 搡老妇女老女人老熟妇| 亚洲av成人精品一区久久| 国产真实伦视频高清在线观看| 亚洲国产最新在线播放| 亚洲成av人片在线播放无| 26uuu在线亚洲综合色| av视频在线观看入口| 国产一级毛片在线| 乱人视频在线观看| 麻豆精品久久久久久蜜桃| 亚洲第一区二区三区不卡| 国产亚洲91精品色在线| 三级毛片av免费| 可以在线观看毛片的网站| 欧美成人精品欧美一级黄| 亚洲欧美清纯卡通| 国产又色又爽无遮挡免| 日韩中字成人| 老司机影院成人| 人人妻人人爽人人添夜夜欢视频| 最近最新中文字幕免费大全7| 下体分泌物呈黄色| 国产xxxxx性猛交| 国产男女超爽视频在线观看| 97在线视频观看| 啦啦啦啦在线视频资源| 在线天堂最新版资源| 国产日韩一区二区三区精品不卡| 久久精品国产鲁丝片午夜精品| 精品人妻偷拍中文字幕| 日韩成人av中文字幕在线观看| 又黄又爽又刺激的免费视频.| 另类亚洲欧美激情| 久久这里只有精品19| 亚洲人与动物交配视频| videosex国产| 久久午夜综合久久蜜桃| 少妇精品久久久久久久| 欧美日韩视频精品一区| 老司机影院成人| 久久久久精品人妻al黑| 一级片'在线观看视频| 三级国产精品片| 制服丝袜香蕉在线| 热re99久久国产66热| 久久亚洲国产成人精品v| 亚洲av福利一区| 香蕉精品网在线| 男女啪啪激烈高潮av片| 国语对白做爰xxxⅹ性视频网站| 99国产精品免费福利视频| 亚洲欧洲日产国产| 免费黄网站久久成人精品| 亚洲第一区二区三区不卡| av天堂久久9| tube8黄色片| 久久99精品国语久久久| 男人爽女人下面视频在线观看| 尾随美女入室| 亚洲av男天堂| 亚洲av在线观看美女高潮| 欧美精品人与动牲交sv欧美| 午夜免费鲁丝| 国产xxxxx性猛交| av网站免费在线观看视频| 日本欧美国产在线视频| 久久av网站| 99久久中文字幕三级久久日本| 国产乱来视频区| 人人妻人人澡人人爽人人夜夜| 中文字幕最新亚洲高清| 亚洲av在线观看美女高潮| 交换朋友夫妻互换小说| 99久国产av精品国产电影| 深夜精品福利| 大码成人一级视频| 中文字幕免费在线视频6| 中文天堂在线官网| 大片免费播放器 马上看| 精品人妻熟女毛片av久久网站| 一级片'在线观看视频| videos熟女内射| 亚洲美女视频黄频| 晚上一个人看的免费电影| 免费人妻精品一区二区三区视频| 丝袜脚勾引网站| 亚洲欧美精品自产自拍| 欧美日韩国产mv在线观看视频| 午夜福利,免费看| 黑人猛操日本美女一级片| 夜夜爽夜夜爽视频| 一本色道久久久久久精品综合| 香蕉精品网在线| 91aial.com中文字幕在线观看| 美女国产高潮福利片在线看| 欧美xxⅹ黑人| 啦啦啦中文免费视频观看日本| 亚洲精品一二三| 有码 亚洲区| 国产又爽黄色视频| 亚洲国产av新网站| 亚洲精品中文字幕在线视频| 国产成人精品久久久久久| 两个人看的免费小视频| 秋霞伦理黄片| 亚洲精品乱久久久久久| 韩国精品一区二区三区 | 视频区图区小说| 亚洲欧美清纯卡通| videosex国产| 亚洲精品av麻豆狂野| 91精品三级在线观看| 国产日韩一区二区三区精品不卡| 午夜免费观看性视频| 国产国拍精品亚洲av在线观看| 国产色爽女视频免费观看| 搡女人真爽免费视频火全软件| 欧美成人精品欧美一级黄| 亚洲美女黄色视频免费看| 久久久精品区二区三区| 亚洲一区二区三区欧美精品| a级毛片黄视频| 免费观看在线日韩| 一级毛片我不卡| 在线天堂最新版资源| 热re99久久国产66热| 色5月婷婷丁香| 男女国产视频网站| 少妇的逼水好多| 有码 亚洲区| 在线观看一区二区三区激情| 极品人妻少妇av视频| 丝瓜视频免费看黄片| 精品国产乱码久久久久久小说| 亚洲国产成人一精品久久久| 婷婷色综合大香蕉| 九九爱精品视频在线观看| 精品一区二区三区四区五区乱码 | 美女内射精品一级片tv| 黄色一级大片看看| 啦啦啦视频在线资源免费观看| 国产一区二区三区综合在线观看 | 青春草视频在线免费观看| 大片电影免费在线观看免费| 涩涩av久久男人的天堂| 国产麻豆69| 亚洲国产精品国产精品| 亚洲欧洲国产日韩| 狠狠精品人妻久久久久久综合| 成人国产麻豆网| av线在线观看网站| 亚洲国产av影院在线观看| 久久精品国产鲁丝片午夜精品| 亚洲av成人精品一二三区| 韩国精品一区二区三区 | 欧美3d第一页| 欧美人与性动交α欧美精品济南到 | 亚洲av欧美aⅴ国产| 国产 精品1| 丝袜人妻中文字幕| 国产精品一二三区在线看| 亚洲熟女精品中文字幕| 18禁观看日本| 国产国语露脸激情在线看| 亚洲伊人色综图| 一本—道久久a久久精品蜜桃钙片| 又黄又爽又刺激的免费视频.| 777米奇影视久久| 久久久精品免费免费高清| 国产高清国产精品国产三级| 国产毛片在线视频| 亚洲精品av麻豆狂野| videosex国产| 丝袜美足系列| 99精国产麻豆久久婷婷| 丝袜脚勾引网站|