• <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 ?

    析取置信規(guī)則庫系統(tǒng)參數(shù)優(yōu)化的深度神經(jīng)網(wǎng)絡(luò)模型

    2022-08-30 09:05:08鄭銘鴻方煒杰葉己峰傅仰耿
    關(guān)鍵詞:梯度神經(jīng)元權(quán)重

    鄭銘鴻,方煒杰,葉己峰,傅仰耿

    (福州大學(xué)計算機與大數(shù)據(jù)學(xué)院,福建 福州 350108)

    0 引言

    為更好地解決信息中存在的模糊性、不確定性和不完整性等問題,Yang等[1]在D-S證據(jù)理論[2]、模糊理論[3]、決策理論[4]和傳統(tǒng)的IF-THEN規(guī)則[5]的基礎(chǔ)上,提出了基于證據(jù)推理的置信規(guī)則庫推理方法,能夠更好地表示與處理不確定性信息.置信規(guī)則庫(belief rule-base,BRB)系統(tǒng)的前件屬性的連接方式主要有合取和析取[6]兩種方式,前者被稱為CBRB(conjunction belief rule-base,CBRB),后者被稱為DBRB(disjunction belief rule-base,DBRB).Chang等[6]對兩者進行了充分分析,證明了DBRB系統(tǒng)在具有更小規(guī)模的同時也擁有較好的推理精度.

    在置信規(guī)則庫的基礎(chǔ)上,Raihan等[7]將深度學(xué)習(xí)與置信規(guī)則庫結(jié)合(BRB-DL),使用神經(jīng)網(wǎng)絡(luò)計算BRB的規(guī)則權(quán)重,利用神經(jīng)網(wǎng)絡(luò)對信息的記憶性,提高BRB對數(shù)據(jù)的處理能力.然而,在推理過程中,規(guī)則權(quán)重、屬性權(quán)重等系統(tǒng)參數(shù)都將直接影響最終的推理結(jié)果.目前已有許多學(xué)者在BRB的參數(shù)優(yōu)化問題上進行研究,如Chen等[8]使用Matlab工具箱的“fmincon”函數(shù)進行參數(shù)優(yōu)化,但是該方法基于Matlab平臺實現(xiàn),算法的可移植性低.Wang等[9]提出使用差分進化算法進行參數(shù)優(yōu)化(differential evolution,DE),但是DE算法需要額外的大量時間計算尋優(yōu),每次的尋優(yōu)都是通過一定的規(guī)則或概率分布逼近最優(yōu)點,優(yōu)化效率較低,而BRB-DL由于引入了神經(jīng)網(wǎng)絡(luò)增加了系統(tǒng)的參數(shù)和規(guī)模,將導(dǎo)致DE算法的訓(xùn)練效率進一步降低.Wu等[10]引入梯度下降算法來提高BRB模型的優(yōu)化速度和收斂精度,但是由于BRB模型本身參數(shù)的約束,需要通過設(shè)置特定的步長來確保模型參數(shù)滿足約束條件,從而導(dǎo)致了梯度下降實現(xiàn)困難,優(yōu)化效率不高.總之,目前針對BRB-DL的參數(shù)優(yōu)化方法或多或少都有其自身的不足.

    針對以上問題,本研究首先引入深度神經(jīng)網(wǎng)絡(luò)(deep neural network,DNN)與DBRB結(jié)合(DBRB-DNN),DBRB系統(tǒng)的規(guī)則構(gòu)建是通過前件屬性的參考值線性組合而成,系統(tǒng)規(guī)則數(shù)和參數(shù)的數(shù)量相比CBRB更加精簡,系統(tǒng)的復(fù)雜度更低.接著,引入梯度下降算法對DBRB-DNN的系統(tǒng)參數(shù)進行優(yōu)化,同時針對DBRB-DNN中因參數(shù)約束導(dǎo)致梯度下降算法應(yīng)用效率低的問題,對DBRB-DNN的系統(tǒng)參數(shù)進行預(yù)處理,從而使得梯度下降算法更好地應(yīng)用在DBRB-DNN上.最后,將模型的應(yīng)用范圍擴展到分類問題上,并在分類和回歸問題上進行實驗,驗證本文提出方法的有效性.

    1 析取置信規(guī)則庫(DBRB)系統(tǒng)

    1.1 DBRB的規(guī)則表示

    析取型BRB系統(tǒng)[6]是通過析取符號連接不同的前件屬性,其中第k條規(guī)則表示為

    (1)

    1.2 DBRB-DNN模型

    DBRB-DNN系統(tǒng)是對BRB-DL[7]系統(tǒng)的改進.首先,DBRB-DNN使用析取置信規(guī)則庫與神經(jīng)網(wǎng)絡(luò)結(jié)合,縮小了系統(tǒng)規(guī)模,簡化了前件屬性權(quán)重δ和規(guī)則權(quán)重θ兩個系列的參數(shù).其次,針對BRB-DL因使用“relu”函數(shù)導(dǎo)致的神經(jīng)元壞死,損失值無法下降的問題,DBRB-DNN引入“tanh”函數(shù)進行改進.最后,針對BRB-DL只用于解決回歸問題的局限性,本文將DBRB-DNN應(yīng)用在分類問題上,擴展其應(yīng)用范圍.DBRB-DNN模型主要的工作過程如圖1所示.

    圖1 DBRB-DNN工作流程Fig.1 Working process of DBRB-DNN

    1.3 DBRB-DNN系統(tǒng)的推理方法

    DBRB-DNN推理過程主要分為2個步驟[1]:1) 激活權(quán)重計算;2) ER算法合成規(guī)則.

    1.3.1 激活權(quán)重計算

    計算激活權(quán)重之前,首先要計算輸入數(shù)據(jù)對前件屬性參考值之間個體匹配度,一般采用歐式距離進行計算.對于輸入數(shù)據(jù)X的第i個分量xi,可以轉(zhuǎn)化為如下形式.

    S(xi)={(Ai,j,αi,j),i=1,2…,T;j=1,2,…,Ji}

    (2)

    其中:αi,j表示輸入xi對于前件屬性參考值A(chǔ)i.j的匹配程度.接下來,使用DNN計算每條規(guī)則的激活權(quán)重,其中輸入層的神經(jīng)元個數(shù)等于前件屬性參考值的個數(shù),輸出層神經(jīng)元的個數(shù)等于規(guī)則的條數(shù),每層神經(jīng)元之間采用全連接的方式.神經(jīng)元之間的具體工作方式如下.

    zk=ckαk+bk

    (3)

    (4)

    (5)

    其中式(3)和(4)為隱藏層神經(jīng)元工作方式,式(3)和(5)為輸出層神經(jīng)元工作方式;ck表示的是神經(jīng)元的權(quán)重值,為一組矩陣向量;ak表示的是個體匹配度,為一組輸入向量;bk表示的是神經(jīng)元的偏置值;uk表示隱藏層的非線性輸出;wk為權(quán)重值.

    1.3.2 ER算法合成規(guī)則

    計算出每條規(guī)則的激活權(quán)重后,用ER合成公式對所有的激活規(guī)則進行合成.在規(guī)則完整的情況下,輸入x,第i個結(jié)果評價等級上的置信度βi(x)計算公式[12]為

    (6)

    其中,

    (7)

    上述公式合成后,得到結(jié)果置信分布{(Dn,βn)|n=1,2,…,N}.對于分類問題,一般直接選取置信度值最大所對應(yīng)的結(jié)果評價等級作為結(jié)果輸出.對于回歸問題,則要使用各個評價等級對應(yīng)的效用值與其對應(yīng)的計算得出的置信度進行加權(quán),得到數(shù)值型的輸出.

    2 基于梯度下降的參數(shù)優(yōu)化方法

    2.1 DBRB-DNN的偏導(dǎo)數(shù)

    通過節(jié)1.3,可分析得出DBRB-DNN需要優(yōu)化的參數(shù)有神經(jīng)網(wǎng)絡(luò)中每個神經(jīng)元的權(quán)重和偏置值以及每條規(guī)則的結(jié)果置信度,本研究應(yīng)用梯度下降法[13]訓(xùn)練DBRB-DNN.

    (8)

    (9)

    (10)

    (11)

    (12)

    式(7)中第k條規(guī)則的激活權(quán)重wk來自于神經(jīng)網(wǎng)絡(luò)的輸出.本研究選用多層的全連接深度神經(jīng)網(wǎng)絡(luò)與DBRB進行結(jié)合,當(dāng)損失值通過反向傳播到神經(jīng)網(wǎng)絡(luò)后,神經(jīng)網(wǎng)絡(luò)將根據(jù)損失值計算每一層神經(jīng)元的權(quán)重和偏置的偏導(dǎo)數(shù),根據(jù)式(5)可以求得輸出層激活權(quán)重對線性輸出zi的偏導(dǎo)數(shù)為

    (13)

    根據(jù)式(4)可以求得神經(jīng)層內(nèi)部權(quán)重對線性輸出zk的偏導(dǎo)數(shù)為

    (14)

    接著,根據(jù)式(3)求得線性輸出zk對輸出層神經(jīng)元權(quán)重和偏置的偏導(dǎo)數(shù)為

    (15)

    當(dāng)求出輸出層神經(jīng)元對應(yīng)的權(quán)重和偏置的導(dǎo)數(shù)時,可根據(jù)損失值繼續(xù)反向傳播求出神經(jīng)網(wǎng)絡(luò)每一層的神經(jīng)元權(quán)重和偏置的偏導(dǎo)數(shù).

    得到系統(tǒng)每一步參數(shù)的偏導(dǎo)數(shù),根據(jù)鏈式求導(dǎo)法則,可以分別得到損失函數(shù)對推理系統(tǒng)第k條規(guī)則各參數(shù)的偏導(dǎo)數(shù).第k條規(guī)則中第j個結(jié)果屬性的置信度的偏導(dǎo)數(shù)為

    (16)

    這里用C和B表示神經(jīng)網(wǎng)絡(luò)中所有的神經(jīng)元權(quán)重和偏置值,神經(jīng)元的權(quán)重和偏置值偏導(dǎo)數(shù)為

    (17)

    計算出系統(tǒng)所有待優(yōu)化參數(shù)的偏導(dǎo)數(shù),就可以求得參數(shù)優(yōu)化的方向,使用梯度下降算法訓(xùn)練DBRB-DNN模型.

    2.2 優(yōu)化模型

    通過對DBRB-DNN模型的分析,需要優(yōu)化的參數(shù)有

    (18)

    使用梯度下降進行參數(shù)訓(xùn)練的模型可以表示為

    Pnew(C,B,β)=Pold(C,B,β)-λ?Poldloss

    (19)

    其中,λ表示參數(shù)模型沿負梯度方向更新的學(xué)習(xí)步長.

    基于BRB的優(yōu)化模型[14],提出DBRB-DNN的優(yōu)化模型如圖2所示.

    圖2 DBRB-DNN參數(shù)優(yōu)化模型Fig.2 Parameter optimization of DBRB-DNN

    DBRB-DNN優(yōu)化的目標(biāo)函數(shù)為

    (20)

    (21)

    其中:ui表示第i個結(jié)果屬性對應(yīng)的效用值.

    (22)

    從上述分析可以看出,假設(shè)神經(jīng)網(wǎng)絡(luò)有K層,輸入層有A個神經(jīng)元,隱藏層的神經(jīng)元有S個,輸出層神經(jīng)元有L個,DBRB-DNN系統(tǒng)的訓(xùn)練模型包含的訓(xùn)練參數(shù)為S1=N×L+S×(K-2)+L+A×S+S×L+(K-3)×S2個,約束條件為S2=N×L+L個,實際上就是一個求解含有S1個參數(shù),且?guī)в蠸2個約束條件的非線性優(yōu)化問題.算法步驟如下.

    步驟1構(gòu)造初始DBRB-DNN系統(tǒng)并設(shè)置梯度下降的初始參數(shù)(如學(xué)習(xí)率、步長等).

    步驟2劃分訓(xùn)練集和測試集,并使用訓(xùn)練集正向推理計算出損失值ξ(P).

    步驟3計算出DBRB-DNN模型待優(yōu)化參數(shù)的偏導(dǎo)數(shù),并根據(jù)損失值反向傳播更新待優(yōu)化參數(shù).

    步驟4根據(jù)更新得到的參數(shù)判斷損失值ξ(P)是否減小.如果減小,則更新參數(shù);否則,保留上一代的參數(shù).

    步驟5判斷是否滿足終止條件(如:達到設(shè)定的最大迭代次數(shù)),如果滿足,跳出訓(xùn)練并保存模型;否則,跳回步驟3.

    3 實驗部分

    本實驗選取一個5層的DNN神經(jīng)網(wǎng)絡(luò)與DBRB相結(jié)合,輸入層神經(jīng)元的個數(shù)為前件屬性參考值個數(shù),輸出層神經(jīng)元個數(shù)為DBRB規(guī)則庫的規(guī)則數(shù).本節(jié)首先對多峰非線性函數(shù)進行擬合;然后,通過北京市PM2.5的預(yù)測實驗驗證模型的性能;最后,從UCI上選取多個公共數(shù)據(jù)集進行分類問題上的對比實驗.實驗環(huán)境為:Inter(R) Core(TM) i7-6700 CPU @ 3.40 GHz 3.41 GHz;16 GB內(nèi)存;Windows 10操作系統(tǒng);算法實現(xiàn)平臺為Visual Studio Code 1.57 x64;Python版本3.8.5.

    3.1 多峰函數(shù)非線性擬合

    在本節(jié)中,擬合一個多峰非線性函數(shù),以驗證梯度下降算法優(yōu)化參數(shù)的有效性.DBRBD-DNN的神經(jīng)網(wǎng)絡(luò)有5層,輸入層有5個神經(jīng)元,輸出層有5個神經(jīng)元,3個隱藏層各有20個神經(jīng)元.非線性函數(shù)公式如下.

    g(x)=e-(x-2)2+0.5e-(x+2)2(x∈[-5,5])

    (23)

    由式(23)分析可知,當(dāng)變量x取-2,0,2時為多峰函數(shù)的極值點,根據(jù)極值點可以設(shè)置規(guī)則結(jié)果屬性的評價等級和相應(yīng)的效用值.

    {D1,D2,D3,D4,D5}={-0.5,0,0.5,1.0,1.5}

    (24)

    選擇自變量x作為規(guī)則的前件屬性,選擇5個極值點作為前件屬性的參考值,分別為{-5,-2,0,2,5}.然后在0和1之間隨機初始化結(jié)果屬性的置信度,同時隨機初始化神經(jīng)網(wǎng)絡(luò)中的權(quán)重值和偏置值.

    接著,采用梯度下降算法對初始DBRB-DNN模型進行訓(xùn)練.通過在定義域上對自變量x均勻選擇1 000個值作為擬合數(shù)據(jù)集,學(xué)習(xí)率設(shè)置為0.001,每個批次使用64個樣本,訓(xùn)練次數(shù)分布設(shè)置500,1 000和1 500次進行3次實驗.訓(xùn)練后的DBRB-DNN的性能如圖3所示.可以看出,經(jīng)過訓(xùn)練的DBRB-DNN可以很好地擬合函數(shù)g(x).

    圖3 基于梯度下降的DBRB-DNN輸出結(jié)果Fig.3 Results of DBRB-DNN based on the gradient descent algorithm

    為更好地驗證本文所提出的基于梯度訓(xùn)練的DBRB-DNN方法,本實驗分別與文獻[7,9,15]中的方法進行比較,以均方誤差(MSE)和運行時間(s)為指標(biāo),文獻[7]的相關(guān)實驗在MATLAB R2020b中實現(xiàn).從表1可以看出,本文所提方法在1 000次迭代訓(xùn)練以后時間和精度上都最佳,而500次迭代訓(xùn)練雖然排名第二,但是在時間上仍遠高于其他文獻的方法.

    表1 函數(shù)擬合性能比較Tab.1 Comparison of function fitting performance

    3.2 北京市空氣質(zhì)量污染預(yù)測

    為進一步驗證本文提出的DBRB-DNN模型的性能,使用北京市空氣質(zhì)量數(shù)據(jù)集進行實驗,數(shù)據(jù)集總共含有43 824個樣本點.首先對數(shù)據(jù)集進行歸一化處理,接著使用五折交叉驗證來評估模型的性能.露水、風(fēng)向、風(fēng)速作為前件屬性,PM2.5的值作為結(jié)果屬性.其中每個屬性有3個參考值,神經(jīng)網(wǎng)絡(luò)有5層,輸入層神經(jīng)元有9個.輸出層神經(jīng)元有3個,3個隱藏層神經(jīng)元各有12個.學(xué)習(xí)率為0.001,每個批次使用128個樣本,并進行1 500次迭代訓(xùn)練.圖4展示了DBRB-DNN在測試集上PM2.5預(yù)測值與實際值的對比.其中橫坐標(biāo)為樣本點的數(shù)量,縱坐標(biāo)為PM2.5歸一化后的預(yù)測值.

    圖4 DBRB-DNN對PM2.5的預(yù)測值與實際值的比較Fig.4 Comparison of actual PM2.5 values and predicted PM2.5 values by DBRB-DNN

    從圖4中可以看出,經(jīng)過訓(xùn)練后的DBRB-DNN模型在測試數(shù)據(jù)集上具有較好的預(yù)測精度.為了更加直觀地驗證本文模型的性能,接下來還將與文獻[7]方法、LSTM神經(jīng)網(wǎng)絡(luò)以及DNN神經(jīng)網(wǎng)絡(luò)進行比較,其中LSTM和DNN模型的具體參數(shù)和設(shè)置參考文獻[7].取均方誤差和運行時間作為評價指標(biāo),比較結(jié)果列于表2.其中表2中的第一輪到第五輪表示五折交叉驗證中每一輪的MSE值,平均表示五折驗證以后MSE的平均值,平均運行時間指五折交叉驗證每一輪的平均運行時間,文獻[7]的運行時間為本文在MATLAB R2020b中實現(xiàn).

    從表2中可以明顯地看出,在五折交叉驗證中,DBRB-DNN每一輪的MSE值都優(yōu)于其他幾種方法,最終的平均MSE值為0.002 78也是最佳的.這一結(jié)果表明,本文所提出的方法優(yōu)于其他幾種模型,而在平均運行時間上,本文所提出的方法為753 s,也遠低于文獻[7]方法.

    表2 不同方法下MSE值比較和平均運行時間Tab.2 Comparison of MSE values under different methods and average running time

    3.3 公共分類數(shù)據(jù)集實驗研究

    研究選取7組UCI的公共分類數(shù)據(jù)集來驗證本文所提出的方法.實驗方法采取十折交叉驗證,取平均準確率作為比較指標(biāo).DBRB-DNN的屬性參考值個數(shù)統(tǒng)一設(shè)置為5個(即DBRB的規(guī)則數(shù)為5條),神經(jīng)網(wǎng)絡(luò)有5層,輸入層有5n個神經(jīng)元(n為每個數(shù)據(jù)集對應(yīng)的特征數(shù)),輸出層有5個神經(jīng)元,3個隱藏層各有20個神經(jīng)元,學(xué)習(xí)率為0.001,每個批次使用128個樣本,并進行1 500次迭代訓(xùn)練.7組數(shù)據(jù)集的詳細信息列于表3.

    表3 分類數(shù)據(jù)集的詳細信息Tab.3 Information of classification datasets

    表4列出了本文方法與其他改進的擴展置信規(guī)則庫(EBRB)方法的比較,指標(biāo)是分類的精度.由于EBRB根據(jù)訓(xùn)練集生成規(guī)則數(shù),所以EBRB的規(guī)則數(shù)等于訓(xùn)練集的樣本數(shù)遠大于DBRB的規(guī)則數(shù).本文方法在5個數(shù)據(jù)集上都達到了第一名,在另外2個數(shù)據(jù)集上也達到第二名.這一結(jié)果驗證了本文所提方法的有效性,同時也表明本文所提出的方法在分類數(shù)據(jù)集應(yīng)用上也具有較好的性能.

    表4 與其他EBRB方法的比較Tab.4 Compare with other EBRB improvement methods

    進一步將本文方法與其他傳統(tǒng)的機器學(xué)習(xí)方法進行比較,對比實驗結(jié)果為文獻[20-21]中的部分結(jié)果.表5列出了比較結(jié)果,指標(biāo)是分類的精度.結(jié)果表明,本文所提出的方法在大部分數(shù)據(jù)集上的精度都是排在第一名,表明本文所提出的方法具有良好的性能.

    表5 與其他機器學(xué)習(xí)方法的比較Tab.5 Comparison with other traditional machine learning methods

    4 結(jié)語

    針對BRB-DL模型參數(shù)優(yōu)化方法可移植性不足,應(yīng)用效率低等問題,提出DBRB-DNN模型,并引入梯度下降算法對DBRB-DNN模型進行參數(shù)訓(xùn)練;同時對模型中受約束的參數(shù)進行預(yù)處理,避免在應(yīng)用梯度下降算法時構(gòu)建困難和效率不高的問題.最后,將BRB-DNN模型應(yīng)用在分類問題上,擴展模型的應(yīng)用領(lǐng)域.本文算法是基于Python平臺實現(xiàn)的,可移植性更強.最后通過非線性函數(shù)的擬合實驗、北京空氣質(zhì)量預(yù)測以及UCI上多個公共數(shù)據(jù)集的分類實驗,驗證所提出方法的有效性.不過本研究所選用的神經(jīng)網(wǎng)絡(luò)模型比較基礎(chǔ)以及所有實驗都是在規(guī)則完整的情況下進行的,沒有考慮到規(guī)則不完整的情況應(yīng)該怎么處理,今后將針對這一問題進行更加深入的研究.

    猜你喜歡
    梯度神經(jīng)元權(quán)重
    《從光子到神經(jīng)元》書評
    自然雜志(2021年6期)2021-12-23 08:24:46
    一個改進的WYL型三項共軛梯度法
    權(quán)重常思“浮名輕”
    一種自適應(yīng)Dai-Liao共軛梯度法
    一類扭積形式的梯度近Ricci孤立子
    為黨督政勤履職 代民行權(quán)重擔(dān)當(dāng)
    躍動的神經(jīng)元——波蘭Brain Embassy聯(lián)合辦公
    基于公約式權(quán)重的截短線性分組碼盲識別方法
    基于二次型單神經(jīng)元PID的MPPT控制
    毫米波導(dǎo)引頭預(yù)定回路改進單神經(jīng)元控制
    日本黄色日本黄色录像| av卡一久久| 国产极品粉嫩免费观看在线 | 最近手机中文字幕大全| av免费在线看不卡| 肉色欧美久久久久久久蜜桃| 少妇精品久久久久久久| 麻豆成人午夜福利视频| 男女国产视频网站| 蜜臀久久99精品久久宅男| 亚洲欧美日韩东京热| 久久精品国产a三级三级三级| 18禁在线无遮挡免费观看视频| 我的女老师完整版在线观看| 人妻夜夜爽99麻豆av| 久久久欧美国产精品| 亚洲av综合色区一区| 国产精品久久久久久av不卡| 18禁裸乳无遮挡动漫免费视频| 天天操日日干夜夜撸| 国产av一区二区精品久久| 国产无遮挡羞羞视频在线观看| 久久国产亚洲av麻豆专区| 99久久精品热视频| 男女免费视频国产| 久久av网站| 99热这里只有精品一区| 高清欧美精品videossex| 一边亲一边摸免费视频| 在线观看免费日韩欧美大片 | 久久久久久久久久成人| 99久久人妻综合| 在线 av 中文字幕| 国产精品女同一区二区软件| 精品一区二区免费观看| 高清黄色对白视频在线免费看 | 国产亚洲欧美精品永久| 久久ye,这里只有精品| 最新的欧美精品一区二区| 国产欧美亚洲国产| 国产一区有黄有色的免费视频| 国产精品99久久99久久久不卡 | 十八禁网站网址无遮挡 | 久久99蜜桃精品久久| 人人妻人人澡人人爽人人夜夜| 男人添女人高潮全过程视频| 国产精品一二三区在线看| 热re99久久国产66热| 一级片'在线观看视频| 亚洲美女黄色视频免费看| 成人亚洲欧美一区二区av| 秋霞伦理黄片| 蜜桃久久精品国产亚洲av| 国产精品嫩草影院av在线观看| 中国国产av一级| 桃花免费在线播放| 午夜日本视频在线| av有码第一页| 国产淫语在线视频| 91精品国产九色| 老司机亚洲免费影院| 国产黄片视频在线免费观看| 一本—道久久a久久精品蜜桃钙片| 蜜臀久久99精品久久宅男| 久久久久久久久久人人人人人人| av视频免费观看在线观看| 亚洲美女搞黄在线观看| 简卡轻食公司| 日日爽夜夜爽网站| 国产男女内射视频| 免费播放大片免费观看视频在线观看| 国产成人精品无人区| 大香蕉久久网| av专区在线播放| 高清毛片免费看| 51国产日韩欧美| 国产免费一区二区三区四区乱码| 国产在视频线精品| 久热久热在线精品观看| 亚洲av成人精品一区久久| 欧美最新免费一区二区三区| 99精国产麻豆久久婷婷| 在线观看免费日韩欧美大片 | 美女大奶头黄色视频| 国产黄片美女视频| 国产精品国产av在线观看| 伊人久久国产一区二区| 在线观看www视频免费| 夜夜骑夜夜射夜夜干| 久久精品久久精品一区二区三区| 在线观看三级黄色| 久久久久精品久久久久真实原创| 亚洲精品自拍成人| 精品国产露脸久久av麻豆| 色5月婷婷丁香| 日本欧美视频一区| 欧美成人午夜免费资源| 建设人人有责人人尽责人人享有的| 欧美日韩国产mv在线观看视频| 成人漫画全彩无遮挡| 午夜激情久久久久久久| 亚洲怡红院男人天堂| 天天躁夜夜躁狠狠久久av| 99精国产麻豆久久婷婷| 精品人妻熟女毛片av久久网站| 国产色婷婷99| 亚洲精品乱码久久久v下载方式| 最近的中文字幕免费完整| 99久久精品国产国产毛片| 少妇猛男粗大的猛烈进出视频| 在线观看国产h片| 大码成人一级视频| 亚洲伊人久久精品综合| 七月丁香在线播放| 色视频在线一区二区三区| 高清欧美精品videossex| 热re99久久精品国产66热6| 观看免费一级毛片| videos熟女内射| 女人精品久久久久毛片| 日韩中文字幕视频在线看片| 亚洲情色 制服丝袜| 欧美 亚洲 国产 日韩一| 亚洲精品国产av成人精品| 三级国产精品欧美在线观看| 久久久久久久久久人人人人人人| 国产免费又黄又爽又色| 亚洲精品乱码久久久v下载方式| 亚洲av综合色区一区| 韩国av在线不卡| 最近2019中文字幕mv第一页| 男人和女人高潮做爰伦理| 精品国产国语对白av| 久久97久久精品| 色视频在线一区二区三区| 中国国产av一级| 成人特级av手机在线观看| 高清av免费在线| 一本—道久久a久久精品蜜桃钙片| 一区二区av电影网| 日韩伦理黄色片| 国产精品福利在线免费观看| 亚洲激情五月婷婷啪啪| 男的添女的下面高潮视频| 美女国产视频在线观看| 观看美女的网站| 丝袜在线中文字幕| 麻豆成人av视频| 免费人成在线观看视频色| 久久久a久久爽久久v久久| av黄色大香蕉| av黄色大香蕉| 中文字幕人妻熟人妻熟丝袜美| 黑人巨大精品欧美一区二区蜜桃 | 精品少妇黑人巨大在线播放| av视频免费观看在线观看| h视频一区二区三区| 大又大粗又爽又黄少妇毛片口| 老女人水多毛片| a级片在线免费高清观看视频| 80岁老熟妇乱子伦牲交| 一级毛片aaaaaa免费看小| 在线天堂最新版资源| 国产亚洲5aaaaa淫片| 久久影院123| 大香蕉97超碰在线| 久久国产精品男人的天堂亚洲 | 午夜影院在线不卡| 男女边摸边吃奶| 人人澡人人妻人| 国产片特级美女逼逼视频| 男女无遮挡免费网站观看| 日韩人妻高清精品专区| 国国产精品蜜臀av免费| av女优亚洲男人天堂| 国产欧美日韩精品一区二区| 亚洲精品,欧美精品| 久久97久久精品| 高清在线视频一区二区三区| av天堂中文字幕网| 国产精品国产三级国产av玫瑰| 日韩亚洲欧美综合| 国产日韩欧美视频二区| 日本黄色日本黄色录像| 免费人妻精品一区二区三区视频| 在线观看免费高清a一片| 观看免费一级毛片| 边亲边吃奶的免费视频| 18禁在线播放成人免费| 超碰97精品在线观看| 国产精品国产av在线观看| 制服丝袜香蕉在线| 一级a做视频免费观看| 欧美精品亚洲一区二区| 在线观看一区二区三区激情| 九九在线视频观看精品| av免费在线看不卡| 精品国产国语对白av| 欧美 日韩 精品 国产| 极品教师在线视频| 亚洲精华国产精华液的使用体验| 久久人妻熟女aⅴ| 国产男人的电影天堂91| 欧美精品亚洲一区二区| 久久亚洲国产成人精品v| 这个男人来自地球电影免费观看 | 看非洲黑人一级黄片| 亚洲欧美日韩卡通动漫| 极品少妇高潮喷水抽搐| 国产精品久久久久久久电影| 天天躁夜夜躁狠狠久久av| 中国美白少妇内射xxxbb| 亚洲真实伦在线观看| 激情五月婷婷亚洲| 国产精品一区www在线观看| 丁香六月天网| 久久久久久久久久人人人人人人| 又大又黄又爽视频免费| 六月丁香七月| 高清毛片免费看| 国产成人精品久久久久久| 精品久久久久久久久av| 国产精品一区二区在线不卡| 久久99热这里只频精品6学生| videossex国产| 国产精品久久久久久精品电影小说| 亚洲欧美一区二区三区国产| 妹子高潮喷水视频| 久久精品国产鲁丝片午夜精品| 精品亚洲成国产av| 国产伦精品一区二区三区四那| 人妻一区二区av| 色94色欧美一区二区| 在线看a的网站| 亚洲美女黄色视频免费看| 人人妻人人澡人人看| xxx大片免费视频| 亚洲av电影在线观看一区二区三区| 高清不卡的av网站| av不卡在线播放| 三级国产精品片| 99久久人妻综合| 成年女人在线观看亚洲视频| 亚洲久久久国产精品| 人体艺术视频欧美日本| 日韩av不卡免费在线播放| 国产熟女午夜一区二区三区 | 看非洲黑人一级黄片| 久久久久视频综合| 国产高清国产精品国产三级| 国产成人a∨麻豆精品| 久久久久网色| 热re99久久精品国产66热6| 高清在线视频一区二区三区| 午夜免费观看性视频| 久久鲁丝午夜福利片| 全区人妻精品视频| 免费人妻精品一区二区三区视频| 九九久久精品国产亚洲av麻豆| 少妇的逼好多水| 亚洲,一卡二卡三卡| 成年人午夜在线观看视频| 妹子高潮喷水视频| 一个人免费看片子| 日韩成人伦理影院| 一级毛片黄色毛片免费观看视频| 亚洲av国产av综合av卡| 亚洲国产精品专区欧美| 国国产精品蜜臀av免费| 国产成人a∨麻豆精品| 水蜜桃什么品种好| 99热这里只有精品一区| 久久狼人影院| 亚洲精品一二三| 欧美激情极品国产一区二区三区 | 插阴视频在线观看视频| 亚洲精品成人av观看孕妇| 亚洲精品一区蜜桃| a级片在线免费高清观看视频| 99视频精品全部免费 在线| 一区二区三区精品91| 亚洲一级一片aⅴ在线观看| 久久综合国产亚洲精品| 国内精品宾馆在线| 香蕉精品网在线| 免费人成在线观看视频色| 性高湖久久久久久久久免费观看| 精品人妻偷拍中文字幕| 国产极品粉嫩免费观看在线 | 久久99一区二区三区| 日韩中字成人| 97超视频在线观看视频| 人人妻人人添人人爽欧美一区卜| 国内精品宾馆在线| 中文字幕免费在线视频6| 国产在线男女| 欧美区成人在线视频| 少妇人妻一区二区三区视频| 少妇的逼好多水| 国产免费一区二区三区四区乱码| 日韩一区二区三区影片| 亚洲av成人精品一区久久| www.av在线官网国产| 中文天堂在线官网| 美女国产视频在线观看| 色视频在线一区二区三区| 久久久久精品性色| 97在线人人人人妻| 99国产精品免费福利视频| 中文天堂在线官网| 亚洲av.av天堂| 久久人人爽av亚洲精品天堂| 国产精品嫩草影院av在线观看| 九九爱精品视频在线观看| 中文资源天堂在线| 纵有疾风起免费观看全集完整版| 日韩不卡一区二区三区视频在线| 国产精品一区二区在线不卡| 一本一本综合久久| 亚洲图色成人| 久久久久久久久久成人| 久久久久久久久久久久大奶| www.色视频.com| 国产高清有码在线观看视频| 少妇人妻精品综合一区二区| 国产日韩欧美在线精品| 成人免费观看视频高清| 国产黄频视频在线观看| 日本猛色少妇xxxxx猛交久久| 国语对白做爰xxxⅹ性视频网站| 国产一级毛片在线| 91精品一卡2卡3卡4卡| 亚洲av欧美aⅴ国产| 色吧在线观看| 最近中文字幕高清免费大全6| 少妇人妻精品综合一区二区| 免费少妇av软件| 九九在线视频观看精品| 久久国产乱子免费精品| 激情五月婷婷亚洲| 男人和女人高潮做爰伦理| 精品视频人人做人人爽| 一级毛片黄色毛片免费观看视频| 又大又黄又爽视频免费| 在线观看三级黄色| 亚洲国产欧美在线一区| 国产日韩欧美在线精品| 亚洲高清免费不卡视频| 99久国产av精品国产电影| 热re99久久精品国产66热6| av国产精品久久久久影院| 午夜福利影视在线免费观看| 欧美精品亚洲一区二区| 97在线人人人人妻| 免费观看av网站的网址| 深夜a级毛片| 三级经典国产精品| 少妇人妻一区二区三区视频| 中国国产av一级| 日韩免费高清中文字幕av| videossex国产| 久久久久久久国产电影| 日本黄色日本黄色录像| 久久精品久久久久久噜噜老黄| 日日摸夜夜添夜夜爱| 国产深夜福利视频在线观看| 国产伦理片在线播放av一区| 中文欧美无线码| 下体分泌物呈黄色| 欧美xxxx性猛交bbbb| 熟女av电影| 亚洲精品日韩在线中文字幕| 免费大片18禁| 中文在线观看免费www的网站| 两个人的视频大全免费| 国产亚洲最大av| 五月伊人婷婷丁香| 国内少妇人妻偷人精品xxx网站| 国产熟女午夜一区二区三区 | 插阴视频在线观看视频| 久久久a久久爽久久v久久| 中文天堂在线官网| 国产精品欧美亚洲77777| 久久精品夜色国产| 国产精品一区二区三区四区免费观看| 日本午夜av视频| 久久综合国产亚洲精品| 国产深夜福利视频在线观看| 亚洲av日韩在线播放| av一本久久久久| 热re99久久精品国产66热6| 日韩熟女老妇一区二区性免费视频| 最新的欧美精品一区二区| 久久97久久精品| 18禁动态无遮挡网站| 欧美日本中文国产一区发布| 一区在线观看完整版| 午夜福利视频精品| 婷婷色av中文字幕| 人人妻人人澡人人爽人人夜夜| 国产精品免费大片| 亚洲精品成人av观看孕妇| 欧美激情极品国产一区二区三区 | 国产亚洲av片在线观看秒播厂| 伦理电影大哥的女人| xxx大片免费视频| 少妇人妻精品综合一区二区| 中国美白少妇内射xxxbb| 99久久精品热视频| 水蜜桃什么品种好| 色5月婷婷丁香| www.色视频.com| 青春草国产在线视频| 久久鲁丝午夜福利片| 久久国产乱子免费精品| 王馨瑶露胸无遮挡在线观看| 在线观看一区二区三区激情| 欧美日韩在线观看h| 亚洲综合精品二区| 18+在线观看网站| 久久久久精品久久久久真实原创| 亚洲综合精品二区| 蜜桃在线观看..| 久久久午夜欧美精品| 嫩草影院新地址| 观看免费一级毛片| 国产男女超爽视频在线观看| 男女边吃奶边做爰视频| 亚洲精品乱码久久久v下载方式| 亚洲欧美一区二区三区黑人 | 成人特级av手机在线观看| 国产精品久久久久久精品古装| 精品国产露脸久久av麻豆| 免费大片18禁| 一级爰片在线观看| 最新的欧美精品一区二区| 一本大道久久a久久精品| 精品一品国产午夜福利视频| 亚洲精品亚洲一区二区| av在线播放精品| 青春草视频在线免费观看| 免费人妻精品一区二区三区视频| av卡一久久| 大又大粗又爽又黄少妇毛片口| 黄片无遮挡物在线观看| 精品一区二区三区视频在线| 91精品一卡2卡3卡4卡| 国产欧美日韩综合在线一区二区 | 男女无遮挡免费网站观看| 在线天堂最新版资源| 欧美区成人在线视频| 一边亲一边摸免费视频| 人妻少妇偷人精品九色| 久久婷婷青草| 汤姆久久久久久久影院中文字幕| 亚洲内射少妇av| 国产精品一二三区在线看| 欧美日本中文国产一区发布| 少妇人妻久久综合中文| 一区二区三区乱码不卡18| 午夜影院在线不卡| 亚洲av欧美aⅴ国产| 有码 亚洲区| 97精品久久久久久久久久精品| 精品人妻熟女毛片av久久网站| 少妇被粗大猛烈的视频| 精品国产国语对白av| 欧美精品高潮呻吟av久久| 成年美女黄网站色视频大全免费 | 亚洲成人av在线免费| 少妇人妻 视频| 在现免费观看毛片| 秋霞伦理黄片| 国产精品成人在线| 亚洲色图综合在线观看| 老女人水多毛片| 免费人妻精品一区二区三区视频| 精品国产国语对白av| 午夜福利,免费看| 国产欧美另类精品又又久久亚洲欧美| 性色av一级| 91久久精品电影网| 国产免费视频播放在线视频| h视频一区二区三区| 日韩精品有码人妻一区| 亚洲人与动物交配视频| 国产精品一区二区在线观看99| 99热网站在线观看| 最近的中文字幕免费完整| 国产精品.久久久| 夫妻午夜视频| 精品亚洲成国产av| 亚洲熟女精品中文字幕| 最近2019中文字幕mv第一页| 人体艺术视频欧美日本| 一级毛片久久久久久久久女| 新久久久久国产一级毛片| 一区二区三区精品91| 美女cb高潮喷水在线观看| 亚洲精华国产精华液的使用体验| 26uuu在线亚洲综合色| 水蜜桃什么品种好| 久久鲁丝午夜福利片| 在线观看国产h片| 高清在线视频一区二区三区| 最新的欧美精品一区二区| 五月天丁香电影| av.在线天堂| 99久久综合免费| 伦理电影大哥的女人| 观看美女的网站| 国产伦在线观看视频一区| 国产视频首页在线观看| 男女无遮挡免费网站观看| 五月玫瑰六月丁香| 精品亚洲成a人片在线观看| 亚洲国产av新网站| 欧美成人精品欧美一级黄| 国产亚洲5aaaaa淫片| 亚洲人与动物交配视频| 美女大奶头黄色视频| 精品一区二区三区视频在线| 亚洲国产精品一区二区三区在线| 成人无遮挡网站| 三级经典国产精品| 91久久精品国产一区二区成人| 亚洲,欧美,日韩| 成人影院久久| 午夜视频国产福利| 国产视频首页在线观看| 18+在线观看网站| av天堂久久9| 国产成人午夜福利电影在线观看| 色哟哟·www| 久久精品熟女亚洲av麻豆精品| 精品久久久久久久久av| 国产淫语在线视频| 99久久中文字幕三级久久日本| 午夜精品国产一区二区电影| 哪个播放器可以免费观看大片| 国产精品久久久久久久久免| 街头女战士在线观看网站| 欧美精品亚洲一区二区| 亚洲av欧美aⅴ国产| 久久精品夜色国产| 久久久午夜欧美精品| 免费在线观看成人毛片| 久久免费观看电影| 国产中年淑女户外野战色| 2022亚洲国产成人精品| 51国产日韩欧美| 在线观看免费日韩欧美大片 | 狠狠精品人妻久久久久久综合| 视频区图区小说| 自线自在国产av| 日韩精品有码人妻一区| 久久精品国产鲁丝片午夜精品| 99热网站在线观看| 免费黄频网站在线观看国产| 久久久久视频综合| 久久久a久久爽久久v久久| 各种免费的搞黄视频| 欧美97在线视频| 国产男女内射视频| 少妇的逼水好多| 丰满迷人的少妇在线观看| 日日摸夜夜添夜夜添av毛片| 狂野欧美激情性xxxx在线观看| 亚洲国产精品999| 亚洲精品久久午夜乱码| 日本黄色日本黄色录像| av卡一久久| 日本免费在线观看一区| av不卡在线播放| 久久99一区二区三区| 99热6这里只有精品| 精品人妻偷拍中文字幕| 久久精品夜色国产| 日本与韩国留学比较| 国产精品一二三区在线看| 亚洲熟女精品中文字幕| 久久精品国产亚洲av天美| 亚洲国产精品专区欧美| av黄色大香蕉| 色哟哟·www| 人妻一区二区av| 黄色毛片三级朝国网站 | 18禁在线播放成人免费| 日本黄色日本黄色录像| 美女内射精品一级片tv| 人体艺术视频欧美日本| 乱系列少妇在线播放| 日产精品乱码卡一卡2卡三| 亚洲精品国产av蜜桃| 精品久久久久久电影网| 国产成人精品一,二区| 久久久精品94久久精品| 99国产精品免费福利视频| 91在线精品国自产拍蜜月| 国产黄片美女视频| 一区在线观看完整版| 精品亚洲乱码少妇综合久久| 一本色道久久久久久精品综合| 美女中出高潮动态图| 久久影院123| 亚洲中文av在线| 最后的刺客免费高清国语| 成年美女黄网站色视频大全免费 | 久久精品久久久久久久性| 国产欧美日韩综合在线一区二区 | 天堂中文最新版在线下载| 亚洲精品第二区| 精品久久久久久久久亚洲| 91精品国产九色| 丰满人妻一区二区三区视频av|