• <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 ?

    基于極限學(xué)習(xí)機(jī)與模糊積分融合的機(jī)器人地面分類

    2017-05-10 12:34:17李強(qiáng)寇建華徐賀白冰
    關(guān)鍵詞:學(xué)習(xí)機(jī)分類器準(zhǔn)確率

    李強(qiáng), 寇建華, 徐賀, 白冰

    (哈爾濱工程大學(xué) 機(jī)電工程學(xué)院,黑龍江 哈爾濱 150001)

    ?

    基于極限學(xué)習(xí)機(jī)與模糊積分融合的機(jī)器人地面分類

    李強(qiáng), 寇建華, 徐賀, 白冰

    (哈爾濱工程大學(xué) 機(jī)電工程學(xué)院,黑龍江 哈爾濱 150001)

    為了提高移動(dòng)機(jī)器人地面分類的準(zhǔn)確率,采用奇異值分解和功率譜密度估計(jì)兩種方法對(duì)振動(dòng)信號(hào)進(jìn)行特征提取。針對(duì)極限學(xué)習(xí)機(jī)的隱層節(jié)點(diǎn)冗余問題,給出改進(jìn)的算法,并采用改進(jìn)的極限學(xué)習(xí)機(jī)對(duì)地面分類。針對(duì)模糊積分參數(shù)耗時(shí)和積分函數(shù)不確定的問題,給出改進(jìn)的方法,并基于2種特征采用改進(jìn)的模糊積分對(duì)2個(gè)改進(jìn)的極限學(xué)習(xí)機(jī)進(jìn)行融合。在四輪移動(dòng)機(jī)器人左前輪輪臂上安裝三向加速度計(jì)和z向傳聲器,使之在沙、碎石、草、土、瀝青地面上分別以5種速度行駛,采集車輪與地面相互作用的加速度和聲壓信號(hào)。根據(jù)改進(jìn)的極限學(xué)習(xí)機(jī)和模糊積分融合算法,分別對(duì)每種速度下的5種地面進(jìn)行分類,分類平均準(zhǔn)確率為95.22%。實(shí)驗(yàn)驗(yàn)證了算法的有效性。

    移動(dòng)機(jī)器人;地面分類;振動(dòng)信號(hào);極限學(xué)習(xí)機(jī);模糊積分融合;奇異值分解;功率譜密度

    由于移動(dòng)機(jī)器人在執(zhí)行任務(wù)時(shí)需要行駛于不同的地面上,因此機(jī)器人需要具有安全穿越各種未知地面的能力。目前國內(nèi)外許多學(xué)者使用視覺、激光傳感器、超聲波傳感器、紅外傳感器等方法獲取“感官”信號(hào)進(jìn)行避障或路徑規(guī)劃研究。此類研究方法的主要目的是使移動(dòng)機(jī)器人能順利穿過各種“有形的”重重阻礙到達(dá)作業(yè)目的地。然而,當(dāng)移動(dòng)機(jī)器人行駛在平坦的沙地或者泥濘的土地時(shí)雖然前方?jīng)]有任何障礙,機(jī)器人同樣會(huì)有陷入的危險(xiǎn),稱之為非幾何危害[1]。此外,傳統(tǒng)的感官避障方法容易受光照、塵埃、霧霾、地面覆蓋物等的影響,而基于振動(dòng)的方法可以感知地面承載層的信息,是一種良好的輔助手段。

    本文利用奇異值分解(singular value decomposition, SVD)和功率譜密度估計(jì)兩種方法對(duì)振動(dòng)信號(hào)進(jìn)行特征提??;給出改進(jìn)的極限學(xué)習(xí)機(jī)算法,并在5種速度下基于2種特征以改進(jìn)的極限學(xué)習(xí)機(jī)為分類器對(duì)5種地面進(jìn)行分類;給出改進(jìn)的模糊積分融合算法,采用改進(jìn)的模糊積分算法對(duì)2個(gè)改進(jìn)的極限學(xué)習(xí)機(jī)融合,并對(duì)地面進(jìn)行分類。

    1 地面分類算法

    使移動(dòng)機(jī)器人以5種速度勻速在沙、碎石、草、土、瀝青地面行駛,利用安裝在左前輪輪臂上的三向加速度計(jì)和z向傳聲器,實(shí)時(shí)采集加速度信號(hào)和聲壓信號(hào)。機(jī)器人的振動(dòng)來源于車輪與地面的相互作用,每種地面都產(chǎn)生特有的加速度和聲壓信號(hào)??紤]到x方向加速度信號(hào)對(duì)速度的變化比較敏感,影響分類泛化能力[3],故而選取y、z向加速度信號(hào)和z向聲壓信號(hào)作為分類數(shù)據(jù)。

    1.1 特征提取

    1.1.1 基于奇異值分解(SVD)的特征提取方法

    振動(dòng)信號(hào)的時(shí)間序列為a1,a2,a3,…,重構(gòu)一個(gè)m×n維矩陣:

    (1)

    式中:Dm稱為重構(gòu)的吸引子軌跡矩陣[7]。設(shè)A是一個(gè)m×n維實(shí)矩陣,它的奇異值分解是指存在矩陣U∈Rm×m、UUT=I和V∈Rn×n、VVT=I,以及矩陣Λ=[diag{λ1,λ2,…,λp}:0],使得

    A=UΛVT

    (2)

    式中:λ1≥λ2≥,…,λp>0稱為矩陣A的奇異值。矩陣A的秩為p,且p≤min(m,n)。

    重構(gòu)吸引子軌跡矩陣越接近于方陣(或矩陣的奇異值越多)效果越好,本文取m=257,n=256。因?yàn)橛行盘?hào)對(duì)前幾階奇異值貢獻(xiàn)最大,而噪聲對(duì)各階的貢獻(xiàn)幾乎相等,本文取前11階奇異值作為特征值[8]。

    y、z向加速度和z向聲壓數(shù)據(jù)在每一數(shù)據(jù)段內(nèi)均得到11個(gè)特征,最后將3組數(shù)據(jù)的特征進(jìn)行連接得到33維特征向量。

    1.1.2 基于功率譜密度(PSD)的特征提取方法

    功率譜是指功率譜密度(power spectrum density, PSD),功率譜估計(jì)是利用給定的一組樣本數(shù)據(jù)估計(jì)平穩(wěn)隨機(jī)信號(hào)的功率譜密度。它能給出被分析對(duì)象的能量隨頻率的分布情況[9],因此在工程上應(yīng)用十分廣泛。本文采用經(jīng)典的Welch法[10]對(duì)振動(dòng)信號(hào)進(jìn)行功率譜估計(jì)。

    Welch法功率譜估計(jì)的主要步驟為:

    1) 將長(zhǎng)度為N的數(shù)據(jù)段分成L小段,每小段M個(gè)點(diǎn),相鄰小段交疊M/2個(gè)點(diǎn),于是段數(shù)為

    (3)

    2) 對(duì)各小段加同樣的平滑窗w(n)后求傅里葉變換:

    (4)

    3) 求各小段功率譜的平均

    (5)

    對(duì)每一段的數(shù)據(jù)應(yīng)用Welch法計(jì)算單邊自功率譜密度并對(duì)其絕對(duì)值取自然對(duì)數(shù),取自然對(duì)數(shù)的目的是為了避免較大數(shù)字范圍的特征支配較小數(shù)字范圍的特征,取感興趣的頻率范圍為0~125Hz。y、z向加速度和z向聲壓數(shù)據(jù)在每一個(gè)數(shù)據(jù)段內(nèi)均得到129個(gè)特征,最后將3組數(shù)據(jù)的特征進(jìn)行連接得到387維特征向量。

    1.2 改進(jìn)的極限學(xué)習(xí)機(jī)

    極限學(xué)習(xí)機(jī)[11](extreme learning machine,ELM)是一種針對(duì)于單隱層前饋型神經(jīng)網(wǎng)絡(luò)的快速學(xué)習(xí)算法,根據(jù)ELM的學(xué)習(xí)規(guī)則,單隱層前饋型神經(jīng)網(wǎng)絡(luò)的輸入權(quán)值和閾值可以隨機(jī)選擇。

    隱含層節(jié)點(diǎn)數(shù)目的選擇是影響分類效果和學(xué)習(xí)速度的一個(gè)重要參數(shù),通常隱含層節(jié)點(diǎn)數(shù)目取訓(xùn)練樣本數(shù)。當(dāng)學(xué)習(xí)樣本數(shù)過多時(shí),隱含層節(jié)點(diǎn)數(shù)目會(huì)很大,這將導(dǎo)致該網(wǎng)絡(luò)的學(xué)習(xí)速度大大降低。此外,分類準(zhǔn)確率并非隨著隱含層節(jié)點(diǎn)數(shù)目的增多而逐漸提高,而是呈不規(guī)則震蕩[12]。這是因?yàn)殡[含層節(jié)點(diǎn)存在冗余,這些節(jié)點(diǎn)不僅拖延了網(wǎng)絡(luò)的訓(xùn)練速度,甚至節(jié)點(diǎn)之間相互掣肘反而降低了分類準(zhǔn)確率,所以很難用試探的方法選擇合適的隱含層節(jié)點(diǎn)數(shù)目。

    為了消除冗余節(jié)點(diǎn)對(duì)極限學(xué)習(xí)機(jī)的訓(xùn)練速度和分類準(zhǔn)確率的影響,需要對(duì)極限學(xué)習(xí)機(jī)的隱含層節(jié)點(diǎn)進(jìn)行約減。

    隱含層的輸出矩陣H可以表示為

    (6)

    式中:gi為第i個(gè)隱層節(jié)點(diǎn)的輸出,是N維列向量。

    隱含層輸出權(quán)值β,可以采用最小二乘法求解線性系統(tǒng)Ηβ=T獲得,可以表示為

    (7)

    用歐式距離來度量每個(gè)節(jié)點(diǎn)輸出的相關(guān)性,任意兩節(jié)點(diǎn)間的歐式距離表示為

    (8)

    若任意兩個(gè)隱含層節(jié)點(diǎn)的輸出oi,oj(i≠j)的歐氏距離的絕對(duì)值小于閾值ε,0<ε<1,則可以認(rèn)為兩個(gè)節(jié)點(diǎn)獨(dú)立發(fā)揮作用,之間不存在冗余。否則認(rèn)為兩節(jié)點(diǎn)之間存在一個(gè)冗余,可以刪減其一,約減過程是自適應(yīng)的。閾值ε的取值按照對(duì)訓(xùn)練樣本的分類精度最高為準(zhǔn)則,取搜索步長(zhǎng)為0.1,在區(qū)間[0,1]內(nèi)進(jìn)行搜索。

    ELM進(jìn)行自適應(yīng)約減的學(xué)習(xí)步驟如下:

    1) 隨機(jī)設(shè)定輸入層權(quán)值W和節(jié)點(diǎn)閾值b;

    2) 訓(xùn)練網(wǎng)絡(luò),求出隱含層輸出矩陣H;

    3) 根據(jù)H求出任意兩個(gè)隱含層節(jié)點(diǎn)的輸出oi,oj(i≠j)的歐氏距離d(i,j),得到一個(gè)相關(guān)矩陣R;

    4) 判斷R中各元素的絕對(duì)值是否大于ε,并約減冗余節(jié)點(diǎn),得到新的輸入層權(quán)值W*和閾值b*;

    5) 重新計(jì)算節(jié)點(diǎn)隱含層的輸出矩陣H*;

    6) 計(jì)算Moore-Penrose廣義逆H?。

    基于SVD(或PSD)特征采用約減后的極限學(xué)習(xí)機(jī)進(jìn)行地面分類的算法原理如圖1所示。

    1.3 基于改進(jìn)模糊積分的分類器融合

    基于模糊積分的分類器融合算法可以將各特征和分類器的貢獻(xiàn)進(jìn)行綜合,能夠遴選出貢獻(xiàn)度大的特征和分類器的組合,獲得更好的分類精度?;谀:e分的分類器融合算法采用模糊測(cè)度來度量各單一分類器的重要程度,表達(dá)分類器之間的交互作用,抑制各單一分類器的不確定分類因素,因此模糊積分是一種有效的信息融合方法。本文采用Sugeno模糊積分[13]對(duì)改進(jìn)的極限學(xué)習(xí)機(jī)進(jìn)行融合。

    (9)

    式中:e為Sugeno模糊積分,Ai={x1,x2,…,xi}為一個(gè)樣本,xi為樣本中的特征元素,模糊測(cè)度g(Ai)可以由迭代公式求得

    g(A1)=g({x1})=g1

    g(Ai)=gi+g(Ai-1)+λgig(Ai-1),1

    (10)

    式中:gi為模糊測(cè)度密度,參數(shù)λ在[-1,+∞]上具有唯一性,可以求得:

    (11)

    式中:n為樣本的特征數(shù),i為樣本特征序號(hào)。

    圖1 基于SVD(或PSD)特征和約減后ELM的地面分類流程圖Fig.1 Flowchart of terrain classification using subtracted ELM based on SVD (or PSD) feature

    1.3.1 改進(jìn)的模糊積分

    分類特征數(shù)目越多,按照式(11)計(jì)算參數(shù)λ時(shí),需要計(jì)算的冪次越高,時(shí)間耗費(fèi)急劇增加。當(dāng)按式(9)求解模糊積分時(shí),模糊積分函數(shù)形式不固定,而且不容易確定其參數(shù)。針對(duì)以上兩個(gè)問題本文對(duì)模糊積分加以改進(jìn):一是給出λ的近似取值;二是給出適合本文地面分類算法的模糊積分函數(shù)。

    1)λ的近似取值。

    1.1節(jié)所述基于SVD和PSD的特征提取方法從每個(gè)樣本提取的特征數(shù)分別為33和387,按式(11)求解λ時(shí)最多需要求解387次冪,因此計(jì)算量非常巨大,增加了算法的計(jì)算成本。式(11)中0≤gi≤1,當(dāng)gi=1時(shí),求解λ所消耗的時(shí)間如圖2所示。由圖2可看出,當(dāng)冪次n接近400時(shí)求解λ的時(shí)間超過7 000s,因此特征數(shù)目較大時(shí),求解λ的計(jì)算成本是巨大的。式(11)中0≤gi≤1,當(dāng)n的取值較大且等式的左邊趨于零時(shí),右邊括號(hào)內(nèi)的部分只需要在區(qū)間(0,1)內(nèi)就可以使等式左右兩邊近似相等,且n越大,等式左右兩邊的誤差越小。直接取λ=-1,當(dāng)gi=0.5,n=33時(shí),式(11)右邊項(xiàng)與左邊項(xiàng)的誤差數(shù)量級(jí)達(dá)到了10-10,誤差幾乎可以忽略,使得等式近似成立。

    圖2 求解λ時(shí)間耗費(fèi)曲線圖Fig.2 Time consumption curve of solving λ

    針對(duì)傳統(tǒng)方法計(jì)算λ的耗時(shí)問題,直接取λ=-1,避免了高次冪的運(yùn)算,因此可以大幅降低模糊積分的計(jì)算成本。

    2) 新的模糊積分函數(shù)。

    針對(duì)本文的地面分類問題,確定模糊積分函數(shù)的形式為

    (12)

    式中:α表示矯正系數(shù);β表示矯正后的放大倍數(shù)。對(duì)α和β在區(qū)間[0,100]和[1,10]內(nèi)進(jìn)行參數(shù)搜索。發(fā)現(xiàn)α在[7,10]內(nèi)取值,且β=3時(shí),融合效果較好。本文取α=10,β=3。

    1.3.2 基于改進(jìn)模糊積分的ELM融合

    1) 模糊測(cè)度的確定。

    測(cè)試樣本經(jīng)過極限學(xué)習(xí)機(jī)分類后得到的決策矩陣為

    (13)

    式中:DP為決策矩陣,C為地面種類,L為分類器個(gè)數(shù)。因?yàn)榛谀:e分的分類器融合系統(tǒng)要求分類器的輸出是非負(fù)實(shí)數(shù),而決策矩陣DP的元素不是非負(fù)的,因此還不是直接的概率表達(dá),需先將DP按列歸一化到[0,1],歸一化公式為

    (14)

    然后將決策矩陣DP進(jìn)行概率表達(dá)轉(zhuǎn)換:

    (15)

    式中:Pmj為第j個(gè)分類器將待識(shí)別樣本分到第m類的概率。

    本文選取各單一極限學(xué)習(xí)機(jī)對(duì)待識(shí)別樣本的最大分類概率(即轉(zhuǎn)換成概率表達(dá)后的決策矩陣各列中的最大元素)作為模糊測(cè)度密度,表示為

    (16)

    式中:i為待識(shí)別樣本特征的序號(hào),每個(gè)待識(shí)別樣本的所有特征都取相同的模糊測(cè)度密度,j∈[1,2]為極限學(xué)習(xí)機(jī)的序號(hào)。

    2) 改進(jìn)模糊積分的融合步驟。

    當(dāng)模糊測(cè)度和模糊積分函數(shù)都確定后,再計(jì)算模糊積分。模糊積分的計(jì)算步驟為:

    ①分別將基于2種特征的待識(shí)別樣本送入改進(jìn)的ELM進(jìn)行分類,獲得決策矩陣DP;

    ③對(duì)λ取近似值-1,然后按式(10)確定待識(shí)別樣本每個(gè)特征的模糊測(cè)度值gj(Ai);

    ④將模糊測(cè)度值gj(Ai)和積分函數(shù)hj(xi)代入式(9)得到每個(gè)待識(shí)別樣本的模糊積分ej;

    ⑤對(duì)j個(gè)ELM對(duì)應(yīng)的j個(gè)模糊積分ej取大,大者對(duì)應(yīng)的ELM中的分類結(jié)果作為融合后的分類結(jié)果。基于改進(jìn)模糊積分的ELM融合原理如圖3所示。

    圖3 基于改進(jìn)模糊積分的ELM融合流程圖Fig.3 Flowchart of terrain classification using fused ELM based on improved fuzzy integral

    2 實(shí)驗(yàn)方法和結(jié)果

    2.1 實(shí)驗(yàn)方法

    本實(shí)驗(yàn)系統(tǒng)包括四輪移動(dòng)機(jī)器人、DH5922動(dòng)態(tài)信號(hào)測(cè)試分析系統(tǒng)(包括直流電壓放大器、抗混濾波器和A/D轉(zhuǎn)換器等)、三向加速度計(jì)、傳聲器、1394采集卡和臺(tái)式電腦等。移動(dòng)機(jī)器人如圖4所示,機(jī)器人總質(zhì)量約為26 kg,關(guān)于移動(dòng)機(jī)器人的更多信息可參看文獻(xiàn)[14-15]。4個(gè)三向加速度計(jì)和4個(gè)垂直向下的傳聲器分別安裝于機(jī)器人的4個(gè)輪臂上,左前輪輪臂上的加速度計(jì)和傳聲器如圖5所示。DH5922動(dòng)態(tài)信號(hào)測(cè)試分析系統(tǒng)如圖6所示。

    圖4 四輪移動(dòng)機(jī)器人Fig.4 Four-wheeled mobile robot

    圖5 左前輪輪臂上的加速度計(jì)和傳聲器Fig.5 The accelerometer and microphone installed on the left-front wheel arm

    圖6 DH5922動(dòng)態(tài)信號(hào)測(cè)試分析系統(tǒng)Fig.6 DH5922 dynamic signal test and analysis system

    選用的5種地面為:沙(中粒干沙)、碎石(外徑2~4 cm)、草、土和瀝青,其中沙、碎石和土在室內(nèi)人工鋪設(shè),長(zhǎng)為4.2 m,寬為0.8 m。在室外選取自然草地和鋪設(shè)的瀝青路面的局部作為實(shí)驗(yàn)地面。實(shí)驗(yàn)在9月中旬進(jìn)行的,草仍然較為蔥郁,草高約20 cm,草和瀝青地面取長(zhǎng)為4.2 m、寬為1.2 m。實(shí)驗(yàn)中的5種地面如圖7所示。

    注:1.沙;2.碎石;3.草;4.土;5.瀝青.圖7 實(shí)驗(yàn)中的5種地面Fig.7 Five kinds of terrains in experiments

    使移動(dòng)機(jī)器人分別以0.01、0.02、0.03、0.04、0.05 m/s五種速度在5種地面上勻速來回行駛,三向加速度計(jì)和傳聲器實(shí)時(shí)采集x向(前進(jìn))、y向(左右)、z向(上下)的加速度和z向的聲壓信號(hào),采樣頻率為500 Hz。本文只采用左前輪的y、z向加速度和z向聲壓數(shù)據(jù)對(duì)地面進(jìn)行分類。

    2.2 實(shí)驗(yàn)結(jié)果

    對(duì)y、z向加速度信號(hào)和z向聲壓信號(hào)均按512個(gè)數(shù)據(jù)點(diǎn)進(jìn)行分段,每段作為一個(gè)樣本,得到306個(gè)樣本;然后按1.1節(jié)中所描述的SVD和PSD特征提取方法分別進(jìn)行特征提?。蛔詈髮⒓铀俣刃盘?hào)和聲壓信號(hào)簡(jiǎn)單連接,形成3個(gè)樣本集,每個(gè)樣本集均含有306個(gè)樣本,在每個(gè)樣本集中隨機(jī)地選取其中一半作為訓(xùn)練集,選取另一半作為測(cè)試集。

    為了驗(yàn)證改進(jìn)極限學(xué)習(xí)機(jī)的性能,從分類準(zhǔn)確率和實(shí)時(shí)性兩個(gè)方面將該算法與BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比。BP神經(jīng)網(wǎng)絡(luò)采用的學(xué)習(xí)函數(shù)為trainlm,輸入和輸出神經(jīng)元的傳遞函數(shù)均選擇線性傳遞函數(shù)purelin,隱層神經(jīng)元的傳遞函數(shù)選擇雙曲正切S型傳遞函數(shù)tansig,目標(biāo)誤差為10-3,最大迭代次數(shù)為1 000[16]。本文所有算法程序均在Matlab 2011a環(huán)境下編寫和運(yùn)行,所用筆記本電腦的配置為: CPU:Core I3 CPU 2.20GHz;內(nèi)存:2GB RAM;操作系統(tǒng):Windows7。

    在5種速度下采用改進(jìn)的ELM和改進(jìn)模糊積分融合的ELM實(shí)現(xiàn)了5種地面的分類。在0.02 m/s和0.04 m/s下基于SVD、PSD特征約減前后的ELM、BP神經(jīng)網(wǎng)絡(luò)和基于改進(jìn)模糊積分融合的ELM對(duì)5種地面的分類結(jié)果和數(shù)據(jù)處理時(shí)間的比較如表1和表2所示。從表1和表2可以看出,在0.02 m/s和0.04 m/s下基于SVD特征的ELM節(jié)點(diǎn)分別約減了457個(gè)和610個(gè),約減后的分類平均準(zhǔn)確率分別提高了4.44%和9.54%,比BP神經(jīng)網(wǎng)絡(luò)分類平均準(zhǔn)確率分別高3.56%和4.94%;基于PSD特征的ELM節(jié)點(diǎn)分別約減了637個(gè)和601個(gè),約減后的分類平均準(zhǔn)確率分別提高了4.97%和6.54%,比BP神經(jīng)網(wǎng)絡(luò)分類平均準(zhǔn)確率分別高7.29%和12.81%。在0.02m /s和0.04 m/s下基于PSD特征未約減的ELM對(duì)碎石的分類準(zhǔn)確率分別為65.36%、63.40%,通過約減ELM冗余節(jié)點(diǎn),碎石地面的分類異常情況得到了較大的改善。

    從表1和表2還可以看出數(shù)據(jù)處理時(shí)間的不同。1) 765個(gè)樣本的訓(xùn)練時(shí)間?;赟VD特征約減前后的ELM時(shí)間相近,BP神經(jīng)網(wǎng)絡(luò)時(shí)間約是前兩者的2倍,2個(gè)約減后的ELM融合的時(shí)間約是前兩者的1.5倍;基于PSD特征約減前后的ELM時(shí)間相近,約是基于SVD特征約減前后的ELM時(shí)間的一半,BP神經(jīng)網(wǎng)絡(luò)時(shí)間約是前兩者的13倍,2個(gè)約減后的ELM融合的時(shí)間約是前兩者的3倍。2) 單個(gè)樣本的測(cè)試時(shí)間?;赟VD特征約減前后的ELM與BP神經(jīng)網(wǎng)絡(luò)三者時(shí)間相近,2個(gè)約減后的ELM融合的時(shí)間約是前三者的2倍;基于PSD特征約減前后的ELM與BP神經(jīng)網(wǎng)絡(luò)三者時(shí)間相近,約是基于SVD特征約減前后的ELM與BP神經(jīng)網(wǎng)絡(luò)三者時(shí)間的三分之一,2個(gè)約減后的ELM融合的時(shí)間約是前三者的5倍。在0.01、0.03、和0.05 m/s下,以上各分類方法對(duì)765個(gè)樣本的訓(xùn)練時(shí)間、單個(gè)樣本的測(cè)試時(shí)間與在0.02、0.04 m/s下的結(jié)果在相同的數(shù)量級(jí),也會(huì)得出如上相似的規(guī)律,這里不再贅述。綜上所述,基于改進(jìn)的ELM和改進(jìn)模糊積分融合的ELM算法均能滿足移動(dòng)機(jī)器人地面分類的實(shí)時(shí)性要求。

    表1 在0.02 m/s下約減前后的ELM、BP神經(jīng)網(wǎng)絡(luò)和基于改進(jìn)模糊積分融合的ELM對(duì)5種地面的分類結(jié)果及數(shù)據(jù)處理時(shí)間

    Table 1 Five terrains′ classification results and data processing time using ELM, subtracted ELM, BP neural network,and fused ELM at 0.02 m/s

    奇異值分解(SVD)功率譜密度(PSD)SVD+PSD未約減的ELM約減后的ELMBP神經(jīng)網(wǎng)絡(luò)未約減的ELM約減后的ELMBP神經(jīng)網(wǎng)絡(luò)2個(gè)約減后的ELM融合ELM的節(jié)點(diǎn)數(shù)和閾值765308,ε=0.6—765128,ε=0.6—ELM1:308,ε=0.6ELM2:128,ε=0.6地面種類/%沙85.6290.8589.8090.2091.5083.5092.16碎石86.9394.7787.7165.3690.8576.8094.12草93.4698.6996.8698.6998.0496.7398.69土93.4695.4291.3792.1690.2077.7892.16瀝青91.5093.4689.6792.8193.4692.8196.08平均準(zhǔn)確率/%90.2094.6491.0887.8492.8185.5294.64765個(gè)樣本的訓(xùn)練時(shí)間/s78.318579.6813156.721737.142238.0965494.2194117.7574單個(gè)樣本的測(cè)試時(shí)間/s0.09970.09960.09950.03750.03740.03750.199

    表2 在0.04 m/s下約減前后的ELM、BP神經(jīng)網(wǎng)絡(luò)和基于改進(jìn)模糊積分融合的ELM對(duì)5種地面的分類結(jié)果及數(shù)據(jù)處理時(shí)間

    Table 2 Five terrains′ classification results and data processing time using ELM, subtracted ELM, BP neural network, and fused ELM at 0.04 m/s

    奇異值分解(SVD)功率譜密度(PSD)SVD+PSD未約減的ELM約減后的ELMBP神經(jīng)網(wǎng)絡(luò)未約減的ELM約減后的ELMBP神經(jīng)網(wǎng)絡(luò)2個(gè)約減后的ELM融合ELM的節(jié)點(diǎn)數(shù)和閾值765155,ε=0.4-765164,ε=0.8-ELM1:155,ε=0.4ELM2:164,ε=0.8地面種類/%沙87.5889.5487.1983.0183.0178.3092.81碎石84.9796.0884.5863.4091.5073.8595.42草72.5597.3994.2599.3599.3591.1198.04土86.9390.2087.0686.2785.6263.2790.85瀝青84.9791.5086.9388.8994.1283.0190.85平均準(zhǔn)確率/%83.4092.9488.0084.1890.7277.9194.77765個(gè)樣本的訓(xùn)練時(shí)間/s78.216279.5160189.453037.359438.7715464.1211118.2872單個(gè)樣本的測(cè)試時(shí)間/s0.09980.09950.09940.03760.03720.03740.196

    在5種速度下基于SVD、PSD特征約減前后的ELM、BP神經(jīng)網(wǎng)絡(luò)和基于改進(jìn)模糊積分融合的ELM對(duì)5種地面的分類結(jié)果如圖8所示。從圖8可以看出,在5種速度下基于SVD和PSD特征未約減的ELM對(duì)5種地面總的分類平均準(zhǔn)確率(即5種地面在5種速度下的平均準(zhǔn)確率之和再除以5)分別為85.76%和87.16%,BP神經(jīng)網(wǎng)絡(luò)對(duì)5種地面總的分類平均準(zhǔn)確率分別為90.07%和79.85%,基于SVD和PSD特征約減后的ELM對(duì)5種地面總的分類平均準(zhǔn)確率分別為93.90%和91.98%,兩者均比未約減的ELM和BP神經(jīng)網(wǎng)絡(luò)對(duì)5種地面總的分類平均準(zhǔn)確率有較大幅度提高。

    圖8 在5種速度下基于SVD和PSD特征約減前后的ELM、BP神經(jīng)網(wǎng)絡(luò)和基于改進(jìn)模糊積分融合的ELM對(duì)5種地面分類結(jié)果的比較Fig.8 Comparison of classification results using ELM,subtracted ELM, BP neural networks and fused ELM based on SVD and PSD features at five velocities

    在5種速度下基于SVD和PSD特征采用改進(jìn)模糊積分融合的ELM對(duì)沙、碎石、草、土和瀝青地面的分類平均準(zhǔn)確率分別為93.07%、95.69%、98.30%、93.86%、95.16%,分別比單一改進(jìn)的ELM的最高分類平均準(zhǔn)確率分別提高了0.58%、1.31%、0.26%、0.52%、0.48%,平均提高了0.63%。采用改進(jìn)的模糊積分對(duì)改進(jìn)的ELM融合后5種地面總的分類平均準(zhǔn)確率(5種速度下的平均)為95.22%,比基于SVD和PSD特征采用單一改進(jìn)的ELM總的分類平均準(zhǔn)確率分別提高了1.32%和3.24%。

    3 結(jié)論

    本文針對(duì)移動(dòng)機(jī)器人地面分類問題,給出了改進(jìn)的極限學(xué)習(xí)機(jī)和改進(jìn)的模糊積分融合的方法,并對(duì)地面進(jìn)行分類;針對(duì)極限學(xué)習(xí)機(jī)隱含層節(jié)點(diǎn)存在冗余的問題,給出了基于節(jié)點(diǎn)輸出相關(guān)性的約減方法,得出以下結(jié)論:

    1) 在5種速度下基于SVD和PSD特征采用改進(jìn)的極限學(xué)習(xí)機(jī)對(duì)5種地面總的分類平均準(zhǔn)確率分別為93.90%和91.98%,比采用未約減的極限學(xué)習(xí)機(jī)總的分類平均準(zhǔn)確率分別提高了8.15%和4.81%。

    2) 針對(duì)模糊積分求解過程中存在的參數(shù)λ計(jì)算過于耗時(shí)的問題,直接取參數(shù)λ的簡(jiǎn)化值為-1。針對(duì)求解模糊積分時(shí)積分函數(shù)不容易確定的問題,給出了新的積分函數(shù)及參數(shù)α和β的取值。

    3) 基于改進(jìn)的模糊積分對(duì)改進(jìn)的ELM融合可以發(fā)揮各分類器的長(zhǎng)處,進(jìn)一步提高分類準(zhǔn)確率,在5種速度下5種地面總的分類平均準(zhǔn)確率為95.22%,比基于SVD和PSD特征采用單一改進(jìn)的極限學(xué)習(xí)機(jī)總的分類平均準(zhǔn)確率分別提高了1.32%和3.24%。

    4) 基于改進(jìn)的ELM和改進(jìn)模糊積分融合的ELM算法均能滿足移動(dòng)機(jī)器人地面分類的實(shí)時(shí)性要求。

    [1]WILCOX B H. Non-geometric hazard detection for a mars microrover[C]∥Proceedings of the Conference on Intelligent Robotics in Field, Factory, Service, and Space. Washington DC, USA, 1994: 675-684.

    [2]BROOKS C A, IAGNEMMA K D. Self-supervised terrain classification for planetary surface exploration rovers[J]. Journal of field robotics, 2012, 29(3): 445-468.

    [3]DUPONT E M, MOORE C A, COLLINS E G, et al. Frequency response method for terrain classification in autonomous ground vehicles[J]. Autonomous robots, 2008, 24(4): 337-347.

    [4]WEISS C, STARK M, ZELL A. SVMs for vibration-based terrain classification[C]∥Autonome Mobile Systeme 2007. Heidelberg, Germany, 2007: 1-7.

    [5]OJEDA L, BORENSTEIN J, WITUS G, et al. Terrain characterization and classification with a mobile robot[J]. Journal of field robotics, 2006, 23(2): 103-122.

    [6]LIBBY J, STENTZ A J. Using sound to classify vehicle-terrain interactions in outdoor environments[C] ∥Proceedings of the IEEE International Conference on Robotics and Automation. Piscataway, USA, 2012: 3559-3566.

    [7]呂志民,張武軍,徐金梧,等.基于奇異譜的降噪方法及其在故障診斷技術(shù)中的應(yīng)用[J].機(jī)械工程學(xué)報(bào),1999,35(3):85-88. LYU Zhimin, ZHANG Wujun, XU Jinwu, et al. A noise reduction method based singular spectrum and its application in machine fault diagnosis[J]. Chinese journal of mechanical engineering, 1999, 35(3): 85-88.

    [8]李強(qiáng).基于振動(dòng)信號(hào)的輪式機(jī)器人地面分類方法研究[D].哈爾濱:哈爾濱工程大學(xué),2013:75-80. LI Qiang. Research on terrain classification methods for wheeled robots based on vibration signals[D]. Harbin: Harbin Engineering University, 2013: 75-80.

    [9]沈志遠(yuǎn),王黎明,陳方林.基于有限長(zhǎng)序列分析的Welch法譜估計(jì)研究[J].計(jì)算機(jī)仿真,2010,27(12):391-395. SHEN Zhiyuan, WANG Liming, CHEN Fanglin. Research on spectral estimation using welch method based on analysis of finite-length sequence[J]. Computer simulation, 2010, 27(12): 391-395.

    [10]WELCH P D. The use of fast Fourier transform for the estimation of power spectra: A method based on time averaging over short, modied periodograms[J]. IEEE transactions on audio and electroacoustics, 1967, 15(2): 70-73.

    [11]HUANG G, ZHU Q, SIEW C. Extreme learning machine: a new learning scheme of feedforward neural networks[C] ∥Proceedings of 2004 IEEE International Joint Conference on Neural Networks. Piscataway, USA, 2004: 489-501.

    [12]申豐山,王黎明,張軍英.基于SVM技術(shù)的精簡(jiǎn)極速學(xué)習(xí)機(jī)[J].華中科技大學(xué)學(xué)報(bào):自然科學(xué)版,2014,42(6):107-110. SHEN Fengshan, WANG Liming, ZHANG Junying. Reduced extreme learning machine employing SVM technique[J]. Journal of Huazhong University of Science and Technology:natural science edition, 2014, 42(6): 107-110.

    [13]SUGENO M. Theory of fuzzy integrals and its applications[M]. Tokyo: Tokyo Institute of Technology, 1974: 7-29.

    [14]XU He, ZHANG Zhenyu, ALIPOUR K, et al. Prototypes selection by multi-objective optimal design: application to a reconfigurable robot in sandy terrain[J]. Industrial robot, 2011, 38(6): 599-613.

    [15]XU He, XU Yan, FU Hu, et al. Coordinated movement of biomimetic dual PTZ visual system and wheeled mobile robot[J]. Industrial Robot, 2014, 41(6): 557-566.

    [16]時(shí)建峰,程珩,許征程,等.小波包與改進(jìn)BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的齒輪箱故障識(shí)別[J].振動(dòng)、測(cè)試與診斷,2009,29(3):321-324. SHI Jianfeng, CHENG Heng, XU Zhengcheng, et al. Fault diagnosis of gearbox using wavelet package and improved BP neural network[J]. Journal of vibration, measurement & diagnosis, 2009, 29(3): 321-324.

    Terrain classification for mobile robots based on extreme learning machine and fuzzy integral fusion

    LI Qiang, KOU Jianhua, XU He, BAI Bing

    (College of Mechanical and Electrical Engineering, Harbin Engineering University, Harbin 150001, China)

    To enhance the accuracy of terrain classification in mobile robots, we applied two feature extraction methods-singular value decomposition and power spectrum density-to the vibration signals. With respect to the redundancy in the hidden-layer nodes of extreme learning machines (ELMs), we proposed an improved ELM for classifying the terrains. With respect to the time-consuming parameter and uncertain integral function in fuzzy integral solutions, we also proposed an improved fuzzy integral fusion algorithm for the two improved ELMs based on two features. To acquire the acceleration and sound pressure signals of the wheel-terrain interaction, we used a four-wheeled mobile robot equipped with a three-direction accelerometer and a microphone in the z direction on the left-front wheel arm. This robot then traversed sand, gravel, grass, soil, and asphalt terrains at five different velocities, respectively. We classified each of the five terrains at each velocity with the improved fuzzy integral fusion algorithm of the two improved ELMs and achieved an average classification accuracy of 95.22%. The proposed algorithms have been validated by corresponding experiments.

    mobile robot; terrain classification; vibration signals; extreme learning machine; fuzzy integral fusion; singular value decomposition; power spectrum density

    2016-03-03.

    日期:2017-03-18.

    國家自然科學(xué)基金項(xiàng)目(60775060);高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金項(xiàng)目(20122304110014).

    李強(qiáng)(1970-), 男, 副教授.

    李強(qiáng), E-mail: lq0451@126.com.

    10.11990/jheu.201602024

    TP242; TP391.4

    A

    1006-7043(2017)04-0617-08

    李強(qiáng), 寇建華, 徐賀,等.基于極限學(xué)習(xí)機(jī)與模糊積分融合的機(jī)器人地面分類[J]. 哈爾濱工程大學(xué)學(xué)報(bào), 2017, 38(4): 617-624.

    LI Qiang, KOU Jianhua, XU He,et al. Terrain classification for mobile robots based on extreme learning machine and fuzzy integral fusion[J]. Journal of Harbin Engineering University, 2017, 38(4): 617-624.

    網(wǎng)絡(luò)出版地址:http://kns.cnki.net/kcms/detail/23.1390.u.20170318.0715.006.html

    猜你喜歡
    學(xué)習(xí)機(jī)分類器準(zhǔn)確率
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)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(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析
    極限學(xué)習(xí)機(jī)綜述
    高速公路車牌識(shí)別標(biāo)識(shí)站準(zhǔn)確率驗(yàn)證法
    BP-GA光照分類器在車道線識(shí)別中的應(yīng)用
    基于極限學(xué)習(xí)機(jī)參數(shù)遷移的域適應(yīng)算法
    分層極限學(xué)習(xí)機(jī)在滾動(dòng)軸承故障診斷中的應(yīng)用
    加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
    結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機(jī)的TSK分類器
    欧美av亚洲av综合av国产av| 亚洲午夜理论影院| 亚洲一卡2卡3卡4卡5卡精品中文| 一边摸一边抽搐一进一小说| 久久精品91蜜桃| 一级作爱视频免费观看| 免费搜索国产男女视频| 少妇被粗大的猛进出69影院| 777久久人妻少妇嫩草av网站| 免费久久久久久久精品成人欧美视频| 麻豆av在线久日| 制服丝袜大香蕉在线| 变态另类丝袜制服| 在线观看免费视频日本深夜| 久久热在线av| 国产欧美日韩综合在线一区二区| 亚洲精品美女久久久久99蜜臀| 亚洲中文字幕日韩| 欧美日韩一级在线毛片| 久久国产精品男人的天堂亚洲| 亚洲五月色婷婷综合| 久久青草综合色| 桃色一区二区三区在线观看| 久久久久久久精品吃奶| 国产精品久久久人人做人人爽| 亚洲精品国产区一区二| 国产亚洲精品综合一区在线观看 | 我的亚洲天堂| 久99久视频精品免费| 丝袜美腿诱惑在线| 精品国产美女av久久久久小说| 黄网站色视频无遮挡免费观看| 久久久久久久久中文| 亚洲欧美激情综合另类| 欧美日韩乱码在线| 国产高清激情床上av| 久久久国产欧美日韩av| 久久久久久人人人人人| 麻豆久久精品国产亚洲av| 亚洲第一欧美日韩一区二区三区| 黑丝袜美女国产一区| 午夜福利一区二区在线看| 成人三级黄色视频| 女人被躁到高潮嗷嗷叫费观| 欧美性长视频在线观看| 国产人伦9x9x在线观看| 最新在线观看一区二区三区| 一区在线观看完整版| 久久精品成人免费网站| 88av欧美| 亚洲成人精品中文字幕电影| 精品福利观看| 两个人看的免费小视频| 欧美一级毛片孕妇| 国产av精品麻豆| 久久婷婷人人爽人人干人人爱 | 国产黄a三级三级三级人| 国产xxxxx性猛交| 亚洲国产欧美日韩在线播放| 少妇熟女aⅴ在线视频| 欧美一级a爱片免费观看看 | 午夜福利高清视频| 97人妻天天添夜夜摸| 看黄色毛片网站| 正在播放国产对白刺激| 非洲黑人性xxxx精品又粗又长| 亚洲国产欧美一区二区综合| 国产成人精品在线电影| 国产精品久久久久久精品电影 | 色哟哟哟哟哟哟| 欧美国产精品va在线观看不卡| 中文字幕高清在线视频| 成熟少妇高潮喷水视频| 亚洲精品久久国产高清桃花| 欧美在线一区亚洲| 黄频高清免费视频| 男女之事视频高清在线观看| 搡老妇女老女人老熟妇| 亚洲美女黄片视频| 久热爱精品视频在线9| 在线观看66精品国产| 一级黄色大片毛片| 国产成人免费无遮挡视频| 九色国产91popny在线| 欧美成人免费av一区二区三区| 性少妇av在线| 久久这里只有精品19| 99久久国产精品久久久| 91国产中文字幕| 免费观看人在逋| 国产精品二区激情视频| avwww免费| 人人妻,人人澡人人爽秒播| 国产午夜福利久久久久久| 欧美 亚洲 国产 日韩一| 真人做人爱边吃奶动态| 成人18禁高潮啪啪吃奶动态图| 欧美一级毛片孕妇| 亚洲人成伊人成综合网2020| 中文字幕人妻熟女乱码| 90打野战视频偷拍视频| 男女做爰动态图高潮gif福利片 | 国产精品久久久av美女十八| 91字幕亚洲| 波多野结衣av一区二区av| 亚洲三区欧美一区| 午夜福利影视在线免费观看| 咕卡用的链子| 国产精品亚洲美女久久久| 欧美最黄视频在线播放免费| 欧美一级a爱片免费观看看 | 一级a爱片免费观看的视频| 波多野结衣高清无吗| 亚洲美女黄片视频| 91字幕亚洲| 精品少妇一区二区三区视频日本电影| 超碰成人久久| 精品卡一卡二卡四卡免费| 亚洲 欧美一区二区三区| 亚洲天堂国产精品一区在线| 国产激情久久老熟女| 精品久久蜜臀av无| 性少妇av在线| 国产国语露脸激情在线看| 久久九九热精品免费| 亚洲精品久久国产高清桃花| cao死你这个sao货| 黄频高清免费视频| 黄色视频,在线免费观看| 成人免费观看视频高清| 88av欧美| 欧美黄色片欧美黄色片| 天堂动漫精品| 免费在线观看影片大全网站| 一区二区三区激情视频| 亚洲中文字幕一区二区三区有码在线看 | 欧美一区二区精品小视频在线| 一级毛片精品| √禁漫天堂资源中文www| 精品无人区乱码1区二区| 国产区一区二久久| 美女扒开内裤让男人捅视频| 欧美另类亚洲清纯唯美| 免费久久久久久久精品成人欧美视频| 中出人妻视频一区二区| 国产单亲对白刺激| 婷婷丁香在线五月| 亚洲天堂国产精品一区在线| 免费一级毛片在线播放高清视频 | 乱人伦中国视频| 亚洲成人久久性| 12—13女人毛片做爰片一| 在线观看www视频免费| 亚洲中文字幕日韩| 757午夜福利合集在线观看| 波多野结衣巨乳人妻| 免费在线观看日本一区| 香蕉久久夜色| 免费无遮挡裸体视频| 欧美日韩黄片免| 亚洲三区欧美一区| 国产精品1区2区在线观看.| 欧美 亚洲 国产 日韩一| 一级黄色大片毛片| 天天躁夜夜躁狠狠躁躁| 午夜福利18| 国产又爽黄色视频| 国产主播在线观看一区二区| 男女做爰动态图高潮gif福利片 | 亚洲av日韩精品久久久久久密| av视频在线观看入口| 欧美成人性av电影在线观看| 亚洲九九香蕉| 叶爱在线成人免费视频播放| 欧美日韩亚洲综合一区二区三区_| 亚洲性夜色夜夜综合| 久久人妻福利社区极品人妻图片| 俄罗斯特黄特色一大片| 丝袜美腿诱惑在线| 久久精品国产亚洲av高清一级| 欧美成人性av电影在线观看| 免费观看人在逋| av视频在线观看入口| cao死你这个sao货| 久久精品91无色码中文字幕| 一边摸一边抽搐一进一小说| 丝袜人妻中文字幕| 免费观看人在逋| 女性生殖器流出的白浆| 日韩欧美免费精品| 久久精品成人免费网站| 亚洲人成伊人成综合网2020| 婷婷丁香在线五月| 丝袜美足系列| 美女 人体艺术 gogo| а√天堂www在线а√下载| 十八禁人妻一区二区| 国产国语露脸激情在线看| 久久久久久亚洲精品国产蜜桃av| 成熟少妇高潮喷水视频| 50天的宝宝边吃奶边哭怎么回事| 人人澡人人妻人| 男男h啪啪无遮挡| 欧美日韩瑟瑟在线播放| 成人av一区二区三区在线看| 国产视频一区二区在线看| 一区二区三区激情视频| 午夜福利高清视频| 色在线成人网| 日韩欧美一区视频在线观看| 国产精品,欧美在线| 人人妻,人人澡人人爽秒播| 国产精品影院久久| 久久中文看片网| 叶爱在线成人免费视频播放| 在线观看免费日韩欧美大片| www国产在线视频色| 国产人伦9x9x在线观看| 校园春色视频在线观看| 国产亚洲欧美精品永久| 日韩大尺度精品在线看网址 | 国产私拍福利视频在线观看| av有码第一页| 久久精品国产亚洲av高清一级| 桃红色精品国产亚洲av| 久久久久久亚洲精品国产蜜桃av| av片东京热男人的天堂| 成人18禁在线播放| 国产成+人综合+亚洲专区| 色哟哟哟哟哟哟| 91成人精品电影| 日韩精品免费视频一区二区三区| 男女做爰动态图高潮gif福利片 | 久久精品国产亚洲av高清一级| 麻豆av在线久日| 在线观看日韩欧美| 狂野欧美激情性xxxx| 国内久久婷婷六月综合欲色啪| 757午夜福利合集在线观看| 日韩精品中文字幕看吧| 老熟妇乱子伦视频在线观看| 激情视频va一区二区三区| 国产精品影院久久| 亚洲精品久久成人aⅴ小说| 中文字幕人妻丝袜一区二区| 精品久久久久久久毛片微露脸| 满18在线观看网站| 午夜免费激情av| 日韩一卡2卡3卡4卡2021年| 日韩欧美在线二视频| 国产精品亚洲美女久久久| 国产精品1区2区在线观看.| 女人高潮潮喷娇喘18禁视频| 国产欧美日韩一区二区三| 亚洲狠狠婷婷综合久久图片| 波多野结衣一区麻豆| 丰满人妻熟妇乱又伦精品不卡| 国产精品亚洲美女久久久| 人人妻,人人澡人人爽秒播| 日韩成人在线观看一区二区三区| 久久精品国产清高在天天线| 国产精品av久久久久免费| 别揉我奶头~嗯~啊~动态视频| 精品欧美一区二区三区在线| 一区二区三区国产精品乱码| 国产精品亚洲一级av第二区| 国产xxxxx性猛交| 国产午夜精品久久久久久| 国产精品 国内视频| 欧美丝袜亚洲另类 | 女人被躁到高潮嗷嗷叫费观| 亚洲自拍偷在线| 黄片小视频在线播放| 午夜福利免费观看在线| 国产精品 国内视频| 无人区码免费观看不卡| 国产精品 欧美亚洲| 热re99久久国产66热| 亚洲欧美精品综合一区二区三区| 日韩免费av在线播放| 一区二区日韩欧美中文字幕| 久久久久久久午夜电影| 亚洲五月天丁香| 日韩一卡2卡3卡4卡2021年| 制服人妻中文乱码| 香蕉久久夜色| 色哟哟哟哟哟哟| av欧美777| 亚洲无线在线观看| 久久天躁狠狠躁夜夜2o2o| 老司机午夜十八禁免费视频| 午夜久久久久精精品| 无限看片的www在线观看| 亚洲国产欧美日韩在线播放| 亚洲国产看品久久| 女性生殖器流出的白浆| 丝袜人妻中文字幕| 美女扒开内裤让男人捅视频| 级片在线观看| 色老头精品视频在线观看| 一二三四在线观看免费中文在| 久久久久国产精品人妻aⅴ院| 亚洲精品在线美女| 男女下面进入的视频免费午夜 | 97人妻天天添夜夜摸| 午夜福利欧美成人| 深夜精品福利| av网站免费在线观看视频| 操美女的视频在线观看| 一区二区三区国产精品乱码| 成人特级黄色片久久久久久久| 日韩欧美一区二区三区在线观看| 亚洲精品久久国产高清桃花| 国产高清videossex| 久热爱精品视频在线9| 亚洲国产毛片av蜜桃av| 国产三级黄色录像| 久久久久国内视频| 亚洲欧美精品综合久久99| 男男h啪啪无遮挡| 妹子高潮喷水视频| 国产一区在线观看成人免费| 免费高清在线观看日韩| 久久香蕉激情| 国产精品电影一区二区三区| 精品国产亚洲在线| 亚洲,欧美精品.| 国产亚洲av嫩草精品影院| xxx96com| 久久婷婷成人综合色麻豆| 黄片小视频在线播放| 久久久久久久久久久久大奶| 成人亚洲精品av一区二区| 欧美 亚洲 国产 日韩一| 亚洲国产精品sss在线观看| 国产午夜精品久久久久久| 一区在线观看完整版| 国产在线精品亚洲第一网站| 在线观看免费视频日本深夜| 日韩欧美一区视频在线观看| 满18在线观看网站| 成人三级做爰电影| 欧美不卡视频在线免费观看 | 母亲3免费完整高清在线观看| 亚洲成国产人片在线观看| 亚洲av成人一区二区三| 纯流量卡能插随身wifi吗| 亚洲成人国产一区在线观看| 亚洲黑人精品在线| 精品久久蜜臀av无| 国产精品国产高清国产av| 国产亚洲精品第一综合不卡| 久久人妻福利社区极品人妻图片| 精品欧美国产一区二区三| 成人18禁高潮啪啪吃奶动态图| 国语自产精品视频在线第100页| 在线视频色国产色| 免费高清在线观看日韩| 国产成人av教育| 久久 成人 亚洲| 成人av一区二区三区在线看| www.999成人在线观看| 嫁个100分男人电影在线观看| 啦啦啦观看免费观看视频高清 | 精品久久久久久久毛片微露脸| 大香蕉久久成人网| 人人澡人人妻人| 欧美一区二区精品小视频在线| 国产精品爽爽va在线观看网站 | 国产成人精品在线电影| 欧美日韩福利视频一区二区| 精品国内亚洲2022精品成人| 变态另类成人亚洲欧美熟女 | 国产区一区二久久| 亚洲va日本ⅴa欧美va伊人久久| 波多野结衣av一区二区av| av视频在线观看入口| 老司机福利观看| 一级黄色大片毛片| 1024香蕉在线观看| 两性夫妻黄色片| 国产成人免费无遮挡视频| 欧美日本亚洲视频在线播放| а√天堂www在线а√下载| 免费久久久久久久精品成人欧美视频| 超碰成人久久| 国产一区在线观看成人免费| 亚洲aⅴ乱码一区二区在线播放 | 免费在线观看影片大全网站| 国产一区二区三区综合在线观看| 99香蕉大伊视频| 久久国产亚洲av麻豆专区| 欧美+亚洲+日韩+国产| 女性生殖器流出的白浆| 午夜老司机福利片| 国产亚洲精品综合一区在线观看 | 亚洲欧美一区二区三区黑人| 老司机午夜福利在线观看视频| 欧美精品亚洲一区二区| 国产91精品成人一区二区三区| 日本一区二区免费在线视频| 欧美乱色亚洲激情| 久久精品aⅴ一区二区三区四区| tocl精华| 精品国内亚洲2022精品成人| 日本黄色视频三级网站网址| 久久精品国产清高在天天线| 可以在线观看的亚洲视频| 一本综合久久免费| 两个人免费观看高清视频| 日韩大码丰满熟妇| 一级毛片高清免费大全| 男女午夜视频在线观看| 一个人观看的视频www高清免费观看 | 精品一区二区三区视频在线观看免费| 国产一区二区激情短视频| 99久久国产精品久久久| 色综合婷婷激情| 777久久人妻少妇嫩草av网站| 午夜福利18| 日韩av在线大香蕉| 中文字幕最新亚洲高清| 999久久久精品免费观看国产| 在线天堂中文资源库| 免费在线观看亚洲国产| 99国产精品一区二区三区| 久久精品aⅴ一区二区三区四区| 亚洲人成电影观看| 日日夜夜操网爽| 久久久久亚洲av毛片大全| 久久精品国产亚洲av高清一级| 日本三级黄在线观看| 国产午夜福利久久久久久| 女性生殖器流出的白浆| 性欧美人与动物交配| 国产精品1区2区在线观看.| 88av欧美| 日本vs欧美在线观看视频| 女性被躁到高潮视频| 国产精品,欧美在线| 日韩有码中文字幕| 欧美乱色亚洲激情| 国产蜜桃级精品一区二区三区| 成人免费观看视频高清| 国产区一区二久久| 变态另类成人亚洲欧美熟女 | www.熟女人妻精品国产| 亚洲 国产 在线| cao死你这个sao货| 99精品在免费线老司机午夜| 97人妻精品一区二区三区麻豆 | 两个人免费观看高清视频| 亚洲人成电影免费在线| 久久久久国产精品人妻aⅴ院| 欧美黑人欧美精品刺激| 可以免费在线观看a视频的电影网站| 久热爱精品视频在线9| 久久久久久大精品| 色av中文字幕| 精品电影一区二区在线| 欧美在线一区亚洲| 国内精品久久久久精免费| 国产在线观看jvid| 久久久国产成人免费| 亚洲一区中文字幕在线| 亚洲精品国产精品久久久不卡| 高清在线国产一区| 午夜福利欧美成人| 日本撒尿小便嘘嘘汇集6| 变态另类成人亚洲欧美熟女 | 国产精品 欧美亚洲| 老司机靠b影院| 午夜亚洲福利在线播放| 最新美女视频免费是黄的| 神马国产精品三级电影在线观看 | 精品久久久精品久久久| av视频免费观看在线观看| 别揉我奶头~嗯~啊~动态视频| 老司机深夜福利视频在线观看| 亚洲,欧美精品.| 亚洲成a人片在线一区二区| 国产精品1区2区在线观看.| 久久香蕉国产精品| 精品久久久久久成人av| ponron亚洲| 国产精品久久久久久人妻精品电影| 看免费av毛片| 午夜福利欧美成人| 无人区码免费观看不卡| 999久久久精品免费观看国产| cao死你这个sao货| 波多野结衣巨乳人妻| 18禁国产床啪视频网站| 老司机午夜十八禁免费视频| 久久精品91蜜桃| 亚洲av熟女| 在线观看舔阴道视频| 亚洲激情在线av| 狂野欧美激情性xxxx| 少妇粗大呻吟视频| 给我免费播放毛片高清在线观看| 久久精品亚洲精品国产色婷小说| 欧美黑人欧美精品刺激| 亚洲av电影不卡..在线观看| 精品一区二区三区视频在线观看免费| 亚洲av第一区精品v没综合| 日日摸夜夜添夜夜添小说| 一进一出好大好爽视频| 欧美色欧美亚洲另类二区 | 国产伦人伦偷精品视频| 啦啦啦韩国在线观看视频| 在线观看免费视频网站a站| 禁无遮挡网站| 岛国在线观看网站| 女性生殖器流出的白浆| 黑人欧美特级aaaaaa片| 亚洲第一av免费看| 精品无人区乱码1区二区| 不卡一级毛片| av超薄肉色丝袜交足视频| 国产熟女xx| 老汉色av国产亚洲站长工具| 国产精品久久电影中文字幕| 亚洲精品在线观看二区| 欧美乱妇无乱码| 又黄又爽又免费观看的视频| 久久精品人人爽人人爽视色| 最近最新中文字幕大全电影3 | 欧美最黄视频在线播放免费| 国产蜜桃级精品一区二区三区| 在线av久久热| 午夜精品国产一区二区电影| 又大又爽又粗| 岛国在线观看网站| 黑丝袜美女国产一区| 免费观看精品视频网站| 丰满的人妻完整版| 成年女人毛片免费观看观看9| 精品电影一区二区在线| 久久精品成人免费网站| 亚洲va日本ⅴa欧美va伊人久久| 视频区欧美日本亚洲| 淫妇啪啪啪对白视频| 国产免费av片在线观看野外av| www国产在线视频色| 黑人巨大精品欧美一区二区蜜桃| 国产亚洲av嫩草精品影院| 精品福利观看| 51午夜福利影视在线观看| 精品久久久久久久人妻蜜臀av | av超薄肉色丝袜交足视频| 又黄又粗又硬又大视频| 久久久久久大精品| 脱女人内裤的视频| 久久中文看片网| 日本三级黄在线观看| 男女午夜视频在线观看| 国产精品 国内视频| 天天一区二区日本电影三级 | 国产日韩一区二区三区精品不卡| 两个人免费观看高清视频| 精品日产1卡2卡| 亚洲国产精品sss在线观看| 可以在线观看的亚洲视频| 国产一区二区三区视频了| 十八禁人妻一区二区| 久久精品国产99精品国产亚洲性色 | 精品高清国产在线一区| 亚洲精品国产精品久久久不卡| 国产日韩一区二区三区精品不卡| av在线播放免费不卡| 桃色一区二区三区在线观看| 国产精品影院久久| 亚洲人成伊人成综合网2020| 日韩免费av在线播放| av福利片在线| 老汉色∧v一级毛片| 给我免费播放毛片高清在线观看| 国产精品亚洲一级av第二区| www.www免费av| 中文亚洲av片在线观看爽| 一本久久中文字幕| 国产精品亚洲一级av第二区| 国产精品久久久久久人妻精品电影| 亚洲va日本ⅴa欧美va伊人久久| 叶爱在线成人免费视频播放| 99久久99久久久精品蜜桃| 淫秽高清视频在线观看| 丁香六月欧美| 美女高潮到喷水免费观看| 可以在线观看毛片的网站| 黄色视频不卡| 久久 成人 亚洲| 亚洲中文av在线| 久久国产亚洲av麻豆专区| 亚洲精品国产精品久久久不卡| 亚洲 欧美一区二区三区| 亚洲精品美女久久av网站| 精品国内亚洲2022精品成人| 国产一区二区三区综合在线观看| 一级毛片女人18水好多| 国产一区二区三区综合在线观看| 怎么达到女性高潮| 国产黄a三级三级三级人| 脱女人内裤的视频| 国产精品九九99| 91九色精品人成在线观看| 国产伦人伦偷精品视频| 欧美日韩瑟瑟在线播放| 电影成人av| 亚洲三区欧美一区| 欧美乱妇无乱码| 一进一出抽搐gif免费好疼| 国产国语露脸激情在线看| 亚洲精品在线观看二区|