• <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 ?

    極速非線性判別分析網絡

    2018-06-29 00:54:24謝群輝陳松燦
    數據采集與處理 2018年3期
    關鍵詞:隱層投影可視化

    謝群輝 陳松燦

    (南京航空航天大學計算機科學與技術學院,南京,211106)

    引 言

    線性判別分析(Linear discriminant analysis,LDA)是一種流行的有監(jiān)督數據降維和可視化工具,廣泛用于模式識別和機器學習等各個領域[1-2];它最大化類間散度的同時最小化類內散度,提取數據特征,將高維投影到2~3維即獲得可視化,能更直觀理解和探索潛在的數據結構[3],有利于其后續(xù)的分類算法獲得更好的泛化性能。判別分析可分為線性型和非線性型兩大類,上述提及的LDA[4]是線性型的代表之一,而傳統(tǒng)的非線性判別方法主要包括神經網絡和核方法,如核LDA(Kernel linear discriminant analysis,KLDA)[5],流形判別分析[6],(深度)神經網絡[7-8]和深度判別分析[9]等。其中KLDA采用核函數將輸入樣本映射到高維特征空間,而后利用LDA進行線性分類。而神經網絡(Neural network,NN)則通過多層結構的非線性變換將輸入映射到輸出空間以實現非線性判別。盡管NN缺乏核方法那樣的簡潔表示方式,但NN所具有的分布并行特點和其對連續(xù)函數的萬能逼近性使其獲得了廣泛應用。事實上,基于NN的判別分析可追溯到1995年Mao和Jain的先驅性工作[10],即神經網絡判別分析方法(Neural networks discriminant analysis,NNDA),該工作促發(fā)了眾多非線性化分類和可視化研究。目前該文被引數已超680次,并在1996年獲得了IEEE TNN期刊年度最佳論文獎[11]。然而,與其他多層前向網絡訓練類似,NNDA存在優(yōu)化收斂速度慢、易陷入局部最小、且因網絡結構復雜易導致過擬合等問題。1999年由Scholkopft等[12]提出的KLDA,利用核技巧避免了NNDA復雜的優(yōu)化。相對NNDA,其判別投影僅需通過求解一廣義特征值方程即可獲得解析解,不僅快速而且學習性能優(yōu)良,因而受到廣泛關注和應用,該工作目前的引用數已超2 240次。

    然而傳統(tǒng)的KLDA在學習過程中存在數據的可伸縮性問題[13],當數據量增加到一定規(guī)模后,算法所學得的判別方向復雜度與訓練樣本數成線性增長,這在常規(guī)計算資源上已難以勝任相應的學習。相比KLDA的這種復雜性,本文所提出的ENDA算法本身只線性于隱節(jié)點數,而獨立于訓練樣本數,在現實應用中,隱節(jié)點數通常比訓練樣本數要小很多。因此,當實驗數據規(guī)模變大時,在保證分類性能的前提下,ENDA計算成本比KLDA更小。另一方面,近年來的眾多研究表明[14],對傳統(tǒng)NN(如卷積網絡)的深化學習能大大提升圖像分類[8]、語音識別[15]和自然語言處理[16]等的識別性能,由此也促發(fā)了對NNDA向深度化學習[17]的研究,在對NNDA的跟蹤研究發(fā)現,此類研究主要有兩大趨勢:(1)網絡變大變深的深度學習;(2)限于常規(guī)計算資源的加速化(例如典型ELM)極速學習。然而深度學習的成功往往需付出高昂的代價,是因為:(1)深度學習需要學習大量參數,樣本少了很易“過擬合”,數據大小成為其性能提升的關鍵[18];(2)模型復雜化需要龐大的計算資源和巨大的時間開銷。而“沒有免費午餐定理”告訴人們:算法的優(yōu)劣必須針對具體的學習任務,其有效性必須考慮“偏好”問題,結果是:(1)時間開銷大和計算資源缺乏,即難以在常規(guī)計算資源下完成深度學習;(2)所需要的大數據的標記涉及昂貴的人力和物力等問題。 綜上所述,當數據規(guī)模達不到深度學習要求的情況下(在機器學習UCI儲存數據庫公布的348個數據集當中,296個數據集的主要樣本例數集中在50 000個以下,約占85%),如何在常用PC計算資源下進行更有效的學習變得更有意義和更加緊迫,所以筆者更偏重于NN加速化的研究。在保證分類性能的前提下,ENDA能迅速處理這類常規(guī)數據的分類任務,與傳統(tǒng)NNDA不同是因為其利用了快速、可靠的隨機映射。

    最新研究表明[19]使用隨機投影的簡單NN與人類學習具有很大相關性和相似魯棒性。因此也為10年前采用此原理的極速學習機(Extreme learning machine,ELM)提供了認知原理上的解釋,盡管ELM被提出以來得到了廣泛關注,并已在特征學習、分類、回歸和聚類[20]等方面獲得了一系列拓展,但就筆者所知,還未有對NNDA相應的ELM改造。本文基于這一事實,對NNDA進行極速化,構建出一種極速非線性判別分析方法(Extreme nonlinear discriminant analysis,ENDA),使其兼具NNDA的萬能逼近能力和KLDA能解析獲得全局最優(yōu)解的快速性。最后在UCI機器學習庫真實數據集上進行實驗,結果顯示ENDA比KLDA和NNDA具有更優(yōu)的分類性能。

    1 極速學習機模型

    極限學習機ELM[21]是一種特殊單隱層前向神經網絡(Single-hidden layer feedforward neural networks,SLFN),由Huang等人于2004年提出,目前已獲得了1 180多次引用。不同于SLFN傳統(tǒng)梯度下降學習算法,ELM隨機產生輸入層到隱層權重和偏置,克服SLFN反復迭代計算導致的收斂慢、且不能保證全局最優(yōu)解等問題。在優(yōu)化隱節(jié)點和輸出節(jié)點的權重上,ELM采用正則化最小二乘法快速求得閉合解[22]。ELM由輸入層,隱層和輸出層3層網絡組成,其中隱節(jié)點常用非線性激活函數。典型的非線性激活函數包括Sigmoid函數、高斯函數和徑向基函數。不失一般性,這里采用式(1)中的Sigmoid函數作為隱層神經元的激活函數

    (1)

    ELM不僅有速度上優(yōu)勢,更重要的是理論上也證明了其具有與SLFN同樣的對非線性分段連續(xù)函數的萬能逼近能力[23]。其學習過程可視為兩步:(1)確定網絡NN隱層的神經元數,隨機設置輸入權重和偏差;(2)確定網絡權重。在特征空間中通過使訓練誤差平方和最小解析求得輸出權重的最小范數解,達到優(yōu)化輸出權重的目的。ELM除了快速外還能實現對不同類型數據的分析,并已漸漸成為一種新型的快速學習范式。

    (2)

    (3)

    (4)

    (5)

    式中βi=[βi1,βi2,…,βim]T為輸出權重。因此最終優(yōu)化問題式(4)可重寫為

    (6)

    (7)

    式中I為單位矩陣。利用式(7)可快速計算B[22]。ELM從理論和經驗上獲得了性能保證[24]。借助其思想,擬對由Mao和Jain所提出的NNDA進行極速化改造,建立ENDA模型。

    2 極速非線性判別分析網絡

    Mao等人的NNDA屬于淺層網絡,其目標是學習非線性降維,但其遺傳了SLFN的訓練慢、易陷于局部最優(yōu)的缺點。同時基于深度學習思想實現的多層ELM[25-26],能夠實現對海量數據的建模,盡管能獲得比深度網絡相對快的訓練,但對本文所要處理的數據規(guī)模仍顯得“大材小用”,偏離了傳統(tǒng)ELM簡單易解的特性。本文目的在于極速化NNDA ,使ENDA在常規(guī)計算設施上能處理比NNDA更大規(guī)模的數據集,同時繼承了ELM能解析求解的優(yōu)點。ENDA網絡結構如圖1所示,具體分兩步:(1)隨機生成NN的輸入層連接權重和偏置,構成了一個隨機映射,結果使模型具有簡單快速性;(2)視隱層輸出為新形成的訓練數據,用LDA準則優(yōu)化進輸出層連接權重,同時可用于可視化。同ELM求解一樣,不僅無局部最小,并且能快速解析求得全局閉合最優(yōu)解,最后形成一個新的判別特征空間,而后用所獲特征對目標進行分類。由于采用了隨機非線性變換和后續(xù)的判別優(yōu)化,使ENDA對數據有著自適應性和期望的分類性能。

    圖1 ENDA網絡結構圖Fig.1 Structure of ENDA Network

    (8)

    (9)

    (10)

    (11)

    (12)

    然后對其進行判別分析求解,最大化J(W)等價于求解如下廣義特征問題,即

    SbW=λSwW

    (13)

    算法1ENDA算法

    步驟2計算ENDA的隱層輸出hi(通過式(2));

    3 仿真及性能分析

    3.1 設置

    實驗環(huán)境如下:MATLAB2013a,Intel(R) CoreTMi5-3470 CPU @3.20 GHz,16.0 GB內存,64位Win10操作系統(tǒng)。 如表1所示,實驗所用數據為UCI(http://archive.ics.uci.edu/ml/)數據集。實驗前需對數據進行了歸一化,然后將處理后的數據作為ENDA的輸入進行訓練。為了驗證模型的有效性,將ENDA算法與NNDA,KLDA,ELM算法進行了比較分析,為公平起見,NNDA,ELM與ENDA的隱層節(jié)點參數相同,統(tǒng)一使用K近鄰算法(K-Nearest Neighbor),分別對NNDA,KLDA和ENDA進行分類。實驗過程中參數K采用10折交叉驗證。

    表1 UCI數據集

    3.2 可視化

    為驗證ENDA模型的非線性特征學習能力,實驗中隨機抽取UCI的4組數據集通過模型投影到二維空間進行可視化,結果如圖2~5所示。

    圖2 Wine數據集的可視化Fig.2 Wine dataset visualized by three algorithms

    圖3 Segment數據集的可視化Fig.3 Segment dataset visualized by three algorithms

    圖4 Waveform3數據集的可視化Fig.4 Waveform3 dataset visualized by three algorithms

    圖5 Pen-Digits數據集的可視化Fig.5 Pen-Digits dataset visualized by three algorithms

    由圖2~5可以觀察到樣本分別經過NNDA,ENDA和KLDA方法投影二維投影空間后的效果:數據經過投影之后都具有最大的分離度,其中ENDA和KLDA投影分類效果更直觀有效。同時實驗結果表明對數據線性不可分問題,非線性變換是一個強大的方法。

    在隱節(jié)點參數設置相同情況下,NNDA不僅花費的訓練時間更長,而且投影出來效果分離程度并不明顯,如圖4,5所示,其原因有:(1)NNDA最后隱層到輸出層訓練權重并沒有充分利用;(2)NNDA為避免扭曲嚴重,以線性函數替代Sigmoid函數。在圖4,5中,隨著數據規(guī)模和特征屬性逐漸復雜情況下,ENDA,KLDA比NNDA分類投影后數據分開,抽取特征更明顯。ENDA與KLDA投影效果差別不大,但KLDA的不足表現在對數據集規(guī)模較大樣本,計算時間和空間復雜度變大。綜上所述ENDA可作為一種極速且穩(wěn)定的可視化工具,其原理簡單直觀,通過可視化可以更加了解數據的內在特性,同時在判別分析時提取最大特征,不僅降低數據中的不相關和冗余信息,同時有利于數據的后續(xù)分類。

    3.3 性能分析

    對KLDA,NNDA,ELM和ENDA這4種相關算法進行實驗對比,NNDA,ELM和ENDA隱層節(jié)點設置為相同參數,采用統(tǒng)計測試集數據分類的錯誤率和時間進行對比分析。實驗結果為10次測試結果平均值和標準差,如表2所示。其中錯誤率公式為

    表2 錯誤率和耗時比較

    表2中*代表溢出,性能較好結果用粗體標出。雖然ELM是4種方法里最快速的,但ENDA的分類性能相比ELM得到很大提升。從綜合情況看,當數據規(guī)模逐漸變大的情況下,ENDA算法始終表現出較好分類精度和快速性。分析原因如下:(1)實驗中發(fā)現NNDA需要訓練多層神經網絡權重和偏置,導致學習效率低、開銷大; NNDA雙隱層網絡結構致使參數增多,而ENDA通過隨機映射簡化了模型結構,只需要優(yōu)化LDA層權重,就可以達到比NNDA更好的效果。(2)NNDA不僅時間花費巨大,而性能并沒有得到改善,從表2中ENDA和NNDA分類結果可以看出,ENDA性能更優(yōu)。由于NNDA在最后一個隱層到輸出層訓練出的權重并沒發(fā)揮訓練作用,而且NNDA為了防止變形嚴重用線性函數替代了Sigmoid函數,導致學習效果不理想。

    從表2中耗時結果可看出,ENDA比KLDA計算更快速。隨著數據集規(guī)模增大,除了Wine數據集外,ENDA的表現明顯,準確性更高。這是因為KLDA隱節(jié)點數與訓練樣本數呈線性關系(計算復雜度為N3),需要計算N×N大小的核矩陣,而ENDA只與隱節(jié)點數的大小呈線性關系,只需計算N×L大小的核矩陣,而隱節(jié)點參數L通常遠小于N,當數據規(guī)模變大時,KLDA計算成本較高甚至溢出,而ENDA則表現出更好的可伸縮性。

    綜上所述,ENDA比NNDA,KLDA更具有極速性,這充分表明隨機映射在不影響分類性能前提下大幅度降低了NN的復雜性。與KLDA不同的是,ENDA,NNDA,ELM都充分發(fā)揮了NN的萬能逼近能力,而ENDA不僅強化了隨機映射,而且能保證全局最優(yōu)解析解,使學習更加迅速和魯棒。

    4 結束語

    本文探討了LDA三種非線性化方法。受隨機映射啟發(fā),將NNDA進行改造,提出ENDA算法,避免了NNDA需要迭代的調整權重和易陷入局部最優(yōu)等問題,并且具有KLDA的全局最優(yōu)特性,同時又避免了KLDA對樣本依賴的影響,使其更具極速性和魯棒性。

    由于ENDA隨機設置權重和偏置帶來的不穩(wěn)定性,很容易聯想到集成的學習方法,利用對樣本數據進行重采樣技術[27-28]加強分類器泛化性能,對于同質或異質個體學習器集成學習,可使整個模型決策更加智能化。通常對產生的個體學習器進行集成的學習算法涉及稀疏修剪或多樣性的度量相關[29]。多樣性度量能確保信息完整性,而稀疏化建立原則是在不使用更多的個體學習器的情況下就能達到剪枝的目的。Yin等人[30]提出同時結合稀疏正則化和多樣性度量這兩種方法用于凸二次規(guī)劃求解,極大地改進了集成泛化性能,并有利于大規(guī)模數據的并行分布式表示[31-32],具有很好的擴展性,這將是下一步研究內容。

    參考文獻:

    [1] 杜海順, 張平, 張帆. 一種基于雙向 2DMSD 的人臉識別方法[J]. 數據采集與處理, 2010, 25(3): 369-372.

    Du Haishun, Zhang Ping, Zhang Fan. Face recognition method based on bidirectional two-dimensional maximum scatter difference[J].Journal of Data Acquisition and Processing, 2010, 25(3): 369-372.

    [2] 牛璐璐, 陳松燦, 俞璐. 線性判別分析中兩種空間信息嵌入方法之比較[J]. 計算機科學, 2014, 41(2): 49-54.

    Niu Lulu, Chen Songcan, Yu Lu. Comparison between two approaches of embedding spatial information into linear discriminant analysis[J]. Computer Science, 2014, 41(2): 49-54.

    [3] Zhang X Y, Huang K, Liu C L. Feature transformation with class conditional decorrelation[C]//2013 IEEE 13th International Conference on Data Mining. Dallas, Texas:IEEE,2013:887-896.

    [4] Izenman A J. Linear discriminant analysis[M].New York:Springer, 2013: 237-280.

    [5] Baudat G, Anouar F. Generalized discriminant analysis using a kernel approach[J]. Neural Computation, 2000, 12(10): 2385-2404.

    [6] Wang R, Chen X. Manifold discriminant analysis[C]// IEEE Conference on Computer Vision and Pattern Recognition, 2009, CVPR 2009. Anchorage, Alaska: IEEE, 2009: 429-436.

    [7] Stuhlsatz A, Lippel J, Zielke T. Feature extraction with deep neural networks by a generalized discriminant analysis[J]. Neural Networks and Learning Systems, IEEE Transactions on, 2012, 23(4): 596-608.

    [8] Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521(7553): 436-444.

    [9] Wu L, Shen C, Hengel A V D. Deep linear discriminant analysis on fisher networks: A hybrid architecture for person reidentification[J]. Pattem Recognition, 2016,65:238-250.

    [10] Mao J, Jain A K. Artificial neural networks for feature extraction and multivariate data projection[J]. Neural Networks, IEEE Transactions on, 1995, 6(2): 296-317.

    [11] Hassoun M H. 1996 IEEE transactions on neural networks outstanding paper award[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 1996(4): 802-802.

    [12] Scholkopft B, Mullert K R. Fisher discriminant analysis with kernels[J]. Neural Networks for Signal Processing IX, 1999,1:1.

    [13] Cai D, He X, Han J. Speed up kernel discriminant analysis[J]. The VLDB Journal, 2011, 20(1): 21-33.

    [14] Sermanet P, Eigen D, Zhang X, et al. Overfeat: Integrated recognition, localization and detection using convolutional networks[J]. arXiv Preprint arXiv, 2013:1312.6229.

    [15] Hinton G, Deng L, Yu D, et al. Deep neural networks for acoustic modeling in speech recognition: The shared views of four research groups[J].IEEE Signal Processing Magazine, 2012, 29(6): 82-97.

    [16] Collobert R, Weston J, Bottou L, et al. Natural language processing (almost) from scratch[J]. The Journal of Machine Learning Research, 2011, 12: 2493-2537.

    [17] Huang G B, Wang D H, Lan Y. Extreme learning machines:A survey[J]. International Journal of Machine Learning and Cybernetics, 2011, 2(2): 107-122.

    [18] Hu G, Peng X, Yang Y, et al. Frankenstein: Learning deep face representations using small data[J]. IEEE Trans Image Process,2017,27(1):293-303.

    [19] Arriaga R I, Rutter D, Cakmak M, et al. Visual categorization with random projection[J]. Neural Computation, 2015, 27(10): 2132.

    [20] 劉金勇, 鄭恩輝, 陸慧娟. 基于聚類和微粒群優(yōu)化的基因選擇方法[J]. 數據采集與處理, 2014, 29(1):83-89.

    Liu Jinyong, Zheng Enhui, Lu Huijuan. Gene selection based on clustering method and particle swarm optimazition[J].Journal of Data Acquisition and Processing, 2014, 29(1):83-89.

    [21] Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: A new learning scheme of feedforward neural networks[C]∥Proc IJCNN.Budapest, Hungary:[s.n.],2004(2):985-990.

    [22] Tang J, Deng C, Huang G B. Extreme learning machine for multilayer perceptron[J]. IEEE Transactions on Neural Networks and Learning Systems, 2016, 27(4): 809-821.

    [23] Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: Theory and applications[J]. Neurocomputing, 2006, 70(1): 489-501.

    [24] Huang G B. What are extreme learning machines? Filling the gap between frank rosenblatt′s dream and John von neumann′s puzzle[J]. Cognitive Computation, 2015, 7(3): 263-278.

    [25] Tang J, Deng C, Huang G B. Extreme learning machine for multilayer perceptron[J]. IEEE Transactions on Neural Networks & Learning Systems, 2016, 27(4):809-821.

    [26] Kasun L L C, Zhou H, Huang G B, et al. Representational learning with ELMs for big data[J]. IEEE Intelligent Systems, 2013, 28(6): 31-34.

    [27] Breiman L. Bagging predictors[J]. Machine Learning, 1996, 24(2): 123-140.

    [28] Schapire R E, Freund Y, Bartlett P, et al. Boosting the margin: A new explanation for the effectiveness of voting methods[J]. The Annals of Statistics, 1998, 26(5): 1651-1686.

    [29] Kuncheva L I, Whitaker C J. Measures of diversity in classifier ensembles and their relationship with the ensemble accuracy[J]. Machine Learning, 2003, 51(2): 181-207.

    [30] Yin X C, Huang K, Yang C, et al. Convex ensemble learning with sparsity and diversity[J]. Information Fusion, 2014, 20: 49-59.

    [31] Wang H, He Q, Shang T, et al. Extreme learning machine ensemble classifier for large-scale data[C]//Proceedings of ELM-2014. Singapore: Springer International Publishing, 2015: 151-161.

    [32] Van Heeswijk M, Miche Y, Oja E, et al. GPU-accelerated and parallelized ELM ensembles for large-scale regression[J]. Neurocomputing, 2011, 74(16): 2430-2437.

    猜你喜歡
    隱層投影可視化
    基于CiteSpace的足三里穴研究可視化分析
    基于Power BI的油田注水運行動態(tài)分析與可視化展示
    云南化工(2021年8期)2021-12-21 06:37:54
    解變分不等式的一種二次投影算法
    基于最大相關熵的簇稀疏仿射投影算法
    基于CGAL和OpenGL的海底地形三維可視化
    “融評”:黨媒評論的可視化創(chuàng)新
    傳媒評論(2019年4期)2019-07-13 05:49:14
    找投影
    找投影
    學生天地(2019年15期)2019-05-05 06:28:28
    基于RDPSO結構優(yōu)化的三隱層BP神經網絡水質預測模型及應用
    人民珠江(2019年4期)2019-04-20 02:32:00
    基于近似結構風險的ELM隱層節(jié)點數優(yōu)化
    計算機工程(2014年9期)2014-06-06 10:46:47
    国产精品久久久久久精品电影小说| avwww免费| 欧美日韩成人在线一区二区| 日韩精品免费视频一区二区三区| 久久久久久久大尺度免费视频| 高清黄色对白视频在线免费看| 国产又爽黄色视频| 国产成人免费观看mmmm| 大陆偷拍与自拍| 亚洲中文字幕日韩| 一本久久精品| 国产av国产精品国产| 淫妇啪啪啪对白视频 | 青草久久国产| 国产精品久久久人人做人人爽| 日韩制服骚丝袜av| 午夜福利一区二区在线看| 一区福利在线观看| 青春草亚洲视频在线观看| 午夜视频精品福利| 亚洲专区国产一区二区| 免费不卡黄色视频| 久久 成人 亚洲| 自拍欧美九色日韩亚洲蝌蚪91| 成年人黄色毛片网站| 精品熟女少妇八av免费久了| 波多野结衣一区麻豆| 美女大奶头黄色视频| 大香蕉久久网| 最新的欧美精品一区二区| 日本黄色日本黄色录像| 久久人妻熟女aⅴ| 免费在线观看黄色视频的| 真人做人爱边吃奶动态| 日本av手机在线免费观看| 亚洲成人免费电影在线观看| 亚洲五月色婷婷综合| a级片在线免费高清观看视频| 亚洲精品国产精品久久久不卡| 人人妻人人澡人人看| 中文精品一卡2卡3卡4更新| 亚洲欧美一区二区三区久久| 在线观看免费午夜福利视频| 丰满迷人的少妇在线观看| 久久国产精品影院| 狂野欧美激情性xxxx| 亚洲精品av麻豆狂野| 国产一级毛片在线| 90打野战视频偷拍视频| 欧美日韩黄片免| av欧美777| 丝袜美足系列| 天天躁夜夜躁狠狠躁躁| 黑人欧美特级aaaaaa片| 少妇 在线观看| 欧美日韩福利视频一区二区| 天堂8中文在线网| 中文字幕人妻丝袜制服| 中文字幕色久视频| 女性生殖器流出的白浆| bbb黄色大片| 亚洲视频免费观看视频| 亚洲精品久久久久久婷婷小说| 在线观看人妻少妇| 久久中文字幕一级| 亚洲伊人色综图| 亚洲精品国产精品久久久不卡| 又紧又爽又黄一区二区| 成人国产一区最新在线观看| 午夜视频精品福利| 日本欧美视频一区| 亚洲国产日韩一区二区| 亚洲精品av麻豆狂野| 91大片在线观看| √禁漫天堂资源中文www| 成年人黄色毛片网站| 国产色视频综合| 国产一区二区三区av在线| 99热国产这里只有精品6| 99精国产麻豆久久婷婷| 亚洲av电影在线观看一区二区三区| 午夜福利视频精品| 桃红色精品国产亚洲av| 色综合欧美亚洲国产小说| 亚洲精品av麻豆狂野| 国产成人欧美| 啦啦啦啦在线视频资源| 亚洲av美国av| 日韩欧美免费精品| 老司机影院毛片| 精品人妻1区二区| 久久精品亚洲熟妇少妇任你| 午夜免费成人在线视频| 老熟女久久久| 啦啦啦 在线观看视频| 丰满少妇做爰视频| 成人国产一区最新在线观看| 大型av网站在线播放| 国产一级毛片在线| 五月开心婷婷网| 精品久久久久久电影网| 国产欧美日韩精品亚洲av| a级毛片在线看网站| av在线app专区| 99精品欧美一区二区三区四区| 亚洲自偷自拍图片 自拍| 亚洲av成人不卡在线观看播放网 | 日韩一区二区三区影片| 亚洲伊人久久精品综合| 久久久久久久精品精品| 人成视频在线观看免费观看| 亚洲欧洲日产国产| 丝袜美腿诱惑在线| 可以免费在线观看a视频的电影网站| 久久久久精品人妻al黑| 黄色片一级片一级黄色片| 另类亚洲欧美激情| 两性夫妻黄色片| 午夜免费观看性视频| 性色av乱码一区二区三区2| 亚洲精品中文字幕在线视频| 99国产精品一区二区三区| 欧美日韩黄片免| av天堂在线播放| 日韩欧美一区视频在线观看| 高清视频免费观看一区二区| 久久久精品免费免费高清| 美女午夜性视频免费| 宅男免费午夜| 中文字幕人妻丝袜制服| 日本av免费视频播放| 精品一区二区三区四区五区乱码| 亚洲精品乱久久久久久| 亚洲av电影在线观看一区二区三区| 国产成+人综合+亚洲专区| 国产精品一二三区在线看| 久久国产精品男人的天堂亚洲| 国产一区二区激情短视频 | 亚洲一区中文字幕在线| 乱人伦中国视频| 中文字幕人妻丝袜制服| 久久热在线av| 午夜免费成人在线视频| 一区二区三区精品91| 丰满迷人的少妇在线观看| 久久人人97超碰香蕉20202| 成年美女黄网站色视频大全免费| 精品第一国产精品| 久久久国产欧美日韩av| 91麻豆精品激情在线观看国产 | 国产免费现黄频在线看| 国产91精品成人一区二区三区 | 国产亚洲欧美在线一区二区| 亚洲av国产av综合av卡| 18禁裸乳无遮挡动漫免费视频| 两个人看的免费小视频| 日日摸夜夜添夜夜添小说| 曰老女人黄片| 天天躁夜夜躁狠狠躁躁| 欧美变态另类bdsm刘玥| 亚洲精品中文字幕一二三四区 | √禁漫天堂资源中文www| 欧美激情久久久久久爽电影 | 午夜福利,免费看| 一进一出抽搐动态| 亚洲精品一卡2卡三卡4卡5卡 | 久久国产精品人妻蜜桃| 在线观看人妻少妇| 国产熟女午夜一区二区三区| 女性被躁到高潮视频| 18禁国产床啪视频网站| 99热网站在线观看| 日韩 亚洲 欧美在线| 久久亚洲国产成人精品v| 99热国产这里只有精品6| 久久久久网色| 黄色视频不卡| 国产男女内射视频| 另类精品久久| 天堂中文最新版在线下载| 青春草亚洲视频在线观看| 久久精品国产a三级三级三级| 51午夜福利影视在线观看| 亚洲欧洲精品一区二区精品久久久| 午夜视频精品福利| cao死你这个sao货| 黑人欧美特级aaaaaa片| tube8黄色片| 青草久久国产| a 毛片基地| 深夜精品福利| 99久久精品国产亚洲精品| 欧美性长视频在线观看| 欧美激情极品国产一区二区三区| 中文字幕最新亚洲高清| 精品亚洲成a人片在线观看| 中国美女看黄片| 真人做人爱边吃奶动态| 久久久精品免费免费高清| 国产国语露脸激情在线看| www日本在线高清视频| 久久这里只有精品19| 91九色精品人成在线观看| 久久久精品免费免费高清| 三级毛片av免费| 狂野欧美激情性bbbbbb| 久久中文字幕一级| 国产1区2区3区精品| 男人添女人高潮全过程视频| 男人操女人黄网站| a 毛片基地| 国产欧美日韩精品亚洲av| 国产成人欧美在线观看 | 亚洲一区中文字幕在线| 最近中文字幕2019免费版| 中国国产av一级| 午夜免费成人在线视频| 中文字幕人妻熟女乱码| 老熟妇乱子伦视频在线观看 | 欧美大码av| 黑人巨大精品欧美一区二区蜜桃| 欧美成狂野欧美在线观看| 无限看片的www在线观看| 久久中文看片网| 老司机午夜十八禁免费视频| 亚洲精品中文字幕在线视频| 亚洲av国产av综合av卡| 女人爽到高潮嗷嗷叫在线视频| 精品人妻在线不人妻| 极品人妻少妇av视频| 日韩中文字幕欧美一区二区| 国产福利在线免费观看视频| 国产在视频线精品| 黄色视频不卡| 50天的宝宝边吃奶边哭怎么回事| 久久久欧美国产精品| 日韩制服骚丝袜av| 亚洲精品国产区一区二| 一级,二级,三级黄色视频| 久久精品国产综合久久久| 91麻豆精品激情在线观看国产 | 久久中文看片网| 可以免费在线观看a视频的电影网站| 飞空精品影院首页| 久久精品成人免费网站| 我要看黄色一级片免费的| 纯流量卡能插随身wifi吗| 搡老熟女国产l中国老女人| 亚洲天堂av无毛| 少妇人妻久久综合中文| 国产免费一区二区三区四区乱码| 自线自在国产av| 成在线人永久免费视频| 日本vs欧美在线观看视频| 99九九在线精品视频| 国产一区有黄有色的免费视频| 人成视频在线观看免费观看| 亚洲欧洲精品一区二区精品久久久| 激情视频va一区二区三区| 国产一区二区三区综合在线观看| 99热国产这里只有精品6| 精品久久久精品久久久| 精品一品国产午夜福利视频| 久久九九热精品免费| 国产av国产精品国产| 嫩草影视91久久| 在线看a的网站| 国产日韩一区二区三区精品不卡| 99国产极品粉嫩在线观看| 黄频高清免费视频| av天堂久久9| 老熟女久久久| 精品免费久久久久久久清纯 | kizo精华| 国产成人av教育| 咕卡用的链子| 嫩草影视91久久| 肉色欧美久久久久久久蜜桃| 成人三级做爰电影| 亚洲精品一卡2卡三卡4卡5卡 | 18禁黄网站禁片午夜丰满| 欧美日韩国产mv在线观看视频| 午夜福利视频在线观看免费| 电影成人av| 9色porny在线观看| 久久久久久人人人人人| 久久中文字幕一级| 欧美少妇被猛烈插入视频| 欧美亚洲日本最大视频资源| 日韩视频一区二区在线观看| 2018国产大陆天天弄谢| 99热全是精品| 亚洲成人国产一区在线观看| 在线观看www视频免费| 男女午夜视频在线观看| 亚洲精品粉嫩美女一区| 久久久精品国产亚洲av高清涩受| 欧美 亚洲 国产 日韩一| 国产欧美日韩一区二区三 | 国产精品 欧美亚洲| 亚洲精品中文字幕在线视频| 久久久国产精品麻豆| 久久久久久亚洲精品国产蜜桃av| 欧美日韩av久久| 十八禁网站网址无遮挡| 精品国产一区二区久久| 色婷婷久久久亚洲欧美| 亚洲男人天堂网一区| av福利片在线| 99国产精品一区二区三区| 国产成人精品在线电影| 王馨瑶露胸无遮挡在线观看| 国产免费现黄频在线看| 丝袜美足系列| 天天添夜夜摸| 大片免费播放器 马上看| 在线精品无人区一区二区三| 人人澡人人妻人| 80岁老熟妇乱子伦牲交| www.熟女人妻精品国产| 他把我摸到了高潮在线观看 | 9热在线视频观看99| 最近中文字幕2019免费版| 国产成人a∨麻豆精品| 国产伦理片在线播放av一区| 9色porny在线观看| 国产精品二区激情视频| 人人澡人人妻人| 亚洲成人国产一区在线观看| 两个人看的免费小视频| 亚洲成av片中文字幕在线观看| 亚洲欧洲精品一区二区精品久久久| 一区福利在线观看| www.熟女人妻精品国产| 国产91精品成人一区二区三区 | 久久久久国产精品人妻一区二区| 视频在线观看一区二区三区| 国产精品国产三级国产专区5o| 欧美精品人与动牲交sv欧美| 精品福利观看| 国产黄色免费在线视频| 韩国高清视频一区二区三区| 黄片大片在线免费观看| 天堂俺去俺来也www色官网| 又大又爽又粗| 午夜两性在线视频| 如日韩欧美国产精品一区二区三区| 侵犯人妻中文字幕一二三四区| 69av精品久久久久久 | 精品国产乱码久久久久久男人| 99久久99久久久精品蜜桃| 国产免费现黄频在线看| 欧美乱码精品一区二区三区| 国产亚洲精品久久久久5区| 人妻人人澡人人爽人人| 国产有黄有色有爽视频| 人妻人人澡人人爽人人| 久久国产精品大桥未久av| 精品卡一卡二卡四卡免费| 90打野战视频偷拍视频| 精品国产国语对白av| 久久精品人人爽人人爽视色| 亚洲国产欧美网| 亚洲av日韩精品久久久久久密| 一区二区三区四区激情视频| 国产免费现黄频在线看| 日韩免费高清中文字幕av| 日韩欧美免费精品| 男人爽女人下面视频在线观看| 男女之事视频高清在线观看| 9热在线视频观看99| 大型av网站在线播放| 色婷婷久久久亚洲欧美| 国产精品久久久久久人妻精品电影 | 日韩中文字幕视频在线看片| 国产又爽黄色视频| 国产成人啪精品午夜网站| 美女中出高潮动态图| 一本色道久久久久久精品综合| 久久精品国产a三级三级三级| 午夜老司机福利片| 国产亚洲精品第一综合不卡| 中文字幕色久视频| 人妻 亚洲 视频| 男女国产视频网站| 免费在线观看完整版高清| 天堂8中文在线网| 老汉色av国产亚洲站长工具| 国产成人精品久久二区二区免费| 黑丝袜美女国产一区| av电影中文网址| 五月开心婷婷网| 精品一区在线观看国产| 久久精品国产亚洲av香蕉五月 | 免费女性裸体啪啪无遮挡网站| 咕卡用的链子| 天天操日日干夜夜撸| 狂野欧美激情性bbbbbb| 日本av免费视频播放| 国产高清视频在线播放一区 | 国产xxxxx性猛交| 18禁裸乳无遮挡动漫免费视频| 超碰97精品在线观看| 久久久国产精品麻豆| 日韩电影二区| 一级片免费观看大全| 看免费av毛片| 一二三四社区在线视频社区8| 啦啦啦中文免费视频观看日本| 女性生殖器流出的白浆| 我要看黄色一级片免费的| 大型av网站在线播放| 国产精品99久久99久久久不卡| 一级,二级,三级黄色视频| 韩国高清视频一区二区三区| 一进一出抽搐动态| 国产精品久久久av美女十八| 男女国产视频网站| 91精品三级在线观看| 青青草视频在线视频观看| 19禁男女啪啪无遮挡网站| 中文字幕高清在线视频| 亚洲七黄色美女视频| 一本综合久久免费| 黄片小视频在线播放| 亚洲欧洲日产国产| 精品乱码久久久久久99久播| 亚洲 欧美一区二区三区| 十八禁网站网址无遮挡| 日日摸夜夜添夜夜添小说| 国产av精品麻豆| 欧美 亚洲 国产 日韩一| 美女大奶头黄色视频| 久久久久国产精品人妻一区二区| 久久香蕉激情| 丁香六月天网| 高清在线国产一区| 欧美激情极品国产一区二区三区| 国产成+人综合+亚洲专区| 69av精品久久久久久 | av在线app专区| 亚洲综合色网址| 午夜福利乱码中文字幕| 欧美久久黑人一区二区| 国产精品.久久久| 夜夜骑夜夜射夜夜干| 国产福利在线免费观看视频| 亚洲午夜精品一区,二区,三区| 精品国产一区二区三区久久久樱花| 五月天丁香电影| 日韩大码丰满熟妇| 国产高清视频在线播放一区 | 亚洲视频免费观看视频| 久久 成人 亚洲| 五月开心婷婷网| 一区二区三区四区激情视频| 亚洲第一青青草原| 国产成人精品在线电影| 汤姆久久久久久久影院中文字幕| 久久 成人 亚洲| 欧美日本中文国产一区发布| 亚洲精品国产色婷婷电影| 十八禁高潮呻吟视频| 啪啪无遮挡十八禁网站| 丰满少妇做爰视频| 成人亚洲精品一区在线观看| 看免费av毛片| 中文字幕人妻丝袜一区二区| 久久久精品94久久精品| 欧美在线黄色| 十分钟在线观看高清视频www| 亚洲精品国产av蜜桃| 18禁黄网站禁片午夜丰满| 在线观看人妻少妇| 国产精品欧美亚洲77777| www.999成人在线观看| 在线观看舔阴道视频| 老鸭窝网址在线观看| 欧美亚洲日本最大视频资源| 18禁裸乳无遮挡动漫免费视频| 久久毛片免费看一区二区三区| 亚洲精品久久午夜乱码| 性色av乱码一区二区三区2| 少妇猛男粗大的猛烈进出视频| 欧美xxⅹ黑人| 妹子高潮喷水视频| 三级毛片av免费| avwww免费| 免费在线观看日本一区| 亚洲欧美一区二区三区黑人| 妹子高潮喷水视频| 国产成人欧美在线观看 | 一级黄色大片毛片| 热99re8久久精品国产| 日本欧美视频一区| 色视频在线一区二区三区| 丝袜美腿诱惑在线| 亚洲熟女毛片儿| 人人妻人人澡人人看| 日韩精品免费视频一区二区三区| 色视频在线一区二区三区| 久久人妻福利社区极品人妻图片| 一级黄色大片毛片| 日韩制服骚丝袜av| 久久久欧美国产精品| 热re99久久国产66热| 亚洲av欧美aⅴ国产| 国产无遮挡羞羞视频在线观看| 菩萨蛮人人尽说江南好唐韦庄| 日韩电影二区| 日日摸夜夜添夜夜添小说| 最近最新中文字幕大全免费视频| 丝袜在线中文字幕| 狂野欧美激情性xxxx| 一本一本久久a久久精品综合妖精| 大片免费播放器 马上看| 国产精品 国内视频| 每晚都被弄得嗷嗷叫到高潮| 成年女人毛片免费观看观看9 | 老司机靠b影院| 日韩大片免费观看网站| 欧美黄色片欧美黄色片| 中文字幕精品免费在线观看视频| 久久九九热精品免费| 天天躁狠狠躁夜夜躁狠狠躁| 久久热在线av| 黄频高清免费视频| 国产成人欧美| 亚洲avbb在线观看| 亚洲精品粉嫩美女一区| 嫩草影视91久久| 大片电影免费在线观看免费| 国产精品九九99| 欧美日韩精品网址| 久久久精品国产亚洲av高清涩受| 欧美变态另类bdsm刘玥| netflix在线观看网站| 丝袜人妻中文字幕| 亚洲伊人色综图| av天堂久久9| 久久中文字幕一级| 国产无遮挡羞羞视频在线观看| 中文字幕色久视频| 欧美日本中文国产一区发布| 下体分泌物呈黄色| 热99re8久久精品国产| 国产免费av片在线观看野外av| 亚洲国产欧美网| a在线观看视频网站| 亚洲成人免费av在线播放| 黄片播放在线免费| 亚洲欧美精品自产自拍| 热re99久久精品国产66热6| 老司机午夜福利在线观看视频 | 性色av乱码一区二区三区2| 精品少妇一区二区三区视频日本电影| 极品人妻少妇av视频| 欧美老熟妇乱子伦牲交| 免费在线观看视频国产中文字幕亚洲 | 女人爽到高潮嗷嗷叫在线视频| 免费人妻精品一区二区三区视频| 伊人久久大香线蕉亚洲五| 高清av免费在线| 国产免费现黄频在线看| 国产日韩欧美视频二区| 亚洲免费av在线视频| 99re6热这里在线精品视频| 老司机深夜福利视频在线观看 | 天天影视国产精品| 免费在线观看日本一区| 国产精品 国内视频| 日本五十路高清| 成人18禁高潮啪啪吃奶动态图| 精品免费久久久久久久清纯 | 精品国产超薄肉色丝袜足j| 精品欧美一区二区三区在线| 亚洲中文av在线| 亚洲欧美精品综合一区二区三区| 亚洲国产av影院在线观看| kizo精华| 不卡av一区二区三区| 精品国产乱码久久久久久小说| 国产免费av片在线观看野外av| 一本久久精品| 别揉我奶头~嗯~啊~动态视频 | 美女福利国产在线| 亚洲精品自拍成人| 涩涩av久久男人的天堂| 人人澡人人妻人| av网站免费在线观看视频| 97在线人人人人妻| xxxhd国产人妻xxx| 麻豆av在线久日| 精品亚洲成国产av| 高潮久久久久久久久久久不卡| 电影成人av| 免费黄频网站在线观看国产| 亚洲精品久久午夜乱码| av超薄肉色丝袜交足视频| 精品亚洲成国产av| 国产av国产精品国产| 久久久久国内视频| 巨乳人妻的诱惑在线观看| 男男h啪啪无遮挡| 亚洲av欧美aⅴ国产| 亚洲精品中文字幕在线视频| 日韩制服骚丝袜av| 国产精品99久久99久久久不卡| 国产精品二区激情视频| 淫妇啪啪啪对白视频 | 午夜精品国产一区二区电影| 免费黄频网站在线观看国产| 久久女婷五月综合色啪小说| 在线观看舔阴道视频| 大型av网站在线播放|