• <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
    国产成人精品久久二区二区91| 欧美在线黄色| 一个人免费在线观看的高清视频| 制服人妻中文乱码| 亚洲少妇的诱惑av| 精品久久久久久电影网| 成年版毛片免费区| 成年人免费黄色播放视频| 校园春色视频在线观看| 村上凉子中文字幕在线| 国产精品永久免费网站| 亚洲精品美女久久av网站| 国产精品一区二区在线不卡| 99热只有精品国产| 50天的宝宝边吃奶边哭怎么回事| 亚洲中文av在线| 热99国产精品久久久久久7| 一级,二级,三级黄色视频| 一级a爱视频在线免费观看| 亚洲七黄色美女视频| 久久久久久免费高清国产稀缺| 91国产中文字幕| 青草久久国产| 欧美人与性动交α欧美软件| www.熟女人妻精品国产| 国产精品九九99| 亚洲av第一区精品v没综合| 久久亚洲真实| 黄色片一级片一级黄色片| 国产片内射在线| 日本wwww免费看| 久久久久国产一级毛片高清牌| 精品欧美一区二区三区在线| 亚洲精品av麻豆狂野| 老熟妇乱子伦视频在线观看| 亚洲成人免费电影在线观看| 亚洲伊人色综图| 国产高清激情床上av| 国产精品自产拍在线观看55亚洲 | 99国产精品一区二区蜜桃av | 人妻一区二区av| 午夜视频精品福利| 亚洲欧美精品综合一区二区三区| 久久中文看片网| 在线观看66精品国产| 最近最新中文字幕大全免费视频| 男人舔女人的私密视频| 午夜精品久久久久久毛片777| 久久久久久免费高清国产稀缺| 美女高潮喷水抽搐中文字幕| 大型黄色视频在线免费观看| 男男h啪啪无遮挡| 欧美人与性动交α欧美精品济南到| 人人妻人人爽人人添夜夜欢视频| 亚洲全国av大片| 真人做人爱边吃奶动态| 乱人伦中国视频| 这个男人来自地球电影免费观看| 美女视频免费永久观看网站| 免费在线观看日本一区| 欧美日韩国产mv在线观看视频| 久久久国产成人精品二区 | 99国产精品99久久久久| 一区在线观看完整版| 欧美老熟妇乱子伦牲交| 少妇 在线观看| 黄色a级毛片大全视频| 欧美色视频一区免费| 99精品欧美一区二区三区四区| 黑人巨大精品欧美一区二区mp4| 法律面前人人平等表现在哪些方面| 精品福利永久在线观看| 日本欧美视频一区| 日本wwww免费看| 亚洲aⅴ乱码一区二区在线播放 | 国产精品久久久久成人av| 免费不卡黄色视频| 成年人免费黄色播放视频| 午夜两性在线视频| 91麻豆av在线| 国产精品 国内视频| 亚洲成人国产一区在线观看| 亚洲av熟女| avwww免费| 亚洲专区中文字幕在线| 每晚都被弄得嗷嗷叫到高潮| 精品卡一卡二卡四卡免费| 高清在线国产一区| 国产单亲对白刺激| 亚洲免费av在线视频| 国产成人影院久久av| a在线观看视频网站| 日本黄色日本黄色录像| 成年动漫av网址| 久久久久久久久免费视频了| aaaaa片日本免费| 日韩有码中文字幕| 女警被强在线播放| 久久香蕉激情| 又大又爽又粗| 亚洲国产精品一区二区三区在线| 久久中文看片网| 国产三级在线视频| 亚洲电影在线观看av| 网址你懂的国产日韩在线| 精品人妻一区二区三区麻豆 | 亚洲片人在线观看| 我的老师免费观看完整版| 悠悠久久av| 女同久久另类99精品国产91| 欧美激情久久久久久爽电影| 欧美日韩瑟瑟在线播放| 两性午夜刺激爽爽歪歪视频在线观看| 青草久久国产| 午夜亚洲福利在线播放| 免费大片18禁| 舔av片在线| 男女下面进入的视频免费午夜| 99国产极品粉嫩在线观看| 好看av亚洲va欧美ⅴa在| 国产成人欧美在线观看| 99国产精品一区二区蜜桃av| 久久久成人免费电影| 国产精品久久久久久精品电影| 成人三级黄色视频| 97碰自拍视频| 又黄又爽又免费观看的视频| 午夜视频国产福利| 天堂影院成人在线观看| 99久久精品国产亚洲精品| 国产精品美女特级片免费视频播放器| 久久九九热精品免费| 18禁在线播放成人免费| 亚洲av成人不卡在线观看播放网| 午夜两性在线视频| 欧美日韩综合久久久久久 | 一夜夜www| 亚洲精品色激情综合| 亚洲成人中文字幕在线播放| 精品人妻1区二区| 日日摸夜夜添夜夜添小说| 精品欧美国产一区二区三| 在线观看日韩欧美| 国产亚洲精品久久久com| 黄色视频,在线免费观看| 国产欧美日韩精品亚洲av| АⅤ资源中文在线天堂| 国产真实伦视频高清在线观看 | 男女下面进入的视频免费午夜| 亚洲一区二区三区色噜噜| 国产精品电影一区二区三区| 亚洲avbb在线观看| 桃色一区二区三区在线观看| 久久精品国产99精品国产亚洲性色| 亚洲成av人片免费观看| 亚洲无线在线观看| 一a级毛片在线观看| 无遮挡黄片免费观看| 亚洲av二区三区四区| 国产在视频线在精品| 在线播放国产精品三级| 熟女少妇亚洲综合色aaa.| 欧美最黄视频在线播放免费| 18+在线观看网站| 波多野结衣高清作品| 日韩av在线大香蕉| 亚洲成人久久爱视频| 首页视频小说图片口味搜索| 久久精品亚洲精品国产色婷小说| 无遮挡黄片免费观看| 国产一区二区三区在线臀色熟女| 1024手机看黄色片| 久久久久性生活片| 欧美绝顶高潮抽搐喷水| 国内揄拍国产精品人妻在线| 一本久久中文字幕| 窝窝影院91人妻| 12—13女人毛片做爰片一| 亚洲精品粉嫩美女一区| 国产精华一区二区三区| 免费在线观看日本一区| 我的老师免费观看完整版| 久久亚洲精品不卡| 两个人视频免费观看高清| 又爽又黄无遮挡网站| 看黄色毛片网站| 久久久久久九九精品二区国产| 久久久成人免费电影| 日韩av在线大香蕉| 色综合欧美亚洲国产小说| 国产毛片a区久久久久| 色噜噜av男人的天堂激情| 欧美zozozo另类| 亚洲一区高清亚洲精品| 成熟少妇高潮喷水视频| 亚洲精品久久国产高清桃花| 欧美日韩福利视频一区二区| 麻豆成人午夜福利视频| 麻豆成人午夜福利视频| 久久午夜亚洲精品久久| 中国美女看黄片| or卡值多少钱| 成人无遮挡网站| 久久精品91无色码中文字幕| 嫁个100分男人电影在线观看| 欧美一区二区国产精品久久精品| 精品久久久久久,| 精品不卡国产一区二区三区| 精品福利观看| av天堂中文字幕网| 久久精品国产亚洲av涩爱 | 亚洲精品在线观看二区| 亚洲 欧美 日韩 在线 免费| 国内精品一区二区在线观看| 成人精品一区二区免费| 亚洲成a人片在线一区二区| 亚洲欧美日韩高清专用| 99riav亚洲国产免费| 欧美黑人欧美精品刺激| 男女下面进入的视频免费午夜| 国产爱豆传媒在线观看| 小说图片视频综合网站| 国产精品99久久久久久久久| 一级毛片高清免费大全| 亚洲天堂国产精品一区在线| 国产成人啪精品午夜网站| 丰满人妻熟妇乱又伦精品不卡| 国产中年淑女户外野战色| 美女cb高潮喷水在线观看| 午夜精品在线福利| 观看美女的网站| 久久久久久久久大av| 久久久精品欧美日韩精品| 亚洲国产欧洲综合997久久,| 日本 av在线| 亚洲精品成人久久久久久| 亚洲乱码一区二区免费版| 2021天堂中文幕一二区在线观| 久久国产乱子伦精品免费另类| 村上凉子中文字幕在线| 亚洲成人中文字幕在线播放| 午夜a级毛片| 欧美av亚洲av综合av国产av| 麻豆久久精品国产亚洲av| 三级国产精品欧美在线观看| 久久国产乱子伦精品免费另类| 波多野结衣高清无吗| 嫩草影视91久久| 好男人电影高清在线观看| 久久久久久人人人人人| 国产精品亚洲一级av第二区| 两个人的视频大全免费| 黄色成人免费大全| 搞女人的毛片| 小蜜桃在线观看免费完整版高清| 亚洲第一电影网av| 一卡2卡三卡四卡精品乱码亚洲| e午夜精品久久久久久久| 无人区码免费观看不卡| 国产精品美女特级片免费视频播放器| 国产中年淑女户外野战色| 国产美女午夜福利| 国产麻豆成人av免费视频| 成年免费大片在线观看| 国产成人欧美在线观看| 欧美中文日本在线观看视频| 男女那种视频在线观看| 久久久久久久亚洲中文字幕 | 亚洲五月婷婷丁香| 久久九九热精品免费| 欧美日韩一级在线毛片| 亚洲国产色片| 午夜激情福利司机影院| 国产单亲对白刺激| 亚洲不卡免费看| 最近最新中文字幕大全电影3| 久久人妻av系列| 国产激情偷乱视频一区二区| 亚洲av二区三区四区| 999久久久精品免费观看国产| 日本免费一区二区三区高清不卡| 午夜福利高清视频| 亚洲国产精品999在线| 好男人电影高清在线观看| 男人舔奶头视频| 亚洲成人中文字幕在线播放| 黄色女人牲交| 亚洲精品美女久久久久99蜜臀| 欧美一区二区国产精品久久精品| 叶爱在线成人免费视频播放| 一个人免费在线观看电影| 欧美在线一区亚洲| 日韩欧美精品免费久久 | 每晚都被弄得嗷嗷叫到高潮| 3wmmmm亚洲av在线观看| 婷婷六月久久综合丁香| 欧美日韩精品网址| 成年版毛片免费区| 婷婷精品国产亚洲av| 欧美av亚洲av综合av国产av| 麻豆久久精品国产亚洲av| 亚洲真实伦在线观看| 国产成人系列免费观看| 手机成人av网站| 久久国产精品影院| 亚洲成人免费电影在线观看| 亚洲精品在线美女| 亚洲一区二区三区色噜噜| 男人舔奶头视频| 草草在线视频免费看| 午夜免费观看网址| 国产欧美日韩一区二区三| 岛国视频午夜一区免费看| 色综合站精品国产| 99热只有精品国产| 九九久久精品国产亚洲av麻豆| 天堂动漫精品| 精品乱码久久久久久99久播| 一夜夜www| 禁无遮挡网站| 非洲黑人性xxxx精品又粗又长| 欧美成人免费av一区二区三区| 亚洲不卡免费看| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 一区二区三区激情视频| 日韩中文字幕欧美一区二区| 一区二区三区高清视频在线| 亚洲欧美日韩无卡精品| 一区二区三区激情视频| 久久婷婷人人爽人人干人人爱| 制服丝袜大香蕉在线| 夜夜夜夜夜久久久久| 亚洲中文日韩欧美视频| 国内精品美女久久久久久| www日本黄色视频网| 一个人免费在线观看的高清视频| 别揉我奶头~嗯~啊~动态视频| 久久伊人香网站| 欧美日韩国产亚洲二区| 国产三级中文精品| 99在线人妻在线中文字幕| 一边摸一边抽搐一进一小说| 久久久久精品国产欧美久久久| 在线观看66精品国产| 久久精品国产自在天天线| 一个人免费在线观看电影| 少妇的丰满在线观看| 搞女人的毛片| 成人国产一区最新在线观看| 91麻豆精品激情在线观看国产| 一夜夜www| 亚洲欧美激情综合另类| 日本一本二区三区精品| 黄色成人免费大全| 午夜福利高清视频| 男人舔女人下体高潮全视频| 国产黄a三级三级三级人| 久久精品91无色码中文字幕| 别揉我奶头~嗯~啊~动态视频| xxxwww97欧美| 男插女下体视频免费在线播放| 国产淫片久久久久久久久 | 精品午夜福利视频在线观看一区| 久久伊人香网站| 啦啦啦韩国在线观看视频| 老司机深夜福利视频在线观看| 99视频精品全部免费 在线| 亚洲 国产 在线| 村上凉子中文字幕在线| 在线观看一区二区三区| 久久精品综合一区二区三区| 在线观看美女被高潮喷水网站 | 午夜视频国产福利| 国产乱人伦免费视频| 国产精品久久久久久亚洲av鲁大| 五月玫瑰六月丁香| 精品久久久久久久毛片微露脸| 国产精品久久视频播放| 久久久久性生活片| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | www日本在线高清视频| 熟女电影av网| 亚洲美女黄片视频| 有码 亚洲区| 日本a在线网址| 日韩欧美精品免费久久 | 国产精品免费一区二区三区在线| АⅤ资源中文在线天堂| 别揉我奶头~嗯~啊~动态视频| 日本一本二区三区精品| 国产高清视频在线播放一区| 19禁男女啪啪无遮挡网站| 高清毛片免费观看视频网站| 国产成人啪精品午夜网站| 一级毛片高清免费大全| 亚洲国产精品999在线| 欧美日韩乱码在线| 欧美一级毛片孕妇| 精品熟女少妇八av免费久了| 成人av在线播放网站| 在线播放无遮挡| 日本黄色视频三级网站网址| 久久国产乱子伦精品免费另类| 亚洲熟妇熟女久久| 中文字幕熟女人妻在线| 嫁个100分男人电影在线观看| www国产在线视频色| 一个人看的www免费观看视频| 国产99白浆流出| 久久这里只有精品中国| 偷拍熟女少妇极品色| 欧美日韩一级在线毛片| 99久久成人亚洲精品观看| 午夜两性在线视频| 日本成人三级电影网站| 婷婷亚洲欧美| 熟女电影av网| 色噜噜av男人的天堂激情| 亚洲七黄色美女视频| 首页视频小说图片口味搜索| 老司机午夜福利在线观看视频| 尤物成人国产欧美一区二区三区| 韩国av一区二区三区四区| 成年女人看的毛片在线观看| 久久国产乱子伦精品免费另类| 有码 亚洲区| 18禁美女被吸乳视频| 高清毛片免费观看视频网站| 色尼玛亚洲综合影院| 天天一区二区日本电影三级| 亚洲精品成人久久久久久| 色综合站精品国产| 给我免费播放毛片高清在线观看| 日本一本二区三区精品| 久久香蕉精品热| 亚洲狠狠婷婷综合久久图片| 日本 欧美在线| 欧洲精品卡2卡3卡4卡5卡区| 天天一区二区日本电影三级| 国产男靠女视频免费网站| 偷拍熟女少妇极品色| 美女 人体艺术 gogo| 在线国产一区二区在线| 12—13女人毛片做爰片一| 国产精品影院久久| 12—13女人毛片做爰片一| 免费av毛片视频| 黄色女人牲交| 亚洲18禁久久av| 国产精品野战在线观看| 欧美大码av| 看免费av毛片| 搡老熟女国产l中国老女人| 久久久久性生活片| 午夜日韩欧美国产| 国产99白浆流出| 久久香蕉精品热| 宅男免费午夜| 亚洲成人久久爱视频| 国产av一区在线观看免费| h日本视频在线播放| 国产高清激情床上av| 一个人免费在线观看电影| 狂野欧美激情性xxxx| 国产伦一二天堂av在线观看| 日韩欧美一区二区三区在线观看| 日本a在线网址| 国产久久久一区二区三区| 亚洲av二区三区四区| 亚洲av电影在线进入| 在线免费观看不下载黄p国产 | 色av中文字幕| 国产熟女xx| 免费电影在线观看免费观看| 亚洲成av人片免费观看| 99热精品在线国产| 国产成人系列免费观看| 日本五十路高清| 中文字幕人成人乱码亚洲影| 亚洲无线在线观看| bbb黄色大片| 在线看三级毛片| 搡老熟女国产l中国老女人| 午夜福利高清视频| 一个人免费在线观看的高清视频| 欧美黄色淫秽网站| 中文字幕av在线有码专区| 亚洲 国产 在线| 精品久久久久久久末码| 少妇的逼水好多| 一区福利在线观看| 日本一二三区视频观看| 亚洲国产精品合色在线| 久久久国产精品麻豆| 黄色丝袜av网址大全| 日韩免费av在线播放| 免费搜索国产男女视频| 99riav亚洲国产免费| 天天一区二区日本电影三级| 国产一区二区激情短视频| 久久久久性生活片| 久久精品91蜜桃| 一个人观看的视频www高清免费观看| 99精品在免费线老司机午夜| 国产不卡一卡二| 久9热在线精品视频| 手机成人av网站| 深爱激情五月婷婷| 免费人成在线观看视频色| av欧美777| 午夜激情福利司机影院| 日韩中文字幕欧美一区二区| 69人妻影院| 亚洲国产欧美网| 麻豆国产97在线/欧美| 免费看日本二区| 免费在线观看影片大全网站| 狠狠狠狠99中文字幕| 国产精品久久久久久久电影 | www日本在线高清视频| 悠悠久久av| a级毛片a级免费在线| 国产中年淑女户外野战色| 久久精品亚洲精品国产色婷小说| 少妇丰满av| 欧美中文日本在线观看视频| 女同久久另类99精品国产91| 身体一侧抽搐| 高清日韩中文字幕在线| 老鸭窝网址在线观看| 国产午夜精品论理片| 草草在线视频免费看| av女优亚洲男人天堂| 亚洲成av人片在线播放无| 国产av在哪里看| 亚洲国产精品成人综合色| 国产成人a区在线观看| 欧美一级a爱片免费观看看| 亚洲人成电影免费在线| 在线播放无遮挡| 久久久久久大精品| 一级毛片女人18水好多| 国产精品久久久久久精品电影| 久久久久精品国产欧美久久久| 日韩欧美精品v在线| 免费看十八禁软件| 欧美+日韩+精品| 十八禁网站免费在线| 女人被狂操c到高潮| 国产老妇女一区| 99riav亚洲国产免费| 亚洲在线自拍视频| 午夜福利欧美成人| 欧美乱妇无乱码| 色哟哟哟哟哟哟| 国产一区二区亚洲精品在线观看| 国产色爽女视频免费观看| 五月玫瑰六月丁香| 一卡2卡三卡四卡精品乱码亚洲| 免费在线观看影片大全网站| 久久天躁狠狠躁夜夜2o2o| 久久香蕉精品热| 久久天躁狠狠躁夜夜2o2o| av在线蜜桃| 亚洲av免费高清在线观看| 精品国产亚洲在线| 国产真实乱freesex| 人人妻,人人澡人人爽秒播| 成年女人毛片免费观看观看9| 午夜a级毛片| 两个人看的免费小视频| 国产av不卡久久| 精品久久久久久久人妻蜜臀av| 欧美性感艳星| 亚洲国产精品合色在线| 18禁裸乳无遮挡免费网站照片| 国产99白浆流出| 51国产日韩欧美| 日韩成人在线观看一区二区三区| svipshipincom国产片| 99精品欧美一区二区三区四区| 啦啦啦韩国在线观看视频| 亚洲av电影在线进入| 亚洲一区二区三区不卡视频| 国产精品av视频在线免费观看| 欧美3d第一页| 久久国产精品影院| 精品免费久久久久久久清纯| 亚洲色图av天堂| 国产精品日韩av在线免费观看| 亚洲欧美日韩高清在线视频| 亚洲熟妇熟女久久| 久久久久精品国产欧美久久久| 国产免费一级a男人的天堂| 一本一本综合久久| av福利片在线观看| av视频在线观看入口| 国产精品98久久久久久宅男小说| 久久久久久久精品吃奶| 国产亚洲精品av在线| 国产三级中文精品| 亚洲成av人片免费观看| 免费av不卡在线播放| 中亚洲国语对白在线视频| 一区二区三区国产精品乱码| 国产蜜桃级精品一区二区三区| 亚洲av不卡在线观看| 国产高潮美女av| 18禁裸乳无遮挡免费网站照片| 在线十欧美十亚洲十日本专区| 他把我摸到了高潮在线观看| 尤物成人国产欧美一区二区三区| 国内精品美女久久久久久| 日本 欧美在线| 一个人看视频在线观看www免费 |