• <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 ?

    基于連通距離和連通強度的BIRCH改進(jìn)算法

    2019-08-01 01:54:12樊仲欣王興苗春生
    計算機(jī)應(yīng)用 2019年4期

    樊仲欣 王興 苗春生

    摘 要:為解決利用層次方法的平衡迭代規(guī)約和聚類(BIRCH)算法聚類結(jié)果依賴于數(shù)據(jù)對象的添加順序,且對非球狀的簇聚類效果不好以及受簇直徑閾值的限制每個簇只能包含數(shù)量相近的數(shù)據(jù)對象的問題,提出一種改進(jìn)的BIRCH算法。該算法用描述數(shù)據(jù)對象個體間連通性的連通距離和連通強度閾值替代簇直徑閾值,還將簇合并的步驟加入到聚類特征樹的生成過程中。在自定義及iris、wine、 pendigits數(shù)據(jù)集上的實驗結(jié)果表明,該算法比多閾值BIRCH、密度改進(jìn)BIRCH等現(xiàn)有改進(jìn)算法的聚類準(zhǔn)確率更高,尤其在大數(shù)據(jù)集上比密度改進(jìn)BIRCH準(zhǔn)確率提高6個百分點,耗時降低61%。說明該算法能夠適用于在線實時增量數(shù)據(jù),可以識別非球形簇和體積不均勻簇,具有去噪功能,且時間和空間復(fù)雜度明顯降低。

    關(guān)鍵詞:層次聚類;在線算法;BIRCH;聚類特征;聚類特征樹

    中圖分類號:TP312

    文獻(xiàn)標(biāo)志碼:A

    文章編號:1001-9081(2019)04-1027-05

    Abstract: Focusing on the issues that clustering results of Balanced Iterative Reducing and Clustering using Hierarchies (BIRCH) depend on the adding order of data objects, BIRCH has poor clustering effect on non-convex clusters, and each cluster of BIRCH can only contain a similar number of data objects because of the cluster diameter threshold, an improved BIRCH algorithm was proposed. In this algorithm, the cluster diameter threshold was replaced by connectivity distance and intensity threshold which described the connectivity between the data objects, and cluster merging step was added into the generation of cluster feature tree. Experimental result on custom and iris, wine, pendigits datasets show that the proposed algorithm has higher clustering accuracy than the existing improved algorithms such as multi-threshold BIRCH and density-improved BIRCH; especially on large datasets, the proposed algorithm has accuracy increased by 6 percentage points and running time reduced by 61% compared to density-improved BIRCH. The proposed algorithm can be applied to online real-time incremental data processing and identify non-convex clusters and clusters with uneven volume, has denoising function and significantly reduces time-complexity and space-complexity.

    Key words: hierarchical clustering; on-line algorithm; Balanced Iterative Reducing and Clustering using Hierarchies (BIRCH); Cluster Feature (CF); Cluster Feature Tree (CF Tree)

    0?引言

    利用層次方法的平衡迭代規(guī)約和聚類(Balanced Iterative Reducing and Clustering using Hierarchies, BRICH)算法[1]是具有代表性的分層聚類算法,該算法的特點在于在線實時運行,計算流程簡單,算法時間空間效率高,且可識別噪聲。

    該算法通過構(gòu)建一個聚類特征樹(Cluster Feature Tree, CF Tree),樹中每個節(jié)點的聚類特征向量如下:CF=(N,LS,SS)

    其中:N是簇中對象數(shù)目;LS是N個對象線性和∑Ni=1xi;SS是N個對象平方和∑Ni=1xi2。

    合并兩個簇只需要兩個聚類特征向量算術(shù)相加即可,而計算簇距離、簇直徑只需要用到(N,LS,SS)這三個值就足夠了。但該算法的缺點在于結(jié)果依賴于數(shù)據(jù)對象的加入順序,

    對非球狀的簇和對高維數(shù)據(jù)聚類效果不好,而且受簇直徑閾值T的限制,每個簇只能包含數(shù)量相近的數(shù)據(jù)對象。

    在最初的BIRCH算法的基礎(chǔ)上,后期有不少學(xué)者對其進(jìn)行了改進(jìn)。邵峰晶等[2-3]提出了動態(tài)閾值及多閾值T的方法,解決了各簇的數(shù)據(jù)對象數(shù)量差距大時使用統(tǒng)一T值導(dǎo)致的問題,并引入了分割因子的概念消除了簇分裂中的不確定性。仰孝富[4]提出了文本聚類算法TCBIBK(Text Clustering algorithm Based on Improved BIRCH and K-nearest neighbor),在BIRCH聚類前先做K近鄰劃分的數(shù)據(jù)預(yù)處理,以提高聚類精度。曾曉迪等[5-6]則采用了二次聚類的辦法,在BIRCH的聚類基礎(chǔ)上再對各簇用K中心點(K-mediods)[7]、K均值(K-means)[8]等算法進(jìn)行聚類,實現(xiàn)了發(fā)現(xiàn)任意形狀簇的功能目標(biāo)。韋相等[9-10]為了解決非球形簇的聚類問題,直接改進(jìn)了BIRCH算法,先建立起多閾值的多棵聚類特征樹代表各個簇,再合并樹,用具有噪聲的基于密度的聚類(Density-Based Spatial Clustering of Applications with Noise, DBSCAN)方法[11]、高斯混合模型(Gaussian Mixture Model, GMM)[12]、K-means或譜聚類(Spectral Clustering)[13-14]等方法進(jìn)行全局聚類。

    上述各種BIRCH聚類改進(jìn)算法均存在一些問題:動態(tài)閾值和多閾值T的方法不能突破球形簇限制;聚類預(yù)處理和二次聚類方法則都是結(jié)合多種已有算法,并未對BIRCH算法進(jìn)行本質(zhì)性的提升,且不適用于在線實時數(shù)據(jù);而建立多棵聚類特征樹的方法其算法比較繁瑣,時間空間復(fù)雜度高,且由于需要全局聚類,部分算法還需要根據(jù)具體應(yīng)用選擇聚類方式。

    因此,本文提出一種改進(jìn)的BIRCH算法(簡稱連通改進(jìn)BIRCH),該算法使用描述數(shù)據(jù)對象個體間連通性的連通距離和連通強度閾值替代簇直徑T,同時還將簇合并的步驟加入到聚類特征樹的生成過程中,以解決上述問題。

    1?算法原理

    本文借鑒了DBSCAN中區(qū)域半徑Eps和鄰域?qū)ο髷?shù)閾值MinPts的概念,對BIRCH算法進(jìn)行了如下幾點改進(jìn):1)將簇直徑閾值T改為簇的連通距離閾值D和連通強度閾值I。

    2)將聚類特征向量由CF=(N,LS,SS)改為CF=(N),同時在每個數(shù)據(jù)對象中增加一個數(shù)據(jù)項M,M為數(shù)據(jù)對象的模的平方。

    3)每個新增的數(shù)據(jù)對象不再是先加入最近的簇再依據(jù)簇直徑閾值分裂聚類特征樹節(jié)點,而是直接依據(jù)連通距離D和連通強度I,將新加入的數(shù)據(jù)對象和已有的若干簇合并,或者將新數(shù)據(jù)對象直接作為新簇加入聚類特征樹,再像BIRCH算法那樣分裂節(jié)點最終生成聚類特征樹。簡而言之,就是將原來BIRCH算法的簇分裂變?yōu)榇叵群喜⒃俜至训乃惴ā?/p>

    1.1?連通距離閾值D和連通強度閾值I

    定義1?連通距離。連通距離即兩個簇之間最接近的數(shù)據(jù)對象的距離,該距離用歐氏距離:dis=(x1-y1)2+…+(xn-yn)2,x1x2…xn和y1y2…yn分別為兩個數(shù)據(jù)對象的向量表示。

    定義2?連通距離閾值。連通距離閾值即判斷兩個簇是否連通的閾值,如兩個簇間的連通距離小于等于連通距離閾值則為連通的簇,反之則為不連通的簇。

    定義3?連通強度。連通強度即連通距離閾值范圍內(nèi)的數(shù)據(jù)對象個數(shù)。

    定義4?連通強度閾值。連通強度閾值即判斷兩個簇是否為強連通的閾值,如兩個簇間的連通強度大于等于連通強度閾值則為強連通簇(或稱為簇核),反之則為弱連通簇(或稱為干擾點)。

    使用連通距離閾值D和連通強度閾值I代替簇直徑閾值T,該方法具有可以發(fā)現(xiàn)任意形狀簇和排除干擾點干擾這兩大優(yōu)點。首先,使用連通距離只描述簇中數(shù)據(jù)對象個體間的連通性,而不像簇直徑描述的是簇中數(shù)據(jù)對象的整體范圍體積,因此可以通過該連通性發(fā)現(xiàn)任意形狀簇,且適用于簇與簇數(shù)據(jù)對象數(shù)量差距大的情況。其次,現(xiàn)實情況中的數(shù)據(jù)集往往因為主觀的和客觀的各種原因而存在干擾點,使得數(shù)據(jù)的聚類達(dá)不到理想的效果,所以為了排除干擾,需要定義連通強度將簇中數(shù)據(jù)對象最密集的部位(即簇核)給篩選出來作為強連通簇,而被篩選掉的數(shù)據(jù)對象則是弱連通簇或干擾點,干擾點并不一定就是必須去除掉的噪點,因為在很多情況下干擾點確實是客觀存在的,因此應(yīng)將其作為簇的非簇核部分重新合并入簇中,但在合并入簇的過程中如果干擾點與簇核的距離大于連通距離閾值D,則可以確定此干擾點為噪點。

    1.2?聚類特征向量融入到數(shù)據(jù)對象中

    由于連通距離和連通強度描述的是數(shù)據(jù)對象個體間連通性的參數(shù),因此BIRCH算法原有CF聚類特征向量中的LS和SS聚類特征(用于計算簇心和簇直徑)便不再需要,取而代之的是計算簇與簇之間任意兩個數(shù)據(jù)對象距離的參數(shù),該參數(shù)在計算簇與簇最近距離時需要用到。

    根據(jù)三角形余弦定理,已知兩邊邊長AL和BL及兩邊夾角θ求第三邊邊長CL:

    那么現(xiàn)以坐標(biāo)原點O和向量a、b為三角形的三個頂點,則用向量c的模表示a和b間的距離,其值為:

    其中:a、b為向量的模,由此公式可知只要有數(shù)據(jù)對象的模和內(nèi)積就可以求出距離,因此在每個數(shù)據(jù)對象中增加一個數(shù)據(jù)項:模平方M=(a12+a22+…+an2)。該數(shù)據(jù)項可以優(yōu)化距離的計算,每次加入新的數(shù)據(jù)對象時就算好M的值存儲下來,后面計算任意數(shù)據(jù)對象到該數(shù)據(jù)對象的距離就主要計算一下內(nèi)積就可以求出結(jié)果。

    1.3?聚類特征樹的簇先合并再分裂

    簇分裂的算法和BIRCH相同,在此不再敷述,而增加的簇合并的算法結(jié)合連通距離作為簇聚類的限制參數(shù),可以避免數(shù)據(jù)加入順序隨機(jī)導(dǎo)致的聚類結(jié)果隨機(jī)。因為簇直徑隨著數(shù)據(jù)加入順序的不同,其值的變化方式也是不同的,當(dāng)其變化曲線為上凸形狀時就有可能會將同一個簇的數(shù)據(jù)對象分割到不同簇中,而BIRCH算法的簇只能分裂不能合并,因此無法在加入一個可以連通各簇的數(shù)據(jù)對象時進(jìn)行簇的合并,所以需要采取簇先合并然后再分裂節(jié)點生成聚類特征樹的算法解決這個問題。

    2?算法流程及實現(xiàn)

    算法流程步驟分為三步(如圖1,其中D為連通距離閾值,I為連通強度閾值):步驟1?數(shù)據(jù)預(yù)處理及簇的合并生成。預(yù)處理除了要讀取連通距離閾值D、連通強度閾值I、葉子節(jié)點分支因子L、非葉子節(jié)點分支因子B這四個預(yù)置聚類參數(shù)以外,還要不斷地讀取在線聚類數(shù)據(jù),并在每次讀取時對新加數(shù)據(jù)對象追加一個數(shù)據(jù)項M,M=數(shù)據(jù)對象的模的平方。

    步驟2?篩選強連通簇插入聚類特征樹,該步驟和BIRCH算法分裂節(jié)點生成聚類特征樹的流程一樣,在此不再贅述。

    步驟3?弱連通簇并入強連通簇并輸出聚類特征樹,該步驟需要將先前篩選出的非簇核部分重新合并入簇中,合并的方式使用最近距離的概念,依次從弱連通簇的列表中找出距離聚類特征樹底層各個簇核最近的一個弱連通簇,將其加入到最近距離的那個簇核之中,直到所有弱連通簇全部加入完畢為止,但是距離大于閾值D的弱連通簇為噪點不加入。最后,輸出聚類特征樹底層簇的數(shù)據(jù)對象數(shù)量N及各個數(shù)據(jù)對象,還有聚類特征樹其余各層的N值及各層間的父子節(jié)點隸屬關(guān)系,作為當(dāng)前數(shù)據(jù)的在線聚類結(jié)果。

    3?時間空間復(fù)雜度

    對于BIRCH算法,其在給定數(shù)據(jù)占用內(nèi)存空間為MEM時的空間復(fù)雜度為O(MEM),本文算法的空間復(fù)雜度為O(MEM+MEM/d),其中d表示數(shù)據(jù)維度。

    BIRCH算法加入數(shù)據(jù)對象的時間復(fù)雜度為O(dNB(1+logBMP))[1]。

    本文算法時間復(fù)雜度為O(BIRCH)+O(HN+kHN)+O(sn),其中:HN為已加入的數(shù)據(jù)對象個數(shù),k為與新加數(shù)據(jù)對象距離在閾值D內(nèi)的數(shù)據(jù)個數(shù),sn為強連通簇所有數(shù)據(jù)對象個數(shù)。增加的O(HN+kHN)和O(sn)為圖1步驟一和步驟三的時間復(fù)雜度,考慮到數(shù)據(jù)密集時k值會比較大,因此本文算法主要時間復(fù)雜度為O(BIRCH)+O(kHN)。

    4?聚類應(yīng)用

    本文算法使用Windows7 64位專業(yè)版操作系統(tǒng)和Eclipse Luna Service Release 2(4.4.2)編程軟件基于一臺CPU Inter core i5-4570 3.2GHz,內(nèi)存8GB的PC上實現(xiàn)。

    為驗證其有效性,使用五個數(shù)據(jù)集比較本文算法(連通改進(jìn)BIRCH)與BIRCH以及多閾值BIRCH[2]、密度改進(jìn)BIRCH[9]這四種在線實時運行算法的聚類結(jié)果。數(shù)據(jù)集1為自定義數(shù)據(jù)集:2維3050個數(shù)據(jù)對象,呈大小簇分布,帶有噪點;數(shù)據(jù)集2為自定義數(shù)據(jù)集:2維400個數(shù)據(jù)對象,呈環(huán)形和圓形分布;數(shù)據(jù)集3為iris數(shù)據(jù)集:4維150個數(shù)據(jù)對象;數(shù)據(jù)集4為wine均一化后數(shù)據(jù)集:13維178個數(shù)據(jù)對象;數(shù)據(jù)集5為pendigits數(shù)據(jù)集:16維10992個數(shù)據(jù)對象。最后三組數(shù)據(jù)集均來源于加州大學(xué)歐文分校機(jī)器學(xué)習(xí)庫(University of California Irvine Machine Learning Repository)[15]。在iris、wine和pendigits數(shù)據(jù)集中,每個數(shù)據(jù)點的類標(biāo)簽都是已知的,因此可以充分利用準(zhǔn)確率來評價算法的聚類質(zhì)量。

    令A(yù)D表示數(shù)據(jù)集中的數(shù)據(jù)個數(shù),CD表示AD中被正確劃分的數(shù)據(jù)個數(shù),則準(zhǔn)確率為Correct_rate=CD/AD*100%。

    從圖2可看出,對于具有大小簇以及包含噪點的非球形數(shù)據(jù)集1:BIRCH算法無法分割出大小簇及噪點;多閾值BIRCH算法雖然分割出了大小簇,但由于其識別非球形簇的能力很有限,所以圖中的弧形簇被分割了開來且不能識別噪點;密度改進(jìn)和連通改進(jìn)BIRCH算法則解決了這些問題,可以分割大小簇,識別弧形簇,以及去噪點。圖3的數(shù)據(jù)集2含有更加不易識別的環(huán)形簇,但密度改進(jìn)和連通改進(jìn)BIRCH算法依舊表現(xiàn)良好,可以將環(huán)形簇分割出來,而多閾值BIRCH算法則表現(xiàn)一般,BIRCH算法效果最差。值得一提的是,上述BIRCH和多閾值BIRCH算法的聚類結(jié)果具有一定隨機(jī)性,因為其結(jié)果依賴于數(shù)據(jù)的加入先后順序,而密度改進(jìn)和連通改進(jìn)BIRCH算法則解決了這一問題。

    使用UCI數(shù)據(jù)集對上述四種BIRCH聚類算法進(jìn)行測試,結(jié)果如表1,其中:參數(shù)B(非葉子節(jié)點分支因子)與L(葉子節(jié)點分支因子)對所有算法及數(shù)據(jù)集的取值均為2,表中僅列出取值不一樣的參數(shù)。

    從表1可看出:BIRCH算法耗時最短,但在大數(shù)據(jù)集上的準(zhǔn)確率也是最低的;多閾值BIRCH準(zhǔn)確率有所提高;密度改進(jìn)BIRCH和連通改進(jìn)BIRCH則準(zhǔn)確率提升比較明顯但同時耗時也增加不少,而其中連通改進(jìn)BIRCH算法則在大數(shù)據(jù)集上明顯更優(yōu)一些,其在pendigits數(shù)據(jù)集上的運行準(zhǔn)確率比密度改進(jìn)BIRCH提高6個百分點,且耗時減少55.2s,降低了密度改進(jìn)BIRCH算法61%的耗時量。連通改進(jìn)BIRCH算法在功能上和密度改進(jìn)BIRCH算法接近,但是耗時明顯較短。原因如下:密度改進(jìn)BIRCH由于構(gòu)建了多棵聚類特征樹所以首先在空間復(fù)雜度上明顯高于連通改進(jìn)BIRCH。其次,密度改進(jìn)BIRCH中用Eps和MinPts代替了聚類特征樹的簇直徑T,而加入數(shù)據(jù)對象時“代表點密度增加,當(dāng)它變成核心點后,還要掃描所有核心點聚類特征樹,歸入鄰近核心點”[9],

    這就相當(dāng)于連通改進(jìn)算法流程(見圖1)的步驟一中n>I為否的情況(其耗時等于本文算法的主要增加時間復(fù)雜度O(kHN)),考慮到兩種算法前后增加的計算過程,尤其是密度改進(jìn)算法還有多次合并多棵聚類特征樹的分裂節(jié)點、更新聚類特征值等較為復(fù)雜的操作,所以可見連通改進(jìn)BIRCH算法耗時更短且實現(xiàn)更為簡單。

    5?結(jié)語

    本文針對BIRCH及其現(xiàn)有改進(jìn)算法在不能在線實時運行、只能聚類球形簇、聚類結(jié)果依賴于數(shù)據(jù)對象的添加順序、每個簇只能包含數(shù)量相近的數(shù)據(jù)對象、算法時間空間復(fù)雜度高等方面存在的一個或若干個問題,提出了可以解決上述問題的改進(jìn)算法。本文連通改進(jìn)BIRCH算法融合了DBSCAN算法區(qū)域半徑和鄰域?qū)ο髷?shù)閾值的概念,用其代替簇直徑閾值T,并且采用簇先合并再分裂的方法,提高了BIRCH算法的適用范圍和運行性能。時間空間復(fù)雜度及實驗結(jié)果表明,該算法在損失有限的運算時間和存儲空間的前提下可以有效地提高聚類準(zhǔn)確率,并且在處理大數(shù)據(jù)集時依然具有不錯的性能表現(xiàn)。

    參考文獻(xiàn)(References)

    [1] ZHANG T, RAMAKRISHNAN R, LINVY M. BIRCH: an efficient data clustering method for very large databases[C]// SIGMOD 1996: Proceedings of the 1996 ACM SIGMOD International Conference on Management of Data. New York: ACM, 1996: 103-114.

    [2] 邵峰晶, 張斌, 于忠清.多閾值BIRCH聚類算法及其應(yīng)用[J]. 計算機(jī)工程與應(yīng)用, 2004, 41(12): 174-176. (SHAO F J, ZHANG B, YU Z Q. BIRCH clustering algorithm with mult_threshold[J]. Computer Engineering and Applications, 2004, 41(12): 174-176.)

    [3] 蔣盛益, 李霞. 一種改進(jìn)的BIRCH聚類算法[J]. 計算機(jī)應(yīng)用, 2009, 29(1): 293-296. (JIANG S Y, LI X. Improved BIRCH clustering algorithm[J]. Journal of Computer Applications, 2009, 29(1): 293-296.)

    [4] 仰孝富.基于BIRCH改進(jìn)算法的文本聚類研究[D]. 北京: 北京林業(yè)大學(xué), 2013: 22-29. (YANG X F. Research of text clustering based on improved BIRCH[D]. Beijing: Beijing Forestry University, 2013: 22-29.)

    [5] 曾曉迪.一種基于K-mediods改進(jìn)BIRCH的大數(shù)據(jù)聚類方法[D]. 昆明: 云南財經(jīng)大學(xué), 2014: 27-31. (ZENG X D. A big data clustering method based on K-mediods improved BIRCH[D]. Kunming: Yunnan University of Finance and Economics, 2014: 27-31.)

    [6] 鄒杰濤, 趙方霞, 汪海燕.基于加權(quán)相似性的聚類算法[J]. 數(shù)學(xué)的實踐與認(rèn)知, 2011, 47(16): 118-124. (ZOU J T, ZHAO F X, WANG H Y. Clustering algorithm based on weighted similarity[J]. Mathematics in Practice and Theory, 2011, 47(16): 118-124.)

    [7] HUANG Z X. A fast clustering algorithm to cluster very large categorical data sets in data mining[EB/OL]. [2018-05-10]. http://www.vladestivill-castro.net/teaching/kdd.d/readings.d/huang97 fast.pdf.

    [8] MACQUEEN J. Some methods for classification and analysis of mul-tivariate observations[C]// Proceedings of the 5th Berkeley Symposium on Mathematical Statistics and Probability. Berkeley: University of California Press, 1967, 1: 281-297.

    [9] 韋相.基于密度的改進(jìn)BIRCH聚類算法[J]. 計算機(jī)工程與應(yīng)用, 2013, 49(10): 201-205. (WEI X. Improved BIRCH clustering algorithm based on density[J]. Computer Engineering and Applications, 2013, 49(10): 201-205.)

    [10] MADAN S, DANA K J. Modified Balanced Iterative Reducing and Clustering using Hierarchies (m-BIRCH) for visual clustering[J]. Pattern Analysis and Applications, 2016, 19(4): 1023-1040.

    [11] ESTER M, KRIEGEL H, SANDER J, et a1. A density-based algorithm for discovering clusters in large spatial databases with noise[C]// Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining. Menlo Park, CA: AAAI Press, 1996: 226-231.

    [12] AWWAD B, HASAN S, GAN J Q. Sequential EM for unsupervised adaptive Gaussian mixture model based classifier[C]// MLDM 2009: Proceedings of the 6th International Conference on Machine Learning and Data Mining in Pattern Recognition, LNAI 5632. Berlin: Springer, 2009: 96-106.

    [13] LAUER F, SCHNORR C. Spectral clustering of linear subspaces for motion segmentation[C]// Proceedings of the 2009 IEEE 12th International Conference on Computer Vision. Piscataway, NJ: IEEE, 2009: 678-685.

    [14] NG A Y, JORDAN M I, WEISS Y. On spectral clustering: analysis and an algorithm[EB/OL]. [2018-05-10]. http://papers.nips.cc/paper/2092-on-spectral-clustering-analysis-and-an-algorithm.pdf.

    [15] MERZC J, MERPHY P. UCI repository of machine learning data-bases[DB/OL]. [2018-03-19]. http://archive.ics.uci.edu/ml/index.php.

    老熟妇乱子伦视频在线观看| 99久久久亚洲精品蜜臀av| 日产精品乱码卡一卡2卡三| 91麻豆精品激情在线观看国产| a级毛片a级免费在线| 一个人免费在线观看电影| 欧美色视频一区免费| 成熟少妇高潮喷水视频| 国产精品99久久久久久久久| 无遮挡黄片免费观看| 九色成人免费人妻av| 成人无遮挡网站| 夜夜夜夜夜久久久久| 少妇熟女欧美另类| 老司机午夜福利在线观看视频| 一级黄片播放器| 国产人妻一区二区三区在| 最近在线观看免费完整版| 亚洲四区av| 美女内射精品一级片tv| 亚洲四区av| 美女cb高潮喷水在线观看| 欧美成人一区二区免费高清观看| 一级毛片我不卡| 嫩草影院入口| 欧美色视频一区免费| 1024手机看黄色片| 一本一本综合久久| 老司机影院成人| 99久国产av精品国产电影| 最后的刺客免费高清国语| 国产精品久久久久久av不卡| 一区二区三区免费毛片| 国产亚洲精品久久久com| 卡戴珊不雅视频在线播放| 69人妻影院| 岛国在线免费视频观看| 国产黄色视频一区二区在线观看 | 国产片特级美女逼逼视频| 亚洲精品乱码久久久v下载方式| 欧美+日韩+精品| 一区二区三区高清视频在线| 欧美精品国产亚洲| 亚洲欧美清纯卡通| av在线老鸭窝| 精品熟女少妇av免费看| 波多野结衣高清作品| 99riav亚洲国产免费| 一卡2卡三卡四卡精品乱码亚洲| 日韩成人伦理影院| 亚洲自拍偷在线| 嫩草影院精品99| 能在线免费观看的黄片| 精品久久久久久久久久免费视频| 免费在线观看影片大全网站| 亚洲av美国av| 日本欧美国产在线视频| 亚洲三级黄色毛片| 久久热精品热| 亚洲最大成人av| 国产精品一区www在线观看| 精品久久久久久久久久免费视频| 一进一出抽搐gif免费好疼| 香蕉av资源在线| 一个人观看的视频www高清免费观看| 欧美色欧美亚洲另类二区| 99久久精品一区二区三区| av在线蜜桃| 99久久精品热视频| 日韩欧美精品免费久久| 日韩欧美国产在线观看| 人妻夜夜爽99麻豆av| 精品午夜福利在线看| 男插女下体视频免费在线播放| 欧美另类亚洲清纯唯美| 欧美最新免费一区二区三区| 日本五十路高清| 久久热精品热| 久久精品国产亚洲av天美| 亚洲国产精品久久男人天堂| 性欧美人与动物交配| 亚洲一区高清亚洲精品| 国产单亲对白刺激| 久久精品国产亚洲av天美| 成人一区二区视频在线观看| 国产欧美日韩精品一区二区| av在线亚洲专区| 国产白丝娇喘喷水9色精品| av.在线天堂| 午夜影院日韩av| 精品人妻偷拍中文字幕| 精品久久国产蜜桃| 国产亚洲欧美98| 搡老熟女国产l中国老女人| 人人妻人人澡欧美一区二区| 免费大片18禁| 最新在线观看一区二区三区| 99久久九九国产精品国产免费| 3wmmmm亚洲av在线观看| 男女视频在线观看网站免费| 亚洲不卡免费看| 亚洲国产精品合色在线| 久久久久久伊人网av| 日韩高清综合在线| 青春草视频在线免费观看| 不卡一级毛片| 国产一区二区在线av高清观看| 老司机影院成人| 精品国内亚洲2022精品成人| 久久久午夜欧美精品| 露出奶头的视频| 一级黄片播放器| 中国美白少妇内射xxxbb| 午夜福利18| 超碰av人人做人人爽久久| 啦啦啦啦在线视频资源| 国产精品1区2区在线观看.| 久久久久久伊人网av| 春色校园在线视频观看| 国产aⅴ精品一区二区三区波| 国产精品亚洲一级av第二区| 亚洲内射少妇av| 一进一出抽搐动态| 日本熟妇午夜| 高清日韩中文字幕在线| 三级毛片av免费| 亚洲精华国产精华液的使用体验 | av国产免费在线观看| 99国产精品一区二区蜜桃av| 国产高清三级在线| 97碰自拍视频| 最近中文字幕高清免费大全6| 精品久久久久久成人av| 亚洲欧美精品自产自拍| 亚洲美女视频黄频| 欧美zozozo另类| 欧洲精品卡2卡3卡4卡5卡区| 国产精品亚洲一级av第二区| 国产伦精品一区二区三区视频9| 色综合站精品国产| 日本黄色片子视频| 99精品在免费线老司机午夜| 亚洲乱码一区二区免费版| 一级毛片久久久久久久久女| 久久久久精品国产欧美久久久| 日本黄色视频三级网站网址| 淫秽高清视频在线观看| 老司机午夜福利在线观看视频| 成年版毛片免费区| 国产精品人妻久久久影院| 国产欧美日韩一区二区精品| 亚洲无线观看免费| 日日撸夜夜添| 最近的中文字幕免费完整| 尾随美女入室| 黄片wwwwww| 国产精品久久视频播放| 亚洲丝袜综合中文字幕| 亚洲成人中文字幕在线播放| 美女cb高潮喷水在线观看| 成人欧美大片| 国产精品无大码| 国产成人a∨麻豆精品| av黄色大香蕉| 97碰自拍视频| 欧美激情在线99| 中文在线观看免费www的网站| 亚洲中文字幕一区二区三区有码在线看| 国产精品三级大全| 高清毛片免费看| 欧美日韩一区二区视频在线观看视频在线 | 欧美激情久久久久久爽电影| 色综合亚洲欧美另类图片| 禁无遮挡网站| 在线国产一区二区在线| www.色视频.com| 国产成人影院久久av| 国产精品电影一区二区三区| 欧美bdsm另类| 一进一出抽搐动态| 日韩国内少妇激情av| avwww免费| 美女cb高潮喷水在线观看| 午夜视频国产福利| 精品人妻视频免费看| 天天躁日日操中文字幕| 一级毛片aaaaaa免费看小| 久久人人精品亚洲av| 成人午夜高清在线视频| 天堂av国产一区二区熟女人妻| 自拍偷自拍亚洲精品老妇| 免费人成视频x8x8入口观看| 日韩一区二区视频免费看| 久久人人精品亚洲av| 亚洲婷婷狠狠爱综合网| 青春草视频在线免费观看| 村上凉子中文字幕在线| 国产精品久久久久久av不卡| 欧美潮喷喷水| www日本黄色视频网| 春色校园在线视频观看| 亚洲欧美日韩东京热| 香蕉av资源在线| 国产黄色视频一区二区在线观看 | 国产色婷婷99| 亚洲乱码一区二区免费版| 18禁在线无遮挡免费观看视频 | 超碰av人人做人人爽久久| 久久久久久久久久久丰满| 国内少妇人妻偷人精品xxx网站| 久久综合国产亚洲精品| 成人美女网站在线观看视频| 国产色爽女视频免费观看| 成人毛片a级毛片在线播放| 免费看美女性在线毛片视频| 国产av一区在线观看免费| ponron亚洲| 亚洲av熟女| 亚洲图色成人| 亚洲自拍偷在线| 亚洲va在线va天堂va国产| 赤兔流量卡办理| 国产 一区精品| 插阴视频在线观看视频| 男女那种视频在线观看| 国产白丝娇喘喷水9色精品| 午夜精品国产一区二区电影 | 女生性感内裤真人,穿戴方法视频| 亚洲av一区综合| av视频在线观看入口| 在线免费观看不下载黄p国产| 国产综合懂色| 成人综合一区亚洲| 久久人妻av系列| 特级一级黄色大片| 哪里可以看免费的av片| 尤物成人国产欧美一区二区三区| 无遮挡黄片免费观看| 男插女下体视频免费在线播放| 中文资源天堂在线| 长腿黑丝高跟| 一级av片app| 日本-黄色视频高清免费观看| 听说在线观看完整版免费高清| 人妻久久中文字幕网| 寂寞人妻少妇视频99o| 校园人妻丝袜中文字幕| 亚洲av中文字字幕乱码综合| 国产伦精品一区二区三区视频9| 日韩 亚洲 欧美在线| 亚洲av二区三区四区| 亚洲精品国产成人久久av| 亚洲不卡免费看| 久久精品人妻少妇| 插阴视频在线观看视频| 国产精品99久久久久久久久| 男女边吃奶边做爰视频| 久久人妻av系列| 国产一区二区三区av在线 | av黄色大香蕉| 一a级毛片在线观看| 麻豆国产av国片精品| 色综合色国产| 舔av片在线| 国产大屁股一区二区在线视频| 久久久午夜欧美精品| 一本久久中文字幕| 老熟妇乱子伦视频在线观看| 丰满乱子伦码专区| 亚洲在线自拍视频| 丰满的人妻完整版| 国产精品久久久久久久久免| 欧美+亚洲+日韩+国产| 亚洲精品久久国产高清桃花| 成人高潮视频无遮挡免费网站| 亚洲熟妇中文字幕五十中出| 亚洲图色成人| 3wmmmm亚洲av在线观看| 欧美丝袜亚洲另类| ponron亚洲| 97热精品久久久久久| av在线亚洲专区| 国产高清视频在线观看网站| 日韩欧美国产在线观看| 精品国产三级普通话版| 麻豆乱淫一区二区| 久久热精品热| 一级毛片我不卡| 不卡视频在线观看欧美| 成人漫画全彩无遮挡| 欧美国产日韩亚洲一区| 日本色播在线视频| 国产视频内射| 男女啪啪激烈高潮av片| 国产淫片久久久久久久久| 欧美激情久久久久久爽电影| 中文字幕熟女人妻在线| 可以在线观看毛片的网站| 久久久成人免费电影| 在线免费观看不下载黄p国产| 欧美日韩一区二区视频在线观看视频在线 | 一级a爱片免费观看的视频| 好男人在线观看高清免费视频| 老熟妇乱子伦视频在线观看| 日日干狠狠操夜夜爽| a级一级毛片免费在线观看| 91麻豆精品激情在线观看国产| 99久国产av精品| 嫩草影视91久久| 国内精品宾馆在线| 欧美日韩一区二区视频在线观看视频在线 | 在线观看一区二区三区| 最近的中文字幕免费完整| 免费观看在线日韩| 一级毛片我不卡| 又黄又爽又免费观看的视频| 日韩欧美免费精品| 国产精品不卡视频一区二区| 国产黄a三级三级三级人| 天堂影院成人在线观看| 九九久久精品国产亚洲av麻豆| 国产视频内射| 婷婷精品国产亚洲av在线| 亚洲四区av| 免费av不卡在线播放| 日本爱情动作片www.在线观看 | 亚洲aⅴ乱码一区二区在线播放| 成人精品一区二区免费| 哪里可以看免费的av片| 黄色欧美视频在线观看| 国产一区亚洲一区在线观看| 日本在线视频免费播放| 精品国产三级普通话版| 蜜桃亚洲精品一区二区三区| 欧美日本亚洲视频在线播放| 久久精品国产亚洲网站| 91午夜精品亚洲一区二区三区| 亚洲欧美清纯卡通| 国产精品久久久久久久电影| 性色avwww在线观看| 亚洲av五月六月丁香网| 免费看美女性在线毛片视频| 亚洲无线观看免费| 欧美一区二区亚洲| 真人做人爱边吃奶动态| 亚洲内射少妇av| 国产在线精品亚洲第一网站| 亚洲av免费在线观看| 亚洲国产精品国产精品| 国产精品av视频在线免费观看| 国产成人freesex在线 | 99视频精品全部免费 在线| а√天堂www在线а√下载| 日韩欧美在线乱码| 激情 狠狠 欧美| 国产欧美日韩精品一区二区| 有码 亚洲区| 国内精品久久久久精免费| 久久久久久伊人网av| 亚洲美女搞黄在线观看 | 真实男女啪啪啪动态图| 久久久久久久久大av| 午夜精品国产一区二区电影 | 日韩欧美精品v在线| 欧美xxxx性猛交bbbb| 91久久精品电影网| 可以在线观看的亚洲视频| 国产一级毛片七仙女欲春2| 欧美xxxx黑人xx丫x性爽| 大香蕉久久网| 性插视频无遮挡在线免费观看| 精品少妇黑人巨大在线播放 | 高清日韩中文字幕在线| 国产 一区 欧美 日韩| 久久亚洲精品不卡| 久久精品国产鲁丝片午夜精品| 黄片wwwwww| 99久国产av精品| 亚洲欧美日韩无卡精品| 国产单亲对白刺激| 亚洲精品成人久久久久久| 免费看av在线观看网站| 日韩欧美精品v在线| 色视频www国产| 午夜福利在线在线| 欧美丝袜亚洲另类| 少妇人妻一区二区三区视频| 男人狂女人下面高潮的视频| 精华霜和精华液先用哪个| 女人被狂操c到高潮| 午夜福利18| 干丝袜人妻中文字幕| 亚洲成人精品中文字幕电影| 欧美成人精品欧美一级黄| 无遮挡黄片免费观看| 成人鲁丝片一二三区免费| 欧美日本亚洲视频在线播放| 老司机午夜福利在线观看视频| 亚洲国产精品sss在线观看| 色视频www国产| 亚洲美女黄片视频| 精品日产1卡2卡| 一a级毛片在线观看| 色av中文字幕| 老熟妇仑乱视频hdxx| 少妇猛男粗大的猛烈进出视频 | av女优亚洲男人天堂| 人妻制服诱惑在线中文字幕| 91久久精品国产一区二区三区| 久久久久久久久久久丰满| 国产av在哪里看| 亚洲欧美清纯卡通| 伦理电影大哥的女人| 色综合站精品国产| 国产在线精品亚洲第一网站| 成人国产麻豆网| 热99re8久久精品国产| 国产老妇女一区| 深爱激情五月婷婷| 亚洲三级黄色毛片| 99热网站在线观看| 晚上一个人看的免费电影| 国产女主播在线喷水免费视频网站 | 亚洲精品色激情综合| 干丝袜人妻中文字幕| 身体一侧抽搐| 欧美成人a在线观看| 日韩欧美在线乱码| 亚洲av成人av| 亚洲国产精品久久男人天堂| 国产精品福利在线免费观看| 在现免费观看毛片| 亚洲国产精品合色在线| 国产精品乱码一区二三区的特点| 99在线人妻在线中文字幕| 青春草视频在线免费观看| 久久热精品热| 中国美白少妇内射xxxbb| 狂野欧美激情性xxxx在线观看| 亚洲人成网站在线观看播放| 免费观看人在逋| 亚洲中文字幕一区二区三区有码在线看| 一个人观看的视频www高清免费观看| 乱人视频在线观看| 国产免费男女视频| 毛片一级片免费看久久久久| 欧美三级亚洲精品| 乱系列少妇在线播放| 久久精品人妻少妇| 久久久国产成人精品二区| 美女大奶头视频| 一卡2卡三卡四卡精品乱码亚洲| 99久久精品热视频| 十八禁国产超污无遮挡网站| 国产一区二区亚洲精品在线观看| 国产午夜精品论理片| av在线播放精品| 波野结衣二区三区在线| 国产精华一区二区三区| 大型黄色视频在线免费观看| 欧美3d第一页| 热99在线观看视频| 亚洲av成人精品一区久久| 色哟哟·www| 日韩人妻高清精品专区| 在线看三级毛片| 欧美日韩在线观看h| 成年av动漫网址| 国产精品免费一区二区三区在线| 青春草视频在线免费观看| 亚洲最大成人av| 两性午夜刺激爽爽歪歪视频在线观看| 中文亚洲av片在线观看爽| 一本久久中文字幕| 91午夜精品亚洲一区二区三区| 成年免费大片在线观看| 国产一区二区在线观看日韩| 观看免费一级毛片| 亚洲熟妇熟女久久| 欧美+日韩+精品| 嫩草影院入口| 免费在线观看影片大全网站| 久久99热6这里只有精品| eeuss影院久久| 一本精品99久久精品77| 国国产精品蜜臀av免费| 日本熟妇午夜| 最近手机中文字幕大全| 午夜福利高清视频| 干丝袜人妻中文字幕| 男女做爰动态图高潮gif福利片| 午夜久久久久精精品| 天堂√8在线中文| 中文字幕av在线有码专区| 亚洲av第一区精品v没综合| 一个人看的www免费观看视频| 亚洲精品久久国产高清桃花| 久久热精品热| 极品教师在线视频| 免费电影在线观看免费观看| 午夜免费男女啪啪视频观看 | 亚洲av二区三区四区| 99久国产av精品国产电影| 波多野结衣高清无吗| 欧美成人精品欧美一级黄| 搡女人真爽免费视频火全软件 | 日韩精品中文字幕看吧| 欧美绝顶高潮抽搐喷水| 深夜精品福利| 老司机福利观看| 色在线成人网| aaaaa片日本免费| 三级国产精品欧美在线观看| 成人午夜高清在线视频| 午夜视频国产福利| 长腿黑丝高跟| 国产又黄又爽又无遮挡在线| 日韩制服骚丝袜av| 色av中文字幕| 日韩欧美精品v在线| 桃色一区二区三区在线观看| 天天躁夜夜躁狠狠久久av| 简卡轻食公司| 国产高潮美女av| av女优亚洲男人天堂| 成人av一区二区三区在线看| 最后的刺客免费高清国语| av天堂中文字幕网| 卡戴珊不雅视频在线播放| 少妇高潮的动态图| 色播亚洲综合网| 白带黄色成豆腐渣| 天天躁日日操中文字幕| 亚洲经典国产精华液单| 丝袜美腿在线中文| 黄色一级大片看看| 丝袜美腿在线中文| 精品福利观看| 男女视频在线观看网站免费| 婷婷精品国产亚洲av| 国产成人a∨麻豆精品| 免费观看在线日韩| 久久久国产成人精品二区| 久久中文看片网| 国产亚洲精品综合一区在线观看| 亚洲婷婷狠狠爱综合网| 国产乱人视频| 九九爱精品视频在线观看| 国产一区二区在线av高清观看| 黄色配什么色好看| 精品一区二区三区视频在线| 日韩中字成人| 精品国内亚洲2022精品成人| 亚洲欧美日韩卡通动漫| 成人毛片a级毛片在线播放| 晚上一个人看的免费电影| 国产男人的电影天堂91| 成人高潮视频无遮挡免费网站| 在现免费观看毛片| 亚洲精品成人久久久久久| 啦啦啦观看免费观看视频高清| 日本爱情动作片www.在线观看 | 天天躁日日操中文字幕| 又粗又爽又猛毛片免费看| 亚洲不卡免费看| 成人特级av手机在线观看| 大香蕉久久网| 国产成人aa在线观看| 久久这里只有精品中国| 免费一级毛片在线播放高清视频| 亚洲aⅴ乱码一区二区在线播放| 日韩欧美 国产精品| 男人狂女人下面高潮的视频| 欧美精品国产亚洲| 国产成人freesex在线 | 国产一区二区三区av在线 | 中文亚洲av片在线观看爽| 久久99热6这里只有精品| 在线免费观看的www视频| 欧美激情国产日韩精品一区| 好男人在线观看高清免费视频| 日韩中字成人| 亚洲av中文字字幕乱码综合| 一区二区三区免费毛片| av在线观看视频网站免费| av在线老鸭窝| 亚洲av第一区精品v没综合| 亚洲成人久久性| 欧美另类亚洲清纯唯美| 有码 亚洲区| 人人妻人人澡人人爽人人夜夜 | 亚洲av二区三区四区| 精品无人区乱码1区二区| 久久婷婷人人爽人人干人人爱| 国产亚洲精品综合一区在线观看| 亚洲va在线va天堂va国产| 少妇人妻一区二区三区视频| 联通29元200g的流量卡| 国产成人a∨麻豆精品| av天堂在线播放| 国产在线精品亚洲第一网站| 69人妻影院| 日韩欧美 国产精品| 别揉我奶头 嗯啊视频| 俄罗斯特黄特色一大片| 亚洲欧美精品自产自拍| 欧美另类亚洲清纯唯美| 日韩强制内射视频| 免费观看在线日韩| 色av中文字幕| 露出奶头的视频| 亚洲电影在线观看av| 亚洲av不卡在线观看| 欧美性猛交黑人性爽| 欧美区成人在线视频|