• <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 ?

    基于特征選擇和CNN+Bi-RNN模型的小麥抗寒性識別方法

    2022-06-12 01:20:07金松林來純曉鄭穎李艷翠霍云鳳劉明久4張自陽韓博閆思堯李龍威
    江蘇農(nóng)業(yè)科學(xué) 2022年10期
    關(guān)鍵詞:特征選擇小麥

    金松林 來純曉 鄭穎 李艷翠 霍云鳳 劉明久4 張自陽 韓博 閆思堯 李龍威

    摘要:針對當(dāng)前小麥抗寒性識別方法受限、資源消耗嚴(yán)重等問題,以國審小麥品種的文本數(shù)據(jù)為研究對象,利用特征選擇算法和深度學(xué)習(xí)方法實現(xiàn)小麥抗寒性識別研究。首先,使用集成學(xué)習(xí)中的自適應(yīng)增強(qiáng)(adaptive boosting,簡稱AdaBoost)算法和極端梯度提升(extreme gradient boosting,簡稱XGBoost)算法進(jìn)行特征選擇;然后,將卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,簡稱CNN)抽取的局部特征和雙向循環(huán)神經(jīng)網(wǎng)絡(luò)(Bi-direction recurrent neural network,簡稱Bi-RNN)抽取的上下文特征融合,構(gòu)建基于CNN+Bi-RNN的小麥抗寒性識別模型,通過試驗表明選擇15個特征時CNN+Bi-RNN方法的準(zhǔn)確率、F1值和Kappa系數(shù)最高,分別為0.789 8、0.810 2和0.602 7。最后,使用合成少數(shù)類過采樣技術(shù)(synthetic minority over-sampling technique,簡稱SMOTE)對樣本均衡化處理,處理后訓(xùn)練模型的準(zhǔn)確率均有所提高,其中CNN+Bi-RNN模型的準(zhǔn)確率達(dá)到0.829 2。該方法能夠較好地識別小麥抗寒性,提高育種效率。

    關(guān)鍵詞:小麥;抗寒性識別;特征選擇;CNN+Bi-RNN;樣本均衡化

    中圖分類號:TP391.4;S126 ??文獻(xiàn)標(biāo)志碼: A

    文章編號:1002-1302(2022)10-0201-07

    小麥?zhǔn)俏覈饕募Z食作物和重要的戰(zhàn)略儲備糧,提高小麥產(chǎn)量對確保國家糧食安全具有重要意義。近年來,倒春寒、寒潮等極端低溫天氣發(fā)生的頻率逐年增加、周期逐年縮短[1],黃淮麥區(qū)和長江中下游麥區(qū)發(fā)生的嚴(yán)重倒春寒等低溫天氣使小麥遭受大范圍凍害,嚴(yán)重影響小麥產(chǎn)量[2]。培育出具有抗寒性的優(yōu)良品種對提高小麥產(chǎn)量有重要作用,抗寒性識別成為小麥育種專家引種、選種和栽培確定的重要依據(jù)。

    目前,對小麥抗寒性識別的研究主要集中在生化細(xì)胞、基因分子和模擬低溫環(huán)境等方面[3]。生化細(xì)胞方法測定技術(shù)繁瑣、誤差較大;基因分子方法測定易受基因型和技術(shù)影響,效率偏低;模擬環(huán)境的方法需要營造特定環(huán)境,耗費(fèi)人力、物力和財力。近年來,深度學(xué)習(xí)方法被廣泛應(yīng)用到花型品種識別、農(nóng)業(yè)文本分類、作物病害預(yù)測等方面[4]。袁培森等使用端到端的卷積神經(jīng)網(wǎng)絡(luò)技術(shù)逐層學(xué)習(xí)特征,獲取多層網(wǎng)絡(luò)提取菊花的特征信息,實現(xiàn)了菊花花型和品種智能識別[5]。金寧等結(jié)合雙向門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)和多尺度并行卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化文本表示和文本特征提取,能夠準(zhǔn)確地對用戶提問實現(xiàn)自動分類[6]。張善文等結(jié)合知識圖譜和雙向長短時記憶網(wǎng)絡(luò)方法對小麥條銹病進(jìn)行預(yù)測,準(zhǔn)確率達(dá)到93.21%[7]。

    針對當(dāng)前小麥抗寒性識別方法存在的問題,借鑒深度學(xué)習(xí)技術(shù)和特征選擇算法在農(nóng)業(yè)和工業(yè)研究領(lǐng)域的成功案例[8-16],本研究基于特征選擇和深度學(xué)習(xí)方法對小麥抗寒性識別進(jìn)行研究。首先使用自適應(yīng)增強(qiáng)(adaptive boosting,簡稱AdaBoost)算法和極端梯度提升(extreme gradient boosting,簡稱XGBoost)算法對小麥數(shù)據(jù)進(jìn)行特征選擇,然后分別使用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,簡稱CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,簡稱RNN)提取小麥抗寒性的局部特征和序列特征,對獲取的深層語義特征信息進(jìn)行融合[17-18],構(gòu)建基于特征選擇和CNN+Bi-RNN的小麥抗寒性識別模型,最后通過樣本均衡化進(jìn)一步改善識別模型的性能。本研究的特征選擇結(jié)果可對抗寒性進(jìn)行有效特征篩選,為育種工作者培育出抗寒性品種提供更可靠的決策信息,提高育種效率。

    1 數(shù)據(jù)與方法

    1.1 試驗數(shù)據(jù)

    本研究試驗數(shù)據(jù)來源于中國種業(yè)大數(shù)據(jù)平臺(http://202.127.42.47:6010/SDSite/Home/Index)。利用Python編寫爬蟲系統(tǒng)爬取1978—2019年間的國審小麥品種信息,共得到3 513個品種的特性、熟性、生育期、幼苗特性、葉色、分葉能力、株型、株高、穗型、芒狀、殼色、粒色、籽粒硬度、籽粒飽滿度、畝穗數(shù)(1畝≈667 m2)、穗粒數(shù)、千粒重(指千粒質(zhì)量)、熟相、抗倒性、抗寒性、抗旱性、粗蛋白質(zhì)、濕面筋含量、降落指數(shù)、沉淀指數(shù)、吸水量、面團(tuán)形成時間、面團(tuán)穩(wěn)定時間、弱化度、出粉率、延伸性、最大拉伸能量、最大拉伸面積、最大拉伸阻力、容重、節(jié)水指數(shù)、節(jié)水性37個文本特征信息。針對爬取的文本數(shù)據(jù)中出現(xiàn)的多詞同義、錯別字和常量單位不統(tǒng)一等噪聲問題,參考Entz等的研究[19]并結(jié)合相關(guān)專家的建議,采用自動和人工相結(jié)合的方式對數(shù)據(jù)預(yù)處理,預(yù)處理后的每個特征信息分別按照語義信息統(tǒng)一采用字符串(如冬性、幼苗匍匐、株型緊湊等)和字符串混合數(shù)值(如生育期75至85、株高80至85、容重750至770等)2種類型表示,保留特征信息較為完整的3 049條小麥數(shù)據(jù)作為小麥抗寒性識別的數(shù)據(jù)集。不同的特征詞出現(xiàn)頻次及作用不同,根據(jù)每個特征詞的詞頻-逆向文件頻率(term frequency-inverse document frequency,簡稱 TF-IDF)的值,由高到低排序生成特征詞云分布(圖1)。

    從圖1可以看到,特征詞的顯示與 TF-IDF 呈正相關(guān)關(guān)系,在圖1中顯示較大的特征詞對應(yīng)的 TF-IDF 值也較大,說明對應(yīng)的特征詞對樣本區(qū)分較為重要。特征詞主要集中在穗粒數(shù)、畝穗數(shù)、熟性、生長期、千粒質(zhì)量等有關(guān)特征描述中,說明這些特征對目標(biāo)識別的影響較大。試驗選取抗寒性為標(biāo)簽,依據(jù)文本語義將抗寒性分為抗寒性強(qiáng)、抗寒性中、抗寒性弱、抗寒性未顯4類,將試驗數(shù)據(jù)以 6 ∶2 ∶2 的比例分為訓(xùn)練集、驗證集、測試集。

    1.2 特征選擇

    特征選擇通過評估函數(shù)度量特征與目標(biāo)值之間的相關(guān)性,從特征子集中尋找最佳組合,去除原數(shù)據(jù)中不相關(guān)或者冗余的特征。特征選擇不僅可以減少數(shù)據(jù)運(yùn)算的內(nèi)存消耗,還可以減少過擬合,提升模型的泛化能力。

    AdaBoost算法采用自適應(yīng)增強(qiáng)方式將訓(xùn)練得到的多個弱分類器加權(quán)組成強(qiáng)分類器,實現(xiàn)特征選擇。該算法充分考慮每個分類器的權(quán)重,具有很高的精度,通過增大錯誤分類樣本權(quán)值的方式增強(qiáng)學(xué)習(xí),提高分類器的精度,獲得特征的重要程度。XGBoost算法采用集成策略方式,依據(jù)梯度提升算法和正則項的引入,逐步減小已生成決策樹的損失,不斷更新最新生成樹模型,確保特征重要性程度計算的可靠性。充分發(fā)揮XGBoost和AdaBoost 2個集成算法在特征選擇過程中的優(yōu)勢,計算與抗寒性相關(guān)的各個特征的重要程度(特征值)。2種不同特征選擇算法得到的特征值結(jié)果見圖2。綜合分析2種算法計算結(jié)果,采用投票原則,分別從前10、15、20、25、30個特征中選擇2種算法重要的特征交集,構(gòu)建不同的特征組合。

    1.3 基于CNN+Bi-RNN的試驗方法

    CNN采用局部感知結(jié)構(gòu),通過局部連接和權(quán)值共享的方式提取訓(xùn)練數(shù)據(jù)的局部特征,以減少神經(jīng)網(wǎng)絡(luò)的參數(shù),緩解模型的過擬合問題;Bi-RNN采用引入記憶單元的方式,提取輸入特征在2個方向上的序列信息。為了進(jìn)一步提升小麥抗寒性識別的性能,將局部上下文特征信息和序列特征信息融合,構(gòu)建了CNN與Bi-RNN的混合模型CNN+Bi-RNN。首先,使用詞向量工具Word2vec將輸入的特征信息映射為特征向量;然后,分別使用CNN和Bi-RNN提取能夠表示抗寒性的局部特征信息和序列特征信息;最后,使用向量拼接的方法將提取的局部特征和序列特征信息拼接,完成特征的提取?;贑NN+Bi-RNN的小麥抗寒性識別模型的整體結(jié)構(gòu)見圖3。

    CNN+Bi-RNN模型依次為詞向量嵌入層、CNN、Bi-RNN、特征融合層、全連接層與輸出層。詞向量嵌入層使用Word2vec將預(yù)處理后小麥的特征詞映射到100維的向量空間,然后嵌入到神經(jīng)網(wǎng)絡(luò)中。嵌入小麥樣本的特征向量W=RL×100,其中R表示樣本集,L表示輸入特征組合中的特征數(shù)目。

    CNN使用大小為R3×100的卷積核,對輸入文本W(wǎng)向量 進(jìn)行卷積計算,獲得輸入小麥文本的局部特征信息。設(shè)定卷積核數(shù)目為64,卷積步長為1,卷積計算后的特征向量C=R(L-2)×64。為了縮減模型復(fù)雜度,提高模型計算速度和提取特征的魯棒性,使用池化層對卷積層提取的局部特征進(jìn)行2次提取,采用最大池化操作獲取最能代表輸入特征的重要信息,設(shè)定池化窗口為2,僅保留輸入特征信息在局部區(qū)域的最大值,池化操作后的特征向量P=RL-12×64。

    利用過去輸入特征詞和后面輸入特征詞采用Bi-RNN提取輸入特征詞之間的序列信息。Bi-RNN依據(jù)輸入長度的變化而動態(tài)調(diào)整自身的網(wǎng)絡(luò)狀態(tài),實現(xiàn)對嵌入小麥特征詞向量W的序列特征信息提取,此網(wǎng)絡(luò)不僅解決了輸入小麥特征詞文本之間的長序依賴問題,而且能夠從正向RNN與反向RNN 2個方向提取序列數(shù)據(jù)特征。設(shè)定隱藏神經(jīng)元個數(shù)為32,獲取的序列特征向量S=R64。

    采用向量拼接的方法進(jìn)行特征融合,將CNN提取的局部特征向量P和Bi-RNN提取的序列特征向量S進(jìn)行拼接,融合后的特征向量F=R128。該方法能夠強(qiáng)化深度學(xué)習(xí)網(wǎng)絡(luò)模型的特征學(xué)習(xí)能力,提升特征的表示強(qiáng)度。

    使用全連接層將前一層網(wǎng)絡(luò)融合后特征信息由高維轉(zhuǎn)為低維,同時映射到各個隱語義節(jié)點(diǎn)。全連接可以實現(xiàn)對輸入信息的維度變換和隱含語義表達(dá),此時網(wǎng)絡(luò)中的每個神經(jīng)元都和前一層的所有神經(jīng)元進(jìn)行全連接,將前一層提取到的高維小麥特征信息映射為一維向量D=R32。

    最后,使用Softmax分類器將多個神經(jīng)元的輸出映射到(0,1)區(qū)間內(nèi),得到所屬4個類別的概率,輸出概率值最大的類別實現(xiàn)最終的分類目標(biāo)。

    1.4 基于訓(xùn)練數(shù)據(jù)均衡化的CNN+Bi-RNN試驗方法

    不均衡樣本構(gòu)建的分類模型在訓(xùn)練過程中會降低對少數(shù)類樣本的關(guān)注程度,分類的結(jié)果會更傾向于多數(shù)類樣本,從而在整體上影響分類模型對小麥抗寒性的正確鑒定。針對本研究數(shù)據(jù)集中不同抗寒性類別的樣本數(shù)量存在的訓(xùn)練數(shù)據(jù)不均衡問題,采用合成少數(shù)類過采樣技術(shù)[20-22]對樣本進(jìn)行均衡化處理,使用默認(rèn)參數(shù)對抗寒性適中和較弱的樣本進(jìn)行過采樣,合成訓(xùn)練集中2種標(biāo)簽的樣本,使不同類別的抗寒性樣本趨于均衡化。合成少數(shù)類過采樣技術(shù)(synthetic minority over sampling technique,簡稱SMOTE)樣本均衡通過插值的方式加入近鄰的數(shù)據(jù)點(diǎn),擴(kuò)充少數(shù)類的樣本數(shù)目。樣本均衡通過隨機(jī)改變樣本,不僅可以改善抗寒性識別的性能,而且可以降低對某些屬性的依賴,從而提高模型的泛化能力。

    2 結(jié)果與分析

    以構(gòu)建的小麥特征文本數(shù)據(jù)集為研究對象,利用AdaBoost和XGBoost算法進(jìn)行特征選擇,去除數(shù)據(jù)中的冗余特征,選擇最佳特征進(jìn)行組合,然后利用構(gòu)建的CNN+Bi-RNN模型實現(xiàn)小麥抗寒性識別,最后將訓(xùn)練數(shù)據(jù)進(jìn)行均衡化,有效改善小麥抗寒性模型的識別性能。

    2.1 特征選擇結(jié)果與分析

    分別使用算法AdaBoost和XGBoost分析各個特征對小麥抗寒性的重要性。將2種算法計算出的特征重要程度進(jìn)行對比分析,從前10、15、20、25、30個特征中進(jìn)行選擇,選出2個特征選擇算法計算出重要性均較高的特征組合。試驗選擇范圍、選擇特征組和選出相同特征個數(shù)情況見表1。

    2種特征選擇算法生成最優(yōu)特征子集的計算策略不同,因此2種算法所得的特征重要性程度也有差異。通過表1可以發(fā)現(xiàn),依據(jù)2個特征選擇算法計算的特征重要性程度,從前10、15、20、25、30個特征中進(jìn)行選擇,分別有5、10、15、19、27個特征對2個模型的重要性相同。按照綜合分析選出的特征數(shù)目,共組合成5種特征子集,分別命名為Group1(即選擇特征個數(shù)為5)、Group2、Group3、Group4、Group5,將全部特征命名為Group6。最后利用本研究構(gòu)建的模型對選擇的特征組合性能進(jìn)行驗證。

    2.2 基于CNN+Bi-RNN的試驗結(jié)果與分析

    試驗采用網(wǎng)格搜索方式,設(shè)置批量訓(xùn)練的大小和迭代次數(shù)。以16為步長,評估10~300的不同批次大小的試驗結(jié)果。每次訓(xùn)練批次大小選定為32,即每批次處理32個小麥樣本數(shù)據(jù),設(shè)置模型訓(xùn)練的迭代次數(shù)為280。為了防止模型訓(xùn)練過程中神經(jīng)網(wǎng)絡(luò)參數(shù)增多產(chǎn)生過擬合,在卷積神經(jīng)網(wǎng)絡(luò)層和雙向循環(huán)神經(jīng)網(wǎng)絡(luò)層之后,添加丟棄率為0.2的Dropout層,隨機(jī)刪除部分神經(jīng)元。試驗選擇Adam為優(yōu)化器,學(xué)習(xí)速率為0.001。在劃分的訓(xùn)練集上構(gòu)建試驗?zāi)P停缓笤隍炞C集上調(diào)整優(yōu)化模型參數(shù),最后在測試集上驗證模型的整體性能。

    為驗證選出特征組合和抗寒性識別模型的有效性,試驗選取CNN、Bi-RNN與本研究構(gòu)建的CNN+Bi-RNN模型進(jìn)行對比試驗,對比模型試驗的訓(xùn)練批次設(shè)定為32,采用Early-stopping的方式監(jiān)控驗證集的loss值,當(dāng)驗證集的loss值連續(xù)10輪沒有下降則終止訓(xùn)練。試驗以準(zhǔn)確率(accuracy)、F1-值(F1-score)和一致性檢驗系數(shù)(Kappa系數(shù))作為模型的評價標(biāo)準(zhǔn)。不同特征組與模型在測試集上的試驗結(jié)果對比如表2所示。

    從表2可知,特征組為Group1時,CNN模型的試驗結(jié)果明顯高于Bi-RNN模型。特征組為Group2,CNN模型的性能仍優(yōu)于Bi-RNN,但是優(yōu)勢不太明顯。特征組選擇為Group3、Group4、Group5、Group6時,Bi-RNN模型的性能要優(yōu)于CNN模型,并且當(dāng)特征組為Group3,即特征選擇個數(shù)為15時,Bi-RNN模型的準(zhǔn)確率、F1值和Kappa系數(shù)要比Group1時的CNN模型分別高出0.077 2、0.078 8、0.172 1。結(jié)果表明,CNN提取小麥文本的上下文特征和Bi-RNN提取的特征詞之間的序列信息,均可用于小麥抗寒性鑒定。選取特征個數(shù)較少(特征選擇個數(shù)為5和10)時,CNN獲取的局部特征信息更加有利于模型做出正確的抗寒性分類識別;隨著特征選擇個數(shù)的增加,Bi-RNN獲取的序列特征信息有效地改善了分類識別的性能。

    另外,特征組為Group1,CNN+Bi-RNN模型的性能欠佳,低于CNN模型與Bi-RNN模型;特征組為Group2、Group3、Group4、Group、Group6,CNN+Bi-RNN模型的性能高于CNN模型和Bi-RNN模型,在Group3中,CNN+Bi-RNN模型對小麥的抗寒性識別的準(zhǔn)確率、F1值、Kappa系數(shù)達(dá)到了最高,分別為0.789 8、0.810 2、0.602 7。結(jié)果表明,特征選擇個數(shù)較少會導(dǎo)致模型中的參數(shù)個數(shù)較少,進(jìn)而影響模型的性能;特征選擇個數(shù)較多,增加了模型中的參數(shù)個數(shù),但是增加的冗余特征會引起模型的性能下降;特征組Group3結(jié)合CNN+Bi-RNN模型對小麥抗寒性識別的性能上表現(xiàn)最優(yōu),說明Group3中的15個特征在小麥抗寒性識別試驗中有重要作用。

    2.3 基于訓(xùn)練數(shù)據(jù)均衡化的CNN+Bi-RNN試驗結(jié)果與分析

    在小麥抗寒性識別訓(xùn)練數(shù)據(jù)集中,抗寒性未顯的樣本個數(shù)為1 218,抗寒性強(qiáng)的樣本個數(shù)為360,抗寒性中的樣本個數(shù)為202,抗寒性弱的樣本個數(shù)為49。訓(xùn)練樣本的數(shù)據(jù)存在不均衡,采用SMOTE隨機(jī)過采樣技術(shù)合成訓(xùn)練集中樣本數(shù)目較少的類別,使各個類別的樣本趨于均衡化。訓(xùn)練樣本均衡化前后數(shù)據(jù)分布見圖4。

    樣本均衡化之后,小麥抗寒性識別訓(xùn)練數(shù)據(jù)集中,抗寒性未顯的樣本個數(shù)為1 218,抗寒性強(qiáng)的樣本個數(shù)為360,抗寒性中的樣本個數(shù)為360,抗寒性弱的樣本個數(shù)為360。從圖4可以看到,樣本均衡化之后抗寒性適中和較弱的分類樣本數(shù)增多,各個分類樣本的分布較均衡化前更為清晰,但是也出現(xiàn)多個分類樣本重合的現(xiàn)象。試驗結(jié)果表明,在對訓(xùn)練集樣本均衡化之后,模型訓(xùn)練過程中出現(xiàn)了較為明顯的過擬合現(xiàn)象,本研究通過增大Dropout層的丟棄率至0.4,改善模型的過擬合,提升模型在測試集上的泛化能力。

    為了進(jìn)一步驗證樣本均衡化后小麥抗寒性識別的效果,在相同條件下使用Group3特征組對不同模型進(jìn)行樣本均衡化,試驗結(jié)果對比見圖5。

    由圖5可知,樣本均衡化后3種不同模型在測試集上的性能均有提升,其中,CNN模型與CNN+Bi-RNN的改善效果較為明顯。CNN+Bi-RNN模型的準(zhǔn)確率和F1值分別提高了0.039 4、0.013 3,Kappa系數(shù)達(dá)到了0.641 2。樣本均衡化處理通過人工合成少數(shù)類別樣本,不僅改善數(shù)據(jù)不平衡的問題,并且增加對少數(shù)類別樣本的關(guān)注程度。試驗結(jié)果表明,樣本均衡化不僅可提高試驗預(yù)測的準(zhǔn)確率,而且能改善小麥抗寒性識別的一致性檢驗性能。

    3 討論與結(jié)論

    本研究提出了一種融合特征選擇與深度學(xué)習(xí)的小麥抗寒性識別方法。首先對收集整理的國審小麥品種特征文本數(shù)據(jù)集預(yù)處理,然后構(gòu)建CNN+Bi-RNN小麥抗寒性識別模型,最后采用樣本均衡化處理的訓(xùn)練集,檢驗本研究方法的性能。通過試驗得到以下結(jié)論:(1)采用CNN+Bi-RNN模型可以有效解決小麥抗寒性識別問題。將輸入的文本特征詞訓(xùn)練為高維的詞向量,使用CNN充分挖掘特征詞上下文之間的局部信息;使用Bi-RNN從前后2個方向上提取整個輸入特征文本序列信息。通過試驗驗證表明,采用將捕獲的局部特征信息和序列特征信息進(jìn)行組合的方法對小麥抗寒性識別的準(zhǔn)確度和Kappa系數(shù)均高于其他對比模型。(2)提出融合特征選擇和深度學(xué)習(xí)的方法,將選出的特征組與構(gòu)建的CNN+Bi-RNN模型相結(jié)合,試驗結(jié)果表明特征選擇為畝穗數(shù)、熟性、品種特性、吸水量、抗倒性、株高、熟相、分葉能力、穗粒數(shù)、幼苗特性、葉色、拉伸面積、生長期、株型、抗旱性15個特征時,小麥的抗寒性識別模型結(jié)果最優(yōu),這15個特征對小麥的抗寒性影響較大。(3)使用SMOTE隨機(jī)過采樣技術(shù)可以解決樣本不均衡問題。訓(xùn)練數(shù)據(jù)集樣本均衡化后,試驗方法的準(zhǔn)確度和Kappa系數(shù)均有提高,說明通過增加數(shù)目較少的標(biāo)簽數(shù)量可以有效緩解少數(shù)類樣本被忽略的問題,從而改善小麥抗寒性識別的性能。

    本研究提出的小麥抗寒性識別方法能夠指導(dǎo)育種專家在育種選擇時更具有針對性地選擇地抗寒品種,為小麥信息化育種提供決策輔助。下一步工作將繼續(xù)優(yōu)化特征選取方法,找到更優(yōu)的特征子集,進(jìn)一步提高抗寒性識別的準(zhǔn)確率。

    參考文獻(xiàn):

    [1]張淑娟,宋國琦,高 潔,等. 小麥春季抗寒性研究進(jìn)展[J]. 山東農(nóng)業(yè)科學(xué),2017,49(6):157-162.

    [2]趙 虹,王西成,胡衛(wèi)國,等. 黃淮南片麥區(qū)小麥倒春寒凍害成因及預(yù)防措施[J]. 河南農(nóng)業(yè)科學(xué),2014,43(8):34-38.

    [3]趙瑞玲,趙 勇,易騰飛,等. 小麥種質(zhì)資源的抗寒性鑒定及品種篩選[J]. 山東農(nóng)業(yè)大學(xué)學(xué)報(自然科學(xué)版),2019,50(1):25-30.

    [4]呂盛坪,李燈輝,冼榮亨. 深度學(xué)習(xí)在我國農(nóng)業(yè)中的應(yīng)用研究現(xiàn)狀[J]. 計算機(jī)工程與應(yīng)用,2019,55(20):24-33,51.

    [5]袁培森,黎 薇,任守綱,等. 基于卷積神經(jīng)網(wǎng)絡(luò)的菊花花型和品種識別[J]. 農(nóng)業(yè)工程學(xué)報,2018,34(5):152-158.

    [6]金 寧,趙春江,吳華瑞,等. 基于BiGRU_MulCNN的農(nóng)業(yè)問答問句分類技術(shù)研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報,2020,51(5):199-206.

    [7]張善文,王 振,王祖良. 結(jié)合知識圖譜與雙向長短時記憶網(wǎng)絡(luò)的小麥條銹病預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報,2020,36(12):172-178.

    [8]Chen T Q,Guestrin C. XGBoost:a scalable tree boosting system[C]//Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York:ACM,2016:785-794.

    [9]李占山,劉兆賡. 基于XGBoost的特征選擇算法[J]. 通信學(xué)報,2019,40(10):101-108.

    [10]姜少飛,鄔天驥,彭 翔,等. 基于XGBoost特征提取的數(shù)據(jù)驅(qū)動故障診斷方法[J]. 中國機(jī)械工程,2020,31(10):1232-1239.

    [11]傅隆生,馮亞利,Elkamil Tola,等. 基于卷積神經(jīng)網(wǎng)絡(luò)的田間多簇獼猴桃圖像識別方法[J]. 農(nóng)業(yè)工程學(xué)報,2018,34(2):205-211.

    [12]鄭 誠,薛滿意,洪彤彤,等. 用于短文本分類的DC-BiGRU_CNN模型[J]. 計算機(jī)科學(xué),2019,46(11):186-192.

    [13]Yang F,Zhang J H,Liu G S,et al. Five-stroke based CNN-BiRNN-CRF network for Chinese named entity recognition[C]//Natural Language Processing and Chinese Computing.Switzerland:Springer,2018:184-195.

    [14]佃松宜,程 鵬,王 凱,等. 基于雙向循環(huán)神經(jīng)網(wǎng)絡(luò)的跌倒行為識別[J]. 計算機(jī)工程與設(shè)計,2020,41(7):2019-2024.

    [15]Al-shaibani M S,Alyafeai Z,Ahmad I. Meter classification of Arabic poems using deep bidirectional recurrent neural networks[J]. Pattern Recognition Letters,2020,136:1-7.

    [16]Li Z,Zhu J P,Xu X J,et al. RDense:a protein-RNA binding prediction model based on bidirectional recurrent neural network and densely connected convolutional networks[J]. IEEE Access,2019,8:14588-14605.

    [17]曹建榮,呂俊杰,武欣瑩,等. 融合運(yùn)動特征和深度學(xué)習(xí)的跌倒檢測算法[J]. 計算機(jī)應(yīng)用,2021,41(2):583-589.

    [18]楊朝強(qiáng),邵黨國,楊志豪,等. 多特征融合的中文短文本分類模型[J]. 小型微型計算機(jī)系統(tǒng),2020,41(7):1421-1426.

    [19]Entz M H,Kirk A P,Carkner M,et al. Evaluation of lines from a farmer participatory organic wheat breeding program[J]. Crop Science,2018,58(6):2433-2443.

    [20]劉云鵬,和家慧,許自強(qiáng),等. 基于SVM SMOTE的電力變壓器故障樣本均衡化方法[J]. 高電壓技術(shù),2020,46(7):2522-2529.

    [21]石洪波,陳雨文,陳 鑫. SMOTE過采樣及其改進(jìn)算法研究綜述[J]. 智能系統(tǒng)學(xué)報,2019,14(6):1073-1083.

    [22]Chawla N V,Bowyer K W,Hall L O,et al. SMOTE:synthetic minority over-sampling technique[J]. Journal of Artificial Intelligence Research,2002,16:321-357.

    猜你喜歡
    特征選擇小麥
    主產(chǎn)區(qū)小麥?zhǔn)召忂M(jìn)度過七成
    孔令讓的“小麥育種夢”
    金橋(2021年10期)2021-11-05 07:23:28
    葉面施肥實現(xiàn)小麥畝增產(chǎn)83.8千克
    哭娃小麥
    Kmeans 應(yīng)用與特征選擇
    電子制作(2017年23期)2017-02-02 07:17:06
    聯(lián)合互信息水下目標(biāo)特征選擇算法
    基于特征選擇和RRVPMCD的滾動軸承故障診斷方法
    基于二元搭配詞的微博情感特征選擇
    亚洲avbb在线观看| 中文字幕人妻丝袜一区二区| a级毛片在线看网站| e午夜精品久久久久久久| 黄色a级毛片大全视频| 麻豆成人av在线观看| 精品久久久久久,| 岛国视频午夜一区免费看| 亚洲精品中文字幕一二三四区| 午夜老司机福利片| 亚洲国产欧美网| 午夜精品国产一区二区电影| 久久久国产精品麻豆| 久久香蕉激情| 久久久久久久久免费视频了| 亚洲 欧美 日韩 在线 免费| 一二三四社区在线视频社区8| 18禁裸乳无遮挡免费网站照片 | 国产午夜精品久久久久久| 俄罗斯特黄特色一大片| 狂野欧美激情性xxxx| 女人爽到高潮嗷嗷叫在线视频| 大型黄色视频在线免费观看| 俄罗斯特黄特色一大片| 精品日产1卡2卡| 欧美绝顶高潮抽搐喷水| 国产精品香港三级国产av潘金莲| 国产精品久久视频播放| 9色porny在线观看| 成人特级黄色片久久久久久久| 午夜福利一区二区在线看| 亚洲精品中文字幕一二三四区| 亚洲一区高清亚洲精品| 国产伦一二天堂av在线观看| 国产不卡一卡二| 日日干狠狠操夜夜爽| 国产成人欧美在线观看| 亚洲色图av天堂| 男人舔女人下体高潮全视频| 免费看十八禁软件| 91老司机精品| 男人舔女人的私密视频| 久久人妻福利社区极品人妻图片| 午夜福利成人在线免费观看| 午夜激情av网站| 国产精品香港三级国产av潘金莲| 中国美女看黄片| 午夜成年电影在线免费观看| 国产精品国产高清国产av| 久久国产精品男人的天堂亚洲| 免费女性裸体啪啪无遮挡网站| 桃色一区二区三区在线观看| 免费无遮挡裸体视频| 男人舔女人下体高潮全视频| 亚洲五月婷婷丁香| 欧美久久黑人一区二区| 午夜精品国产一区二区电影| 日本免费a在线| 亚洲一区高清亚洲精品| 9热在线视频观看99| 国产精品香港三级国产av潘金莲| 一本久久中文字幕| 一区二区三区国产精品乱码| 亚洲成人精品中文字幕电影| 大型av网站在线播放| 精品午夜福利视频在线观看一区| 麻豆成人av在线观看| 国产私拍福利视频在线观看| 午夜福利视频1000在线观看 | 90打野战视频偷拍视频| 久久久久久亚洲精品国产蜜桃av| 亚洲国产精品合色在线| 亚洲,欧美精品.| 成人手机av| 高潮久久久久久久久久久不卡| 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| 精品一区二区三区四区五区乱码| 亚洲最大成人中文| 性少妇av在线| 精品高清国产在线一区| 免费少妇av软件| 99国产精品一区二区蜜桃av| 久久国产精品人妻蜜桃| 不卡一级毛片| 俄罗斯特黄特色一大片| 高清在线国产一区| 欧美一区二区精品小视频在线| 变态另类丝袜制服| bbb黄色大片| 中文字幕高清在线视频| 黑人巨大精品欧美一区二区蜜桃| 满18在线观看网站| 国产精品一区二区免费欧美| 99久久久亚洲精品蜜臀av| 长腿黑丝高跟| 亚洲人成电影免费在线| 欧美绝顶高潮抽搐喷水| 在线观看一区二区三区| 欧美成狂野欧美在线观看| 啦啦啦观看免费观看视频高清 | 欧美一级毛片孕妇| 精品不卡国产一区二区三区| 亚洲精品美女久久av网站| 精品国产一区二区久久| 日韩精品中文字幕看吧| 欧美黑人欧美精品刺激| 日本撒尿小便嘘嘘汇集6| 免费在线观看视频国产中文字幕亚洲| 亚洲激情在线av| 制服诱惑二区| 熟妇人妻久久中文字幕3abv| 国产一卡二卡三卡精品| 精品熟女少妇八av免费久了| 精品久久久精品久久久| 精品国产美女av久久久久小说| 午夜福利视频1000在线观看 | 亚洲av熟女| www.精华液| 亚洲人成网站在线播放欧美日韩| 亚洲熟妇熟女久久| av片东京热男人的天堂| 精品不卡国产一区二区三区| or卡值多少钱| 成熟少妇高潮喷水视频| ponron亚洲| 国产精品自产拍在线观看55亚洲| 国产精品永久免费网站| 每晚都被弄得嗷嗷叫到高潮| 日本免费a在线| 国产精品 欧美亚洲| 亚洲成人免费电影在线观看| 久久中文字幕一级| 久久久久精品国产欧美久久久| 999久久久精品免费观看国产| 久久久久久久午夜电影| 大码成人一级视频| 午夜福利影视在线免费观看| 国产精品99久久99久久久不卡| 精品无人区乱码1区二区| 中出人妻视频一区二区| 精品久久久久久久久久免费视频| 一级毛片精品| 欧美乱色亚洲激情| 亚洲精品一卡2卡三卡4卡5卡| 久久久久久人人人人人| 男人舔女人下体高潮全视频| 亚洲精品国产精品久久久不卡| 大陆偷拍与自拍| 欧美色视频一区免费| 夜夜夜夜夜久久久久| 美国免费a级毛片| 久久亚洲精品不卡| 一进一出抽搐动态| 美女国产高潮福利片在线看| 变态另类丝袜制服| 国产区一区二久久| 在线观看www视频免费| 色综合站精品国产| 日韩欧美国产在线观看| 久久人人精品亚洲av| 电影成人av| 国内精品久久久久精免费| 国产欧美日韩一区二区三区在线| 亚洲av美国av| 亚洲国产看品久久| 欧美日韩精品网址| 亚洲成人精品中文字幕电影| 国产欧美日韩精品亚洲av| 嫁个100分男人电影在线观看| 亚洲一区高清亚洲精品| 久久国产亚洲av麻豆专区| 亚洲五月色婷婷综合| 国产精品久久久av美女十八| 成人亚洲精品一区在线观看| 国产av又大| 成人18禁高潮啪啪吃奶动态图| 曰老女人黄片| 亚洲欧美日韩无卡精品| 亚洲av电影在线进入| 给我免费播放毛片高清在线观看| 91大片在线观看| 亚洲电影在线观看av| 久久天堂一区二区三区四区| 亚洲成av人片免费观看| 色婷婷久久久亚洲欧美| 久久精品人人爽人人爽视色| 亚洲avbb在线观看| 日本五十路高清| 麻豆av在线久日| 国产成人精品久久二区二区免费| 精品乱码久久久久久99久播| 亚洲精品国产一区二区精华液| 999精品在线视频| 日本免费a在线| 黑人欧美特级aaaaaa片| 午夜a级毛片| 久99久视频精品免费| 亚洲国产精品合色在线| 日韩视频一区二区在线观看| 91老司机精品| 黄色女人牲交| 亚洲欧美精品综合久久99| 亚洲熟女毛片儿| 黄色视频,在线免费观看| 亚洲欧洲精品一区二区精品久久久| 亚洲精品在线观看二区| tocl精华| 国产成+人综合+亚洲专区| 免费在线观看完整版高清| 首页视频小说图片口味搜索| 又紧又爽又黄一区二区| 亚洲一码二码三码区别大吗| 看黄色毛片网站| 亚洲精品久久成人aⅴ小说| 一级作爱视频免费观看| 日韩国内少妇激情av| 久久天堂一区二区三区四区| 十分钟在线观看高清视频www| 欧美成人午夜精品| 黄色视频,在线免费观看| 亚洲熟女毛片儿| 日韩三级视频一区二区三区| 亚洲天堂国产精品一区在线| 国产又爽黄色视频| 亚洲欧美激情综合另类| 一进一出抽搐gif免费好疼| 久久久久久久精品吃奶| 亚洲精品av麻豆狂野| 国产主播在线观看一区二区| 久久草成人影院| 999久久久精品免费观看国产| 久久精品国产亚洲av高清一级| 免费在线观看日本一区| 宅男免费午夜| 亚洲男人的天堂狠狠| 欧美+亚洲+日韩+国产| 18美女黄网站色大片免费观看| 91九色精品人成在线观看| 午夜福利,免费看| 少妇的丰满在线观看| 女人被躁到高潮嗷嗷叫费观| 高清毛片免费观看视频网站| 777久久人妻少妇嫩草av网站| 露出奶头的视频| 久久久久精品国产欧美久久久| 欧美日本亚洲视频在线播放| 可以在线观看的亚洲视频| 可以在线观看毛片的网站| 亚洲伊人色综图| av网站免费在线观看视频| 国产精品 欧美亚洲| 18禁观看日本| 中国美女看黄片| 香蕉久久夜色| 久久久水蜜桃国产精品网| 欧美一级毛片孕妇| 久久国产乱子伦精品免费另类| 麻豆国产av国片精品| 国产乱人伦免费视频| 91成年电影在线观看| 久久国产精品人妻蜜桃| 国产一区在线观看成人免费| 亚洲免费av在线视频| 国产高清视频在线播放一区| 18禁裸乳无遮挡免费网站照片 | 中文字幕久久专区| 亚洲第一青青草原| 国内久久婷婷六月综合欲色啪| 亚洲av成人不卡在线观看播放网| 久久九九热精品免费| 色老头精品视频在线观看| or卡值多少钱| 99国产精品99久久久久| 亚洲精品国产精品久久久不卡| 日本三级黄在线观看| 国产av在哪里看| 国产熟女午夜一区二区三区| 动漫黄色视频在线观看| 母亲3免费完整高清在线观看| av电影中文网址| 国产一区二区激情短视频| 久久久久精品国产欧美久久久| 亚洲国产精品999在线| 国产欧美日韩综合在线一区二区| 亚洲国产欧美日韩在线播放| 青草久久国产| 黄网站色视频无遮挡免费观看| 国产成人精品无人区| 亚洲av片天天在线观看| 久久久久久大精品| 真人做人爱边吃奶动态| 在线天堂中文资源库| 级片在线观看| 午夜福利一区二区在线看| 久久久久国产一级毛片高清牌| 久久人人97超碰香蕉20202| 国产亚洲av嫩草精品影院| 午夜激情av网站| 搡老妇女老女人老熟妇| 熟妇人妻久久中文字幕3abv| 国产亚洲精品久久久久5区| 国产成人精品久久二区二区免费| 色综合站精品国产| 99国产精品99久久久久| 国产精品日韩av在线免费观看 | 大陆偷拍与自拍| 成人欧美大片| 欧美日本中文国产一区发布| 欧美一级a爱片免费观看看 | av视频免费观看在线观看| 少妇的丰满在线观看| 乱人伦中国视频| 操出白浆在线播放| 日本免费一区二区三区高清不卡 | 亚洲少妇的诱惑av| 精品无人区乱码1区二区| 女人被躁到高潮嗷嗷叫费观| 久99久视频精品免费| 亚洲一区二区三区色噜噜| 在线观看午夜福利视频| 亚洲欧美激情在线| www.www免费av| 99国产精品99久久久久| 国产不卡一卡二| 免费看十八禁软件| 91老司机精品| 亚洲全国av大片| 午夜精品在线福利| 久久久久久免费高清国产稀缺| 丝袜人妻中文字幕| 亚洲 欧美 日韩 在线 免费| 成人手机av| 亚洲熟女毛片儿| 久久精品成人免费网站| 精品少妇一区二区三区视频日本电影| 日韩高清综合在线| 动漫黄色视频在线观看| 男人操女人黄网站| 欧美一区二区精品小视频在线| 好男人在线观看高清免费视频 | 欧美黑人欧美精品刺激| 啦啦啦观看免费观看视频高清 | 女人爽到高潮嗷嗷叫在线视频| 91成年电影在线观看| 免费一级毛片在线播放高清视频 | 中文字幕精品免费在线观看视频| 精品免费久久久久久久清纯| 美女国产高潮福利片在线看| a级毛片在线看网站| 免费无遮挡裸体视频| 大型av网站在线播放| 欧美精品啪啪一区二区三区| cao死你这个sao货| 国产精品98久久久久久宅男小说| 欧美在线一区亚洲| 久热爱精品视频在线9| 色精品久久人妻99蜜桃| 亚洲成人免费电影在线观看| tocl精华| 久久人人97超碰香蕉20202| 一进一出抽搐动态| 亚洲少妇的诱惑av| 欧美黄色淫秽网站| 巨乳人妻的诱惑在线观看| 精品欧美一区二区三区在线| 亚洲精品久久成人aⅴ小说| 精品久久久久久成人av| 久久精品国产亚洲av香蕉五月| 亚洲国产精品久久男人天堂| 丰满的人妻完整版| 人人澡人人妻人| 深夜精品福利| 看免费av毛片| 国产成人精品在线电影| 美国免费a级毛片| 欧美日韩乱码在线| 手机成人av网站| 香蕉丝袜av| 亚洲专区字幕在线| 欧美成人性av电影在线观看| 国产精品一区二区精品视频观看| 一本久久中文字幕| 99久久久亚洲精品蜜臀av| 欧美日韩一级在线毛片| 999久久久国产精品视频| 99久久国产精品久久久| 人人妻,人人澡人人爽秒播| 日本vs欧美在线观看视频| 婷婷精品国产亚洲av在线| 亚洲欧美激情综合另类| 美女免费视频网站| www.熟女人妻精品国产| www.999成人在线观看| 亚洲 欧美一区二区三区| 国产亚洲欧美在线一区二区| 一本综合久久免费| 亚洲黑人精品在线| 日韩中文字幕欧美一区二区| 久久久国产成人免费| 天天躁夜夜躁狠狠躁躁| 最近最新中文字幕大全免费视频| 美女国产高潮福利片在线看| 99riav亚洲国产免费| 久久久久久免费高清国产稀缺| 99在线视频只有这里精品首页| 国产欧美日韩一区二区三区在线| 国产亚洲欧美98| 男人舔女人的私密视频| 性欧美人与动物交配| 美女免费视频网站| 国产高清videossex| 岛国视频午夜一区免费看| 久久青草综合色| 成人亚洲精品一区在线观看| 国产免费男女视频| 国产精品久久久久久人妻精品电影| 一二三四在线观看免费中文在| 久久久久国内视频| 免费在线观看影片大全网站| 99久久精品国产亚洲精品| 美女大奶头视频| 美女扒开内裤让男人捅视频| 亚洲av美国av| 久久久久久久久中文| 久久人妻福利社区极品人妻图片| 咕卡用的链子| 欧美在线一区亚洲| 亚洲电影在线观看av| 99香蕉大伊视频| 此物有八面人人有两片| 自拍欧美九色日韩亚洲蝌蚪91| 欧美黑人精品巨大| 久久久久久久久免费视频了| 成人亚洲精品一区在线观看| 757午夜福利合集在线观看| 一级,二级,三级黄色视频| 国产午夜福利久久久久久| 日韩有码中文字幕| 国产成人系列免费观看| 国产人伦9x9x在线观看| 美女高潮到喷水免费观看| 色播在线永久视频| av视频在线观看入口| 777久久人妻少妇嫩草av网站| 亚洲五月婷婷丁香| 国产精品久久久久久亚洲av鲁大| 精品久久蜜臀av无| 免费av毛片视频| 久久青草综合色| 国产av精品麻豆| 欧美不卡视频在线免费观看 | 最近最新免费中文字幕在线| 悠悠久久av| 性少妇av在线| 久久精品国产亚洲av香蕉五月| 亚洲在线自拍视频| 国产一区二区三区在线臀色熟女| 欧美日韩瑟瑟在线播放| 给我免费播放毛片高清在线观看| 神马国产精品三级电影在线观看 | 国产av精品麻豆| 成人精品一区二区免费| 一夜夜www| 在线观看66精品国产| 欧美成狂野欧美在线观看| 黑人巨大精品欧美一区二区蜜桃| 色av中文字幕| 欧美黄色片欧美黄色片| 精品国产国语对白av| 99国产精品一区二区蜜桃av| 不卡一级毛片| 亚洲一区高清亚洲精品| 91麻豆精品激情在线观看国产| 99精品在免费线老司机午夜| 日本免费a在线| 黑人巨大精品欧美一区二区mp4| 中文字幕人妻熟女乱码| 日本欧美视频一区| 精品一区二区三区av网在线观看| 大陆偷拍与自拍| 国产乱人伦免费视频| 好男人在线观看高清免费视频 | 黄频高清免费视频| 黄网站色视频无遮挡免费观看| 人人妻人人澡人人看| 精品国产一区二区三区四区第35| 午夜免费鲁丝| 一夜夜www| 日韩中文字幕欧美一区二区| 99久久精品国产亚洲精品| 精品人妻在线不人妻| 欧美最黄视频在线播放免费| 久久精品国产亚洲av高清一级| 亚洲中文字幕日韩| 日韩一卡2卡3卡4卡2021年| 国产高清激情床上av| 国产人伦9x9x在线观看| 亚洲av电影在线进入| 9热在线视频观看99| 欧美人与性动交α欧美精品济南到| 久久国产乱子伦精品免费另类| 日韩欧美国产在线观看| 日韩视频一区二区在线观看| 又紧又爽又黄一区二区| 亚洲人成伊人成综合网2020| 国产精品久久久人人做人人爽| 免费一级毛片在线播放高清视频 | 亚洲精品中文字幕在线视频| www国产在线视频色| 宅男免费午夜| 国产亚洲精品一区二区www| 1024视频免费在线观看| 日韩精品青青久久久久久| 人妻久久中文字幕网| 99精品欧美一区二区三区四区| 久久精品国产综合久久久| 母亲3免费完整高清在线观看| 欧美一区二区精品小视频在线| 成人三级做爰电影| 亚洲精品粉嫩美女一区| 91精品国产国语对白视频| 国产成人精品在线电影| 精品卡一卡二卡四卡免费| 国产成年人精品一区二区| 两个人看的免费小视频| 国产欧美日韩一区二区三| av天堂久久9| 亚洲男人天堂网一区| 制服人妻中文乱码| 国产精品爽爽va在线观看网站 | 亚洲全国av大片| 法律面前人人平等表现在哪些方面| 久久香蕉国产精品| 成年版毛片免费区| 美女 人体艺术 gogo| 久久婷婷人人爽人人干人人爱 | 一个人观看的视频www高清免费观看 | 国产视频一区二区在线看| 无人区码免费观看不卡| 他把我摸到了高潮在线观看| 韩国av一区二区三区四区| 亚洲人成电影观看| 神马国产精品三级电影在线观看 | 午夜福利成人在线免费观看| 国产一区二区在线av高清观看| 亚洲av五月六月丁香网| 美女 人体艺术 gogo| 在线永久观看黄色视频| 热re99久久国产66热| 一级片免费观看大全| 午夜精品国产一区二区电影| 欧美国产日韩亚洲一区| 日韩视频一区二区在线观看| 夜夜看夜夜爽夜夜摸| 亚洲一区高清亚洲精品| 亚洲精品美女久久久久99蜜臀| 在线十欧美十亚洲十日本专区| tocl精华| 精品一品国产午夜福利视频| 久久久久久久久中文| www.www免费av| 色在线成人网| 免费在线观看日本一区| 夜夜爽天天搞| 亚洲少妇的诱惑av| 50天的宝宝边吃奶边哭怎么回事| 亚洲av熟女| 伊人久久大香线蕉亚洲五| 国产av一区在线观看免费| 俄罗斯特黄特色一大片| 色哟哟哟哟哟哟| 亚洲avbb在线观看| 一个人免费在线观看的高清视频| 黄网站色视频无遮挡免费观看| 中文字幕色久视频| 女生性感内裤真人,穿戴方法视频| 国产精品1区2区在线观看.| 美女 人体艺术 gogo| 精品乱码久久久久久99久播| 欧美精品啪啪一区二区三区| 人人妻人人澡人人看| 国产私拍福利视频在线观看| 免费在线观看视频国产中文字幕亚洲| 一级作爱视频免费观看| 色综合亚洲欧美另类图片| 欧美乱色亚洲激情| 99香蕉大伊视频| 丰满的人妻完整版| 欧美 亚洲 国产 日韩一| 99精品久久久久人妻精品| 国产精品久久久人人做人人爽| 国产精品亚洲美女久久久| 别揉我奶头~嗯~啊~动态视频| 午夜福利一区二区在线看| 国产精品亚洲美女久久久| 亚洲一卡2卡3卡4卡5卡精品中文| 国产av一区二区精品久久| 亚洲国产日韩欧美精品在线观看 | 窝窝影院91人妻| 在线观看午夜福利视频| 国产成人系列免费观看| 看片在线看免费视频| 高清毛片免费观看视频网站| 国产一区在线观看成人免费| 色播在线永久视频| 香蕉国产在线看| 国产精品香港三级国产av潘金莲| 91在线观看av| 国产熟女午夜一区二区三区| 国产精品久久久久久精品电影 | 在线观看免费视频网站a站| 香蕉久久夜色| 一进一出抽搐动态| 在线免费观看的www视频|