• <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 ?

    基于改進(jìn)VGG-16和樸素貝葉斯的手寫數(shù)字識別

    2020-06-19 07:51:31王梅李東旭
    現(xiàn)代電子技術(shù) 2020年12期
    關(guān)鍵詞:手寫降維貝葉斯

    王梅 李東旭

    摘 ?要: 為了解決手寫數(shù)字識別困難和準(zhǔn)確率問題,提出基于改進(jìn)VGG?16和樸素貝葉斯的手寫數(shù)字識別,主要通過歸一化和雙線性插值對圖像進(jìn)行預(yù)處理,然后通過改進(jìn)的VGG?16網(wǎng)絡(luò)框架對圖像進(jìn)行特征提取和特征融合,通過LDA方法進(jìn)行數(shù)據(jù)降維,最后通過樸素貝葉斯分類器進(jìn)行分類。在MNIST數(shù)據(jù)集中進(jìn)行實(shí)驗(yàn),獲得了99.36%的準(zhǔn)確率。實(shí)驗(yàn)結(jié)果驗(yàn)證了卷積神經(jīng)網(wǎng)絡(luò)與樸素貝葉斯結(jié)合后可以有效地提高識別準(zhǔn)確率。

    關(guān)鍵詞: 手寫數(shù)字識別; VGG?16網(wǎng)絡(luò); 樸素貝葉斯分類器; 圖像預(yù)處理; 特征提取; 數(shù)據(jù)降維

    中圖分類號: TN919?34; TP391.41 ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識碼: A ? ? ? ? ? ? ? ? ? ? ?文章編號: 1004?373X(2020)12?0176?06

    Abstract: The handwritten digit recognition based on naive Bayes and improved VGG?16 is proposed to improve the difficult recognition and low accuracy in handwritten digital recognition. The images preprocessing are performed by means of the normalization and bilinear interpolation, and then the improved VGG?16 network framework is used to extract and fuse the features of the preprocessed images; the data dimension reduction is carried out by means of the LDA method, and then the data classification is conducted by means of the naive Bayesian classifier. The experiments were conducted in MNIST, yielding an accuracy of 99.36%. The experimental results prove that the convolution neural network combined with naive Bayes can effectively improve the recognition accuracy.

    Keywords: Handwritten numeral recognition; VGG?16 network; naive Bayes classifier; images preprocessing; feature extraction; data dimension reduction

    0 ?引 ?言

    數(shù)字識別一直是計(jì)算機(jī)視覺與深度學(xué)習(xí)領(lǐng)域研究的熱點(diǎn)問題。在財(cái)務(wù)處理、金融管理、車牌識別、郵政編碼識別和無人駕駛等領(lǐng)域應(yīng)用廣泛。然而對于手寫數(shù)字,人工的手寫數(shù)字筆體不一,導(dǎo)致圖像本身的復(fù)雜性和不確定性,使識別更加困難。例如,日常生活中郵政編碼識別時(shí),微小的錯(cuò)誤可能導(dǎo)致巨大損失。

    傳統(tǒng)的方法都存在特征提取不充分導(dǎo)致準(zhǔn)確率不高的問題,如模板匹配法、統(tǒng)計(jì)決策法、句法結(jié)構(gòu)法、模糊判別法、邏輯推理法和神經(jīng)網(wǎng)絡(luò)法等[1?5]。因此,解決手寫數(shù)字圖像識別的關(guān)鍵在于特征提取,其直接影響最后分類器的識別準(zhǔn)確率。部分學(xué)者為了對特征進(jìn)行高效的提取來提高準(zhǔn)確率,提出的文獻(xiàn)[6]基于旋轉(zhuǎn)投影統(tǒng)計(jì)特征的手寫數(shù)字識別方法通過抽取數(shù)字的輪廓和骨架來提取幾何特征,文獻(xiàn)[7]中基于貝葉斯網(wǎng)絡(luò)的手寫數(shù)字識別的研究與應(yīng)用以及文獻(xiàn)[8]中基于主成分分析法及貝葉斯分類器的手寫數(shù)字識別,雖然在原有的基礎(chǔ)上提高了準(zhǔn)確率,但是未考慮特征是否提取充分,準(zhǔn)確率依舊不足的問題。

    近年來,針對這一問題,文獻(xiàn)[9]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的聯(lián)機(jī)手寫漢字識別系統(tǒng),文獻(xiàn)[10]提出的基于卷積神經(jīng)網(wǎng)絡(luò)的藏文手寫數(shù)字識別,都是通過卷積神經(jīng)網(wǎng)絡(luò)對圖像進(jìn)行充分的提取特征,但是存在提取特征不充分,并未把握淺層特征和深層特征之間的關(guān)系。在此基礎(chǔ)上,部分學(xué)者研究采取特征融合型卷積神經(jīng)網(wǎng)絡(luò)[11],還有部分學(xué)者則是采用傳統(tǒng)的機(jī)器學(xué)習(xí)算法與之結(jié)合的方法,如基于KNN的卷積神經(jīng)網(wǎng)絡(luò)[12],還有學(xué)者則是基于深度卷積自編碼神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識別研究也取得不錯(cuò)的成果[13]。

    在此啟發(fā)下,本文提出樸素貝葉斯[14?16]和卷積特征相結(jié)合的方法,在VGG?16網(wǎng)絡(luò)框架下加上一個(gè)分支來融合淺層特征和深層特征,并在此基礎(chǔ)上為了使網(wǎng)絡(luò)能夠加快學(xué)習(xí)的速度,將采用交叉熵代價(jià)函數(shù)[17],針對網(wǎng)絡(luò)可能出現(xiàn)的過擬合問題,采用dropout[18]的方法來減少過擬合。為保持?jǐn)?shù)據(jù)之間原有的特征聯(lián)系,采用LDA[19]進(jìn)行數(shù)據(jù)降維。最后通過樸素貝葉斯分類器做分類,在MNIST數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)。驗(yàn)證結(jié)果表明,該方法解決了傳統(tǒng)方法的特征提取困難和提取特征不充分等問題,并提高了準(zhǔn)確率。

    1 ?相關(guān)工作

    1.1 ?改進(jìn)VGG?16網(wǎng)絡(luò)

    在傳統(tǒng)VGG?16的網(wǎng)絡(luò)上加上一個(gè)分支,利用這個(gè)分支網(wǎng)絡(luò)實(shí)現(xiàn)淺層特征與深層特征的融合,更好地體現(xiàn)出它們之間的聯(lián)系,進(jìn)而有效地提高了識別準(zhǔn)確率。

    1.1.1 ?卷積層

    2 ?算法設(shè)計(jì)

    2.1 ?算法框架

    本文提出基于改進(jìn)VGG?16和樸素貝葉斯的手寫數(shù)字識別的主要思想是通過雙線性插值和歸一化先對圖像進(jìn)行預(yù)處理,然后經(jīng)改進(jìn)的VGG?16網(wǎng)絡(luò)框架對圖像進(jìn)行特征提取和特征融合,再采用LDA方法進(jìn)行數(shù)據(jù)降維,最后利用樸素貝葉斯分類器進(jìn)行預(yù)測分類。算法框架如圖1所示。

    由圖1可知,算法主要包括兩個(gè)階段:訓(xùn)練階段和測試階段。訓(xùn)練階段:利用訓(xùn)練數(shù)據(jù)集對改進(jìn)的VGG?16網(wǎng)絡(luò)進(jìn)行訓(xùn)練,然后用訓(xùn)練好的網(wǎng)絡(luò)對數(shù)據(jù)集中的樣本進(jìn)行特征提取,把提取后的特征圖轉(zhuǎn)換成特征向量輸入到LDA中進(jìn)行數(shù)據(jù)降維,然后把降維后的向量輸入樸素貝葉斯分類器中做最后的分類。測試階段:用測試數(shù)據(jù)集中帶識別的樣本數(shù)據(jù)進(jìn)行改進(jìn)VGG?16網(wǎng)絡(luò)的特征提取和LDA數(shù)據(jù)降維,送入樸素貝葉斯分類器得到樣本的預(yù)測類別。

    2.2 ?圖像預(yù)處理

    圖像預(yù)處理包括兩個(gè)階段:第一階段,把MNIST數(shù)據(jù)集的圖像做歸一化處理;第二階段,把歸一化后的圖像采用雙線性插值增強(qiáng)的方法對圖像進(jìn)行放大處理。

    2.2.1 ?歸一化

    本文采用的是MNIST手寫數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)。為了避免卷積時(shí)數(shù)據(jù)值過大,因此在訓(xùn)練階段之前對數(shù)據(jù)集中的圖像進(jìn)行歸一化處理,由于MNIST數(shù)據(jù)集中的手寫數(shù)字圖像其灰度值都在0~255之間,因此將圖像的原始像素都除以255,把所有像素歸一化到[0,1]之間。

    2.2.2 ?雙線性插值

    因VGG?16網(wǎng)絡(luò)需要把原有的28×28放大到224×224作為輸入,則需要通過雙線性插值的方法進(jìn)行放大處理。

    設(shè)原圖像大小是m·n,目標(biāo)圖像大小是a·b。那么兩幅圖像的邊長比分別就是[ma]和[nb]。目標(biāo)圖像的第(i,j)個(gè)像素點(diǎn)(i行j列)可以通過邊長比對應(yīng)回源圖像。其對應(yīng)坐標(biāo)為([i·ma],[j·nb])。顯然,這個(gè)對應(yīng)坐標(biāo)一般來說不是整數(shù),而不是整數(shù)的坐標(biāo)是不能在圖像上使用的。因此就需要尋找對應(yīng)坐標(biāo)上最近的4個(gè)像素點(diǎn),進(jìn)而求得該點(diǎn)的值。假設(shè)未知函數(shù)f在點(diǎn)P=(x,y)的值,已知函數(shù)f在Q11=(x1,y1),Q12=(x1,y2),Q21=(x2,y1)以及Q22=(x2,y2)四個(gè)點(diǎn)的值。R1位于Q12和Q22之間,R2位于Q11和Q21之間,首先對x方向進(jìn)行線性插值,得到:

    2.3 ?網(wǎng)絡(luò)結(jié)構(gòu)

    基于改進(jìn)VGG?16和樸素貝葉斯的手寫數(shù)字識別的網(wǎng)絡(luò)結(jié)構(gòu)主要有輸入層、卷積層、池化層、特征融合分支、LDA數(shù)據(jù)降維、樸素貝葉斯分類器和輸出層。本文提出用歸一化和雙線性插值法對圖像進(jìn)行預(yù)處理,然后通過改進(jìn)的VGG?16網(wǎng)絡(luò)對圖像進(jìn)行特征提取和特征融合,再通過LDA進(jìn)行數(shù)據(jù)降維處理,最后采用樸素貝葉斯分類器分類,網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示。

    圖2所示,網(wǎng)絡(luò)主要參數(shù)設(shè)置如下:

    1) 輸入層為歸一化和插值后的224×224圖像;

    2) 第一卷積層分別用兩組64個(gè)3×3的卷積核和64個(gè)1×1卷積核對輸入層的圖像進(jìn)行卷積操作,由于用到補(bǔ)零操作,所以得到64個(gè)224×224的圖像;

    3) 第一池化層通過兩組2×2的區(qū)域?qū)せ畹奶卣鲌D執(zhí)行最大值池化,得到64個(gè)112×112的特征圖;

    4) 第二卷積層通過兩組128個(gè)3×3和128個(gè)1×1的卷積核對第一池化層中的特征圖進(jìn)行卷積操作,同樣是補(bǔ)零的操作,所以得到128個(gè)112×112的圖像;

    5) 第二池化層通過2×2的區(qū)域在對激活的特征圖執(zhí)行最大值池化,得到128個(gè)56×56的特征圖;

    6) 第三卷積層通過三次256個(gè)3×3和256個(gè)1×1的卷積核對輸入層的圖像進(jìn)行卷積操作,由于用到補(bǔ)零操作,所以得到256個(gè)56×56的圖像;

    7) 第三池化層通過2×2的區(qū)域?qū)せ畹奶卣鲌D執(zhí)行最大值池化,得到256個(gè)28×28的特征圖;

    8) 第四卷積層通過三次512個(gè)3×3和512個(gè)1×1的卷積核對輸入層的圖像進(jìn)行卷積操作,由于用到補(bǔ)零操作,所以得到512個(gè)28×28的圖像;

    9) 第四池化層通過2×2的區(qū)域?qū)せ畹奶卣鲌D執(zhí)行最大值池化,得到512個(gè)14×14的特征圖;

    10) 第五卷積層通過三次512個(gè)3×3和512個(gè)1×1的卷積核對輸入層的圖像進(jìn)行卷積操作,由于用到補(bǔ)零操作,所以得到512個(gè)14×14的圖像;

    11) 第五池化層通過2×2的區(qū)域?qū)せ畹奶卣鲌D執(zhí)行平均池化,得到512個(gè)7×7的特征圖,整合成特征向量;

    12) 在每次池化前保留上一層的特征,確保淺層特征和深層特征的融合進(jìn)而提高識別準(zhǔn)確率;

    13) 最后對均值池化進(jìn)行融合淺層特征和深層特征;

    14) 在把特征向量放入LDA中進(jìn)行數(shù)據(jù)降維;

    15) 將整合后的特征向量作為樸素貝葉斯分類器的輸入進(jìn)行分類判斷;

    16) 為了避免過擬合現(xiàn)象采用dropout來保證;

    17) 損失函數(shù)為交叉熵函數(shù)。

    3 ?實(shí)驗(yàn)結(jié)果

    本節(jié)首先介紹MNIST數(shù)據(jù)集,介紹所使用程序運(yùn)行工具,再對實(shí)驗(yàn)結(jié)果進(jìn)行展示分析。

    3.1 ?數(shù)據(jù)集

    本文采用的是MNIST數(shù)據(jù)集,MNIST數(shù)據(jù)集包括60 000行的訓(xùn)練集和10 000行的測試數(shù)據(jù)集。MNIST數(shù)據(jù)集中部分圖像如圖3所示。

    3.2 ?卷積特征可視化

    通過導(dǎo)入訓(xùn)練好的網(wǎng)絡(luò)參數(shù)對樣本數(shù)據(jù)集進(jìn)行圖像的特征提取,本文為了更好地展示出提取的特征,對部分特征進(jìn)行可視化處理,如圖4所示。

    圖4展示了通過雙線性插值放大后的圖像224×224通過第一卷積層64個(gè)3×3的卷積核和64個(gè)1×1卷積核對圖像進(jìn)行特征提取;然后進(jìn)行相似操作,生成特征向量放入LDA中進(jìn)行數(shù)據(jù)降維;最后放入樸素貝葉斯分類器中進(jìn)行判別分類。

    3.3 ?LDA降維

    通過改進(jìn)VGG?16網(wǎng)絡(luò)提取出的特征向量是25 088維數(shù)據(jù),為降低特征維數(shù),本文采用可以保留上下文本關(guān)系的LDA降維方法進(jìn)行數(shù)據(jù)降維。為了研究特征維數(shù)貢獻(xiàn)率與準(zhǔn)確率之間的聯(lián)系,采用列舉的方式,如圖5所示。

    令[β]為特征維數(shù)貢獻(xiàn)率,由圖5可知,當(dāng)[β]的取值逐漸變大準(zhǔn)確率隨著上升,當(dāng)[β]=95%時(shí),準(zhǔn)確率達(dá)到最大值,但當(dāng)[β]繼續(xù)增加時(shí)準(zhǔn)確率反而下降,這時(shí)卷積提取的部分有用信息被LDA刪除。因此,本次實(shí)驗(yàn)中選取當(dāng)[β]=95%時(shí),特征維數(shù)為25 088降維到15 386維,降維的效果最佳且準(zhǔn)確率達(dá)到最高。

    3.4 ?對比實(shí)驗(yàn)

    本文采用VGG?16網(wǎng)絡(luò)做對比實(shí)驗(yàn),在MNIST數(shù)據(jù)集上的損失函數(shù)曲線如圖6所示,識別曲線如圖7所示,識別結(jié)果如圖8所示。

    從圖6~圖8中可以看出,在整個(gè)過程中誤差一直在減小,最終不變化,整個(gè)網(wǎng)絡(luò)達(dá)到收斂狀態(tài),訓(xùn)練集結(jié)果達(dá)到97.52%,在全部數(shù)據(jù)集上達(dá)到97.89%,達(dá)到預(yù)期目標(biāo)。

    3.5 ?實(shí)驗(yàn)結(jié)果與分析

    實(shí)驗(yàn)環(huán)境是Windows 7系統(tǒng),采用Python語言,神經(jīng)網(wǎng)絡(luò)的框架采用Tensorflow。實(shí)驗(yàn)中先采用改進(jìn)的VGG?16網(wǎng)絡(luò)對圖像進(jìn)行特征提取和特征融合,然后采用LDA方法進(jìn)行數(shù)據(jù)降維,再利用樸素貝葉斯分類器進(jìn)行預(yù)測分類,計(jì)算分類識別率。經(jīng)過60 000步訓(xùn)練,損失結(jié)果基本趨于穩(wěn)定,用訓(xùn)練好的網(wǎng)絡(luò)再對數(shù)據(jù)集進(jìn)行測試,結(jié)果如圖9所示。

    由圖9可知,本文提出的算法在MNSIT數(shù)據(jù)集中獲得了99.36%的成功率。為進(jìn)一步驗(yàn)證此算法的有效性和優(yōu)越性,將此方法與傳統(tǒng)的手寫識別算法在全部的樣本上進(jìn)行對比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如表1所示。

    表1的實(shí)驗(yàn)結(jié)果表明,本文提出的基于改進(jìn)VGG?16和樸素貝葉斯的手寫數(shù)字識別,在MNIST數(shù)據(jù)集的分類效果好于傳統(tǒng)的分類方法。本文方法相對于文獻(xiàn)[11]方法提高3.68%,相對于文獻(xiàn)[2]方法提高1.46%,相對于文獻(xiàn)[5]提高5.1%,相對于卷積神經(jīng)網(wǎng)絡(luò)提高1.47%,相對于文獻(xiàn)[13]提高0.03%。這一結(jié)果表明,卷積神經(jīng)網(wǎng)絡(luò)與樸素貝葉斯分類器相結(jié)合可進(jìn)一步提高手寫數(shù)字識別的準(zhǔn)確率。

    4 ?結(jié) ?語

    當(dāng)下手寫數(shù)字識別仍是研究的熱點(diǎn)。為了充分利用圖像的淺層特征、深層特征和解決識別準(zhǔn)確率不足等問題,本文提出基于改進(jìn)VGG?16和樸素貝葉斯的手寫數(shù)字識別,利用改進(jìn)VGG?16網(wǎng)絡(luò),做特征提取和特征融合,進(jìn)行LDA的數(shù)據(jù)降維,通過樸素貝葉斯分類器做分類。通過對MNIST手寫數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果可以驗(yàn)證,本文提出的算法不僅可以有效地解決淺層特征和深層特征之間聯(lián)系的問題,且有效地提高準(zhǔn)確率,為手寫數(shù)字識別算法提供一種新的思路。

    參考文獻(xiàn)

    [1] QIAO J, WANG G, LI W, et al. An adaptive deep Q?learning strategy for handwritten digit recognition [J]. Neural networks, 2018(12): 107?109.

    [2] 宋曉茹,吳雪,高嵩,等.基于深度神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識別模擬研究[J].科學(xué)技術(shù)與工程,2019,19(5):193?196.

    [3] ARNALDO P C. Handwritten digit recognition [J]. Practical artificial intelligence, 2018(2): 461?478.

    [4] 陳巖,李洋洋,余樂,等.基于卷積神經(jīng)網(wǎng)絡(luò)的手寫體數(shù)字識別系統(tǒng)[J].微電子學(xué)與計(jì)算機(jī),2018,35(2):71?74.

    [5] 張翼成,陳欣,楊紅軍,等.基于組合特征的BP神經(jīng)網(wǎng)絡(luò)數(shù)字識別方法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2013,22(3):113?116.

    [6] 莊偉,雷小鋒,宋豐泰,等.基于旋轉(zhuǎn)投影統(tǒng)計(jì)特征的手寫數(shù)字識別方法[J].計(jì)算機(jī)科學(xué),2011,38(11):278?281.

    [7] 周佳敏.基于貝葉斯網(wǎng)絡(luò)的手寫數(shù)字識別的研究與應(yīng)用[J].科技視界,2013(8):27.

    [8] 尹東霞.基于主成分分析法及貝葉斯分類器的手寫數(shù)字識別[J].大眾科技,2015,17(9):39?41.

    [9] 劉欣.基于卷積神經(jīng)網(wǎng)絡(luò)的聯(lián)機(jī)手寫漢字識別系統(tǒng)[D].哈爾濱:哈爾濱工業(yè)大學(xué),2015.

    [10] 夏吾吉,色差甲,扎西吉,等.基于卷積神經(jīng)網(wǎng)絡(luò)的藏文手寫數(shù)字識別[J].現(xiàn)代電子技術(shù),2019,42(5):79?82.

    [11] 劉文斌,張樂.基于KNN的卷積神經(jīng)網(wǎng)絡(luò)改進(jìn)算法[J].信息與電腦(理論版),2019(2):48?49.

    [12] JIANG L, ZHANG L, LI C, et al. A correlation?based feature weighting filter for naive Bayes [J]. IEEE transactions on knowledge and data engineering, 2019, 31(2): 201?213.

    [13] 曾文獻(xiàn),孟慶林,郭兆坤.基于深度卷積自編碼神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識別研究[J].計(jì)算機(jī)應(yīng)用研究,2020,37(4):1?4.

    [14] LIU P, ZHAO H H, TENG J Y, et al. Parallel naive Bayes algorithm for large?scale Chinese text classification based on spark [J]. Journal of Central South University, 2019, 26(1): 1?12.

    [15] 邱寧佳,高鵬,王鵬,等.基于改進(jìn)信息增益的ACO?WNB分類算法研究[J].計(jì)算機(jī)仿真,2019,36(1):295?299.

    [16] 孫玫,張森,聶培堯,等.基于樸素貝葉斯的網(wǎng)絡(luò)查詢?nèi)罩緎ession劃分方法研究[J].南京大學(xué)學(xué)報(bào)(自然科學(xué)),2018,54(6):1132?1140.

    [17] 趙舵,唐啟超,余志斌.一種采用改進(jìn)交叉熵的多目標(biāo)優(yōu)化問題求解方法[J].西安交通大學(xué)學(xué)報(bào),2019,53(3):66?74.

    [18] GUO Y, LIU Y, OERLEMANS A, et al. Deep learning for visual understanding: a review [J]. Neurocomputing, 2016, 187: 27?48.

    [19] MAHDI G V, ZAHRA S A, MOJTABA T, et al. ?Differentiation of cumin seeds using a metal?oxide based gas sensor array in tandem with chemometric tools [J]. Talanta, 2018(4): 176.

    [20] 閆河,王鵬,董鶯艷,等.改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)圖片分類識別方法[J].計(jì)算機(jī)應(yīng)用與軟件,2018,35(12):193?198.

    猜你喜歡
    手寫降維貝葉斯
    手寫比敲鍵盤更有助于學(xué)習(xí)和記憶
    Three-Body’s epic scale and fiercely guarded fanbase present challenges to adaptations
    我手寫我心
    抓住身邊事吾手寫吾心
    降維打擊
    海峽姐妹(2019年12期)2020-01-14 03:24:40
    基于集成學(xué)習(xí)的MINIST手寫數(shù)字識別
    電子制作(2018年18期)2018-11-14 01:48:08
    貝葉斯公式及其應(yīng)用
    基于貝葉斯估計(jì)的軌道占用識別方法
    一種基于貝葉斯壓縮感知的說話人識別方法
    電子器件(2015年5期)2015-12-29 08:43:15
    拋物化Navier-Stokes方程的降維仿真模型
    黄色a级毛片大全视频| 老司机靠b影院| 久久久国产成人精品二区 | 精品国产美女av久久久久小说| avwww免费| 亚洲欧美色中文字幕在线| 国产淫语在线视频| 波多野结衣av一区二区av| 午夜精品国产一区二区电影| 欧美日韩成人在线一区二区| 大型av网站在线播放| 亚洲一区二区三区欧美精品| 69精品国产乱码久久久| 成年女人毛片免费观看观看9 | 亚洲欧美日韩高清在线视频| 精品卡一卡二卡四卡免费| 国产乱人伦免费视频| 91九色精品人成在线观看| 国产精品久久久久久人妻精品电影| 久久久久久人人人人人| 飞空精品影院首页| 成人特级黄色片久久久久久久| 久久久久久免费高清国产稀缺| 丝袜在线中文字幕| 亚洲专区中文字幕在线| 亚洲伊人色综图| 国产成人系列免费观看| 亚洲国产毛片av蜜桃av| 国产成人系列免费观看| av欧美777| 国产免费av片在线观看野外av| 久热这里只有精品99| 黄片小视频在线播放| 国产精品二区激情视频| 日本精品一区二区三区蜜桃| 国产午夜精品久久久久久| 99国产综合亚洲精品| 久久久国产精品麻豆| а√天堂www在线а√下载 | 国产97色在线日韩免费| 国产成人欧美在线观看 | 国产淫语在线视频| avwww免费| 亚洲精品粉嫩美女一区| 久久久久久久午夜电影 | 国产欧美日韩一区二区三区在线| 老汉色∧v一级毛片| 伊人久久大香线蕉亚洲五| 国产精品久久久av美女十八| 免费少妇av软件| 精品久久久久久,| 免费黄频网站在线观看国产| 一级a爱片免费观看的视频| 午夜免费观看网址| www.999成人在线观看| 丝袜美腿诱惑在线| 男女免费视频国产| 免费看十八禁软件| 两性夫妻黄色片| 久久久精品国产亚洲av高清涩受| 婷婷丁香在线五月| av一本久久久久| 国精品久久久久久国模美| 王馨瑶露胸无遮挡在线观看| 两性午夜刺激爽爽歪歪视频在线观看 | 一二三四在线观看免费中文在| 激情视频va一区二区三区| ponron亚洲| tube8黄色片| 国产不卡一卡二| www.999成人在线观看| 俄罗斯特黄特色一大片| 电影成人av| cao死你这个sao货| 后天国语完整版免费观看| 国产熟女午夜一区二区三区| 人人妻人人澡人人看| 国产精品秋霞免费鲁丝片| 伦理电影免费视频| 最新美女视频免费是黄的| 国产99久久九九免费精品| 美国免费a级毛片| 不卡av一区二区三区| 在线观看66精品国产| 超碰97精品在线观看| av天堂在线播放| 美女午夜性视频免费| 黄片小视频在线播放| 亚洲人成77777在线视频| 免费观看人在逋| 欧美精品一区二区免费开放| 国产成人av教育| 大码成人一级视频| 日日爽夜夜爽网站| 欧美精品啪啪一区二区三区| 一区二区三区激情视频| 久久国产乱子伦精品免费另类| 久久中文看片网| 极品少妇高潮喷水抽搐| 国产高清激情床上av| 成年动漫av网址| 欧美av亚洲av综合av国产av| 国产又色又爽无遮挡免费看| www.自偷自拍.com| 极品少妇高潮喷水抽搐| 精品人妻在线不人妻| 日韩熟女老妇一区二区性免费视频| 精品免费久久久久久久清纯 | 麻豆乱淫一区二区| 久久人人97超碰香蕉20202| 久久亚洲精品不卡| 国产精品免费一区二区三区在线 | 人人妻人人澡人人看| 国产精品久久电影中文字幕 | av中文乱码字幕在线| 高清视频免费观看一区二区| 亚洲性夜色夜夜综合| 久久精品亚洲av国产电影网| 夜夜夜夜夜久久久久| 亚洲精品国产色婷婷电影| 久久精品国产综合久久久| 中文亚洲av片在线观看爽 | 亚洲成a人片在线一区二区| 丰满人妻熟妇乱又伦精品不卡| 一级毛片高清免费大全| 色老头精品视频在线观看| 成人av一区二区三区在线看| av在线播放免费不卡| 久久精品人人爽人人爽视色| av超薄肉色丝袜交足视频| 十八禁人妻一区二区| 成年女人毛片免费观看观看9 | 男人舔女人的私密视频| 黄色女人牲交| 欧美日韩亚洲综合一区二区三区_| 黄片大片在线免费观看| 女人精品久久久久毛片| 一级毛片女人18水好多| 成年人午夜在线观看视频| 中文字幕制服av| 午夜福利乱码中文字幕| 黑丝袜美女国产一区| 天天操日日干夜夜撸| x7x7x7水蜜桃| 欧洲精品卡2卡3卡4卡5卡区| 国产精品一区二区免费欧美| 一本大道久久a久久精品| 国产99白浆流出| 美女午夜性视频免费| 国产精品二区激情视频| cao死你这个sao货| 在线av久久热| 夜夜躁狠狠躁天天躁| 欧美日韩av久久| 日韩欧美国产一区二区入口| 国产成人系列免费观看| 捣出白浆h1v1| 十八禁人妻一区二区| 99久久综合精品五月天人人| 成人永久免费在线观看视频| 老熟妇仑乱视频hdxx| 欧美老熟妇乱子伦牲交| 男女免费视频国产| 如日韩欧美国产精品一区二区三区| 女人被狂操c到高潮| 国精品久久久久久国模美| 麻豆成人av在线观看| 国产在线观看jvid| 中文字幕人妻丝袜一区二区| 69av精品久久久久久| 国产区一区二久久| 一级毛片精品| 午夜两性在线视频| 一进一出好大好爽视频| 午夜福利在线观看吧| 老司机福利观看| 99久久99久久久精品蜜桃| 妹子高潮喷水视频| 久久狼人影院| 极品教师在线免费播放| 精品熟女少妇八av免费久了| 黄色丝袜av网址大全| 亚洲专区字幕在线| 18禁观看日本| 成年人免费黄色播放视频| 最近最新免费中文字幕在线| 精品一区二区三区四区五区乱码| 搡老乐熟女国产| 日韩欧美免费精品| 日韩熟女老妇一区二区性免费视频| 免费看十八禁软件| av片东京热男人的天堂| 91老司机精品| 激情在线观看视频在线高清 | 国产精华一区二区三区| 欧美国产精品一级二级三级| 91在线观看av| 日韩中文字幕欧美一区二区| 精品亚洲成a人片在线观看| 亚洲熟妇中文字幕五十中出 | 超色免费av| 亚洲一区高清亚洲精品| netflix在线观看网站| 老汉色∧v一级毛片| 丰满的人妻完整版| 久久亚洲真实| 婷婷丁香在线五月| 高清欧美精品videossex| 亚洲av成人不卡在线观看播放网| 免费在线观看完整版高清| 色精品久久人妻99蜜桃| 日本vs欧美在线观看视频| 一级毛片精品| 一进一出抽搐gif免费好疼 | videosex国产| 国产精品 国内视频| 欧美日韩亚洲国产一区二区在线观看 | 美女 人体艺术 gogo| 国产成人av激情在线播放| 精品福利观看| 波多野结衣av一区二区av| 黄色视频,在线免费观看| 亚洲人成伊人成综合网2020| 久久青草综合色| 日本黄色视频三级网站网址 | 成年女人毛片免费观看观看9 | 在线视频色国产色| 亚洲人成77777在线视频| 在线观看日韩欧美| xxx96com| 一级黄色大片毛片| 一进一出好大好爽视频| 电影成人av| 欧美日韩亚洲国产一区二区在线观看 | 欧美性长视频在线观看| 色在线成人网| 91av网站免费观看| 99久久精品国产亚洲精品| 午夜免费鲁丝| 国产精品亚洲一级av第二区| 两个人免费观看高清视频| 一级,二级,三级黄色视频| 国产精品久久电影中文字幕 | 宅男免费午夜| 男人的好看免费观看在线视频 | 嫁个100分男人电影在线观看| √禁漫天堂资源中文www| 手机成人av网站| 成年动漫av网址| 69av精品久久久久久| 精品午夜福利视频在线观看一区| 欧美日韩瑟瑟在线播放| 免费黄频网站在线观看国产| 少妇裸体淫交视频免费看高清 | 亚洲少妇的诱惑av| 91精品三级在线观看| 久久亚洲真实| 人妻久久中文字幕网| 欧美激情久久久久久爽电影 | 精品少妇久久久久久888优播| 一区二区三区激情视频| 欧美激情 高清一区二区三区| 欧美亚洲 丝袜 人妻 在线| 色尼玛亚洲综合影院| 变态另类成人亚洲欧美熟女 | 亚洲午夜理论影院| 妹子高潮喷水视频| 国产不卡av网站在线观看| 一区二区三区精品91| 精品国产一区二区久久| 我的亚洲天堂| 老熟妇仑乱视频hdxx| 久久久国产精品麻豆| 国产精品秋霞免费鲁丝片| 真人做人爱边吃奶动态| 婷婷精品国产亚洲av在线 | 9191精品国产免费久久| 亚洲伊人色综图| 黄频高清免费视频| 熟女少妇亚洲综合色aaa.| 老司机在亚洲福利影院| 他把我摸到了高潮在线观看| 嫁个100分男人电影在线观看| 人人澡人人妻人| 中文字幕制服av| 91成年电影在线观看| 99热网站在线观看| 欧美国产精品一级二级三级| 国产免费av片在线观看野外av| 在线看a的网站| 人妻久久中文字幕网| 欧美日韩av久久| 亚洲成av片中文字幕在线观看| 99精品久久久久人妻精品| 亚洲av片天天在线观看| 人人妻,人人澡人人爽秒播| 国产精品自产拍在线观看55亚洲 | 日日爽夜夜爽网站| 亚洲av片天天在线观看| 久热爱精品视频在线9| 天天躁夜夜躁狠狠躁躁| 日韩 欧美 亚洲 中文字幕| 99国产精品免费福利视频| 狠狠狠狠99中文字幕| 午夜精品在线福利| 亚洲人成伊人成综合网2020| www.精华液| 国产精品电影一区二区三区 | a级片在线免费高清观看视频| 五月开心婷婷网| 国产伦人伦偷精品视频| 欧美日韩成人在线一区二区| 免费不卡黄色视频| 91大片在线观看| 国产亚洲精品一区二区www | 五月开心婷婷网| 男女免费视频国产| av网站免费在线观看视频| 欧美人与性动交α欧美精品济南到| 国产成人欧美在线观看 | 超碰97精品在线观看| 女人高潮潮喷娇喘18禁视频| 80岁老熟妇乱子伦牲交| 91成年电影在线观看| 国产亚洲欧美精品永久| 亚洲色图av天堂| 高清视频免费观看一区二区| 久99久视频精品免费| 欧美日韩国产mv在线观看视频| av欧美777| 99riav亚洲国产免费| 窝窝影院91人妻| 亚洲国产毛片av蜜桃av| 久久久久久久精品吃奶| 黄片播放在线免费| 中文字幕制服av| 国产精品av久久久久免费| 久久草成人影院| 少妇 在线观看| 国产精品二区激情视频| 日本vs欧美在线观看视频| av不卡在线播放| 热99久久久久精品小说推荐| 国产成人精品无人区| 精品国产乱子伦一区二区三区| 天天躁夜夜躁狠狠躁躁| 少妇裸体淫交视频免费看高清 | 曰老女人黄片| 亚洲国产看品久久| 国产精品偷伦视频观看了| 黄色怎么调成土黄色| 精品人妻1区二区| 满18在线观看网站| 久久热在线av| 欧美+亚洲+日韩+国产| 日本a在线网址| 成人影院久久| 午夜精品国产一区二区电影| 叶爱在线成人免费视频播放| 法律面前人人平等表现在哪些方面| 在线观看www视频免费| av有码第一页| 久久精品国产99精品国产亚洲性色 | 国产成人免费无遮挡视频| 精品亚洲成a人片在线观看| av超薄肉色丝袜交足视频| 脱女人内裤的视频| 亚洲成人免费av在线播放| 中亚洲国语对白在线视频| 国产激情欧美一区二区| 色在线成人网| 亚洲五月天丁香| 免费一级毛片在线播放高清视频 | 人妻久久中文字幕网| 久久久精品区二区三区| 国产免费现黄频在线看| 欧美另类亚洲清纯唯美| 丰满饥渴人妻一区二区三| 成人免费观看视频高清| 中文字幕色久视频| 久热爱精品视频在线9| 久久久久久久午夜电影 | 法律面前人人平等表现在哪些方面| 国产欧美日韩精品亚洲av| 色综合婷婷激情| 久久久久国产精品人妻aⅴ院 | 大片电影免费在线观看免费| 国产精品亚洲一级av第二区| 日韩熟女老妇一区二区性免费视频| 大片电影免费在线观看免费| 免费在线观看影片大全网站| 在线av久久热| 黑人巨大精品欧美一区二区mp4| 91成年电影在线观看| 在线播放国产精品三级| 亚洲伊人色综图| 视频在线观看一区二区三区| 精品卡一卡二卡四卡免费| 人妻 亚洲 视频| 99香蕉大伊视频| 岛国在线观看网站| 19禁男女啪啪无遮挡网站| 国内久久婷婷六月综合欲色啪| 美女视频免费永久观看网站| 欧美激情高清一区二区三区| 美女扒开内裤让男人捅视频| 日韩免费av在线播放| 亚洲aⅴ乱码一区二区在线播放 | 精品福利永久在线观看| 国产99久久九九免费精品| 精品人妻在线不人妻| 久久久精品国产亚洲av高清涩受| 757午夜福利合集在线观看| 亚洲熟妇中文字幕五十中出 | 婷婷丁香在线五月| 12—13女人毛片做爰片一| 69av精品久久久久久| 久久国产亚洲av麻豆专区| 亚洲,欧美精品.| 久久久久视频综合| 成人av一区二区三区在线看| 老司机靠b影院| 黄色视频不卡| 淫妇啪啪啪对白视频| 亚洲精品一二三| 国产成人免费观看mmmm| 人人妻,人人澡人人爽秒播| 国产精品秋霞免费鲁丝片| 亚洲专区中文字幕在线| 欧美日韩视频精品一区| 少妇 在线观看| 啪啪无遮挡十八禁网站| 女性被躁到高潮视频| 久久中文字幕一级| 成人精品一区二区免费| 黄色视频不卡| 99精品在免费线老司机午夜| 99热只有精品国产| 久久久久久亚洲精品国产蜜桃av| 99久久人妻综合| 国产极品粉嫩免费观看在线| 国产精品综合久久久久久久免费 | 欧美日韩国产mv在线观看视频| 99re6热这里在线精品视频| 精品第一国产精品| 亚洲成人国产一区在线观看| 亚洲精品国产一区二区精华液| 91成人精品电影| 母亲3免费完整高清在线观看| 男女免费视频国产| 精品一区二区三区av网在线观看| 美女午夜性视频免费| 热99re8久久精品国产| 在线观看www视频免费| 国产成人精品无人区| 韩国av一区二区三区四区| 亚洲熟妇熟女久久| 身体一侧抽搐| 国产欧美日韩精品亚洲av| 男女高潮啪啪啪动态图| 国产深夜福利视频在线观看| 日韩三级视频一区二区三区| 国产成人av教育| 亚洲专区字幕在线| 国产又色又爽无遮挡免费看| 视频在线观看一区二区三区| 精品一区二区三区av网在线观看| 中文字幕制服av| 国产精品自产拍在线观看55亚洲 | 最近最新中文字幕大全电影3 | 欧美亚洲 丝袜 人妻 在线| 怎么达到女性高潮| 久久精品国产a三级三级三级| 免费观看人在逋| √禁漫天堂资源中文www| 亚洲成人免费电影在线观看| 大香蕉久久网| 欧美黄色淫秽网站| 下体分泌物呈黄色| 午夜福利乱码中文字幕| 欧美日韩一级在线毛片| 日韩中文字幕欧美一区二区| 1024视频免费在线观看| 亚洲国产精品合色在线| 天堂中文最新版在线下载| 亚洲一区二区三区不卡视频| 国产三级黄色录像| 久久热在线av| 一区福利在线观看| 18禁裸乳无遮挡动漫免费视频| 国产精品影院久久| 热99re8久久精品国产| 女人被躁到高潮嗷嗷叫费观| 亚洲色图 男人天堂 中文字幕| 国产亚洲av高清不卡| 午夜福利在线观看吧| 国产精品98久久久久久宅男小说| 久久人妻熟女aⅴ| 美国免费a级毛片| 极品教师在线免费播放| 男男h啪啪无遮挡| 国产欧美日韩精品亚洲av| 久久人妻av系列| 亚洲第一青青草原| 91大片在线观看| 免费高清在线观看日韩| 亚洲情色 制服丝袜| 亚洲成人国产一区在线观看| 亚洲精品国产色婷婷电影| 黄色女人牲交| 色尼玛亚洲综合影院| 欧美黑人精品巨大| 午夜久久久在线观看| 精品一区二区三卡| av网站在线播放免费| av在线播放免费不卡| 老司机福利观看| 国产xxxxx性猛交| 欧美一级毛片孕妇| 无遮挡黄片免费观看| 免费在线观看亚洲国产| 99久久人妻综合| 国产精品秋霞免费鲁丝片| 老熟妇仑乱视频hdxx| 久99久视频精品免费| 午夜精品国产一区二区电影| 别揉我奶头~嗯~啊~动态视频| 国产精品久久久久久精品古装| 欧美精品一区二区免费开放| 国产亚洲一区二区精品| 欧美日韩成人在线一区二区| 中文亚洲av片在线观看爽 | 欧美日韩av久久| 在线看a的网站| 下体分泌物呈黄色| 亚洲黑人精品在线| 亚洲欧美精品综合一区二区三区| 夜夜爽天天搞| 九色亚洲精品在线播放| 久久久久国内视频| 亚洲精品在线美女| 91国产中文字幕| 不卡一级毛片| 在线观看免费午夜福利视频| 老熟妇仑乱视频hdxx| 在线观看免费日韩欧美大片| 精品国产亚洲在线| 高清毛片免费观看视频网站 | xxxhd国产人妻xxx| 国产欧美日韩精品亚洲av| 亚洲色图综合在线观看| 国产成人精品在线电影| 精品卡一卡二卡四卡免费| 亚洲,欧美精品.| 狂野欧美激情性xxxx| 自线自在国产av| 一区二区三区精品91| 99国产精品一区二区三区| 大香蕉久久网| 男女高潮啪啪啪动态图| 久久精品国产a三级三级三级| 亚洲人成电影观看| 国产精品久久久久成人av| 99热只有精品国产| 婷婷丁香在线五月| 好男人电影高清在线观看| 中国美女看黄片| 久久精品亚洲精品国产色婷小说| 午夜免费鲁丝| 欧美精品啪啪一区二区三区| 精品乱码久久久久久99久播| 亚洲成国产人片在线观看| 久久久久久免费高清国产稀缺| 18禁美女被吸乳视频| 久久国产亚洲av麻豆专区| av欧美777| 99热网站在线观看| 亚洲精品在线美女| 国产成人精品久久二区二区91| 99精品在免费线老司机午夜| 精品国产美女av久久久久小说| 中文字幕色久视频| 三上悠亚av全集在线观看| 久久天躁狠狠躁夜夜2o2o| 亚洲一区二区三区不卡视频| 亚洲熟妇熟女久久| 我的亚洲天堂| 国产精品.久久久| 中文字幕精品免费在线观看视频| 夜夜爽天天搞| 亚洲精品在线美女| 99久久国产精品久久久| 色在线成人网| 法律面前人人平等表现在哪些方面| 国产精品免费一区二区三区在线 | 欧美日韩精品网址| 超色免费av| 精品电影一区二区在线| 十分钟在线观看高清视频www| 搡老岳熟女国产| 亚洲欧洲精品一区二区精品久久久| 亚洲第一青青草原| 黄色毛片三级朝国网站| 久久人妻福利社区极品人妻图片| a级毛片黄视频| 在线观看免费日韩欧美大片| 午夜视频精品福利| 国产成人免费观看mmmm| 国产精品香港三级国产av潘金莲| 国产aⅴ精品一区二区三区波| 欧美日本中文国产一区发布| 王馨瑶露胸无遮挡在线观看| 国产成人精品久久二区二区91| 亚洲三区欧美一区| 国产精品美女特级片免费视频播放器 |