• <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
    又黄又爽又免费观看的视频| 欧美性猛交黑人性爽| 亚洲中文av在线| 18美女黄网站色大片免费观看| 桃色一区二区三区在线观看| 热re99久久国产66热| 黄色成人免费大全| 精华霜和精华液先用哪个| 国产欧美日韩一区二区三| 中文字幕人妻丝袜一区二区| 少妇裸体淫交视频免费看高清 | 国产一区二区激情短视频| 性色av乱码一区二区三区2| 女警被强在线播放| 级片在线观看| 日本成人三级电影网站| 国产真人三级小视频在线观看| 成人免费观看视频高清| 十八禁人妻一区二区| 成人三级做爰电影| 熟妇人妻久久中文字幕3abv| 国产av在哪里看| 十八禁网站免费在线| 久久天躁狠狠躁夜夜2o2o| 国产单亲对白刺激| 国产亚洲精品一区二区www| 悠悠久久av| 日本 av在线| 免费看美女性在线毛片视频| aaaaa片日本免费| 国产精品野战在线观看| 999久久久国产精品视频| 91麻豆精品激情在线观看国产| 亚洲欧美一区二区三区黑人| 99久久综合精品五月天人人| 久久精品亚洲精品国产色婷小说| 亚洲av成人不卡在线观看播放网| 91成年电影在线观看| 午夜免费激情av| 成年女人毛片免费观看观看9| 国产成人av激情在线播放| 在线观看免费视频日本深夜| 1024香蕉在线观看| 大香蕉久久成人网| 淫妇啪啪啪对白视频| 一级黄色大片毛片| 国产成年人精品一区二区| 午夜免费观看网址| 色精品久久人妻99蜜桃| www.精华液| 日韩国内少妇激情av| 99国产极品粉嫩在线观看| 亚洲精品国产精品久久久不卡| 成人手机av| 伦理电影免费视频| 一区二区三区激情视频| 午夜福利一区二区在线看| 国产高清有码在线观看视频 | 最新在线观看一区二区三区| 色播在线永久视频| 村上凉子中文字幕在线| 日日干狠狠操夜夜爽| 欧美丝袜亚洲另类 | www国产在线视频色| 99国产精品99久久久久| 久久久久久人人人人人| 亚洲av电影在线进入| 可以在线观看的亚洲视频| 国内精品久久久久精免费| 亚洲欧美精品综合一区二区三区| 国产一卡二卡三卡精品| 99在线视频只有这里精品首页| 久久国产精品人妻蜜桃| 国产午夜福利久久久久久| 午夜免费观看网址| 国产真实乱freesex| 精品一区二区三区av网在线观看| 日本成人三级电影网站| 啦啦啦 在线观看视频| 久久午夜亚洲精品久久| 国产1区2区3区精品| 国产成人欧美| 成人亚洲精品一区在线观看| av片东京热男人的天堂| 亚洲自偷自拍图片 自拍| 老司机靠b影院| 波多野结衣高清作品| а√天堂www在线а√下载| 日本撒尿小便嘘嘘汇集6| 久久热在线av| 国内少妇人妻偷人精品xxx网站 | 国内少妇人妻偷人精品xxx网站 | 国产精品久久久久久亚洲av鲁大| 国产av不卡久久| 午夜福利视频1000在线观看| 日日摸夜夜添夜夜添小说| 午夜两性在线视频| 色综合亚洲欧美另类图片| 午夜福利在线观看吧| 欧洲精品卡2卡3卡4卡5卡区| 亚洲国产精品合色在线| 在线永久观看黄色视频| 99riav亚洲国产免费| 精品久久久久久成人av| 久久久久国产精品人妻aⅴ院| 村上凉子中文字幕在线| 69av精品久久久久久| 狂野欧美激情性xxxx| 精品国产国语对白av| 日韩欧美国产一区二区入口| 一个人免费在线观看的高清视频| 特大巨黑吊av在线直播 | 麻豆av在线久日| 亚洲国产精品久久男人天堂| 亚洲精品国产区一区二| 久久久国产精品麻豆| 亚洲成人久久爱视频| 黄色毛片三级朝国网站| 久久久久亚洲av毛片大全| 视频区欧美日本亚洲| 18禁黄网站禁片午夜丰满| 免费一级毛片在线播放高清视频| 自线自在国产av| 琪琪午夜伦伦电影理论片6080| 女警被强在线播放| 国产精品乱码一区二三区的特点| 91麻豆精品激情在线观看国产| 18禁裸乳无遮挡免费网站照片 | 美女大奶头视频| 午夜亚洲福利在线播放| 丰满人妻熟妇乱又伦精品不卡| 黄色成人免费大全| 国产av不卡久久| 亚洲成人久久爱视频| 亚洲国产欧美网| 婷婷精品国产亚洲av在线| 成在线人永久免费视频| 法律面前人人平等表现在哪些方面| 成人国产综合亚洲| www.999成人在线观看| 亚洲人成电影免费在线| 免费在线观看日本一区| 巨乳人妻的诱惑在线观看| 国产成人精品无人区| 欧美日韩亚洲国产一区二区在线观看| 欧美精品亚洲一区二区| 长腿黑丝高跟| 无人区码免费观看不卡| 国产免费男女视频| 欧美在线黄色| 免费搜索国产男女视频| 人妻丰满熟妇av一区二区三区| 老熟妇仑乱视频hdxx| 亚洲精品粉嫩美女一区| 亚洲成a人片在线一区二区| 久久 成人 亚洲| 嫩草影视91久久| 免费女性裸体啪啪无遮挡网站| 国产日本99.免费观看| 校园春色视频在线观看| 韩国av一区二区三区四区| 亚洲国产日韩欧美精品在线观看 | 久久久久国内视频| 黄色片一级片一级黄色片| 欧美日韩亚洲国产一区二区在线观看| 看黄色毛片网站| 婷婷精品国产亚洲av| 好男人在线观看高清免费视频 | www.精华液| 欧美日韩亚洲国产一区二区在线观看| 美女扒开内裤让男人捅视频| 国产成人av激情在线播放| 精品高清国产在线一区| 757午夜福利合集在线观看| 免费一级毛片在线播放高清视频| 手机成人av网站| 国产亚洲精品久久久久久毛片| 国产精品免费视频内射| 欧美一区二区精品小视频在线| 韩国精品一区二区三区| 2021天堂中文幕一二区在线观 | 亚洲av电影不卡..在线观看| 亚洲中文字幕一区二区三区有码在线看 | 精品国产乱子伦一区二区三区| 人人妻,人人澡人人爽秒播| 精品免费久久久久久久清纯| 黄色丝袜av网址大全| 黄色 视频免费看| 91av网站免费观看| 黄片播放在线免费| 最好的美女福利视频网| 18禁裸乳无遮挡免费网站照片 | 亚洲男人天堂网一区| 日本一区二区免费在线视频| 黄色成人免费大全| 国产精品自产拍在线观看55亚洲| svipshipincom国产片| 身体一侧抽搐| 成人午夜高清在线视频 | 俄罗斯特黄特色一大片| 50天的宝宝边吃奶边哭怎么回事| 在线观看一区二区三区| 欧美色视频一区免费| 黑人操中国人逼视频| 在线观看一区二区三区| 非洲黑人性xxxx精品又粗又长| 欧美国产精品va在线观看不卡| 日韩欧美三级三区| 成年女人毛片免费观看观看9| 黄网站色视频无遮挡免费观看| 久久久久久国产a免费观看| www国产在线视频色| 成人特级黄色片久久久久久久| 国产精品日韩av在线免费观看| 久久久久国产一级毛片高清牌| 黑人巨大精品欧美一区二区mp4| 国产午夜精品久久久久久| 亚洲成国产人片在线观看| 日本成人三级电影网站| 淫秽高清视频在线观看| 法律面前人人平等表现在哪些方面| 少妇粗大呻吟视频| 欧美日韩乱码在线| 国产99久久九九免费精品| 无遮挡黄片免费观看| 国产精品久久视频播放| 老司机深夜福利视频在线观看| 久久99热这里只有精品18| 最近在线观看免费完整版| 亚洲自偷自拍图片 自拍| 亚洲精品色激情综合| 久久久精品国产亚洲av高清涩受| 又紧又爽又黄一区二区| 搡老妇女老女人老熟妇| 久久久久久久久免费视频了| 天天躁狠狠躁夜夜躁狠狠躁| 国产欧美日韩一区二区精品| 国产乱人伦免费视频| 亚洲精品美女久久久久99蜜臀| 国产精品亚洲av一区麻豆| 欧美成人午夜精品| 久久人妻福利社区极品人妻图片| 精品久久久久久久久久久久久 | 久久九九热精品免费| 精品卡一卡二卡四卡免费| 搡老岳熟女国产| 成年人黄色毛片网站| 99久久99久久久精品蜜桃| 国产av一区二区精品久久| 黄色片一级片一级黄色片| 美女国产高潮福利片在线看| 亚洲中文av在线| 欧美另类亚洲清纯唯美| 午夜福利高清视频| 日韩高清综合在线| 韩国av一区二区三区四区| 香蕉av资源在线| 黄色片一级片一级黄色片| 国产精品99久久99久久久不卡| 亚洲精品美女久久av网站| 精品日产1卡2卡| 999久久久精品免费观看国产| 免费观看人在逋| 国产精品一区二区免费欧美| 中文字幕人成人乱码亚洲影| 中文字幕精品亚洲无线码一区 | 男女之事视频高清在线观看| 怎么达到女性高潮| 宅男免费午夜| 熟女少妇亚洲综合色aaa.| 黄色 视频免费看| 男女视频在线观看网站免费 | 日本熟妇午夜| 日本精品一区二区三区蜜桃| 性欧美人与动物交配| 看片在线看免费视频| 丝袜在线中文字幕| av有码第一页| 国产在线精品亚洲第一网站| 一二三四在线观看免费中文在| 一区二区日韩欧美中文字幕| 美女高潮到喷水免费观看| 性欧美人与动物交配| 一级a爱视频在线免费观看| 亚洲国产精品999在线| 99国产综合亚洲精品| 亚洲成人久久爱视频| 少妇熟女aⅴ在线视频| 亚洲第一青青草原| 一区二区三区精品91| e午夜精品久久久久久久| 老司机在亚洲福利影院| 亚洲片人在线观看| www.www免费av| 久久精品成人免费网站| 国产97色在线日韩免费| 好看av亚洲va欧美ⅴa在| 一进一出抽搐gif免费好疼| 久久精品国产亚洲av香蕉五月| 免费看美女性在线毛片视频| 欧美色欧美亚洲另类二区| 又黄又粗又硬又大视频| 黄色丝袜av网址大全| 欧美日韩瑟瑟在线播放| 美女大奶头视频| 亚洲七黄色美女视频| 黄色片一级片一级黄色片| 精品国产乱子伦一区二区三区| 身体一侧抽搐| 久久久久久久久久黄片| 在线观看免费日韩欧美大片| 黄片播放在线免费| 亚洲激情在线av| 成人三级做爰电影| 亚洲国产精品999在线| 三级毛片av免费| 久久精品91蜜桃| 老鸭窝网址在线观看| 欧美乱码精品一区二区三区| 十八禁网站免费在线| 黄色丝袜av网址大全| 国产一区在线观看成人免费| 欧美色欧美亚洲另类二区| 12—13女人毛片做爰片一| 一个人观看的视频www高清免费观看 | 免费av毛片视频| 久久精品国产99精品国产亚洲性色| 身体一侧抽搐| 91国产中文字幕| 国产精品乱码一区二三区的特点| 精品久久久久久久毛片微露脸| 我的亚洲天堂| 免费电影在线观看免费观看| 国产亚洲欧美精品永久| 日韩 欧美 亚洲 中文字幕| 免费在线观看成人毛片| 国产精品综合久久久久久久免费| 桃红色精品国产亚洲av| 精品少妇一区二区三区视频日本电影| 51午夜福利影视在线观看| 韩国av一区二区三区四区| 露出奶头的视频| 成人一区二区视频在线观看| 久久久久久国产a免费观看| 国产99久久九九免费精品| www.999成人在线观看| 日本一本二区三区精品| 国产一卡二卡三卡精品| 国产精品一区二区免费欧美| 国产精品一区二区三区四区久久 | 天天躁狠狠躁夜夜躁狠狠躁| 在线av久久热| 精华霜和精华液先用哪个| 桃色一区二区三区在线观看| 波多野结衣高清无吗| 久99久视频精品免费| 亚洲中文字幕一区二区三区有码在线看 | 亚洲精品久久成人aⅴ小说| 夜夜夜夜夜久久久久| 麻豆久久精品国产亚洲av| 久久久久国内视频| 亚洲成人免费电影在线观看| 真人一进一出gif抽搐免费| 欧美成人午夜精品| 一本一本综合久久| 老司机靠b影院| 久久香蕉激情| 999久久久国产精品视频| 欧美日韩福利视频一区二区| 12—13女人毛片做爰片一| 后天国语完整版免费观看| 麻豆久久精品国产亚洲av| 两性夫妻黄色片| 色老头精品视频在线观看| 51午夜福利影视在线观看| 天天一区二区日本电影三级| а√天堂www在线а√下载| 少妇熟女aⅴ在线视频| 国产亚洲精品久久久久5区| av电影中文网址| 国产精品av久久久久免费| 91在线观看av| 日韩视频一区二区在线观看| 亚洲国产日韩欧美精品在线观看 | 亚洲精品一卡2卡三卡4卡5卡| 最近最新中文字幕大全免费视频| 欧美精品啪啪一区二区三区| 亚洲黑人精品在线| 侵犯人妻中文字幕一二三四区| 国产精品久久久久久人妻精品电影| 欧美日韩瑟瑟在线播放| 男女视频在线观看网站免费 | 男女下面进入的视频免费午夜 | 在线免费观看的www视频| 久久亚洲真实| 制服人妻中文乱码| 欧美精品亚洲一区二区| 免费av毛片视频| 一区二区三区精品91| 免费在线观看日本一区| 丁香欧美五月| 香蕉丝袜av| 三级毛片av免费| 色综合婷婷激情| 日韩 欧美 亚洲 中文字幕| 99国产综合亚洲精品| 18禁黄网站禁片午夜丰满| 日日摸夜夜添夜夜添小说| 天天一区二区日本电影三级| 日本五十路高清| 国产一区二区在线av高清观看| 亚洲五月婷婷丁香| 午夜精品久久久久久毛片777| 国产免费男女视频| 国产高清视频在线播放一区| 中文字幕人妻丝袜一区二区| 国产成人欧美在线观看| 久久精品91蜜桃| 一本久久中文字幕| 日韩国内少妇激情av| 精品国产一区二区三区四区第35| 丰满的人妻完整版| 欧美国产精品va在线观看不卡| 色尼玛亚洲综合影院| 久久热在线av| 午夜福利18| 听说在线观看完整版免费高清| 欧美成人免费av一区二区三区| 好看av亚洲va欧美ⅴa在| 美女高潮到喷水免费观看| 亚洲成国产人片在线观看| 黑人巨大精品欧美一区二区mp4| 欧美激情 高清一区二区三区| 精品欧美一区二区三区在线| 国产精品亚洲一级av第二区| 国产精品一区二区三区四区久久 | 日韩大尺度精品在线看网址| 国产精品二区激情视频| 中文字幕人成人乱码亚洲影| 久久草成人影院| 两个人免费观看高清视频| 久久国产精品人妻蜜桃| 香蕉av资源在线| 久久热在线av| 欧美午夜高清在线| 在线播放国产精品三级| 中文字幕人成人乱码亚洲影| 亚洲天堂国产精品一区在线| 男女做爰动态图高潮gif福利片| 国产在线精品亚洲第一网站| 国产一卡二卡三卡精品| 怎么达到女性高潮| 亚洲av美国av| 可以在线观看毛片的网站| 99热只有精品国产| 日日夜夜操网爽| 久久精品国产清高在天天线| 欧美一级a爱片免费观看看 | 极品教师在线免费播放| 欧美日韩瑟瑟在线播放| 黄色视频,在线免费观看| 国产精品乱码一区二三区的特点| 国产精品精品国产色婷婷| 精品国产乱子伦一区二区三区| 久久久久久国产a免费观看| 伦理电影免费视频| 男女下面进入的视频免费午夜 | 在线观看www视频免费| 日韩视频一区二区在线观看| 欧美国产精品va在线观看不卡| 国产一区二区三区在线臀色熟女| 又黄又爽又免费观看的视频| 国产亚洲精品久久久久5区| 女性被躁到高潮视频| 精品免费久久久久久久清纯| 在线国产一区二区在线| 搡老妇女老女人老熟妇| 亚洲自偷自拍图片 自拍| 一级片免费观看大全| 好看av亚洲va欧美ⅴa在| 日韩av在线大香蕉| 亚洲va日本ⅴa欧美va伊人久久| 国产亚洲欧美在线一区二区| 在线十欧美十亚洲十日本专区| 亚洲中文av在线| 亚洲在线自拍视频| 99久久久亚洲精品蜜臀av| 国产三级黄色录像| 可以免费在线观看a视频的电影网站| 久久婷婷成人综合色麻豆| 国产精品日韩av在线免费观看| 亚洲成a人片在线一区二区| 一区二区三区高清视频在线| 国产视频内射| 免费看a级黄色片| x7x7x7水蜜桃| 亚洲va日本ⅴa欧美va伊人久久| 久久久久国产一级毛片高清牌| 男女午夜视频在线观看| 亚洲人成伊人成综合网2020| 97人妻精品一区二区三区麻豆 | 啦啦啦韩国在线观看视频| 亚洲成人精品中文字幕电影| 亚洲五月天丁香| 亚洲中文av在线| 国产精品 国内视频| 最新美女视频免费是黄的| 欧美亚洲日本最大视频资源| 亚洲七黄色美女视频| 男女那种视频在线观看| 日本成人三级电影网站| 亚洲五月天丁香| 国产乱人伦免费视频| 一本一本综合久久| 亚洲中文字幕一区二区三区有码在线看 | 好看av亚洲va欧美ⅴa在| 叶爱在线成人免费视频播放| 精品第一国产精品| 极品教师在线免费播放| 久久精品亚洲精品国产色婷小说| 久久性视频一级片| 久久婷婷成人综合色麻豆| 桃色一区二区三区在线观看| 亚洲精品在线观看二区| 少妇的丰满在线观看| 美女高潮喷水抽搐中文字幕| 久久人妻av系列| 黑丝袜美女国产一区| 亚洲专区国产一区二区| 18禁黄网站禁片午夜丰满| 韩国精品一区二区三区| 午夜成年电影在线免费观看| 免费av毛片视频| 一级毛片女人18水好多| 男女之事视频高清在线观看| 亚洲一区中文字幕在线| 久久九九热精品免费| 精品不卡国产一区二区三区| 国产成人一区二区三区免费视频网站| 午夜福利一区二区在线看| 国产片内射在线| 久久久久久大精品| 国产精品99久久99久久久不卡| 免费看十八禁软件| 伊人久久大香线蕉亚洲五| 亚洲国产中文字幕在线视频| 亚洲精品久久成人aⅴ小说| 亚洲 欧美一区二区三区| 亚洲熟妇熟女久久| 亚洲一区中文字幕在线| 黄色片一级片一级黄色片| 亚洲精品在线观看二区| 久久国产精品人妻蜜桃| 丝袜美腿诱惑在线| 熟妇人妻久久中文字幕3abv| 国产精华一区二区三区| 搡老熟女国产l中国老女人| 久久精品国产亚洲av高清一级| 国产一区二区三区视频了| 亚洲人成电影免费在线| av欧美777| 精品久久蜜臀av无| 久久精品国产清高在天天线| 精品久久蜜臀av无| 国产高清激情床上av| 麻豆一二三区av精品| 一二三四社区在线视频社区8| 99国产精品一区二区三区| 在线观看免费日韩欧美大片| 亚洲国产欧美日韩在线播放| 精品日产1卡2卡| 巨乳人妻的诱惑在线观看| 一级毛片精品| 亚洲av熟女| 一二三四在线观看免费中文在| 免费人成视频x8x8入口观看| 国产精品99久久99久久久不卡| 免费女性裸体啪啪无遮挡网站| www日本在线高清视频| 大型av网站在线播放| 亚洲一区中文字幕在线| 久久这里只有精品19| 1024香蕉在线观看| 免费观看精品视频网站| а√天堂www在线а√下载| 国内少妇人妻偷人精品xxx网站 | 女性生殖器流出的白浆| 免费无遮挡裸体视频| 免费人成视频x8x8入口观看| 午夜福利在线在线| 99久久综合精品五月天人人| videosex国产| 超碰成人久久| 国产成人av教育| 国产成人系列免费观看| 亚洲av中文字字幕乱码综合 | 曰老女人黄片| 麻豆av在线久日| 91成人精品电影| 欧美日韩亚洲国产一区二区在线观看| 女性生殖器流出的白浆| 无限看片的www在线观看| 麻豆国产av国片精品| 老熟妇仑乱视频hdxx| 亚洲第一电影网av| 精品乱码久久久久久99久播| 无限看片的www在线观看| 丝袜美腿诱惑在线| 国产高清视频在线播放一区| 国产亚洲欧美98| 精品国产美女av久久久久小说| 成人永久免费在线观看视频| 亚洲aⅴ乱码一区二区在线播放 | 国产一卡二卡三卡精品| 夜夜躁狠狠躁天天躁|