• <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 ?

    歐式距離與標(biāo)準(zhǔn)化歐式距離在k近鄰算法中的比較

    2020-12-23 05:47:19丁義楊建
    軟件 2020年10期

    丁義 楊建

    摘? 要: 相似性度量是綜合評定兩個數(shù)據(jù)樣本之間差異的指標(biāo),歐式距離是較為常用的相似性度量方法之一。本文分析了歐式距離與標(biāo)準(zhǔn)化的歐式距離在KNN算法中對數(shù)據(jù)分類的影響。仿真實驗結(jié)果表明,當(dāng)向量之間的各維度的尺度差別較大時,標(biāo)準(zhǔn)化的歐式距離較好地改善了分類的性能。

    關(guān)鍵詞: 歐式距離;標(biāo)準(zhǔn)化歐式距離;K近鄰算法

    中圖分類號: TP311? ? 文獻標(biāo)識碼: A? ? DOI:10.3969/j.issn.1003-6970.2020.10.033

    本文著錄格式:丁義,楊建. 歐式距離與標(biāo)準(zhǔn)化歐式距離在k近鄰算法中的比較[J]. 軟件,2020,41(10):135136+140

    【Abstract】: Similarity measurement is an index to evaluate the difference between two data samples. Euclidean distance is one of the most common similarity measurement methods. This paper analyzes the influence of Euclidean distance and standardized Euclidean distance on data classification in KNN algorithm. The simulation results show that the normalized Euclidean distance improves the classification performance as the scales of the dimensions between vectors differ greatly.

    【Key words】: Euclidean distance; Standardized Euclidean distance; K-nearest neighbor algorithm

    0? 引言

    K近鄰(k-Nearest Neighbor,KNN)算法[1],是一種理論上比較成熟的方法,也是最簡單的機器學(xué)習(xí)算法之一,獲得了廣泛的實際應(yīng)用[2-5]。KNN算法的基本思想是,在特征空間中,如果一個樣本附近的k個最鄰近樣本的大多數(shù)屬于某一個類別,則該樣本也屬于這個類別。即給定一個訓(xùn)練數(shù)據(jù)集,對新的輸入樣本,在訓(xùn)練數(shù)據(jù)集中找到與該樣本最鄰近的k個樣本如果這k個樣本中大多數(shù)屬于某一個類別,就把該輸入樣本分類到這個類別中。目前,KNN在分類算法中獲得了廣泛的應(yīng)用。KNN是一種基于實例的學(xué)習(xí)算法,它不同于決策樹、貝葉斯網(wǎng)絡(luò)等算法。決策樹算法是一種逼近離散函數(shù)值的方法,它首先對待分類的數(shù)據(jù)進行預(yù)處理,之后用歸納算法生成規(guī)則和決策樹。貝葉斯網(wǎng)絡(luò)又稱為置信網(wǎng)絡(luò)或信念網(wǎng)絡(luò),它是基于有向無環(huán)圖來刻畫屬性之間的依賴關(guān)系的一種網(wǎng)絡(luò)結(jié)構(gòu),使用條件概率表來描述變量的聯(lián)合概率分布。在KNN中,當(dāng)有新的實例出現(xiàn)時,直接在訓(xùn)練數(shù)據(jù)集中找k個最近的實例,并把這個新的實例分配給這k個訓(xùn)練實例中實例數(shù)最多的類,它不需要訓(xùn)練過程,在類的邊界比較清晰的情況下分類的準(zhǔn)確率較好。KNN算法需要人為決定k的取值,即找?guī)讉€最近的實例,k值不同,分類結(jié)果的結(jié)果也會不同。

    相似性度量是綜合評定兩個樣本之間相近程度的一種度量,兩個樣本越接近,它們之間的相似性度量也就越大;反之,兩個樣本差別越大,它們的相似性度量也就越小。一般情況下,采用距離度量兩個樣本的相似程度,數(shù)值越小,距離越近,而相似度越大;而距離越大,相似程度也越遠(yuǎn)。相似性度量應(yīng)用廣泛,例如測度兩幅圖像相似程度的圖像相似性度量,在圖像檢索中獲得了廣泛應(yīng)用;在購物網(wǎng)站中,確定兩個用戶或商品的向量之間的相似程度,以根據(jù)用戶喜好向用戶推薦商品。在KNN算法中,距離相似性度量的種類有多種,一般根據(jù)實際問題進行選用。

    本文基于兩種常用的距離,即歐式距離和標(biāo)準(zhǔn)化歐式距離,在給定數(shù)據(jù)集各向量之間的維度尺度差別較大時,來對它們在KNN算法中得到的效果進行比較。

    1? 歐式距離與標(biāo)準(zhǔn)化歐式距離

    歐氏距離是最簡單和易于理解的一種距離計算方法,來源于歐幾里得幾何中兩點間的距離公式。設(shè)在二維平面上的兩個點分別為A(x1,y1)、B(x2,y2),則A、B兩點間的歐式距離為:

    歐式距離盡管應(yīng)用較為普遍,但它適用于樣本向量的各個分量度量標(biāo)準(zhǔn)統(tǒng)一的情形。對絕大部分統(tǒng)計問題來說,由于樣本分量的取值對歐氏距離的貢獻是相同的,往往不能取得令人滿意的效果。特別是當(dāng)各分量的波動范圍量綱差距較大時,會引起各分量對總體的貢獻差別較大,甚至某一坐標(biāo)的貢獻幾乎可以忽略不計,當(dāng)各個分量為不同性質(zhì)的量時,歐式距離的大小與樣本分量的單位有關(guān)。例如某維向量的取值范圍為[0,1],而另一維向量的取值范圍為[0,100],前者變量的波動范圍對距離計算的影響很小,甚至可以忽略不計。在這種情況下,合理的方法應(yīng)該是對各個坐標(biāo)分量加權(quán),使變化較大的坐標(biāo)比變化較小的坐標(biāo)有較小的權(quán)重系數(shù),將樣本的不同屬性之間的差異量化到同一個區(qū)間。在某些特殊應(yīng)用時,也可以對樣本分量的不同屬性分別賦予不同的權(quán)重,從而取得更理想的計算效果。

    標(biāo)準(zhǔn)化歐氏距離是針對簡單歐氏距離的缺點而提出的一種改進方案,當(dāng)向量之間的各維度的尺度差別較大時,使用簡單歐氏距離使得各向量對最終分類結(jié)果產(chǎn)生較大的影響。標(biāo)準(zhǔn)化歐氏距離的思想是,將數(shù)據(jù)各維分量的分布進行歸一化處理,將數(shù)據(jù)的各個分量均標(biāo)準(zhǔn)化到均值、方差。假設(shè)樣本集S的均值為m,標(biāo)準(zhǔn)差為sd,則將特征S標(biāo)準(zhǔn)化為均值為零方差為1的變量。因此,兩個歸一化后的n維向量A(x1, x2, …, xn)、B(y1, y2, …, yn)間的標(biāo)準(zhǔn)化歐氏距離可以表示為:

    2? KNN算法

    K近鄰算法是數(shù)據(jù)挖掘分類技術(shù)中最常用的方法,它的算法流程如下:

    (1)分析數(shù)據(jù),對數(shù)據(jù)預(yù)處理。刪除含有缺失值的特征,采用PCA[6,7]對數(shù)據(jù)集進行特征選擇降維處理。

    (2)導(dǎo)入數(shù)據(jù)集。

    (3)設(shè)置參數(shù)k。因為進行分類的策略是按照多數(shù)類來劃分,所以一般k選擇奇數(shù)。

    (4)分別采用公式(3)和(5)兩種方法計算特征之間的距離。

    (5)判定屬于哪一類別,應(yīng)用計算出的分類執(zhí)行后續(xù)處理。算法流程如圖1所示。

    標(biāo)準(zhǔn)化的歐式距離相當(dāng)于對樣本產(chǎn)生的影響賦予不同的權(quán)重[8]。當(dāng)樣本不平衡時,如一個類的樣本容量很大,而其它類樣本容量較小時,當(dāng)輸入一個新樣本時,可能導(dǎo)致該樣本的k個近鄰中大容量類的樣本占多數(shù),而那些容量較小的樣本采用這種算法比較容易產(chǎn)生錯誤分類。KNN算法不僅可以用于分類,也可用于回歸,根據(jù)現(xiàn)有數(shù)據(jù)對數(shù)據(jù)分類邊界建立回歸公式,從而找到最佳擬合參數(shù)。利用邏輯回歸進行分類的主要思想是,根據(jù)已知的數(shù)據(jù)對分類邊界建立回歸公式,并以此進行分類。KNN算法的優(yōu)點是精度高,對輸入數(shù)據(jù)的異常值不敏感,無數(shù)據(jù)輸入假定,對數(shù)值型數(shù)據(jù)和標(biāo)稱型數(shù)據(jù)都能適用;不足之處是運算量較大,計算復(fù)雜度和空間復(fù)雜度相對較高,同時占用較多的存儲資源,因為對每一個待分類的樣本都要計算它到全體已知樣本的距離,才能求得它的K個最近鄰點。

    3? 實驗結(jié)果

    圖2和圖3分別給出了兩種方法在數(shù)據(jù)集上的分類效果。k值的選擇會影響算法的結(jié)果,k值較大時,可以減少訓(xùn)練中的誤差估計,但缺點是與輸入樣本距離較遠(yuǎn)的訓(xùn)練樣本也會對預(yù)測起作用,使預(yù)測差錯率提高,k值較小意味著只有與輸入樣本距離較近的訓(xùn)練樣本才會對預(yù)測結(jié)果發(fā)生作用,容易發(fā)生過擬合。實驗中選擇k的值為3。從圖中可以看出,采用標(biāo)準(zhǔn)化的歐式距離,分類邊界效果更清晰,分類效果更有效。為了測試數(shù)據(jù)的分類效果,可以使用帶標(biāo)簽的數(shù)據(jù),檢驗分類器給出的結(jié)果是否與給定的標(biāo)簽一致,通過大量的測試數(shù)據(jù),可以計算出分類器的錯誤率,即分類錯誤的樣本數(shù)與樣本總數(shù)之比。在分類執(zhí)行過程中,算法必須保留全部數(shù)據(jù),如果訓(xùn)練數(shù)據(jù)集很大,則會占用較多的存儲空間。由于必須對數(shù)據(jù)集中的每個數(shù)據(jù)都需要計算距離值,對較大的數(shù)據(jù)集來說,算法需要較長的運行時間。

    4? 結(jié)論

    本文基于在實際數(shù)據(jù)分類中獲得廣泛應(yīng)用的k近鄰算法,分析了歐式距離和標(biāo)準(zhǔn)化歐式距離對算法的影響,對絕大部分統(tǒng)計問題來說,由于樣本分量的取值對歐氏距離的貢獻相同,往往不能取得令人滿意的效果。標(biāo)準(zhǔn)化歐氏距離是針對簡單歐氏距離的缺點而提出的一種改進方案,當(dāng)樣本的各個特征屬性的取值范圍差別較大時,使用簡單歐氏距離使得各向量對最終分類結(jié)果產(chǎn)生較大的影響,從而使得最終分類效果不理想。采用標(biāo)準(zhǔn)化的歐式距離,克服了數(shù)據(jù)特征的取值范圍波動的差異,能夠優(yōu)化數(shù)據(jù)之間的離散程度,使樣本的各個特征之間量綱統(tǒng)一,也可以根據(jù)具體實際應(yīng)用,賦予不同特征之間不同的權(quán)重,從而取得較好的分類效果。

    參考文獻

    [1]T. Cover, P. Hart. Nearest neighbor pattern classification. IEEE Transactions on Information Theory. 1967.

    [2]Pal, Nikhil R., Ghosh, Swati. Some classification algorithms integrating Dempster-Shafer theory of evidence with the rank nearest neighbor rules. IEEE Transactions on Systems, Man, and Cybernetics Part A:Systems and Humans. 2001.

    [3]Yigit H. A weighting approach for KNN classifier. 2013 International Conference on (ICECCO)Electronics, Computer and Computation. 2013.

    [4]Weiss S M, Indurkhya N. Rule-based regression. IJCAI Proceedings of the International Joint Conference on Artificial Intelligence. 1993.

    [5]Meesad, P, Hengpraprohm, K. Combination of KNN-Based Feature Selection and KNN Based Missing-Value Imputation of Microarray Data. 3rd International Conference on Innovative Computing Information and Control. 2008.

    [6]Xiaojun Chang, Feiping Nie, Yi Yang, Chengqi Zhang, Heng Huang. Convex Sparse PCA for Unsupervised Feature Learning[J]. ACM Transactions on Knowledge Discovery from Data (TKDD). 2016(1).

    [7]Reiff P A, Niziolek M M. RN. Troubleshooting tips for PCA.[J]. 2001(4).

    [8]Mostafa A. Salama, Ghada Hassan. A Novel Feature Selection Measure Partnership-Gain[J]. International Journal of Online and Biomedical Engineering. 2019(4).

    色尼玛亚洲综合影院| 国产一区二区在线av高清观看| 搡老熟女国产l中国老女人| 国产精品美女特级片免费视频播放器| 久久久久久久久大av| 日日摸夜夜添夜夜添av毛片 | 久久久久亚洲av毛片大全| 成人欧美大片| 青草久久国产| 色吧在线观看| 少妇熟女aⅴ在线视频| 最新在线观看一区二区三区| 我要看日韩黄色一级片| 日本五十路高清| 小蜜桃在线观看免费完整版高清| 国产人妻一区二区三区在| 国产黄a三级三级三级人| 国内少妇人妻偷人精品xxx网站| 国产激情偷乱视频一区二区| 精品无人区乱码1区二区| 欧美一区二区国产精品久久精品| 国产av在哪里看| 老司机深夜福利视频在线观看| 色视频www国产| 69人妻影院| 婷婷六月久久综合丁香| 午夜两性在线视频| 国产高清三级在线| 欧美国产日韩亚洲一区| 给我免费播放毛片高清在线观看| 亚洲内射少妇av| 男人舔奶头视频| 两性午夜刺激爽爽歪歪视频在线观看| 校园春色视频在线观看| 18禁裸乳无遮挡免费网站照片| 国产91精品成人一区二区三区| 亚洲国产高清在线一区二区三| 欧美最黄视频在线播放免费| 日韩欧美精品免费久久 | 亚洲av一区综合| av在线蜜桃| 好看av亚洲va欧美ⅴa在| 99热这里只有精品一区| 精品一区二区三区视频在线| 色哟哟·www| 深夜a级毛片| 熟女电影av网| a级一级毛片免费在线观看| 成人鲁丝片一二三区免费| 欧美xxxx黑人xx丫x性爽| avwww免费| 激情在线观看视频在线高清| 尤物成人国产欧美一区二区三区| 简卡轻食公司| 一个人免费在线观看电影| 国产精品av视频在线免费观看| 欧美日韩黄片免| 欧美乱色亚洲激情| 欧美激情国产日韩精品一区| 三级毛片av免费| 欧美在线一区亚洲| 色吧在线观看| 国产精品久久久久久亚洲av鲁大| 国产精品国产高清国产av| 国产在视频线在精品| 精品人妻熟女av久视频| 免费观看人在逋| 99热只有精品国产| 日韩精品青青久久久久久| 天天一区二区日本电影三级| 亚洲天堂国产精品一区在线| 精品人妻熟女av久视频| 久久久久久久精品吃奶| 国产成年人精品一区二区| av中文乱码字幕在线| 亚洲第一区二区三区不卡| 中文资源天堂在线| 怎么达到女性高潮| 亚洲久久久久久中文字幕| 亚洲人成伊人成综合网2020| 亚洲最大成人手机在线| 亚洲国产精品成人综合色| or卡值多少钱| 亚洲精品粉嫩美女一区| 久久99热这里只有精品18| 亚洲乱码一区二区免费版| 人妻夜夜爽99麻豆av| 亚洲av二区三区四区| 一本综合久久免费| 99久久精品一区二区三区| 午夜久久久久精精品| 亚洲人成网站在线播| 国产视频内射| 三级毛片av免费| 久久久国产成人免费| 日韩欧美精品免费久久 | netflix在线观看网站| 国产欧美日韩精品一区二区| 直男gayav资源| 一进一出抽搐动态| 日本一二三区视频观看| 一区二区三区四区激情视频 | 欧美性猛交╳xxx乱大交人| 国产av不卡久久| 精品久久久久久久久亚洲 | 午夜两性在线视频| 波野结衣二区三区在线| 国产探花极品一区二区| 亚洲午夜理论影院| 国产av麻豆久久久久久久| 亚洲欧美日韩高清在线视频| 观看免费一级毛片| 99久久成人亚洲精品观看| 极品教师在线视频| 能在线免费观看的黄片| 国产欧美日韩一区二区精品| 欧美黑人巨大hd| 一区二区三区四区激情视频 | 国产精品影院久久| 免费在线观看日本一区| 十八禁人妻一区二区| 国产蜜桃级精品一区二区三区| 国产伦在线观看视频一区| 午夜激情福利司机影院| 丰满乱子伦码专区| ponron亚洲| 免费人成在线观看视频色| 国产淫片久久久久久久久 | 少妇的逼好多水| 两个人的视频大全免费| 可以在线观看毛片的网站| 熟女人妻精品中文字幕| 国产爱豆传媒在线观看| 精品人妻1区二区| 一区二区三区高清视频在线| 国产视频一区二区在线看| 婷婷精品国产亚洲av| h日本视频在线播放| 亚洲专区国产一区二区| 欧美区成人在线视频| 国产极品精品免费视频能看的| 亚洲一区二区三区色噜噜| 1000部很黄的大片| 日韩欧美 国产精品| 91字幕亚洲| 亚洲精品在线观看二区| 亚洲精品在线观看二区| 精品人妻1区二区| 久久国产乱子伦精品免费另类| 国产野战对白在线观看| 最好的美女福利视频网| 人人妻人人澡欧美一区二区| 久久国产乱子免费精品| 精华霜和精华液先用哪个| 3wmmmm亚洲av在线观看| 久久这里只有精品中国| 热99在线观看视频| 一区福利在线观看| 久久精品久久久久久噜噜老黄 | 脱女人内裤的视频| 精品久久久久久久人妻蜜臀av| 国产亚洲精品综合一区在线观看| 好看av亚洲va欧美ⅴa在| 免费看光身美女| 亚洲av五月六月丁香网| 亚洲国产高清在线一区二区三| 精品国产亚洲在线| 日本黄大片高清| 中文字幕av成人在线电影| 国产三级在线视频| 精品久久久久久久久亚洲 | 久久精品国产亚洲av香蕉五月| 久久久久久久久大av| 哪里可以看免费的av片| 我要看日韩黄色一级片| 成人午夜高清在线视频| 一个人观看的视频www高清免费观看| 在线观看午夜福利视频| 日韩 亚洲 欧美在线| 麻豆av噜噜一区二区三区| 亚洲av不卡在线观看| 高清在线国产一区| 国产成人a区在线观看| 亚洲中文日韩欧美视频| 久久精品国产亚洲av涩爱 | 久久精品91蜜桃| 99久久久亚洲精品蜜臀av| 国产乱人视频| 午夜影院日韩av| 久久精品国产亚洲av香蕉五月| 天堂动漫精品| 午夜福利免费观看在线| 久久6这里有精品| 免费观看的影片在线观看| 亚洲国产色片| 99久久精品国产亚洲精品| 亚洲avbb在线观看| 真实男女啪啪啪动态图| 国产免费男女视频| 亚洲 欧美 日韩 在线 免费| 日韩中文字幕欧美一区二区| 不卡一级毛片| 亚洲 国产 在线| 亚洲国产欧洲综合997久久,| 日本免费a在线| 亚洲最大成人av| 搡老妇女老女人老熟妇| 欧美xxxx黑人xx丫x性爽| 免费观看的影片在线观看| 精品一区二区三区视频在线| 51国产日韩欧美| 又爽又黄无遮挡网站| 欧美高清性xxxxhd video| 国产aⅴ精品一区二区三区波| 国产精品电影一区二区三区| 9191精品国产免费久久| 国产探花极品一区二区| 久久国产精品影院| 国产午夜福利久久久久久| 精品一区二区三区视频在线观看免费| h日本视频在线播放| 99国产精品一区二区三区| 欧美日韩综合久久久久久 | 在线播放国产精品三级| 亚洲欧美日韩高清在线视频| 色5月婷婷丁香| av福利片在线观看| 一进一出抽搐gif免费好疼| 日本五十路高清| 精品国产三级普通话版| 欧美精品国产亚洲| 亚洲国产精品合色在线| 亚洲成av人片在线播放无| 又黄又爽又免费观看的视频| 国产精品久久久久久久电影| 神马国产精品三级电影在线观看| av欧美777| 国产国拍精品亚洲av在线观看| a级毛片a级免费在线| 一区二区三区四区激情视频 | 久久亚洲真实| 久9热在线精品视频| 特大巨黑吊av在线直播| 久久久精品大字幕| 91狼人影院| 久久香蕉精品热| 91字幕亚洲| 一区福利在线观看| 久久人人爽人人爽人人片va | 国产麻豆成人av免费视频| 如何舔出高潮| 看免费av毛片| 久久精品国产亚洲av涩爱 | 又紧又爽又黄一区二区| 91午夜精品亚洲一区二区三区 | 亚洲成人精品中文字幕电影| 色综合亚洲欧美另类图片| 乱人视频在线观看| 亚洲av免费高清在线观看| 免费看日本二区| 99久久精品一区二区三区| 伦理电影大哥的女人| 99久久精品热视频| 99riav亚洲国产免费| 亚洲欧美日韩高清在线视频| 两个人的视频大全免费| 国产欧美日韩一区二区三| 国产精品久久视频播放| 亚洲久久久久久中文字幕| 熟妇人妻久久中文字幕3abv| av国产免费在线观看| 在线观看美女被高潮喷水网站 | 亚洲,欧美,日韩| 最好的美女福利视频网| 欧美日韩中文字幕国产精品一区二区三区| 久久九九热精品免费| 精品久久久久久久久久免费视频| 成年女人看的毛片在线观看| 久久久久久大精品| 一区二区三区免费毛片| 中文字幕免费在线视频6| 亚洲欧美日韩东京热| 搡老岳熟女国产| 少妇裸体淫交视频免费看高清| 高清在线国产一区| 日本黄大片高清| 美女高潮喷水抽搐中文字幕| 免费搜索国产男女视频| 亚洲一区高清亚洲精品| 特级一级黄色大片| 日韩免费av在线播放| 少妇的逼好多水| 青草久久国产| 国产探花在线观看一区二区| 免费在线观看影片大全网站| 亚洲,欧美精品.| 亚洲成av人片免费观看| 亚洲在线自拍视频| 亚洲电影在线观看av| 国产主播在线观看一区二区| 久久6这里有精品| 特大巨黑吊av在线直播| 在线观看舔阴道视频| 久久国产乱子伦精品免费另类| 淫秽高清视频在线观看| 免费在线观看成人毛片| 欧美潮喷喷水| 动漫黄色视频在线观看| 香蕉av资源在线| 久久精品影院6| 久久精品国产99精品国产亚洲性色| 久久久久国产精品人妻aⅴ院| 黄色女人牲交| 午夜精品久久久久久毛片777| 熟妇人妻久久中文字幕3abv| 搡女人真爽免费视频火全软件 | 精品久久久久久久久久免费视频| 日韩精品青青久久久久久| 岛国在线免费视频观看| 好男人在线观看高清免费视频| 精品人妻一区二区三区麻豆 | 国产高潮美女av| 国产高清激情床上av| 亚洲性夜色夜夜综合| 欧美乱妇无乱码| 久久草成人影院| 少妇的逼水好多| 搡女人真爽免费视频火全软件 | 欧美xxxx性猛交bbbb| 99久久成人亚洲精品观看| 欧美+日韩+精品| 久久欧美精品欧美久久欧美| 久久精品影院6| 国模一区二区三区四区视频| 亚洲男人的天堂狠狠| 久久久久久久久中文| 亚洲成人久久性| a在线观看视频网站| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲国产精品999在线| 嫩草影院精品99| bbb黄色大片| 人人妻人人看人人澡| 天天一区二区日本电影三级| 国产精品亚洲一级av第二区| 国产精品av视频在线免费观看| 久久亚洲真实| 别揉我奶头 嗯啊视频| 国语自产精品视频在线第100页| 亚洲精品日韩av片在线观看| 亚洲无线在线观看| 无人区码免费观看不卡| 欧美不卡视频在线免费观看| 精品久久久久久久久亚洲 | 狠狠狠狠99中文字幕| 欧美日韩亚洲国产一区二区在线观看| 日韩精品中文字幕看吧| 亚洲美女视频黄频| 一个人观看的视频www高清免费观看| 色av中文字幕| 成年版毛片免费区| 亚洲片人在线观看| 天天躁日日操中文字幕| 国产久久久一区二区三区| 亚洲av二区三区四区| 九九久久精品国产亚洲av麻豆| 免费人成视频x8x8入口观看| 国产精品久久久久久久久免 | 国产精品久久久久久久电影| 男女床上黄色一级片免费看| 午夜精品久久久久久毛片777| 国产激情偷乱视频一区二区| 亚洲精品在线观看二区| 少妇裸体淫交视频免费看高清| 特大巨黑吊av在线直播| h日本视频在线播放| 黄片小视频在线播放| 久久九九热精品免费| 99久久精品一区二区三区| 国产主播在线观看一区二区| 精品一区二区三区视频在线| 精品一区二区三区av网在线观看| 成人毛片a级毛片在线播放| 亚洲最大成人av| 18禁黄网站禁片午夜丰满| 国产伦精品一区二区三区四那| 国产av在哪里看| 国产高清有码在线观看视频| 直男gayav资源| 悠悠久久av| 乱人视频在线观看| 极品教师在线视频| 久久香蕉精品热| 国产av不卡久久| 亚洲成a人片在线一区二区| 黄色一级大片看看| 黄片小视频在线播放| 熟女人妻精品中文字幕| 色5月婷婷丁香| 草草在线视频免费看| 一本一本综合久久| 免费av观看视频| 自拍偷自拍亚洲精品老妇| 夜夜爽天天搞| 欧美一级a爱片免费观看看| 亚洲av成人不卡在线观看播放网| 国产精品精品国产色婷婷| 国产成人啪精品午夜网站| 午夜福利在线观看免费完整高清在 | 精品日产1卡2卡| 日韩中文字幕欧美一区二区| 国产精品日韩av在线免费观看| 成年免费大片在线观看| h日本视频在线播放| 十八禁网站免费在线| 99久久精品国产亚洲精品| 看黄色毛片网站| 久久精品久久久久久噜噜老黄 | 久久人人精品亚洲av| 色精品久久人妻99蜜桃| 啦啦啦韩国在线观看视频| 亚洲自拍偷在线| 性色avwww在线观看| 看片在线看免费视频| eeuss影院久久| 久久性视频一级片| 午夜免费男女啪啪视频观看 | 久久伊人香网站| av在线蜜桃| 亚洲av第一区精品v没综合| 国产av一区在线观看免费| 久久热精品热| 99国产精品一区二区蜜桃av| 久久久精品大字幕| 亚洲自拍偷在线| 嫁个100分男人电影在线观看| 欧美高清成人免费视频www| 久久这里只有精品中国| 能在线免费观看的黄片| 人妻制服诱惑在线中文字幕| 一二三四社区在线视频社区8| 久久精品国产99精品国产亚洲性色| 国产视频一区二区在线看| 欧美一区二区国产精品久久精品| 欧美日韩亚洲国产一区二区在线观看| 国产一区二区三区视频了| 亚洲av一区综合| 99热这里只有是精品50| 亚洲欧美日韩无卡精品| 毛片女人毛片| 天天一区二区日本电影三级| 一二三四社区在线视频社区8| 久久精品国产99精品国产亚洲性色| 欧美极品一区二区三区四区| 久久国产精品人妻蜜桃| 国产三级在线视频| 嫁个100分男人电影在线观看| 中文资源天堂在线| 丰满人妻一区二区三区视频av| 夜夜夜夜夜久久久久| 又紧又爽又黄一区二区| 嫩草影院精品99| 久久国产精品人妻蜜桃| 亚洲自拍偷在线| 欧美成狂野欧美在线观看| 99国产精品一区二区三区| 天堂√8在线中文| 精品久久久久久成人av| 日韩精品青青久久久久久| 欧美成人一区二区免费高清观看| 久久精品国产99精品国产亚洲性色| 亚洲中文字幕一区二区三区有码在线看| 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| 国产精品综合久久久久久久免费| 天天躁日日操中文字幕| 免费av观看视频| 欧美黄色片欧美黄色片| 极品教师在线视频| 又粗又爽又猛毛片免费看| 97热精品久久久久久| 特级一级黄色大片| 国产成人福利小说| 黄色丝袜av网址大全| 国产毛片a区久久久久| 国产成人福利小说| 亚洲第一电影网av| 亚洲乱码一区二区免费版| 丝袜美腿在线中文| 中文字幕高清在线视频| 国内揄拍国产精品人妻在线| bbb黄色大片| 婷婷亚洲欧美| 淫秽高清视频在线观看| av黄色大香蕉| 色在线成人网| 久久九九热精品免费| 久久久久国产精品人妻aⅴ院| 国产一区二区亚洲精品在线观看| 久久久久精品国产欧美久久久| 精品久久久久久,| 久久午夜亚洲精品久久| 黄色配什么色好看| 天堂√8在线中文| 国产av一区在线观看免费| 精品人妻视频免费看| 午夜老司机福利剧场| 亚洲无线观看免费| 国产成年人精品一区二区| 中文字幕免费在线视频6| 最好的美女福利视频网| 欧美日韩福利视频一区二区| .国产精品久久| 嫩草影院新地址| 亚洲国产日韩欧美精品在线观看| 他把我摸到了高潮在线观看| 国产v大片淫在线免费观看| 久久久久亚洲av毛片大全| 国产欧美日韩一区二区精品| 在线观看66精品国产| 日本免费a在线| 午夜视频国产福利| 亚洲熟妇中文字幕五十中出| 尤物成人国产欧美一区二区三区| 五月伊人婷婷丁香| 精品无人区乱码1区二区| 1000部很黄的大片| 国产亚洲av嫩草精品影院| 精品国产亚洲在线| 一进一出抽搐动态| 国产真实伦视频高清在线观看 | 欧美极品一区二区三区四区| 自拍偷自拍亚洲精品老妇| 国产麻豆成人av免费视频| 此物有八面人人有两片| x7x7x7水蜜桃| 成人国产一区最新在线观看| 18禁黄网站禁片午夜丰满| 此物有八面人人有两片| 可以在线观看的亚洲视频| 国内精品美女久久久久久| 久9热在线精品视频| 不卡一级毛片| 国产精品嫩草影院av在线观看 | 99国产精品一区二区三区| 亚洲黑人精品在线| 熟女电影av网| 久久亚洲真实| 在线观看免费视频日本深夜| 桃红色精品国产亚洲av| 在线a可以看的网站| 嫩草影院新地址| 在线播放无遮挡| 天堂√8在线中文| 国产色婷婷99| 久久久久久久久大av| 夜夜夜夜夜久久久久| ponron亚洲| 国产成人影院久久av| 欧美日韩综合久久久久久 | 精品久久久久久,| 桃色一区二区三区在线观看| av中文乱码字幕在线| 亚洲成人久久爱视频| 在线天堂最新版资源| 一区二区三区四区激情视频 | 国产精品永久免费网站| 国产精品一及| 色尼玛亚洲综合影院| 亚洲成人中文字幕在线播放| aaaaa片日本免费| 中文字幕av成人在线电影| 在现免费观看毛片| 国产精品野战在线观看| 男女床上黄色一级片免费看| 在线播放国产精品三级| 色噜噜av男人的天堂激情| 欧美丝袜亚洲另类 | 永久网站在线| 日韩欧美精品免费久久 | 精品久久久久久久末码| 精品不卡国产一区二区三区| 男插女下体视频免费在线播放| 日本黄色视频三级网站网址| 男女之事视频高清在线观看| 99热这里只有是精品50| 天堂√8在线中文| 亚洲三级黄色毛片| 国产一区二区亚洲精品在线观看| 麻豆一二三区av精品| 91麻豆精品激情在线观看国产| 日本黄色片子视频| 自拍偷自拍亚洲精品老妇| 亚洲成av人片免费观看| 老熟妇乱子伦视频在线观看| av在线天堂中文字幕| 天天一区二区日本电影三级| 免费搜索国产男女视频| 国产视频一区二区在线看| 欧美成狂野欧美在线观看| 欧美一区二区精品小视频在线| 午夜激情欧美在线| 亚洲欧美日韩无卡精品| 欧美日韩亚洲国产一区二区在线观看| 男女做爰动态图高潮gif福利片| 亚洲天堂国产精品一区在线| 国产精品一区二区三区四区久久| 免费一级毛片在线播放高清视频| 我要看日韩黄色一级片| 少妇熟女aⅴ在线视频| 欧美成人一区二区免费高清观看| 国产午夜福利久久久久久| 人人妻人人澡欧美一区二区| 久久久国产成人精品二区| 日本 av在线|