• <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).

    亚洲精品日本国产第一区| 高清av免费在线| 成人毛片60女人毛片免费| 中文字幕人妻熟人妻熟丝袜美| 欧美日韩视频高清一区二区三区二| 精品久久久久久电影网| 午夜福利在线在线| 精品久久久久久久久久久久久| 能在线免费看毛片的网站| 亚洲精品亚洲一区二区| 成人午夜精彩视频在线观看| 久久久久精品性色| 夫妻午夜视频| 自拍偷自拍亚洲精品老妇| 国产午夜精品论理片| 99久国产av精品| 日韩强制内射视频| 亚洲精品日韩av片在线观看| av在线亚洲专区| 99久国产av精品| 大片免费播放器 马上看| 免费观看a级毛片全部| 中文在线观看免费www的网站| xxx大片免费视频| 欧美bdsm另类| 男女边摸边吃奶| 2022亚洲国产成人精品| 国产精品.久久久| 天堂av国产一区二区熟女人妻| 亚洲精品中文字幕在线视频 | 国产成人精品一,二区| 国产淫片久久久久久久久| 少妇裸体淫交视频免费看高清| 国产亚洲午夜精品一区二区久久 | 日韩av在线免费看完整版不卡| 国产av码专区亚洲av| 国产在线男女| 国产色爽女视频免费观看| 中文字幕人妻熟人妻熟丝袜美| 国产色婷婷99| 免费看光身美女| 国产熟女欧美一区二区| 精品国产露脸久久av麻豆 | 99久久精品一区二区三区| 麻豆乱淫一区二区| 麻豆成人午夜福利视频| 国模一区二区三区四区视频| 欧美性感艳星| 国产精品久久久久久av不卡| 精品一区二区三区视频在线| 国产一级毛片在线| 国产久久久一区二区三区| 亚洲av不卡在线观看| 国产视频内射| 少妇猛男粗大的猛烈进出视频 | 国产真实伦视频高清在线观看| 夜夜看夜夜爽夜夜摸| 高清视频免费观看一区二区 | 国产精品国产三级国产av玫瑰| 免费观看a级毛片全部| 日韩一本色道免费dvd| 亚洲av二区三区四区| 啦啦啦韩国在线观看视频| 午夜久久久久精精品| 麻豆成人午夜福利视频| 日韩强制内射视频| 久久精品夜夜夜夜夜久久蜜豆| 久久精品国产亚洲av涩爱| 亚洲在线观看片| 能在线免费观看的黄片| 久久99热这里只频精品6学生| 国产 亚洲一区二区三区 | 色网站视频免费| 亚洲人成网站高清观看| 欧美3d第一页| 美女内射精品一级片tv| 亚洲精品国产成人久久av| 久久精品国产自在天天线| 日本黄大片高清| 大香蕉久久网| 日韩欧美一区视频在线观看 | 女人被狂操c到高潮| 一本久久精品| 国产高清国产精品国产三级 | 熟妇人妻不卡中文字幕| 亚洲精品第二区| 欧美zozozo另类| av在线天堂中文字幕| 嫩草影院精品99| 国国产精品蜜臀av免费| 我的女老师完整版在线观看| 菩萨蛮人人尽说江南好唐韦庄| 亚洲成人中文字幕在线播放| 97人妻精品一区二区三区麻豆| 精品久久久久久久久亚洲| 99久久精品热视频| 精品一区二区免费观看| 国产精品av视频在线免费观看| av免费观看日本| 久久久午夜欧美精品| 中国美白少妇内射xxxbb| 天堂av国产一区二区熟女人妻| 观看免费一级毛片| 真实男女啪啪啪动态图| 日日啪夜夜爽| 成人亚洲精品av一区二区| 国产亚洲一区二区精品| 成人性生交大片免费视频hd| 80岁老熟妇乱子伦牲交| 成年女人在线观看亚洲视频 | 欧美高清性xxxxhd video| 内地一区二区视频在线| 久久综合国产亚洲精品| 91在线精品国自产拍蜜月| 国产视频首页在线观看| 亚洲自偷自拍三级| 美女内射精品一级片tv| 日韩中字成人| 男女下面进入的视频免费午夜| 国产精品一及| 国产一区二区三区av在线| 国产精品无大码| 国产黄频视频在线观看| 日本黄大片高清| 亚洲成人精品中文字幕电影| 亚洲人成网站在线播| 国产69精品久久久久777片| 女人被狂操c到高潮| 国产v大片淫在线免费观看| 99热这里只有精品一区| 久热久热在线精品观看| 国产视频内射| 亚洲成人一二三区av| 麻豆成人午夜福利视频| 国产成人aa在线观看| 非洲黑人性xxxx精品又粗又长| 99久国产av精品国产电影| 老司机影院成人| 久久久久网色| 国产av国产精品国产| 欧美日韩视频高清一区二区三区二| 日韩欧美三级三区| 精品一区二区免费观看| 国产伦精品一区二区三区视频9| 26uuu在线亚洲综合色| 久久精品国产自在天天线| av又黄又爽大尺度在线免费看| 国产黄a三级三级三级人| 亚洲国产精品专区欧美| 亚洲欧美精品专区久久| 亚洲欧美精品专区久久| 91aial.com中文字幕在线观看| 国产黄频视频在线观看| 国产一区二区在线观看日韩| 亚洲av成人精品一二三区| 日本午夜av视频| 黄片无遮挡物在线观看| 91午夜精品亚洲一区二区三区| 精品不卡国产一区二区三区| 天天一区二区日本电影三级| 久久亚洲国产成人精品v| 成人美女网站在线观看视频| 内地一区二区视频在线| 嘟嘟电影网在线观看| 亚洲国产色片| 大片免费播放器 马上看| 国精品久久久久久国模美| 国产综合精华液| 亚洲最大成人av| 午夜激情久久久久久久| 黑人高潮一二区| 美女黄网站色视频| 亚洲国产av新网站| 搡女人真爽免费视频火全软件| 久久精品久久久久久噜噜老黄| 国产三级在线视频| 精品人妻视频免费看| 欧美日韩精品成人综合77777| 在线观看一区二区三区| 看非洲黑人一级黄片| 久久精品国产自在天天线| www.色视频.com| 色吧在线观看| 亚洲内射少妇av| 最近中文字幕高清免费大全6| 91精品伊人久久大香线蕉| 免费观看无遮挡的男女| 久久久色成人| 99热这里只有是精品在线观看| 成年av动漫网址| 国产淫语在线视频| kizo精华| av天堂中文字幕网| 成人毛片a级毛片在线播放| av在线观看视频网站免费| 黄片wwwwww| 国产成年人精品一区二区| 亚洲怡红院男人天堂| 免费观看精品视频网站| 欧美人与善性xxx| 国产精品99久久久久久久久| 亚洲av二区三区四区| 午夜福利在线观看免费完整高清在| 看非洲黑人一级黄片| 嫩草影院精品99| 91精品伊人久久大香线蕉| 99久国产av精品国产电影| 国产单亲对白刺激| 成人美女网站在线观看视频| 亚洲在久久综合| 国产精品综合久久久久久久免费| 又大又黄又爽视频免费| 最近视频中文字幕2019在线8| 亚洲va在线va天堂va国产| 国产精品一区www在线观看| 麻豆成人午夜福利视频| 建设人人有责人人尽责人人享有的 | 亚洲性久久影院| 色综合色国产| 在线天堂最新版资源| 免费高清在线观看视频在线观看| 亚洲av成人精品一二三区| 亚州av有码| 日韩成人av中文字幕在线观看| 久久韩国三级中文字幕| 在线免费观看不下载黄p国产| 亚洲美女搞黄在线观看| 人妻一区二区av| 久久久亚洲精品成人影院| 国产精品无大码| 丰满人妻一区二区三区视频av| av在线天堂中文字幕| 亚洲四区av| 日日啪夜夜爽| 伊人久久精品亚洲午夜| 国内精品美女久久久久久| 免费播放大片免费观看视频在线观看| 亚洲内射少妇av| 毛片女人毛片| 91精品国产九色| 80岁老熟妇乱子伦牲交| 成年版毛片免费区| 免费观看av网站的网址| 国产黄频视频在线观看| 久久精品国产自在天天线| 国产精品一区二区在线观看99 | 久久久亚洲精品成人影院| 男的添女的下面高潮视频| 国产午夜精品久久久久久一区二区三区| 精品一区二区免费观看| 国产黄a三级三级三级人| 日韩精品青青久久久久久| 亚洲av中文字字幕乱码综合| 人妻一区二区av| 国内精品一区二区在线观看| 国产av码专区亚洲av| 边亲边吃奶的免费视频| 只有这里有精品99| 搡女人真爽免费视频火全软件| 国产欧美另类精品又又久久亚洲欧美| 精品一区在线观看国产| 亚洲欧美日韩卡通动漫| 91精品伊人久久大香线蕉| 欧美3d第一页| a级一级毛片免费在线观看| 亚洲色图av天堂| 人妻夜夜爽99麻豆av| 少妇丰满av| 国产亚洲最大av| 亚洲精品影视一区二区三区av| 韩国av在线不卡| 亚洲不卡免费看| 午夜视频国产福利| 一级毛片黄色毛片免费观看视频| 国产女主播在线喷水免费视频网站 | 亚洲av男天堂| 一二三四中文在线观看免费高清| 成人二区视频| 小蜜桃在线观看免费完整版高清| 熟女电影av网| 久久精品久久久久久噜噜老黄| 青青草视频在线视频观看| 少妇人妻精品综合一区二区| 真实男女啪啪啪动态图| 少妇熟女aⅴ在线视频| 婷婷色麻豆天堂久久| 日韩中字成人| 久久韩国三级中文字幕| 最近的中文字幕免费完整| 亚洲在线自拍视频| 欧美日韩综合久久久久久| 亚洲国产精品sss在线观看| 91精品国产九色| 观看免费一级毛片| 欧美激情久久久久久爽电影| 婷婷色麻豆天堂久久| 国产男人的电影天堂91| 性插视频无遮挡在线免费观看| 少妇熟女欧美另类| 亚洲人成网站高清观看| 国产有黄有色有爽视频| 亚洲精品成人久久久久久| 亚洲熟女精品中文字幕| 欧美一区二区亚洲| 99热全是精品| 大又大粗又爽又黄少妇毛片口| 人人妻人人澡人人爽人人夜夜 | 99久久精品热视频| 女人十人毛片免费观看3o分钟| 成人av在线播放网站| 18禁动态无遮挡网站| 成人欧美大片| 永久网站在线| 热99在线观看视频| 视频中文字幕在线观看| 秋霞在线观看毛片| 老女人水多毛片| 欧美激情久久久久久爽电影| 亚洲精品自拍成人| 国产 亚洲一区二区三区 | 久久久精品欧美日韩精品| 一本一本综合久久| 别揉我奶头 嗯啊视频| av在线亚洲专区| 久久久亚洲精品成人影院| 日韩欧美三级三区| 一个人观看的视频www高清免费观看| 在线免费观看不下载黄p国产| 欧美一级a爱片免费观看看| 亚洲欧美日韩东京热| 在线观看av片永久免费下载| 婷婷六月久久综合丁香| 日本免费a在线| 国产精品一区www在线观看| 国产大屁股一区二区在线视频| 九草在线视频观看| 国产黄色免费在线视频| 精品午夜福利在线看| 欧美xxxx黑人xx丫x性爽| 别揉我奶头 嗯啊视频| 高清视频免费观看一区二区 | 18禁裸乳无遮挡免费网站照片| 真实男女啪啪啪动态图| 亚洲欧美一区二区三区黑人 | 成人高潮视频无遮挡免费网站| 亚洲精品成人久久久久久| 69人妻影院| 亚洲一区高清亚洲精品| 久久精品国产亚洲av涩爱| 日本与韩国留学比较| 亚洲最大成人av| 99热全是精品| 欧美变态另类bdsm刘玥| 国产午夜精品久久久久久一区二区三区| 最近中文字幕高清免费大全6| 亚洲av不卡在线观看| 亚洲av二区三区四区| 九九久久精品国产亚洲av麻豆| 啦啦啦中文免费视频观看日本| 亚洲av电影不卡..在线观看| 日韩成人伦理影院| 精品人妻视频免费看| 亚洲精品影视一区二区三区av| 精品久久久久久久久久久久久| 大陆偷拍与自拍| 一级片'在线观看视频| 亚洲欧美清纯卡通| 亚洲精品乱码久久久v下载方式| 国产黄片美女视频| 搡女人真爽免费视频火全软件| 欧美成人a在线观看| 国产大屁股一区二区在线视频| 亚洲av日韩在线播放| 色哟哟·www| 最近2019中文字幕mv第一页| 亚洲人成网站在线观看播放| 男的添女的下面高潮视频| 精品久久国产蜜桃| 人妻少妇偷人精品九色| 欧美一级a爱片免费观看看| 汤姆久久久久久久影院中文字幕 | 最近手机中文字幕大全| 免费看不卡的av| 男女下面进入的视频免费午夜| 好男人在线观看高清免费视频| 久久久久久久久中文| 亚洲国产精品sss在线观看| 性插视频无遮挡在线免费观看| 伊人久久国产一区二区| 精品熟女少妇av免费看| 亚洲内射少妇av| 亚洲一区高清亚洲精品| 国产黄片美女视频| 在线免费观看的www视频| 亚洲欧美一区二区三区国产| 国产午夜精品一二区理论片| 欧美xxⅹ黑人| 亚洲av.av天堂| 啦啦啦中文免费视频观看日本| 水蜜桃什么品种好| 日韩欧美一区视频在线观看 | 免费观看av网站的网址| 国产精品一区二区三区四区久久| av女优亚洲男人天堂| 国产欧美日韩精品一区二区| 男人舔奶头视频| 久久综合国产亚洲精品| 晚上一个人看的免费电影| 岛国毛片在线播放| 久久这里只有精品中国| 少妇裸体淫交视频免费看高清| 极品教师在线视频| 国产精品1区2区在线观看.| 在线免费观看的www视频| 亚洲欧美中文字幕日韩二区| 小蜜桃在线观看免费完整版高清| 国产精品国产三级专区第一集| 观看美女的网站| 亚洲不卡免费看| 亚洲第一区二区三区不卡| 淫秽高清视频在线观看| 51国产日韩欧美| 久久久久久久久久成人| freevideosex欧美| 校园人妻丝袜中文字幕| 老女人水多毛片| 国产亚洲5aaaaa淫片| 欧美zozozo另类| 国产精品麻豆人妻色哟哟久久 | 午夜福利在线观看吧| 国产精品麻豆人妻色哟哟久久 | 国产精品嫩草影院av在线观看| 欧美激情久久久久久爽电影| 亚洲一级一片aⅴ在线观看| 国产亚洲一区二区精品| 人妻制服诱惑在线中文字幕| 久久99热这里只有精品18| 2021少妇久久久久久久久久久| 精品久久久久久久人妻蜜臀av| 久久国产乱子免费精品| 午夜福利在线观看吧| 波多野结衣巨乳人妻| 欧美日韩精品成人综合77777| 亚洲综合精品二区| 国产又色又爽无遮挡免| 精品久久久久久久久亚洲| 高清欧美精品videossex| kizo精华| 国产精品久久久久久精品电影| 国产视频内射| 熟女电影av网| 一个人免费在线观看电影| 国产大屁股一区二区在线视频| 日日啪夜夜撸| 亚洲国产最新在线播放| 亚洲18禁久久av| 国产精品久久久久久精品电影| 麻豆av噜噜一区二区三区| 99视频精品全部免费 在线| 亚洲av一区综合| 十八禁国产超污无遮挡网站| 久久国产乱子免费精品| 成人av在线播放网站| av天堂中文字幕网| 欧美性感艳星| 久久久a久久爽久久v久久| 精品人妻视频免费看| 老司机影院成人| 女人久久www免费人成看片| 久久久久久久午夜电影| 色尼玛亚洲综合影院| 男人舔奶头视频| 最后的刺客免费高清国语| 久久久久免费精品人妻一区二区| 国产成人免费观看mmmm| 超碰97精品在线观看| 两个人的视频大全免费| 国精品久久久久久国模美| 黄色欧美视频在线观看| 久久国产乱子免费精品| 一本一本综合久久| 国产毛片a区久久久久| 久久久久久久午夜电影| 午夜久久久久精精品| 五月伊人婷婷丁香| 狂野欧美白嫩少妇大欣赏| 日本免费在线观看一区| 国精品久久久久久国模美| 国产欧美日韩精品一区二区| 七月丁香在线播放| 美女高潮的动态| 国产免费一级a男人的天堂| 亚洲精品久久午夜乱码| a级一级毛片免费在线观看| 九九久久精品国产亚洲av麻豆| 人妻少妇偷人精品九色| 国产免费福利视频在线观看| 亚洲国产精品成人综合色| 日日摸夜夜添夜夜添av毛片| 九色成人免费人妻av| 久久久久久久国产电影| 日韩一本色道免费dvd| 大香蕉97超碰在线| 亚洲最大成人中文| 久久久精品94久久精品| 一级爰片在线观看| 男人舔女人下体高潮全视频| 亚洲精品第二区| 国产午夜福利久久久久久| 天天躁日日操中文字幕| 麻豆成人av视频| 丰满乱子伦码专区| av在线老鸭窝| 男人舔女人下体高潮全视频| 色视频www国产| 久久99精品国语久久久| 水蜜桃什么品种好| 国产精品久久久久久久电影| 国产精品久久视频播放| 国产成人freesex在线| 精品一区在线观看国产| 精品一区二区三卡| 亚洲国产精品专区欧美| 中文字幕亚洲精品专区| av在线观看视频网站免费| 亚洲天堂国产精品一区在线| 日韩欧美 国产精品| 亚洲va在线va天堂va国产| 久久久久国产网址| 亚洲av电影在线观看一区二区三区 | 色吧在线观看| 免费黄网站久久成人精品| 国产黄频视频在线观看| av女优亚洲男人天堂| 天堂俺去俺来也www色官网 | 精华霜和精华液先用哪个| 免费黄色在线免费观看| 免费看不卡的av| 国产成人精品婷婷| videos熟女内射| 最新中文字幕久久久久| 国产69精品久久久久777片| ponron亚洲| 男人和女人高潮做爰伦理| 欧美区成人在线视频| 亚洲国产精品成人综合色| 国产成人一区二区在线| 亚洲国产欧美人成| 午夜精品一区二区三区免费看| 亚洲国产精品专区欧美| 中文字幕免费在线视频6| 哪个播放器可以免费观看大片| 青春草国产在线视频| 日韩精品青青久久久久久| 久久久久精品性色| 亚洲国产高清在线一区二区三| 亚洲高清免费不卡视频| 黄色一级大片看看| 天美传媒精品一区二区| 久久亚洲国产成人精品v| 亚洲国产欧美人成| 午夜精品一区二区三区免费看| 丰满人妻一区二区三区视频av| 高清毛片免费看| 日韩伦理黄色片| 干丝袜人妻中文字幕| 国产亚洲5aaaaa淫片| 少妇熟女欧美另类| 男女边摸边吃奶| 能在线免费观看的黄片| 大话2 男鬼变身卡| 禁无遮挡网站| 在线天堂最新版资源| 午夜福利视频1000在线观看| 身体一侧抽搐| 少妇人妻精品综合一区二区| 汤姆久久久久久久影院中文字幕 | 国产日韩欧美在线精品| 国产成人免费观看mmmm| 午夜久久久久精精品| 美女国产视频在线观看| 亚洲精品一区蜜桃| 亚洲欧美成人综合另类久久久| 欧美成人精品欧美一级黄| 亚洲精品久久久久久婷婷小说| 国产中年淑女户外野战色| 国产爱豆传媒在线观看| 51国产日韩欧美| 亚洲精品乱码久久久久久按摩| 国产人妻一区二区三区在| 91久久精品电影网| 亚洲欧美一区二区三区国产| 日韩一本色道免费dvd| 国产精品美女特级片免费视频播放器| 纵有疾风起免费观看全集完整版 | 国产在线一区二区三区精| 热99在线观看视频| 日日啪夜夜爽| 日日撸夜夜添| 99热这里只有是精品50| 久久久国产一区二区| av专区在线播放| 色综合站精品国产| 亚洲av中文字字幕乱码综合| 久久久精品94久久精品| 亚洲精华国产精华液的使用体验| 中国国产av一级| 亚洲最大成人中文| 国产精品一区二区性色av| av国产久精品久网站免费入址| 黄色日韩在线| 美女cb高潮喷水在线观看| 欧美日韩一区二区视频在线观看视频在线 | 一级毛片aaaaaa免费看小| 免费观看的影片在线观看|