• <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 ?

    基于隱變量后驗生成對抗網(wǎng)絡的不平衡學習

    2021-06-01 03:41:26何新林戚宗鋒李建勛
    上海交通大學學報 2021年5期
    關鍵詞:后驗分類器分類

    何新林, 戚宗鋒, 李建勛

    (1. 上海交通大學 電子信息與電氣工程學院, 上海 200240;2. 電子信息系統(tǒng)復雜電磁環(huán)境效應國家重點實驗室, 河南 洛陽 471003)

    數(shù)據(jù)分布不平衡是影響數(shù)據(jù)挖掘或者機器學習分類算法性能的一個關鍵因素.傳統(tǒng)的分類算法假設數(shù)據(jù)分布是均衡的,以提升全局準確率為優(yōu)化目標.但現(xiàn)實世界中的許多應用如醫(yī)療診斷[1]、金融欺詐檢測[2]、人臉識別[3]及機械故障檢測[4]等均存在數(shù)據(jù)分布不均衡的情況,某些類別的數(shù)目遠遠超過其他類別,二分類問題中通常分別稱為多數(shù)類和少數(shù)類.在這些問題中,少數(shù)類是人們關注的重點,傳統(tǒng)分類算法致力于提升全局準確率,導致分類結果偏向多數(shù)類而忽視了人們關注的重點.

    目前主要從數(shù)據(jù)層面[5-9]和算法層面[10-11]或者兩者結合[12-13]來解決不平衡分類問題.數(shù)據(jù)層面的解決辦法通過對少數(shù)類過采樣或者多數(shù)類欠采樣使數(shù)據(jù)達到均衡,算法層面的解決辦法通過設定算法參數(shù)如數(shù)據(jù)加權、代價敏感來強調少數(shù)類,兩個方法的結合通過采樣來平衡數(shù)據(jù)集,同時改進算法來強調少數(shù)類.

    盡管現(xiàn)有的解決辦法達到了良好的表現(xiàn)[10],鑒于最近幾年深度網(wǎng)絡生成模型在表示學習上顯現(xiàn)出的巨大優(yōu)勢[14-15],本文關注利用深度神經(jīng)網(wǎng)絡對少數(shù)類進行過采樣,因為過采樣不會丟失數(shù)據(jù)中重要的信息,而且可以作為預處理步驟來進行可視化或者與算法層面方法相結合.傳統(tǒng)的采樣方法都是基于線性插值的方式,不能根據(jù)數(shù)據(jù)的概率分布函數(shù)進行采樣.用過采樣方法來解決不平衡分類問題是通過生成少數(shù)類樣本來使數(shù)據(jù)達到均衡.最簡單的方法是復制現(xiàn)有的少數(shù)類樣本,這種方法容易導致過擬合.Chawla等[5]提出在選定的少數(shù)類樣本和它們的K近鄰之間進行線性插值來生成少數(shù)類樣本,這種方法把所有少數(shù)類樣本等同看待,沒有考慮數(shù)據(jù)內分布的差異性,容易導致生成樣本落入多數(shù)類區(qū)域.Han等[6]提出識別出位于類間邊界的難以學習的少數(shù)類樣本,對每個邊界集合樣本生成同等數(shù)量的樣本.He等[7]用自適應方法根據(jù)每個少數(shù)類樣本K近鄰中多數(shù)類樣本的數(shù)量來決定對每個少數(shù)類樣本生成樣本的數(shù)目,這種方法容易受噪聲影響,對落入多數(shù)類區(qū)域的噪聲給予過多關注.Barua等[8]提出識別出那些難以學習的少數(shù)類樣本,并基于其與多數(shù)類樣本的歐式距離給每個少數(shù)類樣本分配權重,再用層次聚類法把少數(shù)類樣本分為若干簇,在簇內根據(jù)權重采樣插值生成少數(shù)類樣本.Douzas等[9]提出利用條件生成對抗網(wǎng)絡學習數(shù)據(jù)的多類分布,再進行少數(shù)類過采樣.

    針對現(xiàn)有的基于插值的過采樣算法僅僅利用鄰域樣本的缺點,本文引入了隱變量模型,提出了一種基于隱變量后驗生成對抗網(wǎng)絡的過采樣(LGOS)算法.生成對抗網(wǎng)絡利用了所有少數(shù)類樣本來學習數(shù)據(jù)真實概率分布,在隱變量后驗上采樣克服了基于高斯噪聲生成對抗網(wǎng)絡生成數(shù)據(jù)的隨機性.同時本文引入了權重縮放因子,提出了與過采樣算法相結合的不平衡分類算法TrWSBoost,人工合成的過采樣樣本和原始樣本有很大相關性就相當于遷移源領域樣本,原始樣本被當作目標領域樣本來迭代訓練集成分類器.

    1 生成對抗網(wǎng)絡

    生成對抗網(wǎng)絡(Generative Adversarial Networks, GANs)是Goodfellow等[16]于2014年提出的一種無監(jiān)督生成模型.生成對抗網(wǎng)絡由兩部分組成:生成器G和判別器D,結構如圖1所示.這兩個網(wǎng)絡以對抗方式進行訓練,生成器用來學習真實數(shù)據(jù)的分布,輸入是隱變量先驗,通常假設為高斯噪聲或者均勻噪聲,輸出為接近真實數(shù)據(jù)分布的生成數(shù)據(jù).判別器是一個二分類器,用來判別輸入是真實數(shù)據(jù)還是生成數(shù)據(jù)的概率.

    生成器G和判別器D的訓練目標是相互對抗的.判別器對輸入樣本進行真假判定,通過訓練不斷提升自己的分類效果,識別出生成器所生成的樣本.生成器希望生成更加真實的樣本以混淆判別器,讓判別器無法分辨真假.設輸入的隨機噪聲為z,生成器G將隨機噪聲轉換為生成樣本G(z).判別器D對輸入樣本輸出D(x)為[0,1]范圍內的一個實數(shù),表示輸入樣本為真實樣本的概率值.其損失函數(shù)為

    Ez~Pz{log[1-D(G(z))]}

    (1)

    式中:x為真實輸入樣本;Pr為真實數(shù)據(jù)分布;Pz為輸入噪聲分布;E為數(shù)據(jù)期望.

    圖1 生成對抗網(wǎng)絡結構圖Fig.1 Framework of generative adversarial network

    兩個網(wǎng)絡進行迭代訓練,理論上最終達到納什均衡時,生成器G生成的數(shù)據(jù)分布和真實數(shù)據(jù)分布相同,判別器D輸出概率值為0.5,無法區(qū)分真實樣本和生成樣本.

    2 基于隱變量后驗的生成對抗網(wǎng)絡模型

    2.1 隱變量模型

    在生成對抗網(wǎng)絡中,把高斯噪聲或者均勻噪聲當作隱變量先驗分布,而隱變量真實先驗分布和真實后驗分布未知,所以生成數(shù)據(jù)質量具有隨機性.變分自編碼隱變量模型用近似后驗分布代替真實先驗分布,運用變分貝葉斯方法,在概率圖模型上執(zhí)行高效的近似推理和學習.均值場方法在很多情況下難以求得后驗分布的解析解,變分自編碼隱變量模型在概率圖框架下形式化這個問題,通過優(yōu)化對數(shù)似然的下界來間接優(yōu)化最大對數(shù)似然.

    近似后驗分布和真實后驗分布的距離用KL散度度量:

    DKL(qφ(z|x)‖pθ(z|x))=

    Ez~qφ[logqφ(z|x)-logpθ(z|x)]

    (2)

    式中:φ為變分模型參數(shù);qφ(z|x)為近似后驗分布,假設其服從高斯分布;θ為數(shù)據(jù)生成模型參數(shù);pθ(z|x)為真實后驗分布.

    通過貝葉斯變換可得變分下界為

    L(θ,φ;x)=

    logp(x)-DKL[qφ(z|x)‖pθ(z|x)]=

    Ez~qφ[logpθ(x|z)]-DKL[qφ(z|x)‖pθ(z)]

    (3)

    隱變量模型通過編碼器得到近似后驗分布qφ(z|x)的均值和協(xié)方差,在隱空間采樣輸入解碼器重構原始輸入數(shù)據(jù),誤差沿網(wǎng)絡反向傳播更新網(wǎng)絡參數(shù)來逼近變分下界.

    2.2 基于隱變量后驗分布的生成對抗網(wǎng)絡模型建立

    本文所建立模型中,編碼器E從真實樣本提取隱變量作為監(jiān)督信號,在隱空間采樣作為信號輸入生成器G用來生成和真實數(shù)據(jù)同分布的樣本.隱變量模型的解碼器從隱空間采樣重構原始輸入樣本,故可把生成器和解碼器結合,提出了一種數(shù)據(jù)生成模型LGOS.

    編碼器E輸入x,輸出為隱變量分布均值和方差,可表示為

    z~E(x)=qφ(z|x)

    (4)

    式中:qφ(z|x)~N(μ,σ),μ、σ分別為隱變量對應高斯分布的均值和方差.

    在隱空間采樣輸入生成器G得到生成數(shù)據(jù):

    (5)

    假設隱變量先驗分布為正態(tài)分布N(0,I),則變分下界為

    L(θ,φ;x)=-Lele-LKL

    (6)

    式中:Lele為重構誤差;LKL為隱變量近似后驗分布和先驗分布之間的KL散度,具體表示如下.

    Lele=-Eqφ(z|x)[logpθ(x|z)]=

    (7)

    LKL=DKL(qφ(z|x)‖pθ(z))=

    (8)

    式中:J為隱變量維度;μj和σj分別為樣本近似后驗分布對應的均值和方差.

    判別器D損失為

    LD=-Ex~pr{log[D(x)]}-

    Ez~qφ(z|x){log[1-D(G(z))]}

    (9)

    判別器D對真實輸入樣本輸出較大的似然概率值,而對生成器G生成的樣本輸出小的似然概率值.

    生成器G對抗損失為

    LDG=-Ez~pz{log[D(G(z))]}

    (10)

    生成器G和判別器D進行反向迭代,兩個模型一直處于對抗訓練過程.

    2.3 分布自適應

    用真實數(shù)據(jù)和生成數(shù)據(jù)之間的歐式距離來度量似然函數(shù)在很多情況下不適用.因為真實數(shù)據(jù)和生成數(shù)據(jù)要服從同分布,在模型中添加邊緣分布自適應和條件分布自適應兩個限制條件.

    邊緣分布的差距用最大化均值差異(MMD)度量[17],最大化均值差異把原變量映射到再生希爾伯特空間,在另一空間中求取兩個分布的距離.在生成對抗網(wǎng)絡中,判別器的目的就是學習數(shù)據(jù)樣本的特征來進行區(qū)分,所以在LGOS模型中,用生成對抗網(wǎng)絡判別器的最后一個隱層作為特征空間,特征向量的歐式距離即為MMD距離.

    (11)

    式中:l為判別器最后1個隱層;f為輸入數(shù)據(jù)在第l層對應的特征提取函數(shù).

    在LGOS模型中,用一個分類器C獲得條件概率,分類器輸出激活函數(shù)為softmax,輸出向量各維度表示樣本屬于各個類別的概率.條件分布距離損失為

    (12)

    分類器用原始數(shù)據(jù)訓練,用交叉熵函數(shù)作為其損失函數(shù),分類器損失為

    (13)

    各模塊最終損失為

    LE=LKL+γ1Lelement+γ2LMMD+γ3LGC

    (14)

    LG=LDG+γ1Lelement+γ2LMMD+γ3LGC

    (15)

    LD=-Ex~pr{log[D(x)]}-

    Ez~qφ(z|x){log[1-D(G(z))]}

    (16)

    (17)

    式中:γ1、γ2及γ3為超參數(shù),用于調節(jié)各部分損失比重大小.

    網(wǎng)絡結構圖如圖2所示.

    圖2 本文LGOS算法網(wǎng)絡結構圖Fig.2 Framework of proposed LGOS algorithm

    2.4 權重縮放的遷移學習模型

    以TrAdaboost[20]為基礎,提出了改進的帶權重縮放因子的TrWSBoost遷移學習分類算法.把生成的少數(shù)類樣本當作源領域樣本,原始訓練數(shù)據(jù)當作目標領域樣本,目標是要訓練遷移學習集成分類器.

    在TrWSBoost模型中,在每一輪迭代時,對于源領域樣本,被基學習器錯分時,認為這些錯分樣本是與原始樣本不同分布的樣本,錯分樣本權重在下一輪迭代時應該降低.正確分類樣本權重保持不變.目標領域樣本錯分時下一輪迭代權重增加,正確分類時權重保持不變.在TrAdaboost算法中,源領域樣本錯分時權重衰減過快[21-22],且模型融合時僅融合了后一半模型,沒有充分利用源領域信息.考慮到本文中源領域樣本和目標領域樣本較大的相關性,為了解決權重衰減過快的問題,本文以目標領域樣本加權錯誤率和源領域樣本加權錯誤率為基礎,設定了權重縮放因子.當目標領域加權錯誤率低時,認為模型表現(xiàn)良好,減慢源領域樣本權重更新速度,反之亦然.

    最終算法結構圖如圖3、4所示,算法流程如下:

    (1) LGOS過采樣算法.

    (a) 初始化.設置訓練批次大小為m,初始化編碼器E、生成器G、判別器D和分類器C 4個網(wǎng)絡參數(shù).設置超參數(shù)γ1=0.01,γ2=1,γ3=0.02.

    (b) 從真實數(shù)據(jù)中隨機抽取批次大小為m的訓練數(shù)據(jù)x,并輸入編碼器E后得到隱變量近似后驗分布z.

    (f) 匯總各網(wǎng)絡損失,誤差反向傳播更新網(wǎng)絡參數(shù).

    (g) 重復執(zhí)行步驟(2)~(6),更新網(wǎng)絡參數(shù)直至收斂.從隱空間采樣輸入生成器G得到最終生成樣本.

    (2) TrWSBoost集成分類算法.

    (e) 當前步數(shù)t自增1,未到N步時重復步驟(9)~(11).

    圖3 本文LGOS算法流程圖Fig.3 Flowchart of proposed LGOS algorithm

    圖4 訓練TrWSBoost集成分類器流程圖Fig.4 Flowchart of training of TrWSBoost ensemble classifier

    3 實驗與分析

    通過對比實驗分析本文所提出的LGOS算法和TrWSBoost算法的性能,以隨機過采樣(ROS)和傳統(tǒng)的基于插值的過采樣算法如SMOTE[5],Borderline-SMOTE[6],ADASYN[7],MWMOTE[8]作為比較對象.首先,比較LGOS算法和其他過采樣算法生成數(shù)據(jù)的分布差異;其次,在加州大學歐文分校6個數(shù)據(jù)集(UCI)上詳盡比較了各過采樣算法生成數(shù)據(jù)訓練的分類器的性能;最后,把過采樣生成的數(shù)據(jù)作為遷移學習源領域樣本,原始數(shù)據(jù)作為目標領域樣本,對TrWSBoost算法和TrAdaboost算法進行比較.

    圖5 LGOS 算法和其他過采樣算法生成數(shù)據(jù)圖形比較Fig.5 Visual comparison of synthetic data of LGOS and other oversampling methods

    3.1 實驗參數(shù)設置和評估指標

    實驗選取了6個UCI公開數(shù)據(jù)集,把某類或幾類指定為少數(shù)類,其他類作為多數(shù)類人為制造不平衡數(shù)據(jù)集,各數(shù)據(jù)集描述見表1.He等[10]的實驗結果顯示當數(shù)據(jù)分布接近均衡時,分類器表現(xiàn)最好,故在本文中,對每一數(shù)據(jù)集均通過過采樣方法使少數(shù)類和多數(shù)類均衡.在實驗中,隨機選取80%的數(shù)據(jù)為訓練集,其余數(shù)據(jù)作為測試集,取10次實驗結果平均值作為報告結果.第一階段實驗采用決策樹分類器,采用基尼系數(shù)作為節(jié)點切分標準,葉子節(jié)點最少樣本數(shù)設置為1.SMOTE、Borderline-SMOTE、ADASYN算法K近鄰設置為5,對MWMOTE算法K1設為5,K2設為3,K3設為3,聚類簇合并閾值Cp設為3.第二階段實驗把過采樣生成的少數(shù)類樣本當作源領域樣本,原訓練集數(shù)據(jù)當作目標領域樣本,利用TrWSBoost算法訓練遷移學習分類器.為了與第一階段結果對比,弱分類器同樣選取決策樹分類器,迭代步數(shù)設置為50,當分類精確度很高時提前終止以防止過擬合.

    表1 各數(shù)據(jù)集特性描述Tab.1 Description of characteristics of datasets

    數(shù)據(jù)分布不均衡時,全局準確率不能作為分類器評價指標[10],實驗分別選取Recall、F-measure、G-mean及AUC[10]來評估過采樣算法的有效性.Recall衡量分類器在召回單一類別上的能力,在少數(shù)類應重點關注的應用中,這個指標是關注的重點,F(xiàn)-measure表示分類器在預測單一類別上的完備性和準確性的均衡,G-mean表示分類器召回兩個類別上的綜合表現(xiàn),AUC與數(shù)據(jù)分布無關,適合比較不同分類器的差異.

    3.2 實驗結果與分析

    選取satimage數(shù)據(jù)集,用各過采樣算法生成同樣數(shù)量的少數(shù)類樣本,利用t分布隨機領域嵌入(TSNE)投影算法將數(shù)據(jù)降到兩維進行圖形可視化表示.

    圖5所示為LGOS 算法和其他過采樣算法生成數(shù)據(jù)圖形比較.從圖中可見,ROS算法生成樣本和原始數(shù)據(jù)中少數(shù)類重合,容易導致過擬合.SMOTE算法生成樣本相比于原始樣本差異小,而且有少部分生成樣本落入多數(shù)類區(qū)域成為噪聲,對分類器訓練不利.Borderline-SMOTE、MWMOTE及ADASYN算法側重邊界區(qū)域少數(shù)類樣本,這些樣本容易受落入多數(shù)類區(qū)域的噪聲影響,對應忽略的噪聲較大的權重,導致生成更多噪聲,而且容易導致邊界混合.從圖3(f)中可以看出,生成樣本的分布區(qū)域基本都在原始少數(shù)類樣本分布區(qū)域內,而且和原始樣本的關聯(lián)更小,說明本文所提出的LGOS算法能夠準確估計出真實樣本概率密度函數(shù),生成樣本時是在真實的概率密度函數(shù)上采樣,不同于基于插值的方式,生成樣本時利用了全局的概率分布,生成樣本相比于原始樣本差異更大,提供的信息更多.

    在6個UCI公開數(shù)據(jù)集上進行對比實驗,用過采樣算法生成的樣本和原始樣本混合訓練決策樹分類器,在測試集上的Recall、F-measure、G-mean和AUC指標見表2,粗體表示最優(yōu)值.

    表2 基于數(shù)據(jù)過采樣的決策樹分類器指標Tab.2 Metrics of decision tree classifier based on data oversampling

    由表2可知,過采樣擴充數(shù)據(jù)集后的分類指標相比于原始數(shù)據(jù)集基本都有所上升,因為過采樣降低了數(shù)據(jù)集的不平衡比.相比于ROS、SMOTE、Borderline-SMOTE、MWMOTE及ADASYN算法,LGOS算法在Recall指標上明顯優(yōu)于其他方法,說明LGOS算法生成的樣本較原始原本差異更大,提供的新信息更多,提高了召回率,這點從圖3也可看出.但LGOS算法生成樣本差異大也會引入少量噪聲,降低Precision,所以在F-measure指標上沒有顯現(xiàn)出優(yōu)勢.在綜合評價指標G-mean和AUC上,LGOS有明顯優(yōu)勢,說明過采樣同時兼顧了多數(shù)類和少數(shù)類.

    把過采樣少數(shù)類樣本當作源領域樣本,原始樣本當作目標領域樣本,利用本文的TrWSBoost算法訓練集成分類器,本文實驗中選取決策樹作為基分類器,分類器測試指標見表3,粗體表示最優(yōu)值.其中ROS表示先用ROS過采樣算法生成少數(shù)類樣本,再用所有數(shù)據(jù)訓練TrWSBoost分類器, 其余類同.TrAdaboost列表示用LGOS生成少數(shù)類樣本,再用TrAdaboost算法訓練集成分類器.

    表3 基于數(shù)據(jù)過采樣的遷移學習分類器指標Tab.3 Metrics of transfer learning classifier based on data oversampling

    從表2、3中可知,集成后各指標相比于單分類器均有明顯提升,表示集成方法是解決不平衡學習的一個好辦法.LGOS算法生成樣本在集成后在各指標上均超出了其他方法.TrWSBoost算法相比于TrAdaboost算法解決了權重衰減過快的問題.在本文研究中,由于源領域樣本和目標領域樣本極大的相關性,防止權重衰減過快具有合理性.

    4 結語

    現(xiàn)有的不平衡分類問題過采樣方法均是基于樣本間插值的方法,區(qū)別在于如何區(qū)分需要關注的少數(shù)類樣本以及每個樣本對應的生成樣本數(shù)量.然而,這些方法均沒有有效利用數(shù)據(jù)的概率密度分布函數(shù),導致生成樣本相比于原始樣本差異小.基于這一觀察以及最近幾年深度網(wǎng)絡生成模型顯現(xiàn)出的優(yōu)越性,本文提出了一種基于隱變量后驗分布生成對抗網(wǎng)絡的過采樣方法,這一方法在隱空間中采樣通過生成器得到生成樣本,生成模型能夠學習真實樣本概率分布函數(shù),故模型能夠生成和原始少數(shù)類同分布的樣本.在6個公開數(shù)據(jù)集上的對比實驗結果及生成數(shù)據(jù)圖形可視化分布均證明了LGOS算法的優(yōu)越性.另外,提出了改進的基于實例的遷移學習方法,進一步提升了分類器的性能.接下來的工作可以從幾方面展開:① 本文僅關注于二類分類問題,可以擴展到多類分類問題;② 改進深度網(wǎng)絡處理離散變量的能力以適用于帶名義變量的分類問題;③ 該方法在回歸問題中的應用.

    猜你喜歡
    后驗分類器分類
    分類算一算
    基于對偶理論的橢圓變分不等式的后驗誤差分析(英)
    貝葉斯統(tǒng)計中單參數(shù)后驗分布的精確計算方法
    分類討論求坐標
    數(shù)據(jù)分析中的分類討論
    BP-GA光照分類器在車道線識別中的應用
    電子測試(2018年1期)2018-04-18 11:52:35
    教你一招:數(shù)的分類
    一種基于最大后驗框架的聚類分析多基線干涉SAR高度重建算法
    雷達學報(2017年6期)2017-03-26 07:53:04
    加權空-譜與最近鄰分類器相結合的高光譜圖像分類
    結合模糊(C+P)均值聚類和SP-V-支持向量機的TSK分類器
    久久精品久久精品一区二区三区| 黄片播放在线免费| 欧美日韩视频高清一区二区三区二| 亚洲国产最新在线播放| 另类精品久久| 国产不卡av网站在线观看| 性色av乱码一区二区三区2| 91国产中文字幕| 日韩一卡2卡3卡4卡2021年| www.熟女人妻精品国产| 日韩 亚洲 欧美在线| 嫩草影视91久久| 国产成人一区二区在线| 亚洲精品自拍成人| 成人影院久久| 精品福利观看| 成年动漫av网址| 叶爱在线成人免费视频播放| 精品熟女少妇八av免费久了| 七月丁香在线播放| 少妇人妻 视频| 欧美日韩亚洲高清精品| 美女国产高潮福利片在线看| 日韩一区二区三区影片| 欧美+亚洲+日韩+国产| 另类精品久久| 一区二区三区乱码不卡18| 王馨瑶露胸无遮挡在线观看| 高清欧美精品videossex| 777久久人妻少妇嫩草av网站| 又紧又爽又黄一区二区| 欧美 日韩 精品 国产| 伊人久久大香线蕉亚洲五| 国产亚洲精品第一综合不卡| 成年动漫av网址| 99国产精品免费福利视频| 亚洲av日韩精品久久久久久密 | 一个人免费看片子| 99精国产麻豆久久婷婷| 一级毛片 在线播放| 91精品伊人久久大香线蕉| 老汉色∧v一级毛片| 另类亚洲欧美激情| 超色免费av| √禁漫天堂资源中文www| 久久精品亚洲熟妇少妇任你| 久久久国产欧美日韩av| 国产伦人伦偷精品视频| 成人国语在线视频| 日韩免费高清中文字幕av| 欧美+亚洲+日韩+国产| 在线天堂中文资源库| 亚洲五月婷婷丁香| av一本久久久久| 美女国产高潮福利片在线看| 天天影视国产精品| 老鸭窝网址在线观看| 国产高清不卡午夜福利| 99久久精品国产亚洲精品| 国产成人免费无遮挡视频| 久久精品久久久久久久性| 国产不卡av网站在线观看| 母亲3免费完整高清在线观看| 最新在线观看一区二区三区 | 久久国产精品男人的天堂亚洲| 人体艺术视频欧美日本| 久久久久国产一级毛片高清牌| 天天躁日日躁夜夜躁夜夜| 自线自在国产av| 国产亚洲欧美在线一区二区| 日本vs欧美在线观看视频| 美女福利国产在线| 中文字幕亚洲精品专区| 国产高清不卡午夜福利| 中文精品一卡2卡3卡4更新| 老司机亚洲免费影院| 久久久国产欧美日韩av| 久久久久久久久久久久大奶| 丰满人妻熟妇乱又伦精品不卡| 美女国产高潮福利片在线看| 国产av一区二区精品久久| 伊人亚洲综合成人网| 国产亚洲欧美精品永久| 国产日韩欧美视频二区| 国产欧美日韩精品亚洲av| 后天国语完整版免费观看| 亚洲av电影在线观看一区二区三区| 97精品久久久久久久久久精品| av欧美777| cao死你这个sao货| 国产精品一区二区在线不卡| 日韩中文字幕欧美一区二区 | 久久久久精品国产欧美久久久 | 亚洲精品在线美女| 国产三级黄色录像| 人人妻人人澡人人看| 啦啦啦视频在线资源免费观看| 另类精品久久| 久久国产精品大桥未久av| 国产精品秋霞免费鲁丝片| 真人做人爱边吃奶动态| 亚洲图色成人| 国产三级黄色录像| 成人国产av品久久久| 一级毛片 在线播放| 午夜91福利影院| 精品亚洲成a人片在线观看| 99国产综合亚洲精品| 国产一区二区在线观看av| 免费在线观看日本一区| 新久久久久国产一级毛片| 成在线人永久免费视频| 少妇人妻久久综合中文| 亚洲欧美一区二区三区国产| 久久天堂一区二区三区四区| 别揉我奶头~嗯~啊~动态视频 | 精品国产超薄肉色丝袜足j| 国产伦理片在线播放av一区| 日本av免费视频播放| 一级毛片女人18水好多 | 成人国语在线视频| 脱女人内裤的视频| 国产日韩欧美视频二区| 五月开心婷婷网| 亚洲国产av新网站| 老司机在亚洲福利影院| 在线精品无人区一区二区三| 亚洲伊人久久精品综合| 亚洲午夜精品一区,二区,三区| 日韩欧美一区视频在线观看| 只有这里有精品99| 大片免费播放器 马上看| 极品少妇高潮喷水抽搐| 久久久亚洲精品成人影院| 成人影院久久| 亚洲av在线观看美女高潮| 国产有黄有色有爽视频| 欧美日韩亚洲国产一区二区在线观看 | 国语对白做爰xxxⅹ性视频网站| 在线观看人妻少妇| av网站免费在线观看视频| 国产人伦9x9x在线观看| 成人国产一区最新在线观看 | 一级黄片播放器| 男女床上黄色一级片免费看| av片东京热男人的天堂| 中文乱码字字幕精品一区二区三区| 搡老岳熟女国产| 亚洲国产欧美一区二区综合| 久久久久久久久免费视频了| 女人高潮潮喷娇喘18禁视频| 亚洲激情五月婷婷啪啪| 大片免费播放器 马上看| 亚洲欧美色中文字幕在线| 交换朋友夫妻互换小说| 我的亚洲天堂| 国产在线观看jvid| 亚洲美女黄色视频免费看| 在线观看免费高清a一片| 国产亚洲av片在线观看秒播厂| 亚洲av欧美aⅴ国产| 人人澡人人妻人| 成年av动漫网址| 性色av乱码一区二区三区2| 欧美中文综合在线视频| 久久人人97超碰香蕉20202| 丝袜美腿诱惑在线| 成人18禁高潮啪啪吃奶动态图| 国产一级毛片在线| 亚洲欧美精品自产自拍| 黑人欧美特级aaaaaa片| videos熟女内射| 男女下面插进去视频免费观看| 国产人伦9x9x在线观看| 精品亚洲成a人片在线观看| av网站免费在线观看视频| 青青草视频在线视频观看| 老熟女久久久| 国产黄色免费在线视频| av国产久精品久网站免费入址| 国产xxxxx性猛交| 18在线观看网站| 国产成人免费无遮挡视频| 国产一区有黄有色的免费视频| 美女大奶头黄色视频| 免费不卡黄色视频| 王馨瑶露胸无遮挡在线观看| 国精品久久久久久国模美| videos熟女内射| 欧美黑人精品巨大| 国产成人系列免费观看| 十八禁高潮呻吟视频| 精品亚洲成a人片在线观看| 黄片小视频在线播放| 免费观看人在逋| 久9热在线精品视频| svipshipincom国产片| 我要看黄色一级片免费的| 国产欧美日韩一区二区三区在线| 国产精品久久久av美女十八| 性高湖久久久久久久久免费观看| 18在线观看网站| www.精华液| 免费日韩欧美在线观看| 999久久久国产精品视频| 18禁国产床啪视频网站| 伊人亚洲综合成人网| 爱豆传媒免费全集在线观看| 久久国产亚洲av麻豆专区| 亚洲国产精品国产精品| 1024视频免费在线观看| 真人做人爱边吃奶动态| 欧美变态另类bdsm刘玥| 女人精品久久久久毛片| 蜜桃国产av成人99| 纵有疾风起免费观看全集完整版| 亚洲 欧美一区二区三区| 日本五十路高清| 母亲3免费完整高清在线观看| 久久国产精品人妻蜜桃| 久久国产精品男人的天堂亚洲| 最新的欧美精品一区二区| 国产成人a∨麻豆精品| 久久狼人影院| 免费不卡黄色视频| 久久人人爽人人片av| 欧美日本中文国产一区发布| 夫妻午夜视频| 91成人精品电影| 亚洲一码二码三码区别大吗| av国产精品久久久久影院| av天堂在线播放| 纵有疾风起免费观看全集完整版| 啦啦啦在线免费观看视频4| av天堂在线播放| 国产精品久久久久久人妻精品电影 | 高清不卡的av网站| 中文字幕亚洲精品专区| 免费观看人在逋| 久久影院123| 女人高潮潮喷娇喘18禁视频| 午夜av观看不卡| 婷婷色综合www| 熟女av电影| 亚洲国产av新网站| 建设人人有责人人尽责人人享有的| 久久精品人人爽人人爽视色| 久久热在线av| 亚洲国产看品久久| 国产成人一区二区三区免费视频网站 | 久久久久久人人人人人| 欧美在线一区亚洲| 丰满少妇做爰视频| 黄网站色视频无遮挡免费观看| 黄色一级大片看看| 中文字幕最新亚洲高清| 欧美av亚洲av综合av国产av| 别揉我奶头~嗯~啊~动态视频 | 日韩视频在线欧美| 99精品久久久久人妻精品| 国产老妇伦熟女老妇高清| 亚洲久久久国产精品| 首页视频小说图片口味搜索 | 操美女的视频在线观看| 蜜桃国产av成人99| 久久精品成人免费网站| 久久精品亚洲熟妇少妇任你| 亚洲成色77777| svipshipincom国产片| 黑人巨大精品欧美一区二区蜜桃| 一区二区三区精品91| 国语对白做爰xxxⅹ性视频网站| 午夜免费男女啪啪视频观看| 国产97色在线日韩免费| 男人舔女人的私密视频| 久久精品成人免费网站| 成年人午夜在线观看视频| 国产欧美亚洲国产| 久久午夜综合久久蜜桃| 一区福利在线观看| e午夜精品久久久久久久| 亚洲成人免费电影在线观看 | 国产精品一二三区在线看| 少妇裸体淫交视频免费看高清 | 久久影院123| 国产日韩欧美亚洲二区| 免费在线观看黄色视频的| 9热在线视频观看99| 美女高潮到喷水免费观看| www.熟女人妻精品国产| 男人添女人高潮全过程视频| 日本vs欧美在线观看视频| 天堂俺去俺来也www色官网| 免费女性裸体啪啪无遮挡网站| 校园人妻丝袜中文字幕| kizo精华| 多毛熟女@视频| 新久久久久国产一级毛片| 国产精品一国产av| 欧美大码av| 人人妻人人添人人爽欧美一区卜| 777米奇影视久久| 成年人黄色毛片网站| 制服诱惑二区| 国产一区二区在线观看av| 久久久久国产一级毛片高清牌| 国产人伦9x9x在线观看| 午夜福利视频精品| 下体分泌物呈黄色| 飞空精品影院首页| 亚洲欧美色中文字幕在线| 国产精品国产av在线观看| 熟女av电影| 69精品国产乱码久久久| 激情视频va一区二区三区| 国产福利在线免费观看视频| 男男h啪啪无遮挡| 国产一卡二卡三卡精品| √禁漫天堂资源中文www| 精品亚洲成国产av| 国产成人av教育| 侵犯人妻中文字幕一二三四区| 久久中文字幕一级| 精品少妇内射三级| 成年人免费黄色播放视频| 夫妻午夜视频| 国产主播在线观看一区二区 | 日韩精品免费视频一区二区三区| 国产97色在线日韩免费| 精品人妻1区二区| 后天国语完整版免费观看| 欧美日韩精品网址| 交换朋友夫妻互换小说| 在线 av 中文字幕| 久久人妻熟女aⅴ| 国产成人精品久久二区二区免费| 国产三级黄色录像| 日日爽夜夜爽网站| 91精品三级在线观看| 亚洲欧洲精品一区二区精品久久久| 精品亚洲成a人片在线观看| 欧美日韩一级在线毛片| 婷婷成人精品国产| 久久性视频一级片| 少妇 在线观看| 精品免费久久久久久久清纯 | a级毛片在线看网站| 女人爽到高潮嗷嗷叫在线视频| 91精品三级在线观看| 中文字幕最新亚洲高清| 另类亚洲欧美激情| 国产亚洲午夜精品一区二区久久| 久久精品熟女亚洲av麻豆精品| 99热网站在线观看| 国产在线一区二区三区精| 中文字幕人妻熟女乱码| 久久久久久人人人人人| 欧美日韩福利视频一区二区| 久久久久久人人人人人| 欧美日韩一级在线毛片| 亚洲精品国产av蜜桃| 国产黄频视频在线观看| 国产精品一二三区在线看| 久久天躁狠狠躁夜夜2o2o | 成年人黄色毛片网站| 久久人人爽人人片av| 久久久久久久久久久久大奶| 国产精品一区二区精品视频观看| 亚洲国产欧美一区二区综合| 狂野欧美激情性bbbbbb| 精品福利永久在线观看| 五月天丁香电影| 人体艺术视频欧美日本| 国语对白做爰xxxⅹ性视频网站| 久久女婷五月综合色啪小说| 国产免费一区二区三区四区乱码| 亚洲人成77777在线视频| av在线播放精品| 精品人妻熟女毛片av久久网站| 亚洲情色 制服丝袜| 国产一区有黄有色的免费视频| 亚洲欧美成人综合另类久久久| 啦啦啦啦在线视频资源| 青草久久国产| 麻豆乱淫一区二区| 男女边摸边吃奶| 一区二区三区四区激情视频| 国产精品香港三级国产av潘金莲 | 免费少妇av软件| 在线av久久热| 少妇精品久久久久久久| 汤姆久久久久久久影院中文字幕| 男男h啪啪无遮挡| 国产在线免费精品| 黄色怎么调成土黄色| 亚洲欧美色中文字幕在线| 精品熟女少妇八av免费久了| 欧美日韩黄片免| 最新的欧美精品一区二区| 久热爱精品视频在线9| 男的添女的下面高潮视频| 欧美 亚洲 国产 日韩一| 国产av精品麻豆| 王馨瑶露胸无遮挡在线观看| 久久人妻福利社区极品人妻图片 | 国产成人精品无人区| 欧美 亚洲 国产 日韩一| 精品国产一区二区三区久久久樱花| 丁香六月欧美| 十分钟在线观看高清视频www| 久久久久久人人人人人| 日本wwww免费看| 男人舔女人的私密视频| 99久久精品国产亚洲精品| 女人高潮潮喷娇喘18禁视频| 国产精品人妻久久久影院| 日本欧美视频一区| 久久久久视频综合| 日本欧美视频一区| 国产片内射在线| 国产av一区二区精品久久| 制服人妻中文乱码| 99re6热这里在线精品视频| av国产精品久久久久影院| 女性生殖器流出的白浆| 无限看片的www在线观看| 亚洲国产精品一区二区三区在线| 777久久人妻少妇嫩草av网站| 午夜免费鲁丝| 欧美97在线视频| 国产激情久久老熟女| 久久精品aⅴ一区二区三区四区| 国产精品 欧美亚洲| 国产91精品成人一区二区三区 | 欧美日韩亚洲国产一区二区在线观看 | 国产熟女欧美一区二区| 亚洲自偷自拍图片 自拍| 欧美在线一区亚洲| 国产精品一二三区在线看| 亚洲激情五月婷婷啪啪| 欧美国产精品va在线观看不卡| 在线天堂中文资源库| 欧美中文综合在线视频| 女人高潮潮喷娇喘18禁视频| 波多野结衣一区麻豆| 亚洲精品第二区| 天堂中文最新版在线下载| 91精品伊人久久大香线蕉| 久久久久精品人妻al黑| 欧美另类一区| 亚洲第一av免费看| 亚洲国产av新网站| 欧美性长视频在线观看| 老汉色∧v一级毛片| 波野结衣二区三区在线| xxxhd国产人妻xxx| 国产伦理片在线播放av一区| 亚洲成国产人片在线观看| 好男人电影高清在线观看| 亚洲色图 男人天堂 中文字幕| 亚洲国产精品成人久久小说| 国产福利在线免费观看视频| 国产精品熟女久久久久浪| 一级毛片黄色毛片免费观看视频| 午夜福利视频精品| 亚洲av日韩精品久久久久久密 | 欧美精品啪啪一区二区三区 | 欧美97在线视频| 自拍欧美九色日韩亚洲蝌蚪91| www.自偷自拍.com| 男人操女人黄网站| 午夜两性在线视频| 丝袜人妻中文字幕| 九色亚洲精品在线播放| 肉色欧美久久久久久久蜜桃| 丝袜美足系列| 女人久久www免费人成看片| 色视频在线一区二区三区| 18禁国产床啪视频网站| 国产日韩一区二区三区精品不卡| 亚洲成人国产一区在线观看 | 免费看不卡的av| 夫妻午夜视频| 赤兔流量卡办理| 久久久精品94久久精品| 久久国产精品男人的天堂亚洲| 最新在线观看一区二区三区 | 国产熟女欧美一区二区| 精品卡一卡二卡四卡免费| 五月开心婷婷网| 啦啦啦中文免费视频观看日本| 国产欧美日韩一区二区三 | 成人国语在线视频| av在线老鸭窝| 亚洲国产欧美在线一区| 青春草视频在线免费观看| 少妇的丰满在线观看| 国产免费又黄又爽又色| 成人国语在线视频| 国产又爽黄色视频| 可以免费在线观看a视频的电影网站| 精品亚洲成a人片在线观看| av片东京热男人的天堂| 久久人人97超碰香蕉20202| 日本午夜av视频| 嫩草影视91久久| 国产成人一区二区三区免费视频网站 | 精品人妻1区二区| 在线av久久热| 午夜福利视频在线观看免费| 狂野欧美激情性xxxx| 搡老岳熟女国产| 一本色道久久久久久精品综合| 亚洲第一av免费看| 成人国产av品久久久| 少妇人妻 视频| 精品亚洲成a人片在线观看| xxx大片免费视频| 少妇被粗大的猛进出69影院| 国产成人啪精品午夜网站| 午夜福利乱码中文字幕| 熟女少妇亚洲综合色aaa.| 在线观看一区二区三区激情| 免费不卡黄色视频| 飞空精品影院首页| 少妇人妻 视频| 999精品在线视频| 99热国产这里只有精品6| 久久久精品区二区三区| 免费观看a级毛片全部| 建设人人有责人人尽责人人享有的| 日韩大码丰满熟妇| 欧美成人午夜精品| 十八禁人妻一区二区| 一区二区三区激情视频| 在线观看免费日韩欧美大片| 激情视频va一区二区三区| 久9热在线精品视频| 好男人电影高清在线观看| 日韩一卡2卡3卡4卡2021年| 99久久人妻综合| 中文字幕色久视频| 免费黄频网站在线观看国产| 中文字幕色久视频| 国产精品国产av在线观看| 欧美日韩视频高清一区二区三区二| 人人妻人人爽人人添夜夜欢视频| 亚洲色图综合在线观看| 黄色视频不卡| 国产成人精品久久二区二区免费| 亚洲成色77777| 国产精品久久久久成人av| 少妇裸体淫交视频免费看高清 | 欧美老熟妇乱子伦牲交| 天堂8中文在线网| 视频区欧美日本亚洲| av不卡在线播放| 久久久久久久久久久久大奶| 老司机在亚洲福利影院| 久久精品成人免费网站| 另类精品久久| 中文字幕人妻熟女乱码| 成年av动漫网址| 老司机午夜十八禁免费视频| 国产亚洲欧美在线一区二区| 久久 成人 亚洲| 成人亚洲欧美一区二区av| 99久久99久久久精品蜜桃| 大话2 男鬼变身卡| 亚洲中文字幕日韩| 亚洲欧美成人综合另类久久久| 午夜影院在线不卡| 国产高清videossex| 捣出白浆h1v1| 色播在线永久视频| 亚洲欧美一区二区三区黑人| 我要看黄色一级片免费的| 久久99一区二区三区| 日韩 亚洲 欧美在线| 亚洲一区二区三区欧美精品| 建设人人有责人人尽责人人享有的| 两性夫妻黄色片| 男人舔女人的私密视频| 十分钟在线观看高清视频www| 欧美97在线视频| 亚洲av电影在线观看一区二区三区| 国产在线视频一区二区| 精品久久久精品久久久| 欧美精品一区二区大全| 99热全是精品| 中文字幕人妻熟女乱码| 涩涩av久久男人的天堂| 一边亲一边摸免费视频| 国产精品国产av在线观看| 看免费av毛片| 老汉色av国产亚洲站长工具| 午夜日韩欧美国产| 成年美女黄网站色视频大全免费| 精品福利观看| 日本av免费视频播放| 成人国产一区最新在线观看 | 99久久人妻综合| 色综合欧美亚洲国产小说| av欧美777| 欧美日韩视频高清一区二区三区二| 国产亚洲欧美在线一区二区| 国产精品久久久久成人av| 视频在线观看一区二区三区| 在线亚洲精品国产二区图片欧美| 精品久久蜜臀av无| kizo精华| 高清不卡的av网站| 人成视频在线观看免费观看| 好男人电影高清在线观看| 精品第一国产精品|