• <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
    亚洲成国产人片在线观看| 欧美在线黄色| 老鸭窝网址在线观看| 午夜精品久久久久久毛片777| 国产免费av片在线观看野外av| 两性夫妻黄色片| 久热爱精品视频在线9| 视频区欧美日本亚洲| 国产成人影院久久av| 免费在线观看黄色视频的| 91大片在线观看| 757午夜福利合集在线观看| 99久久久亚洲精品蜜臀av| 亚洲少妇的诱惑av| 五月开心婷婷网| 国产黄a三级三级三级人| 51午夜福利影视在线观看| 在线观看一区二区三区| 欧美黄色淫秽网站| 国产av又大| 精品久久久久久成人av| 国产乱人伦免费视频| 欧美日本中文国产一区发布| 久久中文字幕一级| 免费久久久久久久精品成人欧美视频| 涩涩av久久男人的天堂| 国产成人影院久久av| 欧美日韩国产mv在线观看视频| 国产精品香港三级国产av潘金莲| 国产真人三级小视频在线观看| 久久婷婷成人综合色麻豆| 色综合站精品国产| 日韩大码丰满熟妇| 在线十欧美十亚洲十日本专区| 午夜福利在线免费观看网站| 日韩大码丰满熟妇| 欧美成人午夜精品| 色精品久久人妻99蜜桃| 成人影院久久| 亚洲欧美精品综合一区二区三区| 亚洲视频免费观看视频| 亚洲七黄色美女视频| 99久久99久久久精品蜜桃| 亚洲少妇的诱惑av| av中文乱码字幕在线| 欧美色视频一区免费| 亚洲色图综合在线观看| 中文欧美无线码| 欧美人与性动交α欧美精品济南到| 成人18禁高潮啪啪吃奶动态图| 老汉色∧v一级毛片| 交换朋友夫妻互换小说| 亚洲黑人精品在线| 大码成人一级视频| 久久草成人影院| 精品久久久久久久久久免费视频 | 亚洲成人久久性| 美女高潮喷水抽搐中文字幕| 亚洲成av片中文字幕在线观看| 久久中文看片网| 人妻久久中文字幕网| 国产三级在线视频| 男女下面进入的视频免费午夜 | 亚洲欧洲精品一区二区精品久久久| 每晚都被弄得嗷嗷叫到高潮| 中文欧美无线码| 国产精品1区2区在线观看.| 夜夜爽天天搞| 日韩欧美免费精品| 桃色一区二区三区在线观看| 欧美人与性动交α欧美软件| 村上凉子中文字幕在线| 18禁黄网站禁片午夜丰满| 亚洲色图综合在线观看| ponron亚洲| 日韩视频一区二区在线观看| 亚洲自偷自拍图片 自拍| 国产成人啪精品午夜网站| 老司机福利观看| 国产精品98久久久久久宅男小说| 久久久水蜜桃国产精品网| 免费在线观看黄色视频的| 日韩免费高清中文字幕av| 天天躁狠狠躁夜夜躁狠狠躁| 精品一区二区三区四区五区乱码| 国产伦一二天堂av在线观看| 欧美激情在线99| 99久久99久久久精品蜜桃| 国产精品一区二区三区四区久久| 色综合欧美亚洲国产小说| 色播亚洲综合网| 中出人妻视频一区二区| 在线观看免费视频日本深夜| 一进一出抽搐动态| 国产精品国产高清国产av| 97热精品久久久久久| 天堂影院成人在线观看| 婷婷精品国产亚洲av| 成人av一区二区三区在线看| 精品乱码久久久久久99久播| 国产高清视频在线观看网站| 亚洲国产精品合色在线| 亚洲人成电影免费在线| 国产欧美日韩一区二区三| 亚洲av日韩精品久久久久久密| 国产伦精品一区二区三区四那| 午夜福利欧美成人| 欧美另类亚洲清纯唯美| 人妻夜夜爽99麻豆av| 黄色视频,在线免费观看| 欧美激情久久久久久爽电影| 色综合站精品国产| 亚洲av不卡在线观看| 在线观看一区二区三区| 亚洲男人的天堂狠狠| 日韩欧美一区二区三区在线观看| 亚洲国产精品合色在线| 99热6这里只有精品| 99国产精品一区二区三区| 成年人黄色毛片网站| 在线观看66精品国产| 成年人黄色毛片网站| 国产精品不卡视频一区二区 | 欧美极品一区二区三区四区| 国产av麻豆久久久久久久| 亚洲片人在线观看| 九色成人免费人妻av| 久久草成人影院| 精品久久久久久成人av| 亚洲中文字幕一区二区三区有码在线看| 免费高清视频大片| 亚洲成人久久爱视频| 赤兔流量卡办理| 丰满的人妻完整版| 久久亚洲真实| 欧美另类亚洲清纯唯美| 亚洲中文字幕日韩| а√天堂www在线а√下载| 欧美色欧美亚洲另类二区| 色av中文字幕| 国产精品一区二区三区四区免费观看 | 国产高清视频在线观看网站| 日韩欧美国产在线观看| 婷婷丁香在线五月| 小说图片视频综合网站| 精品人妻1区二区| 成年女人永久免费观看视频| 国模一区二区三区四区视频| 亚洲经典国产精华液单 | 国内精品一区二区在线观看| 日本黄大片高清| 欧美成人性av电影在线观看| 十八禁国产超污无遮挡网站| 草草在线视频免费看| 99riav亚洲国产免费| 国产成人a区在线观看| 狠狠狠狠99中文字幕| 国产成+人综合+亚洲专区| 国产成人福利小说| 中出人妻视频一区二区| 亚洲第一电影网av| 亚洲色图av天堂| 欧美一区二区亚洲| 日韩有码中文字幕| 国产aⅴ精品一区二区三区波| 日韩人妻高清精品专区| 熟女人妻精品中文字幕| 免费在线观看影片大全网站| 国产精品av视频在线免费观看| 麻豆av噜噜一区二区三区| 大型黄色视频在线免费观看| 日韩欧美在线二视频| 亚洲国产欧洲综合997久久,| 啦啦啦韩国在线观看视频| 一个人免费在线观看电影| 国产亚洲精品av在线| 国产精品免费一区二区三区在线| 99久久99久久久精品蜜桃| 色哟哟·www| 欧美精品啪啪一区二区三区| 欧美高清性xxxxhd video| 午夜福利欧美成人| 成年免费大片在线观看| 国产av麻豆久久久久久久| 99热只有精品国产| 综合色av麻豆| 少妇的逼水好多| 国产蜜桃级精品一区二区三区| 欧美黑人欧美精品刺激| 午夜激情福利司机影院| 欧美日韩中文字幕国产精品一区二区三区| 亚洲av电影不卡..在线观看| 在线播放无遮挡| 精品免费久久久久久久清纯| 国产精品一区二区性色av| 免费搜索国产男女视频| 中文字幕av成人在线电影| 在线观看午夜福利视频| h日本视频在线播放| 欧美xxxx性猛交bbbb| 亚洲性夜色夜夜综合| 精品国内亚洲2022精品成人| 嫩草影院入口| 亚洲无线观看免费| 日本免费一区二区三区高清不卡| 午夜激情欧美在线| 国产三级中文精品| 国产精品一区二区免费欧美| 不卡一级毛片| 亚洲成人久久爱视频| 直男gayav资源| 搡女人真爽免费视频火全软件 | 国产精品亚洲美女久久久| 国产免费一级a男人的天堂| 美女cb高潮喷水在线观看| 在线观看66精品国产| 性色avwww在线观看| 波野结衣二区三区在线| 两个人视频免费观看高清| 亚洲一区高清亚洲精品| 欧美潮喷喷水| 精品人妻1区二区| 免费看日本二区| 日韩国内少妇激情av| 搡老妇女老女人老熟妇| 国产一区二区三区在线臀色熟女| 一区二区三区四区激情视频 | 99久久成人亚洲精品观看| 内射极品少妇av片p| 最好的美女福利视频网| 最新中文字幕久久久久| 最近在线观看免费完整版| 久久久国产成人免费| 日韩大尺度精品在线看网址| 国产精品电影一区二区三区| 中文在线观看免费www的网站| 91狼人影院| 91在线观看av| 波野结衣二区三区在线| 久久香蕉精品热| 波多野结衣高清无吗| 美女大奶头视频| 亚洲美女视频黄频| 国产欧美日韩精品亚洲av| 国产精品自产拍在线观看55亚洲| 国产成人欧美在线观看| 老司机午夜十八禁免费视频| 免费看光身美女| 激情在线观看视频在线高清| 我的女老师完整版在线观看| 国产高清视频在线观看网站| 91麻豆av在线| 日韩欧美国产在线观看| 婷婷精品国产亚洲av| 国产一区二区亚洲精品在线观看| 哪里可以看免费的av片| 99在线视频只有这里精品首页| 成人精品一区二区免费| 窝窝影院91人妻| www日本黄色视频网| 中亚洲国语对白在线视频| av黄色大香蕉| 免费观看精品视频网站| 久久欧美精品欧美久久欧美| 噜噜噜噜噜久久久久久91| 午夜福利在线观看吧| av在线老鸭窝| ponron亚洲| 亚洲内射少妇av| av在线天堂中文字幕| 最后的刺客免费高清国语| 非洲黑人性xxxx精品又粗又长| 亚洲精品乱码久久久v下载方式| 麻豆一二三区av精品| 国产精品亚洲一级av第二区| 人人妻人人澡欧美一区二区| 国产精品免费一区二区三区在线| 精品免费久久久久久久清纯| 国产人妻一区二区三区在| 少妇熟女aⅴ在线视频| 亚洲国产精品sss在线观看| 欧美黑人巨大hd| 99精品在免费线老司机午夜| 国产精品99久久久久久久久| 国产黄a三级三级三级人| 性色av乱码一区二区三区2| 亚洲av中文字字幕乱码综合| 午夜视频国产福利| www.色视频.com| 黄色视频,在线免费观看| 久久久精品大字幕| 久久久久久久久久成人| 亚州av有码| 国产一区二区三区在线臀色熟女| 久久久久久久久久成人| 欧美精品啪啪一区二区三区| 亚洲熟妇中文字幕五十中出| 91麻豆av在线| 成人av一区二区三区在线看| 亚洲av美国av| 最近最新免费中文字幕在线| 一本精品99久久精品77| 97人妻精品一区二区三区麻豆| 国产精品久久久久久精品电影| 国产日本99.免费观看| 久久人妻av系列| 小说图片视频综合网站| 偷拍熟女少妇极品色| 中文字幕免费在线视频6| 中文字幕人成人乱码亚洲影| 成人特级av手机在线观看| 精品熟女少妇八av免费久了| 亚洲专区中文字幕在线| 99热只有精品国产| 国产亚洲av嫩草精品影院| 国产av麻豆久久久久久久| 综合色av麻豆| 日韩欧美精品免费久久 | 婷婷精品国产亚洲av| 一个人观看的视频www高清免费观看| 欧美成人一区二区免费高清观看| 又紧又爽又黄一区二区| 成人毛片a级毛片在线播放| 欧美精品国产亚洲| 日本撒尿小便嘘嘘汇集6| 国产精品99久久久久久久久| 久久国产精品影院| 69av精品久久久久久| 在线免费观看不下载黄p国产 | 高清在线国产一区| 国内精品一区二区在线观看| 欧美+亚洲+日韩+国产| 欧美zozozo另类| 如何舔出高潮| 日韩精品中文字幕看吧| 国产一区二区亚洲精品在线观看| 一本一本综合久久| 免费无遮挡裸体视频| 亚洲乱码一区二区免费版| 一边摸一边抽搐一进一小说| 亚洲国产精品久久男人天堂| 又粗又爽又猛毛片免费看| 淫秽高清视频在线观看| 91九色精品人成在线观看| 悠悠久久av| 有码 亚洲区| 欧美高清性xxxxhd video| 欧美不卡视频在线免费观看| 久久久色成人| 色尼玛亚洲综合影院| 久久精品国产自在天天线| 乱人视频在线观看| 女人被狂操c到高潮| 特级一级黄色大片| 97人妻精品一区二区三区麻豆| 亚洲av第一区精品v没综合| 免费av观看视频| 国内精品美女久久久久久| 欧美在线一区亚洲| 国产精品伦人一区二区| 国产真实伦视频高清在线观看 | 超碰av人人做人人爽久久| 欧美3d第一页| 国产极品精品免费视频能看的| 欧美黑人欧美精品刺激| 色综合欧美亚洲国产小说| 国语自产精品视频在线第100页| 国产私拍福利视频在线观看| 国产精品99久久久久久久久| 久久国产乱子伦精品免费另类| 狂野欧美白嫩少妇大欣赏| 精品福利观看| 欧美一区二区国产精品久久精品| 观看免费一级毛片| 一级毛片久久久久久久久女| 99在线视频只有这里精品首页| 天天一区二区日本电影三级| 久久精品综合一区二区三区| 精品日产1卡2卡| 可以在线观看毛片的网站| 成人国产综合亚洲| 神马国产精品三级电影在线观看| 国产私拍福利视频在线观看| 99精品久久久久人妻精品| 国产极品精品免费视频能看的| 91久久精品电影网| 女人被狂操c到高潮| 神马国产精品三级电影在线观看| 91麻豆av在线| 久久热精品热| 午夜老司机福利剧场| 国产三级中文精品| 国模一区二区三区四区视频| 国产黄片美女视频| 亚洲美女视频黄频| 狠狠狠狠99中文字幕| 欧美最黄视频在线播放免费| 色综合站精品国产| 精品午夜福利视频在线观看一区| 国产伦精品一区二区三区视频9| 非洲黑人性xxxx精品又粗又长| 日日夜夜操网爽| 亚洲黑人精品在线| 级片在线观看| 老熟妇乱子伦视频在线观看| 亚洲黑人精品在线| 亚洲中文字幕一区二区三区有码在线看| 高清毛片免费观看视频网站| netflix在线观看网站| 国产精品免费一区二区三区在线| 欧美黄色淫秽网站| 免费电影在线观看免费观看| 麻豆国产av国片精品| 午夜久久久久精精品| 91麻豆精品激情在线观看国产| 久久久久国产精品人妻aⅴ院| 99热6这里只有精品| 又紧又爽又黄一区二区| 国产伦人伦偷精品视频| 一级av片app| 日韩中文字幕欧美一区二区| 88av欧美| 99热这里只有是精品在线观看 | 宅男免费午夜| 国产精品精品国产色婷婷| 成年人黄色毛片网站| 亚洲av成人精品一区久久| 国产欧美日韩一区二区三| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 亚洲人与动物交配视频| 亚洲美女搞黄在线观看 | 免费在线观看亚洲国产| 三级男女做爰猛烈吃奶摸视频| 宅男免费午夜| 国产成人av教育| 欧美又色又爽又黄视频| 性欧美人与动物交配| 国产高清激情床上av| 精品久久久久久成人av| 男人舔女人下体高潮全视频| 欧美丝袜亚洲另类 | 老司机午夜福利在线观看视频| 极品教师在线视频| 国产久久久一区二区三区| 3wmmmm亚洲av在线观看| 别揉我奶头~嗯~啊~动态视频| 国产午夜精品论理片| 日韩欧美一区二区三区在线观看| 性欧美人与动物交配| 精品一区二区三区视频在线观看免费| 岛国在线免费视频观看| 成人av一区二区三区在线看| 别揉我奶头~嗯~啊~动态视频| 麻豆久久精品国产亚洲av| 亚洲第一欧美日韩一区二区三区| 亚洲国产精品sss在线观看| 成年版毛片免费区| 国产成人影院久久av| 午夜影院日韩av| 乱码一卡2卡4卡精品| 草草在线视频免费看| 亚洲人与动物交配视频| 婷婷色综合大香蕉| 99热这里只有是精品在线观看 | 黄色日韩在线| 啦啦啦韩国在线观看视频| 香蕉av资源在线| 男人狂女人下面高潮的视频| 日韩中文字幕欧美一区二区| 淫秽高清视频在线观看| 高清在线国产一区| 97碰自拍视频| 国产v大片淫在线免费观看| 69人妻影院| av中文乱码字幕在线| 国产单亲对白刺激| 亚洲国产精品sss在线观看| 综合色av麻豆| 少妇丰满av| 男女那种视频在线观看| 亚洲乱码一区二区免费版| 我要搜黄色片| 国产精品1区2区在线观看.| 成年人黄色毛片网站| 夜夜躁狠狠躁天天躁| 精品久久久久久,| 给我免费播放毛片高清在线观看| 欧美日韩综合久久久久久 | 亚洲熟妇中文字幕五十中出| 欧美潮喷喷水| 日韩欧美一区二区三区在线观看| 免费观看精品视频网站| АⅤ资源中文在线天堂| 真人做人爱边吃奶动态| 18美女黄网站色大片免费观看| 在线观看66精品国产| 99riav亚洲国产免费| 亚洲电影在线观看av| 国产成年人精品一区二区| 九色国产91popny在线| 亚洲精品粉嫩美女一区| 国产av麻豆久久久久久久| 国产一区二区在线av高清观看| 国内精品久久久久精免费| 久久精品国产清高在天天线| av在线蜜桃| 夜夜夜夜夜久久久久| 88av欧美| 天堂影院成人在线观看| 黄色女人牲交| 亚洲一区二区三区色噜噜| 国产成人欧美在线观看| 欧美日韩黄片免| 午夜久久久久精精品| 精品一区二区免费观看| 国产av一区在线观看免费| 最近在线观看免费完整版| 一进一出抽搐gif免费好疼| 亚洲一区二区三区不卡视频| 精品免费久久久久久久清纯| h日本视频在线播放| 成人av在线播放网站| 91狼人影院| 十八禁人妻一区二区| 亚洲av电影在线进入| 欧美乱色亚洲激情| 色精品久久人妻99蜜桃| 亚洲无线观看免费| 亚洲成av人片免费观看| 91麻豆av在线| 色吧在线观看| 能在线免费观看的黄片| 日韩成人在线观看一区二区三区| 亚洲最大成人手机在线| 人人妻人人澡欧美一区二区| av女优亚洲男人天堂| 人妻制服诱惑在线中文字幕| 99国产综合亚洲精品| 亚洲精品一卡2卡三卡4卡5卡| 亚洲黑人精品在线| 悠悠久久av| 别揉我奶头 嗯啊视频| 亚洲精品在线观看二区| 国产激情偷乱视频一区二区| 九九久久精品国产亚洲av麻豆| 精品日产1卡2卡| 日韩欧美免费精品| 亚洲最大成人中文| 国产美女午夜福利| 成年女人看的毛片在线观看| 亚洲精品影视一区二区三区av| 亚洲精品日韩av片在线观看| 好男人在线观看高清免费视频| 日本成人三级电影网站| 一区二区三区免费毛片| 国产一区二区在线观看日韩| xxxwww97欧美| 亚洲自拍偷在线| 国产精品亚洲美女久久久| 90打野战视频偷拍视频| 午夜视频国产福利| 亚洲成av人片免费观看| 亚洲专区国产一区二区| 校园春色视频在线观看| 97碰自拍视频| 无人区码免费观看不卡| 国产亚洲欧美在线一区二区| 国产 一区 欧美 日韩| 亚洲,欧美精品.| 国产白丝娇喘喷水9色精品| 观看美女的网站| 亚洲无线观看免费| 极品教师在线免费播放| 看片在线看免费视频| 欧美日韩中文字幕国产精品一区二区三区| 欧美潮喷喷水| 中文字幕精品亚洲无线码一区| 动漫黄色视频在线观看| 别揉我奶头~嗯~啊~动态视频| 无遮挡黄片免费观看| 欧美丝袜亚洲另类 | 18禁黄网站禁片免费观看直播| 亚洲欧美精品综合久久99| 露出奶头的视频| 日韩欧美在线乱码| 国模一区二区三区四区视频| 午夜福利在线观看免费完整高清在 | 色播亚洲综合网| 国产午夜精品久久久久久一区二区三区 | 亚洲精品一卡2卡三卡4卡5卡| 国产精品久久久久久人妻精品电影| 精品一区二区三区人妻视频| 亚洲成av人片免费观看| 婷婷六月久久综合丁香| 亚洲国产精品久久男人天堂| 久久这里只有精品中国| 成人精品一区二区免费| 亚洲自偷自拍三级| 精品一区二区三区视频在线观看免费| 欧美成人a在线观看| 欧美日韩综合久久久久久 | 中文字幕熟女人妻在线| 欧美日本视频| 禁无遮挡网站| 国产午夜福利久久久久久| 1024手机看黄色片| 久久人人爽人人爽人人片va | 欧美不卡视频在线免费观看| 女人十人毛片免费观看3o分钟| 激情在线观看视频在线高清| 桃红色精品国产亚洲av| 成年女人看的毛片在线观看| 午夜精品一区二区三区免费看| 国产精品,欧美在线| 欧美最黄视频在线播放免费|