• <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PCA-BO-XGBoost的礦井回采工作面瓦斯涌出量預(yù)測

    2022-05-06 15:51:42王媛彬李媛媛韓騫李瑜杰周沖
    關(guān)鍵詞:主成分分析法

    王媛彬 李媛媛 韓騫 李瑜杰 周沖

    摘要:針對礦井回采工作面瓦斯涌出量預(yù)測精度欠佳的問題,建立基于極端梯度提升(XGBoost)瓦斯涌出量預(yù)測模型。首先,為解決瓦斯涌出量影響因素維數(shù)高和信息冗余等問題,在預(yù)測模型中引入主成分分析法(PCA)對11種影響因素降維。其次,通過貝葉斯優(yōu)化算法(BOA)對XGBoost中超參數(shù)進(jìn)行優(yōu)化以提高預(yù)測模型的精度。最后,將訓(xùn)練集數(shù)據(jù)作為預(yù)測模型的輸入進(jìn)行訓(xùn)練,利用訓(xùn)練好的模型對測試集數(shù)據(jù)進(jìn)行驗證,并與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和支持向量機進(jìn)行對比。結(jié)果表明:PCA-BO-XGBoost模型的平均絕對誤差為0.070 3,均方根誤差為0.095 7,能夠滿足對瓦斯涌出量預(yù)測的精度要求。與其他機器學(xué)習(xí)算法相比,建立的模型預(yù)測精度更高、耗時更短、效率均更高,對煤礦井回采工作面瓦斯涌出量的預(yù)測精度和效率提升具有借鑒作用。

    關(guān)鍵詞:瓦斯涌出量預(yù)測;XGBoost算法;主成分分析法;貝葉斯優(yōu)化;超參數(shù)

    中圖分類號:TD 76文獻(xiàn)標(biāo)志碼:A

    文章編號:1672-9315(2022)02-0371-09

    DOI:10.13800/j.cnki.xakjdxxb.2022.0223開放科學(xué)(資源服務(wù))標(biāo)識碼(OSID):

    Gas emission prediction of the stope in coal mine

    based on PCA-BO-XGBoostWANG Yuanbin,LI Yuanyuan,HAN Qian,LI Yujie,ZHOU Chong

    (College of Electrical and Control Engineering,Xian University of Science and Technology,Xian 710054,China)

    Abstract:In order to solve the problem of poor prediction accuracy of gas emission in the stope,a prediction model based on extreme Gradient Boosting was established.For the influencing factors from gas emission such as high dimension and information redundancy,principal component analysis was introduced into the prediction model firstly to reduce the dimension.Secondly,the hyper parameters in XGBoost were optimized by Bayesian optimization algorithm to improve the prediction accuracy.Finally,the data of the training set was utilized as the input of the prediction model for training,and the trained model was employed to verify the data of the test set,and it was compared with the traditional BP neural network and support vector machine.The results show that the mean absolute error of PCA-Bo-XGBoost model is 0.070 3,and the root mean square error is 0.095 7,which can meet the accuracy requirements of gas emission prediction.Compared with other machine learning algorithms,the model established in this paper is higher in prediction accuracy,less in time-consuming and stronger in efficiency,which has great significance for the improvement of the prediction accuracy and efficiency of gas emission in the stope.

    Key words:gas emission prediction;XGBoost algorithm;principal component analysis;Bayesian optimization;hyperparameter

    0引言

    煤炭是中國重要的能源[1],隨著人類對煤炭資源的開采和使用,淺部地區(qū)的煤炭資源逐漸減少[2],埋深地下千米的煤炭將會成為往后開采的重要目標(biāo)[3]。然而面對煤層瓦斯賦存環(huán)境更加復(fù)雜、瓦斯復(fù)合災(zāi)害更加嚴(yán)重以及開采難度更高的局面,準(zhǔn)確預(yù)測深部礦井的瓦斯涌出量成為亟需解決的問題[4]。

    在煤礦的開采過程中,回采工作面是礦井瓦斯涌出的主要來源,最易發(fā)生安全事故,尤其是工作面的隅角處通風(fēng)效果差、溫度和濕度較高,容易積聚瓦斯,被看作是瓦斯的重點防治區(qū)域。而瓦斯防治的首要目標(biāo)是將瓦斯?jié)舛瓤刂圃诎踩侠淼姆秶韵?,所以精?zhǔn)地預(yù)測瓦斯涌出量并實時根據(jù)瓦斯?jié)舛炔扇∠鄳?yīng)的抽采措施,能夠有效降低事故發(fā)生概率、減少人員傷亡和財產(chǎn)損失。因此,對回采工作面瓦斯涌出量預(yù)測方法的研究具有重要的意義。為此,眾多學(xué)者對瓦斯預(yù)測進(jìn)行深入的研究,旨在減少甚至是避免瓦斯事故的發(fā)生,為煤礦安全生產(chǎn)起理論指導(dǎo)作用[5]。

    傳統(tǒng)的煤礦瓦斯涌出量預(yù)測方法有分源預(yù)測法、礦山統(tǒng)計法等[6-7]。隨著計算機技術(shù)的發(fā)展,在瓦斯涌出量預(yù)測方面,出現(xiàn)一些新的預(yù)測方法。如:灰色系統(tǒng)[8]、BP神經(jīng)網(wǎng)絡(luò)方法[9]、支持向量機方法[10]等。徐剛等人提出基于因子分析法和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測方法對工作面瓦斯涌出量進(jìn)行研究[11]。劉鵬等人針對CART決策樹穩(wěn)定性差的問題,對CART決策樹進(jìn)行改進(jìn),提出一種結(jié)合支持向量機的增強CRAT回歸算法,并將該方法應(yīng)用于瓦斯涌出量用預(yù)測,取得較好的效果[12]。肖鵬等人為提高瓦斯涌出量預(yù)測的精度,提出將小波包分解方法和極限學(xué)習(xí)機相結(jié)合,建立小波-極限學(xué)習(xí)機的瓦斯涌出量預(yù)測模型,為瓦斯涌出量時變序列的預(yù)測提供了新的思路[13]。溫廷新等人將BP神經(jīng)網(wǎng)絡(luò)、粒子群優(yōu)化算法(PSO)以及AdaBoost迭代算法相結(jié)合建立一種瓦斯涌出量分源預(yù)測模型,經(jīng)實驗分析該模型的平均相對誤差要小于BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型[14]。豐盛成等人為了準(zhǔn)確預(yù)測回采工作面的瓦斯涌出量,提出PCA-PSO-LSSVM的瓦斯涌出量預(yù)測模型[15]。代巍等人將變分模態(tài)分解(VMD)方法、差分進(jìn)化(DE)算法以及相關(guān)向量機(RVM)相結(jié)合,提出基于VMD-DE-RVM的瓦斯涌出量區(qū)間預(yù)測方法,獲得較高的預(yù)測結(jié)果[16]。李樹剛等人構(gòu)建因子分析與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的瓦斯涌出量預(yù)測模型,實現(xiàn)對煤礦井下瓦斯涌出量的預(yù)測[17]。

    綜上所述,大量學(xué)者對瓦斯涌出量進(jìn)行研究,在預(yù)測精度和效率方面都有所提高。但是仍存在以下兩方面不足:一方面是煤礦井下環(huán)境較復(fù)雜且影響瓦斯涌出量的因素具有非線性的特點,使得預(yù)測精度的提高受到一定限制。另一方面是BP神經(jīng)網(wǎng)絡(luò)本身存在收斂速度慢和易陷入局部最優(yōu)解等問題,導(dǎo)致預(yù)測精度不高。因此有必要在前人研究的基礎(chǔ)上繼續(xù)探索新的預(yù)測方法對瓦斯涌出量進(jìn)行預(yù)測。針對瓦斯涌出量的因素具有非線性的特點,文中利用主成分分析法(principal component analysis,PCA)進(jìn)行原始數(shù)據(jù)降維,提取瓦斯涌出量數(shù)據(jù)的特征信息;針對神經(jīng)網(wǎng)絡(luò)精度欠佳的問題,建立極端梯度提升(extreme gradient boosting,XGBoost)瓦斯涌出量預(yù)測模型;針對XGBoost模型中超參數(shù)難以確定的問題,將貝葉斯優(yōu)化(bayesian optimization,BO)算法引入XGBoost中,建立BO-XGBoost預(yù)測模型,并且與隨機搜索和網(wǎng)格搜索所建立的模型進(jìn)行對比分析,驗證貝葉斯優(yōu)化模型在泛化性能和預(yù)測精度上具有優(yōu)勢。最后將PCA和BO-XGBoost相結(jié)合,建立PCA-BO-XGBoost的瓦斯涌出量預(yù)測模型。

    1主成分降維

    主成分分析法(principal components analysis,PCA)的基本思想是通過對存在線性關(guān)系的特征變量經(jīng)過線性變換組合成少數(shù)幾個特征變量,變換后的特征變量叫做主成分。每個主成分都是通過對原始變量線性組合得來的,且各主成分之間是沒有相關(guān)性的,雖然主成分的數(shù)量要少于原始的變量特征,但是主成分包含了原始數(shù)據(jù)的大多數(shù)信息,因此可以做到簡約數(shù)據(jù)的作用,尤其是對較高維度的數(shù)據(jù)。假設(shè)有n個數(shù)據(jù)樣本,每個數(shù)據(jù)樣本都有m維的特征,則可以建立m×n階的數(shù)據(jù)矩陣為

    筆者利用主成分分析法對瓦斯涌出量數(shù)據(jù)進(jìn)行降維處理,具體步驟如下。

    1)對瓦斯涌出量的數(shù)據(jù)進(jìn)行中心化處理。

    2)計算樣本的協(xié)方差矩陣。

    3)計算協(xié)方差矩陣的特征值和特征向量。

    4)選擇主成分的個數(shù),論文按照累計貢獻(xiàn)率超過85%的選取原則選擇主成分。

    5)根據(jù)計算出的特征向量寫出主成分的表達(dá)式。

    2預(yù)測模型的構(gòu)建

    2.1XGBoost算法原理

    XGBoost是一種由多個弱學(xué)習(xí)器疊加訓(xùn)練而成的集成算法[18],弱學(xué)習(xí)器一般指分類和回歸樹。XGBoost中每棵樹擬合的是前一棵樹與真實值之間的殘差,依次迭代直至達(dá)到停止條件,最后對所有樹的擬合結(jié)果累計求和值,得到最終的預(yù)測結(jié)果。

    在使用XGBoost模型進(jìn)行預(yù)測的過程中,如果訓(xùn)練數(shù)據(jù)太多,需要先進(jìn)行數(shù)據(jù)篩選或通過降維方法來剔除無效數(shù)據(jù),減少特征數(shù)量,否則模型容易過度擬合;相反,如果變量太少,容易產(chǎn)生欠擬合現(xiàn)象。因此,數(shù)據(jù)樣本的多少對預(yù)測結(jié)果的精度至關(guān)重要。

    2.2貝葉斯優(yōu)化

    貝葉斯優(yōu)化算法(bayesian optimization algorithm,BOA)是基于概率學(xué)中“貝葉斯理論”的一種黑盒優(yōu)化算法。BOA在運行某一組超參數(shù)時,會考慮前一組超參數(shù)的優(yōu)化結(jié)果,以此可以更有效地得到最優(yōu)的參數(shù)解。有2個核心部分,分別是先驗函數(shù)(prior function,PF)和采集函數(shù)(acquisition function,AC)。文中的先驗函數(shù)采用高斯過程,采集函數(shù)采用概率提升(probability of improvement,PI)函數(shù)來提高模型的泛化能力。貝葉斯優(yōu)化流程如圖1所示。

    2.3瓦斯涌出量預(yù)測流程

    建立基于PCA-BO-XGBoost的瓦斯涌出量預(yù)測模型具體的算法步驟如下。

    1)瓦斯涌出量數(shù)據(jù)的預(yù)處理。利用公式(1)~(3)對11種影響瓦斯涌出量的因素進(jìn)行降維處理,并把降維后的數(shù)據(jù)分為訓(xùn)練集和測試集。

    2)確定預(yù)測模型中的超參數(shù)值。設(shè)置XGBoost模型中待確定的超參數(shù)尋優(yōu)范圍,在此基礎(chǔ)上筆者采用BAO對超參數(shù)進(jìn)行尋優(yōu)以確定最佳的超參數(shù)。

    3)訓(xùn)練XGBoost預(yù)測模型。根據(jù)上一步驟中尋優(yōu)的結(jié)果,設(shè)置XGBoost模型中超參數(shù)的值,同時將訓(xùn)練集數(shù)據(jù)輸入到XGBoost模型中,以此得到訓(xùn)練好的瓦斯涌出量預(yù)測模型。

    4)瓦斯涌出量預(yù)測。根據(jù)第3)步得到的預(yù)測模型,將測試集數(shù)據(jù)輸入到該模型,得出預(yù)測的結(jié)果,并對該結(jié)果進(jìn)行分析和評價。

    基于PCA-BO-XGBoost的瓦斯涌出量預(yù)測流程如圖2所示。

    3.1瓦斯涌出量數(shù)據(jù)降維

    實驗數(shù)據(jù)采用黃陵二號礦的歷史樣本數(shù)據(jù),隨機采樣130組樣本構(gòu)成測試集,其中每個樣本包括了11種瓦斯涌出量影響因素。瓦斯涌出量的影響因素眾多,例如開采煤層瓦斯含量、開采技術(shù)、地面大氣壓變化等,文中采取最主要的2種因素,即地質(zhì)因素和開采技術(shù)因素,其中地質(zhì)因素包括煤層埋藏深度、煤層厚度、煤層瓦斯含量、煤層傾角、鄰近層瓦斯含量和煤層間距;開采技術(shù)因素包括日進(jìn)度、日產(chǎn)量、采高、工作面采出率和工作面長度。部分原始數(shù)據(jù)見表1。煤層埋藏深度X1(m)、煤層厚度X2(m)、煤層瓦斯含量X3(m3/t)、日進(jìn)度X4(m/d)、日產(chǎn)量X5(t/d)、煤層傾角X6(°)、鄰近層瓦斯含量X7(m3/t)、煤層間距X8(m)、采高X9(m)、工作面采出率X10(%)、以及工作面長度X11(m),預(yù)測的目標(biāo)為絕對瓦斯涌出量Y(m3/min)。

    表2是選取不同數(shù)量的影響因素進(jìn)行預(yù)測后產(chǎn)生的結(jié)果與原始數(shù)據(jù)之間的誤差對比??梢钥闯觯绊懸蛩販p少,模型預(yù)測精度會隨之降低。對于11種瓦斯涌出量影響因素本身存在的數(shù)據(jù)重復(fù)、冗余問題,進(jìn)行相關(guān)性分析,得到各因素之間的相關(guān)系數(shù)矩陣見表3。表3展示了瓦斯涌出量的影響因素間的相關(guān)性大小,不同因素間存在相關(guān)性大小不同,如果直接使用上述數(shù)據(jù)對瓦斯涌出量進(jìn)行預(yù)測勢必會增加預(yù)測模型的復(fù)雜度。因此,需要對原始數(shù)據(jù)預(yù)處理,從而達(dá)到精簡影響因素的目的。主成分分析法作為數(shù)據(jù)降維最常用的方法之一,在瓦斯涌出量預(yù)測領(lǐng)域中運用比較廣泛。與其他算法相比,PCA在數(shù)據(jù)處理上降維效果明顯,且處理時間較短,實用性較強。因此,筆者利用主成分分析法對11個影響工作面瓦斯涌出量的因素進(jìn)行數(shù)據(jù)降維,得到的主成分對不同的影響因素分配不同的權(quán)重系數(shù),選擇滿足要求的主成分個數(shù),即預(yù)測模型的輸入變量,并將這些輸入變量繼續(xù)作為后續(xù)工作中學(xué)習(xí)器的輸入。降維后的結(jié)果如圖3所示,各成分累計的方差貢獻(xiàn)率見表4。

    當(dāng)主成分貢獻(xiàn)率累計值達(dá)到85%以上,能夠保證降維后的變量包含充分的原始信息。為了更充分地保證信息量,筆者在85%的基礎(chǔ)上選取貢獻(xiàn)率達(dá)到90%的主成分進(jìn)行后續(xù)分析。由表4可知,前5個主成分的累計方差貢獻(xiàn)率分別為61307%,73.970%,81.277%,87.878%,91541%,前5個主成分的累計方差貢獻(xiàn)率超過90%,實驗結(jié)果表明PCA對數(shù)據(jù)降維有明顯效果,能夠減少各因素之間的相關(guān)性所帶來的影響,減少計算。因此,選取前5個主成分進(jìn)行后續(xù)分析,各主成分的系數(shù)見表5,F(xiàn)1~F5為降維后的5個主成分。

    5個主成分是對11個瓦斯涌出量影響因素進(jìn)行線性變換得到,不會改變原始影響因素的客觀存在。

    3.2XGBoost超參數(shù)尋優(yōu)

    XGBoost模型中含有大量需要設(shè)置的超參數(shù),最主要的3類超參數(shù)分別是:常規(guī)的超參數(shù)、提升器超參數(shù)以及任務(wù)參數(shù)。一般情況下,常規(guī)的超參數(shù)和任務(wù)參數(shù)采用默認(rèn)值,所以只需要對提升器超參數(shù)進(jìn)行適當(dāng)調(diào)整,達(dá)到優(yōu)化模型性能的目的。由于XGBoost模型中的超參數(shù)較多,如果對所有參數(shù)進(jìn)行優(yōu)化,會給計算機帶來巨大挑戰(zhàn),增加尋優(yōu)時間。根據(jù)文獻(xiàn)[19-20]的建議和實際情況,最終選擇7個超參數(shù)作為待尋優(yōu)的目標(biāo),設(shè)定的7個超參數(shù)取值范圍見表6,其余超參數(shù)均保持默認(rèn)值不變。

    為證明貝葉斯算法在預(yù)測模型中的優(yōu)越性,筆者分別利用網(wǎng)格搜索、隨機搜索和BOA對XGBoost模型的7個超參數(shù)進(jìn)行尋優(yōu)對比。綜合考慮后選用均方誤差和尋優(yōu)時間作為尋優(yōu)的評價指標(biāo),3種尋優(yōu)算法的尋優(yōu)結(jié)果見表7,算法性能對比結(jié)果見表8。

    對表7的尋優(yōu)結(jié)果進(jìn)行分析,由不同尋優(yōu)算法所得到的參數(shù)值相差甚大,這是隨機搜索和網(wǎng)格搜索算法在尋優(yōu)過程中陷入局部最優(yōu)所導(dǎo)致的。結(jié)合表7和表8可知,相較于其他2種搜索算法,BOA在時間和均方誤差方面上具有很大的優(yōu)勢,尋優(yōu)時間為7.87 s,明顯小于網(wǎng)格搜索和隨機搜索,BOA的均方誤差為0.009 16,同樣在3種算法內(nèi)達(dá)到最小。

    3.3基于PCA-BO-XGBoost預(yù)測模型對瓦斯涌出量預(yù)測

    由3.1小節(jié)中的PCA對130組瓦斯涌出量影響因素進(jìn)行數(shù)據(jù)降維,得到的部分結(jié)果見表9。其中,F(xiàn)1~F5是經(jīng)過PCA降維得到的5個主成分,Y代表瓦斯涌出量。將130組數(shù)據(jù)分為訓(xùn)練集(前100組)和測試集(后30組)輸入到建立的PCA-BO-XGBoost預(yù)測模型中進(jìn)行訓(xùn)練和預(yù)測。

    為驗證文中所建立的模型性能,分別建立PCA-XGBoost、PCA-BP以及PCA-SVM這3種預(yù)測模型與提出的預(yù)測模型進(jìn)行對比,可以得到4種算法的預(yù)測趨勢與原始數(shù)據(jù)的對比結(jié)果以及預(yù)測算法產(chǎn)生的誤差如圖4、圖5所示。

    從圖4可以看出4種預(yù)測模型均與原始的樣本數(shù)據(jù)保持大致相同的趨勢,結(jié)合圖5的預(yù)測誤差結(jié)果進(jìn)行分析,PCA-BO-XGBoost瓦斯涌出量預(yù)測模型的誤差較低且總體變換趨勢較為平緩。

    為進(jìn)一步驗證PCA-BO-XGBoost模型的優(yōu)越性,選取平均絕對誤差和均方根誤差2個評價指標(biāo)進(jìn)行誤差對比,其結(jié)果見表10。結(jié)合表10進(jìn)行分析可知,PCA-BO-XGBoost預(yù)測模型的平均絕對誤差為0.070 3,是4種預(yù)測模型中最小的,與PCA-XGBoost預(yù)測模型、PCA-SVM預(yù)測模型以及PCA-BP預(yù)測模型相比,平均絕對誤差分別降低129%,2.86%,6.27%。PCA-BO-XGBoost預(yù)測模型的均方根誤差是0.095 7,與PCA-XGBoost預(yù)測模型、PCA-SVM預(yù)測模型以及PCA-BP預(yù)測模型相比,均方根誤差分別降低0.92%,2.17%,888%。

    分析上述試驗結(jié)果,PCA-XGBoost模型的預(yù)測曲線要好于PCA-BP和PCA-SVM模型的預(yù)測曲線,證明XGBoost在精度提高方面更具優(yōu)勢。在此基礎(chǔ)上,采用貝葉斯優(yōu)化PCA-XGBoost中的超參數(shù)進(jìn)一步減小了XGBoost的預(yù)測誤差,對模型的預(yù)測性能有較好的提升作用,所以PCA-BO-XGBoost 預(yù)測精度要高于未經(jīng)過優(yōu)化的PCA-XGBoost預(yù)測精度。綜上所述,建立的PCA-BO-XGBoost得到的預(yù)測變化趨勢與實際變化最接近,不僅更加符合實際的變化情況,且具有更高的預(yù)測精度和泛化能力。

    4結(jié)論

    1)針對瓦斯涌出量影響因素過多的問題,利用主成分分析法對原始數(shù)據(jù)降維,有效減小輸入數(shù)據(jù)的復(fù)雜度和各影響因素之間的重復(fù)、冗余,達(dá)到提高預(yù)測精度的目的。

    2)選擇BOA對XGBoost模型中的超參數(shù)尋優(yōu),同時與經(jīng)典的尋優(yōu)算法網(wǎng)格搜索,隨機搜索進(jìn)行對比實驗,結(jié)果表明:BOA耗費時間最少,且優(yōu)化后的預(yù)測模型均方誤差達(dá)到最低。因此,建立了PCA-BO-XGBoost瓦斯涌出量預(yù)測模型。

    3)通過仿真實驗來驗證瓦斯涌出量預(yù)測模型的性能,并利用PCA-SVM模型、PCA-BP模型和PCA-XGBoost模型進(jìn)行預(yù)測結(jié)果的對比分析,該算法將平均絕對誤差分別降低了1.29%,2.86%,627%,均方根誤差降低了0.92%,2.17%,888%。實驗結(jié)果表明,文中算法能夠明顯提升預(yù)測精度和效率,對礦井的安全生產(chǎn)實踐提供一定的理論參考和指導(dǎo),具有現(xiàn)實意義。

    參考文獻(xiàn)(References):

    [1]劉峰,曹文君,張建明,等.我國煤炭工業(yè)科技創(chuàng)新進(jìn)展及“十四五”發(fā)展方向[J].煤炭學(xué)報,2021,46(1):1-15.LIU Feng,CAO Wenjun,ZHANG Jianming,et al.Current technological innovation and development direction of the 14th Five-Year Plan period in China coal industry[J].Journal of China Coal Society,2021,46(1):1-15.

    [2]袁亮.我國深部煤與瓦斯共采戰(zhàn)略思考[J].煤炭學(xué)報,2016,41(1):1-6.YUAN Liang.Strategic thinking of simultaneous exploitation of coal and gas in deep mining[J].Journal of China Coal Society,2016,41(1):1-6.

    [3]謝和平.深部巖體力學(xué)與開采理論研究進(jìn)展[J].煤炭學(xué)報,2019,44(5):1283-1305.XIE Heping.Research review of the state key research development program of China:Deep rock mechanics and mining theory[J].Journal of China Coal Society,2019,44(5):1283-1305.

    [4]呂伏,梁冰,孫維吉,等.基于主成分回歸分析法的回采工作面瓦斯涌出量預(yù)測[J].煤炭學(xué)報,2012,37(1):113-116.LV Fu,LIANG Bing,SUN Weiji,et al.Gas emission quantity prediction of working face based on principal component regression analysis method[J].Journal of China Coal Society,2012,37(1):113-116.

    [5]WANG H,WANG E Y,LI Z H.Study on dynamic prediction model of gas emission in tunneling working face[J].Combustion Science and Technology,2022,194(3):506-522.

    [6]王曉蕾,姬治崗,謝怡婷,等.采煤工作面瓦斯涌出量預(yù)測技術(shù)現(xiàn)狀及發(fā)展趨勢[J].科學(xué)技術(shù)與工程,2019,19(33):1-9.WANG Xiaolei,JI Zhigang,XIE Yiting,et al.Present situation and development trend of gas emission prediction technology in coal face[J].Science Technology and Engineering,2019,19(33):1-9.

    [7]孫海濤,付軍輝,張志剛,等.煤礦采動影響下地面井群瓦斯抽采范圍研究[J].煤炭科學(xué)技術(shù),2021,49(2):109-114.SUN Haitao,F(xiàn)U Junhui,ZHANG Zhigang,et al.Study on gas drainage scope in surface well group under the influence of coal mining area[J].Coal Science and Technology,2021,49(2):109-114.

    [8]YUAN B.Study on gas emission prediction of working face based on GM(1,1)model[J].Journal of Physics Conference Series,2020,1549(4):042031.

    [9]黃賀江.回采工作面推進(jìn)過程中的瓦斯涌出預(yù)測分析[J].工礦自動化,2017,43(8):90-93.HUANG Hejiang.Prediction and analysis of gas emission in advancing process of stope working face[J].Industrial and Mining Automation,2017,43(8):90-93.

    [10]ZHANG L,LUO L,HU L,et al.An SVM-based classification model for migration prediction of Beijing[J].Engineering Letters,2020,28(4):1023-1030.

    [11]徐剛,王磊,金洪偉,等.因子分析法與BP神經(jīng)網(wǎng)絡(luò)耦合模型對回采工作面瓦斯涌出量預(yù)測[J].西安科技大學(xué)學(xué)報,2019,39(6):965-971.XU Gang,WANG Lei,JIN Hongwei,et al.Gas emission prediction in mining face by Factor Analysis and BP neural network coupling model[J].Journal of Xian University of Science and Technology,2019,39(6):965-971.

    [12]劉鵬,魏卉子,景江波,等.基于增強CART回歸算法的煤礦瓦斯涌出量預(yù)測技術(shù)[J].煤炭科學(xué)技術(shù),2019,47(11):116-122.LIU Peng,WEI Huizi,JING Jiangbo,et al.Predicting technology of gas emission quantity in coal mine based on enhanced CART regression algorithm[J].Coal Science and Technology,2019,47(11):116-122.

    [13]肖鵬,謝行俊,雙海清,等.小波-極限學(xué)習(xí)機在瓦斯涌出量時變序列預(yù)測中的應(yīng)用[J].西安科技大學(xué)學(xué)報,2020,40(5):839-845.XIAO Peng,XIE Xingjun,SHUANG Haiqing,et al.Application of wavelet-extreme learning machine in time-varying series prediction of gas emission quantity[J].Journal of Xian University of Science and Technology,2020,40(5):839-845.

    [14]溫廷新,孫雪,孔祥博,等.基于PSOBP-AdaBoost模型的瓦斯涌出量分源預(yù)測研究[J].中國安全科學(xué)學(xué)報,2016,26(5):94-98.WEN Tingxin,SUN Xue,KONG Xiangbo,et al.Research on prediction of gas emission quantity with sub sources basing on PSOBP-AdaBoost[J].China Safety Science Journal,2016,26(5):94-98.

    [15]豐勝成,邵良杉,盧萬杰,等.PCA-PSO-LSSVM模型在瓦斯涌出量預(yù)測中的應(yīng)用[J].遼寧工程技術(shù)大學(xué)學(xué)報(自然科學(xué)版),2019,38(2):124-129.FENG Shengcheng,SHAO Liangshan,LU Wanjie,et al.Application of PCA-PSO-LSSVM model in gas emission prediction[J].Journal of Liaoning Technical University(Natural Science Edition),2019,38(2):124-129.

    [16]代巍,付華,冀常鵬,等.回采工作面瓦斯涌出量VMD-DE-RVM區(qū)間預(yù)測方法[J].中國安全科學(xué)學(xué)報,2018,28(9):109-115.DAI Wei,F(xiàn)U Hua,JI Changpeng,et al.Interval prediction method for gas emission from coal mining face based on VMD-DE-RVM[J].China Safety Science Journal,2018,28(9):109-115.

    [17]李樹剛,馬彥陽,林海飛,等.基于因子分析法的瓦斯涌出量預(yù)測指標(biāo)選取[J].西安科技大學(xué)學(xué)報,2017,37(04):461-466.LI Shugang,MA Yanyang,LIN Haifei,et al.Selection of gas emission prediction index based on factor analysis[J].Journal of Xian University of Science and Technology,2017,37(4):461-466.

    [18]CHEN T,GUESTRIN C.XGBoost:A scalable tree boosting system[C]//Proceedings of the 22nd ACM SIGKDD international Conference on Knowledge Discovery and Data Mining.New York,United States:Association for Computing Machinery,2016:785-794.

    [19]JIANG Y,TONG G,YIN H,et al.A pedestrian detection method based on genetic algorithm for optimize XGBoost training parameters[J].IEEE Access,2019,7:118310-118321.

    [20]鄧新國,游緯豪,徐海威.貝葉斯極限梯度提升機結(jié)合粒子群算法的電阻點焊參數(shù)預(yù)測[J].電子與信息學(xué)報,2021,43(4):1042-1049.DENG Xinguo,YOU Weihao,XU Haiwei.Prediction of resistance spot welding parameters by Bayes-XGBoost and Particle Swarm Optimization[J].Journal of Electronics & Information Technology,2021,43(4):1042-1049.

    猜你喜歡
    主成分分析法
    山東省旅游產(chǎn)業(yè)競爭力評價研究
    中國裝備制造業(yè)階段競爭力研究
    陜西省各地區(qū)人力資本水平綜合評價與分析
    基于主成分分析的煤層氣賦存影響因素分析
    科技視界(2016年23期)2016-11-04 23:08:10
    成都市中心城區(qū)商服用地基準(zhǔn)地價空間演變規(guī)律研究
    商(2016年29期)2016-10-29 13:39:08
    基于企業(yè)核心競爭能力的家電行業(yè)上市公司績效評價指標(biāo)體系研究
    基于主成分分析法的高校財務(wù)風(fēng)險評價指標(biāo)體系構(gòu)建
    商(2016年27期)2016-10-17 04:41:37
    太原市土地可持續(xù)利用研究
    商(2016年26期)2016-08-10 14:11:18
    基于主成分分析法的成都市房地產(chǎn)泡沫程度評價
    商(2016年6期)2016-04-20 18:36:52
    考察我國各省市自治區(qū)社會發(fā)展綜合狀況
    商(2016年6期)2016-04-20 10:19:35
    免费av不卡在线播放| 国产淫片久久久久久久久| 22中文网久久字幕| 免费人成在线观看视频色| 一本大道久久a久久精品| 中文精品一卡2卡3卡4更新| 日日摸夜夜添夜夜添av毛片| 大香蕉97超碰在线| 99久久中文字幕三级久久日本| h视频一区二区三区| 高清欧美精品videossex| 日韩强制内射视频| 亚洲精品久久久久久婷婷小说| 国产日韩欧美在线精品| 午夜福利视频精品| 美女国产视频在线观看| 成人免费观看视频高清| 丁香六月天网| 国产精品一二三区在线看| 久久久久久久精品精品| 国产熟女午夜一区二区三区 | 久久青草综合色| 又大又黄又爽视频免费| 免费观看av网站的网址| 王馨瑶露胸无遮挡在线观看| 免费高清在线观看视频在线观看| 精品视频人人做人人爽| 亚洲精品456在线播放app| 五月天丁香电影| 日本猛色少妇xxxxx猛交久久| 永久免费av网站大全| 80岁老熟妇乱子伦牲交| 亚洲欧美清纯卡通| 国国产精品蜜臀av免费| 亚洲美女黄色视频免费看| 波野结衣二区三区在线| 国产日韩欧美亚洲二区| 麻豆乱淫一区二区| 亚洲高清免费不卡视频| 国产男女内射视频| 少妇人妻久久综合中文| 汤姆久久久久久久影院中文字幕| 最近中文字幕2019免费版| 久久国产精品男人的天堂亚洲 | 日韩电影二区| 一级黄片播放器| 六月丁香七月| 九九久久精品国产亚洲av麻豆| 国产亚洲5aaaaa淫片| 精品少妇黑人巨大在线播放| 欧美一级a爱片免费观看看| 国产精品一区www在线观看| 欧美性感艳星| 99久久精品热视频| 一级,二级,三级黄色视频| 成年人免费黄色播放视频 | 一个人看视频在线观看www免费| 91成人精品电影| 简卡轻食公司| 日日摸夜夜添夜夜爱| 午夜激情久久久久久久| 五月伊人婷婷丁香| 日本黄大片高清| 国产伦在线观看视频一区| 男人狂女人下面高潮的视频| 能在线免费看毛片的网站| 高清不卡的av网站| 男女边吃奶边做爰视频| 久久久久久久久大av| 国内揄拍国产精品人妻在线| 免费黄网站久久成人精品| 久久青草综合色| 偷拍熟女少妇极品色| 高清av免费在线| 日韩大片免费观看网站| 哪个播放器可以免费观看大片| 天堂中文最新版在线下载| 人妻 亚洲 视频| 中文字幕免费在线视频6| 欧美 日韩 精品 国产| 在现免费观看毛片| 成人漫画全彩无遮挡| 欧美日韩精品成人综合77777| 黑丝袜美女国产一区| 蜜桃在线观看..| videos熟女内射| 三上悠亚av全集在线观看 | 久久精品国产亚洲av涩爱| 国产在线男女| 亚洲av在线观看美女高潮| 国内精品宾馆在线| 久久青草综合色| 日本猛色少妇xxxxx猛交久久| 中国三级夫妇交换| 天天操日日干夜夜撸| 国产黄片美女视频| 久久久国产欧美日韩av| 欧美 日韩 精品 国产| 韩国高清视频一区二区三区| 中文字幕精品免费在线观看视频 | 欧美精品亚洲一区二区| 一本—道久久a久久精品蜜桃钙片| 高清黄色对白视频在线免费看 | 国产国拍精品亚洲av在线观看| 成人国产av品久久久| 亚洲精品日韩av片在线观看| 国产永久视频网站| 国产精品一区二区性色av| 大话2 男鬼变身卡| 国产av码专区亚洲av| 五月开心婷婷网| av福利片在线观看| 日韩熟女老妇一区二区性免费视频| kizo精华| kizo精华| 久久久久久久久久成人| 免费看光身美女| 亚洲久久久国产精品| 午夜免费男女啪啪视频观看| tube8黄色片| 观看免费一级毛片| tube8黄色片| 夜夜爽夜夜爽视频| 国产欧美日韩精品一区二区| 少妇被粗大的猛进出69影院 | 韩国av在线不卡| 在线观看国产h片| av.在线天堂| 黄色欧美视频在线观看| 欧美日韩亚洲高清精品| 久久久久网色| 激情五月婷婷亚洲| 欧美日韩一区二区视频在线观看视频在线| 免费少妇av软件| 青春草国产在线视频| 国产免费视频播放在线视频| 国产精品秋霞免费鲁丝片| www.av在线官网国产| 99热这里只有是精品50| 国产 精品1| 少妇猛男粗大的猛烈进出视频| www.色视频.com| 一区二区三区精品91| 男女免费视频国产| 午夜免费男女啪啪视频观看| 中文字幕人妻熟人妻熟丝袜美| 国内精品宾馆在线| 18禁裸乳无遮挡动漫免费视频| 国产免费一级a男人的天堂| 欧美一级a爱片免费观看看| 亚洲成人手机| 亚洲欧美成人综合另类久久久| 美女大奶头黄色视频| 在线精品无人区一区二区三| 成人美女网站在线观看视频| 亚洲精品国产av成人精品| 激情五月婷婷亚洲| 国内揄拍国产精品人妻在线| 久久国产精品大桥未久av | 欧美高清成人免费视频www| 欧美精品亚洲一区二区| 一级二级三级毛片免费看| 精品一区二区免费观看| 亚洲精品久久久久久婷婷小说| 成人亚洲精品一区在线观看| 免费黄频网站在线观看国产| 欧美xxxx性猛交bbbb| 性色avwww在线观看| 男女边吃奶边做爰视频| 国产欧美日韩综合在线一区二区 | 亚洲中文av在线| 亚洲人成网站在线播| av不卡在线播放| 有码 亚洲区| 国产白丝娇喘喷水9色精品| 日本欧美视频一区| 婷婷色av中文字幕| 春色校园在线视频观看| 黄色怎么调成土黄色| 青春草亚洲视频在线观看| 如日韩欧美国产精品一区二区三区 | 女的被弄到高潮叫床怎么办| 国产在视频线精品| 天美传媒精品一区二区| 欧美精品国产亚洲| 自拍偷自拍亚洲精品老妇| 亚洲欧美精品自产自拍| .国产精品久久| 在线精品无人区一区二区三| 成年女人在线观看亚洲视频| 欧美成人午夜免费资源| av卡一久久| 18禁在线播放成人免费| 我的女老师完整版在线观看| 亚洲天堂av无毛| 久久久亚洲精品成人影院| 国产精品.久久久| 免费看不卡的av| 九九爱精品视频在线观看| 建设人人有责人人尽责人人享有的| 下体分泌物呈黄色| 国产在视频线精品| 国产精品欧美亚洲77777| 视频区图区小说| 一级,二级,三级黄色视频| 亚洲电影在线观看av| 精品国产露脸久久av麻豆| 久久女婷五月综合色啪小说| 免费大片黄手机在线观看| 免费黄频网站在线观看国产| 国产精品一二三区在线看| 久久久久国产精品人妻一区二区| 女性被躁到高潮视频| 高清欧美精品videossex| 最近中文字幕高清免费大全6| av又黄又爽大尺度在线免费看| 人人妻人人澡人人看| av福利片在线| 一区二区三区精品91| 永久免费av网站大全| 五月开心婷婷网| 美女中出高潮动态图| 99热这里只有精品一区| 久久久久久久大尺度免费视频| 人妻少妇偷人精品九色| 高清欧美精品videossex| 啦啦啦视频在线资源免费观看| 久久人人爽av亚洲精品天堂| 伦理电影免费视频| 99久久中文字幕三级久久日本| 26uuu在线亚洲综合色| 少妇人妻一区二区三区视频| 2022亚洲国产成人精品| 成年美女黄网站色视频大全免费 | 亚洲电影在线观看av| 日本欧美视频一区| 中文字幕亚洲精品专区| 久热久热在线精品观看| 天堂俺去俺来也www色官网| 亚洲高清免费不卡视频| 久久久久久久精品精品| 国产综合精华液| 国产日韩一区二区三区精品不卡 | 亚洲精品成人av观看孕妇| 久久99热这里只频精品6学生| 成人特级av手机在线观看| 五月伊人婷婷丁香| 人人妻人人澡人人看| 少妇人妻 视频| av福利片在线| 五月伊人婷婷丁香| 久久人妻熟女aⅴ| 欧美区成人在线视频| 黄色一级大片看看| 色5月婷婷丁香| 欧美老熟妇乱子伦牲交| 韩国av在线不卡| 建设人人有责人人尽责人人享有的| 丝袜脚勾引网站| 国产淫片久久久久久久久| 久久久久精品性色| 热99国产精品久久久久久7| 人妻人人澡人人爽人人| 18禁在线无遮挡免费观看视频| 人人澡人人妻人| 免费大片18禁| 成人特级av手机在线观看| 9色porny在线观看| 欧美少妇被猛烈插入视频| 26uuu在线亚洲综合色| 深夜a级毛片| 3wmmmm亚洲av在线观看| 看非洲黑人一级黄片| 69精品国产乱码久久久| 最新中文字幕久久久久| 日韩av在线免费看完整版不卡| 精品国产一区二区三区久久久樱花| 亚洲中文av在线| 伦精品一区二区三区| 久久亚洲国产成人精品v| 亚洲精品一区蜜桃| 亚洲国产精品国产精品| 三上悠亚av全集在线观看 | 国产中年淑女户外野战色| 日韩 亚洲 欧美在线| 亚洲欧美一区二区三区国产| 亚洲成人一二三区av| 午夜精品国产一区二区电影| 国产69精品久久久久777片| 国产乱来视频区| 在线免费观看不下载黄p国产| 人妻系列 视频| 亚洲av不卡在线观看| 免费在线观看成人毛片| 啦啦啦啦在线视频资源| 丝袜在线中文字幕| 在线亚洲精品国产二区图片欧美 | 国产精品国产三级国产av玫瑰| 精品一区二区免费观看| 国产精品三级大全| 国内揄拍国产精品人妻在线| 如日韩欧美国产精品一区二区三区 | 99热这里只有是精品50| 99热这里只有是精品50| av专区在线播放| 国产精品不卡视频一区二区| a级片在线免费高清观看视频| 成年女人在线观看亚洲视频| 午夜免费男女啪啪视频观看| 国产精品国产av在线观看| 青春草视频在线免费观看| 亚洲av在线观看美女高潮| av线在线观看网站| 自线自在国产av| 日本91视频免费播放| 久久狼人影院| 久久av网站| 久久久国产精品麻豆| 欧美区成人在线视频| 国产熟女欧美一区二区| 熟女电影av网| 男女免费视频国产| 天天躁夜夜躁狠狠久久av| 免费人妻精品一区二区三区视频| 自拍偷自拍亚洲精品老妇| 观看av在线不卡| 男女边摸边吃奶| 亚洲天堂av无毛| 国产精品秋霞免费鲁丝片| www.色视频.com| 自拍欧美九色日韩亚洲蝌蚪91 | 性高湖久久久久久久久免费观看| 亚洲av二区三区四区| 男女免费视频国产| 欧美日韩视频精品一区| 蜜臀久久99精品久久宅男| 久久国产乱子免费精品| 日本色播在线视频| 国产伦精品一区二区三区视频9| 国产伦精品一区二区三区视频9| 亚洲伊人久久精品综合| 亚洲一级一片aⅴ在线观看| 99热网站在线观看| 18禁裸乳无遮挡动漫免费视频| 18禁裸乳无遮挡动漫免费视频| 国产男人的电影天堂91| 亚洲av电影在线观看一区二区三区| 国产黄片视频在线免费观看| 国产免费一区二区三区四区乱码| 一本大道久久a久久精品| 建设人人有责人人尽责人人享有的| 精品99又大又爽又粗少妇毛片| 国产伦精品一区二区三区四那| 少妇被粗大的猛进出69影院 | 日韩免费高清中文字幕av| 午夜福利视频精品| 99久国产av精品国产电影| 水蜜桃什么品种好| 内地一区二区视频在线| 久久久久久久亚洲中文字幕| 午夜视频国产福利| 九草在线视频观看| 一级毛片黄色毛片免费观看视频| 五月伊人婷婷丁香| 免费不卡的大黄色大毛片视频在线观看| 久久久久人妻精品一区果冻| 亚洲精品久久午夜乱码| 一级毛片我不卡| 99热6这里只有精品| 中文字幕制服av| 久久精品熟女亚洲av麻豆精品| 日韩欧美一区视频在线观看 | 午夜视频国产福利| 亚洲国产日韩一区二区| 日韩熟女老妇一区二区性免费视频| 精品熟女少妇av免费看| 寂寞人妻少妇视频99o| 亚洲精品日韩av片在线观看| 亚洲精品乱久久久久久| 久久人人爽av亚洲精品天堂| 日韩欧美精品免费久久| av女优亚洲男人天堂| 亚洲国产成人一精品久久久| 新久久久久国产一级毛片| 中文资源天堂在线| 欧美三级亚洲精品| 亚洲精品,欧美精品| 九九久久精品国产亚洲av麻豆| 一边亲一边摸免费视频| 黄色怎么调成土黄色| 丰满少妇做爰视频| 国产精品一二三区在线看| 纯流量卡能插随身wifi吗| av在线老鸭窝| 亚洲久久久国产精品| 免费观看av网站的网址| 欧美日韩视频精品一区| 爱豆传媒免费全集在线观看| 我要看日韩黄色一级片| 卡戴珊不雅视频在线播放| 丝袜脚勾引网站| 高清毛片免费看| 在线播放无遮挡| 亚洲精华国产精华液的使用体验| 日韩熟女老妇一区二区性免费视频| 亚洲精品视频女| 蜜臀久久99精品久久宅男| 日日撸夜夜添| 日本爱情动作片www.在线观看| 国产在视频线精品| 色视频www国产| 99久久人妻综合| 国产毛片在线视频| 日韩av在线免费看完整版不卡| 97超视频在线观看视频| 午夜福利视频精品| 国产精品一二三区在线看| 又黄又爽又刺激的免费视频.| 久久亚洲国产成人精品v| 久久99一区二区三区| 国产午夜精品久久久久久一区二区三区| 欧美另类一区| 精品少妇内射三级| 最近中文字幕高清免费大全6| 日本欧美国产在线视频| 国产日韩欧美视频二区| 国产精品麻豆人妻色哟哟久久| 在线观看免费视频网站a站| 精品熟女少妇av免费看| 69精品国产乱码久久久| 国产精品免费大片| 韩国av在线不卡| 久久国产精品男人的天堂亚洲 | 亚洲成人手机| 久久精品国产亚洲网站| 午夜激情福利司机影院| 高清毛片免费看| 欧美老熟妇乱子伦牲交| 天天操日日干夜夜撸| 精品国产乱码久久久久久小说| 偷拍熟女少妇极品色| 观看免费一级毛片| 亚洲真实伦在线观看| 一级毛片我不卡| 99久久精品国产国产毛片| 亚洲国产欧美日韩在线播放 | 午夜免费男女啪啪视频观看| 人妻一区二区av| 国内少妇人妻偷人精品xxx网站| 国产精品秋霞免费鲁丝片| 亚洲情色 制服丝袜| 国产片特级美女逼逼视频| 王馨瑶露胸无遮挡在线观看| 少妇熟女欧美另类| 男人狂女人下面高潮的视频| 亚洲第一av免费看| 亚洲国产日韩一区二区| 男女啪啪激烈高潮av片| 国产伦精品一区二区三区视频9| 国产高清国产精品国产三级| 一级毛片我不卡| 黑人巨大精品欧美一区二区蜜桃 | 只有这里有精品99| 国产成人精品无人区| 2022亚洲国产成人精品| 国产精品三级大全| 免费在线观看成人毛片| 一级毛片aaaaaa免费看小| 男的添女的下面高潮视频| 国产国拍精品亚洲av在线观看| 亚洲精品第二区| 国产精品99久久久久久久久| 你懂的网址亚洲精品在线观看| 国产男女内射视频| 国产黄色视频一区二区在线观看| 少妇被粗大的猛进出69影院 | 国产伦精品一区二区三区视频9| 日本猛色少妇xxxxx猛交久久| av国产久精品久网站免费入址| 啦啦啦啦在线视频资源| 少妇被粗大的猛进出69影院 | 人妻夜夜爽99麻豆av| 精华霜和精华液先用哪个| 成人漫画全彩无遮挡| 午夜激情福利司机影院| 国产色爽女视频免费观看| 国产在线视频一区二区| 2022亚洲国产成人精品| 97在线视频观看| 亚洲欧美日韩另类电影网站| 欧美一级a爱片免费观看看| 亚洲欧美精品自产自拍| 亚州av有码| 午夜91福利影院| 日日啪夜夜爽| 国产伦在线观看视频一区| 亚洲精品亚洲一区二区| 夫妻午夜视频| 少妇人妻精品综合一区二区| 婷婷色av中文字幕| 免费人成在线观看视频色| 夫妻性生交免费视频一级片| 精品国产乱码久久久久久小说| 亚洲情色 制服丝袜| 亚洲av综合色区一区| 99re6热这里在线精品视频| 亚洲av国产av综合av卡| 大片电影免费在线观看免费| 99九九在线精品视频 | 又爽又黄a免费视频| 亚洲在久久综合| 久久精品国产自在天天线| 久久综合国产亚洲精品| 啦啦啦啦在线视频资源| 国产伦理片在线播放av一区| 成人亚洲欧美一区二区av| 国产午夜精品久久久久久一区二区三区| 嫩草影院新地址| 香蕉精品网在线| 欧美激情极品国产一区二区三区 | 多毛熟女@视频| 国产老妇伦熟女老妇高清| 亚洲av成人精品一区久久| 亚洲av日韩在线播放| 高清av免费在线| 少妇 在线观看| 亚洲精华国产精华液的使用体验| av福利片在线观看| 国产在视频线精品| 亚洲精品乱码久久久v下载方式| 久久久久久久亚洲中文字幕| 国产极品粉嫩免费观看在线 | 日韩精品有码人妻一区| 亚洲精品中文字幕在线视频 | 男女国产视频网站| 观看免费一级毛片| 日日撸夜夜添| 久久精品国产亚洲av天美| 日本av免费视频播放| 中文乱码字字幕精品一区二区三区| 99精国产麻豆久久婷婷| 亚洲高清免费不卡视频| 成人亚洲精品一区在线观看| 国产高清有码在线观看视频| 麻豆成人av视频| 中国国产av一级| 成人午夜精彩视频在线观看| 国产精品免费大片| 精品视频人人做人人爽| 中文精品一卡2卡3卡4更新| 欧美精品高潮呻吟av久久| 国产成人免费观看mmmm| 99久久人妻综合| 菩萨蛮人人尽说江南好唐韦庄| 狠狠精品人妻久久久久久综合| 观看av在线不卡| 一级av片app| 黄片无遮挡物在线观看| 国产日韩欧美视频二区| 男女边摸边吃奶| 97精品久久久久久久久久精品| 亚洲激情五月婷婷啪啪| 建设人人有责人人尽责人人享有的| 免费高清在线观看视频在线观看| 少妇熟女欧美另类| 免费人妻精品一区二区三区视频| 丰满饥渴人妻一区二区三| 蜜臀久久99精品久久宅男| 国产视频内射| 欧美精品一区二区免费开放| 在线观看www视频免费| 午夜av观看不卡| 在线亚洲精品国产二区图片欧美 | 国产午夜精品久久久久久一区二区三区| a级毛色黄片| 亚洲精品日韩av片在线观看| 欧美日韩亚洲高清精品| 免费播放大片免费观看视频在线观看| 99热这里只有精品一区| www.色视频.com| 在线观看一区二区三区激情| 久久人人爽人人爽人人片va| av专区在线播放| 亚洲欧洲精品一区二区精品久久久 | av专区在线播放| 久久久精品94久久精品| 97超碰精品成人国产| 亚洲情色 制服丝袜| 亚洲欧美日韩东京热| 在线观看免费高清a一片| 人人妻人人澡人人爽人人夜夜| 午夜91福利影院| 免费观看av网站的网址| 女性被躁到高潮视频| 永久免费av网站大全| 狂野欧美白嫩少妇大欣赏| 亚洲精品亚洲一区二区| 99热全是精品| 日日啪夜夜撸| 国产精品国产三级国产专区5o| 国产午夜精品久久久久久一区二区三区| 亚洲国产欧美日韩在线播放 | 久久99热6这里只有精品| 深夜a级毛片| 亚洲不卡免费看| av免费在线看不卡| 日韩视频在线欧美| 有码 亚洲区| 国产伦理片在线播放av一区| 人人妻人人添人人爽欧美一区卜| 五月开心婷婷网| 婷婷色综合www| 人妻夜夜爽99麻豆av| 性色avwww在线观看| 寂寞人妻少妇视频99o|