• <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 ?

    基于樣本集質(zhì)量的建筑能耗預(yù)測(cè)機(jī)器學(xué)習(xí)算法選擇及參數(shù)設(shè)置

    2022-06-21 07:17:46李曉倩
    重慶大學(xué)學(xué)報(bào) 2022年5期
    關(guān)鍵詞:參數(shù)設(shè)置樣本量學(xué)習(xí)效果

    劉 剛,李曉倩,韓 臻

    (天津大學(xué) a.建筑學(xué)院;b.天津市建筑物理環(huán)境與生態(tài)技術(shù)重點(diǎn)實(shí)驗(yàn)室,天津 300072)

    可持續(xù)建筑節(jié)能效果很大程度上取決于建筑初期設(shè)計(jì)[1]。近年來(lái),結(jié)合建筑能耗預(yù)測(cè)方法和優(yōu)化算法在建筑設(shè)計(jì)初期輔助節(jié)能優(yōu)化決策成為研究熱點(diǎn)[2]。優(yōu)化過(guò)程中通常會(huì)生成大量的備選方案,能否快速進(jìn)行建筑能耗預(yù)測(cè)成為影響優(yōu)化效率的關(guān)鍵因素。隨著人工智能技術(shù)的不斷發(fā)展,基于機(jī)器學(xué)習(xí)的能耗預(yù)測(cè)方法越來(lái)越多的應(yīng)用于建筑能耗優(yōu)化中。實(shí)踐證明,通過(guò)機(jī)器學(xué)習(xí)預(yù)測(cè)建筑能耗大大提高了建筑節(jié)能優(yōu)化設(shè)計(jì)的效率,正逐步為建筑師所接納。在實(shí)際應(yīng)用中,建筑節(jié)能優(yōu)化問(wèn)題多為在已知可行空間內(nèi)尋找最優(yōu)方案[3],但在優(yōu)化過(guò)程中,個(gè)體方案多為隨機(jī)生成或有引導(dǎo)性的隨機(jī)生成[4-6],使得用于學(xué)習(xí)的訓(xùn)練樣本集分布情況未知?,F(xiàn)有研究中,關(guān)于樣本集質(zhì)量(即樣本分布不均衡問(wèn)題)的研究多集中于分類問(wèn)題中[7-9],在關(guān)于回歸問(wèn)題中機(jī)器學(xué)習(xí)算法的選擇及其參數(shù)設(shè)置的研究中,關(guān)于樣本集質(zhì)量尚無(wú)統(tǒng)一定義[10],多集中于樣本集大小對(duì)學(xué)習(xí)效果的影響或樣本個(gè)體質(zhì)量對(duì)學(xué)習(xí)效果的影響,較少關(guān)注樣本集樣本分布情況即樣本集所包含信息完整性對(duì)學(xué)習(xí)效果的影響[11-14]。但在樣本分布情況未知的前提下,隨意選擇的算法或不合理的參數(shù)設(shè)置可能會(huì)導(dǎo)致算法性能不理想,從而影響建筑節(jié)能優(yōu)化效果。同時(shí),對(duì)于建筑師而言,由于機(jī)器學(xué)習(xí)原理及應(yīng)用的復(fù)雜性,尚未有較統(tǒng)一且明確的學(xué)習(xí)方法選擇及參數(shù)設(shè)置依據(jù)對(duì)其進(jìn)行指導(dǎo)。

    文中提出了基于樣本量及樣本覆蓋性的樣本集質(zhì)量評(píng)價(jià)方法,通過(guò)比較幾種常用的機(jī)器學(xué)習(xí)方法及參數(shù)設(shè)置在不同質(zhì)量樣本集情況下的學(xué)習(xí)效果,分析樣本集質(zhì)量與機(jī)器學(xué)習(xí)算法性能之間的關(guān)系,針對(duì)不同質(zhì)量樣本集提出學(xué)習(xí)方法選擇及參數(shù)設(shè)置建議,為建筑師使用提供理論指導(dǎo)。

    1 理論與方法

    1.1 傳統(tǒng)機(jī)器學(xué)習(xí)算法

    支持向量回歸(Support Vector Regression,SVR)[15]是支持向量機(jī)的重要分支,廣泛應(yīng)用于非線性回歸問(wèn)題[16]。該算法基于核函數(shù)的小樣本統(tǒng)計(jì)理論,其核心是VC維理論及結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則,可以有效避免陷入局部最優(yōu)而達(dá)到全局最優(yōu), 并通過(guò)核函數(shù)將低維空間問(wèn)題映射至高維空間,將其轉(zhuǎn)化為線性回歸關(guān)系[17]。SVR算法具有結(jié)構(gòu)簡(jiǎn)單、穩(wěn)定性強(qiáng)、泛化能力強(qiáng)的優(yōu)點(diǎn),可以有效解決模型選擇與欠學(xué)習(xí)、過(guò)學(xué)習(xí)、小樣本、非線性和局部最優(yōu)等問(wèn)題,是建筑能耗預(yù)測(cè)中常用算法[18-21]。

    BP神經(jīng)網(wǎng)絡(luò)(Back-Propagation Network,BP)是一種典型的多層前向型神經(jīng)網(wǎng)絡(luò),利用誤差反向傳播算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,理論上通過(guò)選擇適當(dāng)?shù)木W(wǎng)絡(luò)層次及神經(jīng)元個(gè)數(shù)可以任意逼近非線性函數(shù)[22]。該方法具有一定的自適應(yīng)與自組織能力以及非線性映射能力,在建筑能耗預(yù)測(cè)問(wèn)題中顯示出明顯優(yōu)勢(shì)[16]。但性能受樣本數(shù)據(jù)及神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)影響較大,且隨著樣本量的增多訓(xùn)練時(shí)間會(huì)大大加長(zhǎng),因此,選擇適當(dāng)?shù)耐負(fù)浣Y(jié)構(gòu)對(duì)該算法尤其重要。

    1.2 集成機(jī)器學(xué)習(xí)算法

    集成學(xué)習(xí)(Ensemble Learning)是機(jī)器學(xué)習(xí)領(lǐng)域重要的研究方向之一,通過(guò)多個(gè)學(xué)習(xí)算法對(duì)同一個(gè)問(wèn)題進(jìn)行學(xué)習(xí),得到多個(gè)具有差異性的學(xué)習(xí)器,并通過(guò)一定組合方法對(duì)其學(xué)習(xí)結(jié)果進(jìn)行組合得到最終結(jié)果,核心思想是充分利用誤差較大的個(gè)體學(xué)習(xí)器所獲得的局部信息來(lái)增強(qiáng)集成學(xué)習(xí)器的整體準(zhǔn)確度和可靠性,而不是直接將其舍棄。集成學(xué)習(xí)具有準(zhǔn)確度高,穩(wěn)定性高,對(duì)參數(shù)設(shè)置敏感性相對(duì)較小以及學(xué)習(xí)效率高等優(yōu)點(diǎn),在建筑能耗預(yù)測(cè)中應(yīng)用日趨廣泛[23-25]。其中,應(yīng)用最多且范圍最廣的為Bagging算法與Boosting算法。

    Bagging算法通過(guò)自主采樣法(Bootstrap)產(chǎn)生新的訓(xùn)練子集訓(xùn)練基學(xué)習(xí)器,結(jié)合策略組合各基學(xué)習(xí)器預(yù)測(cè)結(jié)果進(jìn)行輸出,基學(xué)習(xí)算法對(duì)訓(xùn)練數(shù)據(jù)越敏感,基學(xué)習(xí)器差異性越大,集成效果越好。

    算法1Bagging算法

    輸入:訓(xùn)練集D,個(gè)體學(xué)習(xí)器L,迭代次數(shù)T;

    fort=1, 2, 3, …,T:

    1)對(duì)樣本集進(jìn)行自主采樣得到訓(xùn)練子集Dt;

    2)使用訓(xùn)練子集訓(xùn)練得到個(gè)體學(xué)習(xí)器ht;

    end

    Boosting算法的基本思想是將多個(gè)預(yù)測(cè)精度較低的弱學(xué)習(xí)器提升至精度較高的強(qiáng)學(xué)習(xí)器。其中,最具代表性的為AdaBoost算法,核心思想是通過(guò)將自身的學(xué)習(xí)結(jié)果反饋到問(wèn)題空間來(lái)進(jìn)行交互,根據(jù)自身對(duì)環(huán)境的擬合程度來(lái)改變樣本的采樣概率[26],從而加強(qiáng)對(duì)精度較低個(gè)體的學(xué)習(xí)。

    算法2AdaBoost算法

    輸入:訓(xùn)練集D,個(gè)體學(xué)習(xí)器L,迭代次數(shù)T;

    1)樣本權(quán)重初始化為ωi= 1/N,i= 1, 2, …,N,其中N為樣本總數(shù);

    2)通過(guò)迭代獲得強(qiáng)學(xué)習(xí)器:

    fort= 1, 2, …,T。

    ①在訓(xùn)練集上根據(jù)權(quán)重ωi進(jìn)行學(xué)習(xí)獲得弱學(xué)習(xí)器ht;

    ②計(jì)算當(dāng)前弱學(xué)習(xí)器中每個(gè)樣本的相對(duì)誤差并根據(jù)誤差更新權(quán)重。

    Bagging及AdaBoost算法均為使用較廣泛的集成學(xué)習(xí)算法,Bagging主要通過(guò)減小方差來(lái)提高學(xué)習(xí)性能,而AdaBoost在減小方差的同時(shí)還可以減小偏差,但Bagging對(duì)方差的減小程度大于AdaBoost。且Bagging與AdaBoost相比穩(wěn)定性和魯棒性更強(qiáng),但AdaBoost在降低錯(cuò)誤率的程度上強(qiáng)于Bagging[27]。

    2 樣本集質(zhì)量劃分方法

    在使用機(jī)器學(xué)習(xí)算法時(shí),樣本集質(zhì)量對(duì)絕大多數(shù)機(jī)器學(xué)習(xí)算法的學(xué)習(xí)效果影響較大,學(xué)習(xí)算法選擇及其參數(shù)設(shè)置一直是機(jī)器學(xué)習(xí)研究中的熱點(diǎn)問(wèn)題,目前尚未有準(zhǔn)確的結(jié)論可供參考,多通過(guò)參數(shù)尋優(yōu)或經(jīng)驗(yàn)驗(yàn)證進(jìn)行設(shè)置,存在較大的主觀性和局限性。在回歸問(wèn)題中,較少考慮樣本數(shù)據(jù)分布特征,未充分利用隱含在數(shù)據(jù)集中的信息[28]。在建筑節(jié)能優(yōu)化實(shí)踐中,其數(shù)據(jù)集存在以下特點(diǎn):1)解集空間已知,屬于已知范圍內(nèi)的尋優(yōu)問(wèn)題;2)訓(xùn)練集為無(wú)噪聲仿真數(shù)據(jù),但訓(xùn)練集通過(guò)性能模擬得到,耗時(shí)較長(zhǎng);3)樣本在解集空間中分布情況未知,可能會(huì)出現(xiàn)樣本聚集,影響學(xué)習(xí)效果。

    基于以上特征,文中提出一種基于樣本量及樣本覆蓋性的樣本集質(zhì)量評(píng)價(jià)方法,以此為基礎(chǔ),測(cè)試不同樣本集質(zhì)量下機(jī)器學(xué)習(xí)算法的學(xué)習(xí)效果。首先,根據(jù)“3σ”準(zhǔn)則,將樣本集樣本量分為小、中、大3個(gè)等級(jí)。其次,引入優(yōu)化算法中解集質(zhì)量評(píng)價(jià)指標(biāo)——覆蓋性(Coverage)評(píng)價(jià)樣本在可行空間內(nèi)的分布情況,如圖1所示。

    圖1 樣本集樣本覆蓋性示意圖Fig.1 The coverage of sample set

    覆蓋性常用于優(yōu)化算法中評(píng)價(jià)解集在解集空間中分布廣泛性的指標(biāo),反映了樣本點(diǎn)在可行求解空間中的分布情況,以表現(xiàn)在解集空間內(nèi)的搜索程度,用以衡量是否陷入局部最優(yōu)。其計(jì)算方法為

    (1)

    其中,

    式中,COV為覆蓋性;SDk為第k個(gè)變量的標(biāo)準(zhǔn)差(k= 1, 2, …,m),m為變量個(gè)數(shù);hkj為第j個(gè)個(gè)體第k個(gè)變量的值(j= 1, 2, …,t),t為個(gè)體數(shù)量;Mk為第k個(gè)變量的平均值。由式(1)可知,覆蓋性由各樣本點(diǎn)各變量方差乘積求得,反應(yīng)樣本中各變量在空間中的不均衡性,即空間覆蓋程度。在樣本量相同的情況下,樣本的覆蓋性越高,說(shuō)明樣本在可行空間內(nèi)的分布越均勻,樣本集在各變量維度上的信息完整度越高,越有利于算法進(jìn)行學(xué)習(xí)。

    文中通過(guò)對(duì)樣本量分別為50、200、500的樣本集(均為隨機(jī)生成)進(jìn)行重復(fù)測(cè)試并計(jì)算其覆蓋性。結(jié)果表明,樣本集的覆蓋性大致遵循正態(tài)分布,如圖2所示,故樣本集覆蓋性等級(jí)劃分采用“3σ”準(zhǔn)則。

    圖2 樣本量為50、200、500的樣本集覆蓋性分布情況Fig.2 Coverage Probability Histogram for sample sets in different sizes (sample size: 50, 200, 500)

    3 實(shí)驗(yàn)設(shè)置

    設(shè)計(jì)2組實(shí)驗(yàn)測(cè)試不同樣本集質(zhì)量對(duì)其學(xué)習(xí)算法性能的影響。首先,測(cè)試傳統(tǒng)機(jī)器學(xué)習(xí)算法在不同質(zhì)量樣本集下的表現(xiàn),從中選出對(duì)于每類樣本集表現(xiàn)較好的學(xué)習(xí)方法及參數(shù)設(shè)置,將其作為第2組實(shí)驗(yàn)的基學(xué)習(xí)器;其次,以第一階段的實(shí)驗(yàn)結(jié)果為基礎(chǔ),測(cè)試集成學(xué)習(xí)算法對(duì)不同質(zhì)量樣本集的預(yù)測(cè)效果。最后,得出較好預(yù)測(cè)效果所需樣本量,以及對(duì)應(yīng)的機(jī)器學(xué)習(xí)方法及其參數(shù)設(shè)置,為建筑節(jié)能優(yōu)化設(shè)計(jì)提供幫助。

    3.1 實(shí)驗(yàn)環(huán)境及樣本集設(shè)置

    實(shí)驗(yàn)的運(yùn)行環(huán)境為:Interi7 8核 2.81 GHz處理器,8G RAM內(nèi)存,64位Windows 10操作系統(tǒng)。實(shí)驗(yàn)樣本集來(lái)自天津一虛擬辦公建筑的全年平均能耗模擬數(shù)據(jù)。該建筑共包含4大功能分區(qū),分別為辦公區(qū)、多媒體會(huì)議區(qū)、餐飲區(qū)及中庭交通區(qū)。因研究重點(diǎn)在測(cè)試機(jī)器學(xué)習(xí)算法性能,在合理的范圍內(nèi)簡(jiǎn)化模型,如圖3所示。各樣本集中的所有樣本均為可行空間內(nèi)隨機(jī)生成的個(gè)體樣本,其能耗通過(guò)Grasshopper中能耗模擬插件Honeybee仿真模擬得出。變量及取值范圍,如表1所示,能耗相關(guān)參數(shù)設(shè)置及運(yùn)行時(shí)間設(shè)置等均依照相關(guān)辦公建筑設(shè)計(jì)規(guī)范設(shè)定。

    圖3 天津一虛擬辦公建筑模型示意圖Fig.3 The model of a virtual office building in Tianjin

    表1 變量表

    基于建筑節(jié)能優(yōu)化實(shí)踐中數(shù)據(jù)集的特征,綜合考慮實(shí)際應(yīng)用中的時(shí)間成本,將樣本量分為50,200,500三個(gè)等級(jí),分別代表小、中、大樣本量。針對(duì)每類樣本量各生成1 500個(gè)樣本集并計(jì)算其覆蓋性,依據(jù)“3σ”準(zhǔn)則將其劃分為低、中、高覆蓋性。具體樣本集分類及其特征如表2所示。

    表2 樣本集分類及特征

    3.2 實(shí)驗(yàn)設(shè)置

    機(jī)器學(xué)習(xí)算法通過(guò)python Scikit-Learn中的SVR、MLPRegressor、BaggingRegressor及AdaBoostRegressor工具包實(shí)現(xiàn)。在訓(xùn)練學(xué)習(xí)器之前,為消除變量量級(jí)對(duì)學(xué)習(xí)性能的影響,對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理:

    (2)

    其中,x′為歸一化后的數(shù)據(jù),xavg,xstd分別為x的平均值和方差。

    實(shí)驗(yàn)1:傳統(tǒng)機(jī)器學(xué)習(xí)算法性能評(píng)價(jià)。

    選取SVR算法及BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行訓(xùn)練,各類樣本集中隨機(jī)選擇一個(gè)作為該類樣本集代表。對(duì)于每一樣本集,80%的樣本作為訓(xùn)練集,剩余20%作為測(cè)試集。對(duì)于SVR算法,主要超參數(shù)包括正則化參數(shù)C,不敏感參數(shù)ε及核函數(shù)中的參數(shù);對(duì)于BP神經(jīng)網(wǎng)絡(luò)算法,主要超參數(shù)包括隱藏層結(jié)構(gòu),激活函數(shù)以及學(xué)習(xí)率??紤]到計(jì)算時(shí)間成本,使用與待測(cè)試樣本集同維度的Scikit-Learn自帶標(biāo)準(zhǔn)數(shù)據(jù)集Boston Housing進(jìn)行預(yù)實(shí)驗(yàn),確定較優(yōu)學(xué)習(xí)效果下的各參數(shù)大致范圍,并選取對(duì)學(xué)習(xí)效果影響較大的超參數(shù)作為測(cè)試參數(shù)。最終選取SVR算法中高斯核函數(shù)的系數(shù)γ及BP神經(jīng)網(wǎng)絡(luò)中神經(jīng)元結(jié)構(gòu)的神經(jīng)元個(gè)數(shù)作為測(cè)試超參數(shù),其余超參數(shù)設(shè)置同樣依據(jù)預(yù)實(shí)驗(yàn)中學(xué)習(xí)效果較優(yōu)的模型參數(shù)。具體算法參數(shù)設(shè)置,如表3所示。

    表3 實(shí)驗(yàn)1算法超參數(shù)設(shè)置

    實(shí)驗(yàn)2:集成機(jī)器學(xué)習(xí)算法性能評(píng)價(jià)。

    選取實(shí)驗(yàn)1中綜合性能較好的1組SVR及BP設(shè)定參數(shù),作為集成學(xué)習(xí)算法的基學(xué)習(xí)器,將Bagging、AdaBoost算法作為比較算法,主要分析基學(xué)習(xí)器及集成規(guī)模對(duì)集成效果的影響。訓(xùn)練集及測(cè)試集劃分同實(shí)驗(yàn)1。由于集成學(xué)習(xí)算法對(duì)于基學(xué)習(xí)器正確率的最低要求為0.5,在集成過(guò)程中剔除正確率小于0.5的基學(xué)習(xí)器。算法參數(shù)設(shè)置如表4所示。

    表4 實(shí)驗(yàn)2算法超參數(shù)設(shè)置

    3.3 學(xué)習(xí)方法性能評(píng)價(jià)

    算法性能評(píng)價(jià)包含擬合效果、有效率以及時(shí)間成本3方面。其中,擬合效果采用均方誤差(mean squared error, MSE)及決定系數(shù)(Coefficient of determination,R2)進(jìn)行評(píng)價(jià)。在實(shí)驗(yàn)中,R2大于0.9視為優(yōu)秀的學(xué)習(xí)算法,將有效率定義為用R2大于0.9的概率,時(shí)間成本為算法運(yùn)行一次的時(shí)間。

    4 實(shí)驗(yàn)結(jié)果與分析

    4.1 實(shí)驗(yàn)1結(jié)果與分析

    所有算法訓(xùn)練100次取平均值作為最終結(jié)果進(jìn)行比較,SVR算法及BP算法對(duì)不同質(zhì)量樣本集的決定系數(shù)和均方誤差如圖4~圖9所示,運(yùn)算時(shí)間如表5~表6所示,有效性如表7~表8所示。

    圖4 Sample50決定系數(shù)Fig.4 The R2 of Sample50

    圖5 Sample50均方誤差Fig.5 The MSE of Sample50

    圖6 Sample200決定系數(shù)Fig.6 The R2 of Sample200

    圖8 Sample500決定系數(shù)Fig.8 The R2 of Sample500

    圖9 Sample500均方誤差Fig.9 The MSE of Sample500

    表5 SVR算法計(jì)算時(shí)間

    表6 BP算法計(jì)算時(shí)間

    表7 SVR算法有效率

    表8 BP算法有效率

    通過(guò)對(duì)實(shí)驗(yàn)1結(jié)果進(jìn)行分析,可得到如下結(jié)論:

    1)擬合效果方面,Sample50中所有覆蓋性樣本集擬合效果均較差,SVR算法及BP神經(jīng)網(wǎng)絡(luò)算法均未達(dá)到R2>0.9的優(yōu)秀標(biāo)準(zhǔn),但SVR算法擬合效果普遍優(yōu)于BP神經(jīng)網(wǎng)絡(luò)算法。Sample200中,擬合效果明顯提升,當(dāng)神經(jīng)元個(gè)數(shù)小于35時(shí),SVR算法表現(xiàn)優(yōu)異,對(duì)于低、高覆蓋性的樣本集,在γ取0.03時(shí)取得最優(yōu)效果并達(dá)到優(yōu)秀標(biāo)準(zhǔn),當(dāng)神經(jīng)元個(gè)數(shù)大于35時(shí),BP神經(jīng)網(wǎng)絡(luò)算法的擬合效果優(yōu)于SVR算法,但計(jì)算時(shí)間較長(zhǎng)。對(duì)于中覆蓋性樣本集,始終未達(dá)到優(yōu)秀標(biāo)準(zhǔn)。Sample500中,擬合效果極優(yōu),2種算法的r2均可達(dá)到0.9以上,BP神經(jīng)網(wǎng)絡(luò)算法甚至可達(dá)0.95;

    2)樣本量越大,計(jì)算成本越高,有效率越高,準(zhǔn)確性越強(qiáng),即訓(xùn)練樣本中包含的可行空間內(nèi)的信息越豐富,學(xué)習(xí)效果越好。同時(shí),隨著樣本量的增加,擬合效果對(duì)學(xué)習(xí)算法及參數(shù)設(shè)置的敏感性下降,即各算法及參數(shù)設(shè)置之間的學(xué)習(xí)差異減??;

    3)覆蓋性對(duì)學(xué)習(xí)效果有一定影響,當(dāng)樣本量相同時(shí),各樣本集覆蓋性雖然存在差異,但其學(xué)習(xí)效果的變化趨勢(shì)基本相同。樣本量不同時(shí),覆蓋性對(duì)學(xué)習(xí)效果的影響存異,在實(shí)驗(yàn)中,樣本量為50,200時(shí),其學(xué)習(xí)效果從優(yōu)至劣依次為高、低、中覆蓋性;當(dāng)樣本量為500時(shí),SVR算法的學(xué)習(xí)效果優(yōu)劣排序?yàn)楦?、中、低,而B(niǎo)P神經(jīng)網(wǎng)絡(luò)算法學(xué)習(xí)效果優(yōu)劣排序則為中、高、低。由此可見(jiàn),覆蓋性與學(xué)習(xí)器的學(xué)習(xí)效果并不始終成正相關(guān)關(guān)系,而是與樣本量及學(xué)習(xí)算法有關(guān)。印證了Zhou等[29]在“選擇性集成”概念中證明的通過(guò)選擇部分個(gè)體學(xué)習(xí)器來(lái)構(gòu)建集成可能要優(yōu)于使用所有個(gè)體學(xué)習(xí)器構(gòu)建的集成;

    4) 在實(shí)驗(yàn)中,SVR算法在不同參數(shù)設(shè)置下算法復(fù)雜度無(wú)明顯差別,BP神經(jīng)網(wǎng)絡(luò)算法的復(fù)雜度隨著隱藏層結(jié)構(gòu)的復(fù)雜化而逐漸增加,結(jié)果表明,當(dāng)隱藏層結(jié)構(gòu)達(dá)到一定復(fù)雜度時(shí),繼續(xù)增加神經(jīng)元個(gè)數(shù),反而會(huì)降低學(xué)習(xí)效果,且神經(jīng)元個(gè)數(shù)越多,時(shí)間成本越大,在選擇算法及參數(shù)設(shè)定時(shí),應(yīng)選用適當(dāng)復(fù)雜度算法,以防止出現(xiàn)過(guò)擬合現(xiàn)象;

    5)對(duì)于不同樣本量樣本集,計(jì)算時(shí)間雖隨著樣本量增加而逐漸增大,并無(wú)數(shù)量級(jí)上的差別,測(cè)試模型較為簡(jiǎn)單,隨著模型復(fù)雜度的增加,樣本量帶來(lái)的計(jì)算時(shí)間差異會(huì)逐漸增大。在建筑優(yōu)化過(guò)程中,時(shí)間成本的增加主要來(lái)自于生成樣本集時(shí)所需的模擬計(jì)算時(shí)間,故當(dāng)樣本量增大時(shí),整體時(shí)間成本會(huì)大大增加。

    4.2 實(shí)驗(yàn)2結(jié)果與分析

    在實(shí)驗(yàn)1中,Sample50中所有樣本集均未達(dá)到優(yōu)秀水平,Sample200中覆蓋性樣本集未達(dá)到優(yōu)秀水平,對(duì)以上樣本集進(jìn)行集成學(xué)習(xí)實(shí)驗(yàn),以獲得較好的擬合效果?;鶎W(xué)習(xí)器綜合考慮準(zhǔn)確性、有效率及計(jì)算時(shí)間3方面,以實(shí)驗(yàn)1結(jié)果為參考,選取表現(xiàn)較好且模型復(fù)雜度適中的算法及參數(shù)設(shè)置作為基學(xué)習(xí)器。因支持向量機(jī)是一種比較穩(wěn)定的學(xué)習(xí)算法,直接集成效果不佳,故基學(xué)習(xí)器均選取不同復(fù)雜度的神經(jīng)網(wǎng)絡(luò)算法。其中,Sample50因樣本量較少且R2呈遞增趨勢(shì),故選取4種隱藏層結(jié)構(gòu)依次進(jìn)行集成。具體學(xué)習(xí)器設(shè)置及集成學(xué)習(xí)參數(shù)如表9所示。

    表9 集成學(xué)習(xí)參數(shù)設(shè)置

    實(shí)驗(yàn)2算法R2如圖10~圖13所示,計(jì)算時(shí)間如表10~表11所示,算法有效性如表12~表13所示。通過(guò)對(duì)實(shí)驗(yàn)2結(jié)果進(jìn)行分析,可得到以下結(jié)論:

    1)在擬合效果方面,對(duì)于Sample50的三類樣本集,由于基學(xué)習(xí)器學(xué)習(xí)效果較差,經(jīng)集成之后,絕大多數(shù)集成學(xué)習(xí)器仍未達(dá)到優(yōu)秀標(biāo)準(zhǔn),僅在高覆蓋性樣本集中,以隱藏層結(jié)構(gòu)為(40, )的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)器作為基學(xué)習(xí)器時(shí),R2可達(dá)到0.9以上。但在各類覆蓋性中,均有集成學(xué)習(xí)器R2可達(dá)到0.85以上,達(dá)到回歸學(xué)習(xí)器可使用的基本要求。在Sample200_med樣本集中,當(dāng)AdaBoost算法的集成規(guī)模達(dá)到40時(shí),R2達(dá)到0.9;

    2)在基學(xué)習(xí)器方面,基學(xué)習(xí)器的擬合效果與最終集成后的擬合效果并不完全成正相關(guān)關(guān)系。因?yàn)榛鶎W(xué)習(xí)器的復(fù)雜度過(guò)高,導(dǎo)致其泛化能力較弱,在集成時(shí)生成的個(gè)體學(xué)習(xí)器差異度較小,從而影響其擬合效果;

    3)在集成規(guī)模方面,當(dāng)集成規(guī)模達(dá)到一定數(shù)值之后,繼續(xù)增大集成規(guī)模并不會(huì)明顯提升集成效果,甚至?xí)p弱擬合效果(如圖7中AdaBoost[(50, )]);

    4)在計(jì)算時(shí)間方面,隨著集成規(guī)模的擴(kuò)大,時(shí)間成本逐漸增高。計(jì)算時(shí)間受樣本量影響較大,當(dāng)樣本量增加時(shí),時(shí)間成本明顯提高。綜合考慮,在設(shè)定集成規(guī)模時(shí),應(yīng)適中為宜。

    圖10 Sample50_low集成學(xué)習(xí)決定系數(shù)Fig.10 The R2 of Sample50_low

    圖11 Sample50_med集成學(xué)習(xí)決定系數(shù)Fig.11 The R2 of Sample50_med

    圖12 Sample50_high集成算法決定系數(shù)Fig.12 The R2 of Sample50_high

    圖13 Sample200_med集成算法決定系數(shù)Fig.13 The R2 of Sample200_med

    表10 Sample50集成算法計(jì)算時(shí)間

    表11 Sample200集成算法計(jì)算時(shí)間

    表12 Sample50集成算法結(jié)果有效率

    表13 Sample200_med集成算法結(jié)果有效率

    綜合實(shí)驗(yàn)結(jié)果,樣本量為50時(shí)無(wú)法保證在大多數(shù)情況下達(dá)到較優(yōu)學(xué)習(xí)效果,但R2可以達(dá)到0.85以上,已達(dá)到可用標(biāo)準(zhǔn),若建筑師無(wú)充足時(shí)間且對(duì)預(yù)測(cè)精度要求較低時(shí),可使用樣本量為50的樣本集。樣本量為200時(shí),全部覆蓋度可以保證0.9以上的R2,耗時(shí)在可接受范圍內(nèi),為較理想的樣本量。樣本量為500時(shí),僅使用傳統(tǒng)機(jī)器學(xué)習(xí)算法就可以達(dá)到極好的學(xué)習(xí)效果,R2可達(dá)0.95以上,學(xué)習(xí)用時(shí)較短,但其生成樣本集時(shí)間成本巨大,若建筑師有充足的時(shí)間且對(duì)預(yù)測(cè)精度有極高要求,可采用該樣本集。針對(duì)不同質(zhì)量樣本集的學(xué)習(xí)方法及參數(shù)設(shè)置建議及其學(xué)習(xí)效果如表14所示。

    表14 不同質(zhì)量樣本集的學(xué)習(xí)方法選擇與參數(shù)設(shè)置建議

    5 結(jié) 論

    文中基于樣本量及樣本分布特征對(duì)樣本集質(zhì)量進(jìn)行評(píng)價(jià)與分類,針對(duì)不同質(zhì)量樣本集構(gòu)建了建筑能耗預(yù)測(cè)模型,分析樣本量與樣本分布特征對(duì)機(jī)器學(xué)習(xí)算法學(xué)習(xí)性能的影響,得到以下結(jié)論:

    1)樣本量及樣本覆蓋性對(duì)機(jī)器學(xué)習(xí)算法的學(xué)習(xí)性能有影響,其中,樣本量的影響程度大于樣本覆蓋性。對(duì)于某一種機(jī)器學(xué)習(xí)算法,在相同樣本量的情況下,不同覆蓋性樣本集的學(xué)習(xí)效果隨參數(shù)變化的趨勢(shì)相同。對(duì)于不同算法,在同樣本量情況下,樣本覆蓋性對(duì)學(xué)習(xí)效果的影響有所不同。因此,樣本覆蓋性與算法的學(xué)習(xí)效果并不始終成正相關(guān)關(guān)系,而是與樣本量及選擇的學(xué)習(xí)算法有關(guān)。

    2)當(dāng)樣本量越大時(shí),學(xué)習(xí)效果對(duì)學(xué)習(xí)算法及參數(shù)設(shè)置的敏感性越低,各算法及參數(shù)設(shè)置之間的學(xué)習(xí)效果差異減小。雖樣本量越大學(xué)習(xí)效果越佳,但時(shí)間成本亦隨之增加(其主要增加量來(lái)自于生成樣本所需的模擬計(jì)算時(shí)間),針對(duì)本案例,當(dāng)樣本量為200時(shí),無(wú)論覆蓋性如何,均足以取得較優(yōu)的學(xué)習(xí)效果。

    3)集成學(xué)習(xí)對(duì)擬合效果的提升較為明顯,當(dāng)其集成規(guī)模達(dá)到一定程度后,繼續(xù)擴(kuò)大集成規(guī)模,時(shí)間成本增量較大,但其擬合效果提升較小。

    在實(shí)際設(shè)計(jì)應(yīng)用中,需根據(jù)特定問(wèn)題選擇適宜的算法進(jìn)行求解。文中提出了針對(duì)各類質(zhì)量樣本集的適用算法及其參數(shù)設(shè)置,為建筑師實(shí)際使用提供了參考。在未來(lái)研究中,將繼續(xù)研究樣本集質(zhì)量及其余超參數(shù)與學(xué)習(xí)效果的關(guān)系,建立自適應(yīng)的機(jī)器學(xué)習(xí)算法集并將其集成至優(yōu)化算法中,進(jìn)一步提高建筑節(jié)能優(yōu)化效率。

    猜你喜歡
    參數(shù)設(shè)置樣本量學(xué)習(xí)效果
    “百詞斬”對(duì)于大學(xué)英語(yǔ)四級(jí)詞匯學(xué)習(xí)效果的實(shí)證研究
    民族文匯(2022年14期)2022-05-10 03:08:22
    醫(yī)學(xué)研究中樣本量的選擇
    基于學(xué)習(xí)性評(píng)價(jià)原則提高研究性學(xué)習(xí)效果的研究
    蓮心寶寶有話說(shuō)
    航空裝備測(cè)試性試驗(yàn)樣本量確定方法
    Sample Size Calculations for Comparing Groups with Binary Outcomes
    蟻群算法求解TSP中的參數(shù)設(shè)置
    動(dòng)車(chē)環(huán)境下U900異頻切換參數(shù)設(shè)置探討
    基于MATLAB仿真的井下變壓器參數(shù)設(shè)置研究
    自適應(yīng)樣本量調(diào)整中Fisher合并P值法和傳統(tǒng)檢驗(yàn)法的模擬比較
    18禁黄网站禁片午夜丰满| 国产真人三级小视频在线观看| 日本wwww免费看| 欧美日本中文国产一区发布| 在线十欧美十亚洲十日本专区| 欧美最黄视频在线播放免费 | 国产精品久久久av美女十八| 丁香六月欧美| 91麻豆av在线| 免费看十八禁软件| 视频区欧美日本亚洲| 亚洲av五月六月丁香网| 国产成人欧美在线观看| 亚洲av熟女| 1024香蕉在线观看| 日韩大尺度精品在线看网址 | 久99久视频精品免费| 大陆偷拍与自拍| 国产一区在线观看成人免费| 999精品在线视频| 欧美日韩瑟瑟在线播放| 日日夜夜操网爽| 国产人伦9x9x在线观看| 日本撒尿小便嘘嘘汇集6| 亚洲精华国产精华精| 久久久久久久午夜电影 | 亚洲欧美精品综合久久99| 99精品久久久久人妻精品| 亚洲欧美一区二区三区黑人| 五月开心婷婷网| a级片在线免费高清观看视频| 亚洲成人免费av在线播放| 久久香蕉精品热| 亚洲欧美一区二区三区久久| 久久 成人 亚洲| 免费在线观看黄色视频的| 国产成人精品在线电影| 午夜影院日韩av| 日本五十路高清| 国产一区二区三区视频了| 亚洲三区欧美一区| 久久青草综合色| 久久午夜综合久久蜜桃| 伦理电影免费视频| 亚洲成a人片在线一区二区| 欧美人与性动交α欧美精品济南到| 日韩高清综合在线| av网站免费在线观看视频| 在线看a的网站| 黄色女人牲交| 国产深夜福利视频在线观看| 在线观看66精品国产| 国产成人免费无遮挡视频| 亚洲精品国产精品久久久不卡| 女性生殖器流出的白浆| 国产成人欧美在线观看| 亚洲欧美日韩无卡精品| 99久久国产精品久久久| ponron亚洲| av福利片在线| 1024香蕉在线观看| 免费观看精品视频网站| 欧美av亚洲av综合av国产av| 国产精品一区二区在线不卡| 国产午夜精品久久久久久| 亚洲午夜精品一区,二区,三区| 日韩av在线大香蕉| 国产男靠女视频免费网站| 最近最新中文字幕大全电影3 | 久久人人爽av亚洲精品天堂| 国产一区二区三区综合在线观看| 黄色毛片三级朝国网站| 亚洲av日韩精品久久久久久密| 免费日韩欧美在线观看| 欧美成狂野欧美在线观看| 精品国产超薄肉色丝袜足j| 久9热在线精品视频| 欧美激情久久久久久爽电影 | 中文字幕最新亚洲高清| 免费看十八禁软件| 纯流量卡能插随身wifi吗| 熟女少妇亚洲综合色aaa.| avwww免费| 亚洲国产中文字幕在线视频| 日韩视频一区二区在线观看| 亚洲三区欧美一区| 欧洲精品卡2卡3卡4卡5卡区| 亚洲七黄色美女视频| 亚洲国产精品999在线| 国产熟女xx| 日本vs欧美在线观看视频| 免费高清视频大片| 久久国产精品影院| 校园春色视频在线观看| 亚洲av日韩精品久久久久久密| 色在线成人网| 国产熟女xx| 操美女的视频在线观看| 国产一区二区三区在线臀色熟女 | 老汉色av国产亚洲站长工具| 欧美亚洲日本最大视频资源| 日韩大尺度精品在线看网址 | 免费高清在线观看日韩| 国产精品综合久久久久久久免费 | 亚洲第一青青草原| 夜夜看夜夜爽夜夜摸 | 香蕉久久夜色| 成人亚洲精品av一区二区 | 9191精品国产免费久久| 午夜老司机福利片| 天堂中文最新版在线下载| 老司机靠b影院| 91大片在线观看| 黄片大片在线免费观看| 日韩欧美三级三区| 天堂俺去俺来也www色官网| 我的亚洲天堂| 亚洲国产欧美一区二区综合| 免费av毛片视频| 亚洲中文字幕日韩| 久久精品国产综合久久久| 美女 人体艺术 gogo| 国产精品日韩av在线免费观看 | 国产高清国产精品国产三级| 91av网站免费观看| 在线永久观看黄色视频| 亚洲av五月六月丁香网| 99久久综合精品五月天人人| a级毛片在线看网站| 无遮挡黄片免费观看| 成人精品一区二区免费| av片东京热男人的天堂| 欧美激情 高清一区二区三区| 777久久人妻少妇嫩草av网站| 中出人妻视频一区二区| 一二三四社区在线视频社区8| 99国产精品一区二区三区| 久久精品国产99精品国产亚洲性色 | 在线十欧美十亚洲十日本专区| 午夜老司机福利片| 欧美黑人欧美精品刺激| 国产精品亚洲一级av第二区| av片东京热男人的天堂| 国产一区二区三区综合在线观看| 亚洲熟女毛片儿| 久久人人爽av亚洲精品天堂| 啪啪无遮挡十八禁网站| e午夜精品久久久久久久| 午夜免费激情av| 国产精品成人在线| 午夜老司机福利片| 桃色一区二区三区在线观看| 欧美另类亚洲清纯唯美| 国产精品 欧美亚洲| 最近最新中文字幕大全电影3 | 国产一卡二卡三卡精品| 一个人免费在线观看的高清视频| 18禁美女被吸乳视频| 亚洲五月婷婷丁香| 一级片'在线观看视频| 免费观看精品视频网站| 热99国产精品久久久久久7| 久久人人97超碰香蕉20202| 亚洲av日韩精品久久久久久密| 操美女的视频在线观看| 在线观看66精品国产| 1024香蕉在线观看| 老司机午夜十八禁免费视频| 黄色成人免费大全| 国产一卡二卡三卡精品| 在线观看日韩欧美| 又黄又粗又硬又大视频| 久久精品国产清高在天天线| 亚洲免费av在线视频| 757午夜福利合集在线观看| 国产av一区二区精品久久| 亚洲人成电影观看| 99久久99久久久精品蜜桃| 韩国精品一区二区三区| 俄罗斯特黄特色一大片| 最新美女视频免费是黄的| 999精品在线视频| 一个人免费在线观看的高清视频| 多毛熟女@视频| 国产无遮挡羞羞视频在线观看| 免费高清在线观看日韩| 国产精品 欧美亚洲| 悠悠久久av| 国产97色在线日韩免费| 午夜福利影视在线免费观看| 长腿黑丝高跟| 女人被狂操c到高潮| 国产精品亚洲一级av第二区| 国产av精品麻豆| 免费av中文字幕在线| 日韩免费av在线播放| 国产成人精品久久二区二区91| 国产日韩一区二区三区精品不卡| 国产欧美日韩一区二区三区在线| 久久中文字幕一级| 中文字幕最新亚洲高清| 婷婷精品国产亚洲av在线| 亚洲国产欧美一区二区综合| 91精品国产国语对白视频| 国产av在哪里看| 母亲3免费完整高清在线观看| 高潮久久久久久久久久久不卡| 免费看a级黄色片| 麻豆av在线久日| 精品卡一卡二卡四卡免费| 日本 av在线| 亚洲精华国产精华精| 国产激情欧美一区二区| 亚洲国产看品久久| aaaaa片日本免费| 日韩中文字幕欧美一区二区| 午夜亚洲福利在线播放| 亚洲在线自拍视频| 精品国产一区二区三区四区第35| 人人妻人人澡人人看| 免费在线观看视频国产中文字幕亚洲| 深夜精品福利| 成人三级做爰电影| 欧美日韩黄片免| 欧美日韩乱码在线| 久久青草综合色| 国产野战对白在线观看| 超色免费av| 欧美乱码精品一区二区三区| 亚洲熟妇中文字幕五十中出 | 国产精品免费一区二区三区在线| 欧美人与性动交α欧美精品济南到| 精品第一国产精品| 搡老岳熟女国产| 欧美成人性av电影在线观看| 亚洲欧洲精品一区二区精品久久久| 日本五十路高清| 日韩高清综合在线| 国产熟女xx| 欧美黑人欧美精品刺激| 成熟少妇高潮喷水视频| 999久久久国产精品视频| 色精品久久人妻99蜜桃| 又黄又粗又硬又大视频| av有码第一页| 久久热在线av| av在线播放免费不卡| 99热国产这里只有精品6| 又紧又爽又黄一区二区| 少妇裸体淫交视频免费看高清 | 午夜免费观看网址| 精品久久久久久成人av| 男人舔女人的私密视频| 国产精华一区二区三区| 欧美日韩av久久| 久久久久久大精品| 夜夜躁狠狠躁天天躁| 美女午夜性视频免费| 无人区码免费观看不卡| 国产一区二区三区视频了| 夜夜爽天天搞| 岛国在线观看网站| 国内毛片毛片毛片毛片毛片| 在线观看免费高清a一片| 亚洲激情在线av| 97超级碰碰碰精品色视频在线观看| 不卡一级毛片| 国产成人影院久久av| 老司机深夜福利视频在线观看| 欧美激情极品国产一区二区三区| 亚洲欧洲精品一区二区精品久久久| 欧美av亚洲av综合av国产av| 精品久久久久久电影网| 色哟哟哟哟哟哟| 精品福利永久在线观看| 在线十欧美十亚洲十日本专区| 久久久久久久午夜电影 | 国产精品日韩av在线免费观看 | 久久精品91蜜桃| 久久亚洲真实| 国产精品乱码一区二三区的特点 | 女人精品久久久久毛片| 久久欧美精品欧美久久欧美| 波多野结衣一区麻豆| 侵犯人妻中文字幕一二三四区| 女生性感内裤真人,穿戴方法视频| 成人国语在线视频| 国产精品电影一区二区三区| 国产区一区二久久| 久久精品国产综合久久久| 国产三级在线视频| 日日干狠狠操夜夜爽| 国产亚洲欧美精品永久| 手机成人av网站| 黄片小视频在线播放| 一级作爱视频免费观看| 亚洲av成人一区二区三| 男女下面进入的视频免费午夜 | 正在播放国产对白刺激| 国产一区二区三区视频了| 黑丝袜美女国产一区| 日本三级黄在线观看| 热re99久久精品国产66热6| 精品久久久久久久毛片微露脸| 婷婷丁香在线五月| 亚洲精品在线美女| 久久久久久大精品| 午夜久久久在线观看| 老汉色∧v一级毛片| 亚洲性夜色夜夜综合| 一级片'在线观看视频| 女人高潮潮喷娇喘18禁视频| 国产精品秋霞免费鲁丝片| 妹子高潮喷水视频| 波多野结衣一区麻豆| 亚洲熟女毛片儿| 久久精品91无色码中文字幕| 免费日韩欧美在线观看| 18禁美女被吸乳视频| 美国免费a级毛片| 国产免费现黄频在线看| 色播在线永久视频| 90打野战视频偷拍视频| 9191精品国产免费久久| 成人免费观看视频高清| 国产精品野战在线观看 | 91在线观看av| 久久久精品欧美日韩精品| 麻豆一二三区av精品| 91精品三级在线观看| 丰满迷人的少妇在线观看| 国产精品国产av在线观看| 人妻久久中文字幕网| 成人三级黄色视频| 狂野欧美激情性xxxx| 日本五十路高清| 精品国产一区二区久久| 日本五十路高清| x7x7x7水蜜桃| 天天躁夜夜躁狠狠躁躁| 波多野结衣一区麻豆| 妹子高潮喷水视频| 国产精品成人在线| 身体一侧抽搐| 久9热在线精品视频| 欧美亚洲日本最大视频资源| 日韩有码中文字幕| 亚洲 国产 在线| 久久久国产成人免费| 久久久久久免费高清国产稀缺| 一区二区三区精品91| 久热爱精品视频在线9| 一级片免费观看大全| 欧美日韩瑟瑟在线播放| 高清黄色对白视频在线免费看| 国产精品乱码一区二三区的特点 | 亚洲精品国产一区二区精华液| 巨乳人妻的诱惑在线观看| 在线av久久热| 亚洲第一av免费看| 一级片'在线观看视频| 国产一区在线观看成人免费| 成人亚洲精品av一区二区 | 精品国产乱子伦一区二区三区| 国产91精品成人一区二区三区| 成人影院久久| 久久精品国产清高在天天线| 黄色a级毛片大全视频| 精品乱码久久久久久99久播| 久久青草综合色| 日韩三级视频一区二区三区| 在线观看免费高清a一片| 色综合站精品国产| 91在线观看av| 亚洲欧美一区二区三区黑人| 亚洲一区中文字幕在线| 国产精品 国内视频| 成年版毛片免费区| 18禁裸乳无遮挡免费网站照片 | 高潮久久久久久久久久久不卡| 91精品三级在线观看| 免费在线观看日本一区| 女性生殖器流出的白浆| 女人爽到高潮嗷嗷叫在线视频| 日韩视频一区二区在线观看| 日韩免费高清中文字幕av| 免费女性裸体啪啪无遮挡网站| 女人爽到高潮嗷嗷叫在线视频| 91av网站免费观看| 91精品国产国语对白视频| 久久中文看片网| 美女 人体艺术 gogo| 日本vs欧美在线观看视频| 欧美 亚洲 国产 日韩一| 18禁国产床啪视频网站| 欧美丝袜亚洲另类 | 一级,二级,三级黄色视频| 久久精品亚洲熟妇少妇任你| 日韩视频一区二区在线观看| 久久 成人 亚洲| 国产午夜精品久久久久久| 久久青草综合色| 欧美黑人欧美精品刺激| 久久影院123| 午夜a级毛片| 99香蕉大伊视频| 一二三四在线观看免费中文在| 淫秽高清视频在线观看| 久久影院123| 国产xxxxx性猛交| 精品无人区乱码1区二区| 亚洲中文字幕日韩| 交换朋友夫妻互换小说| 女人爽到高潮嗷嗷叫在线视频| 国产黄a三级三级三级人| 欧美大码av| 男人舔女人下体高潮全视频| 亚洲欧美激情综合另类| 国产99白浆流出| 男女下面插进去视频免费观看| 91精品国产国语对白视频| 人人妻人人爽人人添夜夜欢视频| 亚洲国产中文字幕在线视频| 久久久国产欧美日韩av| 女警被强在线播放| 欧美日韩黄片免| 久久精品91无色码中文字幕| 精品久久久精品久久久| 国产成人精品无人区| 国产精品1区2区在线观看.| 又大又爽又粗| 18禁观看日本| 欧美黄色淫秽网站| 国产在线观看jvid| 丰满人妻熟妇乱又伦精品不卡| 岛国视频午夜一区免费看| 看免费av毛片| 中文字幕另类日韩欧美亚洲嫩草| 亚洲欧美精品综合一区二区三区| 久久久国产成人免费| 99久久人妻综合| 精品久久蜜臀av无| 丰满的人妻完整版| 免费观看精品视频网站| 香蕉丝袜av| 中文字幕精品免费在线观看视频| 久久精品人人爽人人爽视色| 亚洲男人的天堂狠狠| 伦理电影免费视频| 女人被躁到高潮嗷嗷叫费观| 18禁国产床啪视频网站| √禁漫天堂资源中文www| 亚洲欧美激情在线| 在线看a的网站| 国产伦一二天堂av在线观看| 91精品三级在线观看| 久久人妻av系列| 精品国产美女av久久久久小说| 12—13女人毛片做爰片一| 亚洲专区字幕在线| 国产一区二区三区在线臀色熟女 | 夜夜看夜夜爽夜夜摸 | 91国产中文字幕| 国产精品一区二区精品视频观看| 一夜夜www| 亚洲午夜理论影院| 琪琪午夜伦伦电影理论片6080| 国产日韩一区二区三区精品不卡| 少妇被粗大的猛进出69影院| 婷婷丁香在线五月| 亚洲国产毛片av蜜桃av| 精品久久久久久电影网| 大型黄色视频在线免费观看| 久久久国产成人免费| 国产一区二区三区视频了| 黄片大片在线免费观看| 国产精品98久久久久久宅男小说| 亚洲黑人精品在线| 亚洲一区中文字幕在线| а√天堂www在线а√下载| 好看av亚洲va欧美ⅴa在| 亚洲av电影在线进入| 国产成人免费无遮挡视频| 国产免费现黄频在线看| 精品福利观看| 国产极品粉嫩免费观看在线| av在线播放免费不卡| 黄色a级毛片大全视频| 俄罗斯特黄特色一大片| 国产精品亚洲一级av第二区| 久久这里只有精品19| 国产xxxxx性猛交| 国产在线精品亚洲第一网站| 欧美日韩亚洲综合一区二区三区_| 亚洲色图av天堂| 成年人黄色毛片网站| 亚洲精品在线观看二区| 伦理电影免费视频| 亚洲av电影在线进入| 97人妻天天添夜夜摸| 中文字幕人妻熟女乱码| av在线播放免费不卡| 看免费av毛片| 国产成人精品久久二区二区91| 999久久久精品免费观看国产| 亚洲成a人片在线一区二区| 另类亚洲欧美激情| 亚洲av成人一区二区三| 在线观看午夜福利视频| 伊人久久大香线蕉亚洲五| 精品久久久久久成人av| 久久香蕉国产精品| 国产乱人伦免费视频| 在线观看免费午夜福利视频| 国产精品香港三级国产av潘金莲| 人妻丰满熟妇av一区二区三区| 免费女性裸体啪啪无遮挡网站| 亚洲 欧美 日韩 在线 免费| 国产精品亚洲av一区麻豆| 午夜福利,免费看| 国产成+人综合+亚洲专区| 视频在线观看一区二区三区| 婷婷精品国产亚洲av在线| 级片在线观看| 叶爱在线成人免费视频播放| 日本黄色视频三级网站网址| 女人被狂操c到高潮| 国产成年人精品一区二区 | 亚洲一区二区三区欧美精品| 欧美一区二区精品小视频在线| 欧美一级毛片孕妇| 美女高潮喷水抽搐中文字幕| 国产亚洲精品一区二区www| 大香蕉久久成人网| 国产精品久久久av美女十八| www.熟女人妻精品国产| 国产精品自产拍在线观看55亚洲| 变态另类成人亚洲欧美熟女 | netflix在线观看网站| 一个人观看的视频www高清免费观看 | 日日摸夜夜添夜夜添小说| 欧美成人性av电影在线观看| 纯流量卡能插随身wifi吗| www.精华液| 久久精品人人爽人人爽视色| 在线观看免费视频日本深夜| 日本vs欧美在线观看视频| 1024香蕉在线观看| 又黄又粗又硬又大视频| 麻豆国产av国片精品| 在线观看一区二区三区| 丁香六月欧美| 1024视频免费在线观看| 亚洲精品在线观看二区| 9色porny在线观看| 国产亚洲精品久久久久5区| 欧美亚洲日本最大视频资源| 美女扒开内裤让男人捅视频| 淫秽高清视频在线观看| 亚洲成人免费电影在线观看| 老司机午夜福利在线观看视频| 在线天堂中文资源库| 777久久人妻少妇嫩草av网站| 亚洲人成伊人成综合网2020| 欧美黄色片欧美黄色片| 亚洲国产精品合色在线| 午夜老司机福利片| 在线免费观看的www视频| 无限看片的www在线观看| 久久久久国内视频| 波多野结衣av一区二区av| 国产成人av激情在线播放| 久久久久久久精品吃奶| 99久久人妻综合| 欧美久久黑人一区二区| 18禁美女被吸乳视频| 三上悠亚av全集在线观看| 久久久久精品国产欧美久久久| 久久人妻福利社区极品人妻图片| 黄色 视频免费看| 熟女少妇亚洲综合色aaa.| 国产精品爽爽va在线观看网站 | 国产精品电影一区二区三区| 色精品久久人妻99蜜桃| 国产野战对白在线观看| 久久青草综合色| 国产精品久久视频播放| 最好的美女福利视频网| 免费在线观看日本一区| 麻豆av在线久日| 美女大奶头视频| 窝窝影院91人妻| 午夜福利在线观看吧| 亚洲国产毛片av蜜桃av| 麻豆一二三区av精品| 大香蕉久久成人网| 午夜a级毛片| 亚洲av成人一区二区三| 亚洲色图 男人天堂 中文字幕| 精品一品国产午夜福利视频| 精品卡一卡二卡四卡免费| tocl精华| 日韩欧美一区二区三区在线观看| 欧美人与性动交α欧美软件| bbb黄色大片| 88av欧美| 国产精品1区2区在线观看.| 女人被狂操c到高潮| 女性生殖器流出的白浆| 丰满饥渴人妻一区二区三| 精品午夜福利视频在线观看一区| 琪琪午夜伦伦电影理论片6080| 天堂俺去俺来也www色官网| 美女扒开内裤让男人捅视频| 国产av精品麻豆|