• <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 ?

    近似馬爾科夫毯混合式特征選擇

    2022-06-25 01:59:42殷柯欣謝愛鋒翟峻仁
    長春工業(yè)大學學報 2022年1期
    關(guān)鍵詞:馬爾科夫特征選擇花費

    殷柯欣, 謝愛鋒, 翟峻仁

    (長春工業(yè)大學 計算機科學與工程學院,吉林 長春 130012)

    0 引 言

    特征選擇[1-2]作為一種數(shù)據(jù)預處理技術(shù)被廣泛應(yīng)用于機器學習、模式識別和數(shù)據(jù)挖掘等領(lǐng)域。特征選擇過程可以分為子集生成、子集評估、停止準則和驗證四部分。子集生成是一個搜索過程,根據(jù)搜索策略生成特征子集,然后利用評價準則對特征子集進行評估。當特征子集的條件滿足停止準則時,輸出當前的特征子集,并對其進行驗證。

    在生成特征子集的過程中,根據(jù)特征子集的搜索方式可將搜索策略[3-4]分為全局搜索、序列搜索和隨機搜索。全局搜索,又名指數(shù)搜索,需要評估的特征子集數(shù)量隨著特征個數(shù)呈指數(shù)增加。這種方法雖然能夠獲得全局最優(yōu)解,但由于計算量大、花費時間長,在高維數(shù)據(jù)集中是不適用的。全局搜索算法有窮舉搜索法、分支定界法。隨機搜索策略隨機地選取特征,避免了算法陷入局部最優(yōu),能夠獲得近似最優(yōu)解。常見的隨機搜索算法有遺傳算法(GA)、模擬退火算法(SA)等。與全局搜索和隨機搜索相比,序列搜索的時間復雜度最低。序列選擇策略從空集(全集)開始,然后添加特征(移除特征),直到獲得使準則函數(shù)最大化的特征子集。依據(jù)序列搜索策略已經(jīng)開發(fā)了多個高性能的搜索算法。首先是序列前向選擇算法(Sequential Forward Selection,SFS)和序列后向選擇算法(Sequential Backward Selection,SBS)[5]。

    SFS算法從空集開始,每次選擇一個使準則函數(shù)最大的特征加入到已選特征子集中。而SBS算法與之相反,它從全集開始,每次刪除一個對準則函數(shù)貢獻最小的特征。SFS算法計算量小,但沒有充分考慮到特征之間的聯(lián)系[6],即最優(yōu)的單個特征組成的集合不一定是最優(yōu)的特征子集。相對而言,SBS算法雖然計算量大,但其充分考慮了特征之間的聯(lián)系,算法性能優(yōu)于SFS算法。但是,SBS算法和SFS算法本身都存在“嵌套效應(yīng)(nesting effect)[7]”?!扒短仔?yīng)”意味著SFS算法選中的特征以后不能丟棄,SBS算法丟棄的特征以后不能再選擇。這導致SFS和SBS只能獲得局部最優(yōu)解。

    廣義序列前向選擇算法(Generalized Sequential Forward Selection,GSFS)和廣義序列后向選擇算法(Generalized Sequential Backward Selection,GSBS)分別是SFS和SBS的加速算法。GSFS算法從空集開始,根據(jù)準則函數(shù)每次向已選特征集合中加入一定數(shù)量的特征。GSFS算法改進了SFS在特征關(guān)系上的不足,但增大了計算開銷。與GSFS算法類似,GSBS算法根據(jù)準則函數(shù),每一次刪除一定個數(shù)的特征。GSBS算法速度相對較快,但是過快地進行特征刪除,會導致重要特征的丟失,以至于無法找到最佳特征子集。無論是GSFS還是GSBS依舊存在“嵌套效應(yīng)”。為了解決上述算法中存在的“嵌套效應(yīng)”,提出了Plus-L-Minus-r(l-r)[8]的方法,即在每次循環(huán)中添加L個特征,刪除r個特征,直到獲得期望的特征子集。這種方法的主要缺點是沒有理論上的方法來預測L和r的值,以獲得最佳的特征集。與上述改進相比,最值得一提的改進算法就是序列浮動搜索[9]:序列前向浮動搜索算法(Sequential Forward Floating Selection,SFFS)和序列后向浮動搜索算法(Sequential Backward Floating Selection,SBFS)。

    SFFS(SBFS)算法靈活地改進了Plus-L-Minus-r方法,使L和r的大小動態(tài)化不是固定值。在SFFS(SBFS)算法的每一輪循環(huán)中刪除(添加)的特征個數(shù)是不同的,這是一種非常適用的改良。由于SFFS(SBFS)算法在一輪循環(huán)中只添加(刪除)一個特征,這意味著SFFS(SBFS)算法所選取的特征子集中可能會包含兩個高度相關(guān)的特征。并且在搜索過程中,SBFS算法和SFFS算法偶爾會偏好較差的特征子集,特別是SFFS算法。為了解決序列浮動搜索存在的問題,一種自適應(yīng)的浮動搜索算法[10]被提出:自適應(yīng)序列前向浮動選擇(Adaptive Sequential Forward Floating Search,ASFFS)和自適應(yīng)序列后向浮動選擇(Adaptive Sequential Backward Floating Search,ASBFS)。由于這兩種新的自適應(yīng)浮動搜索方法比經(jīng)典的浮動搜索更徹底地搜索,它們有可能找到更接近最優(yōu)解的解,當然是以更長的計算時間為代價。

    改進的正向浮動選擇(Improved Forward Floating Selection,IFFS)[11]是對SFFS算法精度的一種改進,它在SFFS算法的回溯步驟之后增加額外的步驟,用新的更好的特征代替弱特征來形成當前子集。與SFFS相比,IFFS算法依舊增加了計算時間。

    綜上,上述所有SBS、SFS的改進算法在尋求算法最優(yōu)解時,增加了時間耗費,以時間為代價換取高性能的特征子集。并且上述算法采用不同的特征選擇方式(包裝式或過濾式),其時間復雜度、特征子集的性能是不同的。過濾式(filter)選擇算法效率高、普適性強,但特征子集性能相對較差,因為特征子集之間存在冗余且所選特征子集不一定是最優(yōu)特征子集。與過濾式選擇算法相比,包裝式(wrapper)特征選擇算法選擇出的特征子集性能較好,但時間復雜度高,不適合高維數(shù)據(jù)集。

    針對以上存在的問題,文中提出基于近似馬爾科夫毯[12-13]混合式[14]特征選擇算法Hybrid Sequential Backward Selection Algorithm(HSBS算法)。該算法將包裝式和過濾式有機結(jié)合,在保證時效的前提下,提高了特征子集的性能。所提算法HSBS框架如圖1所示。

    圖1 混合式特征選擇框架

    其中,HSBS包括兩個階段:

    1)利用近似馬爾科夫毯算法對原始特征集合進行去冗余,輸出精簡特征子集;

    2)使用SBS算法對精簡特征子集進行選擇,選出最佳特征子集。

    實驗結(jié)果表明,與SBS算法相比,HSBS算法所選的特征子集數(shù)平均減少9.0個,平均時間耗費降低約70%,成功克服了SBS算法在高維數(shù)據(jù)集上耗費時間大的問題。同時,混合式選擇適用于高維數(shù)據(jù)集,克服了包裝式方法在高維數(shù)據(jù)集不適用的缺陷。

    1 背景知識

    1.1 SBS算法

    SBS算法是一種自上而下的搜索方法,從原始特征集開始搜索,每次從特征子集中刪掉一個使評價函數(shù)達到最優(yōu)的特征。SBS算法可以描述為:設(shè)原始特征集合為S,假設(shè)有一個含有n個特征的特征子集Xn,Xn是S的子集,對于Xn的每一個特征fi,計算其準則函數(shù)

    Fi=J(Xn-fi),

    選擇使Fi最大的那個特征,并把它從Xn中刪除。SBS算法將分類正確率作為評價準則。

    1.2 互信息

    互信息(Mutual Information)[15]是信息論里一種很實用的信息度量,是一個隨機變量中包含的關(guān)于另一個隨機變量的信息量。兩個隨機變量X和Y的互信息可以定義為

    (1)

    式中:p(x),p(y)——分別為隨機變量X和Y的邊緣概率密度;

    p(x,y)——聯(lián)合概率密度。

    1.3 相關(guān)性、冗余性與近似馬爾科夫毯

    1.3.1 相關(guān)性

    特征的相關(guān)性[16-18]指的是特征與類標簽之間的關(guān)系,特征與類標簽的關(guān)系越緊密,特征的相關(guān)性越大。根據(jù)特征與類標簽的相關(guān)度,特征被分為無關(guān)特征、弱相關(guān)特征和強相關(guān)特征。假設(shè)有一個特征集合S,Xi是S中的一個特征,

    Si=S-{Xi},

    式中:C——類標簽;

    I(·)——互信息。

    如果特征Xi是強相關(guān)特征,需要滿足

    I(C|Xi,Si)≠I(C|Si),

    表明特征Xi的重要性,特征Xi有無直接影響類標簽C發(fā)生的概率。

    如果特征Xi是弱相關(guān)特征,需要滿足

    I(C|Xi,Si)=I(C|Si),

    ?Sj?Si,

    I(C|Xi,Sj)≠I(C|Sj),

    表示特征Xi可以被其他特征所取代,取代后就變成無關(guān)特征。

    如果特征Xi是無關(guān)特征,需要滿足

    ?Sj?Si,

    I(C|Xi,Sj)=I(C|Sj),

    表示特征Xi對于類標簽C毫無貢獻。

    1.3.2 冗余性與馬爾科夫毯

    馬爾科夫毯[19]定義:特征Xj屬于特征集合S,S0是S的一個子集,Xj不屬于S0。如果S0滿足

    P(S-S0-Xj,C|Xj,S0)=

    P(S-S0-Xj,C|S0),

    則稱S0是Xj的馬爾科夫毯。

    冗余性[20]是指一個特征與其他一個或多個特征對分類任務(wù)起到相似的作用。如果特征Xj為弱相關(guān)特征且在特征集合S中存在一個馬爾科夫毯S0,表明特征Xj是冗余特征。

    1.3.3 近似馬爾科夫毯

    馬爾科夫毯方法可以直接刪除無關(guān)特征和冗余特征,由于馬爾科夫毯方法是對所有的特征子集進行遍歷搜索,導致馬爾科夫毯在高維數(shù)據(jù)集上的時間復雜度為O(2n),計算復雜度偏高。為了降低計算復雜度且保留馬爾科夫毯的優(yōu)點,文中引入馬爾科夫毯的簡化版,近似馬爾科夫毯。

    近似馬爾科夫毯算法同樣可以刪除特征集合中冗余與不相關(guān)的特征,并且時間復雜度為O(n2),計算復雜度較低[12]。

    近似馬爾科夫毯定義:對于來自于同一個特征集合的特征Xi和Xj(i≠j),如果滿足

    I(Xi;C)>I(Xj;C),

    I(Xj;C)

    則說明特征Xi是特征Xj的馬爾科夫毯,Xj為冗余特征,直接刪除。

    2 HSBS算法描述

    2.1 HSBS特征選擇方法

    HSBS算法采用混合式特征選擇模型,算法流程如圖2所示。

    圖 2 HSBS算法流程

    第一層采用filter選擇方法,使用基于互信息的近似馬爾科夫毯對特征集合進行精簡。首先遍歷特征集合S中的每一個特征fi,并計算特征fi與類標簽C的互信息值I(fi;C)。按照互信息值I(fi;C)的大小對特征集合S進行排序,生成新的特征集合S′。根據(jù)近似馬爾科夫毯的判斷條件,即

    I(Xi;C)>I(Xj;C),

    I(Xj;C)

    刪除特征集合S′中冗余和不相關(guān)的特征,輸出精簡特征子集。

    第二層wrapper選擇方法采用SBS算法,從精簡子集中選擇出最優(yōu)特征子集。輸入精簡特征子集X,利用SBS算法的準則函數(shù)逐個將分類效果差的特征從精簡子集X中剔除,從而獲得最佳特征子集S0。這一層在保證分類精度的同時進一步降低了特征個數(shù)。

    2.2 HSBS算法偽代碼

    文中提出的HSBS算法具體步驟如下:

    輸入:原始特征集合S={f1,f2,…,fn},C為目標類,n為特征個數(shù),d為選定的特征個數(shù);

    輸出:最優(yōu)特征子集S0

    步驟:

    1)X=?,F=?,S={f1,f2,…,fn}

    2)計算S中每一個特征fi的I(fi;C),并根據(jù)I(fi;C)值,從大到小對S進行排序,得到S′

    3)for fiin S′

    4)for fjin {S′-fi}

    5)if I(fi;C)>I(fj;C)and I(fj;C)

    6)S′=S′-{fj}

    7)end if

    8)end for

    9)end for

    10)X=S′

    11)while len(X)!=d # len(X)表示X的長度

    12)for in len(X)

    13)x=arg maxJ(X-xi),xi∈X

    14)end for

    15)X=X-{x}

    16)end while

    17)S0=X

    18)return S0

    3 實驗結(jié)果與分析

    3.1 HSBS算法實驗

    文中實驗環(huán)境為Inter(R)-Core(TM)i7-1050H,8 G內(nèi)存,Window10-64 bit操作系統(tǒng),仿真軟件是python3.7 和Jupyter Notebook。

    實驗選擇了UCI通用數(shù)據(jù)集,涉及醫(yī)學、工程科學等領(lǐng)域,4個數(shù)據(jù)集包含不同的樣本數(shù)、特征數(shù)和類別數(shù)。

    數(shù)據(jù)集的具體參數(shù)描述見表1。

    表1 數(shù)據(jù)集的描述

    實驗采用KNN分類器和Native Bayes分類器[21]來構(gòu)造預測模型。

    3.2 實驗結(jié)果分析

    在實驗過程中,采用10折交叉驗證方法,10折交叉驗證就是每一次將數(shù)據(jù)集均分成10份,其中9份作為訓練集,1份作為測試集。然后對數(shù)據(jù)集進行10次實驗,用10次測試結(jié)果的平均值作為最終的準確率。與SBS算法和SBFS算法進行對比,驗證文中算法在保證高分類準確率的前提下,是否降低了計算時間和減少了特征子集中特征的個數(shù)。

    通過兩種分類器分別在4個數(shù)據(jù)集上的實驗數(shù)據(jù)來比較不同算法的優(yōu)劣。

    經(jīng)過近似馬爾科夫毯去冗余后的精簡子集特征個數(shù)見表2。

    表2 原始數(shù)據(jù)集與精簡子集特征個數(shù)比較

    由表2可以看出,經(jīng)過近似馬爾科夫毯去冗余后,所選特征子集的個數(shù)明顯減少。

    3種算法在KNN、Native Bayes兩種分類器中時間花費、最佳特征子集個數(shù)和分類準確率分別見表3和表4。

    表3 3種算法在KNN分類器上的時間花費(s)/特征選擇數(shù)/分類準確率的比較

    表4 3種算法在Native Bayes分類器上的時間花費(s)/特征選擇數(shù)/分類準確率的比較

    由表3可以看出,HSBS算法在相同數(shù)據(jù)集上所花費的時間均小于SBS算法。與 SBS 算法相比,HSBS算法平均時間花費降低約93%;HSBS算法所選出的平均特征子集數(shù)比SBS算法少 14個;HSBS算法在4個數(shù)據(jù)集上的分類準確率均略低于SBS算法,并且HSBS算法的平均分類準確率能達到90%。

    由表4可以看出,在4個實驗數(shù)據(jù)集中,HSBS算法花費的時間均低于SBS算法。同時,與SBS算法相比,HSBS算法的平均時間花費降低約77%;在4個數(shù)據(jù)集上,HSBS算法所選特征數(shù)均低于SBS算法,HSBS算法的平均特征子集數(shù)比SBS算法少14.5個;在Wdbc數(shù)據(jù)集中,HSBS算法的分類準確率略高于SBS算法,但在其他3個數(shù)據(jù)集上,HSBS算法分類準確率均低于SBS算法。雖然HSBS算法的平均分類準確率只有87.9%,但與最高的平均分類準確率相比,僅差3.7%。

    從表 3可以看出,與SBFS算法相比,HSBS算法的平均時間花費降低約97.6%,平均特征子集數(shù)減少了10個,平均分類準確率降低了2.3%。

    從表 4可以看出,與SBFS算法相比,HSBS算法的平均時間花費降低了91.6%,平均特征子集數(shù)減少14.25個,平均分類準確率降低了2.6%。

    綜合表3和表4實驗數(shù)據(jù)分析發(fā)現(xiàn),HSBS算法的平均時間花費僅占SBS算法的10.1%,時間花費降低約90%。與SBFS算法相比,HSBS算法效果更加明顯,其時間花費降低約96.9%。HSBS算法的平均特征子集數(shù)也遠小于SBS算法和SBFS算法。同時,HSBS算法也存在不足之處,它的分類準確率低于SBS算法和SBFS算法,但相差不大。因此,HSBS算法在降低時間花費、減少特征子集個數(shù)的同時,亦能保證較高的分類準確率,HSBS算法在高維數(shù)據(jù)集具有實用性。

    4 結(jié) 語

    提出一種基于近似馬爾科夫毯的混合式特征選擇算法——HSBS算法。該算法首先利用近似馬爾科夫毯刪除數(shù)據(jù)集中冗余和不相關(guān)的特征,生成精簡特征子集;然后,利用SBS算法對過濾后的精簡特征集進行選擇,篩選出最佳特征子集。HSBS算法的優(yōu)勢在于,將數(shù)據(jù)集中冗余和不相關(guān)的特征刪除后,降低了數(shù)據(jù)集的特征個數(shù),提高了剩余特征的質(zhì)量。

    HSBS算法在KNN、Native Bayes分類器上均取得了優(yōu)良的效果,其降低時間花費的優(yōu)良表現(xiàn)在KNN分類器上尤為突出,同時還表現(xiàn)出較高的分類效果。

    因此,HSBS算法在保證較高分類準確率的情況下,能夠降低時間花費、減少最優(yōu)特征子集的個數(shù),它在高維數(shù)據(jù)集的分類任務(wù)中有較強的實用性。

    猜你喜歡
    馬爾科夫特征選擇花費
    基于疊加馬爾科夫鏈的邊坡位移預測研究
    新春開拍小禮物
    影像視覺(2021年3期)2021-03-24 11:39:16
    情況不同,“花費”不一樣
    基于改進的灰色-馬爾科夫模型在風機沉降中的應(yīng)用
    Kmeans 應(yīng)用與特征選擇
    電子制作(2017年23期)2017-02-02 07:17:06
    聯(lián)合互信息水下目標特征選擇算法
    馬爾科夫鏈在教學評價中的應(yīng)用
    2014年世界杯會花費多少?
    足球周刊(2014年20期)2014-07-03 16:23:38
    基于特征選擇和RRVPMCD的滾動軸承故障診斷方法
    基于二元搭配詞的微博情感特征選擇
    計算機工程(2014年6期)2014-02-28 01:26:36
    久久草成人影院| 国产国拍精品亚洲av在线观看| 亚洲内射少妇av| 国产精品久久视频播放| 国产中年淑女户外野战色| 亚洲国产精品久久男人天堂| av在线亚洲专区| 欧美一区二区精品小视频在线| 日韩中字成人| 超碰av人人做人人爽久久| 国产精品美女特级片免费视频播放器| 精品99又大又爽又粗少妇毛片| 午夜免费男女啪啪视频观看| 全区人妻精品视频| 久久精品国产亚洲av涩爱 | 日韩欧美一区二区三区在线观看| 国产国拍精品亚洲av在线观看| 午夜福利在线观看吧| 人妻久久中文字幕网| 国产精品99久久久久久久久| 亚洲激情五月婷婷啪啪| 高清日韩中文字幕在线| 亚洲av免费高清在线观看| 高清毛片免费看| 亚洲国产精品合色在线| 18禁黄网站禁片免费观看直播| 精品久久国产蜜桃| 老司机影院成人| 尤物成人国产欧美一区二区三区| 国产精品1区2区在线观看.| 国产三级在线视频| 欧美一区二区亚洲| 国产精品伦人一区二区| 久久久久国产网址| 看非洲黑人一级黄片| 日韩成人av中文字幕在线观看| 狂野欧美白嫩少妇大欣赏| 精品国内亚洲2022精品成人| 成人毛片a级毛片在线播放| 久久久久久久久久黄片| 人妻少妇偷人精品九色| 欧美最黄视频在线播放免费| 小说图片视频综合网站| 长腿黑丝高跟| 精品人妻熟女av久视频| 亚洲国产日韩欧美精品在线观看| 久久精品人妻少妇| 中文字幕熟女人妻在线| 99热全是精品| 熟妇人妻久久中文字幕3abv| 97人妻精品一区二区三区麻豆| a级毛片免费高清观看在线播放| 欧美色视频一区免费| 天堂影院成人在线观看| 你懂的网址亚洲精品在线观看 | 久久6这里有精品| 久久草成人影院| 欧美日韩国产亚洲二区| 久久精品久久久久久噜噜老黄 | 欧美成人免费av一区二区三区| 18+在线观看网站| 国产极品天堂在线| 岛国在线免费视频观看| 久久精品国产亚洲av天美| 看十八女毛片水多多多| 国产精品,欧美在线| 一区二区三区四区激情视频 | 免费av毛片视频| 免费人成视频x8x8入口观看| 直男gayav资源| av天堂中文字幕网| 亚洲av成人av| 亚洲成人久久爱视频| 亚洲丝袜综合中文字幕| av在线观看视频网站免费| 中国国产av一级| 国产日本99.免费观看| 亚洲精华国产精华液的使用体验 | 国产精品蜜桃在线观看 | 亚洲国产欧洲综合997久久,| 51国产日韩欧美| 波多野结衣巨乳人妻| 欧美精品一区二区大全| 狂野欧美激情性xxxx在线观看| 亚洲国产色片| 日韩欧美在线乱码| 日本与韩国留学比较| 深爱激情五月婷婷| 高清毛片免费看| 女同久久另类99精品国产91| 久久久久久伊人网av| 日本一二三区视频观看| 欧美潮喷喷水| av天堂在线播放| 欧美日韩乱码在线| 亚洲久久久久久中文字幕| 国产白丝娇喘喷水9色精品| 国产精品av视频在线免费观看| 女人十人毛片免费观看3o分钟| 蜜桃亚洲精品一区二区三区| 在线a可以看的网站| 99热网站在线观看| 乱系列少妇在线播放| 久久久欧美国产精品| av天堂在线播放| 校园人妻丝袜中文字幕| 日本三级黄在线观看| 国产白丝娇喘喷水9色精品| 亚洲综合色惰| 国产中年淑女户外野战色| 国产伦一二天堂av在线观看| 热99在线观看视频| 男插女下体视频免费在线播放| 一本精品99久久精品77| 日韩av不卡免费在线播放| 一级二级三级毛片免费看| 色视频www国产| 亚洲最大成人中文| 国产精品久久久久久精品电影| 嫩草影院入口| 成人午夜精彩视频在线观看| 97人妻精品一区二区三区麻豆| 狠狠狠狠99中文字幕| 内地一区二区视频在线| 一区二区三区高清视频在线| 淫秽高清视频在线观看| 特大巨黑吊av在线直播| 成人亚洲欧美一区二区av| 亚洲自偷自拍三级| 国产69精品久久久久777片| 不卡视频在线观看欧美| 国产成人91sexporn| 亚洲四区av| 麻豆一二三区av精品| 精品少妇黑人巨大在线播放 | 国产乱人偷精品视频| 久久久久国产网址| 国产精品一及| 非洲黑人性xxxx精品又粗又长| 免费av观看视频| 97人妻精品一区二区三区麻豆| 欧美激情在线99| 久久人妻av系列| 亚洲一区二区三区色噜噜| 精品久久久久久久久av| 九九爱精品视频在线观看| 亚洲第一区二区三区不卡| 亚洲无线在线观看| 欧美极品一区二区三区四区| 亚洲成人久久性| 亚洲欧洲日产国产| 欧美高清性xxxxhd video| 欧美最新免费一区二区三区| 精品久久国产蜜桃| av女优亚洲男人天堂| 日本在线视频免费播放| 免费一级毛片在线播放高清视频| 国产极品天堂在线| 国产亚洲精品久久久com| 欧美高清成人免费视频www| 国产精品无大码| 六月丁香七月| 啦啦啦观看免费观看视频高清| 欧美一区二区精品小视频在线| 国产一区二区激情短视频| 秋霞在线观看毛片| 熟女电影av网| 一级毛片电影观看 | 如何舔出高潮| 三级国产精品欧美在线观看| 久久6这里有精品| 国产日韩欧美在线精品| av免费观看日本| 一本久久中文字幕| 赤兔流量卡办理| 97人妻精品一区二区三区麻豆| 国产精品女同一区二区软件| 国产精品永久免费网站| 亚洲av二区三区四区| 天堂√8在线中文| 一进一出抽搐动态| 久久久久国产网址| 亚洲精品国产成人久久av| 午夜福利成人在线免费观看| 国产午夜福利久久久久久| 成人特级av手机在线观看| 成熟少妇高潮喷水视频| 寂寞人妻少妇视频99o| 一边亲一边摸免费视频| 亚洲图色成人| 亚洲精品久久久久久婷婷小说 | 国产亚洲精品久久久com| 亚洲国产日韩欧美精品在线观看| 高清日韩中文字幕在线| 国产亚洲欧美98| 一个人看的www免费观看视频| 亚洲一级一片aⅴ在线观看| 亚洲欧美中文字幕日韩二区| .国产精品久久| a级毛片免费高清观看在线播放| 乱系列少妇在线播放| 少妇高潮的动态图| 青春草亚洲视频在线观看| 99久久人妻综合| 日韩人妻高清精品专区| videossex国产| 国产午夜精品一二区理论片| 亚洲av男天堂| 蜜桃亚洲精品一区二区三区| 一区二区三区高清视频在线| 国产精品精品国产色婷婷| 成人二区视频| 99视频精品全部免费 在线| 精品久久国产蜜桃| 丝袜喷水一区| 国产真实伦视频高清在线观看| 好男人视频免费观看在线| 精品久久久久久久人妻蜜臀av| 成人三级黄色视频| 在现免费观看毛片| 婷婷亚洲欧美| 乱人视频在线观看| 国内久久婷婷六月综合欲色啪| 你懂的网址亚洲精品在线观看 | 国产精品嫩草影院av在线观看| 午夜免费男女啪啪视频观看| 人人妻人人澡欧美一区二区| 嫩草影院精品99| 最近2019中文字幕mv第一页| 婷婷精品国产亚洲av| 欧美一区二区国产精品久久精品| 色尼玛亚洲综合影院| 看十八女毛片水多多多| 久久综合国产亚洲精品| 国产色爽女视频免费观看| 国产 一区精品| 国产亚洲av嫩草精品影院| 成人一区二区视频在线观看| 一区福利在线观看| 免费看日本二区| 悠悠久久av| 亚洲aⅴ乱码一区二区在线播放| 国产高清三级在线| 久久久成人免费电影| 一级黄片播放器| 在线观看免费视频日本深夜| 校园人妻丝袜中文字幕| 亚洲国产日韩欧美精品在线观看| 国产精品一区二区三区四区久久| 成人亚洲精品av一区二区| 色哟哟哟哟哟哟| 搡老妇女老女人老熟妇| av专区在线播放| 99热网站在线观看| 高清毛片免费看| 自拍偷自拍亚洲精品老妇| 久久久色成人| 欧美最新免费一区二区三区| 69av精品久久久久久| 中文字幕久久专区| 久久99热这里只有精品18| 久久99热6这里只有精品| 三级男女做爰猛烈吃奶摸视频| 亚洲欧美精品专区久久| 乱系列少妇在线播放| 亚洲成人av在线免费| 国产黄色小视频在线观看| 亚洲丝袜综合中文字幕| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 波野结衣二区三区在线| 黄色视频,在线免费观看| 国产在视频线在精品| 国产精品无大码| 国产麻豆成人av免费视频| 国产毛片a区久久久久| 国产精品日韩av在线免费观看| 成熟少妇高潮喷水视频| 人人妻人人澡欧美一区二区| 99热6这里只有精品| 日本黄色视频三级网站网址| 国产高清有码在线观看视频| 麻豆一二三区av精品| 成人国产麻豆网| 51国产日韩欧美| 天堂中文最新版在线下载 | 青春草国产在线视频 | 我的女老师完整版在线观看| 夜夜夜夜夜久久久久| 1000部很黄的大片| 最近手机中文字幕大全| av天堂中文字幕网| 亚洲五月天丁香| 免费av观看视频| 99在线人妻在线中文字幕| 免费看日本二区| 亚洲精品乱码久久久久久按摩| а√天堂www在线а√下载| 啦啦啦韩国在线观看视频| www日本黄色视频网| 最近2019中文字幕mv第一页| 欧美精品一区二区大全| 高清毛片免费观看视频网站| 欧美一区二区国产精品久久精品| 校园春色视频在线观看| 国产精品综合久久久久久久免费| av视频在线观看入口| 国产精品电影一区二区三区| 男人舔女人下体高潮全视频| 精品人妻熟女av久视频| 国产亚洲精品久久久久久毛片| 听说在线观看完整版免费高清| 成人鲁丝片一二三区免费| 国产乱人视频| 可以在线观看的亚洲视频| 一个人看视频在线观看www免费| 国产高清视频在线观看网站| 午夜久久久久精精品| 久久久午夜欧美精品| 一边摸一边抽搐一进一小说| av专区在线播放| 国产精品一区二区三区四区久久| 亚洲av不卡在线观看| 只有这里有精品99| 日韩一区二区三区影片| 2022亚洲国产成人精品| 国产黄色视频一区二区在线观看 | 亚洲经典国产精华液单| 欧美激情在线99| 国产午夜精品论理片| 久久久久久国产a免费观看| 91精品国产九色| 亚洲精品亚洲一区二区| 国产中年淑女户外野战色| 久久久久久九九精品二区国产| 亚洲aⅴ乱码一区二区在线播放| 欧美最黄视频在线播放免费| 日韩欧美三级三区| 亚洲美女搞黄在线观看| 久久这里只有精品中国| 高清毛片免费看| 少妇被粗大猛烈的视频| 六月丁香七月| 日本成人三级电影网站| 午夜免费激情av| 欧美激情国产日韩精品一区| 最近视频中文字幕2019在线8| 乱码一卡2卡4卡精品| 人人妻人人澡人人爽人人夜夜 | 伦理电影大哥的女人| a级毛片免费高清观看在线播放| 国产在线精品亚洲第一网站| 久久这里只有精品中国| 天堂影院成人在线观看| 日日撸夜夜添| 国产日韩欧美在线精品| 麻豆国产97在线/欧美| 啦啦啦观看免费观看视频高清| 婷婷六月久久综合丁香| 久久精品国产99精品国产亚洲性色| 久久久久久九九精品二区国产| 一级二级三级毛片免费看| 久久人妻av系列| 久久精品国产亚洲av香蕉五月| 99在线视频只有这里精品首页| 国产伦理片在线播放av一区 | 男女那种视频在线观看| 亚洲av成人av| 久久久精品大字幕| 国产午夜精品久久久久久一区二区三区| 一夜夜www| 亚洲在线观看片| 高清日韩中文字幕在线| 久久久精品大字幕| 国产精品日韩av在线免费观看| 国内精品久久久久精免费| 久久精品国产清高在天天线| 99久久成人亚洲精品观看| 亚洲美女视频黄频| 天堂影院成人在线观看| 99久久中文字幕三级久久日本| 亚洲美女搞黄在线观看| 99久久中文字幕三级久久日本| 国产久久久一区二区三区| 国产高清激情床上av| 国产精品蜜桃在线观看 | 好男人在线观看高清免费视频| 不卡视频在线观看欧美| 夜夜爽天天搞| 成年版毛片免费区| 欧美成人a在线观看| 三级经典国产精品| 亚洲欧美清纯卡通| 一进一出抽搐gif免费好疼| 精品欧美国产一区二区三| 熟女电影av网| 午夜精品在线福利| 1000部很黄的大片| 久久人人爽人人片av| 久久99蜜桃精品久久| 亚洲一区高清亚洲精品| 97人妻精品一区二区三区麻豆| 啦啦啦啦在线视频资源| 26uuu在线亚洲综合色| 欧美极品一区二区三区四区| 亚洲av.av天堂| 又黄又爽又刺激的免费视频.| 亚洲综合色惰| 天堂网av新在线| 九色成人免费人妻av| 日韩一区二区视频免费看| 97在线视频观看| 18+在线观看网站| 免费看美女性在线毛片视频| 国产精品乱码一区二三区的特点| 亚洲av熟女| 国产精品乱码一区二三区的特点| 免费人成视频x8x8入口观看| 在线a可以看的网站| 免费观看的影片在线观看| 国产一级毛片七仙女欲春2| 亚洲国产精品成人久久小说 | 91精品国产九色| 一区福利在线观看| 99热这里只有是精品50| 九九热线精品视视频播放| 国产伦理片在线播放av一区 | a级一级毛片免费在线观看| 九九热线精品视视频播放| 国产伦一二天堂av在线观看| 嫩草影院新地址| 白带黄色成豆腐渣| 亚洲av免费高清在线观看| 欧美一区二区精品小视频在线| 国产美女午夜福利| 91av网一区二区| 亚洲久久久久久中文字幕| 99久久中文字幕三级久久日本| 观看免费一级毛片| 成人特级av手机在线观看| 欧美人与善性xxx| 99久久无色码亚洲精品果冻| 亚洲一区二区三区色噜噜| 国产精品久久久久久精品电影小说 | 国模一区二区三区四区视频| 寂寞人妻少妇视频99o| 国产精品一二三区在线看| 精品久久久久久久久亚洲| 色尼玛亚洲综合影院| 91麻豆精品激情在线观看国产| 国内精品美女久久久久久| 欧美日韩乱码在线| 大香蕉久久网| 国产亚洲精品久久久com| 在线观看av片永久免费下载| 女人被狂操c到高潮| eeuss影院久久| 又爽又黄a免费视频| 美女国产视频在线观看| 啦啦啦韩国在线观看视频| 丰满乱子伦码专区| 久久鲁丝午夜福利片| 久久午夜福利片| 悠悠久久av| 夜夜夜夜夜久久久久| 久久亚洲精品不卡| 成人美女网站在线观看视频| 18禁在线播放成人免费| .国产精品久久| av女优亚洲男人天堂| 亚洲乱码一区二区免费版| 欧美高清性xxxxhd video| 亚州av有码| 久久久久久久久中文| 欧美日韩乱码在线| h日本视频在线播放| 最后的刺客免费高清国语| 男的添女的下面高潮视频| 成人鲁丝片一二三区免费| 日韩欧美一区二区三区在线观看| 日韩大尺度精品在线看网址| 少妇裸体淫交视频免费看高清| 婷婷亚洲欧美| 亚洲国产精品成人久久小说 | 免费黄网站久久成人精品| 亚州av有码| 在线播放无遮挡| 夜夜爽天天搞| 身体一侧抽搐| 欧美色欧美亚洲另类二区| 欧美日韩在线观看h| 亚洲天堂国产精品一区在线| 色哟哟·www| 日韩,欧美,国产一区二区三区 | 国产综合懂色| 欧美zozozo另类| 美女脱内裤让男人舔精品视频 | 人人妻人人澡人人爽人人夜夜 | 精品午夜福利在线看| 97超碰精品成人国产| 亚洲av熟女| 在线天堂最新版资源| 非洲黑人性xxxx精品又粗又长| 国产 一区精品| 久久久a久久爽久久v久久| 淫秽高清视频在线观看| 黄色配什么色好看| 国产老妇伦熟女老妇高清| 久久99精品国语久久久| 国产精品永久免费网站| 麻豆国产97在线/欧美| 人妻制服诱惑在线中文字幕| 日韩亚洲欧美综合| 免费观看a级毛片全部| 99热这里只有是精品50| 欧美日韩乱码在线| 女同久久另类99精品国产91| 最近2019中文字幕mv第一页| 久久精品久久久久久噜噜老黄 | 国产免费一级a男人的天堂| 婷婷色av中文字幕| 日韩三级伦理在线观看| 欧美激情国产日韩精品一区| 国内精品宾馆在线| 日本色播在线视频| 亚洲在线自拍视频| 欧美性感艳星| 久久精品91蜜桃| 午夜激情福利司机影院| 国产蜜桃级精品一区二区三区| 亚洲三级黄色毛片| 岛国在线免费视频观看| 国产女主播在线喷水免费视频网站 | 综合色av麻豆| 三级男女做爰猛烈吃奶摸视频| 亚洲国产精品成人久久小说 | 国产亚洲av片在线观看秒播厂 | 男人舔奶头视频| 99久久人妻综合| 国产精品爽爽va在线观看网站| 色综合色国产| 国产美女午夜福利| 久久99热这里只有精品18| 国产成人午夜福利电影在线观看| 欧美激情在线99| 日本免费一区二区三区高清不卡| 亚洲av不卡在线观看| 麻豆国产97在线/欧美| 伦理电影大哥的女人| 亚洲成人久久爱视频| 精品国产三级普通话版| 国产激情偷乱视频一区二区| 亚洲婷婷狠狠爱综合网| 国产av在哪里看| 亚洲国产精品久久男人天堂| 国产高清视频在线观看网站| 国产精品乱码一区二三区的特点| 久久九九热精品免费| 91aial.com中文字幕在线观看| 高清在线视频一区二区三区 | 天美传媒精品一区二区| 国产精品一区二区性色av| 午夜福利成人在线免费观看| 中文精品一卡2卡3卡4更新| 国内精品一区二区在线观看| 日韩 亚洲 欧美在线| 久久精品国产亚洲av香蕉五月| 成人欧美大片| 91在线精品国自产拍蜜月| 两个人的视频大全免费| 欧美极品一区二区三区四区| 色综合站精品国产| 看十八女毛片水多多多| 一级黄片播放器| 国产精品免费一区二区三区在线| 精品久久久噜噜| a级毛片a级免费在线| 婷婷亚洲欧美| 99热全是精品| 久久精品久久久久久噜噜老黄 | 精品国内亚洲2022精品成人| 最近中文字幕高清免费大全6| 久久精品91蜜桃| 美女高潮的动态| 亚洲av成人av| 伊人久久精品亚洲午夜| 国产美女午夜福利| 免费电影在线观看免费观看| 日韩,欧美,国产一区二区三区 | 亚洲av中文字字幕乱码综合| 一级毛片我不卡| 免费看a级黄色片| 老女人水多毛片| 日韩成人av中文字幕在线观看| 日本-黄色视频高清免费观看| 啦啦啦啦在线视频资源| kizo精华| 免费观看的影片在线观看| 黄片wwwwww| 午夜免费男女啪啪视频观看| 国产亚洲精品久久久com| 男女下面进入的视频免费午夜| 国产探花在线观看一区二区| 国产精品久久视频播放| av在线观看视频网站免费| 亚洲欧美日韩高清在线视频| 岛国在线免费视频观看| 久久欧美精品欧美久久欧美| 亚洲天堂国产精品一区在线| 久久综合国产亚洲精品| 男的添女的下面高潮视频| 中文在线观看免费www的网站| 国产一区二区三区在线臀色熟女| 亚洲中文字幕日韩| 精品久久久久久成人av| a级毛片a级免费在线|