亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于遺傳算法的拐點(diǎn)偏移距神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型構(gòu)建及分析

        2015-03-08 07:38:26陳俊杰王明遠(yuǎn)
        關(guān)鍵詞:模型

        陳俊杰,王明遠(yuǎn)

        (河南理工大學(xué),河南焦作 454000)

        0 引言

        礦山開采沉陷中拐點(diǎn)偏移距的求取精度,直接影響到在開采沉陷預(yù)計(jì)中,其預(yù)測(cè)結(jié)果能否反映巖層與地表移動(dòng)變形真實(shí)情況。由于煤礦開采過程中地質(zhì)采礦條件的復(fù)雜性,拐點(diǎn)偏移距的求取與諸多因素有關(guān)。在神經(jīng)網(wǎng)絡(luò)模型應(yīng)用方面,許多學(xué)者作了大量的工作。欒元重、楊帆和麻鳳海等教授,在具體礦區(qū)實(shí)測(cè)資料的基礎(chǔ)上,通過運(yùn)用人工神經(jīng)網(wǎng)絡(luò)模型求出了礦區(qū)巖層移動(dòng)參數(shù)[1-2]。郭文兵教授結(jié)合典型礦區(qū),在系統(tǒng)分析地質(zhì)采礦條件與預(yù)測(cè)參數(shù)之間關(guān)系的基礎(chǔ)上,建立了概率積分法參數(shù)選取的神經(jīng)網(wǎng)絡(luò)模型,并取得了較好的預(yù)測(cè)結(jié)果[3]。劉春艷等對(duì)比分析了傳統(tǒng)BP與運(yùn)用遺傳算法(genetic algorithm,簡(jiǎn)稱GA)改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型(簡(jiǎn)稱GA-BP神經(jīng)網(wǎng)絡(luò)模型)優(yōu)缺點(diǎn),并對(duì)預(yù)測(cè)數(shù)據(jù)的擬合效果進(jìn)行了探討[4]。楊發(fā)群等從理論上對(duì)如何建立GA-BP模型進(jìn)行了研究[5]。秦真珍等針對(duì)某大壩的實(shí)際觀測(cè)需求,通過建立GA-BP模型,進(jìn)行了實(shí)際觀測(cè)數(shù)據(jù)的預(yù)測(cè),表明該模型在大壩沉降觀測(cè)的預(yù)測(cè)方面具有一定的應(yīng)用價(jià)值[6]。李萍通過實(shí)例分析,證明GA-BP模型預(yù)測(cè)精度及推廣能力均優(yōu)于傳統(tǒng)的預(yù)測(cè)方法[7]。但是,以上研究均是基于不同研究領(lǐng)域的具體觀測(cè)數(shù)據(jù)進(jìn)行探討和分析的。作者查閱了大量的資料,發(fā)現(xiàn)在運(yùn)用GA-BP神經(jīng)網(wǎng)絡(luò)模型求取拐點(diǎn)偏移距方面的文獻(xiàn)并不多見。本文在綜合分析拐點(diǎn)偏移距與煤層地質(zhì)條件之間關(guān)系的基礎(chǔ)上,對(duì)運(yùn)用GA-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)拐點(diǎn)偏移距的可行性方面進(jìn)行了探討。

        1 拐點(diǎn)偏移距及其影響因素

        拐點(diǎn)偏移距S是由于采空區(qū)懸臂作用引起拐點(diǎn)的偏移距離。根據(jù)開采沉陷的下沉曲線,確定拐點(diǎn),再將拐點(diǎn)投影到煤層上,量取實(shí)際開采邊界與拐點(diǎn)投影點(diǎn)之間的距離,即為拐點(diǎn)偏移距[8](圖1)。拐點(diǎn)偏移距的大小直接影響著地表沉陷的形狀和范圍,以及地表移動(dòng)變形的預(yù)計(jì)精度。因此,研究拐點(diǎn)偏移距的內(nèi)在變化規(guī)律對(duì)提高開采沉陷預(yù)計(jì)的精度具有重要的意義[9]。

        圖1 拐點(diǎn)偏移距示意圖Fig.1 Diagram about Deviation of inflection point

        影響拐點(diǎn)偏移距的因素包括上覆巖層巖性、巖層層位、松散層厚度、煤層傾角、煤層采厚、采深、采動(dòng)程度、重復(fù)采動(dòng)、采煤方法和頂板管理方法等,其中較為主要因素是上覆巖性、煤層采深、煤層采厚、采動(dòng)程度和煤層傾角等5個(gè)因素[10-11]。在實(shí)際工作中,當(dāng)沒有礦區(qū)地表移動(dòng)觀測(cè)站實(shí)測(cè)資料時(shí),可以依據(jù)煤層上覆巖性來確定拐點(diǎn)偏移距(表1)。

        表1 按覆巖強(qiáng)度分類的拐點(diǎn)偏移距經(jīng)驗(yàn)值Table 1 Experience values of deviation of inflection point according to the classification of overburden rock strength

        2 基于遺傳算法(GA)的BP神經(jīng)網(wǎng)絡(luò)模型的建立

        2.1 遺傳算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)原理

        BP神經(jīng)網(wǎng)絡(luò)的構(gòu)造合理與否,與網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確性有著直接的關(guān)系。依據(jù)需求,構(gòu)建了3層BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)(圖2)。輸入層包括上覆巖性、煤層采深、煤層采厚、采動(dòng)程度和煤層傾角5個(gè)神經(jīng)元,中間單一隱含層,輸出層為拐點(diǎn)偏移距一個(gè)神經(jīng)元。根據(jù)Kolmogorov定理,本文神經(jīng)網(wǎng)絡(luò)模型隱含層神經(jīng)元個(gè)數(shù)初步設(shè)定為11個(gè)。

        圖2 拐點(diǎn)偏移距3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 3 layer BP neural network structure about deviation of inflection point

        BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程分兩個(gè)階段:(1)正向傳播過程:訓(xùn)練樣本經(jīng)歸一化處理后通過輸入層,經(jīng)過隱含層非線性的激活函數(shù)變換后作用于輸出層,生成輸出值Y。(2)逆向傳播過程:網(wǎng)絡(luò)輸出值Y與實(shí)際值t之間的差值逆向反饋給神經(jīng)網(wǎng)絡(luò),BP神經(jīng)網(wǎng)絡(luò)按照誤差梯度下降的方式自動(dòng)修正權(quán)值及閾值。神經(jīng)網(wǎng)絡(luò)經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練,誤差值達(dá)到預(yù)先設(shè)定的精度,確定與最小誤差相對(duì)應(yīng)的權(quán)值和閾值,訓(xùn)練即完成。但是,BP神經(jīng)網(wǎng)絡(luò)存在著對(duì)初始的權(quán)重和閾值敏感度高、收斂速度慢和泛化能力不強(qiáng)等缺點(diǎn)。在具體實(shí)踐應(yīng)用中,需要對(duì)BP神經(jīng)網(wǎng)絡(luò)加以改進(jìn)。

        2.2 GA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練與測(cè)試

        在求取拐點(diǎn)偏移距時(shí),本文采用遺傳算法(GA)對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)。其基本思路是,按照所選擇的適應(yīng)度函數(shù)并通過遺傳法則對(duì)個(gè)體進(jìn)行篩選,使適應(yīng)度值高的個(gè)體被保留。實(shí)際上是利用種群搜索方式對(duì)給定網(wǎng)絡(luò)的權(quán)值、閥值進(jìn)行最優(yōu)配置,目的是尋找最容易獲得全局最優(yōu)的網(wǎng)絡(luò)參數(shù),改善BP網(wǎng)絡(luò)過分依賴梯度信息,實(shí)現(xiàn)誤差全局最小的最大可能性。這樣反復(fù)循環(huán)通過若干代的進(jìn)化得出條件最優(yōu)的個(gè)體。

        BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)能力與樣本數(shù)據(jù)的選取有很大關(guān)系,根據(jù)文獻(xiàn)[12],篩選出35個(gè)地表移動(dòng)觀測(cè)站拐點(diǎn)偏移距的實(shí)測(cè)數(shù)據(jù),作為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練和測(cè)試的樣本(表2)。將1~25號(hào)數(shù)據(jù)作為學(xué)習(xí)樣本,對(duì)GA-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,網(wǎng)絡(luò)訓(xùn)練完成后,用26~35號(hào)觀測(cè)站數(shù)據(jù)對(duì)GA-BP神經(jīng)網(wǎng)絡(luò)模型的適應(yīng)度和泛化能力進(jìn)行測(cè)試。

        表2 典型地表移動(dòng)觀測(cè)站數(shù)據(jù)Table 2 Data of typical surface movement observation

        2.2.1 數(shù)據(jù)預(yù)處理

        為了提高訓(xùn)練效率,調(diào)用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中的Premnmx函數(shù),把數(shù)據(jù)歸一化到[0,1]區(qū)間內(nèi)。同時(shí),調(diào)用 MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中基于levenberg-Marquardt優(yōu)化算法的trainlm訓(xùn)練函數(shù),對(duì)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中出現(xiàn)的經(jīng)常發(fā)生振蕩、收斂速度緩慢等問題進(jìn)行了改善。

        2.2.2 網(wǎng)絡(luò)訓(xùn)練與測(cè)試

        首先,對(duì)輸入值進(jìn)行遺傳運(yùn)算,得出最優(yōu)的初始值權(quán)值和傳輸閥值,然后,建立BP神經(jīng)網(wǎng)絡(luò),并根據(jù)得到的最優(yōu)初始權(quán)值和閥值進(jìn)行學(xué)習(xí)訓(xùn)練。對(duì)于非線性神經(jīng)網(wǎng)絡(luò),選擇合適的學(xué)習(xí)速率是很重要的,它和負(fù)梯度的乘積決定了權(quán)值和閥值的調(diào)整幅度,速率過大會(huì)引起局部震蕩不穩(wěn)定或者出現(xiàn)麻痹現(xiàn)象[13],而學(xué)習(xí)速率太小則導(dǎo)致收斂速度慢訓(xùn)練時(shí)間長(zhǎng)。考慮到現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)的精度,把網(wǎng)絡(luò)模型學(xué)習(xí)速率初始設(shè)定為0.3,設(shè)定網(wǎng)絡(luò)收斂目標(biāo)精度為0.0001,即當(dāng)網(wǎng)絡(luò)模型誤差達(dá)到0.0001時(shí)訓(xùn)練停止(圖3~圖4)。GA-BP神經(jīng)網(wǎng)絡(luò)在迭代11次后達(dá)到了預(yù)定精度,而標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)迭代4570次才達(dá)到預(yù)定精度。所以,GA-BP神經(jīng)網(wǎng)絡(luò)收斂速度比標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)有顯著提升。

        圖3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果Fig.3 Result of BP neural network training

        3 神經(jīng)網(wǎng)絡(luò)泛化能力測(cè)試效果及分析

        利用已經(jīng)訓(xùn)練完成的GA-BP神經(jīng)網(wǎng)絡(luò)模型,對(duì)表2中1-25號(hào)拐點(diǎn)偏移距觀測(cè)數(shù)據(jù)進(jìn)行學(xué)習(xí)樣本擬合能力測(cè)試(圖5)。

        從圖5可以看出,GA-BP神經(jīng)網(wǎng)絡(luò)模型對(duì)學(xué)習(xí)樣本的擬合程度很高。說明通過采用該模型,較好地實(shí)現(xiàn)了對(duì)神經(jīng)網(wǎng)絡(luò)的初始權(quán)值以及閾值分布情況的優(yōu)化,在預(yù)測(cè)拐點(diǎn)偏移距時(shí)可以達(dá)到較高的精度。

        圖4 GA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果Fig.4 Result of GA-BP neural network training

        圖5 GA-BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)測(cè)試對(duì)比圖Fig.5 Contrast figure about learning test of GA-BP neural network

        神經(jīng)網(wǎng)絡(luò)的泛化能力測(cè)試效果的關(guān)鍵在于對(duì)新鮮數(shù)據(jù)的預(yù)測(cè)。分別采BP神經(jīng)網(wǎng)絡(luò)模型和GA-BP神經(jīng)網(wǎng)絡(luò)模型,對(duì)表2中26-35號(hào)觀測(cè)站拐點(diǎn)偏移距的新鮮數(shù)據(jù)進(jìn)行預(yù)測(cè),并與觀測(cè)站實(shí)測(cè)結(jié)果進(jìn)行了比較與分析(表3)。

        根據(jù)以上泛化能力測(cè)試效果及綜合分析,可知:

        (1)在采用標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)拐點(diǎn)偏移距時(shí),預(yù)測(cè)結(jié)果的相對(duì)誤差偏大,在 10.19% ~17.45%。而通過運(yùn)用GA-BP神經(jīng)網(wǎng)絡(luò)模型,其預(yù)測(cè)結(jié)果最大相對(duì)誤差為10.12%,最小僅為3.20%,預(yù)測(cè)結(jié)果的相對(duì)誤差較小,預(yù)測(cè)精度能夠滿足開采沉陷預(yù)測(cè)要求[13]。

        (2)當(dāng)采用標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)時(shí),其初始權(quán)值和閾值是隨機(jī)給定的,這種未經(jīng)優(yōu)化的隨機(jī)初始化,導(dǎo)致拐點(diǎn)偏移距的預(yù)測(cè)結(jié)果不穩(wěn)定,導(dǎo)致預(yù)測(cè)結(jié)果的精度不高。

        表3 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)測(cè)值比較Table 3 Prediction values by neural network compared with measured values

        (3)從應(yīng)用效果和應(yīng)用條件看,將遺傳算法和BP神經(jīng)網(wǎng)絡(luò)結(jié)合起來,得到的預(yù)測(cè)模型優(yōu)勢(shì)明顯。不僅能夠利用神經(jīng)網(wǎng)絡(luò)的泛化能力和學(xué)習(xí)能力,而且充分發(fā)揮了GA-BP神經(jīng)網(wǎng)絡(luò)模型優(yōu)點(diǎn),加快了神經(jīng)網(wǎng)絡(luò)的收斂速度,穩(wěn)定地輸出了拐點(diǎn)偏移距的預(yù)測(cè)值,提高了預(yù)測(cè)值的精度。

        (4)應(yīng)該指出的是,在拐點(diǎn)偏移距求取過程中,GA-BP網(wǎng)絡(luò)性能優(yōu)于BP網(wǎng)絡(luò)性能是以較長(zhǎng)時(shí)間開銷為代價(jià)的[14]。因?yàn)镚A-BP網(wǎng)絡(luò)增加了權(quán)值和閾值的訓(xùn)練過程,其迭代次數(shù)和精度的選取等都不可避免地影響整個(gè)訓(xùn)練過程的時(shí)間。不過,隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展及相關(guān)計(jì)算軟件的不斷更新,該問題可以得以明顯改善。

        4 結(jié)論

        (1)將遺傳算法(GA)和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合,建立了最優(yōu)的拐點(diǎn)偏移距GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

        (2)選取了35個(gè)拐點(diǎn)偏移距的實(shí)測(cè)數(shù)據(jù),作為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練和測(cè)試的樣本,并對(duì)GA-BP神經(jīng)網(wǎng)絡(luò)模型的適應(yīng)度和泛化能力進(jìn)行測(cè)試。

        (3)通過采用GA-BP神經(jīng)網(wǎng)絡(luò)模型,穩(wěn)定地輸出了高精度的預(yù)測(cè)值,用該模型求取拐點(diǎn)偏移距是可行的。同時(shí),對(duì)GA-BP神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用效果、應(yīng)用條件以及該模型存在的不足等問題進(jìn)行了探討。

        [1]欒元重.神經(jīng)網(wǎng)絡(luò)在礦山地表移動(dòng)參數(shù)辨識(shí)中的應(yīng)用[J].礦山測(cè)量,1998(3):42-44.LUAN Yuanzhong.Application of artificial neural network in identification ofsurface displacement parameters in mining area[J].Mine Surveying,1998(3):42-44.

        [2]楊帆,麻鳳海.地表移動(dòng)預(yù)計(jì)參數(shù)選取的神經(jīng)網(wǎng)絡(luò)法[J].中國(guó)地質(zhì)災(zāi)害與防治學(xué)報(bào),2004,15(1):102-106.YANG Fan,MA Fenghai.Neural network method used in adopting parameters for prediction ofsurface displacement[J].The Chinese Journal of Geological Hazard and Control,2004,15(1):102-106.

        [3]郭文兵,鄧喀中,鄒友峰.概率積分法預(yù)計(jì)參數(shù)選取的神經(jīng)網(wǎng)絡(luò)模型[J].中國(guó)礦業(yè)大學(xué)學(xué)報(bào),2004,33(3):322-326.GUO Wenbing, DENG Kezhong, ZOU Youfeng.Artificial neural network model for predicting parameters of probability-integral method[J].Journal of China University of Mining &Technology,2004,33(3):322-326.

        [4]劉春艷,凌建春,寇元林,等.神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)性能比較[J].中國(guó)衛(wèi)生統(tǒng)計(jì),2013,40(2):176-181 LIU Chunyan, LLING Jianchun, KOU Yuanlin.Performance comparison between GA-BP neural network and BP Neural network [J].Chinese Journal of Health Statistics,2013,40(2):176-181

        [5]楊發(fā)群,邱衛(wèi)寧,魏成,等.顧及不確定因素的GA-BP神經(jīng)網(wǎng)絡(luò)在路基沉降預(yù)測(cè)中的應(yīng)用[J].測(cè)繪工程,2013,22(6):51-54.YANG Faqun,QIU Weining,WEI Cheng, et al.Application of GA-BP neural network with uncertainties to subgrade subsidence prediction[J].Engineering of Surveying and Mapping,2013,22(6):51-54.

        [6]秦真珍,楊帆,黃勝林.基于GA-BP算法的大壩邊坡變形預(yù)測(cè)模型[J].測(cè)繪工程,2010,19(1):13-16.QIN Zhenzhen,YANG Fan,HUANG Shenglin,etc.Dam side slope deformation forecast model research based on GA-BP algorithm [J]. Engineering of Surveying and Mapping,2010,19(1):13-16.

        [7]李萍.基于GA-BP模型的鐵路貨運(yùn)量預(yù)測(cè)[J].蘭州交通大學(xué)學(xué)報(bào),2014,33(3):203-207.LI Ping.Railway freight volume forecasting method based on GA-BP model[J].Journal of Lanzhou Jiaotong University,2014,33(3):203-207.

        [8]郭文兵.煤礦開采損害與保護(hù)[M].北京:煤炭工業(yè)出版社,2013:68-70.GUO Wenbing.Mining damage and protection in mine[M].Beijing:China Coal Industry Publishing House,2013:68-70

        [9]郝延錦,吳立新.拐點(diǎn)偏移距的影響因素及形成機(jī)理[J].中州煤炭,2000(1):4-5.HAO Yanjin,WU Lixin. Influence deviation of inflection point and formation mechanism [J].Zhongzhou Coal,2000(1):4-5.

        [10]謝文兵,笪建原,張連貴,等.地質(zhì)采礦因素對(duì)拐點(diǎn)偏距的影響[J].礦山壓力與頂板管理,1998,(1):28-29.XIE Wenbing,DA Jianyuan,ZHANG Liangui,et al.Influence of geological and mining factors on deviation of inflection point[J].Ground Pressure and Strata Control,1998,(1):28-29.

        [11]郝延錦,吳立新,陳勝華.巖移參數(shù)的統(tǒng)計(jì)和影響因素[J].煤礦安全,2000(5):30-31.HAO Yianjin,WU Lixin,CHEN Shenghua.Statistics and influence factorsaboutparameters ofstrata movement[J].Safety in Coal Mines,2000(5):30-31.

        [12]國(guó)家煤炭工業(yè)局.建筑物、水體、鐵路及主要井巷煤柱留設(shè)與壓煤開采規(guī)程[M].北京:煤炭工業(yè)出版社,2000:98-120.China Coal Industry Bureau.The building,the water body,the railroad and the main well lane coal column remainssupposes with presses the coalmining regulations[M]. Beijing:China CoalIndustry Publishing House,2000:98-120.

        [13]胡伍生.神經(jīng)網(wǎng)絡(luò)理論及其工程應(yīng)用[M].北京:測(cè)繪出版社,2006:63-81.HU Wusheng.Theory of neural network and engineering application[M].Beijing:Surveying and Mapping Publishing House,2006:63-81.

        [14]黃建國(guó),羅航,王厚軍,等.運(yùn)用GA-BP神經(jīng)網(wǎng)絡(luò)研究時(shí)間序列的預(yù)測(cè)[J].電子科技大學(xué)學(xué)報(bào),2009,38(5):687-692.HUANG Jianguo,LUO Hang,WANG Houjun,et al.Prediction of time sequence based on GA-BP neural network[J]. Journal of University of Electronic Science and Technology of China,2009,38(5):687-692.

        猜你喜歡
        模型
        一半模型
        一種去中心化的域名服務(wù)本地化模型
        適用于BDS-3 PPP的隨機(jī)模型
        提煉模型 突破難點(diǎn)
        函數(shù)模型及應(yīng)用
        p150Glued在帕金森病模型中的表達(dá)及分布
        函數(shù)模型及應(yīng)用
        重要模型『一線三等角』
        重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
        3D打印中的模型分割與打包
        欧美三级不卡在线观看| 精品人妻夜夜爽一区二区| 粉嫩的极品女神尤物在线| 亚洲精品中文字幕乱码三区| 性高朝久久久久久久| 亚洲三区二区一区视频| 亚洲国产女同在线观看| 人妻 丝袜美腿 中文字幕| 亚洲熟女综合一区二区三区| 亚洲av无码一区二区乱子仑| 女同重口味一区二区在线| 欧美性受xxxx黑人猛交| 欧洲人妻丰满av无码久久不卡| 欧洲一区在线观看| 亚洲av天堂一区二区| 色多多性虎精品无码av| 国产嫖妓一区二区三区无码| 91精品国产闺蜜国产在线| 蜜桃视频羞羞在线观看| 亚洲欧美乱日韩乱国产| 99国产精品99久久久久久| 国产亚洲精品成人av在线| 亚洲蜜臀av一区二区三区| 国产台湾无码av片在线观看| 亚洲区日韩精品中文字幕| 91亚洲夫妻视频网站| 亚洲αv在线精品糸列| 久久人人爽人人爽人人片av麻烦 | 亚洲无码观看a| 麻豆人妻性色av专区0000| www射我里面在线观看| 久久精品国产亚洲AV高清特级| 午夜宅男成人影院香蕉狠狠爱| 亚洲精品乱码久久久久久不卡| 国产精品永久免费视频| 久久精品国产亚洲片| 国产午夜亚洲精品国产成人av| 中文字幕精品一区二区2021年| 韩国女主播一区二区在线观看| 亚洲无毛成人在线视频| 亚洲中文字幕成人无码|