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

        ?

        基于指數(shù)平滑算法組合模型的玉米實(shí)時(shí)變量追肥研究

        2022-12-22 14:03:44鞏海亮王熙
        關(guān)鍵詞:模型

        鞏海亮,王熙

        (黑龍江八一農(nóng)墾大學(xué)工程學(xué)院,大慶 163319)

        玉米中耕期追肥期應(yīng)用變量施肥技術(shù),能及時(shí)補(bǔ)充土壤中氮肥含量,提高作物生長(zhǎng)所需營養(yǎng)[1-2]。隨著玉米冠層NDVI(Normalized Difference Vegetation Index)傳感器采集設(shè)備的迅速發(fā)展,變量施肥調(diào)控設(shè)備隨之全面升級(jí)[3-4],施肥設(shè)備應(yīng)具備快速有效識(shí)別玉米缺氮狀況,更加高效獲取農(nóng)田信息,實(shí)現(xiàn)智能化變量施肥決策,因此利用該技術(shù)應(yīng)用在中耕追肥環(huán)節(jié),補(bǔ)充玉米中期氮肥營養(yǎng)狀況。

        國內(nèi)外對(duì)變量施肥已經(jīng)開展了相關(guān)研究,于合龍等[5]采用智能算法拉格朗日乘子方法,研究設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的權(quán)值分配方案,進(jìn)一步改進(jìn)BP神經(jīng)網(wǎng)絡(luò)建立作物精準(zhǔn)施肥模型,利用神經(jīng)網(wǎng)絡(luò)模型算法得出合理的玉米作物施肥量。黃麗萍[6]提出基于遺傳神經(jīng)網(wǎng)絡(luò)算法應(yīng)用電動(dòng)施肥裝置的PID的整定,解決控制系統(tǒng)數(shù)學(xué)模型非線性和時(shí)變不確定性,使變量施肥系統(tǒng)能夠得到較為精確的調(diào)整施肥量。陳滿等[7]構(gòu)建了由轉(zhuǎn)速和開度作為優(yōu)先控制的雙變量施肥模型,通過Bisquare估計(jì)法分析控制方法,從而確定分析系統(tǒng)最佳控制方案,建立變量施肥控制的序列檢索表,試驗(yàn)分析施肥控制精度均達(dá)到90%以上,滿足實(shí)際作業(yè)生產(chǎn)需求。董鑫等[8]針對(duì)現(xiàn)有灌溉系統(tǒng)無變量調(diào)整灌溉、缺乏灌溉決策指導(dǎo)的等情況,采用基于二次平滑預(yù)測(cè)算法的變量灌溉方法,根據(jù)變量調(diào)控理論,以設(shè)定參數(shù)實(shí)時(shí)調(diào)整平滑權(quán)重,快速調(diào)整灌溉系統(tǒng)行走步長(zhǎng)與速度,研究結(jié)果表明,二次平滑預(yù)測(cè)算法處理的變量灌溉相對(duì)于傳統(tǒng)灌溉效率及節(jié)水方面都具有提升。安曉飛等[9]以處方圖作為變量施肥依據(jù),設(shè)計(jì)了適合壟作玉米變量施肥的控制系統(tǒng),電液比例控制技術(shù)分別控制排肥軸轉(zhuǎn)速,綜合考慮玉米生長(zhǎng)指標(biāo)、系統(tǒng)誤差和最終產(chǎn)量數(shù)據(jù),有效解決了肥料分層問題。但無論是無人機(jī)還是衛(wèi)星遙感,都需要先采集數(shù)據(jù)經(jīng)過處理后,才可以應(yīng)用到變量控制環(huán)節(jié);處方圖使用空間插值的方式進(jìn)行空間擬合,但無法保證未采樣點(diǎn)數(shù)據(jù)精度,未采樣點(diǎn)是影響施肥量準(zhǔn)確性的重要因素;而且處方圖建立需要專業(yè)的技術(shù)人員,由于處理周期長(zhǎng)導(dǎo)致錯(cuò)過最佳施肥期,因此需要簡(jiǎn)化作業(yè)流程。研究NDVI數(shù)據(jù)實(shí)時(shí)采集并轉(zhuǎn)化成實(shí)時(shí)施肥量將解決處理時(shí)間問題,但從采集到施肥由于采樣頻率高導(dǎo)致樣本數(shù)據(jù)多,因此需要快速處理數(shù)據(jù),同時(shí)也要保證施肥位置的準(zhǔn)確性。如果使用人工智能方法直接處理[10-13],雖然能夠獲得較高精度,但是需要大量訓(xùn)練樣本完成學(xué)習(xí)過程,而且運(yùn)算量大計(jì)算時(shí)間長(zhǎng),對(duì)于NDVI這類時(shí)間敏感數(shù)據(jù)難以保證變量施肥的實(shí)時(shí)性。

        目前,較少涉及基于精準(zhǔn)實(shí)時(shí)變量追氮技術(shù),現(xiàn)有的NDVI變量施肥技術(shù),直接將采集NDVI數(shù)據(jù)代入施肥模型,當(dāng)拖拉機(jī)行駛速度過快驅(qū)動(dòng)設(shè)備響應(yīng)無法保證在采集點(diǎn)處施肥,導(dǎo)致實(shí)時(shí)變量施肥驅(qū)動(dòng)設(shè)備準(zhǔn)確信降低問題,實(shí)時(shí)性得不到保障。針對(duì)傳統(tǒng)變量施肥實(shí)時(shí)性差,難以適應(yīng)數(shù)據(jù)變化過快導(dǎo)致施肥位置準(zhǔn)確性降低等情況,設(shè)計(jì)實(shí)時(shí)預(yù)測(cè)算法組合模型,綜合利用不同單一預(yù)測(cè)模型,實(shí)現(xiàn)動(dòng)態(tài)數(shù)據(jù)采集處理,以權(quán)值分配的形式得出具有各模型特點(diǎn)的綜合預(yù)測(cè)模型,從而提高預(yù)測(cè)精度與判斷預(yù)測(cè)趨勢(shì)。

        1 系統(tǒng)結(jié)構(gòu)與工作原理

        設(shè)計(jì)基于NDVI中耕變量施肥機(jī)械,其主要結(jié)構(gòu)包括NDVI光譜傳感器、拖拉機(jī)、車載終端、GNSS接收機(jī)、液壓驅(qū)動(dòng)裝置、施肥機(jī)等幾部分組成。首先通過NDVI傳感器確定玉米冠層的歸一化指標(biāo)指數(shù)NDVI值,研究在有限時(shí)間內(nèi)計(jì)算處理NDVI值,實(shí)時(shí)的采集獲得的NDVI信息被輸入到智能變量施肥決策系統(tǒng),輸出控制指令控制施肥執(zhí)行機(jī)構(gòu),液壓馬達(dá)執(zhí)行施肥任務(wù)完成施肥量的調(diào)整控制。整體結(jié)構(gòu)如圖1所示。

        圖1 采集裝置主要組成設(shè)備Fig.1 Main equipment of the collection device

        在中耕變量施肥進(jìn)程中,使用近地光譜NDVI傳感器采集作物長(zhǎng)勢(shì)數(shù)據(jù),通過上位機(jī)施肥模型計(jì)算出對(duì)應(yīng)施肥量,將處理后生成的施肥量信號(hào)發(fā)送到液壓驅(qū)動(dòng)裝置從而進(jìn)行變量施肥控制。由于整個(gè)過程是實(shí)時(shí)采集處理,拖拉機(jī)處于行進(jìn)過程,并且液壓驅(qū)動(dòng)裝置也需要一定的緩沖時(shí)間進(jìn)行變控制,因此為了保證施肥準(zhǔn)確性,需要快速預(yù)測(cè)算法對(duì)數(shù)據(jù)整理,采用一種能夠適用于整個(gè)采樣區(qū)間范圍內(nèi)的處理方法。利用已采集的歷史數(shù)據(jù)對(duì)未來進(jìn)行預(yù)測(cè),采用三種指數(shù)平滑算法進(jìn)行算法組合從而對(duì)數(shù)值預(yù)測(cè),在預(yù)測(cè)值變化過程具有一定規(guī)律性,預(yù)測(cè)算法計(jì)算的數(shù)值具有準(zhǔn)確性與實(shí)時(shí)性。

        2 多模型組合實(shí)時(shí)預(yù)測(cè)算法

        2.1 算法模型基本思路

        光譜傳感器采集系統(tǒng)主要功能負(fù)責(zé)采集作物長(zhǎng)勢(shì)數(shù)據(jù),實(shí)時(shí)發(fā)送到車載計(jì)算機(jī)終端,由數(shù)據(jù)終端算法運(yùn)行處理,其算法模型基本思路首先使用不同分模型,各部分模型根據(jù)歷史數(shù)據(jù)為權(quán)值分配依據(jù),同時(shí)隨著數(shù)據(jù)不斷變化,對(duì)各自平滑系數(shù)進(jìn)行更新,在此基礎(chǔ)上對(duì)處理后的數(shù)據(jù)進(jìn)行融合,從而得到數(shù)據(jù)序列的變化趨勢(shì)以及趨勢(shì)發(fā)展的預(yù)測(cè)數(shù)據(jù),其模型建立的關(guān)鍵因素在確定分配調(diào)整的權(quán)值和各不同模型平滑系數(shù)的更新,算法具體思路如圖2所示。

        圖2 算法流程Fig.2 Algorithm flowchart

        2.2 多模型組合實(shí)時(shí)預(yù)測(cè)算法

        指數(shù)平滑法作為一種平滑預(yù)測(cè)算法[14],其思路主要將歷史數(shù)據(jù)近期與往期分別給予不同的權(quán)重,按指數(shù)遞減的規(guī)律,遠(yuǎn)離當(dāng)前的數(shù)據(jù)稱為遠(yuǎn)期數(shù)據(jù),其權(quán)重越??;越接近當(dāng)前的數(shù)據(jù)稱為近期數(shù)據(jù),權(quán)重越大。各平滑方法之間存在不同應(yīng)用范圍,對(duì)于廣泛使用的一次指數(shù)平滑法,其特點(diǎn)普遍應(yīng)用于時(shí)間序列的平滑處理,以及對(duì)無趨勢(shì)數(shù)據(jù)的分析研究,對(duì)水平型歷史數(shù)據(jù)的預(yù)測(cè)應(yīng)用較為普遍;二次指數(shù)平滑法的應(yīng)用于時(shí)間序列預(yù)測(cè),并且多集中在線性變化研究;三次指數(shù)平滑法適合用來對(duì)數(shù)據(jù)趨勢(shì)發(fā)展預(yù)測(cè),尤其對(duì)于季節(jié)性數(shù)據(jù)分析尤為顯著[15],二次和三次指數(shù)增加均是在一次的基礎(chǔ)上改進(jìn)。為區(qū)分不同階段采樣點(diǎn),將不同采樣時(shí)間階段數(shù)據(jù)將其依照時(shí)間序列分段。

        (1)一次指數(shù)平滑法

        平滑公式:

        (2)二次指數(shù)平滑法平滑公式:

        平滑預(yù)測(cè)模型:

        (3)三次指數(shù)平滑法

        平滑公式:

        平滑預(yù)測(cè)模型:

        2.3 平滑系數(shù)動(dòng)態(tài)調(diào)整方法

        隨著數(shù)據(jù)更新,以歷史數(shù)據(jù)作為參考依據(jù)動(dòng)態(tài)調(diào)整平滑系數(shù)a,選擇計(jì)算誤差最小的平滑系數(shù)作為最優(yōu)平滑系數(shù)[16-18],在接下來的數(shù)據(jù)處理過程中不斷更新計(jì)算調(diào)整平滑系數(shù)。平滑系數(shù)動(dòng)態(tài)調(diào)整的目的是為保證處理速度的實(shí)時(shí)性和對(duì)數(shù)據(jù)未來趨勢(shì)發(fā)展的準(zhǔn)確性,因此為了實(shí)現(xiàn)算法平滑系數(shù)實(shí)時(shí)動(dòng)態(tài)變化的調(diào)整,在采集數(shù)據(jù)階段實(shí)現(xiàn)選取最優(yōu)平滑系數(shù),采用區(qū)間遍歷求解方法求解,即改進(jìn)遍歷求解方法在區(qū)間范圍內(nèi)選取,在有限區(qū)間范圍的數(shù)量的平滑系數(shù)中挑選誤差最小的平滑系數(shù),下次計(jì)算平滑系數(shù)將得到更加準(zhǔn)確數(shù)據(jù)趨勢(shì)預(yù)測(cè),這種區(qū)間遍歷方法具有窮舉的數(shù)據(jù)量少、運(yùn)算速度快等優(yōu)點(diǎn)。

        平滑系數(shù)的初始值選取對(duì)整體數(shù)據(jù)趨勢(shì)判斷影響較大,因此設(shè)定參數(shù)ε,研究將ε作為平滑系數(shù)的精度求取范圍,在t次采樣周期時(shí)計(jì)算的平滑系數(shù)αt,在αt鄰域[αt-ε,αt+ε]范圍內(nèi)尋找單次最優(yōu)平滑系數(shù),研究表明全局最優(yōu)平滑系數(shù)在有限次迭代便可求出,其最大迭代次數(shù)為(1-ε)/ε。在數(shù)據(jù)平滑處理開始前,平滑系數(shù)α0的初始值以及權(quán)值系數(shù)被設(shè)定,用指數(shù)平滑經(jīng)驗(yàn)方法設(shè)置平滑系數(shù)的初始值,根據(jù)預(yù)測(cè)時(shí)的歷史數(shù)據(jù),分別計(jì)算平滑系數(shù)α為αt-ε、αt、αt+ε時(shí)的數(shù)據(jù)趨勢(shì)預(yù)測(cè)值,從預(yù)測(cè)誤差中比較選擇,誤差最小的α作為下一次實(shí)際預(yù)測(cè)時(shí)的平滑系數(shù)。方法每次選擇優(yōu)化參數(shù)只需計(jì)算三個(gè)平滑系數(shù),有效減少了計(jì)算頻率,提高了運(yùn)算效率。在沒有先驗(yàn)知識(shí)條件下,如果α=0.05,平滑系數(shù)最多在(1-4ε)/2ε達(dá)到最優(yōu)。因?yàn)閰?shù)的變化是穩(wěn)定的,在參數(shù)第一次達(dá)到最優(yōu)值后,之后的參數(shù)都是最優(yōu)的。

        2.4 動(dòng)態(tài)權(quán)值組合調(diào)整方法

        在使用三種指數(shù)平滑方法來平滑待處理的測(cè)量值之后,對(duì)三種方法進(jìn)行加權(quán)和求和以融合數(shù)據(jù)。研究發(fā)現(xiàn),初始權(quán)重只對(duì)第一次融合得到的數(shù)據(jù)有影響,對(duì)后續(xù)的趨勢(shì)預(yù)測(cè)和評(píng)估沒有影響。根據(jù)每個(gè)模型的前N個(gè)周期的平均誤差來確定權(quán)重。具體過程如圖3所示。

        圖3 權(quán)值確定流程圖Fig.3 Weight determination flowchart

        權(quán)值的確定首先要用到一次、二次和三次指數(shù)平滑法,分別計(jì)算采集的數(shù)據(jù)前N期平均相對(duì)誤差,為其命名標(biāo)記為Δ1,Δ2,Δ3,采用下列公式歸一化處理平均相對(duì)誤σi=Δi/∑Δj,權(quán)值分配基本思路按照小權(quán)值大誤差、大權(quán)值小誤差的原則。在權(quán)值分配的確定過程中,當(dāng)兩種模型比較時(shí)的誤差均值狀況過小或者過大,且二者之間誤差接近時(shí),這兩種模型將會(huì)具有相同的特征,具體特征為保持同等重要或者同為無效狀態(tài),因此最終結(jié)果應(yīng)保證權(quán)值基本相似。為解決非線性計(jì)算誤差采用Sigmoid曲線處理,能有效避免歸一化誤差兩極分化的問題,出現(xiàn)過大或者過小等情況使權(quán)重差異不顯著;當(dāng)兩模型歸一化誤差趨于中間位置,誤差的差異化會(huì)對(duì)導(dǎo)致權(quán)重產(chǎn)生更大的影響,設(shè)定為σ1、σ2和σ3為三種指數(shù)平滑模型歸一化的平均相對(duì)誤差,各部分權(quán)值的計(jì)算方法如下,按照如下公式進(jìn)行加權(quán),確定一步權(quán)值:

        權(quán)值更新:

        設(shè)置設(shè)定評(píng)價(jià)函數(shù):

        由于0<Δσ,lσ<1,因此評(píng)價(jià)函數(shù)中參數(shù)Δσ為遞增函數(shù),相反對(duì)于參數(shù)lσ是趨向于遞減函數(shù);當(dāng)評(píng)價(jià)函數(shù)f(b)取最小值時(shí),b值即為上述原則的最優(yōu)值,截尾誤差Δσ和線性度lσ指標(biāo)被計(jì)算得出;由于b=1和b=2時(shí)sigmoid的函數(shù)均處在線性區(qū)域,與選取sigmoid曲線目要求的不符,所以b=1和b=2時(shí),不滿足要求,隨b值的增加,評(píng)價(jià)函數(shù)f(b)的變化趨勢(shì)如圖4所示,當(dāng)b=5時(shí)滿足最優(yōu)條件,評(píng)價(jià)函數(shù)f(b)取得最小值。

        圖4 函數(shù)變化趨勢(shì)圖Fig.4 Function change trend chart

        3 試驗(yàn)與分析

        2019年6月15日黑龍江省黑河市趙光農(nóng)墾第四管理區(qū)十七作業(yè)站第10號(hào)地塊,田間試驗(yàn)為中耕追肥階段,坐標(biāo)位置為(東經(jīng)126°63′,北緯48°04′)區(qū)域,作業(yè)地塊如圖5所示,趙光農(nóng)場(chǎng)地區(qū)于中高緯度地帶,氣溫氣候年平均一般0.5℃左右,海拔在240~330 m之間,選取地號(hào)四周空曠無樹木遮擋問題,能有效保證GNSS定位準(zhǔn)確,保證采集點(diǎn)數(shù)據(jù)位置準(zhǔn)確性[19]。

        圖5 田間作業(yè)地塊Fig.5 Field trial plot

        研究對(duì)象是傳感器測(cè)量數(shù)據(jù)的實(shí)時(shí)處理分析,在采集作業(yè)過程中設(shè)備工況良好,采樣數(shù)據(jù)無異常變化,由于平滑系數(shù)的選取導(dǎo)致的趨勢(shì)預(yù)測(cè)誤差對(duì)整體影響較小[20-22]。為保證試驗(yàn)數(shù)據(jù)充足以及準(zhǔn)確性,NDVI光譜傳感器頻率每秒采集一次,截取1 000 s區(qū)間作為仿真數(shù)據(jù)如圖6所示,分析采集數(shù)據(jù)情況,由于氮肥底肥施用量不均或不足,難以支撐玉米作物后期養(yǎng)分需求,因此存在區(qū)域范圍內(nèi)作物長(zhǎng)勢(shì)不均問題。

        圖6 部分采集數(shù)據(jù)Fig.6 Part of the collected data

        以評(píng)價(jià)玉米氮素水平的NDVI數(shù)值進(jìn)行實(shí)時(shí)處理,并對(duì)其趨勢(shì)預(yù)測(cè),設(shè)三種基礎(chǔ)的指數(shù)平滑法平滑系數(shù)均為α=0.3,三種模型的權(quán)重分別為動(dòng)態(tài)權(quán)值調(diào)整和動(dòng)態(tài)系數(shù)調(diào)整;分析采樣數(shù)據(jù)空間相關(guān)性,因此采用歷史數(shù)據(jù)長(zhǎng)度為N=10作為數(shù)據(jù)區(qū)間范圍,對(duì)4種不同算法針的預(yù)測(cè)誤差如圖7~圖12所示。

        圖7 一步預(yù)測(cè)誤差圖Fig.7 One-step prediction error

        圖8 兩步預(yù)測(cè)誤差圖Fig.8 Two-step prediction error

        四種數(shù)據(jù)處理方法相同采集數(shù)據(jù)的預(yù)測(cè)綜合誤差比較,分析表示綜合預(yù)測(cè)均優(yōu)于單一的指數(shù)平滑法,相比于一步平滑預(yù)測(cè),對(duì)數(shù)據(jù)平滑效果更具有優(yōu)勢(shì),其他算法對(duì)數(shù)據(jù)的追蹤性更加顯著,雖然存在區(qū)間范圍波動(dòng),但即使在五步預(yù)測(cè)算法,其綜合平均誤差僅為0.154滿足實(shí)際生產(chǎn)要求。對(duì)于田間多種復(fù)雜作業(yè)情況均能有效適應(yīng),不需要對(duì)模型算法進(jìn)行訓(xùn)練,由于作物之間為區(qū)域相關(guān)性,研究區(qū)域范圍內(nèi)長(zhǎng)勢(shì)變化即可滿足實(shí)際田間生產(chǎn)作業(yè)需求,因此數(shù)據(jù)處理過程對(duì)只需近期歷史數(shù)據(jù),有效減少對(duì)數(shù)據(jù)依賴程度提高運(yùn)算速度,能夠很好地在接下NDVI值對(duì)進(jìn)行作物長(zhǎng)勢(shì)趨勢(shì)預(yù)測(cè),即使由于環(huán)境改變導(dǎo)致數(shù)值變化范圍較大,基于動(dòng)態(tài)調(diào)整的多模型融合算法都能夠較好地?cái)?shù)據(jù)預(yù)測(cè)。

        圖9 三步預(yù)測(cè)誤差圖Fig.9 Three-step prediction error

        圖10 四步預(yù)測(cè)誤差圖Fig.10 Four-step prediction error

        圖11 五步預(yù)測(cè)誤差圖Fig.11 Five-step prediction error

        表1 平均預(yù)測(cè)誤差Table 1 Average forecast error

        4 結(jié)論

        在傳統(tǒng)的指數(shù)平滑法基礎(chǔ)上,利用各模型算法的優(yōu)勢(shì)進(jìn)行組合,提出了一種動(dòng)態(tài)多模型指數(shù)組合算法,通過對(duì)傳感器采集數(shù)據(jù)進(jìn)行實(shí)時(shí)處理,解決變量施肥實(shí)時(shí)處理速度與預(yù)測(cè)趨勢(shì)精度問題,并且對(duì)模型算法存在的難點(diǎn)及問題進(jìn)行分析。

        (1)為解決最優(yōu)平滑系數(shù)問題,使數(shù)據(jù)預(yù)測(cè)趨勢(shì)精度提高,研究建立實(shí)時(shí)動(dòng)態(tài)調(diào)整指數(shù)平滑法最優(yōu)參數(shù)的方法,破除了在融合計(jì)算上只基于當(dāng)前周期參數(shù)計(jì)算權(quán)值的局限性,以區(qū)間范圍作為權(quán)值依據(jù),更加科學(xué)合理分配各部分模型的權(quán)值,綜合各平滑法的特點(diǎn),將有利于評(píng)估分析最優(yōu)趨勢(shì)預(yù)測(cè)的變化情況。

        (2)動(dòng)態(tài)多模型指數(shù)組合算法與其他三種指數(shù)平滑法相比,能夠更好地調(diào)整參數(shù)適應(yīng)實(shí)時(shí)變化的數(shù)據(jù)處理。該算法優(yōu)勢(shì)為無需模型構(gòu)建,算法數(shù)據(jù)分析只需權(quán)值分配合理即可滿足數(shù)據(jù)趨勢(shì)變化預(yù)測(cè),處理能力強(qiáng)可靠性高,因此能夠保證采樣間隔時(shí)間滿足運(yùn)算分析處理時(shí)間要求,并且能夠更加準(zhǔn)確地對(duì)采集數(shù)據(jù)處理,為變量施肥技術(shù)提供可靠的數(shù)據(jù)支持。

        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
        亚洲国产精品一区亚洲国产| 国产丝袜视频一区二区三区| 亚洲精品无码久久毛片| 久九九久视频精品网站| 久亚洲精品不子伦一区| 丰满少妇被粗大猛烈进人高清 | 精品一区二区三区免费播放| 久久无码高潮喷水免费看| 色se在线中文字幕视频| 日本最新一区二区三区视频观看 | 久久精品中文字幕大胸| 热99re久久精品这里都是免费| 一区二区三区午夜视频在线观看| 偷拍综合在线视频二区日韩| 真人做人试看60分钟免费视频| 久久久噜噜噜久久中文字幕色伊伊| 亚洲综合网一区二区三区| 久久综合国产精品一区二区| 国产啪亚洲国产精品无码 | 少妇人妻精品久久888| 少妇高潮无套内谢麻豆传| 成人天堂资源www在线| 久久久久久无码AV成人影院| 精品视频入口| 人妻av不卡一区二区三区| 少妇人妻综合久久中文字幕| 欧妇女乱妇女乱视频| 久草热这里只有精品在线| 亚洲精品中文字幕乱码无线| 成人在线免费电影| 亚洲欧美国产日韩天堂在线视| 日韩丝袜人妻中文字幕| 一个少妇的淫片免费看| 97成人碰碰久久人人超级碰oo| 日本精品一区二区三本中文| 手机在线免费观看的av| 日本护士xxxx视频| 99久久久国产精品免费蜜臀| 亚洲图文一区二区三区四区| 国产成人精品优优av| 亚洲不卡中文字幕无码|