欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營(yíng)的一線實(shí)戰(zhàn)洞察。

用極端隨機(jī)樹(shù)實(shí)現(xiàn)遙感巖性識(shí)別:特征構(gòu)建與調(diào)參實(shí)戰(zhàn)

用極端隨機(jī)樹(shù)實(shí)現(xiàn)遙感巖性識(shí)別:特征構(gòu)建與調(diào)參實(shí)戰(zhàn) 簡(jiǎn)介針對(duì)遙感圖像巖性識(shí)別中人工特征依賴與參數(shù)調(diào)優(yōu)繁瑣的痛點(diǎn)采用極端隨機(jī)樹(shù)模型并集成布谷鳥(niǎo)、粒子群等優(yōu)化算法實(shí)現(xiàn)端到端自動(dòng)調(diào)參所有工程代碼基于Python編寫是遙感地學(xué)與機(jī)器學(xué)習(xí)交叉方向的高分畢設(shè)工程。項(xiàng)目面向計(jì)算機(jī)、人工智能、遙感地信等相關(guān)專業(yè)在校生及企業(yè)算法人員尤其適合作為課程設(shè)計(jì)、畢業(yè)設(shè)計(jì)或算法對(duì)比實(shí)驗(yàn)的參照方案。包體共10個(gè)文件含8個(gè)Python源碼、1個(gè)訓(xùn)練好的RF模型pickle文件及1份Markdown說(shuō)明文檔代碼模塊覆蓋數(shù)據(jù)預(yù)處理、TXT轉(zhuǎn)CSV、模型構(gòu)建訓(xùn)練、布谷鳥(niǎo)與PSO尋優(yōu)等完整流程壓縮包僅63KB方便快速部署與二次開(kāi)發(fā)。目前已有159人學(xué)習(xí)下載資源描述顯示測(cè)試運(yùn)行穩(wěn)定、答辯評(píng)價(jià)高既可直接復(fù)現(xiàn)巖性識(shí)別流程也便于替換數(shù)據(jù)以拓展至其他遙感分類任務(wù)。整體輕量且模塊化適合逐步跟蹤調(diào)試。1. 用極端隨機(jī)樹(shù)做遙感巖性識(shí)別為什么這個(gè)方案值得你親手跑一遍地質(zhì)填圖、礦產(chǎn)勘查甚至工程選址里最耗時(shí)的環(huán)節(jié)之一就是把遙感影像上的色調(diào)、紋理差異翻譯成巖性界線。傳統(tǒng)目視解譯靠肉眼看波段組合一個(gè)圖幅解譯下來(lái)要兩三天而且不同人圈出來(lái)的界線經(jīng)常對(duì)不上。極端隨機(jī)樹(shù)模型把這件事變成“選特征、點(diǎn)樣本、跑模型、出圖”的自動(dòng)化流水線每個(gè)像元被當(dāng)成一個(gè)樣本光譜特征加地形特征送進(jìn)樹(shù)模型輸出巖性類別。這篇文章給你完整落地路徑巖性識(shí)別為什么能用遙感數(shù)據(jù)做、極端隨機(jī)樹(shù)比隨機(jī)森林強(qiáng)在哪、布谷鳥(niǎo)和粒子群兩種優(yōu)化算法怎么給模型調(diào)參以及全程 Python 代碼和寫文檔說(shuō)明時(shí)該突出的重點(diǎn)。適合手里有遙感影像、想用一份能復(fù)用代碼直接跑通的人群新手能跟著做熟手能避開(kāi)幾個(gè)常見(jiàn)大坑。2. 巖性識(shí)別的光譜基礎(chǔ)與極端隨機(jī)樹(shù)模型這對(duì)組合為什么靠譜2.1 遙感巖性識(shí)別的物理基礎(chǔ)我們從影像里能看到什么巖石種類不同造巖礦物組合不同反射光譜就有差異。碳酸鹽巖在 2.3 μm 附近有明顯的吸收特征黏土礦物在 2.2 μm 附近有 Al-OH 吸收帶鐵氧化物在可見(jiàn)光紅波段到藍(lán)波段之間吸收強(qiáng)烈。Landsat 8 OLI 的第二個(gè)到第七個(gè)波段恰好覆蓋這些區(qū)間所以可以用短波紅外兩個(gè)波段的比值識(shí)別黏土化用紅/藍(lán)比值識(shí)別鐵染再疊上 DEM 派生的坡度和坡向一個(gè)像元就能組成十幾維的特征向量。這就是整個(gè)巖性識(shí)別方案能成立的物理前提。要澄清一個(gè)定位遙感巖性識(shí)別和遙感圖像目標(biāo)檢測(cè)不是一回事。目標(biāo)檢測(cè)在影像里找“哪里有礦坑、哪里有水體”輸出外接框巖性識(shí)別做的是像元級(jí)分類每個(gè)像素被分到某個(gè)巖性類別輸出是一張柵格圖。既然是分類任務(wù)隨機(jī)森林、支持向量機(jī)也都能做真正的問(wèn)題是它們?cè)诙S光譜地形特征、十幾萬(wàn)甚至幾十萬(wàn)像元樣本、類別又高度不平衡時(shí)精度和效率不好兼顧。這也是極端隨機(jī)樹(shù)在這類任務(wù)里被頻繁選用的原因。2.2 極端隨機(jī)樹(shù) vs 隨機(jī)森林Extra-Trees 到底“極端”在哪里極端隨機(jī)樹(shù)Extremely Randomized Trees簡(jiǎn)稱 Extra-Trees與隨機(jī)森林的差別從名字就能看出比隨機(jī)森林更隨機(jī)。隨機(jī)森林做兩件隨機(jī)的事——用 bootstrap 抽樣構(gòu)造每棵樹(shù)的訓(xùn)練子集在每個(gè)節(jié)點(diǎn)從隨機(jī)特征子集中尋找最優(yōu)分裂閾值。Extra-Trees 把隨機(jī)推到極致第一不抽樣每棵樹(shù)直接用全量訓(xùn)練集第二分裂閾值也是隨機(jī)生成的算法在幾個(gè)隨機(jī)閾值里挑一個(gè)讓不純度下降最大的而不是遍歷所有特征值找全局最優(yōu)。這兩處改動(dòng)換來(lái)的是更低的方差和更快訓(xùn)練速度代價(jià)是單棵樹(shù)的偏差略微變大靠多棵樹(shù)集成把偏差補(bǔ)回來(lái)。在遙感巖性識(shí)別場(chǎng)景里這個(gè)特點(diǎn)非常合適。遙感像元樣本在空間上高度自相關(guān)同一巖性單元里相鄰像素光譜幾乎一樣bootstrap 抽樣對(duì)降低方差的幫助有限特征又多——原始波段、比值、地形、紋理疊起來(lái)能到二三十維其中很多特征互相相關(guān)隨機(jī)閾值分裂反而讓樹(shù)在特征選擇上更均勻不容易被一兩個(gè)強(qiáng)特征帶偏。我拿同一份數(shù)據(jù)對(duì)比過(guò)隨機(jī)森林和 Extra-Trees總體精度接近時(shí)極端隨機(jī)樹(shù)的訓(xùn)練時(shí)間大約少三分之一對(duì)特征噪聲也更不敏感。2.3 為什么必須參數(shù)調(diào)優(yōu)Extra-Trees 的門檻在超參數(shù)sklearn 里 ExtraTreesClassifier 的默認(rèn)參數(shù)是通用經(jīng)驗(yàn)值不是為遙感數(shù)據(jù)設(shè)計(jì)的。n_estimators 默認(rèn) 100對(duì)像元級(jí)分類動(dòng)輒幾十萬(wàn)樣本來(lái)說(shuō)偏少max_features 默認(rèn) sqrt高維特征下每個(gè)節(jié)點(diǎn)只隨機(jī)考察四五個(gè)特征樹(shù)與樹(shù)之間相關(guān)性變高集成效果打折扣min_samples_leaf 默認(rèn) 1遙感數(shù)據(jù)里巖性邊界處有大量混合像元標(biāo)簽本身帶噪聲葉子上只有一個(gè)樣本很容易過(guò)擬合。這幾個(gè)參數(shù)的合理取值和數(shù)據(jù)集規(guī)模、類別數(shù)、特征維度強(qiáng)相關(guān)手調(diào)很容易陷入“調(diào)一個(gè)、壞一個(gè)”的循環(huán)。用網(wǎng)格搜索又太貴一個(gè) 5 折交叉驗(yàn)證的 Extra-Trees 在中等規(guī)模數(shù)據(jù)上要跑幾十秒三參數(shù)網(wǎng)格隨便一搜就是上千次實(shí)驗(yàn)還都是獨(dú)立實(shí)驗(yàn)完全浪費(fèi)計(jì)算量。布谷鳥(niǎo)搜索和粒子群優(yōu)化這類元啟發(fā)式算法反而更現(xiàn)實(shí)——它們不要求目標(biāo)函數(shù)可導(dǎo)把 Extra-Trees 的交叉驗(yàn)證精度當(dāng)黑匣子用種群迭代的方式在參數(shù)空間里找好點(diǎn)。接下來(lái)兩章先解決數(shù)據(jù)和樣本問(wèn)題第四章給出完整調(diào)參實(shí)現(xiàn)。3. 遙感圖像標(biāo)注與特征棧構(gòu)建精度天花板其實(shí)在這一步先把結(jié)論放前面模型再?gòu)?qiáng)也救不了爛樣本和弱特征。巖性識(shí)別項(xiàng)目的精度上限早在你加載影像、圈樣本的那一刻就定死了。這一章把數(shù)據(jù)側(cè)的問(wèn)題一次講透。3.1 數(shù)據(jù)源與特征層組合Landsat 8 DEM 常見(jiàn)搭配怎么搭我常用的特征層組合如下注意特征順序必須固定第五章會(huì)講為什么順序錯(cuò)一位預(yù)測(cè)結(jié)果就面目全非。特征層來(lái)源/計(jì)算方式主要響應(yīng)的巖性信息OLI 波段 B2-B7Landsat 8 表面反射率鐵氧化物、黏土礦物的基本光譜輪廓鐵氧化物比值B4 / B2火成巖區(qū)氧化鐵含量差異黏土礦物比值B6 / B7黏土化、熱液蝕變帶識(shí)別坡度、坡向DEM 派生巖性抗風(fēng)化能力導(dǎo)致的地形差異GLCM 紋理對(duì)第一主成分做 3×3 窗口區(qū)分厚層塊狀砂巖與薄層泥巖NDVI 掩膜植被指數(shù)不直接入特征用于剔除植被干擾Landsat 8 OLI 的 B6、B7 兩個(gè)短波紅外波段是巖性識(shí)別的核心因?yàn)榇蠖鄶?shù)造巖礦物的診斷性吸收特征都在 1.6-2.4 μm 區(qū)間。B2-B5 提供鐵氧化物和植被的上下文信息。DEM 的作用是輔助尤其在沉積巖地區(qū)陡坎、緩坡與巖性差異有明顯的對(duì)應(yīng)關(guān)系坡度特征能把“光譜相似但地形表現(xiàn)不同”的兩類巖石分開(kāi)。遙感圖像標(biāo)注的常見(jiàn)做法是打開(kāi)影像套已有地質(zhì)圖把每個(gè)巖性單元手動(dòng)圈幾個(gè)多邊形。這樣能得到大量樣本點(diǎn)但里面藏著一個(gè)大問(wèn)題空間自相關(guān)。同一巖性單元內(nèi)部相鄰像素光譜高度相似它們并不是獨(dú)立樣本。如果把訓(xùn)練區(qū)和驗(yàn)證區(qū)從同一批多邊形里隨機(jī)切開(kāi)驗(yàn)證集里全是訓(xùn)練樣本的“近親”交叉驗(yàn)證精度能報(bào)到 96% 以上把模型換到另一圖幅預(yù)測(cè)直接掉到 70% 出頭。解決思路是訓(xùn)練多邊形和驗(yàn)證多邊形在地理上物理隔開(kāi)。比如某巖性單元在研究區(qū)有 5 個(gè)出露區(qū)塊用其中 3 個(gè)區(qū)塊訓(xùn)練剩下 2 個(gè)區(qū)塊完全不出現(xiàn)在訓(xùn)練集里只做驗(yàn)證。這個(gè)邏輯一定要寫進(jìn)文檔說(shuō)明里答辯時(shí)老師最常問(wèn)的“驗(yàn)證精度怎么來(lái)的”就在這里。3.3 樣本均衡與掩膜先把水體、植被和陰影剔掉巖性類別天然不平衡。大面積沉積巖類——砂巖、泥巖——樣本量輕松上萬(wàn)小面積侵入巖脈可能只有幾百個(gè)像元。Extra-Trees 對(duì)不平衡的敏感度比 SVM 低但不處理照樣會(huì)出問(wèn)題。我一般做兩件事先做掩膜把水體、濃密植被、云陰影對(duì)應(yīng)的像元全部置為無(wú)效因?yàn)檫@些地物的光譜和巖石無(wú)關(guān)留著只會(huì)讓模型學(xué)習(xí)“區(qū)分水和石頭”這類無(wú)效規(guī)則再做類別加權(quán)設(shè)置 class_weight 參數(shù)讓少數(shù)類在分裂時(shí)獲得更高的權(quán)重。數(shù)據(jù)加載和特征矩陣構(gòu)建的代碼長(zhǎng)這樣import numpy as np import pandas as pd import rasterio from sklearn.preprocessing import LabelEncoder # 1. 讀入訓(xùn)練區(qū)樣本點(diǎn)坐標(biāo)與標(biāo)簽 train_pts pd.read_csv(train_samples.csv) # 列: x, y, lithology # lithology 是巖性字符串例如 limestone / granite / sandstone # 2. 按坐標(biāo)從多波段影像中提取光譜向量 def extract_pixels(src_path, pts): with rasterio.open(src_path) as src: rows, cols rasterio.transform.rowcol(src.transform, pts[x].values, pts[y].values) data src.read() # 形狀 (bands, H, W) samples data[:, rows, cols].T # 轉(zhuǎn)置為 (n_points, n_bands) return samples X_spectral extract_pixels(feature_stack.tif, train_pts) # 3. 拼接 DEM 派生的地形特征 X_dem train_pts[[slope, aspect]].values X np.hstack([X_spectral, X_dem]) # 4. 巖性字符串編碼為整數(shù)類別 le LabelEncoder() y le.fit_transform(train_pts[lithology]) print(特征矩陣形狀:, X.shape) # (樣本數(shù), 波段數(shù) 地形特征數(shù)) print(巖性類別:, le.classes_)邏輯說(shuō)明第一步讀樣本點(diǎn) CSV坐標(biāo)必須和影像使用同一投影坐標(biāo)系否則提取出的光譜全是錯(cuò)的。第二步用 rasterio.transform.rowcol 把投影坐標(biāo)換算成影像的行列號(hào)一次性取出所有波段對(duì)應(yīng)位置的像元值。這里用 numpy 數(shù)組索引代替 for 循環(huán)樣本量上萬(wàn)時(shí)速度差異非常明顯。第三步把坡度、坡向橫向拼到光譜后面特征順序從這一步就固定下來(lái)后面訓(xùn)練和預(yù)測(cè)必須保持一致。第四步用 LabelEncoder 把巖性字符串變成 0、1、2 等整數(shù)。參數(shù)說(shuō)明src.read() 不帶 window 會(huì)把整幅影像載入內(nèi)存訓(xùn)練區(qū)一般圖幅不大可以這么做如果影像有幾個(gè) GB必須用 windowed reading第六章給出分塊方案。rowcol 返回的是整數(shù)行列號(hào)numpy 的整數(shù)數(shù)組索引可以直接用于 data[:, rows, cols]。注意數(shù)據(jù)清洗要在特征提取之前完成NDVI 掩膜最好在生成特征棧時(shí)就把無(wú)效值替換為 NaN 或統(tǒng)一標(biāo)記不要留到建模階段再處理。4. Python 實(shí)現(xiàn)極端隨機(jī)樹(shù)訓(xùn)練 布谷鳥(niǎo)/粒子群調(diào)參全流程到這里數(shù)據(jù)已經(jīng)變成特征矩陣 X 和標(biāo)簽 y。這一章給出三塊可直接抄的代碼Extra-Trees 基線與交叉驗(yàn)證設(shè)置、布谷鳥(niǎo)搜索調(diào)參、粒子群調(diào)參。調(diào)參時(shí)注意只用訓(xùn)練區(qū)數(shù)據(jù)驗(yàn)證區(qū)碰都不能碰。4.1 極端隨機(jī)樹(shù)基線模型參數(shù)怎么設(shè)才不是默認(rèn)值先搭建基線模型目的是拿到一個(gè)“調(diào)參前的分?jǐn)?shù)”后面所有優(yōu)化結(jié)果都要跟它對(duì)比f(wàn)rom sklearn.ensemble import ExtraTreesClassifier from sklearn.model_selection import StratifiedKFold, cross_val_score # 基線 Extra-Trees et_base ExtraTreesClassifier( n_estimators300, max_features0.5, # 每個(gè)節(jié)點(diǎn)隨機(jī)考察 50% 的特征 min_samples_leaf5, # 葉子節(jié)點(diǎn)至少 5 個(gè)樣本 min_samples_split10, bootstrapFalse, # Extra-Trees 標(biāo)準(zhǔn)做法不抽樣 n_jobs-1, random_state42 ) cv StratifiedKFold(n_splits5, shuffleTrue, random_state42) base_score cross_val_score(et_base, X_train, y_train, cvcv, scoringbalanced_accuracy).mean() print(f基線 balanced accuracy {base_score:.4f})邏輯說(shuō)明這里用 balanced_accuracy 而不是普通 accuracy因?yàn)閹r性類別不平衡普通精度會(huì)被大面積類別綁架少數(shù)類分錯(cuò)多少都看不出來(lái)。balanced accuracy 先逐類算召回率再取平均每一類權(quán)重相同。cross_val_score 內(nèi)部會(huì)自動(dòng)訓(xùn)練和評(píng)估返回 5 折的分?jǐn)?shù)列表。參數(shù)說(shuō)明n_estimators300 是考慮到像元級(jí)樣本量通常很大默認(rèn) 100 棵樹(shù)不夠穩(wěn)max_features0.5 是關(guān)鍵改動(dòng)遙感特征里波段和比值高度相關(guān)sqrt 模式下每棵樹(shù)只看四五個(gè)特征容易漏掉波段比值之間的組合信息改成 0.5 讓每棵樹(shù)考察一半特征min_samples_leaf5 防止巖性邊界上的混合像元把樹(shù)逼到過(guò)擬合bootstrapFalse 是 Extra-Trees 區(qū)別于隨機(jī)森林的典型設(shè)置改成 True 反而改變算法性質(zhì)效果通常更差。4.2 布谷鳥(niǎo)搜索調(diào)參Lévy 飛行和 pa 丟棄率怎么實(shí)現(xiàn)布谷鳥(niǎo)搜索的核心是 Lévy 飛行新解不是朝固定方向走而是頻繁出現(xiàn)短步長(zhǎng)加偶爾長(zhǎng)跳躍的行走模式長(zhǎng)跳躍負(fù)責(zé)跳出局部最優(yōu)。宿主鳥(niǎo)發(fā)現(xiàn)外來(lái)蛋后以概率 pa 丟棄部分解相當(dāng)于每輪淘汰一批差解保持種群多樣性。import numpy as np from math import gamma # 參數(shù)空間統(tǒng)一映射到 [0,1]解碼時(shí)還原成真實(shí)參數(shù) # 位置 pos[0] - n_estimators, pos[1] - max_features, pos[2] - min_samples_leaf def decode(pos): n_est int(pos[0] * (800 - 100) 100) # 100 ~ 800 max_feat pos[1] * 0.8 0.1 # 0.1 ~ 0.9 min_leaf int(pos[2] * 29 1) # 1 ~ 30 return n_est, max_feat, min_leaf def fitness(pos): n_est, max_feat, min_leaf decode(pos) model ExtraTreesClassifier( n_estimatorsn_est, max_featuresmax_feat, min_samples_leafmin_leaf, bootstrapFalse, n_jobs-1, random_state42 ) return cross_val_score(model, X_train, y_train, cv5, scoringbalanced_accuracy).mean() def levy_flight(beta1.5): sigma (gamma(1 beta) * np.sin(np.pi * beta / 2) / (gamma((1 beta) / 2) * beta * 2 ** ((beta - 1) / 2))) ** (1 / beta) u np.random.normal(0, sigma) v np.random.normal(0, 1) return u / (abs(v) ** (1 / beta)) def cuckoo_search(n_nests10, n_iter30, pa0.25): nests np.random.uniform(0, 1, (n_nests, 3)) best_score -np.inf best_pos None for it in range(n_iter): # 對(duì)所有巢做 Lévy 飛行更新 for i in range(n_nests): step levy_flight() other nests[np.random.choice(n_nests)] new_pos nests[i] 0.01 * step * (nests[i] - other) new_pos np.clip(new_pos, 0, 1) if fitness(new_pos) fitness(nests[i]): nests[i] new_pos # 宿主鳥(niǎo)發(fā)現(xiàn)布谷鳥(niǎo)蛋隨機(jī)丟棄一部分解 for i in range(n_nests): if np.random.rand() pa: nests[i] np.random.uniform(0, 1, 3) # 更新全局最優(yōu) for i in range(n_nests): s fitness(nests[i]) if s best_score: best_score s best_pos nests[i].copy() print(f迭代 {it1}: 最優(yōu) balanced accuracy {best_score:.4f}) return decode(best_pos), best_score best_params, best_score cuckoo_search() print(布谷鳥(niǎo)最優(yōu)參數(shù):, best_params, 得分:, best_score)邏輯說(shuō)明每個(gè)巢就是一個(gè)參數(shù)組合decode 把 0-1 之間的連續(xù)值映射到參數(shù)真實(shí)區(qū)間這樣做是為了讓粒子/巢穴在同一個(gè)量綱的空間里移動(dòng)避免 n_estimators 范圍幾百、min_samples_leaf 范圍只有幾十導(dǎo)致搜索效率失衡。fitness 函數(shù)每次調(diào)用都做一次 5 折交叉驗(yàn)證返回 balanced accuracy這是整個(gè)優(yōu)化過(guò)程的“黑匣子評(píng)估器”。參數(shù)說(shuō)明步長(zhǎng)縮放因子 0.01 控制 Lévy 跳躍的幅度太大容易在參數(shù)空間亂飛太小收斂慢pa0.25 是布谷鳥(niǎo)搜索的經(jīng)典取值表示每輪約四分之一的解被隨機(jī)重置這個(gè)值一般不用調(diào)。n_nests10、n_iter30 是兼顧計(jì)算量的常見(jiàn)設(shè)置注意一次 fitness 調(diào)用要訓(xùn)練 5 棵樹(shù)模型30 輪乘 10 個(gè)巢就是 300 次評(píng)估跑完全量數(shù)據(jù)可能要幾小時(shí)。實(shí)操建議先用下采樣到 2 萬(wàn)樣本的數(shù)據(jù)把調(diào)參流程跑通拿到最優(yōu)參數(shù)區(qū)間后再放全量精修。4.3 粒子群優(yōu)化調(diào)參慣性權(quán)重衰減和速度更新粒子群走的是另一條路每個(gè)粒子記住自己的歷史最優(yōu)位置 pbest種群共享全局最優(yōu) gbest速度和位置按公式更新。我把慣性權(quán)重 w 從 0.9 線性衰減到 0.4前期大權(quán)重讓粒子廣泛探索后期小權(quán)重讓粒子在最優(yōu)附近精細(xì)搜索避免一上來(lái)就收斂到局部最優(yōu)。def pso_tune(n_particles12, n_iter30, w_start0.9, w_end0.4, c11.5, c21.5): dim 3 pos np.random.uniform(0, 1, (n_particles, dim)) vel np.random.uniform(-0.1, 0.1, (n_particles, dim)) pbest_pos pos.copy() pbest_score np.array([fitness(p) for p in pos]) gbest_idx np.argmax(pbest_score) gbest_score pbest_score[gbest_idx] gbest_pos pbest_pos[gbest_idx].copy() for it in range(n_iter): w w_start - (w_start - w_end) * it / n_iter # 慣性權(quán)重線性衰減 for i in range(n_particles): r1, r2 np.random.rand(2) # 速度更新慣性 個(gè)體認(rèn)知 群體認(rèn)知 vel[i] (w * vel[i] c1 * r1 * (pbest_pos[i] - pos[i]) c2 * r2 * (gbest_pos - pos[i])) # 位置更新并限制在 [0, 1] 邊界內(nèi) pos[i] np.clip(pos[i] vel[i], 0, 1) s fitness(pos[i]) if s pbest_score[i]: pbest_score[i] s pbest_pos[i] pos[i].copy() if s gbest_score: gbest_score s gbest_pos pos[i].copy() print(f迭代 {it1}: gbest {gbest_score:.4f}) return decode(gbest_pos), gbest_score pso_params, pso_score pso_tune() print(粒子群最優(yōu)參數(shù):, pso_params, 得分:, pso_score)邏輯說(shuō)明速度更新三項(xiàng)分別代表三個(gè)方向的力——慣性項(xiàng)保留上一輪運(yùn)動(dòng)趨勢(shì)認(rèn)知項(xiàng)把粒子拉向自己歷史最優(yōu)社會(huì)項(xiàng)把粒子拉向種群全局最優(yōu)。通過(guò)調(diào)節(jié) c1 和 c2 控制兩股力的強(qiáng)弱c1 太大會(huì)讓每個(gè)粒子只顧自己亂跑c2 太大會(huì)讓種群過(guò)早抱團(tuán)。位置更新后 np.clip 把粒子限制在 [0,1] 空間里解碼函數(shù)的區(qū)間邊界在那里等著。參數(shù)說(shuō)明w 線性衰減是粒子群調(diào)參的經(jīng)典技巧從 0.9 到 0.4 是經(jīng)驗(yàn)區(qū)間c1c21.5 是比較保守的配置不會(huì)讓粒子飛太猛。粒子數(shù) n_particles12 三輪迭代的評(píng)估次數(shù)是 360 次和布谷鳥(niǎo)差不多。兩種算法跑完后對(duì)比分?jǐn)?shù)如果差異在 0.005 以內(nèi)取更簡(jiǎn)單的那個(gè)參數(shù)組合不要迷信“看起來(lái)更高的那一位”。表布谷鳥(niǎo)搜索與粒子群調(diào)參設(shè)置對(duì)比項(xiàng)目布谷鳥(niǎo)搜索 CS粒子群 PSO種群大小10 巢12 粒子迭代輪數(shù)3030核心機(jī)制Lévy 飛行 pa 丟棄慣性權(quán)重 pbest/gbest 吸引關(guān)鍵參數(shù)步長(zhǎng) 0.01pa0.25w 0.9→0.4c1c21.5典型適應(yīng)性跳出局部最優(yōu)能力強(qiáng)收斂速度快后期精細(xì)搜索4.4 調(diào)參結(jié)果回讀與模型保存優(yōu)化算法輸出的只是一組參數(shù)坐標(biāo)拿到后要重新訓(xùn)練一個(gè)完整模型并用空間隔離的驗(yàn)證區(qū)做最終評(píng)估from sklearn.metrics import balanced_accuracy_score import joblib best_model ExtraTreesClassifier( n_estimatorsbest_params[0], max_featuresbest_params[1], min_samples_leafbest_params[2], bootstrapFalse, n_jobs-1, random_state42 ) best_model.fit(X_train, y_train) train_score balanced_accuracy_score(y_train, best_model.predict(X_train)) val_score balanced_accuracy_score(y_val, best_model.predict(X_val)) print(f訓(xùn)練集 balanced acc {train_score:.4f}) print(f驗(yàn)證集 balanced acc {val_score:.4f}) joblib.dump(best_model, lithology_et_best.joblib) joblib.dump(le, label_encoder.joblib)邏輯說(shuō)明train_score 和 val_score 的差距是判斷過(guò)擬合的直接證據(jù)。兩者相差超過(guò) 0.1說(shuō)明參數(shù)搜出來(lái)的組合過(guò)分依賴訓(xùn)練區(qū)細(xì)節(jié)優(yōu)先檢查調(diào)參時(shí)是不是不小心把驗(yàn)證區(qū)樣本卷進(jìn) fitness 評(píng)估了。joblib 保存的模型文件里包含完整樹(shù)結(jié)構(gòu)后面逐像元預(yù)測(cè)直接加載不用重新訓(xùn)練。參數(shù)說(shuō)明這里用的是隨機(jī)種子 42 固定復(fù)現(xiàn)如果你在其他論文里看到“以 0.87 為最優(yōu)參數(shù)”但無(wú)法復(fù)現(xiàn)大概率是沒(méi)固定 random_state。文檔說(shuō)明里寫清隨機(jī)種子和交叉驗(yàn)證折數(shù)是評(píng)閱老師最看重的可復(fù)現(xiàn)性細(xì)節(jié)。5. 巖性識(shí)別避坑5 個(gè)讓分類結(jié)果翻車的常見(jiàn)問(wèn)題這一章全部是踩過(guò)的坑按“現(xiàn)象 → 原因 → 解決”寫每條都能對(duì)應(yīng)到實(shí)際運(yùn)行時(shí)的報(bào)錯(cuò)或異常結(jié)果。5.1 特征順序錯(cuò)位訓(xùn)練跑得很好整幅圖預(yù)測(cè)時(shí)全是噪聲現(xiàn)象模型在訓(xùn)練集和驗(yàn)證集上的精度都很正常但用整幅影像預(yù)測(cè)時(shí)輸出圖像完全錯(cuò)亂花崗巖分布區(qū)變成了砂巖紋理像是被打亂的馬賽克。原因預(yù)測(cè)階段重建特征向量時(shí)特征順序和訓(xùn)練時(shí)不一致。訓(xùn)練時(shí)你可能用“B2-B7 坡度 坡向”的順序拼接預(yù)測(cè)時(shí)用了“坡度 坡向 B2-B7”或者漏了某個(gè)波段比值。Extra-Trees 對(duì)特征順序不敏感但特征矩陣的列順序必須和訓(xùn)練時(shí)完全一致樹(shù)節(jié)點(diǎn)上記錄的分裂特征索引是按列位置存的。解決把特征棧的構(gòu)建寫成一個(gè)函數(shù)訓(xùn)練和預(yù)測(cè)都調(diào)用同一個(gè)函數(shù)生成特征矩陣不要在兩處各寫一遍。我在代碼里習(xí)慣把 band_list、terrain_features 定義成全局列表預(yù)測(cè)前打印一下 X.shape[1]和訓(xùn)練時(shí)對(duì)不上就直接停下排查。5.2 隨機(jī)切分驗(yàn)證集精度虛高到 97%一換圖幅就崩現(xiàn)象交叉驗(yàn)證精度 96% 以上模型在訓(xùn)練區(qū)附近看起來(lái)完美一旦預(yù)測(cè)到相鄰圖幅精度掉到 70% 左右。原因訓(xùn)練和驗(yàn)證樣本來(lái)自同一批巖性出露區(qū)空間上強(qiáng)相關(guān)的像素被隨機(jī)分到兩側(cè)驗(yàn)證集沒(méi)有獨(dú)立代表性。遙感像元不是獨(dú)立樣本同一巖性單元的相鄰像素光譜幾乎一樣模型記住的是局部光譜模式而不是巖性規(guī)律。解決按地理區(qū)塊劃分訓(xùn)練和驗(yàn)證同一巖性單元的不同出露區(qū)塊必須嚴(yán)格隔離。我見(jiàn)過(guò)的最簡(jiǎn)單做法是在 GIS 里按多邊形編號(hào)切分區(qū)塊 id 為奇數(shù)的進(jìn)訓(xùn)練偶數(shù)的進(jìn)驗(yàn)證。這樣驗(yàn)證精度才有實(shí)際意義也禁得住答辯追問(wèn)。5.3 調(diào)參時(shí)把驗(yàn)證區(qū)卷進(jìn)來(lái)布谷鳥(niǎo)“優(yōu)化”出的參數(shù)是假高分現(xiàn)象布谷鳥(niǎo)搜索報(bào)出的最優(yōu)分?jǐn)?shù) 0.93按最優(yōu)參數(shù)重新訓(xùn)練后驗(yàn)證區(qū)分?jǐn)?shù)只有 0.81差距大得離譜。原因fitness 函數(shù)里做交叉驗(yàn)證時(shí)用的是全量 X 而不是 X_train驗(yàn)證區(qū)樣本混進(jìn)調(diào)參過(guò)程優(yōu)化算法等于提前“看過(guò)答案”。這比隨機(jī)切分的坑更隱蔽因?yàn)楸砻嫔峡唇徊骝?yàn)證流程完整實(shí)際上數(shù)據(jù)泄漏已經(jīng)發(fā)生。解決調(diào)參前嚴(yán)格區(qū)分 X_train 和 X_valfitness 內(nèi)部只接收 X_train。一個(gè)檢查技巧把調(diào)參后的最優(yōu)參數(shù)用固定的隨機(jī)種子重跑一遍直接看驗(yàn)證區(qū)分?jǐn)?shù)如果明顯低于調(diào)參時(shí)報(bào)出的分?jǐn)?shù)立刻檢查數(shù)據(jù)切割順序。5.4 少數(shù)巖性類全滅花崗巖脈幾百個(gè)像元全被劃成砂巖現(xiàn)象混淆矩陣?yán)锎竺娣e砂巖類精度 90%花崗巖類召回率只有 8%模型幾乎沒(méi)把它識(shí)別出來(lái)。原因類別不平衡加上 Extra-Trees 的分裂準(zhǔn)則偏向樣本量大的類。雖然基線模型用了 balanced_accuracy 評(píng)估但算法本身的分裂過(guò)程仍然按基尼系數(shù)最小化少數(shù)類提供的分裂收益太小經(jīng)常被忽略。解決兩層處理。第一用 class_weightbalanced_subsample 給少數(shù)類加權(quán)sklearn 的 Extra-Trees 直接支持第二對(duì)少數(shù)類做樣本擴(kuò)增——不是合成少數(shù)類樣本而是對(duì)少數(shù)類多邊形內(nèi)的像元做輕度平移、旋轉(zhuǎn)生成更多訓(xùn)練樣本。擴(kuò)增幅度控制在 1.5-2 倍以內(nèi)過(guò)度擴(kuò)增會(huì)引入虛假空間模式。5.5 整幅影像預(yù)測(cè)內(nèi)存爆炸一次 read() 吃掉 16 GB 內(nèi)存現(xiàn)象訓(xùn)練和調(diào)參都順利到了整幅影像預(yù)測(cè)那一步程序直接卡死或報(bào) MemoryError。原因rasterio 的 src.read() 把整幅影像一次性載入內(nèi)存。以 7000×7000 像元、7 個(gè)波段的 GeoTIFF 為例float32 數(shù)據(jù)就是 1.3 GB 起步加上預(yù)測(cè)輸出數(shù)組、特征工程中間結(jié)果16 GB 內(nèi)存很快見(jiàn)底。解決分塊預(yù)測(cè)。用 rasterio 的 Window 按 512×512 像元讀取和寫出第六章給出完整分塊代碼。這個(gè)坑最容易在最后一步翻車提前做好分塊規(guī)劃輸出時(shí)再設(shè)定合理的壓縮參數(shù)可以完全避免。6. 逐像元預(yù)測(cè)出圖與 Kappa 驗(yàn)證把成果做成能上答辯臺(tái)的交付物6.1 分塊預(yù)測(cè)整幅影像rasterio 窗口讀取的正確姿勢(shì)import numpy as np import rasterio from rasterio.windows import Window def predict_map(model, src_path, out_path, block_size512): 按 512x512 窗口分塊預(yù)測(cè)整幅影像避免內(nèi)存溢出 with rasterio.open(src_path) as src: profile src.profile profile.update(dtypeuint8, count1, compressdeflate) height, width src.height, src.width with rasterio.open(out_path, w, **profile) as dst: for row in range(0, height, block_size): for col in range(0, width, block_size): win Window(col, row, min(block_size, width - col), min(block_size, height - row)) data src.read(windowwin) # (bands, h, w) n_bands, h, w data.shape # 每個(gè)像元展開(kāi)成一個(gè)樣本特征順序與訓(xùn)練一致 flat data.reshape(n_bands, -1).T pred model.predict(flat).astype(uint8) dst.write(pred.reshape(h, w), 1, windowwin)邏輯說(shuō)明外層循環(huán)按行、列步長(zhǎng) 512 切窗口邊界處用 min 限制窗口尺寸防止索引越界。每個(gè)窗口讀取后先 reshape 成 (h×w, bands) 的樣本矩陣預(yù)測(cè)后再 reshape 回二維柵格寫入輸出文件。模型是之前用 joblib 加載的特征矩陣的波段順序必須與訓(xùn)練一致這也是第三章多次強(qiáng)調(diào)順序的原因。參數(shù)說(shuō)明block_size512 是內(nèi)存與 IO 的折中窗口越大 IO 次數(shù)越少但內(nèi)存峰值越高compressdeflate 能顯著減小輸出 GeoTIFF 體積巖性分類圖類別少壓縮比通常能達(dá)到 5:1 以上。如果影像有無(wú)效值預(yù)測(cè)前先做掩膜把無(wú)效像元直接賦 0不要送進(jìn)模型。6.2 用空間隔離的驗(yàn)證區(qū)計(jì)算混淆矩陣和 Kappa出圖只是交付物的骨架精度驗(yàn)證才是答辯時(shí)能拿出手的硬數(shù)據(jù)。對(duì)驗(yàn)證區(qū)樣本計(jì)算混淆矩陣和 Kappa 系數(shù)from sklearn.metrics import confusion_matrix, cohen_kappa_score, classification_report y_val_pred best_model.predict(X_val) cm confusion_matrix(y_val, y_val_pred) kappa cohen_kappa_score(y_val, y_val_pred) print(混淆矩陣:\n, cm) print(fKappa 系數(shù) {kappa:.4f}) print(classification_report(y_val, y_val_pred, target_namesle.classes_))邏輯說(shuō)明混淆矩陣要按驗(yàn)證區(qū)的真實(shí)標(biāo)簽逐類看重點(diǎn)看對(duì)角線外的錯(cuò)誤去向——花崗巖被誤判成什么、砂巖和泥巖之間是否互相混淆。Kappa 系數(shù)在類別不平衡時(shí)比總體精度可靠得多一般認(rèn)為 0.8 以上屬于高度一致。如果 Kappa 比 balanced accuracy 低很多說(shuō)明某些類的錯(cuò)誤分布很不均勻模型可能在“用巖性大類掩蓋小類錯(cuò)誤”。參數(shù)說(shuō)明classification_report 輸出的 per-class precision、recall、F1 是文檔說(shuō)明里最該放的三列數(shù)據(jù)。答辯時(shí)老師問(wèn)“哪兩類最容易混淆”指著混淆矩陣說(shuō)“砂巖和泥巖光譜相似錯(cuò)誤主要發(fā)生在二者之間”比任何泛泛的話都有說(shuō)服力。6.3 出圖的三個(gè)細(xì)節(jié)固定類別顏色、圖例和空間參照最后一個(gè)技巧是出圖。巖性分類結(jié)果圖最容易犯的錯(cuò)是類別顏色不固定——同一套數(shù)據(jù)畫兩張圖繪圖庫(kù)自動(dòng)配色花崗巖第一次是紅色第二次變成綠色圖例直接錯(cuò)位。正確做法是給每個(gè)類別固定一個(gè) RGB 顏色字典全程復(fù)用。圖例上標(biāo)注類別名和對(duì)應(yīng)地質(zhì)年代空間參照信息從源影像的 profile 里繼承保證輸出 GeoTIFF 能直接疊加到 GIS 里和地質(zhì)圖對(duì)位置。我交這類作業(yè)前有個(gè)習(xí)慣出完圖一定把結(jié)果和原始影像在 GIS 里疊著看一遍從目視解譯的角度抽查幾個(gè)巖性邊界是否符合地形和色調(diào)的直覺(jué)。這個(gè)習(xí)慣救過(guò)我很多次——有一次模型把線性構(gòu)造帶上的花崗巖全錯(cuò)分成閃長(zhǎng)巖就是因?yàn)橛?xùn)練樣本里閃長(zhǎng)巖多邊形不干凈混入了接觸變質(zhì)帶上的混合像元光看精度指標(biāo)完全看不出問(wèn)題。邊界不符合地質(zhì)常識(shí)時(shí)先別懷疑模型回去檢查訓(xùn)練樣本問(wèn)題多半在那里。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
91人人爽狠狠狠| 色色色网站| 七月丁香五月婷婷在线| 大香蕉五月婷婷| 丁香九月婷婷综合| 国产三级在线播放| 99婷婷精品推荐在线视频| 狠狠做婷婷| 99惹在线精品免费观看| 五月天久久激情| 99自拍视频在线观看| 丁香香五月激情免费视频| 超碰99热精品在线| 五月婷婷五月天| 日批在线看| 成人做爰A片免费看视频| 天天婷婷色六月| 久久网日本| 影音先锋男人女人| 丁香五月AV| 丁香婷婷月| 五月婷婷大香蕉| 亚洲一区二区色图-亚洲精品国产精品乱码-成人AV | 六月婷婷狠狠| 9久久精品| 两性婷婷丁香五月| 日韩黄在免| 激情五月天小说网| 五月天久久91| 99热这里只有精品16| 综合久久影院| 在线观看免费狠狠色丁香香综合| 日本成人内射| 欧美三级韩国三级日本三斤| 一本大道熟女人妻中文字幕在线| 精品人妻一区二区三区四区不卡在| 亚洲情a| 婷婷五月丁香综合桃花色网| 天天久久婷婷| 激情婷婷99| 九九黄色网| 99日本在线| 天天干天天色天天干| 婷婷色色五月天| 九月av在线| 国产精品久久久久久久久久免费 | 熟女91九色| 国产一区二区三区影院| 无码激情AAAAA片-区区| 国产看真人毛片爱做A片| 天天色宗合| 中文字幕丰满人妻无码专区| 五月婷婷激情性爱| 国产精品美女| 777精品久无码人妻蜜桃| 久久婷五月天| 婷婷丁香久久| 日产精品一线二线三线芒果| 色优久久| 日韩av在线播放综合网| 九九热在线视频| 日本丁香五月| 精品国产AV色一区二区深夜久久| www久久久久久久久久久久久久久久久| 99爱在线视频| 久久久久久99日本| 97碰成超视频免费视频| 91精品丝袜久久久久久| 人妻videos人妻高清| 思思99精品视频| 久思思热视频在线观看| 秋霞电影理论| 色五月丁香五月婷婷五月成人网| 欧美激情综合色综合色| 26uuu亚洲精品国产| www.六月丁香看AV| 免费视频99| www.ppypp| 婷婷五月天啪啪| 99r这里只有精品在线观看| 天天色综合网1| 婷婷激情六月天视频| 狠狠插日日干撸| 婷婷五月天激情丁香| 婷婷五月色亚洲| 成人色五月天| www.yw色| 日日影院 | 91男人操女人视频| 91色噜噜狠狠狠狠色综合| 中文字幕视频在线播放| 色婷婷五月天小说网| av免费人人| 欧美精品熟女一区二区| AV性爱在线| 国产精品99久久久久久久女警| 五月天激情国产综合婷婷| 婷婷香五月天| 91女人18毛片水多国产| 久久婷婷六月| 热99这就是精品视频| 五月色婷婷影院| 久青草影院| 北条麻妃伊人 | 午夜日日| 无码G高清天| 精品无码99| 激情亭亭五月| 超碰69天堂| av国产精品偷| 五月丁香黄色视频| 婷婷丁香六月| 色婷婷69| 婷婷五月天在线综合| 婷婷五月色情天| 五月丁香在线| 97操操操| 五月婷婷激情综合视频| 综合网色| 日韩黄黄| 碰97久久| 爱狠射| 日本综合久| 婷婷干五月综合在线播放| 亚洲激情综合网| 五月激情四射网站| 欧美大奶熟女噜噜噜噜| 五月天大香蕉| 九九婷婷综合| 成人精品人妻| 神马欧美精| 天天日夜夜夜操操操操| 亚洲日韩一页精品发布| 99色在线视频观看| 大香蕉人妻| 1024久婷| 青青草原精品久久| 五月婷婷色欲| 秋霞网在线观看理论91| 天堂成人A片永久免费网站| 美女91一起草| 色五月婷婷久久| 久久精品一区二区三区四区| 婷婷六月丁香久| 99色热视频| 丁香五月婷婷亚洲天堂| 99免费| 精品一二三区久久AAA片| 久碰久操| 亚洲热视频在线| 超碰97久久| 婷婷综合网站| 9l视频自拍九色9l黑人| 99日韩网站| 婷婷五月天影院| 中文网婷婷字幕婷| 久久99热这里只频精品6学生| 成人做爰高潮A片免费视频| 日韩黄色电影| 成人国产综合| 丁香六月婷婷激情综合| 岛国AV网| www.色色五月天.com| AV中文字幕夜夜操b天天摸bb | 91婷婷色五月| 99re这里| 五月丁香六月婷婷综合免| 九九亚洲视频| 亚洲熟妇AV综合网五月丁香伊人| 天天插操| 五月天激情婷婷| 在线成人视频免费| 99精品免费视频| 久久99热这里只有精品首| 涩涩涩五月天| 天天草婷婷五月| 无码激情AAAAA片-区区| 六月丁香五月天| 小泽玛利亚视频一区二区| 五月丁香色婷| 丁香五月最新地址| 色噜噜狠狠色综无码久久合欧美| 秋霞三级色戒| 亚洲第一成人AV| 日日综合网| av操一操| 久久怡红院| 久久婷出差欧美色两性综合网| 五月丁香激情综合网| 九九成人高清视频| 2017人人操| 色99视频| 五月天色裸体视频| 99久久婷婷| 婷婷91| 色五月天中文字幕| 热久69| 久久9热| 色热久| 五月婷婷啪啪网| 亚洲另类婷婷五月丁香在线播放| 国产97在线日韩亚洲女人被黑人巨大| 亚洲午夜电影| 六月婷婷亚洲| 操一区| 丁香花五月天激情| 狠狠狠五月婷婷六月丁香| 在线日韩av| 久久婷婷五月丁香网| 久久最新色色色| 香蕉人妻AV久久久久天天| 亚艹艹| 大香蕉婷婷五月| 国产67194| 五月激情基地| 色婷婷婷av | 青青草青青草五月天| 五月天六月婷| 五月婷免费视频久久久| 91丨九色丨熟女|新版| 777精品久无码人妻蜜桃| 五月丁香狠狠地噜噜噜噜| 欧美一线视频| 五月丁香综缴情性爱| 婷婷五月色播| 久久五月丁香综合17C| 青青操丝袜美腿| 日本九九九九| 99热6这里只有精品| 色婷婷a三区麻| 大香蕉啪啪| 91九九| 婷婷五月激情五月激情| 国产一区男女| 人人色人人摸人人看| 欧美激情 日韩无码 婷婷 五月天| 五月婷在线| 色婷婷六月精品| 五月婷婷久久综合| 超碰在线免费9| 九九爱激情| 五月天色区| 啪啪色区| 六月婷婷五月丁香| 五月激情综| www.夜夜夜| 九九热欧美| 无码成人AAAAA毛片AI换脸| 五月婷婷激情| 激情五月天色色网| 99re免费精品视频| 婷婷六月啪啪| 91热爆在线| 五月在线| 9有码中文| 香蕉AV777XXX色综合一区| 99无码免费视频| www超碰| 操逼电影免费看| 亚洲成人在线播放| 婷婷99狠狠| 综合五月网| 色婷婷丁香AV综合| 婷婷五月天综合小说网| 九九精品在线观看视频6| 国产26uuu视频| 五丁香激情综合| 丁香大香蕉| 99操无码视频观看| 亚洲1区| 婷婷精品在线| 激情久久四色| 丁香婷婷视频一区二区| 丁香六月天色婷婷| 天天爱综合网| 中文激情网| 亚洲天堂久久| 搡BBBB搡BBB搡五十| 亚洲国产精品VA在线看黑人| 玖久久网站| 五月停视频天堂| 五月天桃色深爱网| 人人摸人人操人人爱| XX色综合| 丁香五月www| 9超碰在线| 51精品国内探花| 婷婷九月色| 伊人婷婷五月天| 激情综合五月丁香| 亚洲欧美国产A片免费观看| 999九九九久久久99HD| 91在线观看www| 97久久五月丁香婷婷| WWW.99视频| 五月婷婷狠狠干| 婷婷开心深爱五月天| 99热这里只有精品在线免费| 天天婷婷色六月| 五月天婷婷色| AA片在线观看视频在线播放| 五月天婷婷亚洲| 色综合久久44| www.婷婷,com| 亚洲AV网站| 另类少妇人与禽zOZZ0性伦| 无码人妻AV久久久一区二区三区 | 国产看真人毛片爱做A片| 99热在线观看| 色综合色五月| 综合五月天婷婷色| 丁香五月电影| 思思热99er| 日本久久视频| 五月婷婷丁香五月婷婷| 久久久18| 69人人操人人爽| 玖玖九九9999在线观看视频精品| 五月天婷婷久久| 色婷婷五月天激情综合| 欧美色色色色色| 国产免费性爱| 亚洲色色色色色色色色色| 国产精品久久7777777精品无码| 国产激情在线| 欧美黄色一级| 亚洲国产精品五月天| 五月丁香六月婷婷色| 五月丁香六月综合激情| 亚洲成人无码专区| 丁香婷婷综合激情五月色,开心五月丁香花综合网,激情综合五月亚洲婷婷,五月天 | 五月丁香综合啪啪啪啪啪| 婷婷久久五月| 色婷在线视频| 亭亭五月天黑人2014| 91操网| 久久九九激情五月天| 久久免费操| 久久久区区一久久久久久| 亚洲综合久| 五月丁香六月片| 婷婷五月天堂| 久久婷婷五月天激情唯美| 99精品热| 婷婷内射视频在线| 婷婷五月天电影网| 久久久久久婷| 丁香婷婷在线| 国产精品久久久久9999小说| 丁香五月天婷婷久久| 亚洲人人操| 青青草大香| 九色91视频| 五月色综合网| 色婷婷狠狠禁久久| 天天天日天天天干| 男同91| 丁香五月婷婷六月婷婷| 亚洲日日日| 国产免费一区二区三区三州老师F1F1.CC| 天天色天天舔天天爱天天爽| 最近中文字幕大全免费版在线| 97狠狠色| 五月婷丁香| 亚洲中文av| 中文字幕AV网址| 碰超亚洲| 丁香成人视频| 免费成人网在线观看| 嫩草AV久久伊人妇女超级a| 亚洲综人色综网| 色婷婷五月天| 全高清无码视頻| 五月婷婷影院| 91操在线| 九九99热久久精品66中文字幕| 超91在线视频| 影音先锋91资源站| 丁香九月综合激情| 九九精品免费| WwW天天干| 丁香五月色情| 亚洲性色XXXXX| 两性婷婷丁香五月| 五月婷婷激情综合av| 综合 蜜月 婷婷| 国产成人+亚洲+欧洲| 五月天婷婷无码| 99热免| 美女伊人久久| 狼人久草| 成人久久天天x资源站| 狠狠操狠狠| 韩国婷婷丁香五月| 婷五月天六| 播五月开心婷婷欧美综合| 日韩人妻无码精品| AA片在线观看视频在线播放 | 狠狠 婷婷| 午夜伊人大香蕉| 久去色色| 91人妻人人操| 9色在线视频| 26uuu视频欧美| 成人无码髙潮喷水A片| 亚洲尤物在线| 香蕉视频91| 婷婷五月天伊人网| 丁香五月综合网亚洲综合欧美狠狠| 久热9热| 综合色色婷婷| 美女婷婷六月色| 婷婷五月天国产性感美女演员久久久久| 人人看人人要| 97精品欧美91久久久久久久| 欧美精品在线观看| 99色综合网| 婷婷和五月天| 人妻操日日| 天天插综合| 五月丁香六月婷婷色| 伊人久久大香线蕉亚洲五月天,| 激情综合五月| 五月丁香激情深爱婷婷| 成人网址在线观看| 免費观看aV在线网址| A片一曲| 久热最新视频| 玖玖视频福利| 色爱99| 激情第四色| 五月丁香综合激情| 亚洲九九九九| 婷婷久久午夜网| 五月黄色婷婷| 香蕉久久av一区二区三区| 激情图片久久| 99re这里只有精品视频了| 天天插天天插| 综合一本道| 五月激情射| 牛色色碰| 亚洲操操操| 亚洲操精品| www,五月天激情| 伊人婷婷青青cao| 97在线视频 欧美| 婷婷免费视频| 久久综合中文| 久久3p| 丁香激情综合| 免费播放99性爱视频| 欧美天天搞| 色啪久 | 五月天综合视频| av人人干| 婷婷娱乐丁香综合网| 五月天日日操夜夜操 | 丁香六月婷婷激情综合| 爱操人妻| 欧美综合五月丁香六月婷| 日韩精品呦呦va| 国产伦亲子伦亲子视频观看| 人妻体体内射精一区二区| 99ri视频| 99热超碰在线| 五月天色五月| 激情五月天婷婷| AAA久久| 亚洲顶级VA在线观看-高清完整版在线影院观看-S022AV | 狼人婷婷久久| 99自拍视频网站| 亚洲色婷婷五月| 五月婷婷六月激情网| 热久久思思热思思| 性日本激情| 丁香六月久久| 天天开心天天色| 婷婷99视频精品| 一区二区免费看| 久久婷婷内射| 婷婷丁香九月| WWW,激情五月天,COM| 色色婷婷五月天| www.婷婷五月天.com| 色噜噜狠狠色综合成人99| 国产亚洲99久久| 波多野结衣AV无码Porn| 丁香五月综合| 五月丁香综合精品| 五月丁香六月婷婷综合网缴情| 婷婷五月天激情网址| 婷婷丁香五月av| 婷婷五月天成人动漫| 国产视频久色| 国产操逼网站| 亚洲综合九九| 一本道综合网| 亚洲激情精品| 色色五月丁香婷婷| 国产SUV精品一区二区6| 日本综合99| 99久| 丁香五月婷婷色情综合| 日日操,日日爽| 婷婷丁香激情综合色情| 久久婷婷五月丁香网| 日本99视频| 99热在线观看| 天堂亚洲 在线| 九九热黄色| 六月色婷婷欧美| 久久机热这里只有精品| 婷婷五月天奸女| 极品人妻VideOssS人妻| 丁香婷婷五月综合欧美另类| 日韩人妻在线观看| 综合五月激情| 五月激情综合网| 六月丁香网| 九九成年视频| 色波激情五月天| 天天舔天天摸视频| 99视频在线| 91色呦哟| 久久98| 丰满人妻一区三区三区| 超碰日日操| 性做爰1一7伦| 六月丁香大香蕉| 小视频一区| 五月久久婷婷天堂视频| 久久婷婷五月综合色区| 婷婷五月在线免费| 最新va在线播放| 欧洲色区| 激情综合婷婷| 天天操夜夜操| 日韩久久系列| 五月天开心激情网色欲无码| 久久3p| 婷婷在线网| 91viP在线看| 丁香五月婷婷激情蜜桃| 激情五月婷| 123草逼网| 少妇人妻凹凸视频| 日本99热| 丁香六月婷婷久久高清| 五月激情五月婷婷五月天在线| 国产亚洲99久久精品| 99热亚州综合| 五月天玖玖狠狠色色| 久久久婷婷| 九九久久精品| 精品乱码视频| 一级精品999WWW| 中文字幕av久久爽| 六月五月久久丁香| 久久五月丁香| 爱射综合| 五月丁香久久综合| 超碰a女人的天堂| 婷婷五亚洲| 一点色成人网| 天天更新天天亚洲| 99热在线观看| 婷婷成人在线| 无码成人AAAAA毛片AI换脸| 激情综合色网| 天天噜日日噜综合无码| 美欧日韩国产成人在战| 97人人操人人| 熟美女麻豆| AV 3P| www.色婷婷.com| 亚洲精品网站色视频| 日本色99| 日本色色网| 狠狠操狠狠爱| 超碰久热| 97香蕉碰碰人妻国产欧美| 色婷婷电影网| www.婷婷六月天| 日本99热| 成人日韩欧美| renre人人操国产超碰在线| 无码99| 五月激情婷婷开心五月| 国产偷人爽久久久久久老妇APP| 热久久思思热思思| 疯狂做受XXXX高潮A片动画| 亚洲精品乱码久久久久久综合| 丁香六月婷| 激情综合青草| 超PEN精品在线| 天天舔日日肏夜夜爽| 天天综合网~91| 热久久999| 色丁香久综合在线久综合在线观看| 五月网站| 亚洲无码色色| 亚洲欧洲另类| 丁香五月综合| 开心五月激情五月丁香五月婷婷| 色五月婷婷青娱乐| 五月天婷婷成人网| 91婷婷五月天嫩女| 日本色噜| 丁香六月av| 精品久久99码| 五月丁香婷婷伊人| 欧美超碰亚洲| 国产免费一区二区在线A片视频| 亚洲小视频免费看| 婷婷成人av| 五月综合激情| 色婷婷丁香特级性爱视频| 在线sebiav精品视频| 香焦网五月天| 婷婷深爱色五月| 热久久色| 亚洲亚洲人成综合网络| jiZZdr| 国产色色在线| 久久久久视剧HD| 九九久久五月天| 久婷婷久草| 久久婷婷五月综合色丁香| 天天舔天天爽| 丁香成人五月天| 色色成人網| www超碰com| 久久综合九九| 成年人看Va免费视频| 久久婷婷六月综合| 狠狠爱丁香婷| 99色色网| 欧美 日韩 成人| 玖玖在线资源视频| 激情AV在线| 五月天久久色| 亚洲操人| 日本久久婷| 操一操插一插| 丁香婷婷精品视频| 婷婷激情人妻| 色婷婷小视频| 青青草国产亚洲精品久久| 91成人电影| 色婷婷裸体色性在线| 在线色色| 色婷婷亚洲六月婷婷中文字幕| 亚洲99激情| 色呦呦美女| 九九九九热99超碰| 日韩丰满少妇无码内射| 9久久精品| 99精品综合视频| 天天添天天摸天天天天做| 中文字幕成人| 色婷婷综合亚洲| av一区二区电影免费在线观看| 婷婷激情综合网| 色九月婷婷综合| 午夜做爱影院| 天天狠狠色综合| 777久久综合视频| 97色在线视频| 亚洲网站999| 狠狠色丁香久久综合婷婷亚洲成人福利| 久久婷婷五月天| 久久丁香五月| 91一起操| 久九色| 六月婷婷视频| 99久在线精品99re8热| 亚洲成人人人操| 亚洲精品激情| 伊人玖玖网| 久久99综合网| 五月婷婷综合网| 五月激情影院| 香蕉久久av一区二区三区| 色狠狠色噜噜AV天堂五区 | 4399在线观看免费高清电视剧| 久久婷婷五月综合97色一本| 婷婷综合激情五月中文字幕| 伊人日日干| 精品免费99| 九九色热| 狠狠色丁香| 八戒青柠影视剧在线观看| 日韩精品一区二区三区,四区,五区视频| 香蕉婷婷五月| 日hao1区| 色性综合| 五月色俺婷婷| 久久艹99| 中文字幕无码人妻少妇免费视频| 99在线视频操999| 久艹伊| 五月天激情啪啪| 9l视频自拍9l九色成人| 国产精品18久久久| 91人人爽人人操| 人人97碰| 久噜久噜| 天天肏视频| AAA级久久久精品| 中文字幕性爱视频| 第四色五月激情网| 色五月在线观看| 97人人草| 久久99激情五月天| 五月色综合| 五月婷婷丁香在线视频| 操碰99| 丁香婷婷天堂| 色婷五月天| 激情网五月婷婷| 综合色五月天| 午夜激情四射影院| 丁香五月天激情网址| 99综合一区| 久99热| 五月丁香婷婷激情图片| 激情婷婷丁香五月天小说| 五月天激情婷婷丁香| 超碰免费大香蕉| 无码激情AAAAA片-区区| 日韩在线观看亚洲| www.99热最新视频8| 色欲一区二区三区精品A片| 97人人草| 丁香久月婷| www.色婷婷。com| 熟女网站久久| 久久九网| 久久性爱视频免费| 九九热婷婷| 99热传媒| 色婷婷中文字母五月丁香| 天天做天天爱| 香蕉97碰碰碰欧美| 九九综合视频在线观看| 无码人妻一区| 婷婷五月久久| 69热在线| 日本操碰碰| 五月九九综合| 白天AV月月| 天天看A片| 日韩在线一级| 丁香婷婷色五月天| 一点色成人网| 99综合视频一体| 深爱激情五月天| 九九热这里只有精品9| 丁香五月网络网络| 婷婷九月丁香| 思思久久精品| 麻豆WWWCOM内射软件| 六月丁香啪啪| 婷婷五月天综合久久| 五月婷婷亚洲色图| 婷婷五月天资源| 国产黄大片在线观看画质优化| 婷婷五月天综合网| 丁香婷婷九月| 在线看黄色| 五月婷婷亚洲色视频| 婷婷五月天国产传媒| 五月婷婷网久久| 久久这里只有精品99| 中文字幕成人| 久热大香蕉| 操碰99| www.婷婷,com| 国産精品| 97av在线视频| 人人草公开操| 婷婷激情小说| 人妻性爱| 五月丁香影院| 黄色99网| 九九香蕉网| 五月婷婷六月丁香综合视频在线| 色情综合网| 久久杏爱视频| 婷婷五月欧美综合| 久久婷婷五月草视频| 久在热99| 色五月天在线观看| 99WWW免费视频| 五月天婷婷爱| 婷婷丁香视频在线观看免费| 精品久久99| 青青福利网| 99网址在线观看| 噜噜国产| 国产精品成人AV在线| 久久99网站| 国产噜一噜天天噜| 五月天操逼激情| 五月激情六月婷婷| 99热九九在线| 丁香六月啪| 狠狠色五月激情| 丰满少妇猛烈A片免费看观看| 丁香五月婷婷欧美成人色图| 婷五月天| 天天干天天色综合| 激情婷婷五月黑人| 婷婷色五月天色| 丁香五月综合| 激情五月婷婷伊人| 中文字幕精品推荐免费在线观| 69色婷婷| 激情综合五月婷| 丁香五月大香蕉在线99| AV人人操| 日日日日做夜夜夜夜无码| 疯狂做受XXXX高潮A片| 美女五月狠狠| 久鲁鲁色网| 色色色色色色色五月| 婷婷射丁香| 夜夜骑操AV| 国产三级在线播放| 久久色情| 99亚洲日韩| 青青草原亚洲天堂| 99cao婷婷| 成人电影AV在线观看| 六月丁香婷婷尤物| 熟女91九色| 久在线88综合| 丁香五月婷婷AV| 五月婷婷丁香五月婷婷| 日良久久| 久久婷婷老| 五月天激情国产综合婷婷| 青青草日本亚洲| 丁香婷婷五月天激情四射| 色一情一乱一伦一区二区三区| 能看的AV| 色小说婷婷五月天天天| 久久婷婷内射| 色无婷婷| 成人看片网站| 欧美成人A片AAA片在线播放| 五月婷婷五月丁香综合| 91九色欧美| 亚洲亚洲人成综合网络| 五月综合色| 亚洲日日日| 激情丁香淫荡婷婷| 91超级碰在线视频| 色色网91| 青草视频在线播放| 久久九九网| 欧美精品99| 五月天精品综合| 色天天久婷婷| 婷婷五月天综合激情| 超碰成人av| 欧美,日韩成人在线| 中文幕无线码中文字蜜桃| 99色中文| 日韩成人AV在线播放| 六月丁香色婷婷| 婷婷九月激情网| 综合久久婷婷五月丁香| 激情五月天的婷婷| 久久图色4| 操日本99| 操B无码视频国语| 国产毛片精品一区二区色欲黄A片| 五月丁香婷婷在线| 99九九玖玖| 婷婷丁香十月| 五月丁香香蕉| 婷婷综合精品视频97| 思思热久久久在线| www.人人操人人看人人想人人摸 人人人人操,COM | 久久综合中文| 92久久| 丁香五月首页| 成人综合视频在线| 2017狠狠干| 色五月大| 中文AV在线观看| 丁香六月婷婷社区| 日韩av网站在线观看| 婷婷激情五月视频| 亚洲国产网站| 色噜久| 9 1在线视频| 欧美操逼天堂| 综合色网站| 婷婷激情性爱| 丁香五月婷婷黑人妻黄色电影院| 大香蕉五月天婷婷丁香91| 丁香五月情| 视频一二区| 91一起操| 欧韩性爱| 午夜不卡成人一区二区| 婷婷五月丁香综合人妻| 久久久久思思热| 五月婷婷六月丁香在线视频免费在线观看| 日日夜夜久| 日本九九网| 97影院一级片| 丁香五月激情综合| 变态 另类 在线 | 操操人人| 97人人超| 色香蕉精品五夜婷| 欧美在线视频9| 久久99精品日本| 婷婷放心五日爱| 色婷婷五月天成人网| 四月婷婷丁香| 色色五月天网站| 婷婷色五月天在线| 大色鬼综合| 97亚洲精品| 91热在线| 襙比视频| 婷婷五月天国产在线播放| 99热这里是精品| 五月丁香六月激情综合| av不卡网站| 色色爽爽天天| 天天拍天天做视频| 91婷婷五月天嫩女| 久热大香蕉| av网站不卡在线| 六月婷婷七月丁香| 丁香婷婷六月婷婷六月婷婷六月婷婷| 亚洲九九在线| 日亚二欧美| 色噜噜狠狠色综无码久久合欧美| 无码一区精品一区视频| 涩 五月 婷婷 狠狠| 九九九精品视频免费观看| 米奇影视资源婷婷狠狠色激情欧美五月丁香 | 色色色欧美| 婷婷五月天成人影片| 婷婷五月天伊人| 99精品网| 亚洲第一av| 色天天久婷婷| 丁香五婷婷| 中文字幕人成乱码在线观看| 色噜久| 99精品色色| 99热免费| 婷婷综合九色伊人| 99久在线观看| 激情五月婷婷色| 久久久www| 91碰九色| 五月丁香六月婷婷综合伊人| 天天日天天插| 亚洲一区二区色图-亚洲精品国产精品乱码-成人AV | 美女美女美女三级色天天天天天| 五月丁香激情综合| 丁香五月久久社区| 伊人六月丁香婷婷| 粉嫩av懂色av蜜臀av熟妇| 五月久久丁香| 久久久妻人人人| 999精品乱码77777| wwww.9免费视频| 色五月婷婷天天干| 91色婷婷综合久久中文字幕二区| 老司机视频lsj爱就色| 丁香综合伊人| 91精品久久久久久77777| 一区二区你懂的| 色婷激情网| 五月激情小说网| 丁香五月综合激情啪啪| 这里只有精品1| 国产XXXX搡XXXXX搡麻豆| 亚洲婷婷五月天在线激情综合网| 欧美影院| 狠狠色噜噜色狠狠狠综合色 | 色婷婷丁香六月| 91蜜桃婷婷狠狠久久综合9色| 五月婷av| 都市激情小说婷婷| 无码少妇高潮喷水A片免费| 丁香五月婷婷狠狠色| 变态另类9| 九九www| 26uuu在线观看| 色色网91| 一级操逼内射在线视频| 五月婷婷丁香日韩在线| 情欲综合网| 性做久久久久久久免费看| 九九热这里有精品视频| 久99视频在线观看| 丁香五月婷婷激情四射| 激情欧美五月丁香| 国产在线视频1234| 激情六月天婷婷| 青吴乐视频| 久热网在线视频| 五月天综合色| 一本久道综合色婷婷五月| www.婷婷五月.com| 久久人妻高清中文| 国产人人操| 操一操干一干| 五月婷婷97| 97操碰在线视频| 久久丁香五月| 五月婷婷综合久久| 国产一级片| 直接看的AV| 久久99热这里只有精品23| 色婷婷五月天| 五月天婷婷久色| 97久久综合网| 婷婷社区五月天| 大香蕉人人网| 日韩婷婷| 美女五月天婷婷| 91五月天| 牛牛碰免费| 五月激情综合婷婷| 能看的av网站| 91操操| 高清无码网址| 久久婷婷五月综合色丁香| 人人草碰| 夜夜爱伊人| a色色色色色| 丁香五月婷婷综合啪啪| 丁香五月婷婷色播艳门照| 综合99视频| 久久人人九九| 美女天天艹人人爽| 色欲AVV| 天天日本夜夜谢| 日本色色图| 少妇水多A片太爽了| 久99热| 97人人操在线| 亚洲视频在线网站| 久久激情五月婷婷| 色婷婷五月影视| 超碰69天堂| 色五月天丁香婷婷| 深爱激情九九五月天 | 五月天成人在线精品| 91日综合欧美| 综合99综合久久久久久久| 天天摸,天天爽| 大香蕉七区| 在线综合网| 色婷视频| 色之综合网| 亚洲成人AV一区在线观看| 亚洲综合激情五月久久| 天天综合天综合| 婷婷中文无码| 蒲京久久无码视频| 九月婷婷久久| 狠狠干五码| 91日韩在线| 一区二区传媒视频| 五月天综合| 九九视频在线观看| 五月天色婷婷av| 在线超碰91| 精品亚洲国产成AV人片传媒| 日韩黄色电影| 五月噜噜| 久久这里精彩免费在线观看| 激情碰碰碰| 婷婷色色网| 97狠狠色| 婷婷五月天黄色小说| 五月丁香婷婷综合在线| 182TV亚洲| 色偷偷AV亚洲男人的天堂| 久99综合婷婷| 五月色色激情网| 六月丁香啪| 热99精品视频| 国产超碰av| 91色呦哟| 99热这里全都是精品| 丁香五月综合激情性爱| 丁香涩涩爱| 成人色情五月天婷婷丁香| 久操人妻| 色婷婷久久天天性爱| 以及AA大片看看| 日本人妻伦在线中文字幕| 婷婷香五月天| 日日夜夜干| 久久A极片| www.婷婷五月天| 日韩 中文 欧美| 色五月婷婷一二| 婷婷五月视频| 先锋资源996| 狠色狠色狠狠色综合网| 97在线视频观看| 五月天激情网址| 99视频在线啪| 婷婷伊人綜合| 色噜噜狠狠狠狠色综合久欧美| 亚洲国产精品VA在线看黑人| 丁香五月天堂网| 色色日本| 丁香五月色| 久久视频这里有精品99| 成功精品影院| 欧美色爱五月天| 十月丁香九月婷婷综合| 丁香五月六月激情久久| 色青青视频| 激情五月六月丁香| 可以直接看的AV网站| 天天日日天天| 丁香五月久久综合| 五月天激情综合10p| 天色综合网站| 色五月婷婷DVD| 99热99这里免费的精品| 丁香五月冃欧美| WWW.夜夜| 色偷偷色婷婷| 91人碰| 激情丁香九九五月综合网| 亚洲AV中文在线| 色一情一乱一乱一区91Av| 超碰人人操人人干| 天天日天天舔| 风流少妇A片一区二区蜜桃| 99热在线播放| 人妻体体内射精一区二区| 丁香六月婷婷操逼网| 久久久五月天婷婷成人网| 另类图片五月天婷婷| 天天天天天天天操| 丁香久久综合| 99re66热这里只有精品| 激情综合综合综合| 蜜乳.comcom| 日日肏天天操| 婷婷日欧美在线观看| 日本啪啪网| 99在线观看| 亚洲乱码日产精品BD| 99爱在线| 伊人综合婷婷| 99色在线| 五月天激情网页| 岛国AV网站| 欧美三级欧美一级| 丁香色婷婷| 色婷婷五月丁香色| 婷婷五月,偷窥偷拍网| 九九碰九九爱97超碰| 五月丁香六月婷婷中文版| 久色国产| 色婷操逼| 亚洲色无码A片一区二区麻豆| 9精品国产在热久久| 日本婷婷在线| 日本在线免费中文com.| 久 久9 9 热 视 频| 九九99热| 国产精产国品一二三在观看| 丁香六月激情国产| 欧美日韩一a.无| 激情校园 亚洲| 国产亚洲精品久久一区二区三区| 激情丁香五月婷婷| 91色性感五月婷婷丁香| 在线另类视频| 久久婷婷五月草视频| 日韩成人中文字幕| 最近中文字幕2019视频1| 97碰在线免费观看| 日日操,日日爽| 五月丁香激情婷婷| 亚洲九区| 九月色婷婷综合亚洲| 啪啪91| 五月丁香基地| 九九这里只有精品| 91久久精品视频| 思思99精品视频在线观看| 这里只有久久精99| 欧美色婷婷| 五月婷婷丁香六月| 激情综合网激情五月欧美| 欧美大道不卡| 丁香五月综合网| 丁香五月天欧美成人| 婷婷激情蜜桃玖玖丁香| www久久久久久久97| 一级视频网址| 色综合色婷婷色伊人| 激情文学五月丁香六月婷婷| 乱精品一区字幕二区| 97狠狠色| 婷婷色正月| 啪啪91| 综合大香蕉| 激情五月婷婷五月丁香五月开心五月| 天天爽夜夜操| 久久婷婷色综合| 五月婷婷影| 婷婷D区| 99热这里只有精品手机在线观看| 亚洲美女网Va| 伊人激情综合| 四虎婷婷五月天| 性色婷婷| 六月色婷婷综合影视| 色人妻五月| 91肏肏肏| 丁香五月婷婷深爱综合激情| 69久久99精品久久久久婷婷| 日日操夜夜操中国无码| 《》【无码】想被搞到爽AV应募而来的超M素人 西纯子 10musume-011723-01 | 91超碰在线观看| 丁香五月六月综合欧美| 男女激情久久| 天天日天天干天天爱| www超碰| 五月丁香激情四射综合| 播五月丁香三月婷婷| 在线播放人妻| 日日婷婷不卡| 欧美搡BBBBB摔BBBBB| 色色亚洲无码| www.婷婷五月天.com| 任你擦免费视频| 99综合网| 亚洲99在线| 久久AV电影| 中国操逼99| 热久久国产视频| 天久综合91综合首页| 六月婷婷网站| 欧美黑人巨大性生话| 五月天无码视屏播放| 四虎国产精品永久在线国在线| 五月天激情在线视频| 五月天综合| 久久99最新| 人妻无码视频网| 久热网在线视频| 在线色婷婷|