葡萄酒的研究

《葡萄酒的研究》由会员分享，可在线阅读，更多相关《葡萄酒的研究（32页珍藏版）》请在装配图网上搜索。

1、2012高教社杯全国大学生数学建模竞赛承 诺 书我们仔细阅读了中国大学生数学建模竞赛的竞赛规则.我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规则的行为，我们将受到严肃处理。我们授权全国大学生数学建模竞赛组委会，可将我们的论文以任何形式进行公开展示（包括进行网上公示，

2、在书籍、期刊和其他媒体进行正式或非正式发表等）。我们参赛选择的题号是（从A/B/C/D中选择一项填写）： A 我们的参赛报名号为（如果赛区设置报名号的话）： 所属学校（请填写完整的全名）： 华北科技学院 参赛队员 (打印并签名) ：1. 顾亚楠 2. 孔维文 3. 陈 灏 指导教师或指导教师组负责人 (打印并签名)： 于 健 日期： 年 月 日2012高教社杯全国大学生数学建模竞赛编 号 专 用 页赛区评阅编号（由赛区组委会评阅前进行编号）：赛区评阅记录（可供赛区评阅时使用）：评阅人评分备注全国统一编号（由赛区组委会送交全国前编号）：全国评阅编号（由全国组委会评阅前进行编号）： 葡萄酒的评价摘

3、 要 本文是有关葡萄酒的评价问题的研究，对问题（1），首先了解到葡萄酒感官评价结果的分析中,大部分分析方法(如方差分析)都是建立在感官评价专家组成员基础上的。但在具体的实践中,由于各种因素的共同作用,专家组成员间存在差异性。这就需要将感官评价专家作为可能影响感官评价结果的因素来考虑,而且这一因素甚至会掩盖被葡萄酒样品的显著性差异。因此在对于感官评价统计中需要对原始数据做处理，使得置信水平达到最大，再利用两个正态总体均值的假设检验。对问题（2），我们需要对酿酒葡萄进行分级主要采取聚类分析的方法，使得具有相似性质的对象归为一组。数据导入SPSS中得到得到龙骨图，横向距离表示差异的大小，从图中可以清

4、楚看到聚类的过程，从而对酿酒葡萄分级。对问题（3），我们考虑到利用模糊综合评价，这一模型的建立优点是：对事物全面又定量化的评价，事物之间的联系用具体数值来表示。但是由于数据量相当大，在矩阵乘积计算中用matlab软件，快速处理大量数据。对问题（4），先联系第三问得到的结果，进一步分析酿酒葡萄与葡萄酒之间的联系，采取主成分分析与模糊综合评价结合来对葡萄酒的质量评价。对于论证能否用葡萄和葡萄酒的理化指标来评价葡萄酒的质量，采用因子分析法。 在解决了以上四个问题后，我们对模型要进行相应的评价预测，对问题使用的模型可行性分析，对其中存在的优点和缺点提出自己的看法，完善整个建模的过程，使葡萄酒业的发展更

5、具有良好的前景。关键词：葡萄酒；酿酒葡萄； 置信区间； 假设检验； 聚类分析 ；主成分分析； 一、问题重述 确定葡萄酒质量时一般是通过聘请一批有资质的评酒员进行品评。每个评酒员在对葡萄酒进行品尝后对其分类指标打分，然后求和得到其总分，从而确定葡萄酒的质量。酿酒葡萄的好坏与所酿葡萄酒的质量有直接的关系，葡萄酒和酿酒葡萄检测的理化指标会在一定程度上反映葡萄酒和葡萄的质量。附件-1给出了某一年份一些葡萄酒的评价结果，附件-2和附件-3分别给出了该年份这些葡萄酒的和酿酒葡萄的成分数据。下面我们将建立数学模型讨论下列问题：1. 分析附件-1中两组评酒员的评价结果有无显著性差异，哪一组结果更可信？2. 根

6、据酿酒葡萄的理化指标和葡萄酒的质量对这些酿酒葡萄进行分级。3. 分析酿酒葡萄与葡萄酒的理化指标之间的联系。4分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响，并论证能否用葡萄和葡萄酒的理化指标来评价葡萄酒的质量？ 上述要求我们可以看到：主体是对葡萄酒的评价，联系问题：根据第一问的问题，评价哪一组更可信，就应该考虑到系统误差和偶然误差。系统误差小的结果比系统误差大的结果可信。当然，评酒员是随机分配到两组的话，多数情况下可以认为不同的人的系统误差相互抵消。偶然误差小的（数据比较集中）的结果比偶然误差大的结果可信。为此，该厂家各种葡萄酒质量与他们酿酒的葡萄之间联系密切吗？更深一层就是酿酒葡萄的理化指

7、标到底存在什么样的关系？做出更有合理的问题。二、问题分析 葡萄酒业状况及其潜在竞争力的指标体系应包含外观澄清度色调、香气浓度、口感持久性、社会声誉等各个方面，由附表-1中给出的数据，我们须依靠数学软件进行相应的整理，使其具有条理性，方便建立数学模型。下面我们分开讨论分析四个问题。问题一分析：我国葡萄酒国家标准对感官指标有明确的规定。葡萄酒的感官指标主要指色泽、香气、滋味和典型性方面的要求，参照附表-1中我们首先需要对评分的数据整理计算均值，标准差。而后我们看到是显著性差异问题，这就让我们首先想到数理统计中的置信区间，假设检验。这一方法对于统计中大量数据处理非常有效。 问题二分析：根据酿酒葡萄的

8、理化指标和葡萄酒的质量对这些酿酒葡萄进行分级。理化指标主要指酒精含量（酒精度）、酸度和糖分指标。从感官指标来看，首先要求葡萄酒应具有天然的色泽。即原料葡萄的色泽，如红葡萄酒是宝石红，白葡萄酒是浅黄色。葡萄酒本身应清亮透明无浑浊。葡萄酒除应有葡萄的天然果香外还应有浓厚的酯香，不应有外来的气味，更不能有异味。滋味与香气密切相关，香气优良的葡萄酒其滋味醇厚柔润。葡萄酒的滋味主要有酸、甜、涩、浓.淡、后味等。典型性也称为风格。各种葡萄酒有各自不同的风格。同时因各地区、各厂家的葡萄栽培和酿造工艺的不同，同一品种的酒，其风格特点也可能各不相同。每种葡萄酒均有自己的典型性，典型性越强越好。我们考虑的是葡萄酒

9、的化学成分，这些化学成分在酿酒葡萄中也是存在的。为了更好地对酿酒葡萄分级，我们先直观的对葡萄酒的各种成分计算比例，筛选主要的几种成分，再对应到酿酒葡萄中，对酿酒葡萄的这些主要成分指标利用系统聚类法进行归类。 问题三分析：首先想到的是模糊评价模型，它是一个事物之间联系的问题这是一个很有利评价事物联系的模型，这个模型主要是矩阵乘积的运算，借助数学软件即可得到联系矩阵。 问题四分析：最后一个问题中，看到有两个小问，第一小问中我们首先对附件-3的成分进行主成分分析，抽取影响葡萄酒芳香的主要化学指标，再结合模糊综合评价从附表-3中选取相对较大的两个矩阵，和第三问有类似之处，但是两种模型结合运用使我们对事

10、物联系分析更深一层。第二小问中我们采取因子分析，相对于主成分分析，因子分析更侧重于描述指标之间的相关关系，再计算载荷因子与得分矩阵。这样便有力的论证“能否用葡萄和葡萄酒的理化指标来评价葡萄酒的质量”。 三、 基本假设为了简化问题，我们可以做以下假设：1. 假设附件一中两组红白葡萄酒的评分服从正态分布2.看从澄净度，颜色来看健康低龄的葡萄酒通常很澄清而陈年后也会出现酒渣，这是自然现象，假设不会影响酒的品质。此外坏了的葡萄酒也会出现絮状不澄清，这个需要区别； 3. 假设联系的六种情况：最为密切，密切，一般，较差，差，最差。4. 闻香味复杂，先仅靠率浓度、品质、种类三方面因素。 5. 假设葡萄酒的质

11、量只与题目中给出的附件指标有关，而与其他之外的因素无关。四、 基本符号说明（1） ：附表-1中第一组（红）第二组（红）各个化学成分的平均数；（2） ：附表-2中第一组（白）第二组（白）各个化学成分的平均数；（3） ：附表-2中第一组（红）第二组（红）各个化学成分的标准差；（4） ：附表-2中第一组（白）第二组（白）各个化学成分的标准差；（5） ： 表示均值（6） （；） ： 表示模糊评价矩阵各值的隶属度（7） （） ： 表示第个目标的权系数。（8） （） ： 表示模糊评价向量（9） Xi （i=1,2，,，27） ：表示附录三样品个数五、 模型的建立与求解5.1、第一问解题过程： 5.1.1：

12、均值与标准差求值：首先将各个不同的样品在外观，香气，口感评价的九项指标中，将每个评价员的评分导入SPSS中，计算出均值，方差（这里第一组红葡萄酒与第一组白葡萄酒对比，第二组类似）因此得到四个表。见下： 表-1第一组红葡萄酒评分描述统计量N极小值极大值均值标准差评价员1903.0016.006.98893.31999评价员2902.0019.007.77784.24470评价员3902.0022.007.83334.33758评价员4892.0016.006.67423.43040评价员5902.0019.007.28893.96684评价员6901.0019.007.68894.11259评价

13、员7903.0016.007.33333.72661评价员8903.0016.006.94443.65464评价员9902.0019.008.22224.19946评价员10903.0019.007.55563.77488有效的 N （列表状态）89 表-2 第一组白葡萄酒评分描述统计量N极小值极大值均值标准差评价员12802.0019.007.62864.15789评价员22801.0016.005.67143.44323评价员32802.0019.008.35004.28538评价员42802.0019.006.43933.65588评价员52802.0019.007.61073.9242

14、7评价员62801.0022.007.26434.03055评价员7280.0077.008.17145.80748评价员82802.0016.007.06433.77354评价员92801.0022.008.11074.07526评价员102801.0022.007.95004.48786有效的 N （列表状态）280 表-3 第二组红葡萄酒评分描述统计量N极小值极大值均值标准差评价员12703.0019.007.13703.96731评价员22702.0016.006.97783.83288评价员32702.0019.007.67044.26696评价员42702.0019.006.588

15、93.56947评价员52701.0016.006.42593.52369评价员62703.0019.007.26673.47417评价员72702.0019.007.20003.55373评价员82702.0019.007.28153.70000评价员92702.0019.007.01483.59985评价员102702.0016.006.95193.88418有效的 N （列表状态）270 表-4 第二组白葡萄酒评分描述统计量N极小值极大值均值标准差评价员12812.0074.008.02495.65901评价员22813.0080.007.96095.76955评价员32813.0080

16、.008.08195.83252评价员42811.0080.008.08905.95122评价员52812.0074.007.86125.74070评价员62813.0079.008.43065.85506评价员72812.0075.008.25276.01577评价员82812.0073.006.53745.43923评价员92812.0083.007.70115.93443评价员102813.0076.008.07476.04844有效的 N （列表状态）281由以上的四个表格我们可以直观的看出不同评价员在不同组中评价分数的均值与标准差，但是这样存在误差，没有置信水平，因此我们还需要求得的

17、置信区间(已知)，得到置信区间表。5.1.2：各组红，白葡萄酒的置信区间： 表-5 第一组红葡萄酒置信区间单个样本检验检验值 = 0 差分的 95% 置信区间tdfSig.(双侧)均值差值下限上限评价员119.97189.0006.988896.29357.6842评价员217.38389.0007.777786.88878.6668评价员317.13289.0007.833336.92488.7418评价员418.35588.0006.674165.95157.3968评价员517.43289.0007.288896.45818.1197评价员617.73789.0007.688896.82

18、758.5503评价员718.66889.0007.333336.55288.1139评价员818.02789.0006.944446.17907.7099评价员918.57489.0008.222227.34279.1018评价员1018.98889.0007.555566.76498.3462表-6 第一组白葡萄酒的置信区间单个样本检验检验值 = 0 差分的 95% 置信区间tdfSig.(双侧)均值差值下限上限评价员130.701279.0007.628577.13948.1177评价员227.562279.0005.671435.26646.0765评价员332.604279.0008

19、.350007.84598.8541评价员429.473279.0006.439296.00926.8694评价员532.452279.0007.610717.14918.0724评价员630.158279.0007.264296.79017.7384评价员723.545279.0008.171437.48828.8546评价员831.326279.0007.064296.62047.5082评价员933.303279.0008.110717.63138.5901评价员1029.642279.0007.950007.42208.4780表-7 第二组红葡萄酒的置信区间单个样本检验检验值 = 0

20、 差分的 95% 置信区间tdfSig.(双侧)均值差值下限上限评价员129.560269.0007.137046.66177.6124评价员229.914269.0006.977786.51857.4370评价员329.538269.0007.670377.15918.1816评价员430.331269.0006.588896.16127.0166评价员529.965269.0006.425936.00376.8481评价员634.369269.0007.266676.85047.6829评价员733.291269.0007.200006.77427.6258评价员832.337269.00

21、07.281486.83827.7248评价员932.019269.0007.014816.58357.4461评价员1029.409269.0006.951856.48657.4172表-8 第二组白葡萄酒的置信区间单个样本检验检验值 = 0 差分的 95% 置信区间tdfSig.(双侧)均值差值下限上限评价员123.771280.0008.024917.36048.6894评价员223.130280.0007.960857.28338.6384评价员323.228280.0008.081857.39698.7668评价员422.785280.0008.088977.39018.7878评价

22、员522.955280.0007.861217.18718.5353评价员624.137280.0008.430607.74309.1182评价员722.996280.0008.252677.54628.9591评价员820.147280.0006.537375.89867.1761评价员921.753280.0007.701077.00428.3979评价员1022.379280.0008.074737.36458.7850由上面的置信区间表可以进行对比，第一组红葡萄酒与第二组红葡萄酒，第一组白葡萄酒与第二组白葡萄酒，取=0.05，得到95%的置信区间，经过对比我们可以看到各个评价员的均值差

23、值都落在了置信区间内，但是我们还是不能说有无显著性差异，下面我们进行两个正态总体均值的假设检验：5.1.3：均值的假设检验： 第一组（红葡萄酒）与第二组（红葡萄酒）：原假设：两组评分员的评分无显著性差异（）；备择假设：两组评分员的评分有显著性差异（）；检测统计量： （5.2.1-1）拒绝域： (5.2.1-2)建立好假设检验模型后由表-1，表-2得到：m=900，n=2800，=7.43= 7.05 = 3.87 = 3.73 =1.96（取0.05）计算得出=2.57落在了拒绝域内，因此拒绝原假设，接受备择假设，故两组评分员的评分有显著性差异。 第一组（白葡萄酒）与第二组（白葡萄酒）：原假设

24、：两组评分员的评分无显著性差异（）；备择假设：两组评分员的评分有显著性差异（）；检测统计量：拒绝域：建立好假设检验模型后由表-1，表-3得到：m=2800，n=2800，=7.43= 7.90 = 4.16 = 5.82 =1.96（取0.05）计算得出=-3.36落在了拒绝域内，因此拒绝原假设，接受备择假设，故两组评分员的评分有显著性差异。5.1.4：论证结果：由假设检验可知第一组评价员（红）与第二组评价员（红）有显著性差异；第一组评价员（白）与第二组评价员（白）有显著性差异由表一，二，三，四中标准差的平均值可得：第二组评价员更好（红对红）；第一组评价员更好（白对白）；第二问解题过程：5.2

25、.1：模型建立（系统聚类模型）：首先我们将n个样本看成n类（一类包含一个样品），然后将性质最接近的两类合成一个新的类，我们得到n-1类，再从中找出接近的两类加以合并变成n-2类，如此下去，最后所有的样品均在一类，将上述并类过程画成一张图（称为聚类图）便可决定分为多少类，每类各有什么样品。5.2.2：模型求解：根据酿酒葡萄的理化指标和葡萄酒的质量对这些酿酒葡萄进行分级。接下来我们首先算出红，白葡萄酒中各个化学物质占总组成部分的比例（用EXCEL）,我们抽取主要的成分并且相应的找到酿酒葡萄的化学成分，再对其进行聚类。这样对于问题就有了主次之分，鉴于题目给出的化学成分含量单位不统一，因此换算单位为第

26、一步工作。下面介绍计算得到的数据：红葡萄酒成分占总成分的比例：花色苷：1.3% 单宁：38.0% 总酚：33.1% 酒总黄酮：25.3% 白藜芦醇：2.2% DPPH半抑制体积，色泽：0.1%；我们抽取单宁，总酚，酒总黄酮，对应于酿酒葡萄（红）的成分。酿葡萄酒（红）的分级状况（SPSS数据）： Rescaled Distance Cluster Combine C A S E 0 5 10 15 20 25 Label Num +-+-+-+-+-+ 4 -+ 25 -+ 12 -+ 27 -+-+ 13 -+ | 20 -+ +-+ 16 -+ | | 11 -+ | | 26 -+-+ |

27、 7 -+ | 18 -+ +-+ 5 -+ | | 19 -+-+ | | 21 -+ | | | 22 -+ | | | 14 -+ +-+ +-+ 17 -+ | | | 6 -+ | | | 24 -+-+ | | 10 -+ | | 8 -+-+ | | 15 -+ +-+ | 1 -+-+ | | 3 -+ +-+ | 2 -+ | 9 -+-+ 23 -+ 图（一）由以上的聚类树形图我们可以看出（红葡萄样品）：第一类样品有：27,13,20,16,11,26,19,21,22,14,17,6,24,8,15,1,3 第二类样品有：4,25,12,7,18,5,10,9,23,2：

28、白葡萄酒成分占总成分的比例：单宁：34.63% 总酚：27.25% 酒总黄酮：29.59% 白藜芦醇：6.85% DPPH半抑制体积，色泽：1.68%；我们抽取单宁，总酚，酒总黄酮，对应于酿酒葡萄（白）的成分。酿葡萄酒（白）的分级状况（SPSS数据）： Rescaled Distance Cluster Combine C A S E 0 5 10 15 20 25 Label Num +-+-+-+-+-+ 20 -+ 23 -+ 1 -+ 4 -+-+ 8 -+ | 16 -+ | 14 -+ | 19 -+ | 2 -+-+-+ 21 -+ | | 5 -+ | | 17 -+ | |

29、25 -+-+ +-+ 3 -+ | | 9 -+ | | 26 -+-+ | | 28 -+ +-+ +-+ 10 -+-+ | | 22 -+ | | 11 -+ | | 12 -+-+ | 15 -+ | 6 -+-+ | 7 -+ +-+ | 18 -+ +-+ | 13 -+ +-+ | 24 -+ +-+ 27 -+ 图（二）由以上的聚类树形图我们可以看出（白葡萄样品）：第一类样品有：20，23,1,3,9,11,12,15,24,27；第二类样品有：4,8,16,14,19,2,21,5,17,25,26,28,10,22,6,7,18,13；5.3第三问解题过程：5.3.1：模

30、型建立：模糊综合评价的基本模型如下：（1） 首先要求出模糊评价矩阵，其中表示方案在第个目标处于第级评语的隶属度，当对多个（m个）目标进行综合模糊评价时，还要对各个目标分别加权，设第个目标权系数为，则可得权系数向量，满足： (5.3.1-1)（2） 利用矩阵的模糊乘法得到综合模糊评价向量B，即 (5.3.1-2)综合模糊评价矩阵表示方案处于各档评语的隶属情况，矩阵的模糊乘法“”只需要将矩阵乘法中普通想成改为组最小“”运算，普通加法换成取最大“”运算。5.3.2：模型数据处理：对于大量数据组成的矩阵乘法，我们利用matlab软件编程，部分代码如下：close all；clear all；A=.;B

31、=.;C=AB详细代码数据见附录；5.3.3：计算结果与关系评价：: 程序运行结果：(1)红葡萄酒:花 色 苷: B =1.0e+006 （3.0781 3.0840 3.0820）单 宁: C= 1.0e+004 （4.7040 4.7098 4.6931）总 酚: D = 1.0e+004（4.2424 4.2497 4.2168）酒 总 黄 酮: E= 1.0e+004 3.7718 3.7154 3.7414）白 藜 芦 醇: F =1.5585e+004DPPH半仰制体积: G =1.0e+003 （1.6020 1.5941 1.6067）：白葡萄酒:单 宁: B = 1.0e+0

32、03 （7.9457 7.9385 7.9012）总 酚: C =1.0e+003 (8.3884 7.9344 7.9861)酒 总 黄 酮: D =1.0e+003 (2.6023 2.5469 2.8920)白 藜 芦 醇: E =1.4077e+003DPPH半仰制体积: F =214.5423 214.2282 214.63175.3.2：关系评价：（1）红葡萄酒与红酿酒葡萄之间的联系：我们由3.3.1中的（1）数据可以看出，两者之间的关系有6种，我们假设联系的六个等级为：最为密切，密切，一般，较差，差，最差。再比较各列数据的大小，对应于各个化学成分，由此我们得到关系由高到低的排列：

33、单宁，总酚，酒总黄酮，白藜芦醇，花色苷，DPPH半抑制体积。（2）白葡萄酒与白酿酒葡萄之间的联系：类似于（1）中的分析结果，关系由高到低的排列：总酚，单宁，酒总黄酮，白藜芦醇，花色苷，DPPH半抑制体积。5.4 第四问解题过程：5.4.1：分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响：1：芳香物质主成分分析：首先对附表-3中的红，白葡萄酒做主成分分析，提取芳香物质中主要化学成分，导入SPSS软件中可得（这里以红葡萄酒为例，白葡萄酒主成分解释方差见附录）： 表-9 红葡萄酒芳香物质主成分分析解释的总方差成份初始特征值提取平方和载入合计方差的 %累积 %合计方差的 %累积 %122.78684

34、.39384.39322.78684.39384.39322.79910.36794.7602.79910.36794.7603.6702.48397.2434.4361.61698.8595.182.67399.5326.074.27599.8077.023.08599.8928.011.04299.9349.005.01899.95210.003.01299.96411.002.00899.97112.002.00799.97813.001.00599.98314.001.00599.98815.001.00399.99116.001.00399.99417.001.00299.99618

35、.000.00199.99819.000.00199.99920.000.00199.999218.788E-5.000100.000224.878E-5.000100.000233.366E-5.000100.000241.459E-55.404E-5100.000257.256E-62.687E-5100.000263.446E-61.276E-5100.000278.725E-73.231E-6100.000提取方法：主成份分析。由以上我们可以看到提取了两个主成分，记为y1，y2. 在第一主成分中各个化学物质累计值84.4%，第二主成分中各个化学物质累计值94.8%，下面我们得到主成分中

36、的各个系数值。见下：表-10 红葡萄酒系数 成份矩阵a 成份12x11.696.664x14.685.605x1.966.120x25.944-.249x20.851.388x18.723.580x2.967.116x16.944-.318x17.983-.123x24.981.105x6.982-.021x15.981-.083x8.813.430x23.968-.226x3.901.387x22.901-.172x4.959-.257x19.965-.236x7.949-.276x27.973-.177x10.968-.232x9.991-.092x26.954-.291x5.957-.2

37、79x12.689.61613.978-.179x21.993-.005提取方法 :主成分分析法。a. 已提取了 2 个成份。表-11 白葡萄酒系数成份123x27.962-.013.072x24.907-.313.261x3.886-.323.322x25.971-.210.035x10.978-.172.073x18.642-.170.708x2.951-.247.074x17.905-.385.142x13.877-.226-.189x1.930-.318.111x4.951-.282-.042x16.913.013-.360x26.694.104-.707x14.880.305-.30

38、4x12.741.518.411x11.412.773.241x15.568.778.146x9.919-.055-.375x22.908.115-.388x5.707.654.098x21.941.225-.036x28.683.668.205x8.865.050-.428x23.898-.261.212x7.543.752-.013x20.976-.203-.049x19.834-.200.475x6.936-.134-.306提取方法 :主成分分析法。a. 已提取了 3 个成份。在这里我们得到红葡萄酒2个主成分的线性组合（表-10），形式见下：y1=0.966x1+0.967x2+.+0

39、.973x27 (第一主成分)y2=0.120x1+0.116x2+.-0.177x27 (第二主成分)经过分析我们看出有接近95%的红葡萄酒质量与某些化学成分有关，在0.6以上包括：2-甲基-1-丙醇；柠檬烯；3-甲基-1-丁醇-乙酸酯；（白葡萄酒与红葡萄酒提取主成分方法相同，并且提取的化学物质相同，这里省略）5.4.2：根据主成分分析结果提取附录三中主要化学物质，求取模糊综合评价矩阵：与第三问方法相同（模糊矩阵乘积），联系附录二中关系的等级分类，我们抽取从“最为密切”到“一般”的化学物质单宁，总酚，酒总黄酮，再提取附录二葡萄酒的数据构成27*3矩阵。附录三提取3*27矩阵，求取模糊综合评价

40、模型。matlab软件计算结果如下（详细代码见附录）：C=ABC = 1.0e+003 0.2680 0.2304 0.1846 0.2126 0.1946 0.1570 7.4337 6.3700 5.0145为了便于描述我们整理得下表： 表-12 理化指标与酒质量联系理化指标酒质量单宁总酚酒总黄酮各行之和7.916.805.35标准化有: 酒质量（单宁）：39.4%酒质量（总酚）：33.9%酒质量（酒总黄酮）：26.7%5.4.3：分析结果：酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响程度由高到低排列：单宁，总酚，酒总黄酮。论证能否用葡萄和葡萄酒的理化指标来评价葡萄酒的质量：5.4.4:葡

41、萄酒质量影响因素：经查阅影响葡萄酒质量的相关资料，我们了解到影响葡萄酒质量的主要因素有： （1）品种适应性； （2）适宜于品种良好生长的生态条件（包括土壤、大气候、地区气候）； （3）原料的质量：包括葡萄的成熟度（糖酸及其平衡、酚类、香味成分的种类及其比例）、葡萄的新鲜度及健康卫生状况； （4）酿酒工艺：采用的酵母菌、浸渍方式与发酵时间，发酵温度，分离时间，压榨方式等； （5）陈酿技术：采用的贮藏容器及贮藏时间，是否带酒窖贮藏，瓶贮与否及时间长短等。5.4. 5: 去除上述不必要的影响因素，对附录三进行因子分析： 图（三） 因子得分系数矩阵因子12x11-255.088538.957x1484

42、.281-167.944x183.881-176.302x25256.530-449.708x20-210.571114.239x18945.428-1302.137x2890.639-1723.932x161359.376-2109.196x17667.767-656.719x24-1527.1472356.106x6-569.579730.337x1595.128169.489x81753.968-2799.707x23-1906.7102840.647x3-1223.9161937.299x22-1946.5052906.193x41587.314-2550.405x19116.399-

43、216.307x7-556.987907.007x271804.919-2746.522x10338.879-334.624x9787.587-951.954x26-2754.2714258.116x53232.800-5096.827x12-202.352319.490x13-1084.3731575.094x21-1520.0272262.917提取方法 :主轴因子分解。 旋转法 :具有 Kaiser 标准化的全体旋转法。六、模型评价与改进：6.1.1模型评价与改进6.1.1模型的缺点：5.1：问题一缺点：数理统计中假设检验方法有很多，所用的检验只是其中的一种，我们没有对各种假设检验选取最

44、优，各组数据是否服从正态分布没有检验。5.2：问题二缺点：聚类分析方法同样也很多，没有对比各种方法选取最优；其次聚类与分级的关系不是很密切。5.3：问题三缺点：模糊综合评价模型的建立有一定的主观因素在里面。5.4: 问题四缺点：主成分分析与模糊综合评价结合应用的合理性存在不足。6.1.2 模型的优点： 面对大量的数据处理，利用统计的方法非常有效，尤其是SPSS软件的应用。在四个问题中，我们处理数据科学，有说服力。尽量避免利用复杂的模型，言简意赅，只要能正确说明问题就是我们所提倡的。模糊综合评价模型有创新性，用具体数据说明事物联系。3，模型的误差分析： 七、参考文献1 彭德华.影响葡萄酒质量的主

45、要因素分析 J . 中外葡萄与葡萄酒，2004，5：40-442 梁学军，诸葛宏庆，杨华峰. 葡萄质量是决定葡萄酒质量的关键因素J. 中外葡萄与葡萄酒，2000，1：47-493 李华. 现代葡萄酒工艺学M. 西安：陕西人民出版社，2000，109-1184 彭德华，彭学峰.葡萄酒发酵的温度控制J.1995，37（2）：25-275 谷桐彦. 低醇甜红葡萄酒生产工艺研究J. 酿酒科技，2004，124(4)：82-836 国家技术监督局.GB/T15038-94（葡萄酒果酒通用实验方法）.1994：2-317 朱宝墉.葡萄酒工业手册M.北京：中国轻工业出版社，1995，594-5958 李华.

46、 葡萄酒感官品评的客观方法J . 湖南轻专学报, 1990, 3 ( 1) : 189 李华. 葡萄酒品尝学M . 北京: 中国青年出版社, 199210 李华现代葡萄酒工艺学【q西安：陕西人民出版社，199511 王华葡萄与葡萄酒实验技术操作规范M】西安：西安地图出版社。199912 赵光鳌，等编译葡萄酒酿造学一原理与应用嗍北京：中国轻工业出版社，200113 赵光鳌葡萄酒酿造学一原理与应用14 王华葡萄酒实验技术操作规范 1999 15 李华. 葡萄酒品尝学M. 北京: 科学出版社, 2006.16李华. 我国原产地域产品与葡萄酒地理标志及保护J. 中国防伪, 2004 (8): 7-9.17李华, 陶永胜, 康文怀, 等. 葡萄酒香气成分的气相色谱