数学建模葡萄酒评价.docx

A题：葡萄酒的评价

摘要

本文主要进行了葡萄酒感官评价的可信度比较、酿酒葡萄评价分级、酿酒葡萄与葡萄酒的理

化指标之间的联系、评价结果统计分析等方面的研究。通过方差分析、层次分析等方法建立模型，

解决了葡萄酒的评价问题。

问题一：利用方差分析法对评酒员评价数据进行分析，并用Excel 画出图表（见正文），直观地观察出两组评价数据范围接近，第二组评价数据波动不大，评价数据更可信。

问题二：要求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，我们认为影响酿酒葡萄品质的因素较多，酿酒葡萄各理化指标之间的关系又是极其复杂的，对其的评价是一个多指标、多属性的问题。采用系统工程学的层次分析法(AHP )来确定影响葡萄品质的各

因素的权重，应用综合评判法，对酿酒葡萄进行了评价和分级。各等级下葡萄样品数如下表：

等级优良中合格葡萄种类

红葡萄54108

白葡萄8892

问题三：利用逐步回归法得到酿酒葡萄与葡萄酒的理化指标之间的关系，并用BP 神经网络进行比较验证。

问题四：通过聚类分析与神经网络相结合，分析酿酒葡萄与葡萄酒的理化指标和葡萄酒质量

间的联系。通过理化指标得到葡萄酒质量评价分数，并与第二组评酒员评价出的葡萄酒质量评价

分数对比分析，可知现阶段还不能用酿酒葡萄与葡萄酒的理化指标来评价酒的质量。

本文的建模过程中，对于每个问题都充分考虑了影响因素，一定程度上体现了模型的可靠性，具有较强的适用性和普遍性。

关键词：方差分析 Excel 逐步回归分析Bp 神经网络聚类分析Matlab

DPS 数据处理系统

一、问题重述

通过聘请一些有资质的评酒员品尝葡萄酒，根据他们反馈意见来确定葡萄酒的质量。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。已知某一年份一些葡萄酒的评价结果，及该年份这些葡萄酒的和酿酒葡萄的成分数据。根据上述条件建立数学模型解决以下问题：

1.分析两组评酒员的评价结果有无显着性差异，哪一组结果更可信。

2.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。

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。

二、问题分析

问题一：观察附表 1 中评酒员的评价结果数据，分析得出它们之间的差异。根据评酒员对各组葡

萄酒的评价结果数据，寻求结果数据更加稳定的一组，作为目标，利用求方差的数学模型，

对各个数量指标进行分析比较，得出更有可信度组。

问题二：根据不同理化指标对于酿酒葡萄影响各不相同，用层次分析法构造比较矩阵。计算得到各个因素所对应的权重，定一个分数指标，根据分数对葡萄进行分级。

问题三：题中葡萄与葡萄酒指标数分别为 60、17，考虑因变量太多，用逐步回归分析法建立求解模型，结合神经网络模型进行对比验证。将多次测试值取平均数，获得可信数据。

问题四：考虑参数过多，为剔除微小影响因素，通过聚类分析法对影响指标进行归类，寻找主要因素，用神经网络建立模型，获得理化参数对葡萄酒的影响关系。对理化指标仿真得到新的质量指标分数，与第二组评酒员评价数据比较分析，作为论证依据。

三、模型假设及符号说明

3.1 模型假设

(1)假设评酒员给出的评价数据不存在个人因素。

(2)假设一级指标只与一级指标相互影响，二级指标只与二级指标相互影响。

(3)假设葡萄分级时忽略二级指标对结果的影响。

3.2 符号说明

i：表示第 i 个处理观测值总体平均数。

ij ：表示试验误差。

i : 表示处理i 对试验结果产生的影响。

x ij:表示i ij 总和。

ss ：表示误差平方和。

e

ss t表示处理间平方。

ss表示总变异的总平方和。

T

W{W1,W2 ,....,W m} ：表示权重系数集。

r ij (r

ij1

, r

ij 2

,

,r ij4 ) ：表示隶属度向量。

V

ij (r

ij1

, r

ij 2

,r

ij 4) ：表示评价等级。

P r i表示红葡萄的第i 个一级指标。

P

w j：表示白葡萄的第j 个一级指标。

Q r m：表示红葡萄酒的第m 个一级指标。

Q w n：表示白葡萄酒的第n 个一级指标。

p

r a：表示红葡萄的第 a 个二级指标。

p w b：表示白葡萄的第 b 个二级指标。

q

r c：表示红葡萄酒的第 c 个二级指标。

q

w d：表示白葡萄酒的第 d 个二级指标。

四、模型的建立

4.1 问题一 :

通过建立方差分析模型对两组评酒员对葡萄酒的评分结果进行差异分析。

4.1.1数学模型

反应全部观测值总变异的总平方和是个观测值X ij与总平均数x的离均差平方和，记为：SS T

k

x )2

用n( x i反映重复 n 次的处理间变异，称为处理间平方和记为SS t

i 1

k n

x i )2

(x ij为各处理内离均差平方和之和，反映了各处理内的变异即误差，称为处理

i 1 j 1

内平方和或误差平方和，记为SS e

处理内自由度为观测值的总个数减k 处理内自由度记为df e

由于：

因此：

各项平方和除以各自的自由度便得到总均方、处理间均方和处理内均方，分别记为

MS T MS t MS e

4.1.3F 检验

通过 MS t 与 MS e

2

的比较来推断

是否为零

i

是否相等

即

1

2

k

在

2

0 的条件下，

MS t

服从自由度 df 1

k 1与 df 2 k n

1 的 F 分布。

MS e

若实际计算的 F

F

即 p

0.05

2

0。

df ,df ，不能否定 :

0.05

2

1

若

F

F

F

即 0.01

p 0.05 ，否定 H O ： 2

0 。接受 H A ： 2 0

df , df

0.05

2

0.01 df , df

1

1

2

若

F

F

0.01 df 1 , df 2 ，即

p

0.01，否定 H O ： 2

2

0 。接受 H A ：

差异小的一组评酒员的评价可信。

4.2 问题二

4.2.1 建立层析结构模型

建立层次模型之前， 应对酿酒葡萄进行分析。 通过分析出影响目标相关因素，

将评估酿酒葡

萄的等级作为目标层的元素。

对葡萄进行评级时可以从酿酒葡萄的理化指标和葡萄酒的质量二个

方面分别考虑， 将葡萄的理化指标、 葡萄酒质量作为第二层的元素。 从中提取相关的类作为第三

层的元素，例如从葡萄酒质量中的外观分析、

香气分析、 口感分析等， 和葡萄理化指标中的各指

标的含量。 严格对应葡萄与两个评价因素的映射， 将第三层的某些类细化为族。

确定的层次模型

示例如图 4-2 所示。

酿酒葡萄等级

葡萄酒质量

葡萄理化指标

外 香 口 氨 蛋

花 基

VC 色

观 气 感 酸

白

含 苷

分 分 分 总 质

析

析

析

量

量

4.2.2 构造判断矩阵

判断矩阵表示针对上一层次某因素而言，本层次与之有关的各因素之间的相对重要性。其形式如下：

b ij 表示对 A 层而言， B 层中因素 b i 对 b j 的相对重要程度，通常取

1、3、5、7、9 及其他们

的倒数， 2、 4、 6、 8 表示第 i 个因素相对于第

j 个因素的影响介于上述两个相邻等级之间。

判断矩阵 B 具有如下特征： b ii 1 、 b ji

1 、 b ij

b

ik

，其中 (i , j , k 1,2, , n) 。

b ij

b

jk

判断矩阵中的 b ij 是根据经验经过反复研究验证后确定。

用层次分析法应保持判断矩阵的一致性，

矩阵中的 b ij 满足上述三条关系式时，说明判断矩阵具有完全的一致性。

层次单排序是根据判断矩阵计算对于上一层某因素而言本层次与之有联系的因素的重要性

次序的权重（的排序）。在矩阵运算中表现为求最大特征值对应的特征向量。 采用方根法计算准则层的因素相对于目标层的层次单排序。

各因素的权重向量为 ( 1 ,

2 ,..., n ) T

其中

对

进行归一化处理，得到

(

1,

2 ,...,

n )

T

i

i

, 其中 n

j

j 1

计算矩阵的最大特征根

其中 ( A ) 表示向量 A 的第 i 个元素。

计算一致性指标：

C. R.= R.C. I.max n

，其中 C. I .

n1 R.I.

RI 为平均随机一致性指标，其变化情况如表4-2 所示，当CR<0.1，认为判断矩阵的一致性

是可以接受的，否则应对判断矩阵作适当调整。

4.2.4 层次总排序

为了得到层次结构中每一层次的所有因素相对于总目标的层次总排序，需要将计算出来的

层次单排序再次进行适当计算。假设层次结构模型是由目标层 (A) 、准则层 (B) 和指标层 (C) 所组成，准则层有 m个因素，指标层有 n 个因素。

已知 B 层对 A 层的层次单排序为：( 1 , 2 ,..., m )T

C 层对 B 层的准则Bj 的层次单排序为：j( 1 j , 2 j ,...,nj)T

则 C 层各指标对 A 层的层次总排序的方法为：

C 层各指标对目标层的层次总排序为：( 1 ,2 ,..., n ) T

评语集是对各个安全因素可能做出的总的评价结果的集合。根据实际评估需要进行设计。把

评语集定义为以下几个等级：V V

1

,V

2

,V

3

,V

4 ={优，良，中等，合格} 。

设 F 是各种等级因素的集合，把 F 中的葡萄等级按照某一准则分类，一般将相近或相似的等

级因素分为一组，设 F 中的等级因素有m组，即F

F1 , F2 ,..., F m

每个F i

又有：

F i F1i , F2 i ,..., F ni

， n 为组成

F i

的子因素的个数。依次对各个子因素继

续划分下层。

权重系数集是根据各子因素对上一层父因素的重要程度, 对每个子因素分配的权重系数的集

合。每个F

i映射一个函数值

W

i ,

W

i组成的集合

W W

1

,W

2

,...,W

m 即为权重系数集，其中

W

i

满足归一性和非负性条件，即：

同理，可以得到下一层的权重系数：W ij (i 1,2,..., m; j 1,2,..., n) 。

权重系数集受主观因素影响较大，特别是当某一因素出现所有的专家都一致认为其中一个因

素是重要的，而其它因素为 0 时，则在评估过程重会夸大该因素而忽略其它因素。前面步骤通过AHP法可以弱化该影响。

通过层次分析法得到酿酒葡萄的分数并进行分级。

4.3 问题三

分析酿酒葡萄与葡萄酒的理化指标之间的联系。由于给出的数据过多，我们采用逐步回归法进行求解。根据题目建立模型：

对回归模型进行标准化得到得出：

标准化的回归模型的矩阵：

标准化前后的关系

得到标准化后的矩阵：

采用逆紧凑变换法来对给出的多种指标进行分析。由( R( 0) E ) 经高斯消元法变换为( E R 1 ) ，既可求出解。在逐步回归分析中，每引进一个变量或者剔除一个变量，都要对R 进

行一次求解求逆紧奏变换法变换。对给出的因素进行分析，引入方差贡献最大者。回归平方和越大，回归方程的效果就越好。得到葡萄与葡萄酒的理化指标之间个各个关系式。

采用 bp 神经网络对给出的葡萄与葡萄酒的理化指标进行建模。

节点输出模型：

隐节点输出模型：Q i f (W ij X i Qj ) ????

输出节点输出模型：Y k f (T

ik

Q

j Qk

)

其中， f 为非线形作用函数；q 为神经单元阈值。

作用函数模型： ?

作用函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数，这里取为（0,1 ）内连续取值Sigmoid 函数：

由于激励函数Sigmoid 在接近0,1 时，收敛速度慢，将训练样本、测试样本以及网络预测的

输入样本值置于0.1-0.9 区间，具体做法如下：

误差计算模型：

误差计算模型是反映神经网络期望输出与计算输出之间误差大小的函数：

t pi为i节点的期望输出值；O pi为i节点计算输出值。

自学习模型：

引入动量因子提高网络的记忆能力以便使网络学习提速和降低陷入局部极小值的机会。动

量项越多，只要网络学习的时间足够长，网络总有机会慢慢爬出局部极小值。

神经网络的学习过程，即连接下层节点和上层节点之间的权重矩阵W ij的设定和误差修正过程。 BP 网络有师学习方式- 需要设定期望值和无师学习方式- 只需输入模式之分。自学习模型为

h 为学习因子；i为输出节点 i 的计算误差；O j为输出节点j 的计算输出；a为动量因子。

通过采用葡萄与葡萄酒的理化指标进行训练。得到葡萄的理化指标与葡萄酒的理化指标的

关系。

4.4 问题四：

采用聚类分析葡萄酒理化指标的参数与葡萄酒的质量分数进行分类，利用神经网络建立数学

模型寻找酿酒葡萄与葡萄酒的理化指标与葡萄酒质量的影响关系。

聚类分析指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程。它是一种重要的人类行为。聚类分析的目标就是在相似的基础上收集数据来分类。

采用欧式距离来衡量同类样本的类似性与不同类的差异性。欧式距离中第i 个样品与第j 个样品之间的距离为：

显然 1 D ij 1 ，D愈小表示两个愈相似，反之则疏远。

计算相关系数：

采用类内距离和准则。表达式为:

对葡萄与葡萄酒的理化指标与葡萄酒质量分数进行标准化后进行聚类分。

方法是：

根据样品冰柱图选择主要相关指标。

建立 bp 神经网络模型，对葡萄酒质量影响的分析。

通过学习筛选后的数据来进行分析。得到一定的关系。我们用学习后的网路来对葡萄与葡萄

酒的理化指标进行仿真分析得到一个新的红葡萄酒与白葡萄酒的质量分数。通过分析第二组评酒员与新得到的分数进行对比。并对新的分数进行分析。来确定葡萄与葡萄酒的理化指标能否进行

葡萄酒的质量判断。

五、模型的求解与分析

5.1 问题一：

根据上述模型，利用Excel 求解，结果如下：

方差分析结果：

表格错误！未指定顺序。第一组红葡萄酒

差异源SS df MS F P-value Fcrit

行92.69626.000 3.565 6.534 1.714E-16 1.543

列28.2259.000 3.136 5.748 3.273E-07 1.920

误差127.674234.0000.545

总计248.596269

表格错误！未指定顺序。第一组白葡萄酒

差异源SS df MS F P-value Fcrit

行44.44227.000 1.646 2.789 1.627E-05 1.531

列113.7859.00012.64221.4211.630E-26 1.918

误差143.414243.0000.590

总计301.642279.000

表格错误！未指定顺序。第一组红葡萄酒

差异源SS df MS F P-value Fcrit

行26.62926.000 1.024 3.050 3.749E-06 1.543

列19.6449.000 2.182 6.501 2.932E-08 1.920

误差78.555234.0000.335

总计124.829269.000

表格 4.第二组白葡萄酒

差异源SS df MS F P-value Fcrit

行22.69627.0000.840 2.0120.003 1.531

列37.8179.000 4.20110.061 3.948E-13 1.918

误差101.482243.0000.417

总计161.996279.000

作出直观图表：

图表错误！未指定顺序。第图表2第一组白葡萄酒

一组红葡萄酒

图表 3 第二组红葡萄酒图表4第二组白葡萄酒

据直观图知，第一、二两组的评分范围接近，但第一组与第二组评酒员的评分对比，第一组波动较大。对比上述图表，第二组较第一组整体评分更稳定，因此第二组评价数据更可信。

5.2 问题二：

查阅资料的到因素之间的重要关系，建立比较矩阵。矩阵如下：

111111

1

1

1232 234562

211111212343 23451

11232

3 2 11112

风味 R0234加工 R11 1 1121

11232

4321

2311111

1 54321134322

2111

121 654321232

11

21 2

营养 R22134 11

12 23

1

11

1 42

根据比较矩阵可以得到特征值：1 =5.6722 =6.0373 =4.1714 =3.0185 =2.000 。

归一化后的特征向量：

把归一化后的特征向量作为权值，对数据逐层加权求总分，得到葡萄等级分数。

葡萄等级分类如下：

葡萄分级表

葡萄种类分级葡萄样品号

红葡萄优123923

良14172124

中等56810121316192022

合格47111518252627

白葡萄优310212324252728

良456912171820

中等128111314151926

合格716

5.3 问题三：

用Matlab 软件对模型进行逐步回归分析，得到酿酒葡萄与葡萄酒的理化指标

之间的联系，得出以下结论：

红葡萄酒花色苷与葡萄的花色苷鲜重、出汁率的关系为：

Q r1 2.6551P r4 6.7471P r26437.5168 ，

红葡萄酒单宁与葡萄总黄酮、可溶性固形物的关系为

红葡萄酒的总酚、酒总黄酮以及白藜芦醇分别与酿酒葡萄的一级理化指标间的关

系如下：

红葡萄酒的 DPPH半抑制体积以及色泽分别与酿酒葡萄的理化指标间的关系如

下：

红葡萄的H（ D65）与酿酒葡萄的酪氨酸、果糖的关系：

红葡萄酒的C（ D65）与酿酒葡萄的丝氨酸、谷氨酸、杨梅黄酮、山萘酚、果糖、葡萄糖的关系：

白葡萄酒总酚与酿酒葡萄的总黄酮、黄酮醇的关系：

白葡萄酒的总酚、酒总黄酮及白藜芦醇分别酿酒葡萄二级指标的关系：

白葡萄酒的色泽与酿酒葡萄一级指标的关系：

白葡萄的H（ D65）与酿酒葡萄的丝氨酸、异亮氨酸、杨梅黄酮的关系：

白葡萄的C（ D65）与酿酒葡萄的果糖的关系：

用DSP 数据处理对葡萄与葡萄酒的理化指标进行训练，得到葡萄与葡萄酒理化指标间的关

系，与回归得到的关系相比较。

5.4 问题四：

采用 DPS 数据处理系统来对数据进行聚类分析，生成样品冰柱图。分析葡

萄酒与葡萄的各种理化指标与第二组评酒员葡萄酒质量分数，对理化指标分类找到主要响因素。得出红、白葡萄酒与葡萄的理化指标与葡萄酒质量因素的样品冰

柱图。

下面给出红葡萄酒的理化指标与红葡萄酒质量因素的样品冰柱图，其他样品冰柱图见附录。

红葡萄酒理化指标与外观指标样品冰柱图红葡萄酒理化指标与口味指标样品冰柱图

红葡萄酒芳香指标与香气指标样品冰柱图

后用 bp 神经网络来对筛选出来的指标与相关葡萄酒的质量分数进行学习得

到红、白葡萄与葡萄酒的理化指标与质量的网络。

用得到的网络对理化指标进行仿真得到新的红白葡萄酒的质量分数表。

红葡萄酒理化质量评分表

样品 1样品 2样品 3样品 4样品 5样品 6样品 7

整体评价8.9488.9548.9558.9538.9548.9468.947样品 8样品 9样品 10样品 11样品 12样品 13样品 14整体评价8.9258.9588.9478.5838.9458.9388.951样品 15样品 16样品 17样品 18样品 19样品 20样品 21整体评价8.88158.9518.9558.9448.9558.9518.954样品 22样品 23样品 24样品 25样品 26样品 27

整体评价8.9558.9588.9548.9338.9338.945

白葡萄酒理化质量评分表

样品 1样品 2样品 3样品 4样品 5样品 6样品 7

整体评价9.3199.3189.3189.3189.3199.3209.318样品 8样品 9样品 10样品 11样品 12样品 13样品 14整体评价9.3199.3199.3179.3189.3149.3159.316样品 15样品 16样品 17样品 18样品 19样品 20样品 21整体评价9.3159.3199.3149.3199.3159.3189.314样品 22样品 23样品 24样品 25样品 26样品 27样品 28整体评价9.3199.3179.3189.3179.3169.3149.315通过与第二组评酒员的葡萄酒评分进行对比，对数据进行分析。发现各个样品间的差距很小，不能体现出酒的特点，不能用理化指标来对葡萄酒进行质量评价。

葡萄酒区分好坏的主要通过评酒员品评葡萄酒来完成。随着计算机技术与检测技术发展，通过检测的理化指标来评价葡萄酒的质量是可能的。

六、模型的评价与推广

优点

1.结合多方因素建立模型，充分考虑所给数据的差异，利用层次分析法对各种因素作全面分析。一些参数根据因素互相之间的联系而设定，为评价问题能提供准确的依据。

2.逐步回归在处理葡萄酒与酿酒葡萄理化指标时，剔除了一些微小影响因素。

3.聚类分析对数据进行分类，使有大量不同项的数据得到简化。

模型虽是就葡萄酒评价而建立的，但类似地也适用于其它方面的一些数据规律的评价问

题，即该模型具有很广泛的应用性。

缺点

1.人为的忽略一些影响不大的因素，在某种程度上增加了误差。

2.第四问中训练后的神经网络具有很强的针对性，学习内容不够全面。

七、参考文献

【1】李华，葡萄酒感官评价结果的统计分析方法研究第 6 卷第 2 期《中国食品报》

【2】许国根、贾瑛，《模式识别与智能计算的实现》北京：北京航空航天大学出版社，2012 年7月。

【3】卓金武，《在数学中建模中的应用》，北京：北京航空大学出版社，2011.7 。

【4】王文静，感官评价在葡萄酒研究中的应用第34 卷第 4 期《酿酒》

附录

应用的软件：

Excel Matlab DPS 数据处理系统

matlab ：

归一 1：

fori=1:length(n)

m(i,t)=(n(i)-min(n))/(max(n)-min(n))*10

end

归一 2：

fori=1:length(f)

k(i)=f(i)/sum(V(:,1));

end

聚类：

y=pdist(x1');z=linkage(y,'single' );

h=dendrogram(z)

逐步回归：

[B,SE,PVAL,in,stats,nextstep,history]=stepwisefit(Xr,Yr(:,i));

样品冰柱图：

红葡萄芳香指标与香气指标

红葡萄理化指标与外观指标红葡萄理化指标与口感指标

白葡萄酒芳香指标与香气指

白葡萄酒理化指标与外观指白葡萄酒理化指标与口感指

白葡萄芳香指标与香气指标白葡萄理化指标与外观指标

白葡萄理化指标与口感指标白葡萄酒理评价结果

澄清色调纯正浓度质量纯正浓度持久质量评价度度度性

3.410 6.960

4.493 6.30512.58 4.538 6.210 6.29516.719.3192 0567516982525597

3.410 6.960

4.493 6.30512.58 4.444 6.147 6.36616.809.3175 0567516975950508705 3.416 6.925 4.493 6.30512.58 4.552 6.289 6.38316.979.3177 152751695355546157 3.410 6.960 4.493 6.30512.58 4.475 6.175 6.36416.829.3178 056751698467239 3.410 6.960 4.517 6.31112.52 4.588 6.322 6.35016.929.3192 056058291579656

3.421 6.889

4.555 6.30412.42 4.519 6.121 6.17016.399.3199 55958251355759569308 3.439 6.746 4.517 6.31112.52 4.502 6.014 6.09516.229.3183

85058245952645998 3.410 6.960 4.493 6.30512.58 4.584 6.317 6.35916.949.3188 05675169787546781 3.439 6.746 4.701 6.75012.98 4.555 6.303 6.38516.999.3187

851575034525065562 3.410 6.960 4.283 6.00012.08 4.496 6.177 6.30716.699.3170 05615785515864574 3.410 6.960 4.473 6.26012.39 4.434 6.103 6.34516.729.3177 056705748251535716 3.439 6.746 4.493 6.30512.58 4.457 6.152 6.35116.769.3142

8575169955977195 3.438 6.749 4.542 6.34312.52 4.455 6.134 6.33816.719.3153 79157552565725065303 3.410 6.960 4.516 6.31012.52 4.600 6.183 6.44916.939.3162 05665676657152487 3.439 6.746 4.493 6.30512.58 4.462 6.150 6.34016.739.3147

85751697559044 3.410 6.960 4.493 6.30512.58 4.602 6.364 6.38017.049.3187 0567516995115195109 3.439 6.746 4.370 6.14512.35 4.473 6.142 6.30416.659.3136

852543172233381 3.410 6.960 4.542 6.34312.52 4.585 6.318 6.35816.949.3194 0560575545056265255 3.439 6.746 4.493 6.30512.58 4.451 6.097 6.29916.629.3151

85751695531905054

3.410 6.960

4.503 6.29312.62 4.499 6.140 6.26816.609.3186 05632695853868686 3.439 6.746 4.493 6.30512.58 4.362 6.003 6.30016.559.3142

85751695658455532 3.410 6.960 4.517 6.31112.52 4.589 6.318 6.3416.909.3194 056058225532241 3.410 6.960 4.493 6.30512.58 4.476 6.221 6.41417.009.3173 056751692955935435 3.410 6.960 4.493 6.30512.58 4.469 6.167 6.35016.779.3179 15257516966197918 3.410 6.960 4.493 6.30512.58 4.388 6.015 6.27016.519.3173 0567516905252543562

3.410 6.960

4.508 6.52712.59 4.342 6.094 6.50116.409.3162 05695553694581062 3.439 6.746 4.517 6.31112.52 4.594 6.346 6.38017.029.3141

850582452515966

红葡萄酒理化评价结果

澄清色调纯正浓度质量纯正浓度持久质量评价度度度性

3.435 6.952

4.151

5.79811.57 3.923 5.673 5.96114.588.9480 35765468568425455 3.435

6.952 4.223 5.72511.90 4.114 5.856 5.96315.658.9540 35125659564583 3.510 6.515 4.243 5.90112.10 4.115 5.848 5.96115.648.9552 174545545845275 3.520 6.423 4.242 5.90012.10 3.936 5.546 5.77015.128.9529 451755528757505695727 3.520 6.423 4.126 5.77011.80 4.091 5.806 5.95415.638.9536 45155275054524185 3.520 6.423 4.210 5.73811.87 3.952 5.403 5.74014.858.9461 4510528151564725403 3.520 6.423 4.125 5.77511.77 3.906 5.514 5.79414.998.9472 451650559515528716 3.520 6.423 4.085 5.41011.27 3.793 5.259 5.60714.398.9252 45181538250596177 3.435 6.952 4.555 6.19212.82 4.114 5.856 5.96415.658.958 353520258405655

3.520 6.423

4.337

5.31511.81 3.941 5.389 5.73714.858.9466 4517684753599054 3.603 3.829 3.984 5.92211.15 3.490 4.713 5.43112.798.5833 815051350537518646 3.520

6.423 3.944 5.25211.56 4.034 5.715 5.87315.438.9447

4514530210545275278 3.520 6.423 4.195 5.64311.91 3.962 5.320 5.72314.688.9382 4515844257165855 3.520 6.423 4.121 5.86011.60 3.954 5.578 5.78815.198.9514 45121537805317533 3.520 6.423 3.837 5.45611.25 3.862 5.175 5.64614.478.8815 45176502058527173 3.520 6.423 4.136 5.49111.74 4.001 5.654 5.84415.368.9511 451452526505456501216 3.520 6.423 4.203 5.73011.86 4.113 5.853 5.96315.658.9546 45134112505247894 3.520 6.423 4.151 5.76811.71 3.909 5.549 5.83514.888.9438 45145222292569064 3.520 6.423 4.239 5.89712.09 4.092 5.809 5.95415.638.9550 4518354925751576

3.573 5.213

4.151

5.79811.57 4.100 5.820 5.95415.628.9505 0585765465562555646 3.520

6.423 4.195 5.64311.91 4.113 5.818 5.95415.608.9536 451584415553885392 3.520 6.423 4.421 6.10912.54 3.945 5.563 5.77515.148.9545 4511561445459569159 3.435 6.952 4.477 6.28612.76 4.111 5.849 5.96215.658.9577 35355365775735505 3.520 6.423 4.267 5.76211.98 3.985 5.627 5.82815.318.9539 4516570467555705331 3.520 6.423 4.229 5.53211.78 3.972 5.274 5.71914.618.9332 4518251528848173 3.520 6.423 4.195 5.64311.91 4.074 5.450 5.87015.178.9448 45158447298027 3.520 6.423 4.183 5.61011.87 4.114 5.489 5.87515.148.9424 4515517457183979

本文来源：https://www.bwwdw.com/article/7k0j.html