2012全国大学生数学建模A题优秀论文 - 图文

葡萄酒的评价

摘要

目前葡萄酒的评价主要为感官品尝法，但由于其主观性较强，如评酒员的职业水平、个人喜好以及葡萄酒的温度等等都会影响到葡萄酒评价的结果。本文将在对两组评酒员评价结果显著性差异判断的基础上，结合葡萄与葡萄酒的理化指标对葡萄酒的质量进行评价的实证研究，为完善葡萄酒质量评价提供可参考性方案。

首先，我们借助F检验和t检验分别对两组评酒员的评价分数的方差和均值做显著性差异分析。通过分析，我们发现两组评酒员对红葡萄酒的评价结果的方差（除色调外）存在显著性差异，对白葡萄酒的各项评价，其中外观分析、口感分析的评价方差（浓度除外）、平衡整体评价与总分的方差均存在显著性差异，而香气分析的评价不存在显著性差异；两组评酒员对红葡萄酒进行平均值显著性分析时，可以得到除总分外，其余各项均无显著差异，对白葡萄酒的外观分析、香气分析、口感浓度的评价平均值不存在显著性差异，口感分析的其他指标、平衡整体及总分的评价平均值存在显著性差异。此外由于第二组品酒师的评价结果的方差均小于第一组品酒师的评价结果的方差，所以第二组品酒师的评价精确度比第一组品酒师的评价结果更高，故认定第二组品酒师的评价结果更可信。

其次，我们在通过葡萄酒的质量对酿酒葡萄理化指标进行相关性筛选后，得到葡萄的分级指标，再借助聚类分析法用分级指标对酿酒葡萄进行分级，确定葡萄分级大树图。在选取适当的分辨系数??0.99时，将27种红葡萄分为三级，确定出Ⅰ级为优，Ⅱ级为中，Ⅲ级为差；同理，在选取分辨系数??0.96时将28种白葡萄样品分为四个等级，确定出Ⅰ级为优，Ⅱ级为良，Ⅲ级为中，Ⅳ级为差。

再次，我们分析酿酒葡萄与葡萄酒的理化指标之间的关系时，由于酿酒葡萄的理化指标与葡萄酒的理化指标数目都很多，因此我们可以将它们之间的关系看作是一个多输入多输出的系统，借助多输入多输出模型在降维处理后求得酿酒葡萄与葡萄酒的理化指标之间的系数矩阵，从而得出两者的关系。

最后，我们运用模糊数学综合评价原理和单因素模糊评价法，利用葡萄与葡萄酒的理化指标对葡萄酒的质量进行分级，并且分级结果与评酒员评价结果基本一致，从而我们能够确定葡萄与葡萄酒的理化指标是可以用来评价葡萄酒的质量。

关键词：葡萄酒的评价；聚类分析法；多输入输出模型；模糊评价原理；单因素模

糊评价法

1

一、 问题重述

葡萄酒是以新鲜葡萄或葡萄汁为原料, 经发酵而成的含有多种营养成分的饮料酒具有很高的营养价值和保健作用。葡萄酒品尝是酿酒工作者早就采用的一种判断葡萄酒质量的方法[1]。它是凭借人的主观感觉，通过对葡萄酒的外观香气和滋味的感官检验，确定葡萄酒质量的方法。我们一般情况是通过聘请一批有资历的评酒员进行品评，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。但感官品尝结果受到多种因素的影响，如评酒员的职业水平、个人喜好以及葡萄酒的温度等等都会影响到葡萄酒评价的结果。目前，我国葡萄酒品尝尚不普遍，训练有素的专家品酒师也有限，进口葡萄酒没经过严格的质量检验，经常是以次充好。面对葡萄酒质量检测的种种困难，以及此问题引发的不良后果，本文将在对两组评酒员评价结果显著性差异判断的基础上，结合葡萄与葡萄酒的理化指标对葡萄酒的质量进行评价的实证研究，为完善葡萄酒质量评价提供可参考性方案。本文主要完成以下四项工作：

1）分析两组评酒员评价结果有无显著性差异，确定哪一组评价结果更可信。 2）根据葡萄酒的质量和酿酒葡萄理化指标酿酒对葡萄进行分级。 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

对于问题一，我们分析两组评酒员的评价结果有否存在显著性差异时，首先我们需要对附件1的数据中专家评价结果进行行均值处理，达到消除个体误差的目的，并在此基础上，按照葡萄酒评价指标的分类，分别求出两组评酒员对所有样本的平均评价分数，并及此时的样本方差；其次我们借助F检验对两组评酒员的评价分数的方差做显著性差异分析；最后我们在F检验的基础上，借助t检验对两组评酒员的评价分数的均值做显著性差异分析。

对于问题二，我们根据酿酒葡萄的理化指标和葡萄酒的质量对酿酒葡萄进行分级，依据附件二，可以知道酿酒葡萄具有63种理化指标，但是这些理化指标对葡萄酒的质量影响程度不同，我们首先需要通过酿酒葡萄理化指标与葡萄酒质量的相关性分析确定理化指标中的主要影响因子，定为分级指标，然后依据这些分级指标用聚类分析法对酿酒葡萄进行分级。

对于问题三，我们分析酿酒葡萄与葡萄酒的理化指标之间的关系时，由于酿酒葡萄的理化指标与葡萄酒的理化指标数目都很多，因此我们可以将它们之间的关系看作是一个多输入多输出的系统，符合多输入多输出模型如图1所示，则酿酒葡萄与葡萄酒的理化指标之间的关系可以借助多输入多输出系统的系数矩阵表达。

2

图1 酿酒葡萄与葡萄酒的理化指标输入输出模型

对于问题四，在分析酿酒葡萄和葡萄酒理化指标对葡萄酒质量的影响时，由于理化指标较多，关系较复杂，我们将运用模糊综合评价原理，采用单因素模糊评价法对葡萄酒的质量进行分级，并对上述分级进行检验，从而判断出能否用葡萄和葡萄酒的理化指标来评价葡萄酒的质量。

三、 模型假设

1、不考虑加工生产时工艺性对葡萄酒质量的影响。 2、假设附录1数据服从正态分布。

3、假设对葡萄酒理化指标进行时，酿酒葡萄对葡萄酒理化指标影响小的可忽略。 4、整个系统处于完全封闭状态，内部环境不受外部环境环境影响，质量守恒。

四、 符号说明

xi???????????????????????????样本数值 x????????????????????????????样本均值 si2???????????????????????????样本方差 ni???????????????????????????样本个数 df???????????????????????????自由度 ??????????????????????????????显著水平 aij?????????????????????????????转化量

五、 模型建立

5.1两组评酒员的评价结果显著性差异分析

由于每位品酒员间存在评价尺度、评价位置和评价方向等方面的差异，从而导致不同品酒员对同一酒样的评价差异很大。因此，在对两组专家评价结果进行显著性差异分析时，首先我们必须消除原始数据中专家个体的数据差异，以便能客观反映两组数据专家评价结果是否存在显著性差异。所以我们对附件1所给的红葡萄酒和白葡萄酒数据进行处理，分别将数据的每行按公式(1)求均值，达到消除个体误差的目的。具体数据见附录1专家评分均值表。

3

1n专家评分均值 x??xi (1)

ni?1其次，我们依据附录1种所得数据，再由公式（1）按照葡萄酒评价指标分类，分别求出两组评酒员对所有样本的平均评价分数，并由公式（2）计算此时的样本方差，用以讨论两组评酒员的评价结果有无显著性差异，具体数据见表1-1、表1-2。

样本方差

21ns?xi?x (2) ?n?1i?12??表1-1 红葡萄酒平均评价分数表 评价 指标 组别 平均数 方差 评价 指标 组别 方差 外观分析 澄清度 一组 3.422 0.578 二组 一组 色调 二组 6.319 1.324 口感分析 纯正度 一组 二组 浓度 一组 二组 持久性 一组 二组 质量 一组 二组 纯正度 一组 二组 4.422 4.152 0.683 0.224 一组 香气分析 浓度 二组 一组 12.074 3.591 总分 二组 一组 二组 5.893 5.670 0.835 0.353 平衡整体评价 一组 质量 二组 11.770 0.728 3.493 6.967 0.035 2.053 平均数 4.107 3.967 5.767 5.519 6.026 5.819 15.452 15.044 8.956 8.763 79.086 68.562 0.285 0.049 0.532 0.211 0.341 0.051 2.610 1.073 0.631 0.102 54.004 15.824 表1-2 白葡萄酒平均评价分数表 评价指标 组别 平均数 方差 评价 指标 组别 平均数 方差 纯正度 一组 二组 一组 外观分析 澄清度 一组 二组 色调 一组 二组 纯正度 一组 二组 一组 香气分析 浓度 二组 一组 12.654 质量 二组 12.589 0.479 总分 一组 二组 一组 二组 3.271 3.407 6.704 6.771 4.518 4.511 6.282 6.293 0.510 0.022 0.997 0.435 0.184 0.108 0.512 0.283 0.575 口感分析 浓度 二组 一组 持久性 二组 一组 质量 二组 0.650 平衡整体评价 4.021 4.504 5.911 6.154 6.043 6.329 12.561 16.729 8.964 9.246 73.929 76.532 0.195 0.065 0.249 0.160 0.151 0.057 1.330 0.162 0.084 22.673 10.055 最后，我们讨论第一组和第二组评酒员对红葡萄酒评价结果有无显著性差异。 1. 对两组评酒员的评价分数的方差做F检验

2根据表1-1所计算出的各自的x1和s12，x2和s2依据公式（3）?2?，

s12 F?2 （3）

s2已知n1?n2?27，所以第一自由度为df1?n1?1，第二自由度为df2?n2?1，按显著性水平??0.05，将计算的F值与F分布表?3?中临界值进行比较，得到两组评酒员评价结果的方差显著性差异，比较结果如表2-1所示。

表2-1 红葡萄酒F检验结果一览表 评价指标 外观分析 香气分析 4

组别 F检验值 方差是否有显著性差异 评价指标 组别 F检验值 方差是否有显著性差异 澄清度 一组 二组 16.7 Y 纯正度 一二组 组 5.8 Y 色调 一组 二组 1.6 N 口感分析 浓度 持久性 一二一二组 组 组 组 2.5 6.7 Y Y 纯正度 一组 二组 3.0 Y 质量 一二组 组 2.4 Y 浓度 一组 二组 2.4 Y 平衡整体评价 一二组 组 6.2 Y 质量 一组 二组 4.9 Y 总分 一组 二组 3.4 Y

通过分析上表，我们得到两组评酒员对红葡萄酒的评价结果的方差（除色调外）存在显著性差异，依据同样方法可以得到两组评酒员对白葡萄酒评价结果的方差是否存在显著性差异，比较结果如表2-2所示。

表2-2 白葡萄酒F检验结果一览表 评价指标 组别 F检验值 方差是否有显著性差异 评价指标 组别 F检验值 方差是否有显著性差异 外观分析 澄清度 色调 一组 二组 一组 二组 23.0 2.3 Y 纯正度 一二组 组 3.0 Y Y 口感分析 浓度 持久性 一二一二组 组 组 组 1.6 2.6 N Y 纯正度 一组 二组 1.7 N 质量 一二组 组 2.0 Y 香气分析 浓度 一组 二组 1.8 N 平衡整体评价 一二组 组 2.0 Y 质量 一组 二组 1.2 N 总分 一组 二组 2.3 Y 根据上述计算结果，可以得出两组评酒员对白葡萄酒的各项评价，分别是外观分析评价方差存在显著性差异，香气分析的评价不存在显著性差异，口感分析评价的方差存在显著性差异（其中浓度方差不存在显著性差异），平衡整体评价与总分的方差存在显著性差异。

2.对两组评酒员的评价分数的均值做t检验 1）方差无显著差异时的t检验

如果两组数据的方差无显著差异时，则统计量

x?x2n1n2 （4） t?1sn1?n2服从自由度df?n1?n2?2的t分布。式中s为合并标准差，其计算公式为：

s??n1?1?s12??n2?1?s22n1?n2?2 （5）

2）方差显著差异时的t检验

如果两组数据的方差有显著差异时，则统计量进行异方差检验：通过方差显著性分析是知道方差存在显著差异，则依据公式（6）和公式（7）[3]进行异方差t检验。

5

t?x1?x2ss?n1n22122 （6）

服从自由度为df的t分布。其中

2?s12?s2?n?n?12??2 （7） df??2222?s1??s2??n??n?12??????n1?1??n2?1?按显著性水平??0.05进行计算，将计算所得到的t值与t分布表中临界值比较，得到两组评酒员对红葡萄酒各项评价结果的平均值显著性差异如表3-1所示。

表3-1： 红葡萄酒t检验结果一览表 2评价指标 组别 t检验值 外观分析 澄清度 色调 一组 二组 一组 二组 -0.5 1.8 29 2.045 N 纯正度 一二组 组 1.3 35 2.032 N 52 2.008 N 纯正度 一组 二组 1.5 43 2.018 N 香气分析 浓度 一组 二组 1.1 46 2.015 N 平衡整体评价 一二组 组 1.2 35 2.032 N 质量 一组 二组 0.8 37 2.027 N 总分 一二组 组 2.8 41 2.020 Y ?df? (t分布自由度) t0.025?df? 均值是否有显著性差异 评价指标 组别 t检验值 口感分析 浓度 持久性 一二一二组 组 组 组 1.5 1.7 45 2.016 N 34 2.034 N 质量 一二组 组 1.1 46 2.015 N ?df? (t分布自由度) t0.025?df? 均值是否有显著性差异 通过观察上述表格分析可得，两组评酒员对红葡萄酒进行平均值显著性分析时，可以得到出总分外，其余各项均无显著差异。同理依据上述方法可以得到两组评酒员的白葡萄酒的评价结果的平均值的显著差异，如表3-2所示：

表3-2： 白葡萄酒t检验结果一览表 评价指标 外观分析 澄清度 色调 纯正度 香气分析 浓度 质量 6

组别 t检验值 一组 二组 -1.0 28 2.048 N 纯正度 一二组 组 -5.0 43 2.018 Y 一组 二组 -0.3 47 2.014 N 口感分析 浓度 持久性 一二一二组 组 组 组 -2.0 -3.3 54 2.006 N 45 2.016 Y 一组 二组 0.1 54 2.006 N 质量 一二组 组 -4.4 48 2.013 Y 一组 二组 -0.1 54 2.006 N 平衡整体评价 一二组 组 -3.0 49 2.012 Y 一组 二组 -0.3 54 2.006 N 总分 一二组 组 -2.4 47 2.014 Y ?df? (t分布自由度) t0.025?df? 均值是否有显著性差异 评价指标 组别 t检验值 ?df? (t分布自由度) t0.025?df? 均值是否有显著性差异 根据上述结果，可以得到两组评酒员对白葡萄酒的外观分析与香气分析的评价平均值不存在显著性差异，口感浓度分析的评价平均值不存在显著性差异，口感分析的其他指标、平衡整体及总分的评价平均值存在显著性差异。

综上所述由于第二组品酒师的评价结果的方差均小于第一组品酒师的评价结果的方差，所以第二组品酒师的评价精确度比第一组品酒师的评价结果更高，故认定第二组品酒师的评价结果更可信。

5.2酿酒葡萄分级

5.2.1选取葡萄分级指标

葡萄的理化指标直接影响了葡萄酒的质量，因此我们可以通过分析葡萄的理化指标分别和葡萄酒的总分（由表1-1可得）和各分项之间的相关性，综合得到对葡萄分级最有贡献的葡萄理化指标，即分级指标，将葡萄的各个样品以分级指标为依据进行聚类分析就可以对葡萄进行分级。

依据第一问的葡萄酒质量的分析结果，我们选取第二组评酒员的评价结果作为葡萄酒质量的参考依据。对于附录2所给的酿酒红葡萄的理化指标，如果理化指标进行多次测量，我们取其平均值作为实验数据，然后我们借助统计学软件SPSS7.1，对葡萄酒总分与酿酒葡萄各理化指标（含一级和二级指标）进行相关性分析，得到红葡萄酒的总分与红葡萄的理化指标的相关系数矩阵表，见附录2（白葡萄酒和其他分项相关系数矩阵表，由于篇幅所限略）。

为了兼顾研究的方便与数据的精确，我们选取合适的相关系数临界值，由附录2得到蛋白质、自由基、总酚、葡萄总黄酮、PH值及a*、C1、c2这些理化指标 对红葡萄酒的总分具有显著的相关性；为了保证研究的准确性，降低偶然性，我们将红葡萄酒总分的四部分，外观，香气，口感，平衡整体分别与葡萄的理化指标进行相关性分析，适当的选取相关系数临界值，得到自由基、a*、c2对红葡萄酒外观有显著相关性；得到自由基、葡萄总黄酮、顺式白藜芦醇对红葡萄酒香气有显著相关性；得到总酚、葡萄总黄酮及a*、C1、c2、c3对红葡萄酒口感有显著相关性；得到蛋白质和葡萄总黄酮对红葡萄酒平衡/整体相关性有显著相关性。如图2-1。

7

红葡萄酒质量 外观分析 香气分析 口感分析 平衡/整体 总分 蛋白质 a* C2 自由基 葡萄总黄酮 顺式白藜芦醇 总 酚 葡萄总黄酮 a* C1 C2 C3 蛋白质 葡萄总黄酮 蛋白质 自由基 总酚 葡萄总黄酮 PH值 a* C1 C2

图2-1 红葡萄酒质量与酿酒葡萄各理化指标相关图

综合考虑总分和各分项分别与葡萄有显著相关性的理化指标，将既在分项里面出现又在总分里面出现的理化指标，作为葡萄的分级指标，即蛋白质、自由基、总酚、葡萄总黄酮、a*、C1、c2。

同理，我们可以得到白葡萄酒总分与酿酒葡萄理化指标的相关系数矩阵表示，选取合适的相关系数临界值后，得到苏氨酸、总糖、可溶性固形物、b*、c1对白葡萄酒的总分具有显著相关性；然后分别分析酿酒葡萄的各个理化指标与白葡萄酒外观，香气，平衡整体的相关性，适当的选取相关系数的临界值,得到可溶性固形物、干物质质量、b*对白葡萄酒外观有显著相关性，得到苏氨酸、酒石酸、自由基对白葡萄酒香气有显著相关性，得到苏氨酸、可滴定酸、C1对白葡萄酒口感有显著相关性；得到酒石酸、可溶性固形物、果穗质量、b*、C1对白葡萄酒平衡/整体有显著相关性。如图2-2。

8

白葡萄酒质量 外观分析 香气分析 口感分析 平衡/整体 总分 可溶性固形物 干物质质量 b* 苏氨酸 酒石酸 自由基 苏氨酸 可滴定酸 C1 酒石酸 可溶性固形物 果穗质量 b* c1 苏氨酸 总糖 可溶性固形物 b* c1 图2-2 白葡萄酒质量与酿酒葡萄各理化指标相关图

综合考虑白葡萄酒总分和各分项分别与葡萄有显著相关性的理化指标，将既在分项里面出现又在总分里面出现的理化指标找出，作为白葡萄的分级指标，即苏氨酸、酒石酸、可溶性固形物、果穗质量、b*、C1。

5.2.2 对理化指标进行聚类分析

根据5.2.1，我们得到了红葡萄酒和白葡萄酒的分级指标，下面我们将结合这些分级指标运用聚类分析?4?对葡萄进行分级。我们将葡萄样品的分级指标进行数据整理后得出27种红葡萄与其分级指标的特征表与28种白葡萄与其分级指标的特征表（见附录3），、然后对表中数据进行归一化处理，剔除对分级贡献小的特征值，使含量高、最高或低、最低的聚类分级。

下面我们先对红葡萄酒的酿酒葡萄进行分级讨论，设：

序号 分级指标 样本特征值 1 蛋 白 质 X11 X21 X31???X27,1

2 自 由 基 X12 X22 X32???X27,2 3 总 酚 X13 X23 X33???X27,3 4 葡萄总黄酮 X14 X24 X34???X27,4 5 a* X15 X25 X35??? X27,5 6 C1 X16 X26 X36???X27,6 7 c2 X17 X27 X37???X27,7

其中，Xij 中i为样本数，j为分级指标序号。 1.归一特征表中数据

将上述特征表进行矩阵分析，将特征值按公式（8）作归一化处理：

9

?Xik?/Xik? （8） Xkmax

/上式（8）中?Xik?为归一化葡萄理化指标特征数据，Xik为原始葡萄理化指标特征数据，

Xkmax?max?X1k,X2k??Xnk?为K行中贡献最大的特征值。

2. 确定葡萄酒的模糊相似矩阵R

//根据任意两葡萄样品间归一化数据值?Xik?和?Xjk?用夹角余弦法计算（公式9）样

品间相似性系数值rij组成的27种红葡萄酒的模糊相似矩阵R，计算过程matlab代码和结果见附录四：

rij??Xk?17/ik?X/jk?X??X/2ikk?1k?177 （9）

/2jk

3. 基于最大树法的聚类分析

根据模糊相似矩阵R的元素相似系数值用最大树法作聚类分析。最大树法的构思是以所有被分级的样品为顶点，当模糊相似矩阵R的元素相似系数值rij不等于0时，将顶点i和顶点j用直线连接，并标记该元素的相似系数值rij。则构成一棵大树状的特殊图形，故称最大树法。

最大树法的具体画法：先画出顶点集中处的某个顶点i，然后按元素相似系数值rij的大小，从大到小的顺序低，次连接，标上rij值，连接时要求不产生回路，直到所有样品接通为止，可得一棵最大树，如图3-1红葡萄分级大树图。

图3-1 红葡萄分级大树图

10

4.确定红葡萄的分级

选取适当的分辨系数??0.99，砍去rij???0.99的边，互相连通的样品归为同级，结果分为三级。通过参考酿酒红葡萄对应葡萄酒总分（参考问题一）的大小，得出这三个等级红葡萄的优劣程度，确定出Ⅰ级为优，Ⅱ级为中，Ⅲ级为差。分别将各分级葡萄样品作平均，得出下表，分析下表可见蛋白质，自由基，总酚，葡萄总黄酮与酿酒葡萄的优劣程度呈正相关；a*，C1，c2与酿酒葡萄的优劣程度呈负相关，如表4-1所示：

表4-1 红葡萄酒酿酒红葡萄分级一览表 分级 对应样品 取λ=0.99,则将酿红葡萄分级为3级 Ⅰ级（优） Ⅱ级（中） 3、2、9、23 1、4、5、6、7、8、10、12、13、14、15、16、17、18、19、20、21、22、24、25、26、27 613.9814225 545.5075222 0.527899136 27.0945654 17.34621393 1.139166667 1.595 1.4215 0.311838939 12.84962969 6.815882621 1.513484848 1.632227273 1.715 Ⅲ级（差） 11 蛋 白 质 自 由 基 总 酚 葡萄总黄酮 a* 542.6623486 0.279005258 6.074674424 2.516944418 12.15 16.199 10.106 c1 c2

同理依据上述方法对白葡萄酒的酿酒葡萄进行分级讨论。

设 序号 分级指标 样本特征值

1 苏氨酸 X11 X21 X31???X271 2 酒石酸 X12 X22 X32???X272 3 可溶性固形物 X13 X23 X33???X273

4 果穗质量 X15 X25 X35???X275 5 b* X16 X26 X36???X276 6 C1 X17 X27 X37???X277

首先依据公式（8）作归一化处理，然后利用公式（9）得到白葡萄酒的酿酒葡萄模糊相似矩阵R（见附录4）根据模糊相似矩阵R的元素相似系数值用最大树法作聚类分析，得到的大树如图3-2红葡萄酒分级大树图。

11

图3-2 红葡萄分级大树图

通过分析上图，选取分辨系数??0.96时将28种白葡萄样品被聚类分为四个等级，通过参考酿酒白葡萄对应葡萄酒总分（参考问题一）的大小，得出这四个等级白葡萄的优劣程度，确定出Ⅰ级为优，Ⅱ级为良，Ⅲ级为中，Ⅳ级为差。分别将各分级葡萄样品作平均，得出下表，分析下表可见苏氨酸，酒石酸，可溶性固体物，与酿酒葡萄的优劣程度呈正相关；果穗质量，b*，C1与酿酒葡萄的优劣程度呈负相关，如表4-2所示。

表4-2 白葡萄酒酿酒红葡萄分级一览表 取λ=0.96,则将酿白酒葡萄分级为4级 分级 样品序号 Ⅰ级（优） 5 232.8362393 9.2 219.5666667 112.7766667 19.47 27.489 Ⅱ级（良） 27、9、20、22、17、10、25 175.358109 8.958571429 215.5714286 137.47 12.8952381 13.16485714 Ⅲ级（中） 1、2、3、4、6、7、8、11、12、13、14、15、18、19、21、23、24、26、28 135.8498226 6.774736842 202.4526316 220.4993567 13.58245614 14.78163158 Ⅳ级（差） 16 139.2889751 5.75 191.9666667 259.1066667 1.816666667 9.976

苏氨酸 酒石酸 可溶性固体物 果穗质量 b* c1

5.3酿酒葡萄与葡萄酒的理化指标的联系

为了分析酿酒葡萄与葡萄酒的理化指标之间的联系，我们构造了酿酒过程输入输出转换关系表，如表5所示。

12

表5： 酿酒葡萄与葡萄酒的理化指标输入输出关系表

葡萄酒指标yi 葡萄指标xi y1 a11 a21 y2 a12 a22 ? ? ? ? y14 y15 x1 x2 a1,14 a1,15 a2,15 a3,15 ?? ?? x3 ?? a31 ?? a32 ?? x62 x63 a62,1 a63,1 a62,2 a63,2 ? ? a62,15 a63,15 上述表格中xi?i?1,2,?,m,?63?表示酿酒过程中酿酒葡萄理化指标为输入量，

yi?i?1,2,?,n,?,15?表示酿酒过程中葡萄酒理化指标为输出量，aij表示xi到yi的转化量,

即酿酒葡萄第i个理化指标转化为葡萄酒第j个理化指标的转化量。假定制造过程的输入和输出之间存在一定的线性关系，酿酒过程是在密闭条件下进行，即整个酿酒过程物质总质量不变，基于物质守恒定律，则有

xi?ai1?ai2?ai3?ai4???aim （10）

aij kij? （11）

yj

假定在工艺条件不变的情况下，

aij固定不变，基于上述式子可得

?x1?k11y1?k12y2???k1nyn?x?ky?ky???ky?22112222nn? （12）

????xn?km1y1?km2y2???kmnyn

T由于矩阵为15?63，其维数较高，在求矩阵K 时将产生大量的计算， Y??y1,y2,?,yn?，

公式（12）可以写成矩阵形式，即X?KY，其中X??x1,x2,??,xm?，

T因此我们先将酿酒葡萄理化指标分别与葡萄酒每一项理化指标进行相关性分析，将相关

系数低的酿酒葡萄理化指标进行剔除，从而达到降维的目的。降维的过程如下：将葡萄酒指标y1，y2,y3,?,y15，看成独立的15个指标，每个指标分别与葡萄的全部理化指标X进行相关性分析，我们用spss7.1来进行这些相关性的分析，可以分别得到葡萄酒的每个指标y1，y2,y3,?,y15与葡萄全部理化指标的相关系数，即15个相关性矩阵表（类似附件2），分析相关系数时考虑显著相关性，确定了与葡萄酒各个指标显性相关的葡萄的

13

理化指标，剔除了对葡萄酒指标影响不大的葡萄的理化指标，降低X的维度。再借助葡萄酒的15个理化指标分别与降维后的葡萄的理化指标做多元线性回归?5?，红葡萄酒和白葡萄酒各做15次线性回归，以线性回归系数为列确定矩阵K。矩阵K见表6-1, 表6-2输入与输出系数矩阵表，用来表述酿酒葡萄与葡萄酒的理化指标的相关性。(具体实现代码见附录5)

表6-1 酿酒葡萄与红葡萄酒的理化指标的系数矩阵表 0 0 0.5926 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1.303 0 4.7729 0 0 0.1855 489.2295 -2.8681 0.8572 -7.4237 0 0 0 0 0 0 0 0 0 9.7234 0 0 0 0 0 0 0 0 0 0 0 -42.9495 0 0 0 0 0 0 0 0 0 0 0 0.0002 0 0 0 0 0.0005 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.0076 0 0 0 0 0 6.0985 0.1424 0.0652 -0.0307 0 0 0 0.052 0 0.0524 0 -0.0528 0 -0.0788 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.005 0 0 0 0 0 7.0225 0.1435 0.0631 -0.0296 0 0 0 0.7945 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.0053 0 0 0 0 0 -3.8492 0.2683 -0.004 0.1508 0 0 0 1.0251 -0.0414 0 0 0 0 0.0563 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.3287 0 0 0 0 3.2313 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.694 -0.0239 0 0.1995 0 0 0 0 3.3898 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 6.46E-04 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.0021 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.0001 0 0 0 0 0 -0.086 0.012 0.0007 0.0024 0 0 0 0.0549 0.0132 0 0 0 0 0.0054 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -0.051 0 0 0 0 -0.014 -81.3214 -0.1833 0.1911 1.3789 0 0 0 -4.2882 0 0.5019 0 -0.525 0 -1.9331 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2.4571 -1.4706 0 0 0 0 0.1662 0.3488 3.867 0 0 0 0 0.0199 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1.3343 0 0 0 0 0 0 0 0 0 0 0 0 0 -0.4895 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 52.2782 -45.2104 0 0 0 -13.3266 0.6122 -20.4742 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.221 -0.2548 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.5024 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -0.0125 -0.0384 0.0492 0 0 0 0 0 0.3265 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.0264 0 0.2776 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.4068 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -18.6416 0 0 0 0 0 0 表6-2 酿酒葡萄与白葡萄酒的理化指标的系数矩阵表 0 0.0101

0 0 -0.002

0 0.0033

0 0 -0.0019

0 0 0 0 0

0 0 0 0 0

0 0 0 0 0

0 0 0 0 0

0 0 0 0 0

0 0 0 0 0

0 0.0005

0 0 -0.0001

0 0 0 -0.0195

0

0 0 0 0 0

0 0 0 -0.0018

0

-0.0082

0 0 0.0466

0

0 0 0 -0.002

0

14

0 -0.0021 0.0047

0 0 0 -0.0063 0.0187

0 0 0.0072 -0.0043

0 0 0 0 0 0 0 0 0 0 0 0.112 -0.0043

0 0 0 0 0 0 0 0 0 0.0459

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0.0014 0.0031

0 0 0 0 0.0038

0 0 0.0046 0.0043

0 0 0 0 0 0 0 0 0 0 0 0.0542 0.057 -0.0022

0 0 0 0 0 0 0 0 -0.1172

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0.0034

0 0 0 0 0 0 0 0 0.0552

0 0.1784

0 0 0 0 0 -0.0529

0 0.1015

0 0.8538

0 0 0 0 0 0 0 0 0 0 0 -0.3231

0 0 0 0 0 0 0 0.0161

0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.5501

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0.0001

0 0 0 0 0.0003

0 0 0.0001

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.0152

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 -0.0203

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -0.0554 -0.0283

0 0 0.2228

0 0 0 1.4535

0 0 0 0.6333

0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0.0125

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -0.0016 0.019

0 0 0.0041

0 0 0 0.1149 0.0022 -0.005

0 -0.0774

0 0 0 0 0 0 0 0 0 0

0.0097

0 0 0 0 0 0 0 0 0 0 0.049

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0.0126

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 -0.0022 0.0195

0 0 0.0046

0 0 0 0.1137 0.0022 -0.0051

0 -0.0772

0 0 0 0 0 0 0 0 0 0

5.4基于葡萄和葡萄酒的理化指标的葡萄酒质量评价

1．模糊数学综合评价原理：

设影响葡萄酒质量的因素有n个因子,由n个因子构成的评价集为U={u1，u2……un },通常各个因子对葡萄酒影响的重要程度不一样，因此，每个因子u赋予一个相应的权值ai(i=1,2……n),构成权重集：

A={a1,a2……an}，且?ai=1 , ai?0

i?1n 又设m个评价等级构成评价集：V={v1，v2……vm}

从ui出发，确定评价对象对评价集元素vj隶属程度rij，即为单因子模糊评价。第i个因子ui评价结果Ri称为单因子模糊评价集，它是V上模糊子集。

Ri={ri1，ri2……rim}

那么将各单因子评价集作为行，可得到单因子评价矩阵

15

??? ??单因子模糊评价仅能反映一个因子对评价对象的影响，未能反映所有因子的综合影响。所以，必须综合考虑所有因子的影响，单因素模糊评价即可表示为：

?r11r12...r1m?B=AR=(a1,a2……an)?............?=(b1,b2……bn) (13)

????rn1rn2...rnm??bi=?(ai?rij) j=1,2,……,m (14)

i?1n?r11...r1m?R=?.........?r...rnm?n1

式(14)中,”?”、”?”分别为“取小”算子、“取大”算子。

设在葡萄酒的质量中有L个影响因素，由其构成总体葡萄酒质量综合评价因素集U，U={u1，u2……un}，L个影响因素的权重X=（X1，X2……XL），若确定了模糊矩阵R，于是葡萄酒质量模糊综合评价模型为：

Y=XR=（Y1，Y2……Ym） （15）

式（15）中：Y为葡萄酒质量综合评价结果；X为因素权重集；R是由单因素综合评价结果构成的葡萄酒质量综合评价的模糊矩阵，如果有L个影响因素，应分别对单个因素对葡萄酒质量模糊综合评价后，由L组综合模糊评价结果组成。

第一步，我们根据附件数据进行主成分分析，得到葡萄酒质量评价因素的相关值及相对应的因子集，以表格形式表示如下：

表7-1 红葡萄酒质量 外观15% 香气30% 口感44% 平衡11% L*(D65) -0.715 反式白藜芦醇苷 0.530 DPPH半抑制体积 0.453 b*(D65) 相应葡萄酒理化指标影响值 反式白藜芦醇苷 0.486 DPPH半抑制体积 0.448 酒总黄酮 0.452 无 总酚 0.477 酒总黄酮 0.447 反式白藜芦醇苷 0.431 无 0.429

白葡萄酒质量 外观15% 香气30% 口感44% C(D65) 0.537 顺式白藜芦醇 -0.27 顺式白藜芦醇苷 -0.335 相应葡萄酒理化指标影响值 b*(D65) 0.537 酒总黄酮 -0.19 白藜芦醇 -0.267 L*(D65) -0.497 DPPH半抑制体积 0.094 反式白藜芦醇苷 0.175 16

平衡11% 顺式白藜芦醇苷 -0.358 C(D65) 0.291 b*(D65) 0.289 第二步：我们根据影响葡萄酒质量的四个因素：外观、香气、口感、平衡，将葡萄酒的质量划分为4个等级：优，良，中，差。下表列出了各因子不同等级的限值：

表7-2 红葡萄酒 因素 因子 L*(D65) 外观 反式白藜芦醇苷 总酚 反式白藜芦醇苷 香气 DPPH半抑制体积 酒总黄酮 DPPH半抑制体积 口感 酒总黄酮 反式白藜芦醇苷 平衡 b*(D65) 无 优 78．48 0.47 4.87 0.47 0.16 4.00 0.16 4.00 0.47 15.87 良 33.50 0.97 3.91 0.97 0.08 2.17 0.08 2.17 0.97 29.18 中 41.59 1.22 4.91 1.22 0.17 4.00 0.17 4.00 1.22 19.60 差 52.95 0.58 4.10 0.58 0.07 1.84 0.07 1.84 0.58 19.09 白葡萄酒表 因素 因子 C(D65) 外观 b*(D65) L*(D65) 顺式白藜芦醇 香气 酒总黄酮 DPPH半抑制体积 顺式白藜芦醇苷 口感 白藜芦醇 反式白藜芦醇苷 顺式白藜芦醇苷 平衡 C(D65) b*(D65) 优 58.61 8.00 57.09 0.10 3.10 0.14 1.53 3.25 1.57 1.53 58.61 8.00 良 53.15 25.07 14.60 0.29 12.10 0.57 1.53 12.68 10.74 1.53 53.15 25.07 中 68.14 20.67 47.70 0.40 3.90 0.16 3.40 9.03 5.14 3.40 68.14 20.67 差 58.41 32.07 59.00 0.06 2.80 0.11 0.99 1.82 0.75 0.99 58.41 32.07

第三步：建立隶属函数

Ci?Si1ri1=??1???(Ci?Si1)/(Si2?Si1)????0

Si1?Ci?Si2Ci?Si2 (16)

?1rij=????(Ci?Sij?1)/(Sij?Sij?1)????(Ci?Sij?1)/(Sij?1?Sij)Ci?Sij?1,Ci?Sij?1

Sij?1?Ci?SijSij?Ci?Sij?1 (17)

17

?0Ci?Si4??ri5=? Si4?Ci?Si5 (18) ?(Ci?Si4)/(Si5?Si4)?Ci?Si5???1式（16）~（18）中，Ci为第i种理化指标实际数据；Sij表示第i种因子第j级标准

值。根据公式（16）~（18），可以计算出各因子相对于各自评价集的隶属度。以2号红酒外观为例得出：

表7-3 因子 L*(D65) 反式白藜芦醇苷 总酚 优 0.84 0.91 0.75 隶属度 良 中 0.16 0 0.08 0.23 0.01 0.02 权重 差 0 0 0 78.48 33.50 41.59 归一化权重 51% 21.8% 28.2%

第四步：计算权重。权重直接由附表数据给出，其中外观为15%，香气为30%，口感为44%，平衡为11%。

第五步：因素评价结果。通过计算，可以得到四个质量等级的隶属度依次排列，得出红酒R矩阵

0.00, 0.04, 0.01 ,0.00, 0.07, 0.00, 0.10, 0.01 ,0.10 ??0.66,?0.44,? 0.01, 0.05, 0.03, 0.00 ,0.06, 0.00 ,0.08, 0.04, 0.28 ? R=??0.50, 0.01 ,0.05, 0.03, 0.00, 0.09, 0.01, 0.13, 0.04, 0.15 ???0.63, 0.01, 0.05, 0.01 ,0.00, 0.04 ,0.00, 0.06, 0.02, 0.17 ??利用AR=(b1,b2??bn)，通过选取b1,b2??bn中的最大值与表（7-2）进行比较，可以得到表7-4

表7-4 基于模糊分级和评酒员对葡萄酒质量评价的对照表 红葡萄酒样品 评价总分 模糊分级 红葡萄酒样品 评价总分 模糊分级 红葡萄酒样品 评价总分 模糊分级 1 68.1 中 10 68.8 中 19 72.6 中 2 74.0 优 11 61.6 差 20 75.8 优 3 74.6 优 12 68.3 中 21 72.2 中 4 71.2 中 13 68.8 中 22 71.6 良 5 72.1 良 14 72.6 良 23 77.1 良 6 66.3 差 15 65.7 中 24 71.5 良 7 65.3 差 16 69.9 中 25 68.2 差 8 66.0 差 17 74.5 良 26 72.0 良 9 78.2 优 18 65.4 差 27 71.5 中

白葡萄酒样品 评价总分 模糊分级 白葡萄酒样品 1 77.9 良 11 2 75.8 中 12 3 75.6 中 13 4 76.9 中 14 5 81.5 优 15 6 75.5 中 16 7 74.2 中 17 8 72.3 差 18 9 80.4 优 19 10 79.8 优 20 18

评价总分 模糊分级 白葡萄酒样品 评价总分 71.4 差 21 79.2 72.4 差 22 79.4 73.9 差 23 77.4 77.1 中 24 76.1 78.4 良 25 79.5 67.3 差 26 74.3 80.3 优 27 77.0 76.7 良 28 79.6 76.4 良 76.6 良 模糊分级 良 优 良 中 良 中 良 优 我们模糊数学综合评价原理和单因素模糊评价法，利用葡萄与葡萄酒的理化指标对葡萄酒的质量进行分级，并且分级结果与评酒员评价结果基本一致，从而我们能够确定葡萄与葡萄酒的理化指标可以用来评价葡萄酒的质量。

六、 模型评价

6.1模型的优点：

1.对于题目中的每一问，本文都建立了与之相应的合适的模型，很好的解决了每个难题。

2.本文充分利用了题目的数据，用了大量统计学的知识，用了spss7.1、Matlab7.0和Excel等软件，保证了结果的准确性。

3.模型选取分级指标后用聚类的方法结合模糊矩阵，最大树理论很好的解决了葡萄的分级问题。

4.在我们的模型中，我们用了大量的经过处理后的表格，更直观，更清晰的表达了各项内容，大大的提高了论文的可读性。 6.2模型的缺点：

1.将实际问题抽象成数学模型时做了很多假设，使得数学模型在一定程度上与实际存在偏差，不能完全代表真实情况。

2.模型在一些无法定量给出选择标准的指标的选取时，有一定的主观性，可能与实际情况有所偏差。

七、 参考文献

[1] 郭其昌，郭松泉.葡萄酒品尝法【M]，北京:中国轻工业出版社，2002.1，1-4. [2] 张宇烽 刘莺，汕头市水质自动监测系统水参数数据显著性差异检验探讨，学术与经验，2007.1,48-50。

[3] 李云雁 胡传荣，实验设计与数据处理，北京：化学工业出版社，2008.7，12-13. [4] 周大铭 刘振熙 林红燕 林岳程，聚类分析法在食品TE分级中应用研究，广东微量元素科学，第3卷第5期：64-66,1996。

[5] 陈志红 刘万荣，炼钢过程的一种绿色评价模型研究，价值工程，69-70。

[6] 史聆聆 鞠美庭 李智 陈敏，模糊数学法在区域环境影响评价中的应用研究，中国科技论文在线，1-7。

19

八、 附 录

附录1： 红葡萄酒： 外观分析 样品号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 样品号 1 2 3 4 5 6 7 8 9 澄清度 第一组 2.3 2.9 3.4 4.0 4.3 3.9 4.0 2.7 3.1 4.0 4.0 1.1 2.6 3.7 3.9 3.1 3.9 1.9 3.9 3.7 3.5 3.9 3.2 4.1 4.0 3.6 3.7 第二组 3.1 3.1 3.4 3.5 3.6 3.5 3.5 3.4 3.6 3.8 3.6 3.5 3.7 3.3 3.6 3.2 3.4 3.6 3.5 3.6 3.2 3.4 3.6 3.5 3.7 3.7 3.7 色调 第一组 2.9 7.2 8.6 8.0 8.4 7.0 5.8 7.0 7.4 6.8 4.6 4.0 7.6 8.2 7.6 7.4 7.8 5.0 8.0 6.2 8.0 8.0 8.2 8.0 6.4 7.8 6.2 第二组 7.6 7.0 6.8 6.4 7.2 5.2 4.0 6.8 7.4 6.8 3.4 5.2 5.8 7.4 6.4 6.8 6.8 4.2 7.0 4.8 7.0 6.0 7.8 6.6 6.6 7.4 6.2 纯正度 第一组 6.4 4.5 4.7 3.4 4.5 4.5 4.2 4.7 5.5 4.7 4.4 2.7 4.6 4.0 2.4 4.7 4.8 2.9 4.6 5.2 4.4 4.5 5.3 4.5 4.4 4.7 4.2 第二组 3.6 4.5 4.2 4.2 4.1 3.9 3.7 4.0 5.0 4.4 3.8 3.7 4.8 4.2 3.1 3.8 4.8 3.3 4.4 4.9 3.7 4.3 4.6 4.2 4.3 4.5 4.1 香气分析 浓度 第一组 4.3 6.5 6.2 4.7 5.9 6.0 5.7 6.4 7.3 6.2 6.4 4.2 5.8 4.8 4.0 6.0 5.9 5.1 6.4 7.3 6.4 6.7 7.4 6.6 5.3 6.0 5.6 第二组 5.5 5.6 6.2 6.1 5.4 5.0 5.2 5.0 6.9 4.8 5.9 4.9 5.5 5.8 5.6 5.1 6.3 4.8 5.9 6.8 5.9 6.2 6.7 5.8 5.2 5.6 5.4 质量 第一组 5.4 13.0 13.2 11.2 12.6 12.2 11.6 13.6 14.4 12.6 12.6 9.0 12.8 11.6 9.0 12.6 12.8 10.0 13.0 14.0 12.2 12.8 14.6 12.6 12.0 12.8 11.8 第二组 10.8 12.0 12.2 12.2 11.4 11.2 11.2 10.4 13.6 11.8 11.0 11.2 12.0 11.8 10.2 11.8 12.2 10.6 12.2 13.2 11.8 11.6 13.8 12.0 11.6 12.0 12.0 总分 第一组 41.4 46.2 44.3 37.3 37.6 38.6 40.2 37.9 43.8 第二组 38.5 43.8 44.8 42.8 45.4 43.5 44.7 44.4 50.7 纯正度 第一第二组 组 4.5 3.8 4.7 4.1 4.7 4.4 3.4 3.9 4.0 4.1 3.6 3.9 4.3 3.7 3.7 3.7 4.7 4.2 口感分析 浓度 持久性 第一第二第一第二组 组 组 组 5.2 5.7 7.7 6.0 6.8 6.0 6.7 6.0 6.2 6.1 6.7 6.1 5.4 5.3 5.6 5.7 4.9 5.6 5.3 6.1 5.3 5.2 6.0 5.6 5.5 5.4 6.1 5.7 5.8 4.9 5.8 5.5 6.4 6.1 6.4 6.0 20

质量 第一第二组 组 12.2 13.6 18.4 16.6 17.3 16.3 14.5 15.1 14.8 15.7 15.1 14.2 15.4 14.5 14.2 13.9 16.6 16.0 平衡整体评价 第一第二组 组 11.8 8.4 9.6 9.1 9.4 8.9 8.4 8.8 8.6 8.9 8.6 8.6 8.9 8.4 8.4 8.4 9.7 9.4

10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27

白葡萄酒： 外观分析 样品号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 澄清度 3.8 3.3 3.7 4.0 2.0 3.2 3.6 3.0 4.1 2.2 3.6 2.1 2.2 3.0 3.0 2.5 3.9 3.9 2.9 3.8 2.6 3.4 3.1 3.6 4.4 4.1 2.3 4.3 3.5 3.5 3.1 3.4 3.4 3.4 3.3 3.4 3.6 3.3 3.3 3.2 3.5 3.6 3.3 3.0 3.5 3.6 3.3 3.5 3.4 3.5 3.5 3.3 3.4 3.5 3.5 3.6 色调 7.4 7.6 7.5 7.6 5.4 6.4 6.2 6.6 8.0 5.4 6.0 5.0 5.2 5.6 6.0 6.8 7.6 5.8 6.4 7.2 5.6 7.6 6.6 7.6 7.8 8.2 6.2 8.4 6.6 7.4 6.6 7.0 7.2 5.6 6.6 6.6 7.4 5.8 5.8 7.2 5.8 6.6 6.8 5.0 6.8 6.6 6.4 7.0 7.2 7.4 7.4 7.2 7.2 7.6 7.4 7.4 纯正度 5.0 4.8 4.2 4.7 4.7 3.8 4.9 4.0 4.3 5.1 4.5 4.2 3.7 4.4 4.5 4.5 4.9 4.7 4.1 4.7 5.0 4.9 4.5 3.9 4.9 5.1 3.7 4.8 4.6 4.3 4.4 4.5 5.1 4.6 4.6 4.4 5.0 4.9 4.1 4.4 4.2 4.5 4.9 3.6 4.6 4.3 4.8 4.4 4.4 5.1 4.6 4.0 4.7 4.4 4.5 4.4 香气分析 浓度 7.0 6.5 6.4 6.3 6.4 5.5 4.2 5.8 6.5 7.1 6.0 5.2 5.4 6.3 6.6 6.2 7.1 6.1 6.3 6.6 7.0 6.7 6.6 5.8 7.1 7.3 5.1 6.8 6.1 6.2 6.0 5.6 7.0 6.3 6.3 5.6 7.1 7.2 5.7 6.3 6.2 6.5 6.9 4.9 6.4 6.0 6.1 6.1 6.4 7.1 6.4 6.1 6.7 5.6 6.7 6.7 质量 13.4 12.6 12.5 13.0 12.8 11.4 13.2 11.8 12.6 13.6 12.2 11.6 11.2 12.8 12.6 12.2 13.6 12.4 12.2 13.2 13.6 13.6 12.4 12.2 13.6 13.4 11.2 13.4 12.8 12.2 12.6 12.0 13.6 12.8 12.4 12.0 14.2 13.4 11.8 12.5 12.4 12.4 13.0 10.6 13.2 12.2 12.6 13.0 13.0 13.4 12.2 11.8 12.8 12.0 12.6 13.0 4.1 3.9 2.8 4.3 4.0 2.9 4.2 4.7 3.3 4.2 4.4 4.2 4.6 4.8 4.3 4.1 4.1 4.4 3.8 3.4 4.0 4.0 3.8 3.8 4.0 4.2 3.8 3.9 4.2 4.0 3.9 4.4 3.9 3.9 4.1 4.2 5.7 5.7 4.5 5.9 5.8 3.9 6.1 6.6 5.0 6.5 6.4 6.3 6.2 7.0 6.3 4.9 5.4 6.0 5.1 4.6 6.0 5.0 5.6 5.1 5.5 6.1 5.3 5.3 6.1 5.8 5.6 6.4 5.7 4.8 5.5 5.2 5.9 5.9 5.0 6.1 5.9 5.0 6.0 6.4 5.4 6.5 6.2 6.0 5.8 7.0 5.9 5.6 5.7 6.1 5.7 5.4 5.7 5.5 5.7 5.5 5.8 6.3 5.9 6.0 6.0 6.1 5.7 5.8 5.9 5.6 5.9 5.9 15.4 14.2 12.7 16.0 16.3 12.4 15.7 17.2 13.6 16.3 16.6 16.9 15.7 18.1 16.6 14.2 14.8 16.0 14.2 12.4 15.4 13.9 15.7 14.2 15.1 15.4 15.1 15.7 16.9 15.7 16.0 15.1 15.1 13.9 14.5 16.0 8.8 8.4 7.9 8.9 8.7 7.6 9.1 9.2 7.9 9.2 9.2 9.2 9.0 10.0 9.1 8.3 8.9 9.0 8.4 8.1 8.7 8.6 9.3 8.2 8.8 9.0 8.8 8.7 9.3 9.0 8.9 8.9 8.8 8.6 8.8 8.8 39.9 38.1 32.9 41.2 40.7 31.8 41.1 44.1 35.2 42.7 42.8 42.6 41.3 46.9 42.2 37.1 38.9 41.5 47.2 44.9 51.8 50.0 54.1 51.8 55.2 58.0 56.9 58.6 62.5 61.6 62.1 63.6 63.4 61.8 64.8 67.1 第一组 第二组 第一组 第二组 第一组 第二组 第一组 第二组 第一组 第二组 21

样品号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 平衡整体评价 总分 纯正度 浓度 持久性 质量 第一第二第一第二第一第二第一第二第一第二第一第二组 组 组 组 组 组 组 组 组 组 组 组 4.7 4.8 6.7 6.3 6.5 6.6 17.8 17.2 9.7 9.4 82.0 77.9 3.8 4.5 4.6 3.8 3.5 4.5 3.9 3.5 4.1 4.3 3.3 3.9 4.1 4.0 4.3 4.2 4.2 4.2 4.5 4.2 3.2 4.5 3.5 3.5 4.4 3.2 4.2 4.7 4.4 4.7 4.6 4.5 4.4 4.5 4.7 4.7 4.2 3.7 4.4 4.6 4.7 4.2 4.8 4.7 4.4 4.4 4.7 4.6 4.5 4.5 4.6 4.0 4.3 4.8 5.8 6.2 6.3 5.9 5.7 6.4 5.7 5.4 6.1 5.3 4.8 5.6 5.8 5.8 6.1 5.9 5.7 6.1 6.1 6.2 4.9 6.6 6.2 5.9 6.8 5.1 6.4 5.7 5.8 6.3 6.6 6.2 6.2 5.5 6.3 6.7 5.6 5.3 5.6 6.2 6.1 5.8 6.6 6.5 6.3 6.4 6.8 5.7 6.6 6.5 6.2 5.9 6.1 6.5 5.9 6.2 6.6 5.7 5.5 6.2 6.7 5.9 6.1 5.7 5.6 5.4 6.1 5.8 6.1 5.9 6.0 6.3 6.1 6.4 5.4 6.4 5.9 6.0 6.6 5.5 6.7 6.0 14.8 16.6 9.1 6.5 17.5 16.9 9.6 6.6 16.9 17.5 9.4 6.6 15.4 17.8 8.9 6.3 14.8 16.6 8.6 6.1 16.6 15.7 9.4 5.8 15.1 15.4 8.8 6.1 13.9 16.6 8.7 6.5 15.4 17.8 9.2 6.2 16.0 15.4 8.7 5.8 13.3 15.4 8.2 6.4 14.8 16.6 8.5 6.4 15.1 16.9 8.8 6.5 15.4 16.9 8.7 6.1 16.0 15.4 9.3 6.6 16.3 18.1 9.4 6.1 15.4 17.5 8.9 6.5 15.1 16.9 8.6 6.4 16.6 16.3 9.0 6.3 16.6 17.5 9.2 6.5 13.0 16.9 8.3 6.3 16.0 16.3 9.2 6.3 15.7 17.2 8.9 6.5 15.1 17.8 8.8 6.1 16.0 16.0 9.4 6.6 14.2 16.0 8.3 6.5 16.9 17.2 9.4 9.2 74.2 75.8 9.3 78.3 75.6 9.3 79.4 76.9 9.6 71.0 81.5 9.2 68.4 75.5 8.6 75.2 74.2 9.1 71.4 72.3 9.4 72.9 80.4 9.5 74.3 79.8 9.3 72.3 71.4 8.6 63.3 72.4 8.8 65.9 73.9 9.4 72.0 77.1 9.3 72.4 78.4 8.7 74.0 67.3 9.7 78.8 80.3 9.2 73.1 76.7 9.1 72.2 76.4 9.1 77.8 76.6 9.5 76.4 79.2 9.2 71.0 79.4 9.6 75.9 77.4 9.2 73.3 76.1 9.6 77.1 79.5 9.2 81.3 74.3 9.3 64.8 77.0 9.5 81.3 79.6 口感分析

附录2

红葡萄酒总分与葡萄的各理化指标相关系数矩阵表（第一列表示总分与葡萄各理化指标间的相关性） 相关性 VAR00VAR00VAR00VAR00VAR00VAR00VAR00VAR00VAR00VAR00VAR00控制变量 -无-a VAR00相关001 性 VAR00相关002 性 VAR00相关003 性 001 1.000 002 .149 003 .232 004 -.205 005 .033 006 -.272 007 .140 008 -.173 009 .002 010 -.011 011 .293 .149 1.000 .281 .212 .330 -.052 .978** -.032 .000 .170 .034 .232 .281 1.000 .311 .392* .534** .167 .531** .511** .326 .275 22

VAR00相关004 性 VAR00相关005 性 VAR00相关006 性 VAR00相关007 性 VAR00相关008 性 VAR00相关009 性 VAR00相关010 性 VAR00相关011 性 VAR00相关012 性 VAR00相关013 性 VAR00相关014 性 VAR00相关015 性 VAR00相关016 性 VAR00相关017 性 VAR00相关018 性 VAR00相关019 性 -.205 .212 .311 1.000 .253 .688** .094 .513** .429* .008 .134 .033 .330 .392* .253 1.000 .484* .183 .306 .607** .492** .673** -.272 -.052 .534** .688** .484* 1.000 -.227 .666** .670** .274 .377 .140 .978** .167 .094 .183 -.227 1.000 -.160 -.156 .093 -.119 -.173 -.032 .531** .513** .306 .666** -.160 1.000 .501** .351 .345 .002 .000 .511** .429* .607** .670** -.156 .501** 1.000 .233 .381* -.011 .170 .326 .008 .492** .274 .093 .351 .233 1.000 .338 .293 .034 .275 .134 .673** .377 -.119 .345 .381* .338 1.000 .224 .143 .203 .544** .379 .552** -.002 .307 .423* .024 .546** .201 -.090 .277 .089 .542** .433* -.219 .320 .239 .231 .700** .282 .018 .339 .146 .580** .396* -.131 .253 .285 .262 .880** .388* -.097 .357 -.074 .054 .034 -.126 .097 -.033 .013 .346 .226 -.038 .397* -.057 .105 .127 -.062 .073 .127 .032 .022 .328 .248 .181 .050 .474* .224 .121 -.031 .207 .309 .612** .362 .041 .075 .063 .533** .302 -.103 -.007 .321 .126 .769** .231 -.018 .081 -.076 .262 .254 -.145 .002 .337 .088 .537** VAR00相关.518** 020 性 VAR00相关021 性 VAR00相关022 性 -.070 .024 -.086 -.157 -.301 -.290 .063 -.195 -.243 -.307 -.163 -.121 .121 -.085 .014 .031 -.114 .037 .034 -.309 -.075 .272 .081 .247 .603** -.191 .230 .062 .406* .109 -.094 -.166 23

VAR00相关023 性 VAR00相关024 性 VAR00相关025 性 VAR00相关026 性 VAR00相关027 性 .288 .364 -.109 -.076 .239 -.218 .351 -.023 -.243 .171 .206 -.348 -.072 .313 .703** -.071 .614** -.132 .650** .237 .049 -.146 -.205 .083 -.023 .379 .050 .148 .049 .182 -.009 .083 -.095 -.230 -.118 -.278 .298 -.382* -.082 -.066 .058 -.267 -.281 -.313 -.013 -.153 .135 .545** -.256 .256 -.156 .289 -.044 -.273 -.217 VAR00相关.605** 028 性 VAR00相关.647** 029 性 VAR00相关030 性 .354 .106 .280 .081 -.183 -.055 .104 .204 -.077 -.107 .087 .259 .424* .233 .008 .063 .232 .235 .027 .004 .180 .199 .435* .410* .044 .115 .173 .283 .134 -.046 .016 VAR00相关.695** 031 性 VAR00相关032 性 VAR00相关033 性 VAR00相关034 性 VAR00相关035 性 VAR00相关036 性 VAR00相关037 性 VAR00相关038 性 VAR00相关039 性 VAR00相关040 性 VAR00相关041 性 -.244 .131 .360 .041 -.003 -.048 .120 .130 .035 -.020 .216 .051 .310 -.102 .045 .165 .022 .328 .097 .115 .007 -.143 -.029 .024 .454* -.296 .159 -.032 .263 -.114 -.246 -.131 -.264 .056 .285 -.183 .093 .136 .029 .260 .120 .152 .007 .304 .054 -.074 .021 -.150 -.138 .086 .109 -.304 -.159 -.084 .474* -.007 .479* -.074 .199 .148 -.056 .365 .208 .260 .454* .264 .465* .294 .163 -.057 -.124 .487** .042 .007 -.187 -.200 .090 .309 .275 .150 -.084 -.012 .308 .075 .144 -.396* -.208 .288 .463* .288 .126 -.006 -.130 .486* .020 .012 -.105 -.194 -.188 -.060 -.085 .088 -.316 -.073 -.030 .026 -.176 -.316 -.155 .393* .570** .353 .266 -.026 -.100 .577** .104 .012 -.131 -.041 24

VAR00相关042 性 VAR00相关043 性 VAR00相关044 性 VAR00相关045 性 VAR00相关046 性 -.018 .580** .113 .041 -.007 -.170 .619** -.060 -.197 -.092 -.104 -.053 .436* .033 .099 .194 -.048 .444* -.140 .029 .090 .018 -.034 .440* -.043 .062 .172 -.109 .452* -.224 -.002 .006 .055 -.064 .414* .089 .123 .203 -.001 .420* -.073 .051 .149 -.010 -.053 .553** .196 .193 -.079 -.072 .579** -.011 -.224 -.035 -.147 VAR00相关.527** 047 性 VAR00相关048 性 VAR00相关049 性 VAR00相关050 性 VAR00相关051 性 VAR00相关052 性 VAR00相关053 性 VAR00相关054 性 VAR00相关055 性 VAR00相关056 性 -.265 .236 .083 -.194 .029 -.237 .222 -.129 -.027 -.091 .167 .204 .026 .000 .137 -.032 .238 -.055 .008 .155 -.087 .283 .060 .164 .129 -.116 .086 .026 .082 -.028 -.104 -.092 -.081 .601** .095 .294 .125 -.033 .612** .011 -.095 .035 -.060 .210 -.383* -.198 -.234 -.219 -.281 -.352 -.202 -.042 -.145 -.094 .156 -.364 -.150 -.195 -.109 -.044 -.370 -.251 .213 -.162 .088 .142 .265 .149 .381 -.047 .120 .230 .368 .073 -.173 .127 .303 .007 .168 .098 -.119 -.171 .045 -.074 -.025 -.261 -.103 .237 -.315 -.023 -.207 -.210 -.283 -.266 -.267 -.008 -.206 -.092 -.170 -.338 -.202 -.288 -.186 -.206 -.325 -.099 -.059 -.125 .084 VAR00相关-.515** 057 性 VAR00相关-.476* 058 性 VAR00相关059 性 VAR00相关060 性 -.054 -.025 .114 -.169 .085 .211 -.050 .204 .173 .084 -.096 .111 .244 .058 .186 .377 .062 .319 .242 .231 -.120 .079 -.091 .081 -.147 -.119 .088 -.132 -.292 -.351 .034 -.252 .118 -.057 .135 .124 .039 .110 -.015 .072 .141 -.108 25

VAR00相关061 性 -.292 -.012 -.247 -.212 -.328 -.254 .080 -.179 -.258 -.163 -.434* VAR00相关-.500** 062 性 VAR00相关-.520** 063 性 VAR00相关-.462* 064 性 VAR00003 VAR00004 & VAR00相关& 001 性 1.000 -.028 .112 -.186 .023 .159 -.043 .247 .129 .061 -.110 -.041 .041 -.224 .038 .143 -.052 .164 .112 .094 -.130 -.088 .094 -.174 .056 .186 -.121 .165 .186 .047 -.023 . 26

VAR00005 VAR00006 & VAR00相关& 002 性 . 1.000 VAR00007 VAR00008 VAR00009 VAR00010 VAR00011 VAR00012 VAR00013 VAR00014 VAR00015 VAR00016 VAR00017 VAR00018 VAR00019 VAR00020 VAR00021 VAR00022 VAR00023 VAR00024 VAR00025 VAR00026 VAR00027 VAR00028 VAR00029 VAR00030 VAR00031 VAR00032 VAR00033 VAR00034 VAR00035 VAR00036 VAR00037 VAR00038 VAR00039 VAR00040 VAR00041 VAR00042 VAR00043 VAR00044 VAR00045 VAR00046 VAR00047 VAR00048 VAR00049 VAR00050 VAR00051 VAR00052 VAR00053 VAR00054 VAR00055 VAR00056 VAR00057 VAR00058 VAR00059 VAR00060 & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & & 27

附录3：

红葡萄理化指标的特征表： 红酒样品序号 蛋白质 自由基 总酚 葡萄总黄酮 1 2 3 585.05 0.41 21.68 10.79 4 5 6 7 8 9 10 11 12 13 553.626.11 48 0.43 0.46 23.626.80 8 13.89.48 1 529.585.82 61 0.27 0.40 10.717.60 2 10.24.48 7 536.487.558.700.64 17 55 83 0.28 0.18 0.41 0.67 10.615.230.19.21 7 4 1 20.46.84 3.47 8.48 9 545.542.493.606.31 66 46 20 0.33 0.28 0.20 0.44 12.014.39.48 6.07 6 9 4.63 2.52 3.90 7.33 2.04 1.04 2.02 1.93 2.04 1.63 26 27 a? c1 c2 14 599.83 0.36 14.66 7.81 1.19 1.30 1.57 12.15 16.20.82 1.93 1.42 1.50 1.06 1.62 2.08 0.99 1.34 3.48 0 10.10.80 1.33 1.15 2.60 0.90 2.50 1.99 1.06 1.76 1.73 1 15 16 17 18 19 20 21 22 23 24 25 0.78 0.65 1.09 1.84 0.88 1.81 2.05 0.80 1.44 2.17 524.583.548.513.544.559.563.488.543.61 37 83 82 46 33 79 71 57 0.22 0.24 0.36 0.23 0.38 0.28 0.38 0.28 0.57 11.911.215.317.412.616.116.429.77.38 0 1 4 3 8 9 4 0 24.25.51 9.16 8.70 5.24 9.45 8.16 7.51 7.85 9 1.98 1.33 1.18 2.87 0.80 1.96 1.21 1.52 1.38 525.537.587.528.82 08 29 33 0.28 0.35 0.32 0.26 11.58.75 7.35 8.90 0 8.21 5.37 3.38 4.71 0.90 1.52 1.09 2.33 1.35 1.21 1.03 3.67 2.03 1.51 1.03 1.52 1.69 0.81 1.94 0.99 2.02 2.16 1.84 0.94 3.00 1.63 1.80 1.32 1.64 1.44 1.00 1.33 1.49 2.75 白葡萄理化指标的特征表： 白酒样品序号 苏氨酸 1 2 3 4 5 6 7 8 9 10 11 12 13 14 134.130.208.07 62 82 酒石酸 6.04 5.42 11.79 可溶性固199.210.214.体物 87 27 93 果穗质量 275.95.9213.06 4 22 11.114.313.1b* 8 1 1 c1 9.98 15.118.57 3 白酒样品15 16 17 序号 苏氨酸 157.139.108.97 29 03 酒石酸 5.55 5.75 10.21 可溶性固172.191.194.体物 73 97 20 果穗质量 498.259.111.78 11 53 181.232.181.137.101.171.14 84 76 61 33 92 6.92 9.20 8.32 4.24 7.59 10.29 209.219.196.174.174.228.07 57 43 37 80 90 110.112.296.234.285.138.99 78 71 90 06 23 18.419.413.014.28.91 13.51 7 7 3 8 19.927.418.613.07.91 11.95 9 3 1 3 18 19 20 21 22 23 76.6126.160.7 22 63 3.98 9.38 10.65 186.202.220.27 23 67 286.165.205.24 06 54 204.90.597.096.7146.85 0 1 6 12 7.34 7.20 4.64 4.90 3.31 219.43 125.62 12.72 13.34 24 188.77 316.51 14.58 15.18 25 211.187.37 13 285.286.82 10 10.29.71 3 8.46 10.70 26 27 201.07 145.27 17.11 17.07 28 130.122.114.167.264.143.194.158.07 97 82 09 29 85 81 71 8.50 8.97 8.28 6.96 6.95 6.81 8.30 8.89 211.209.221.231.224.226.212.226.40 10 80 13 13 40 57 57 92.873.3186.200.141.104.166.108.8 6 74 52 94 91 08 76 28

b* c1 9.71 1.82 14.90 12.29.98 12.69 1 13.29 14.25 5.36 15.91 10.213.76 4 19.54 19.57 10.20 14.45 17.96 19.46 11.90 11.92 10.04 13.04 15.18 16.71 12.91 13.05 20.26 21.82 附录4：

Matlab运行程序计算过程代码： y=(A(k,i))^2+y; >> r=0; end for i=1:27 y1=y; x=0; y=0; y=0; k=0; for j=i:27 for k=1:7 x=0; y=(A(k,j))^2+y; y=0; end for k=1:7 y2=y; x=A(k,i)*A(k,j)+x; y=y1*y2; end r(j,i)=x/((y)^(1/2)); k=0; end for k=1:7 end

红葡萄酒的模糊相似矩阵R（因格式问题请拼接观察这个下三角矩阵） 1 0.98236 0 1 0 0 1 0 0 0 1 0.8195 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0.98277 0.99819 0.76089 0.85593 0.86365 0.98902 0.98931 0.99365 0.77591 0.86956 0.87658 0.99908 0.83501 0.97144 0.98778 0.99404 0.87681 0.96951 0.99462 0.99209 0.86586 0.84229 0.91226 0.92305 0.57777 0.70739 0.9924 0.7754 0.86585 0.87528 0.99756 0.83442 0.99736 0.8891 0.88701 0.9816 0.88055 0.87082 0.98565 0.9813 0.89542 0.9848 0.98677 0.93875 0.91704 0.8851 0.9632 0.713 0.96302 0.64861 0.95664 0.95373 0.72625 0.72717 0.79343 0.88061 0.88856 0.99717 0.84709 0.99727 0.99914 0.89724 0.91091 0.95992 0.96755 0.95419 0.94898 0.96104 0.95907 0.97924 0.79728 0.88472 0.89226 0.99738 0.85226 0.99845 0.9116 0.96217 0.96969 0.95647 0.95055 0.96368 0.96319 0.97829 0.96323 0.9985 0.90172 0.89122 0.9846 0.84509 0.92097 0.92821 0.98283 0.89965 0.98861 0.98735 0.93791 0.92665 0.97849 0.98958 0.99585 0.85873 0.99698 0.87237 0.87227 0.99808 0.91621 0.97012 0.97334 0.71218 0.81925 0.82687 0.99598 0.77834 0.99453 0.99302 0.84096 0.83248 0.9545 0.94985 0.96233 0.95909 0.97629 0.97267 0.9468 0.93629 0.9575 0.9547 0.9729 0.93699 0.93621 0.99204 0.97929 0.85987 0.93089 0.93827 0.98198 0.90938 0.98741 0.98668 0.94499 0.98039 0.98687 0.92826 0.88844 0.9522 0.95628 0.97212 0.92559 0.97768 0.97647 0.95978 0.98232 0.97359 0.81177 0.96422 0.83055 0.81659 0.95721 0.99044 0.93049 0.96501 0.97481 0.90861 0.97278 0.92111 0.92016 0.98819 0.96603 0.90982 0.95554 0.96587 0.95028 0.94991 0.95701 0.95829 0.97907 0.95654 29

0.85693

续上右侧 0 0 0 0 0 0 0 0 0 1 0.90995 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0.9146 0.9288 0.96786 0.9108 0.9717 0.97391 0.95118 0.91709 0.74142 0.84094 0.84901 0.99936 0.80352 0.99819 0.99629 0.86361 0.85303 0.98763 0.94865 0.98742 0.84786 0.96476 0.98643 0.84841 0.96876 0.99828 0.98747 0.94563 0.99937 0.96709 0.97146 0.98983 0.90521 0.98897 0.98268 0.98808 0.99224 0.97048 0.98074 0.99035 0.93117 0.93327 0.98985 0.92586 0.70131 0.88305 0.96914 0.97058 0.88761 0.92805 0.9701 0.82169 0.98168 0.85166 0.96667 0.99604 0.99704 0.96927 0.98479 0.96822 0.93225 0.99339 0.90234 0.98958 0.98847 0.99233 0.99188 0.99862 0.93705 0.96794 0.97021 0.80244 0.94474 0.86572 0.67154 0.83361 0.96049 0.77333 0.92474 0.99209 0.8734 0.9949 0.99568 0.94763 0.97051 0.98691 0.89885 0.921 0.92291 0.84161 0.88472 0.96059 0.77887 0.9845 0.98695 0.93061 0.96579 0.98552 0.88096 0.9857 0.93862 0.94934 0.9784 0.84469 0.99834 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.98627 0.88473 0.98293 0.99029 0.99386 0.98451 0.99173 0.94907 0.95381 0.98866 0.84195 0.96293 0.99849 0.99739 0.96448 0.98088 0.97057 0.92766 0.9742 0.98904 0.98875 0.97609 0.9481 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 30 0.995 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.97798 0.97066 0.99489 0.94622 续上 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0.98998 1 0 0 0 0 0 0 0 0.99416 0.97783 1 0 0 0 0 0 0 0.99605 0.99598 0.98546 1 0 0 0 0 0 0.93951 0.89424 0.9441 0.91815 1 0 0 0 0 0.97927 0.96827 0.98872 0.96641 0.93203 1 0 0 0 0.9921 0.98708 0.99399 0.98698 0.91146 0.98665 1 0 0 0.97742 0.9875 0.97542 0.97804 0.8598 0.97399 0.9914 1 0 0.94603 0.97709 0.9174 0.96506 0.79842 0.89886 0.94248 0.96228 1

白葡萄酒的模糊相似矩阵R：

1 0 0 0 0 0 0 0.95268 1

0 0 0 0 0 0.95819 0.94967 1 0 0 0 0 0.93803 0.99065 0.95812 1 0 0 0 0.91881 0.97436 0.96537 0.9933 1 0 0 0.9802 0.95577 0.98489 0.96271 0.96377 1

0 0.98086 0.97135 0.94166 0.97025 0.95084 0.97693 1 0.98599 0.9134 0.95678 0.89722 0.88268 0.9671 0.94357 0.96269 0.96604 0.98666 0.95995 0.95172 0.96462 0.94171 0.9633 0.97844 0.97757 0.97678 0.96997 0.9696 0.96078 0.97818 0.94669 0.94665 0.93962 0.92378 0.97588 0.97532 0.99052 0.93656 0.91603 0.90628 0.87619 0.95069 0.96764 0.99381 0.94099 0.93676 0.92028 0.89972 0.97152 0.97535 0.93895 0.98525 0.91155 0.98336 0.96298 0.94292 0.98198 0.95586 0.84288 0.88842 0.83979 0.82948 0.94294 0.93303 0.94585 0.86398 0.92019 0.83857 0.83917 0.93106 0.88598 0.93816

0.9608 0.97238 0.95803 0.949 0.94871 0.92783 0.97 0.94871 0.90666 0.9328 0.90816 0.95557 0.98122 0.94477 0.90941 0.97105 0.89102 0.89328 0.94432 0.88721 0.97192 0.96702 0.9882 0.96631 0.95737 0.9779 0.95918 0.92785 0.98582 0.95356 0.99002 0.98031 0.94992 0.95359 0.9389 0.96816 0.97992 0.95808 0.95756 0.95377 0.9204 0.95623 0.98548 0.95987 0.98245 0.97035 0.96882 0.97102 0.98931 0.97658 0.97324 0.9624 0.94736 0.97765 0.97398 0.94287 0.94148 0.95909 0.94272 0.94218 0.95033 0.93257 0.95532 0.99866 0.96277 0.99127 0.97884 0.96298 0.96817 0.97417 0.9736 0.98796 0.9731 0.96667 0.98009 0.96481 0.93384 0.98909

0.96027

0.99515

0.9879

0.95845

0.96012

续上右侧

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0

0

0 0

0

0

31

0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

0 0.95684 1 0.93198 0.98533 0.97415 0.94093 0.97457 0.93086 0.98179 0.93726 0.88103 0.92097 0.95117 0.85901 0.94693 0.90612 0.94121 0.98644 0.94508 0.90717 0.96231 0.97215 0.96885 0.99418 0.90256 0.96241 0.93385 0.98834 0.93772 0.96423 0.96746 0.98451 0.90629 0.95942 0.92315 0.97579 0.95379 0.99248 0.90504

0.96516

0 0 0 0 0

0

0 0 0 0 0 0 1 0.92714 0.9308 0.93701 0 0 0 0 0 0 0 1

0.97044 0.98427 0 0 0 0 0 0 0 0 1 0.99537 0 0 0 0 0 0 0 0 0 1

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.95318 0.93817 0.9271 0.93255 0.86822 0.94089 0.94877 0.9636 0.91206 0.89223 0.93591 0.94358 0.95568 0.94827 0.90778 0.91866 0.91277 0.98697 0.97708 0.98428 0.94673 0.91388 0.91896 0.92881 0.97651 0.96727 0.94163 0.95254 0.95763 0.94839 0.90044 0.91416 0.9732 0.92946 0.90993 0.92139 0.95674 0.97793 0.93854 0.952 0.98983 0.95832 0.97211 0.97424 0.9885 0.88155 0.90436 0.91054 0.98248 0.95067 0.93511 0.94219 0.99699 0.94497 0.94118 0.94957 0.96666 0.9486 0.90433 0.91917 续上右侧

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0.96007 1 0 0 0.89541 0.97258 1 0 0.9726 0.9797 0.96655 1 0.91464

0.9793

0.9928

0.96705

1 0 0.85486 1

0.82747 0.92865 0.9142 0.82476 0.95834 0.93532 0.84431 0.86663 0.93225 0.88636 0.96601 0.81544 0.91535 0.82317 0.96836 0.86754 0.95189 0.91054 0.91805 0.86398 0.9774 0.84617 0.94533 0.8892 0.97181 0.82702

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0

0

32

0 0 0 0 1 0 0.84956 1

0.8789 0.90829 0.9575 0.94646 0.89678 0.99087 0.81436 0.97954 0.89949 0.98293 0.85627 0.97809 0.94098 0.9573 0.92581 0.90696 0.87344 0.97169 0.92086 0.96777 0.82874

0.97596

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0

0 0 0 0 1 0.8717 0.93357 0.93199 0.89859 0.96528 0.94852 0.86872 0.9449 0.92266 0.93399 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0.96033 0.98167 0.95049 0.97021 0.96488 1

0 0 0 0.93405 0.94234 0.9058 0.94162 0.90592 0.97212 1

0 0 0.92552 0.97629 0.98913 0.97903 0.98871 0.97981 0.94591 1 0 0.95941 0.98856 0.95993 0.97686 0.96368 0.99284 0.98166 0.98 1 0.90053

0.9739

0.99889

0.96871

0.99211

0.95722

0.92109

0.99219

0.9674

附录5：

多元线性回归代码二元一次线性回归

x=A(:,1); 六元一次线性回归 y=A(:,2);

x1=A(:,1); [b,bint,r,rint,stats] = regress(y,x) x2=A(:,2); clear x3=A(:,3); x4=A(:,4); x5=A(:,5);

y=A(:,6);

三元一次线性回归 [b,bint,r,rint,stats] x1=A(:,1); regress(y,[x1,x2,x3,x4,x5]) x2=A(:,2); clear y=A(:,3);

[b,bint,r,rint,stats] =

regress(y,[x1,x2]) 七元一次线性回归 clear x1=A(:,1); x2=A(:,2);

x3=A(:,3); 四元一次线性回归 x4=A(:,4); x1=A(:,1); x5=A(:,5); x2=A(:,2); x6=A(:,6); x3=A(:,3); y=A(:,7);

y=A(:,4);

[b,bint,r,rint,stats] [b,bint,r,rint,stats] = regress(y,[x1,x2,x3,x4,x5,x6]) regress(y,[x1,x2,x3]) clear clear

八元一次线性回归 五元一次线性回归 x1=A(:,1); x1=A(:,1); x2=A(:,2); x2=A(:,2); x3=A(:,3); x3=A(:,3); x4=A(:,4); x4=A(:,4); x5=A(:,5); y=A(:,5);

x6=A(:,6); [b,bint,r,rint,stats] = x7=A(:,7); regress(y,[x1,x2,x3,x4]) y=A(:,8);

clear [b,bint,r,rint,stats]

regress(y,[x1,x2,x3,x4,x5,x6,x7])

33

0 0 0 0 1

= = =

clear

九元一次线性回归 x1=A(:,1); x2=A(:,2); x3=A(:,3); x4=A(:,4); x5=A(:,5); x6=A(:,6); x7=A(:,7); x8=A(:,8); y=A(:,9);

[b,bint,r,rint,stats] = regress(y,[x1,x2,x3,x4,x5,x6,x7,x8]) clear

十元一次线性回归 x1=A(:,1); x2=A(:,2); x3=A(:,3); x4=A(:,4); x5=A(:,5); x6=A(:,6); x7=A(:,7); x8=A(:,8); x9=A(:,9); y=A(:,10);

[b,bint,r,rint,stats] = regress(y,[x1,x2,x3,x4,x5,x6,x7,x8,x9]) clear

十一元一次线性回归 x1=A(:,1); x2=A(:,2); x3=A(:,3); x4=A(:,4); x5=A(:,5); x6=A(:,6); x7=A(:,7); x8=A(:,8);

34

x9=A(:,9); x10=A(:,10); y=A(:,11);

[b,bint,r,rint,stats] = regress(y,[x1,x2,x3,x4,x5,x6,x7,x8,x9,x10]) clear

十二元一次线性回归 x1=A(:,1); x2=A(:,2); x3=A(:,3); x4=A(:,4); x5=A(:,5); x6=A(:,6); x7=A(:,7); x8=A(:,8); x9=A(:,9); x10=A(:,10); x11=A(:,11); y=A(:,12);

[b,bint,r,rint,stats] = regress(y,[x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11]) clear

十三元一次线性回归 x1=A(:,1); x2=A(:,2); x3=A(:,3); x4=A(:,4); x5=A(:,5); x6=A(:,6); x7=A(:,7); x8=A(:,8); x9=A(:,9); x10=A(:,10); x11=A(:,11); x12=A(:,12); y=A(:,13);

[b,bint,r,rint,stats] = regress(y,[x1,x2,x3,x4,x5,x6,x7,x8,x

9,x10,x11,x12]) clear

十四元一次线性回归 x1=A(:,1); x2=A(:,2); x3=A(:,3); x4=A(:,4); x5=A(:,5); x6=A(:,6); x7=A(:,7); x8=A(:,8); x9=A(:,9); x10=A(:,10); x11=A(:,11); x12=A(:,12); x13=A(:,13); y=A(:,14);

[b,bint,r,rint,stats] = regress(y,[x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12,x13]) clear

十五元一次线性回归 x1=A(:,1); x2=A(:,2); x3=A(:,3); x4=A(:,4); x5=A(:,5); x6=A(:,6); x7=A(:,7); x8=A(:,8); x9=A(:,9); x10=A(:,10); x11=A(:,11); x12=A(:,12); x13=A(:,13); x14=A(:,14); y=A(:,15);

[b,bint,r,rint,stats] = regress(y,[x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12,x13,x14])

35

clear

十六元一次线性回归 x1=A(:,1); x2=A(:,2); x3=A(:,3); x4=A(:,4); x5=A(:,5); x6=A(:,6); x7=A(:,7); x8=A(:,8); x9=A(:,9); x10=A(:,10); x11=A(:,11); x12=A(:,12); x13=A(:,13); x14=A(:,14); x15=A(:,15); y=A(:,16);

[b,bint,r,rint,stats] = regress(y,[x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12,x13,x14,x15]) clear

本文来源：https://www.bwwdw.com/article/o6e6.html