葡萄酒的评价
摘要
葡萄酒对于养生大有裨益，深受大众追捧，因此衡量葡萄酒的质量好坏已成为当下的热点话题。本文根据资深评酒员的评分，并对酿酒葡萄的成分与葡萄酒的理化性质进行分析，建立相应的数学模型，进而对葡萄酒的质量进行评级，为葡萄酒的鉴定提供科学的参考意见。
针对问题1，本文采用配对样本t检验，对两组评分的均值做差，得到样本差值，
计得检验统计量t，通过SPSS，得到显著性水平σ=0.020 <0.05,拒绝原假设，即两组红葡萄酒评分结果具有显著性差异，同理白葡萄酒评分也具有显著性差异。再用Cranach’s Alpha系数评判两组评酒员的评分结果的可靠性，得到两组红葡萄酒系数值分别为0.878，0.928，白葡萄酒的为0.969，0.962，综合两组情况，第二组评酒员的评分可靠性更高。
针对问题2，本文采用主成分分析提取影响葡萄酒质量的主要成分，再使用WARD
法进行层次聚类获得分类，并根据问题1的结果，采用第二组评分员评分均值对分类后
针对问题3，本文采用Pearson相关系数衡量葡萄酒和相应的酿酒葡萄之间的关系，得到两者的相关系数r，抽取r>0.5的部分，进行多元逐步线性回归分析，进而得到酿酒葡萄a i与葡萄酒理化指标b i即酿酒葡萄与葡萄酒指标之间的关系。结果如下(部分)：b2=0.242a12+4.716a27?0.014
…
b9=?0.007a17+0.004a18+0.279a22?0.002a23?0.11a26+6
针对问题4，本文先确定酿酒葡萄指标，葡萄酒指标和葡萄酒质量之间的决定关系，在问题3确定酿酒葡萄和葡萄酒理化指标关系的基础之上，使用偏最小二乘回归分析论证并确定葡萄酒理化指标与葡萄酒质量之间的具体关系：Y K = b k1X1+…+b kP X P+F AK ，使用
回归分析获得最终的葡萄酒质量评分，依照划定的级别标准将葡萄酒归入相应的类别。其中红葡萄酒分级结果中样品9, 23为1级，20, 3, 17, 2, 14, 19, 21, 5, 26为2级，24, 27, 4, 16, 10, 13, 12, 25,1为3级，6,8,15,18,7为4级，11为5级。最终证得可由酿酒葡萄和葡萄酒的指标来评价葡萄酒的质量。
关键词：葡萄酒；信度分析；WARD法层次聚类；逐步回归；偏最小二乘回归分析
- 1 -
一.问题背景
葡萄酒对于养生大有裨益，深受大众追捧，因此衡量葡萄酒的质量好坏已成为当下的热点话题。本文根据资深评酒员的评分，并对酿酒葡萄的成分与葡萄酒的理化性质进行分析，建立相应的数学模型，进而对葡萄酒的质量进行评级，构造多种葡萄酒质量的评价模型，为葡萄酒的鉴定提供科学的参考意见。
二.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。请尝试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？
三.问题分析
关于葡萄酒的评价问题，先比较两组评酒员的评分结果得出哪组更可靠的结论，为之后的数据分析做出良好的选择之后，通过分析酿酒葡萄与葡萄酒理化指标，最终得到酿酒葡萄和葡萄酒质量的关系，将酿酒葡萄进行分级；分析葡萄酒指标与葡萄酒质量的关系，以及酿酒葡萄与葡萄酒之间的关系，确立多种途径对葡萄酒的评价方法。
（1）分析两组评酒员的评价结果的差异性，比较哪组结果更可信。解决此问题的关键在于先将数据处理简化，然后分析两组数据的数值特征是否相同，最后通过信度分析比较两组数据的可靠性，最终获得评分更稳定的评酒员组别。
（2）酿酒葡萄的分级问题。解决此问题的关键在要先将酿酒葡萄的理化指标数据降维
- 2 -
简化，即通过主成分分析得到影响酿酒葡萄质量的主要成分，然后根据各个样本的主成分得分数据，使用WARD法层次聚类将质量相似的样本归类在一起，最终参照葡萄酒的评分数据，划定最终的分类结果。
（3）酿酒葡萄指标与葡萄酒指标相关关系问题。解决此问题的关键在于通过Pearson 相关建立衡量两组数据相关关系的准则，然后通过多元逐步回归确定指标间具体的函数关系。
（4）葡萄酒质量的评价问题。解决此问题的关键在于理清酿酒葡萄理化指标，葡萄酒理化指标和葡萄酒感官指标之间的关系，在酿酒葡萄和葡萄酒理化指标之间建立函数关系，在葡萄酒理化指标和感官指标之间使用偏小而成回归分析建立函数关系，最终得到葡萄酒质量的评价总分，最终确定分级。
四.模型假设
假设评酒员评分过程中，相互之间独立无影响
假设评酒员在品尝不同样品酒时没有相互作用
假设假设葡萄样本为同一品种
假设葡萄酿造过程环节相同无差异
五.符号及变量说明
- 3 -
六.模型建立与求解
1.评酒员评分可靠性检测模型的建立与求解
模型的建立与求解大致步骤如下：
A.葡萄酒品尝评分表数据进行预处理
B.检验红白葡萄酒样品评分结果差异性
C.红白葡萄酒评分数据可靠性分析
1.1葡萄酒品尝评分表数据进行预处理
在对数据进行全面分析时发现有两类问题：
①指标数据缺省
例如，第一组的评酒员4对红葡萄酒样品20的色调打分缺失，无具体数值
②指标数据超出打分范围
例如，第一组的评酒员7对白葡萄酒样品3的持久性打分为77分，而该指
标的满分，即打分极限为8分，因此77必定为错误数据。
对着的缺省值和错误值的修正，我们采用均值替代法，使用用其他评酒员对
该指标打分的均值填补和替代。结果如表1-1所示：
表1-1 缺省值与错误值修正示范表
1.2检验红白葡萄酒样品评分结果差异性
对于红葡萄酒的27个样品和白葡萄酒的28个样本，令X k为某组第i个评酒员针对第j号样本的k号指标评分,其中(i=1,2,3,...,10;j=1,2,...,27，28;k=1,2, (10)
则,针对某类葡萄酒的第j号样品，评酒员i对该样品的总评分为：
- 4 -
a ij=X k
10
k=1
i=1,2,3,…10，j=1,2,…,27，28 (1)
把10位评酒员打的总分A ij相加后求其均值，可以得到评酒员总体所在的组对样品j的打分为：
A j=
a ij
10
i=1 (j=1,2,…,27,28) (2)
按照(2)式分别求出第一组和第二组对两种葡萄每个样本的打分，结果如表1-2所示：
表1-2 红白葡萄总评分均值表（部分）
利用SPSS分别对表1-2里的两组评酒员的打分进行t检验，以红葡萄酒为例，其步骤如下：
提出原假设：H0:u1=u2
H1:u1≠u2，即假设两组的评分均值不相等；
选取统计量t作为检验统计量，在H0成立的条件下其应服从自由度为n-1的t分布（n为样本个数，红葡萄为27，白葡萄为28），选取显著性水平α=95%。
设a1j,a2j(i=1…n)分别为第一组和第二张打分，其打分差值d i=a1i?a2i,检验统计量为：t=
s d
n
~t(n?1), 其中d为d i的均值，s d2为d i的方差，n为样本数。
结论标准：若检验统计量|t|>t0就拒绝H0,否则，不拒绝H0。
使用spss进行t检验过程，得到的结果如表1-3所示：
- 5 -
由表1-3可知，其显著性水平σ=0.020 <0.05,因此拒绝原假设，即两组评分结果具有显著性差异。
同理，针对白葡萄酒的两组评分数据t检验结果如表1-4所示：
从表1-4结果可知，σ=0.014 <0.05，同红葡萄检验结果相似，两组白葡萄酒评分结果也具有显著性差异。
1.3红白葡萄酒评分数据可靠性分析
由1.2可知，两组评分员的评分结果存在显著性差异，因此，这两组数据因为有差别必然就存在优劣之分。分别对两组评分员的评分进行内在信度分析，即分析各组评分的一致性如何，用来衡量哪一组的评分更加可靠，我们采用Cranach’s Alpha系数来作为评判标准。
Cranach’s Alpha系数是检视信度的一种方法，也是目前社会科学研究最常使用的信度分析方法，其统计原理为：
Alpha=k?1
k
(1?
S i2
k
i=1
S x2
)
其中Alpha值越高，数据的可信度越高。
利用SPSS分别对两组组内评酒员对样本的打分(打分表见附录)进行Cranach’s
- 6 -
Alpha信度分析，结果如下：
表1-5 各组对葡萄酒评分的可信度检验
根据表1-5分析，就红葡萄酒而言，显然0.928>0.878，第二组评分的Alpha值大于第一组，即第二组对红葡萄酒评分更可靠。
同理，0.969>0.962，白葡萄酒评分则是第一组更可靠，但是从总体来看，第二组对葡萄酒评分的Alpha值均在0.9以上，比第一组更稳定，所以总体上第二组更加可靠。
2.酿酒葡萄分级模型的建立与求解
模型建立与求解的步骤如下：
A.酿酒葡萄指标数据预处理分析
B.酿酒葡萄指标主成分分析
C.使用WARD法进行层次聚类得到分级
2.1 酿酒葡萄指标数据预处理分析
根据评酒员评分可靠性检验模型，为保证数据的相对可靠性。此问中采用的酿酒葡萄和葡萄酒质量数据均为第二组。针对酿酒葡萄数据，经过初步的分析可以看到数据相对较为混乱，不同级别的指标数据，各指标项目不同的检测次数，都混在了一起，因此，首先对酿酒葡萄数据进行预处理，使之简化格式统一可以在同一背景层面来进行分析。
①针对不同级别的数据：采用一级指标保留，二级指标去除的原则。由于本题是针
对酿酒葡萄数据和葡萄酒质量即评分数据来对酿酒葡萄进行分级，而二级指标包含在一级指标内，可由一级指标代表其所针对的葡萄特性，参与评价分级过程。
②针对统一指标的多次检验结果，采用均值统计量代表方法，将n个指标检测值B k
通过均值运算合并一个具有代表性的均值来作为分级数据，即：
B=
B k n
k=1
n
③均值错误值替代缺省。某指标缺省值使用该指标其余样本均值代替，同1.1方法。
- 7 -
至此，将数据进行初步的处理之后，得到了红酿酒葡萄和白酿酒葡萄的指标数据，如表2-1所示：
表2-1 红白酿酒葡萄指标数据汇总表（部分）
将酿酒葡萄指标数据进行初步处理之后，指标数目依然高达30个，且各指标之间独立性不明确，根据酿酒葡萄的背景资料，例如同一产地的葡萄因为所处气候环境的相似使得样品葡萄的氨基酸，VC等成分的含量具有某种同步性的联系。即，30个指标之间是具有相关关系的。以红酿酒葡萄样本为例，相关性检验数据如表2-2所示：
表2-2 红酿酒葡萄指标相关系数矩阵（部分）
由相关矩阵可以看出，酿酒葡萄各种指标之间是存在相关关系的，例如DPPD自由基与蛋白质之间的相关系数为0.7484。而具有相关关系的大量指标，其观测数据在一定程度上反映的信息是有所重叠的。
因此，为了避免指标量多且反映信息重叠的状况，本文将30个具有相关关系的指标转化为较少量的不具有相关关系的综合性指标变量。即，通过主成份分析的方法来对30
- 8 -
- 9 -
个指标数据进行降维处理，即，得到影响酿酒葡萄分级而自身又不具有相关性的综合性指标数据，可以更有针对性的对酿酒葡萄进行分级分类。 2.2酿酒葡萄指标主成分分析
本文采用主成分分析，是利用主成分评价功能作为一个中间环节，将信息进行浓缩，并解决权重确定等问题。
主成分分析是考察多个变量间相关性的一种多元统计方法。它是研究如何通过少数几个分量来解释多个变量间的内部结构。也就是说，从原始变量中导出少数几个主分量，使它们尽可能多地保留原始变量的信息，且彼此间互不相关。
主成分分析常有以下四个步骤：
① 对原有的p 个指标进行标准化，消除变量在数量级或者量纲上的影响。 ② 根据标准化后的数据矩阵求出协方差或者相关阵。 ③ 求出协方差阵的特征跟和特征向量。
④ 确定主成分，结合背景知识给各个主成分蕴含的信息进行解释。 首先使用SPSS 统计软件将指标数据进行标准化，即：
x i =X i ?X i S i
结果如表2-3所示：
表2-3 红酿酒葡萄指标数标准化数据表（部分）
得到标准化之后的指标数据表后，使用SAS 统计软件调用主成分分析，得到其相关阵如表2-4所示：
表2-4 红酿酒葡萄指标相关距阵（部分）
由相关系数矩阵可知，许多变量之间直接的相关性比较强，的确存在信息上的重叠，根据相关矩阵求得的特征值如表2-5所示：
表2-5 相关矩阵特征值表（部分）
相关矩阵特征值表反映的即为各成分的方差贡献率（比例列数据），以及累计贡献率，观察表2-5可知，前8个特征跟大于1，因此提取前8个主成分，而前8个主成分的累计贡献率已经达到了83.04%，因此选前8个主成分已经足够描述酿酒葡萄的指标内容。最终，以8个主成分为提取原则，经过相应的计算得到了8个主成分的特征向量，如表2-6所示：
表2-6 主成分特征向量表（部分）
最终，为了得到每个酿酒葡萄样品的主成分，由表可知，当某个主成分同时对几个指标的特征向量均较大时，说明这几个指标共同对样本的某个主要特性例如葡萄酒的外观等造成较为显著的影响。例如针对PRIN1，总酚的得分最高，则PRIN1代表的就可能是香气，即PRIN1中得分较高的几个指标对于香气的影响较为显著。而每个样本最终的主成分得分，则需要通过主成分向量与样品标准化数据相乘的累加和来确定，即：
- 10 -
30
Prin1j=v1k·x jk
k=1
...
30
Prin8j=v8k·x jk
k=1
其中x jk为第j个样本的第k项指标的标准化数据，v1k则为主成分1(Prin1)对所有指标项目的特征向量，计算得到的表2-7主成分得分矩阵：
表2-7 红酿酒葡萄指标主成分得分矩阵（部分）
由表2-7可知，不同种样品在同一种主成分的得分是不同的，例如针对PRIN1，样品1，2，3，9的得分就较高，即这四个样品的PRIN1成分更加优质，即假若PRIN1代表的是香气，则1，2，3，9样品的香气更加优质。
而针对PRIN1-PRIN8，得分最高的样本分别是9，12，11，3，26，23，8，23，可见不同成分得分较高的样本是存在差异性的，因此需要进一步进行分析。
将所有样品的主成分得分根据表2-5中的方差贡献率进行加权处理，得到的结果如表2-8所示：
表2-8 样品主成分加权总分表
- 11 -
由此表可以将样品的所有成分进行排序得到样品的总体情况，然而这仍不足以将酿酒葡萄样品进行明确的分类。因此，得到待分级样品的主成分得分表之后，连同样品酒评分表一起，使用聚类分析将具有相似性质的样品进行归类处理，以期得到我们想要的分级依据。
2.3使用WARD法进行层次聚类获得分级
为了将酿酒葡萄样本主成分得分进行分类处理，本文采用聚类分析中的层析分析法处理数据，将不同级别的样本分离开来，参照酒样品的评分数据，最终确定级别结果。
所谓聚类分析即是按照距离的远近将数据分为若干个类别，以使得类别内数据的差异尽可能小，类别间的差异尽可能大。据此，使用聚类分析对样本主成分的得分进行分类处理是非常科学的。而将酿酒葡萄进行分级时，级别之间具有层次关系，因此本文采用层次聚类，即系统聚类法(Hierarchical Cluster)，通过把距离接近的数据一步一步归为一类，直到数据完全归为一个类别为止。
层次聚类的实现过程如下：
①首先将各条数据各自作为一类，按照所定义的距离计算各数据点之间的距离形成
距离阵；
②将距离最近的两条数据并为一个类别，从而成为了一个n-1个类别，计算新产生的
类别与其他各个类别之间的距离或者相似度，形成新的距离阵；
③按照和②相同的原则，再将距离最接近的两个类别合并，这时如果类的个数仍然
大于1，则继续重复这一步骤，直到所有的数据都被合并成为一个类别为止。
针对需要进行层次聚类的数据，本文采用离差平方和法（WARD法），使得各类别之中的离差平方和最小，各类别之间的离差平方和最大，使用该方法，将样本的主成分得分同酒样品的每个评酒员品尝评分一同作为参数，使影响酿酒葡萄指标的主成分和葡萄酒质量的评分一同作为影响因素，对其进行层次聚类，根据背景资料，葡萄酒的品质一般分为4-6个等级，因此本文将数据聚类数设定为5类。
- 12 -
使用SAS进行WARD层次聚类步骤，运行结果聚类树状图如图2.1所示：
图2.1 红酿酒葡萄聚类分析树状图
将聚类分析的5类结果连同各个样品酒的评分结果一同分析，得到了如下的酿酒葡萄红葡萄的分级表2-9：
2-9 红酿酒葡萄样品分级表
由表2-9可知，红葡萄样品中，最优秀即级别最高的酿酒葡萄为样品9和样品23，为1级；而级别最低的酿酒葡萄为样品7和样品11，为5级。
观察2-9表可知，样品大部分集中于2-4级，尤其2级中的样品最多，而无论是最优的1级葡萄还是最差的5级葡萄都非常少，只有两个样品，这相对较为符合实际情况，因此可以判断所得结果是合理有效的分级。
同理，最终可以得到白葡萄样品的分级表，如表2-10所示：
表2-10 白酿酒葡萄样品分级表
- 13 -
由表2-10可知，对于白葡萄的酿酒葡萄样品来说，最好的1级葡萄为样本5，10，17，22，28，3；最差的5级葡萄为16；由该表可知白葡萄样品大多分布在第3级，比较符合日常的认知规律，因此该分级结果可以判定是比较可靠的。
3.酿酒葡萄指标与酒指标相关性分析模型的建立与求解
模型的建立与求解大致步骤如下：
A.建立Pearson相关系数衡量数据关系的准则
B.衡量酿酒葡萄与葡萄酒理化指标的相关关系
C.针对相关关系建立多元回归分析模型
3.1建立Pearson相关系数衡量数据关系准则
为了分析酿酒葡萄和葡萄酒理化指标之间的联系，本文采用Pearson相关系数衡量红葡萄酒和相应的酿酒葡萄之间的关系，其计算公式如下：
r=
(x i?x )(y i?y) n
i=1
i
n
i=1i
n
i=1
计算出Pearson相关系数后，根据一下准则划分数据之间的相关程度：
①当0<|r|<=0.3,表示为微弱相关；
②当0.3<|r|<=0.5时，表示为低度相关；
③当0.5<|r|<=0.8时，表示为显著相关；
④当0.8<|r|<=1时，表示为高度相关，
⑤当|r|=1时，表示为线性正相关
3.2 衡量酿酒葡萄与葡萄酒理化指标的相关关系
使用SPSS统计软件针对酿酒葡萄和相应的葡萄酒理化指标数据进行Pearson相关分析，得到的结果如表3-1所示：
表3-1 酿酒葡萄和葡萄酒理化指标Pearson相关系数(部分)
- 14 -
表3-1中，横向表示红葡萄酒的理化指标，纵向表示酿酒葡萄的理化指标，把酿酒葡萄的理化指标看成自变量，把葡萄酒的理化指标看成因变量。从表中可以大概的看出：红葡萄酒的花色苷与相应的酿酒葡萄的花色苷高度相关，与苹果酸、褐变、DPPH自由基、总酚、单宁、果梗比显著相关，与葡萄总黄酮、黄酮醇低度相关。同理，亦可分析红葡萄酒的其它理化指标与相应的酿酒葡萄的理化指标之间的关系。
通过Pearson相关分析可以得到指标之间大致的关系，但若要得到具体的函数关系式，需要建立多元回归分析模型。
3.3针对相关关系建立多元回归分析模型
设a k1(k1=1,2,3,…,30)表示自变量酿酒葡萄的理化指标:氨基酸总量、蛋白质，VC含量花色苷、苹果酸、褐变度、DPPH自由基、总酚、单宁、葡萄总黄酮、黄酮醇、果梗比等；
b k2(k2=1,2,3,…,6)表示因变量葡萄酒的理化指标：花色苷、单宁、总酚、酒总黄酮、白藜芦醇、DPPH半抑制体积等，以花色苷为例，则回归模型为：
b1=A0+A1a1+A2a2+?+A30a30
其中，A0是常数项，A1,A2,…,A30是系数项。
当使用SPSS进行回归分析时，考虑到回归式中包含的的变量太多，且其中有些a i对b j的影响不大，显然这样的回归式不仅使用不方便，而且会使回归模型发生错误。因此，当自变量a i和因变量b j的相关系数|r|>0.7时，a i使用进入回归分析，当|r|<0.7时a i使用逐步回归分析。
逐步回归基本思想是：逐个引入自变量a i，每次引入对b i影响最显著地自变量，并对方程中的老变量逐个进行检验，把变为不显著地变量逐个从方程中剔除，最终得到的方程中既不漏掉对b i影响显著地变量，又不包含对b i影响不显著的变量。
用以上方法利用SPSS花色苷分析，输出结果如表3-2所示：
- 15 -
表3-2 花色苷回归分析结果
从表3-2可以得：b1=348.261+2.26a4+0.13a9?5.495a26
依次可得到其他理化指标与酿酒葡萄理化指标间的函数关系，最终结果如下：
b1=348.261+2.26a4+0.13a9?5.495a26
b2=?14.582+0.003a4+21.343a10+0.126a11+0.049a12+0.014a13+0.07a18
+0.003a9+0.075a8
b3=?0.910+8.828a10+0.016a11+0.046a12+0.166a13+0.197a6
b4=?0.254+0.006a4+1.729a10+ 0.250a11+0.005a12+0.162a4+0.313a5+0.15a14 b5=38.0+0.343a13+0.071a2?0.77a6+0.031a4+0.313a5+0.15a14
b6=?0.052+0.135a10+0.005a11+0.0001a12+0.008a13
b7=61.908?0.114a4+3.561a23?0.124a15?1.223a6
b8=69.169?0.94a4?4.818a29
b9=?8.859+0.129a17?0.737a6 +0.831a5
同理，得到白葡萄酒的理化指标与酿酒葡萄的函数关系，如下：
b2=0.242a12+4.716a27?0.014
b3=?0.042a11?0.006a12+0.23a13+0.017a18?2.506
b4=0.008a2+0.216a11+0.057a13+0.041a15?4.566
b6=0.048a3+0.001a13+0.008a16?0.105
b7=?0.008a8?0.124a14+0.002a17?0.004a18?0.096a22+0.019a26+103.503
b8=?0.128a25+0.02a26?1.586
b9=?0.007a17+0.004a18+0.279a22?0.002a23?0.11a26+6
由此，酿酒葡萄指标与葡萄酒指标之间的相关关系已经明确求出。
4.葡萄酒质量评价模型的建立与求解
模型的建立与求解大致步骤如下：
A.分析葡萄指标及酒指标与葡萄酒质量的联系
B.构建酿酒葡萄指标对葡萄酒指标的函数关系
- 16 -
C.对葡萄酒指标与质量进行偏最小二乘回归分析
D.根据指标回归评分结果的划分葡萄酒等级
4.1分析葡萄指标及酒指标与葡萄酒质量的联系
指标查阅关于葡萄酒的资料可知，葡萄酒的质量即是由其感官指标所确定，外观、香气和口感越佳的葡萄酒，其质量就越好。而葡萄酒的外观、香气和口感却是由其理化指标所决定，即葡萄酒的感官是由其含有的花色苷，单宁，总酚等成分的含量与质量所决定。而葡萄酒的各项成分，也就是葡萄酒的各项理化指标，均是由其酿造原料——酿酒葡萄中的各项成分经过发酵而来，与酿酒葡萄的各项理化指标不可避免的有着相关联系，上文中的模型也证明了此点。
图4.1 酿酒葡萄、葡萄酒理化指标与葡萄酒质量的层级因果关系图
根据此层级关系图，将使用第二组红葡萄数据，分析逐级之间的关系，并建立起完整的葡萄酒评价模型。
4.2构建酿酒葡萄指标对葡萄酒指标的函数关系
使用3.3得到的结果，可得酿酒葡萄与葡萄酒指标之间的具体函数关系式如下。
红酿酒葡萄与红葡萄酒理化指标的函数关系为：
b1=348.261+2.26a4+0.13a9?5.495a26
b2=?14.582+0.003a4+21.343a10+0.126a11+0.049a12+0.014a13+0.07a18
+0.003a9+0.075a8
b3=?0.910+8.828a10+0.016a11+0.046a12+0.166a13+0.197a6
b4=?0.254+0.006a4+1.729a10+ 0.250a11+0.005a12+0.162a4+0.313a5+0.15a14 b5=38.0+0.343a13+0.071a2?0.77a6+0.031a4+0.313a5+0.15a14
b6=?0.052+0.135a10+0.005a11+0.0001a12+0.008a13
b7=61.908?0.114a4+3.561a23?0.124a15?1.223a6
b8=69.169?0.94a4?4.818a29
b9=?8.859+0.129a17?0.737a6 +0.831a5
- 17 -
白酿酒葡萄与葡萄酒理化指标的函数关系为：
b2=0.242a12+4.716a27?0.014
b3=?0.042a11?0.006a12+0.23a13+0.017a18?2.506
b4=0.008a2+0.216a11+0.057a13+0.041a15?4.566
b6=0.048a3+0.001a13+0.008a16?0.105
b7=?0.008a8?0.124a14+0.002a17?0.004a18?0.096a22+0.019a26+103.503
b8=?0.128a25+0.02a26?1.586
b9=?0.007a17+0.004a18+0.279a22?0.002a23?0.11a26+6
通过这些函数关系，我们可以从酿酒葡萄数据出发，通过回归分析较为准确地得到葡萄酒的各项理化指标数据，在缺乏葡萄酒理化指标数据时，可由此法得到所需要的葡萄酒理化指标数值，并对其进行进一步的分析。
4.3 对葡萄酒指标与质量进行偏最小二乘回归分析
在处理葡萄酒指标数据与其质量评价数据的相关关系时，我们发现这两组变量的个数都较多，其存在多重相关性，而观测的样本也相对有限，因此，本文采用偏最小二乘回归分析的方法来建立这两组变量之间的关系模型。
所谓偏最小二乘回归，即是多因变量对多自变量的回归建模，它与普通多元回归方法在思路上的主要区别是它在回归建模过程中采用了信息综合与筛选技术。它不再是直接考虑因变量集合与自变量集合的回归建模，而是在变量系统中提取若干对系统具有最佳解释能力的新综合变量(又称成分)，然后对它们进行回归建模。它集集多元线性回归分析、典型相关分析和主成分分析的基本功能为一体，可以更好的实现我们想要的目标关系。
实现偏最小二乘回归分离的原理步骤如下：
①构建数据表。设有q个因变量{y1,…,y q}和p个自变量{x1,…,x p}，针对因变量与自变量
的统计关系，观测了n个样本点，由此构成了自变量与因变量的数据表X=[x1,…,x p]n×p 和Y=[y1,…,y q]n×q
为了数学推导方便起见，首先将数据做标准化处理。X经标准化处理后的数据矩阵记为E0=(E01,…,E0P)n×p，Y经过标准化处理后的数据矩阵记为F0=(F01,…,F0q)n×q。
②提取成分。偏最小二乘法回归分别在X与Y中提取出t1和u1(t1是x1,…,x p的线性组合，
u1是y1,…,y q的线性组合,且t1=E0w1’w1 , u1=F0c1’c1(||w1||2=1, ||c1||2=1))，在提取这两个成分时，为了回归分析的需要，有下列两个要求：
<1> t1和u1应尽可能大地携带它们各自数据表中的变异信息，即：
- 18 -
Var(t1)→max，Var(u1)→max
<2>t1和u1的相关程度能达到最大：
r(t1,u1)→max
综合即为，t1和u1应尽可能好地代表数据表X和Y，同时自变量的成分t1对因变量的成分u1又有最强的解释能力，可表示为：
Cov(t1,u1)=Var(t1)Var(u1)r(t1,u1)→max
③进行回归；偏最小二乘法回归分别实施X对t1的回归以及Y对t1的回归。如果方程
达到了满意的精度，则算法终止；否则，将利用X被t1解释后的残余信息以及Y被t1解释后的残余信息进行第二轮的成分提取。
如此递推，直到能达到一个较为满意的精度为止。若最终对X共提取了m个成分，t1,…,t m，偏最小二乘法回归将通过实施Y K对t1,…,t m的回归，然后再表达成Y K关于原变量x1,…,x p的回归方程，其中k=1,…,q，即，最终可以得到：
E0=t1P1T+…+t A P A T , F0=t1r1T+…+t A r A T+F A
由于t1,…,t A均可以表示成E01,…,E0P的线性组合，因此，上式可以还原成Y K=F0K 关于X J=E0J的回归方程形式：
Y K = b k1X1+…+b kP X P+F AK (k=1,..,q)
此组回归方程即是所求的两组变量的目标关系。
使用SAS软件进行该偏最小二乘回归分析的过程，得到的结果如表4-1所示：
表4-1 偏最小二乘回归分析参数估计结果表
- 19 -
即得到了四组线性回归方程：
y1=?0.00412x1?0.02339x2+?+0.006831x8?0.08883x9+15.88227
y2=?0.01101x1+0.283433x2+??0.04336x8?0.0693x9+27.81419
y3=?0.00366x1+0.473875x2+??0.00974x8+0.035974x9+31.0495
y4=?0.00131x1+0.051298x2+??0.00208x8+0.004219x9+9.286306
为了验证该组回归的可靠性，我们随机选取了两组样本来进行实验，比较回归方程得到的分数结果与实际品评分数，检验是否存在较大误差，检验结果如表4-2所示：
表4-2 偏最小二乘回归分析方程可靠性检验表
由该表结果可知，所得方程进行的指标评分结果与实际得分误差均在±5%以内，因此我们可以判定，使用偏最小二乘回归分析得到的评分方程是相对科学可靠的，并可以作为标准来针对葡萄酒指标进行质量的评分。
白葡萄酒的相关数据亦可通过此过程得到最终的偏最小二乘回归分析方程。
4.4 根据指标回归评分结果的划分葡萄酒等级
参照2.3中的分级标准，使用WARD法层次聚类，结合回归方程预测的评分，得到的红白葡萄酒分级标准如表4-3所示：
- 20 -
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，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）： 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）： 参赛队员(打印并签名) ：1. 2. 3. 指导教师或指导教师组负责人(打印并签名)： 日期： 2012 年 9 月 10 日 赛区评阅编号（由赛区组委会评阅前进行编号）：
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）： 全国评阅编号（由全国组委会评阅前进行编号）：
葡萄酒的评价方法研究 摘要 在本文中，我们分析葡萄酒和酿酒葡萄的理化指标与所酿的葡萄酒的质量之间的关系，研究能否用葡萄和葡萄酒的理化指标评价葡萄酒的质量。 针对问题一，本文分析了所给附件1中两组评酒员对不同葡萄酒样品的评价结果，运用方差分析法来分析两组评价结果差异的显着性。在显着性水平取为0.05的情况下，发现两组评价结果的均值和方差均满足齐性，即两组评酒员的评价结果没有显着性差异。因无显着差异，本文把两组评酒员的评分的总均值作为葡萄酒评分的期望值，计算两组评酒员对于各酒样品评分的方差并求和，结果显示第二组的总方差明显小于第一组，即其评分稳定性更高，得出第二组的评价结果更可信。 针对问题二，本文借助问题一中第二组的评价结果，将葡萄酒的质量数量化。运用主成分分析方法，得出酿酒葡萄的主要理化指标，在此基础上运用相关性分析法，分析了酿酒葡萄的主要理化指标和葡萄酒质量的相关程度，将酿酒葡萄的主要理化指标的加权平均值作为葡萄分级的标准，其中权重取为理化指标的相关系数。把各葡萄样品的主要理化指标代入表达式，得到最终加权平均值，对其划分级别，并作为葡萄的级别。结果显示红葡萄样品集中在第2,3,4级，而白葡萄大多数集中在第2级（级别数值越小代表葡萄质量越好）。 针对问题三，本文依据问题二中所得的酿酒葡萄的主要理化指标，运用相关性分析法，分析了葡萄酒的理化指标与酿酒葡萄的主要理化指标之间的相关程度，我们得到的主要结论为：红葡萄酒中的花色苷与酿酒葡萄中的DPPH自由基、褐变度显着相关，与酿酒葡萄的出汁率、槲皮素、柠檬酸低度相关，与酿酒葡萄的其他主要理化指标微弱相关；白葡萄酒中的单宁与酿酒葡萄的DPPH自由基、葡萄总黄酮、谷氨酸、异亮氨酸低度相关，与酿酒葡萄的其他主要理化指标微弱相关。 针对问题四，考虑到除葡萄与葡萄酒的理化指标外，葡萄与葡萄酒的芳香物质可能对葡萄质量也会造成影响。首先，运用主成分分析法，得出芳香物质中的主要成分，并借助问题二中所得的酿酒葡萄的主要理化指标，运用相关性分析法，综合分析了葡萄酒质量受酿酒葡萄和葡萄酒的理化指标、酿酒葡萄和葡萄酒中的芳香物质的影响程度。根据所得结果，取与葡萄酒质量关联程度较大的因素作为自变量，以葡萄酒质量作为因变量，运用多元线性回归模型建立相应的函数关系。通过上述定性与定量分析，说明葡萄酒的质量受葡萄和葡萄酒中芳香物质的影响，因此不能仅以葡萄和葡萄酒的理化指标判别葡萄酒的质量。 以上结果具有较高的可靠性和可行性，对于葡萄酒的评价具有一定的指导意义。关键词：葡萄酒质量理化指标方差分析主成分分析多元线性回归相关性分析 一：问题重述
葡萄酒的评价 摘要 本文主要采用数学统计与分析方法，利用EXCEL,MATLAB等工具解决了有关葡萄酒质量评价的一系列问题。 关于问题一，分析判断两组评酒员评价结果有无显著性差异及哪组结果更可信。首先我们采用t-检验法，根据T值判断差异的显著性，代入数据后求得 P T t 双尾=0.00065<0.01，即两组评价结果差异性显著。然后将第一组10位() 评酒员对于酒样品所给评分的方差值与第二组10位评酒员对于酒样品所给评分的方差值做比较，得出第一组的方差较大，所以认为第一组评酒员打分较为严格，即更可信。 关于问题二，在不确定酿酒葡萄的理化指标和葡萄酒的质量之间的关系的情况下，运用主成分分析法粪别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了分级，将红葡萄、白葡萄各分成了优质、较好、一般、劣质四个等级，结果详见表5.2.1至表5.2.4。 关于问题三，采用回归分析法，计算出酿酒葡萄与葡萄酒所共有的理化指标之间的相关系数，结果详见表5.3.1和表5.3.2，其相关系数的绝对值越大表示联系程度越紧密。 关于问题四，首先根据问题三的结果可知酿酒葡萄与葡萄酒的理化指标之间的联系，将分析过程简化为只考虑葡萄酒的理化指标对葡萄酒质量的影响。然后查阅资料结合附表1，总结出口感和外观为葡萄酒质量的决定因素，而总酚、色泽、花色苷这三个理化指标为主要影响葡萄酒质量的因素。最后结合附件3，发现芳香物质对葡萄酒质量也有影响，否定了用葡萄和葡萄酒的理化指标来评价葡萄酒的质量的可行性。 关键词：葡萄酒质量的评价EXCEL MATLAB 、主成分分析相关系数T-检验
1.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。请尝试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？ 2.问题分析 问题一要分析两组评酒员的评价结果有无显著性差异并判断哪一组结果更可信。由于题目中有数据缺失和错误数据，我们采用曲线拟合处理这一问题。因为所给数据是小样本，总体标准差 未知的正态分布资料，因此采用T检验，根据所求得的P值判断两个平均数的差异是否显著。然后将第一组10位评酒员对于酒样品所给评分的方差值与第二组10位评酒员对于酒样品所给评分的方差值做比较，方差大的一组则说明其打分较为严格，即说明他们对待评酒较为认真，从而认为其较为可信。 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。考虑到不清楚葡萄酒的理化指标与葡萄酒的质量之间的关系，所以分为两种情况进行分组分析。首先根据酿酒葡萄的理化指标,采用主成分分析法给酿酒葡萄综合评分并排序，根据综合评分的排序结果对酿酒葡萄样品分级；然后将问题一所得出的较为可信的一组酒样品的评分作为葡萄酒的质量并以此分级，此即为各葡萄酒样品对应的酿酒葡萄样品的另一种分级情况。 问题三要求分析酿酒葡萄与葡萄酒理化指标之间的联系，即要求得出它们各项理化指标之间联系的紧密程度，所以采用回归分析的方法计算它们的各理化指标的相关系数，然后以相关系数的绝对值大小表示它们之间联系的紧密程度。 问题四要求探究酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响，并判断用葡萄和葡萄酒的理化指标来评价葡萄酒的质量的可行性。考虑到问题三已经得出酿酒葡萄和葡萄酒理化指标之间的联系，且葡萄酒的理化指标相对较少，因此选择分析葡萄酒的理化指标对葡萄酒质量的影响。可以通过前面的结果，得出葡萄酒的理化指标对葡萄酒产生影响的几个主要因素，再依据这几个因素结合葡萄酒质量排序，便可以得出这几个因素对葡萄酒质量的影响。第二小问将附表3中的芳香物质考虑进来，判断其对葡萄酒质量是否有影响，从而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。
葡萄酒评价指标 区分好坏葡萄酒没有具体的绝对的量化标准，目前权威的葡萄酒评分系统主要是美国著名的葡萄酒评论家罗伯特·帕克，帕克推崇的是葡萄酒100分制评分体系；以及大家俗称的3W1D也是世界葡萄酒评分系统中的权威。 帕克的100分制给葡萄酒的打分范围是50-100，基于以下四个因素：外观，香气，风味，总体质量或潜力。帕克将葡萄酒分成四个档次(从50-100分)，具体的打分体系如下： 96-100 Extraordinary 经典：顶级葡萄酒。 90-95 Outstanding 优秀：具有高级品味特征和口感的葡萄酒。 80-89 Above average 优良：口感纯正、制作优良的葡萄酒。 70-79 Average 一般：略有瑕疵，但口感无尚大碍的葡萄酒。 60-69 Below average 低于一般：不值得推荐 50-59 Unacceptable 次品 一般帕克的评分系统会给每一款酒一个基础的分数（50分）。在50分的基础上，按酒的质量特点加分。 酒的颜色和外观值5分，好的葡萄酒的外观应该澄亮透明（深颜色的酒可以不透明），有光泽，其颜色与酒的名称相符，色泽自然、悦目。 然后，酒香值15分，取决于香气的浓度、复杂度和纯粹感，香气应该是葡萄的果香（比如赤霞珠的黑醋栗香气、黑比诺的樱桃香气、霞多丽的热带水果香气）、发酵的酒香、陈酿的醇香（橡木桶陈酿及瓶内陈酿组成的香气，主要包括花香、果香、辛香料香、动物香、矿物香、动物香、焙烤香等香气类型），这些香气应该平衡、协调、融为一体，香气幽雅，令人愉快； 酒的口感和后味值20分，好的葡萄酒其口感应该是舒畅愉悦的，各种香味应细腻、柔和，酒体丰满完整，有层次感和结构感，果味、单宁、酒精、酸度、甘油、糖分均衡，余味绵长；最后，酒的总体质量水平或者演化进步的潜力，也就是说陈化的潜力，值10分。 3W指WA、WS、WE WA是《葡萄酒倡导家》杂志Wine Advocate journal 即罗伯特·帕克的评分 WS是《葡萄酒观察家》Wine Spectator magazine杂志，该杂志同样为美国最具影响力的杂志之一，同样倡导百分制，基本思路与帕克类似，但《葡萄酒观察家》拥有众多的优秀评酒师，通过蒙瓶试酒，多方面综合结果，所以评分相对较中立。 分数解释 96-100 经典的，绝佳的
(精编)葡萄酒质量的评 价
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，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 （隐去论文作者相关信息） 日期：2012 年9 月10 日 赛区评阅编号（由赛区组委会评阅前进行编号）： 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）：
葡萄酒质量的评价 摘要 葡萄酒质量的好坏主要依赖于评酒员的感观评价，由于人为主观因素的影响，对于酒质量的评价总会存在随机差异，为此找到一种简单有效的客观方法来评酒，就显得尤为重要了。本文通过研究酿酒葡萄的好坏与所酿葡萄酒的质量的关系，以及葡萄酒和酿酒葡萄检测的理化指标的关系，以及葡萄酒理化指标与葡萄酒质量的关系，旨在通过客观数据建立数学模型，用客观有效的方法来评价葡萄酒质量。 首先，采用双因子可重复方差分析方法，对红、白葡萄酒评分结果分别进行检验，利用Matlab软件得到样品酒各个分析结果，结合数据分析，发现对于红葡酒有的评价结果存在显著性差异，对于白葡萄酒只有53%的评价结果存在显著性差异。通过比较可知，两组评酒员对红葡萄酒的评分结果更具有显著性差异，而对于白葡萄酒的评分，评价差异性较为不明显。为了评价两组结果的可信度，借助Alpha模型用克伦巴赫系数衡量，并结合检验，得出红葡萄酒第一组评酒员的评价结果可信度更高，而对白葡萄酒的品尝评分，第二组评酒员的评价结果可信度更高。综合来看，主观因素对葡萄酒质量的评价具有不确定性。 结合已分析出的两组品酒师可靠性结果，对葡萄酒的理化指标进行加权平均，最终得出十位品酒师对样品酒的综合评价得分。将每一样品酒的综合得分与其所对应酿酒葡萄的理化指标（一级指标）共同构成一个数据矩阵，采用聚类分析法，利用SPSS软件对葡萄酒样进行分类，根据分类的结果以及各葡萄样品酒综合得分最终将酿酒葡萄分为A（优质）、B（良好）、C（中等）、D（差）四个等级，客观地反映了酿酒葡萄的理化指标与葡萄酒质量之间的联系。 为了分析酿酒葡萄与葡萄酒理化指标之间的联系，采用相关分析法，能有效地反映
摘要：本文主要论述了干红葡萄酒生产技术及关键点控制，干红葡萄酒的生产关键点主要有：优选原料、严格控制工艺条件、防止金属污染和做好澄清处理，根据质量确定技术方案。 关键词：干红葡萄酒工艺控制 前言 世界生产葡萄酒的历史已有5000多年，在我国也有2000多年的历史了。但由于受经济、酒文化、生活习惯、饮食习惯等多方面的影响，葡萄酒工业生产经历了几起几落的考验，直至二十世纪九十年代后期才开始进入较为正规生产轨道。葡萄酒的种类很多，风格各异，按照不同的方法可以将葡萄酒分为若干类。我们谈到的干红葡萄酒和干白葡萄酒。 虽然葡萄酒的种类很多，风格，口味各异，但其主要生产工艺和主要成分却大致相同。葡萄酒的生产酿造，离不开葡萄原料，酿酒设备及酿造葡萄酒的工艺技术，三者缺一不可。要酿造好的葡萄酒，首先要有好的葡萄原料，葡萄原料奠定了葡萄酒质量的物质基础。葡萄酒质量的好坏，主要取决于葡萄原料的质量，因为不同的葡萄品种达到生理成热以后，具有不同的香型，不同的糖酸比。其次要有符合工艺要求的酿酒设备，第三要有科学合理的工艺技术。原料和设备是硬件，工艺技术是软件。在硬件规定的前提下，产品质量的差异就只能取决于酿造葡萄酒的工艺技术和严格的质量控制。 1.葡萄酒的起源 关于葡萄酒的起源，众说纷纭，有的说，起源于古埃及，或古希腊，抑或希腊克里特岛（clete）。而据现有的葡萄酒档案资料来研究分析，确切的说，应是一万年前我们共同的祖先酿造了葡萄酒，从而随着葡萄酒文化流传到今天。据史料表明，葡萄栽培和酿造技术，是随着旅行者和新疆的疆土征服者，从小亚西亚（AalaMinon）和埃及，在到达希腊及其诸海岛之前，先流传到希腊的克里特岛，再经意大利的西西里岛，北非的利比亚和意大利，从海上到达法国濒临地中海东南的瓦尔省（Var）境内靠海的普罗旺斯地区和西班牙沿海地区；与此同时，通过陆路，由欧洲的多瑙河河谷进入中欧诸国。 1.1 据考古记载 在古埃及，特别在尼罗河河谷地带，从发掘的墓葬群中，考古学家发现一种底部小圆，肚粗圆，上部颈口大的盛液体的土罐陪葬品；经考证，这是古埃及人用来装葡萄酒或油的土陶罐；在古希腊，在考古发掘中，在一座墓穴里，发现墓壁上有一幅公元前二世纪的浮雕；希腊阿波罗（Apollon）和胜利女神（Vlctolre）共向造物主（God）贡献葡萄的景观；在埃及十八代王朝时期的那黑特（Nakht）古墓中，发掘出一幅壁面（
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，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）：长江师范学院 参赛队员(打印并签名) ：1. 李蓉 2. 马艳 3. 周成楷 指导教师或指导教师组负责人(打印并签名)：廖江东 日期： 2012 年 9 月 10 日赛区评阅编号（由赛区组委会评阅前进行编号）：
编号专用页 赛区评阅编号（由赛区组委会评阅前进行编号）： 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
葡萄酒质量的评价模型 摘要 本文围绕葡萄酒的质量评价问题进行讨论，主要应用数据的统计原理以及数据的处理方法对酿酒葡萄的分级、葡萄酒和葡萄的理化指标的联系、以及葡萄酒质量评价问题建立了模型，并对模型做了较详细的模型检验，客观地实现了问题的解决。 问题（1），是一个数据统计问题，首先对红、白葡萄酒每类酒的样本数据建立了两独立样本的T检验模型，通过对比T统计量t值与T分布表给出的相伴概率值之间的大小，得出两组数据样本具有显著性差异。对于两数据样本的可信度问题，本文巧妙通过对每类的两个数据样本的均值方差的图像分析和对客观的评价准则考虑，得出结果：第二组评酒员给出的分数更具有可信性。 问题（2），属于多方案排序问题，首先利用问题（1）中的结果得到两组样品的有效性较高的评分数据样本，并借以建立了排序模型。同时本文还应用逼近理想解排序法（TOPSIS法），得出了两类葡萄酒质量的排序，然后通过权重法筛选出氨基酸、糖、蛋白质作为核心理化指标。最后基于“层次分析法”评价模型建立分级评价模型，通过权重算法得到以核心量化指标的贴近度作为分级的标准，确定出了对酿酒葡萄的四个等级：（见表4-15、4-16）。 问题(3)，对附件2中一级指标下的多重数据进行求平均值处理获得该级指标的最优值，建立了多元线性回归模型，首先对酿酒红、白葡萄的30种一级指标进行筛选，筛选出众多核心理化指标的最优值,并采用“逐步回归”的方法，针对多重数据下的多种指标进行分别拟合，从中抽出拟合最好的一组数据和结果进行图像分析，得出整体的酿酒葡萄与葡萄酒的理化指标成正相关的关系。 问题（4），本文基于问题（1）、问题(2)和问题（3）的研究结果，首先针对酿酒葡萄和葡萄酒的理化指标对葡萄酒质量影响问题，建立了多元回归分析模型，并运用逐步回归方法对这里的最优值进行有效而合理的筛选，之后将筛选得到的多个理化指标给与拟合，并对其进行图像分析，得出筛选出来的5个一级指标就可以反映出整体的关系，最后应用这个结果论证出：用葡萄和葡萄酒的理化指标来判断葡萄酒的质量是不全面的。 关键词：葡萄酒的评价 T检验层次分析法多元线性回归分析逐步回归法
题目葡萄酒的评价 摘要 近年来，我国掀起了一场葡萄酒热，对葡萄酒的需求与日俱增，特别是随着食品科学技术的发展，人们不再满足传统感官评价葡萄酒的水平，如何运用数据资料定量研究葡萄酒的品质，加快建立葡萄酒市场指标规则成为人们关注的焦点。随着经济的高速发展，葡萄酒作为一种跨国际的交流饮品越来越受欢迎，大量的古籍表明，中国是世界葡萄的起源中心，所以也很有可能是葡萄酒的起源国家。早在我国文化巨著诗经中，就有元代的酒，比起前代来要丰富得多。红葡萄酒十分常见，而对应的白葡萄酒，能使人精神焕发，心身舒泰，当然还能解渴，使人陶然而醉。白葡萄酒往往比红葡萄酒更具异香之质，而酿造能让它的芳香更上层楼。白葡萄酒往往不像红葡萄酒那样贮藏愈久愈好，而能发展其复合性，在瓶中渐渐演化、增加风味的白葡萄酒就更少了。 本文对影响葡萄酒品酒员对葡萄酒质量评价的因素进行分析，建立数学模型。问题一根据层次分析法对品酒员自己的嗅觉、味觉以及品酒场所和心情因素分析影响葡萄酒品酒员品酒好坏的因素并对这些因素进行排序。通过建立层次分析，然后构造判断矩阵同时赋值的方法，用matlab求出该矩阵最大特征值及此特征值对应的特征向量对u进行归一化处理，得出权重系数向量，对权重系数向量进行一致性检验。 问题二要求研究两组品酒员的评价结果有无显著性差异，这便可通过葡萄酒品尝评分表中第一组和二组白葡萄酒和红葡萄酒进行分析比较，每组都十人，从酒的外观分析(澄清度、色调)，香气分析（纯正度、浓度、质量），口感分析（纯正度、浓度、持久性、质量），最后得出酒样的整体评价，由于数据量大，涉及因素多，我们无法甄别，本文用spass软件进行分析，求出每位评酒员对每种葡萄酒样品的各项指标的均值，通过对各项指标的离散系数进行分析。通过一致性检验的方法得出两组具有显著性差异，得出结论第一组更可信。 关键词层次分析法一致性检验matlab s p a s s
湖南农业大学课程论文 学院：食品科学与技术学院班级:食质二班 姓名：刘晓鸣学号：201440718212 课程论文题目：浅谈葡萄酒鉴赏 课程名称：葡萄与葡萄酒文化 评阅成绩： 评阅意见： 成绩评定教师签名： 日期：年月日
浅谈葡萄酒鉴赏 学生：刘晓鸣 (食品科技学院14食质二班，学号201440718212) 摘要：文中主要介绍了葡萄酒的鉴赏方法及饮用储藏等 关键词：葡萄酒、饮用、礼仪、品尝、风味、存放 葡萄酒是大地的儿子。在人类悉心的照料下茁壮成长。从采摘、酿造、陈年到装瓶，就像一个人从出生、成长到成熟的过程。各个地域的葡萄酒跟人一样，有不同的个性和特色，有不同的生涯和成就。不过，他们都拥有一个共同的特点：给人们带来健康、快乐和享受！ 一、葡萄酒的饮用 葡萄酒是世界上最古老的饮料之一，几个世纪以来一直被用于各种庆典宴会，它可以在饭桌上给人们带来很多乐趣。通常使用开瓶器开葡萄酒瓶，先初去瓶口封盖，再将起子钻入葡萄酒瓶的软木塞中，最后将软木塞慢慢拉出酒瓶。几乎所有的感官都可用来享受葡萄酒的乐趣。首先用眼看葡萄酒以判断其清澈度和颜色；然后用鼻子闻葡萄酒的香气；最后将葡萄酒送入口中，滑过舌头，充满口腔，咽入腹中，感觉其中。 干白酒口感清爽，酸度高，最常用来当餐前酒，或搭配前菜中的生蚝等蚌壳类的海鲜。主菜方面以清淡的蒸、烤鱼类，或水煮海鲜最对味，味道浓一点的酒，可以配简单的鸡肉或猪肉。乳酪方面则可以试试酸度高的羊奶乳酪。 大部分的玫瑰红酒都属清淡型，以新鲜果香为主，以配简单的菜肴为主。最适合搭配夏季清淡的食物，生菜沙拉、凉菜类和白肉等。此外地中海区用橄榄油和蒜头调味的菜也很适合。玫瑰红酒的口感比较没有特性，经常用来配比较难配的菜，如醋、蒜头加得很多的食物，即使不是特别好的组合，但也不会大离谱。 二、葡萄酒的礼仪 1、倒酒 倒酒时最多将酒倒至杯中三分之一处，即约在杯身直径最大处就足矣。气泡
Advances in Applied Mathematics 应用数学进展, 2015, 4(4), 376-384 Published Online November 2015 in Hans. https://www.doczj.com/doc/4212322350.html,/journal/aam https://www.doczj.com/doc/4212322350.html,/10.12677/aam.2015.44047 The Study on Evaluation System of Wine Based on Data Mining Sizhe Wang1, Zhigang Wang2*, Yong He2 1Automation Professional Class 1301, School of Information Science and Engineering, Central South University, Changsha Hunan 2College of Information Science and Technology, Hainan University, Haikou Hainan Received: Nov. 8th, 2015; accepted: Nov. 23rd, 2015; published: Nov. 30th, 2015 Copyright ? 2015 by authors and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). https://www.doczj.com/doc/4212322350.html,/licenses/by/4.0/ Abstract Based on Question A of Mathematical Contest in Modeling for college students in 2012, the empha-sis in this paper is mainly on the establishment of evaluation system of wine based on data mining technology. The wine quality is determined by the score of the wine tasting. We analyze the credi-bility of the liquor score by one-way ANOVA. We classify the wine grape by extracting common factors of some physical and chemical indicators from the wine grape, and by clustering the factor score and wine score. The stepwise regression model is established through the correlation be-tween the physical and chemical indicators and the physical and chemical indicators of wine grapes. By the regression model between the aroma substances and the score of the wine, the key physical and chemical indicators of wine quality will be found. In the end, some shortcomings of current rating system of wine will be pointed out. Keywords Evaluation System of the Wine, Data Mining Technology, One-Way ANOVA, Cluster Analysis, Regression Analysis 基于数据挖掘技术的葡萄酒评价体系研究 王思哲1，王志刚2*，何勇2 1中南大学信息科学与工程学院自动化专业1301班，湖南长沙 2海南大学信息科学技术学院，海南海口 *通讯作者。
葡萄酒的评价 摘要 随着时代的进步，经济的发展，葡萄酒渐渐地走进百姓的生活。评判葡萄酒的方法则是通过聘请一批有资质的评酒员进行品评。评酒员品尝葡萄酒并对其打分，通过求和确定葡萄酒的质量。本文通过对所给数据的观察分析，先对数据预处理，再建立相对较好的模型评价葡萄酒的质量。 对于问题一，首先我们利用MATLAB软件制作Q-Q图，根据所得到的图观察得到，这些点可近似拟合成一条直线，从而证明该组数据满足正态分布。然后利用T-检验方法判断评酒员的评价有无显著差异，最终得出两组评酒员的评价结果存在显著性差异的结论。关于哪组评价结果更可信的问题，我们采用了方差分析法，根据所得到的红、白葡萄酒均值和方差表，经过计算比较，我们发现第二组的方差小于第一组的方差。由于方差越小则数据越稳定，于是我们得到第二组评酒员的评价结果更可信的结论。 对于问题二，我们选择利用灰色关联分析法。我们根据附件一中评分员的评分得出葡萄酒的得分，并对其标准化，将所得的数据作为葡萄酒质量的评分。对于酿酒葡萄的理化指标，首先我们通过参考文献确定对葡萄酒影响较大的酿酒葡萄的理化指标，再采用均值化无差异法对数据求标准化值，然后利用变异系数法求得筛选出来的葡萄的理化指标的权重，通过计算权重和标准化值最后求得酿酒葡萄的综合评分。再用均值化无差异法求葡萄和葡萄酒的标准化值。将所得到的两组数据做和并排序，从而将酿酒葡萄划分为优、良、中、差四个等级。 对于问题三， 对于问题四， 关键词：品评葡萄酒 T-检验方法正态分布 MATLAB Q-Q图方差分析法灰色关联分析法均值化无差异法变异系数法 一、问题的重述 葡萄酒是由新鲜的葡萄或者葡萄汁经过发酵而成的酒精饮料。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。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。尝试建立数学模型解决如下问题： 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？
数学建模A葡萄酒的评 价 HEN system office room 【HEN16H-HENS2AHENS8Q8-HENH1688】
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，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）： 参赛队员 (打印并签名) ：1. 2. 3. 指导教师或指导教师组负责人 (打印并签名)： 日期： 2012 年 9 月 7 日赛区评阅编号（由赛区组委会评阅前进行编号）：
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）： 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 摘要 目前，葡萄酒备受大家的青睐，其质量也日益受到人们的关注。葡萄酒的质量与 酿酒葡萄的好坏有直接关系，葡萄酒和酿酒葡萄的理化指标会在一定程度上反应葡萄 酒和酿酒葡萄的质量。 对于问题1，我们采用方差分析的方法建模解决。基本思路是：对两组评酒员的评 价结果进行单因素方差分析，然后再用F检验对得出的结果进行进一步验证，得出两 组评酒员的评价结果无显着性差异，通过比较两组评酒员评价结果的方差值，得出第 二组的结果更可信。 对于问题2，我们采用主成分分析方法，建立综合评价模型，对酿酒葡萄进行分 级。基本思路是运用因子分析的方法，以特征值大于1为标准，得出酿酒葡萄理化指 标的8种主成分，在此基础上把综合因子作为一项排名指标，结合问题1得出的葡萄 酒的质量，对酿酒葡萄进行排名，用两种排名的名次之和作为对酿酒葡萄分级的主要 依据。此方法消除了主观加权的盲目性，保证了分级的客观性；避免了两个指标中因 某一指标数值上远远大于另一指标而使另一指标对排名起不到作用的现象的发生。最 终将酿酒葡萄分为了Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ五个等级。 对于问题3，我们对酿酒葡萄和葡萄酒的理化指标中具有可比性的同类指标一一对 比，经相关性检验得到他们具有显着的线性相关性，进而用线性回归的方法得出回归 方程，找到酿酒葡萄和葡萄酒的理化指标之间的联系。 对于问题4，先将酿酒葡萄和葡萄酒的量化指标进行无量纲化处理，用F检验验证两组值的相似程度为1，得出酿酒葡萄和葡萄酒的理化指标会对葡萄酒质量产生影响，所以可以用葡萄和葡萄酒的理化指标来评判葡萄酒的质量。 文章最后对论文的优缺点做了评价，并给出了一些改进方向，以利于在实际中应 用和推广。 关键词：方差分析；因子分析；主成分分析法；线性回归分析；SPSS软件；F检验 1．问题的重述 确定葡萄酒质量时一般是通过聘请一批有资质的的评酒员进行品评。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给出了某一年分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。请尝试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又无明显差异，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关系。
葡萄酒的分析及等级划分 [摘要]由于经济全球化越来越广泛，西方文化的逐渐渗入中国的东方文化，葡萄酒越来越被大众接受，其营养价值和保健价值也逐渐受到人们重视，葡萄酒认证和质量评价逐渐得到关注，因此我们想要对其进行研究。我们寻找到两组各10个评酒员对红白葡萄酒的评分数据以及葡萄酒和酿酒葡萄的理化指标来对葡萄酒进行分析及等级划分。首先先验证各组评分数据是否满足正态分布，再对红白葡萄酒的两组数据分别采用配对T检验检验两组数据是否有显著性差异，再根据方差判断哪组数据较为可靠。由于同一等级物品，其特性相近，因此用可靠的那组评分数据综合酿酒葡萄的理化指标采用聚类分析，对酿酒葡萄进行等级划分，各分为四个等级，用每个等级的中所有葡萄酒平均得分作为该等级的酿酒葡萄分数。查阅资料，分析可知酿酒葡萄的理化指标影响了葡萄酒的理化指标，因此考虑建立模型，描述一个葡萄酒的理化指标与酿酒葡萄的多个指标之间的关系，通过这种联系分析酿酒葡萄指标对葡萄酒理化指标的影响。最后用葡萄酒的得分作为葡萄酒的质量标准，综合剔除指标后的酿酒葡萄和葡萄酒的理化指标进行回归分析，并观察回归性是否显著。以此判断葡萄酒质量是否可以运用这两种指标来评价。 【关键词】正态检验；配对T检验；聚类分析；逐步回归分析 1．引言 葡萄酒中含有丰富的营养物质,至今多达 600 种以上的物质被测定出来。葡萄具有的营养和医疗作用很早就被认识, 葡萄酒因其特殊的营养价值和较好的保健效果，越来越受到广大消费者的欢迎。在此形势下，葡萄酒认证和质量评价得到关注。葡萄酒的质量，即葡萄酒优秀的程度, 它是产品的一种特性,且决定购买者的可接受性。因此,葡萄酒能够满足人类需求的各种特性的总和即构成了它的质量。葡萄酒认证保证了市场中酒的质量，同时保护了消费者的利益。葡萄酒的认证包括理化性质分析、感官评价、物理化学指标、卫生指标等手段。质量评价是认证中的重要阶段，它有益于提高葡萄酒的酿造工艺，同时为市场定位提供决策信息。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的质量。葡萄酒的每一项理化指标是其质量的单一体现,而感官指标则是葡萄酒质量的综合概括,换句话说,一个理化指标、卫生指标都合格的葡萄酒未必是高质量的葡萄酒。在今后的一个时期，我们需要做的是从葡萄酒的特点出发，围绕葡萄和葡萄酒理化指标、感官指标等众多因素对葡萄酒质量的联系进行研究，尽可能确定较为合理的葡萄酒质量评价标准，既保证市场中酒的质量，保护消费者利益，又能为市场定位提供决策信息，达到经济效益的目的，从而实现双赢。 2．模型假设 2.1假设品酒员给出的评价能够真实客观地反应葡萄酒的情况 2.2葡萄酒的质量只与酿酒葡萄有关，忽略人为干扰、酿造过程中的环境差别,如温度、湿度等因素 2.3每个评酒员对不同葡萄酒样品的评分是不受主观因素影响的，即各评分结果相互独立 2.4假设数据来源真实有效，数据的误差皆在可接受范围之内
葡萄酒质量的综合评价分析模型 专家点评： 本文问题一方法合理，结论正确。问题二对葡萄理化指标进行聚类，然后根据葡萄酒质量进行分级，思路简明正确。问题三进行多元线性回归，尚可，但如果能进行相关性分析会更好。问题四用逐步回归的方法，适当，加入芳香类物质，使结论更加合理。如果问题二和问题三也能将附件三考虑入内会使结论更加有力。 【摘要】 近年来，我国掀起了一场葡萄酒热，对葡萄酒的需求与日俱增，特别是随着食品科学技术的发展，人们不再满足传统感官评价葡萄酒的水平，如何运用数据资料定量研究葡萄酒的品质，加快建立葡萄酒市场指标规则成为人们关注的焦点。本文主要研究了葡萄酒的品质与葡萄酒自身以及酿酒葡萄的理化指标的关系，给出了基于葡萄酒自身的理化指标以及酿酒葡萄的理化指标与芳香物质的定量综合评价模型。 首先基于两组评酒员对同一批葡萄酒的评价分数数据，采用假设检验中的t检验法建立评估两组数据差异的模型，得到了两组评酒员的评分存在显著差异的结论，并通过对两组数据进行方差分析，以判别结果具有的稳定性作为标准，得到第二组比较可靠。 接下来我们结合酿酒葡萄的理化指标和可信组评酒员的打分所刻画的葡萄酒的质量对酿酒葡萄进行分级，用聚类分析的方法将红，白葡萄酒和酿酒葡萄各分成了5类，然后对分好的葡萄类所酿造的葡萄酒进行统计，得到各类葡萄所对应的级别。 更进一步，我们分析了酿酒葡萄和葡萄酒的理化指标之间的联系，运用主成分分析的方法，从酿酒葡萄的30个指标中提取出了12个主要成分，进而通过逐步回归的方法建立起酿酒葡萄和葡萄酒的理化指标联系的模型。 最后我们将提取葡萄及葡萄酒的理化指标与芳香物质中的主成分，利用逐步回归的方法考察理化指标与芳香物质对葡萄酒质量的影响程度，通过对芳香物质对葡萄酒质量影响比重得到芳香物质对葡萄酒的质量有30%以上的影响比重（白葡萄的芳香物质对白葡萄酒的质量影响相对更大），故而不能完全用酿酒葡萄和葡萄酒的理化指标评价葡萄酒的质量。 关键词：假设检验聚类分析主成分分析逐步回归
浅谈葡萄酒的知识与制作工艺 成绩评定教师签名： 日期：年月日 小谈生活中该懂的葡萄酒知识 学生：韩跃 (理学院10级应用化学2班，学号：201040205231) 摘要：随着时代的迅猛发展，我们逐步走向小康，小资。人类更加注重生活的质量和品位。酒文化在中国源远流长，不少文人学士留下了斗酒、写诗、作画、养生、宴会、饯行等酒神佳话。酒作为一种特殊的文化载体，在人类交往中占有独特的地位。而今葡萄酒的发展前景越来越好，它不仅是餐桌上的浪漫点缀，也是生活中不可缺少的健康饮品。
关键词：葡萄酒、基础知识、发展史、 导入语：葡萄酒是国际上仅次于啤酒的第二大饮料酒，是发展潜力相当大的一个酒种, 仔细地了解葡萄酒及其发展历程会扩大我们的知识面，帮助我们提高鉴赏水平。 一、走进葡萄酒——葡萄酒小常识 现在葡萄酒在世界各地都十分畅销，人们慢慢的接受喜爱上了葡萄酒，便深入地了解葡萄酒，以下是葡萄酒的一些基础知识。 （一）、葡萄酒定义 按酿酒方法分类可将酒分为：1，酿造2，蒸馏3，配制 酿造酒：是原料经发酵酿制而成，但未经过深加工的酒，也称原汁酒，一般酒精含量不高。 葡萄酒：是以葡萄为原料，经榨汁发酵酿制而成的原汁酒，酒精含量大约在9.5°-13°之间。 葡萄酒是经过发酵的葡萄汁 （二）、葡萄酒的种类：（按照生产工艺） 1-无汽酒（餐酒）Still Wine 1〉红酒Red Wine 2〉白葡萄酒White Wine 3〉玫瑰红葡萄酒Rose Wine 1〉红葡萄酒：红葡萄酒是红皮或紫皮葡萄连皮带籽一块发酵并压榨成汁，使果实中的色素染入酒液中间再去皮渣酿造而得出的葡萄酒，酒液呈紫红色，鲜红色或宝石红〈含单宁酸较重，故保存期较长〉。 ——花都加本力苏维翁2006，张裕解百纳，华夏长城等均有生产此类葡萄酒 2〉白葡萄酒：白葡萄酒是用白皮或青皮葡萄，也有用的紫皮白肉葡萄，压榨成汁，先除 去皮种籽，再用葡萄汁发酵酿制而成的葡萄酒，酒液呈金黄色，淡黄色或 近似无色〈单宁酸含量较轻，故保存时间短。因而白葡萄酒需冷冻贮存〉。——阿尔萨斯之泪（法国），德古拉莎当妮（罗马尼亚），王朝半干白葡萄酒等均有生产此类葡萄酒 3〉玫瑰红葡萄酒：是用红、白葡萄酿制，磨碎连皮和种子一起发酵一两个月，使液汁中留下部分色素然后榨汁发酵。 ——梅洛玫瑰红酒（西班牙），贝灵哲加州白仙芬黛 2006（美国）等均有生产此类葡萄酒。
葡萄酒评语 篇一：葡萄酒评价 葡萄酒的评价 摘要 对于解决葡萄酒的评价问题及其之间的联系，需要运用到统计学中不同的分析方法，同时建立模型，再利用相应的软件进行求解。 针对问题一，通过分析十位评酒员对不同葡萄酒的打分进行统计整理，得到每位评酒员对所有酒样品的总得分，利用个spss软件，通过对总得分进行T检验分析得到均值，标准差，误差等相应的数据，可以得出两组评酒员的评价结果存在的差异性，根据数值比较可知，第二组评酒员评价结果之间的浮动较小，因此确定第二组的评价结果比较可信。 针对问题二，采用主成分分析和聚类分析对酿酒葡萄进行分级，首先通过spss软件对酿酒葡萄的理化指标进行主成分分析，对主成分累计贡献率进行归一化分析得出其权重和酿酒葡萄中的主要物质的相关系数矩阵。再通过相关数据利用maTLaB得出聚类图。因为酿酒葡萄的组数较多，可将其分为4类，以便聚类图能清晰表明酿酒葡萄的等级。 针对问题三，运用spss软件及问题二的模型对酿酒葡萄和葡萄酒理化指标分析，从红葡萄和红葡萄就中提取9中主要物质（见表三1），
白葡萄与白葡萄酒中提取8中主要物质（见表四1）。再对酿酒葡萄和葡萄酒理化指标进行通过典型相关分析。更加准确的反应出酿酒葡萄与葡萄酒理化指标之间联系。 针对问题四，建立多元线性回归模型分析葡萄和葡萄酒的理化指标及芳香物质对葡萄酒的影响，利用spss软件得出图四和图六，由图中数值分析得出拟合线性回归的残差浮动区间为[-1,1],因此葡萄酒的质量可以由酿酒葡萄和葡萄酒的理化指标以及芳香物质共同反应。 关键字：T检验、主成分分析、聚类分析、典型相关分析、多元线性回归分析 一问题重述 1.1问题背景与条件 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。 1.2预解决的问题 1、问题一分析附件1中两组评酒员的评价结果有无显著性差异，哪一组结信？ 2、问题二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、问题三分析酿酒葡萄与葡萄酒的理化指标