葡萄酒评价问题
摘要
葡萄酒评价问题属于数理统计分析问题，需要对大量数据进行处理分析建立模型，从而对酿酒葡萄进行分级，并确定酿酒葡萄与葡萄酒的理化指标之间的联系，从而给出葡萄酒的综合评价模型，并用MATLAB进行求解。
问题一，我们对两组评酒员的评价结果进行了显著性差异分析。根据已给的数据特点，两组数据的均值差服从同一分布，于是我们选用了基于数据的t 假设检验法，求解可知两组评酒员的评价结果基本上不存在显著性差异。在对于评酒师的评价结果的可信度分析中，采用方差比的基于数据的F假设检验法，求解可知第二组的可信度更高。
问题二，我们以累计贡献率0.85作为限值，用主成分分析法对酿酒葡萄的理化指标进行了分析，再根据主成分的值对理化指标进行聚类分析，红葡萄酒和白葡萄各得到6类。最后对葡萄的理化指标和葡萄酒的评价得分赋予0.5:0.5的权重进行相加计算总得分Q。由修正后的总得分Q得到葡萄聚类后的分级。
问题三，通过相关性分析得到每个葡萄酒样品和葡萄理化指标之间的相关系数，找到线性关系较强的理化指标，然后对这些指标建立多元线性回归方程，并利用残差分析拟合方程效果，拟合效果良好。
问题四，我们用二级模糊综合评判评价葡萄酒的质量，以各项评分所占的比例为A，由相关性分析得到权重
A。分析葡萄酒和葡萄的理化指标，得到模
i
糊评价的结果。并与第二组评酒员的评价结果进行比较，发现可以用葡萄和葡萄酒的理化指标来评价葡萄酒的质量。
关键词：t假设检验；F假设检验；主成分分析；聚类分析；回归分析；模糊分析
一、问题重述
葡萄酒质量的确定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。根据所给出的某一年份一些葡萄酒的评价结果，以及所给出的该年份这些葡萄酒的和酿酒葡萄的成分数据。需要讨论解决下列问题：
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？
二、问题分析
该问题属于数理统计分析问题，需要对大量数据进行处理分析建立模型，从而对酿酒葡萄进行分级，并确定酿酒葡萄与葡萄酒的理化指标之间的联系，从而给出葡萄酒的综合评价模型。
针对问题一，判断两组评酒员的评价结果有无显著性差异，需要对两组评价结果的差异进行显著性评价。根据数据特点，我们选用关于均值差12-μμ的基于数据的t 假设检验法，因为每个酒样品的分数是有两组评价分数的，由于每种酒之间的差异性，同一评酒员所评分数并不能满足同一分布，而两组评分的差值，服从同一分布，因此该检验方法可行。在评酒师的评价结果的可信度
分析中，采用方差比2
122
σσ的基于数据的F 假设检验法。
针对问题二，根据第一问评酒员所给的葡萄酒评价分数，可以得到一个直观的葡萄酒质量排名。酿酒葡萄的好坏与葡萄酒的质量有直接关系，所以葡萄酒的质量很大程度上就能够反映酿酒葡萄的好坏。我们选用主成分分析法对酿酒葡萄的理化指标进行了分析，再根据新指标数据进行聚类分析。对葡萄的理
化指标和葡萄酒的评价得分赋予0.5:0.5的权重进行相加计算总得分。
针对问题三，通过相关性分析得到每个葡萄酒样品和葡萄理化指标之间的相关系数，然后建立多元线性回归方程对多个指标间联系进行分析。并利用残差分析拟合方程效果。
针对问题四，在分析理化指标对葡萄酒质量的影响时，由于理化指标较多，先通过相关性分析得到葡萄酒各方面质量与理化指标的相关系数。再把相关系数作为理化指标对于葡萄酒各方面质量的决定权值，使用二级模糊综合评判评价葡萄酒的质量，并与第二组评酒员的评价结果进行比较，从而判断能否用理化指标评价葡萄酒的质量。
三、问题假设
1.假设每个评酒员的评价结果相互独立。
2.假设题目中所给的数据准确可信。
3.假设评酒员有一定的资质，而且评价结果客观，准确度高。
4.假设数据中的理化指标的二级指标影响较小可以忽略。
5.假设数据中同一化学种类的芳香类物质的影响相同。
四、符号说明
符号
符号解释
,ji ji X Y
第j 组葡萄酒样品的第i 号评酒员的评价总分
(1)
j X (2)
j X 第一组、第二组红葡萄酒样品质量的评价结果的平均值127j ≤≤ (1)j
Y (2)
j
Y
第一组、第二组白葡萄酒样品质量的评价结果的平均值128j ≤≤
i Z
两组葡萄酒样品质量评价结果均值的差值 ij γ
是i p 指标因子与j p 指标因子之间的相关系数
j Y j Y 为第j 主成分(j=1,2,
,M)
j e
主成分j Y 的信息贡献率 r α 主成分12,,
,r Y Y Y 的累积贡献率
ij d 样本间的距离（这里采用欧式距离公式计算距离）
KL D 类与类之间的距离 i Q 每个葡萄样品的综合得分
i h
第i 种葡萄酒的平均评价分即为相应的酿酒葡萄的评价分
ij p 、ij q
ij p 表示第i 中葡萄样品的第j 个理化指标，ij q 表示第i 中葡萄酒样
品的第j 个理化指标
i j p q r
红葡萄酒9个理化指标和葡萄的30个理化指标之间的相关系数
1,2,
,30;1,2,
9i j ==
i β、ε 12,,,(i=1,2,,m)m βββ为回归系数，ε为随机误差
其他符号在局部出现处给予说明
五、模型的建立与求解
5.1问题一的模型建立与求解
首先对于十位评酒员的评价结果的评价结果进行显著差异性评价，采用t 分布的假设检验法判断两组的葡萄酒评价结果有无差异性，再采用F 分布的假设检验判断两组葡萄酒评价结果的可信度。 5.1.1模型建立
（1）两组数据的平均值
令红葡萄酒的评价结果的平均值为X 、白葡萄酒的评价结果的平均值为
Y 。评酒员编号为1-10，记为i ，110i ≤≤。酒样品的编号记为j ，其中红葡萄
酒有27组样品，白葡萄酒有28组样品。故第j 组葡萄酒样品的第i 号评酒员的评价总分记为,ji ji X Y 。
对于第一组数据：
各组红葡萄酒样品的评价结果的平均值：(1)
j
X =10
1
110ji i X =∑，127j ≤≤
各组白葡萄酒样品的评价结果的平均值：(1)
j Y =10
1
110ji i Y =∑，128j ≤≤ 对于第二组数据：
各组红葡萄酒样品的评价结果的平均值：(2)
j
X =10
1
110ji i X =∑，127j ≤≤ 各组白葡萄酒样品的评价结果的平均值：(2)
j
Y =10
1
110ji i Y =∑，128j ≤≤ （2）基于t 分布的显著差异性假设检验
由于22
12σσ、未知，且也不知两者是否相等，但已知两个样本容量相同，
这时可作变换
i =-i i Z X Y ，
则22
1212~(-,+),1i i Z N n μμσσ≤≤。
于是检验假设0H ：12-=0μμ相应地看作是单个正态总体在方差未知时检验均值是否为0δ=的假设，故水平为=0.01α的拒绝域
02
(n -1)n t χ≥， 其中=-Z X Y , 2
2
=11=--(X-Y)-1n
Z
i i i S X Y n ???
?∑。 若统计量的值落在拒绝域内，则拒绝0H ，否则接受0H 。 （3）基于F 分布的可信度假设检验
在判断两组数据的显著差异性后，需要考察两组葡萄酒评价分数的方差是否相等的问题，即检验假设：
2222
012112
:,:H H σσσσ=≠ 由于两组第j 份红葡萄酒样本方差
10102(1)
22(2)211
11(),()271271j
ji j ji i i S
X X S X X ===-=---∑∑， 两组第j 份白葡萄酒样本方差
10102(1)22(2)211
11(),()281281j
ji j ji i i S
Y Y S Y Y ===-=---∑∑。 分别是2(1)j σ和2(2)j σ的无偏估计，当0H 为真时，2(1)2(2)/j j S S 应在1附近摆动，当此比值很大或很小时，0H 都不大可能成立。因此，取检验统计量 2(1)
2(1)2(2)2(2)
//j
j j j
S F S
σσ=
在0H 为真时，对于红葡萄酒，2(1)2(2)~(271,271)j j
S F F S
=
--， 由此可得水平为=0.01α的拒绝域：2(1)02(2)2
:(271,271)j j
S F F S
αχ=≥--。
在0H 为真时，对于白葡萄酒，2(1)2(2)~(281,281)j j
S F F S
=
--， 由此可得水平为=0.01α的拒绝域：2(1)02(2)2
:(281,281)j j
S F F S αχ=≥--。
若统计量的值落在拒绝域内，则拒绝0H ，否则接受0H 。 5.1.2模型求解
（1）两组葡萄酒得分均值
首先我们利用均值计算公式求得两组葡萄酒的评分均值，如表1所示。
表5.1 （1） 两组葡萄酒评分均值
（2）基于t 分布的显著差异性假设检验结果 令检验统计量为T 其中两组葡萄酒数据n=m=10，由=0.01α查t 分布
表得0.0052
(10-1)=(9)=3.2496t t α，计算得到两组葡萄酒样品的t 检验统计量值。如
表2所示。
表5.1（2） t 分布检验值
图5.1（1） 图5.1（2）
若t 落在拒绝域内，则说明评价结果存在显著性差异。
对于红葡萄酒，红葡萄酒样品10、11、12的t 检验值落在拒绝域内，故拒绝0H ，接受1H 。评价结果存在显著性差异。
对于白葡萄酒，全部白葡萄酒样品的t 检验值落在拒绝域外，故接受0H ，白葡萄酒样品的的评价结果不存在显著性差异。 （3）基于F 分布的可信度假设检验结果
令检验统计量为2(1)2(2)j j
S F S
=
，其中两组葡萄酒数据n=m=10，由=0.01α查F
分布表得0.0052
(10-1)=F (9)=6.54F α，计算得到两组葡萄酒样品的F 检验统计量值。
如表3所示。
表5.1(3) F分布检验值
图5.1（3） 图5.2（4）
若F 落在拒绝域内，则说明评价结果可信度不高。
对于红葡萄酒，红葡萄酒样品17、24的F 检验值落在拒绝域内，故拒绝0H ，接受1H 。这两份样品评价结果可信度不高。
对于红葡萄酒，红葡萄酒样品6、14的F 检验值落在拒绝域内，故拒绝0H ，接受1H 。这两份样品评价结果可信度不高。
根据图5.1（3）的F 分布的散点图可知，红葡萄酒第一组数据的方差基本上大于第二组数据的方差。根据图5.1（4）的F 分布的散点图可知，白葡萄酒第一组数据的方差基本上大于第二组数据的方差。故两组数据相比较而言，第二组数据的红葡萄酒和白葡萄酒的评价结果方差较小，故第二组数据的可信度更高。
5.2问题二的模型建立与求解
本题需要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。首先根据葡萄的理化指标，通过主成分分析法和聚类分析法对葡萄进行分类评价。然后再根据附件一中的葡萄酒评价分数进行综合评价。 5.2.1模型建立
（1）主成分分析法和聚类分析法对葡萄进行分类评价
因为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，因此首先根据酿酒葡萄的理化性质，通过主成分分析法和聚类分析法对每组葡萄样品进行分类评价。具体步骤为： 步骤一：计算主成分：
① 对原始数据标准化处理
设有N 份葡萄样品样本，每一个样本有M 个理化指标(1,2,,)j p j M =，
所观测值为(1,2,
,;1,2,
,)ij p i N j M ==，构成原始数据矩阵ij N M =(p )P ?。
首先为了排除数量级和量纲化不同带来的影响，需要对数据进行标准化处理：
*=
,1,2,,;1,2,,ij j
ij j
p p p i N j M s -==
其中j p 和2j s 分别是第j 个指标的样本均值和样本方差。
2
211
11,(),1,2,,1N N ij j ij j j i i p p s p p j M N N ====-=-∑∑
② 计算相关关系矩阵
在标准化数据矩阵**
()ij P p =的基础上，计算原始指标的相关关系矩阵：
()ij MM R γ=。其中ij γ是i p 指标因子与j p 指标因子之间的相关系数，且
**
1
()()
1,1,2,
,1N
ki
ki i j N ij ki kj k p
p p p p p i j M N γ=--==
=-∑∑
③ 求解相关矩阵的特征根和特征向量
计算特征方程0R I λ-=，求出所有特征根12M λλλ≥≥≥及相应的正则
化单位特征向量12(,,
,)j j j mj t t t t =。其中j λ为主成分j Y 的方差，方差越大，则
对总体的贡献越大；特征向量j t 则是主成分j Y 的线性表达式中原始指标（已标准化）的组合系数。即由特征向量组成的M 个新主表变量为：
*
1,1,2,
,M
j kj k k Y t p j M ==?=∑
1Y 为第一主成分，2Y 为第二主成分，……，M Y 为第M 主成分。 步骤二：确定主成分的个数()r r M <：
在已确定的全部M 个主成分中合理选择前r 个来实现最终的评价分析。主成分j Y 的信息贡献率为：
1
,1,2,
,j
j M
k
k e j M λλ
==
=∑
主成分12,,,r Y Y Y 的累积贡献率为：
11r
k
k r M
k
k λαλ
===
∑∑
当r α接近于1（一般取r α=0.85,0.90,0.95）时，则选择前r 个指标量
12,,,r Y Y Y 作为r 个主成分，
代替原来m 个指标变量，从而可对r 个主成分进行综合分析。
步骤三：根据新指标数据12(,,
,)r Y Y Y 对N 种葡萄样品进行聚类分析：
① 规定样本间的距离ij d 和类与类之间的距离KL D : 这里采用欧式距离公式计算距离ij d 为：
1
2
21r
i j i k j k k d Y Y =?
?=-????
∑ （5.1）
其中，,i j 为葡萄样品序号，k 是主成分序号。该公式是在直角坐标系中得到的，它要求式中各个成分之间是相互独立的。但在大多数情况下，各原始因子之间总存在一定程度的相关性，使得计算结果可能会歪曲真相，下面通过对原始数据进行主成分变换后，可克服这一弊端。
利用类平均法得到类与类间距离为： 11
1K L
n n KL
ij
i j K L
D d
n n ===
∑∑ （5.2）
其中，,K L n n 分别为类,K L G G 的样本个数，类平均法较好地利用了所有样本间的信息，在很多情况下被认为是一种比较好的系数聚类方法。
② 计算类与类间距离矩阵D
开始时，N 个葡萄样品的样品各成一类，组成n 类：12,,,n G G G 。故开
始时，类与类间的距离与样本之间的距离相同，即()ij n n D d ?=。
③ 进行系统聚类
将D 中最小元素对应的类合并，然后按照公式（5.2）重新计算类与相邻类的距离。若全部的类都已成一类，则过程终止，否则回到③
④ 确定阈值，将N 个葡萄酒样品划分为s 个类。 步骤四：计算各类别的综合得分Q ： ① 计算每个葡萄样品的综合得分i Q 为：
1
r
i j j j Q e Y ==∑
其中，j e 为第j 个主成分信息的贡献率。 ② 计算各个类别的综合得分为：
(1)(2)()(,,,)s Q Q Q Q =
其中，()(1,2,
,)j Q i s =是第i 类葡萄样品综合得分的平均值。
（2）综合分析所酿葡萄酒质量修订每类葡萄综合得分
由于酿酒葡萄的好坏与所酿葡萄酒的质量有直接的关系，因此所酿葡萄酒的质量在一定程度上也可以反映酿酒葡萄的质量，我们以10位评酒员评分的平均值表示葡萄酒的质量，我们令第i 种葡萄酒的平均评价分即为相应的酿酒葡萄的评价分i h 。
对评分标准化处理后得到：
*,1,2,,i i h h
h i n s
-=
=
其中，h 和2s 分别是样本均值和样本方差。且
2
211
11,(),1,2,,1n n i i i i h h s h h i n n n ====-=-∑∑
由于，酿酒葡萄的好坏与所酿葡萄酒的质量有直接的关系，同时酿酒葡萄检测的理化指标会在一定程度上反映葡萄的质量。葡萄的理化指标属于葡萄的内在性质，对葡萄的质量具有决定性，而葡萄酒的质量并不能完全体现葡萄的质量，因此我们队主成分分析得到的每个葡萄样品的综合得分i Q ，1r
i j j j Q e Y ==∑，
赋予权值0.5，对*i h ，*i i h h
h s
-=
赋予权值为0.5，将两项分数加权相加，将每
种葡萄的评价分数调整为：
**0.50.5i i i Q Q h =+ 从而，各个类别的综合得分调整为：
''''
(1)(2)()
(,,,)s Q Q Q Q = 其中，'()(1,2,
,)i Q i s =是调整后的第i 类葡萄样品综合得分的平均值。
通过上述方法我们即可实现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评价。 5.2.2模型求解与结果分析
5.2.2.1首先对红葡萄酒进行分类评价。
（1）将红葡萄酒30个一级理化指标作为红葡萄质量的评价指标。利用MATLAB 进行主成分分析和聚类分析。
①对原始数据矩阵进行标准化处理，标准化矩阵为
表5.2.1（1）红葡萄原始数据标准化矩阵
1
-0.2282 -0.053 -0.125 3.3772
-1.450 -1.879 -0.502 0.6157
2 -0.1638 1.5625 -0.221 1.3277 -0.509 -0.147 -0.565 -0.932
3 3.84015 0.6498 -0.092 0.5865 -0.391 -0.640 -0.358 -0.283
4 -0.153 -0.566 -0.204 -0.286 -0.321 -0.222 -0.00
5 -0.026
24 -0.4768 -0.654 -0.236 0.4408 0.9609 -0.236 -0.448 0.0551 25 -0.6231 -0.406 -0.220 -0.621 0.4962 0.7408 -0.155 -0.594 26 -0.9799 0.6993 -0.040 -0.523 0.6668 1.5193 -0.355 -0.498 27 -0.8103
-0.599
-0.207
-0.794
0.1315
2.2055
0.2257
-0.908
②计算相关关系矩阵R
表5.2.1（2）不同指标的相关关系矩阵
氨基酸总量 1
0.023 -0.120 0.0806 -0.314 -0.338 -0.025 0.1104 蛋白质 0.0235 1 -0.014 0.4255 -0.099 -0.218 -0.179 -0.206 VC 含量 -0.120 -0.014 1 -0.109 0.0143 0.1312 0.0231 -0.161 花色苷
0.0806 0.425 -0.109 1
-0.145 -0.517 -0.366 -0.125
果皮质量
-0.314 -0.099 0.0143 -0.145
1
0.1897 -0.323 -0.288
果皮颜色l-0.338-0.2180.1312-0.5170.189710.3258-0.052果皮颜色a-0.025-0.1790.0231-0.366-0.3230.325810.8652果皮颜色b0.1104-0.206-0.161-0.125-0.288-0.0520.86521根据表格可以得到，原始数据之间有些数据之间有较强的相关性，比如：蛋白
质和花色苷的相关系数为0.4255，相关系数较高。
③求解相关矩阵的特征根
表5.2.1（3）相关矩阵的特征根
（2）然后对相关关系矩阵R进行进一步的主成分分析。
表5.2.1（4）主成分分析贡献率、累计贡献率
从表中可以得到前9个数据的累计贡献率已经达到了86.427%。这样只考
虑前9个主成分。这样减少了数据集的维数，同时保持了数据集中的对方差贡
献最大的特征。
表5.2.1（5）前9个主成分得分情况
0.5040.613-0.0070.3030.0300.143-0.1020.0260.020
2 -1.0180.526-0.032-0.1010.0580.001-0.0900.0180.000
3 0.3450.4650.058-0.287-0.090-0.1460.0450.0580.034
4 0.5750.449-0.0090.034-0.067-0.010-0.020-0.027-0.035
5 0.2470.4480.159-0.0650.1580.0140.042-0.0130.001
6 0.5630.4160.318-0.052-0.0510.038-0.0080.026-0.005
7 -0.4010.3510.0920.114-0.096-0.002-0.060-0.0320.005
8 0.0100.3060.0230.5050.020-0.0920.1040.032-0.010
9 0.2270.147-0.074-0.212-0.0110.0820.022-0.072-0.022
10 -1.0990.143-0.1090.011-0.2600.051-0.0060.0380.095
11 0.2900.132-0.945-0.0340.0340.1030.0830.058-0.012
12 0.5440.0890.187-0.0500.0500.004-0.0120.0270.009
13 -0.698-0.009-0.126-0.098-0.054-0.092-0.0310.014-0.024
14 0.260-0.030-0.0430.2120.036-0.1140.0440.0110.016
15 -0.067-0.0740.1470.097-0.0350.0590.052-0.0970.006
16 0.565-0.104-0.2780.0750.0510.011-0.070-0.0810.010
17 -0.120-0.1420.383-0.0780.0830.0600.0820.0190.023
18 -0.421-0.1470.1180.020-0.0070.029-0.0340.004-0.010
19 -1.032-0.1550.071-0.016-0.091-0.075-0.0420.027-0.037
20 0.067-0.2290.026-0.1600.099-0.026-0.0370.052-0.013
21 0.591-0.252-0.233-0.170-0.027-0.0850.040-0.1130.012
22 -0.569-0.326-0.097-0.0060.006-0.005-0.0850.023-0.020
23 0.007-0.3430.179-0.095-0.0420.1440.0640.063-0.051
24 -1.318-0.4490.154-0.0520.1020.0660.031-0.0400.051
25 0.791-0.5050.1240.040-0.1120.0020.034-0.028-0.054
26 0.637-0.611-0.062-0.0240.217-0.081-0.0340.0210.027
27 0.519-0.708-0.0250.086-0.002-0.079-0.011-0.016-0.018（3）对结果进行聚类分析。
26
27251621 1 3 5 9 4 612 814
71318221517202311 21019240.51.5
图5.2.1红葡萄酒聚类结果
采用聚类分析之后可以明确的将结果分为6类。 分类结果如下：
表5.2.1（6）红葡萄酒分类结果
1类2类 2 10 19
3 3类 7 13 15 17 18 20 22 23 8 4类 1 3
4
5
6 8 9 12 14 9 5类 16 21 25 26 27
5 6类
11
1
（4）计算各类别的综合得分Q 。
根据聚类分析得到的分类结果计算得到各类别的综合得分，并得到排名如下：
表5.2.1（7）红葡萄酒各类别综合得分
1类2类 2 10 19 3 -0.687 6 3类 7 13 15 17 18 20
22 23 8 -0.588 5 4类 1 3 4 5 6 8 9 12
14
9 1.360 1 5类 16 21 25 26 27
5 0.28
6 2 6类
11
1
-0.018
3
（5）综合分析所酿葡萄酒质量修订每类葡萄综合得分。
由于，酿酒葡萄的好坏与所酿葡萄酒的质量有直接的关系，同时酿酒葡萄检测的理化指标会在一定程度上反映葡萄的质量。葡萄的理化指标属于葡萄的内在性质，对葡萄的质量具有决定性，而葡萄酒的质量并不能完全体现葡萄的质量，因此我们将每种葡萄的评价分数调整结果为：
表5.2.1（8）红葡萄酒各类别最终综合得分
1类241-0.0533
2类 2 10 1930.1414
3类7 13 15 17 18 20
22 23
8-0.2845
4类1 3 4 5 6 8 9 12
14
9 1.0281
5类16 21 25 26 2750.2972
6类111-1.1296
由红葡萄酒各类别最终综合得分可知属于第4 类和第3类的葡萄酒个数最多，他们在理化性质表上有较大的相似性。根据各类别分数排序后，第4类红葡萄酒排在第二位，表明这组红葡萄整体质量较好；第3类红葡萄酒排在第五位，表明这组红葡萄酒整体质量较差。
5.2.2.2对白葡萄酒进行分类评价。
同理对白葡萄酒进行主成分分析，得到前11个数据的累计贡献率已经达到了86.737%。这样只考虑前11个主成分。同理可以得到前11个主成分得分情况。再对结果进行聚类分析，得到聚类结果如下所示：
图5.2.2白葡萄酒聚类结果
根据聚类结果可以得到白葡萄酒的各类别综合得分，最后综合分析所酿葡萄酒质量修订每类葡萄综合得分如下：
表5.2.2白葡萄酒各类别最终综合得分
1类2类 9 10 11 12 13 14 16 17 18 19 20 21 22 25 14 -0.700 6 3类 1 2 4 7 4 0.091 3 4类 6 8 23 3 -0.411 5 5类 3 5 2 0.631 1 6类
27
1
0.090
4
由白葡萄酒各类别最终综合得分可知属于第2类的葡萄酒个数最多，他们在理化性质表上有较大的相似性。根据各类别分数排序后，第2类红葡萄酒排在第六位，表明这组白葡萄整体质量较差。相较而言，属于第1类和第3类的葡萄酒个数虽然少于第2类，但是最终得分分别排在第二位和第三位，表明这两组白葡萄整体质量较好。 5.3问题三的模型建立与求解
问题三需要分析酿酒葡萄与葡萄酒的理化指标之间的联系，通过相关性分析和线性回归分析对多个指标之间的联系进行分析。下面以红葡萄酒为例进行分析。 5.3.1模型建立
首先为了排除数量级和量纲化不同带来的影响，需要对数据进行标准化处理： *
*
1
2
=
,ij j
ij j ij ij
j j p p q q p q s s --=
其中，ij p 表示第i 中葡萄样品的第j 个理化指标，ij q 表示第i 中葡萄酒样品的第j 个理化指标；j p 和21j s 分别是葡萄的第j 个指标的样本均值和样本方差，j q 和22j s 分别是葡萄酒的第j 个指标的样本均值和样本方差。 5.3.1.1相关性分析
红葡萄酒9个理化指标和葡萄的30个理化指标之间的相关系数为：
**1()()11,2,,30;1,2,91i
i i j
i j
n
k i k j n p q k k k p
p p p r p q i j n =--====-∑∑
相关性系数越大则指标关系越密切，根据相关系数公式可以得到红葡萄酒9个理化指标和葡萄的30个理化指标之间的相关系数矩阵，并对任意两指标间相关系数进行分析。 5.3.1.2多元线性回归分析
我们将9个红葡萄酒理化指标作为因变量y ，将30个红葡萄理化指标作为自变量x ，由此我们可以建立9个多元线性回归方程。
选择红葡萄酒理化指标中的一项作为因变量，30个红葡萄的理化指标作为自变量，由此来建立两者之间的多元线性回归方程
1122()()()m m y x u x u x u βββε=++
++
（5.3） 其中，12,,
,m βββ为回归系数，ε为随机误差，且服从2(0,)N σ，
()(1,2,
,)i x u i m =为已知函数。
n 个红葡萄酒理化指标评价值对应n 组观测值为：
1
1n
n u y u u ?? ? ? ???
代入（5.3）式中可得：
1122()()(),1,2,
,i i i m m i i y x u x u x u i m βββε=++++=
其中i ε为第i 个评价时的随机误差，且相互独立同分布服从2(0,)N σ。 下面引入矩阵：
11121111212121222111()()
()()()(),,,()()
()m n m m m m m y x u x u x u y x u x u x u Y X y x u x u x u βεβεβεβε????????
? ? ? ? ? ? ? ?==== ? ? ? ? ? ? ? ?????????
通过最小二乘法对回归系数做出估计得：
1()T T X X X Y β∧
-=
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
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。
要回答这个问题是很复杂的，一般要长篇大论一番才可能说清楚。简单点说是没有正规的分级制度。但有质量保证体系。 讨论稿中等级制的标准大致参照法国的分级标准（AOC、VDP、VDT），即特优级、优质级、佐餐级三大等级。通过酿酒葡萄品种、酿酒葡萄产量、葡萄含糖量、葡萄酒陈酿期、理化指标、感官鉴定6项指标，对葡萄酒质量进行综合评价并分级。 近年来，我国葡萄酒业有了长足的进步，葡萄酒的产量在2008年已达到69.83万千升，工业总产值达191.68亿元。葡萄酒产品的种类日益丰富，产品质量也有了很大的提升。在东部地区和中西部的大中型城市，饮用葡萄酒已经成为一种时尚。葡萄酒等级制 对于葡萄酒产品的质量管理，许多从事葡萄栽培和葡萄酿酒工作的专家学者，都提出要求制定《中国葡萄酒质量等级管理办法》，推行产品分级管理制。 中国葡萄酒质量等级制度多年前就已经提上日程。1999年，郭其昌和郭松泉在中国酿酒工业协会主办的北戴河年会上提出了要建立中国的葡萄酒质量等级制度，并草拟了《中国葡萄酒质量分级管理（讨论稿）》。 其后，在2000年的烟台年会、2001年的合肥年会以及2004年的蓬莱年会，中国酿酒工业协会前后三次组织了会议对该《草案》进行讨论修改。 此讨论稿包括以往讨论过的质量分级内容、分级认定原则、认定顺序、监督管理等。 讨论稿中等级制的标准大致参照法国的分级标准（AOC、VDP、VDT），即特优级、优质级、佐餐级三大等级。通过酿酒葡萄品种、酿酒葡萄产量、葡萄含糖量、葡萄酒陈酿期、理化指标、感官鉴定6项指标，对葡萄酒质量进行综合评价并分级。 2005年，时任中国酿酒工业协会葡萄酒分会主任的高美书表示，在中国酿酒工业协会2004年8月的蓬莱会议上，已经完成了《葡萄酒等级制》的最后修订。并于当年10月，将《葡萄酒等级制》（送审稿）上报国家质检总局。
(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）： 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）：
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著性差异，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著的线性相关性，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
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
葡萄酒评分详解 什么是葡萄酒评分？关于葡萄酒评分网不多，乐美尚品特撰写此篇文章，供大家分享。 有些人热衷于葡萄酒投资，所以进行葡萄酒评分： 因为新酒刚上市时的价格比完全熟化低很多，作投资为日后饮用。 完全是为了投资，现在买进葡萄酒是为了以后在卖出赚取利润。正国外拥有私人酒窖的人居多。以上两种因素都会影响葡萄酒的投资。全世界对于产量有限的优质葡萄酒的需求，在过去20年间有了巨大的增长。投资葡萄酒的收益可以并且经常超过美国道琼斯和英国金融时报100指数，葡萄酒的回报巨大但又不像股市那样波动剧烈。 给葡萄酒评分对于葡萄酒市场的影响很大。葡萄酒的分数让葡萄酒的知识不多的潜在投资者进入葡萄酒市场，同时也增强了购买者的决策信心。 学习相关葡萄酒评分系统，对葡萄酒鉴别有益无害。谁来为葡萄酒评分?知名的葡萄酒作家和葡萄酒专家为葡萄酒打分。最开始为葡萄酒打分的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。 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。每瓶葡萄酒最低都能得到50分。 5 points Colour and appearance颜色和外观 15 points Aroma and bouquet香气 20 points Flavour and finish风味和回味 10 points Overall quality level orpotential总体品质或潜力 美国的葡萄酒商展示葡萄酒时会配上带有帕克评分的卡片，从这点可以看出他对葡萄酒消费者、收藏者和投资者的影响程度。当然，他意识到评分系统的局限性，因此坚持认为品尝纪录和评分一起才能对葡萄酒有更精淮的评价。帕克说：“品尝葡萄酒最重要的是自己的味蕾，没有什么比自己品尝更好的培训。”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： 分数解释 96-100 Extraordinary极佳 90-95 Outstanding优秀 80-89 Above average优良 70-79 Average一般 60-69 Below average低于一般 50-59 Unacceptable次品 帕克对葡萄酒的影响是不容忽视的，如果帕克给出超过90的分数，那么葡萄酒的价格会急剧上涨。毫不夸张的讲，很多波尔多酒商在帕没有打分之前不知道怎么给自己经销的酒定价。 此外，还有《葡萄酒观察家》杂志的评分体系(100分制)。《葡萄酒观察家》杂志一直是100分制葡萄酒评分标准的提倡者。该杂志是这样解释它的评分体系的：“葡萄酒通常是盲品，酒瓶被包起来并编号，品尝人员只知道葡萄酒的大致风格和年份。价格对评分不产生影响” 分数解释 90-95 优秀的，有个性，有风格 80-89 品质优，有特点
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/584010183.html,/journal/aam https://www.doczj.com/doc/584010183.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/584010183.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
葡萄酒品质分析方法 摘要：实验建立了以多壁碳纳米管为填料，基于核熔融技术的在线固相萃取-高效液相色谱-串联质谱联用系统来测定葡萄酒中白藜芦醇的含量。实验中，葡萄酒样品经稀释、过膜后直接进样，经在线固相萃取净化后经熔融核色谱柱分离，串联质谱多反应监测模式下定性与定量分析。实验测定了来自中国七个地区八个品种的葡萄酒，通过实验，测得顺式白藜芦醇与反式白藜芦醇的定量限分别为0.06和0.05 ng/mL；低、中、高3个添加水平的平均回收率为76.9% ~108.3%；日内精密度均小于6.81%，日间精密度均小于7.69%。。结果表明，本方法快速，准确，灵敏度高，可用于实际检测工作。 关键词：葡萄酒；白藜芦醇；在线固相萃取；高效液相色谱-串联质谱 A method of wine quality analyzes Abstract: The experiment was established with multi walled carbon nanotubes as filler, the content of online SPE, fused-core technology and HPLC-MS/MS based on the coupled system to the determination of resveratrol in Wine. In the experiment, Wine samples diluted, after filtration, direct injection, by on-line solid phase extraction purification by column chromatography and nuclear fusion, a series of qualitative and quantitative analysis of mass spectrometry under multiple reaction monitoring mode. The experiment of eight varieties from seven areas of Chinese wine, through the experiment, the measured CIS resveratrol and trans resveratrol detection limit were 0.06 and 0.05 ng/mL; low, medium and high average recovery of the 3 level of adding rate of ~108.3% was 76.9%. Intra-day and Inter-day precision were less than 6.81% and 7.69% respectively. The results show that this method is rapid, accurate and high sensitivity, which can be used in practical detection work. Keywords: Wine; Resveratrol; Online SPE; HPLC-MS/MS 1. 引言 1.1. 葡萄酒概况 1.1.1. 葡萄酒的定义与分类 葡萄酒，是以新鲜葡萄或葡萄汁为原料，经全部或部分发酵酿制而成的，酒精度等于或大于7.0％（V ol）的发酵酒[1]。按色泽分，葡萄酒可分为白葡萄酒、