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）：装甲兵工程学院
参赛队员(打印并签名) ：1. 刘戎翔
2. 罗辉
3. 谭立冬
指导教师或指导教师组负责人(打印并签名)：陈建华
日期： 2012 年 9 月 9 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）：
基于数据挖掘的葡萄酒质量识别
摘要
随着我国葡萄酒业的逐步发展，葡萄酒生产企业的规模和数量不断扩大。但中国的葡萄酒业仍面临着进口酒的激烈竞争以及质量检测体系不明确带来的市场紊乱。针对这些问题，本文分析了葡萄酒质量人工品尝存在的不足，并提出了如何提高基于数据挖掘技术的葡萄酒质量等级的识别率，对中国葡萄酒市场的稳定发展以及更好地酿造出高质量的葡萄酒有着实际的应用价值。在数据挖掘中，经常会遇到不平衡数据的分析。相对于多数类来说，少数类样本对准确率的影响力小，这意味着对所有样本进行分类，可以在不识别出任何少数类样本的情况下得到很高的正确率，识别少数类的分类规则也就被忽略了。本文的创新点在于从不平衡样本中提取平衡样本进行建模并对测试样本预测，进行多次的循环，得到多次的预测结果，选择次数出现最多的预测结果作为最终的预测结果，大大提高了低质量葡萄酒的识别率。
基于此抽样建模方法，本文首先对判别分析、支持向量机、分类回归树以及随机森林在葡萄酒质量识别能力进行了比较分析，其中随机森林的预测效果最好，整体识别率以及低质量葡萄酒识别率最高，且模型较为稳定;其次，采用随机森林确定变量重要性，变量重要性排序结果发现，硫酸钾和酒精的重要性最高，硫酸钾和酒精的含量增加，更容易使得此种葡萄酒质量的提升，为酿造师酿造出更好的葡萄酒提供重要的信息;最后，本文将异常点的检测方法应用于进口酒的低质量葡萄酒的检测，遗憾的是，低质量葡萄酒的识别程度有限，仅识别出30%左右的低质量葡萄酒样本，只能辅助低质量葡萄酒的识别，实证结果表明，基于异常样本的低质量葡萄酒的识别率提高了。
本文的主要内容及创新点：本文的主要工作及创新点如下:
1.研究分析了传统葡萄酒质量品鉴方法存在的不足，提出了进行智能识别葡萄酒质量的必要性;
2.将多种数据挖掘分类方法应用于葡萄酒质量识别，比较各方法的差异及优势。
3.对实证研究中出现少数类样本识别率低的情况，提出通过多次特定随机采样，建立多个模型预测样本类别，对每类样本的预测结果进行统计，以最大的样本类别预测结果作为此样本的预测结果，大大提高了模型的稳定性和预测的局部优化功能，解决了葡萄酒质量识别出现的尴尬问题，即非平衡样本中，少数类样本未被识别。
4.异常点的检测方法应用于检测低质量葡萄酒的检测，辅助和完善低质量葡萄酒的识别结果。
5.本文是通过结合先进的统计软件R语言和数学计算软件matlab对数据进行分析处理，继而建立模型对样本进行预测，特别是R语言，在计算的性能上更优于matlab，更节省时间和计算空间。
关键词：葡萄酒质量识别，判别分析，支持向量机，分类回归树，随机森林，异常点检测。
一、问题重述
伟大的科学家伽利略说过：“.一切推理都必须从观察与实验得来”。以往的葡萄酒一直靠感官品尝来判定其质量的好坏，并且要求品尝者是训练有素的品酒专家。但是，感官品尝结果受到多种因素的影响，如品酒专家的职业水平、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。葡萄酒品尝在国内尚不普遍，训练有素的专家品酒师也有限。况且酿酒葡萄的好坏与所酿葡萄酒的质量有直接的关系，而且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。根据题意及所给数据，本文需要解决的问题有：
(1) 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有哪些联系？ (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、模型假设
⑴不考虑元素间的相互作用的影响
⑵短期内重金属元素的物理、化学变化及迁移对周围环境影响不大 ⑶假设附录中所给8种重金属元素的背景值真实 ⑷不考虑历史沉积的重金属的影响
三、符号说明
i x 第i 种元素在第j 个采样点的浓度（8,...2,1=i ）
； x 第i 种元素浓度的平均值（8,...2,1=i ）；
i x ' 第i 种元素在第j 个采样点无量纲化后的数值（5,...2,1=j ）； i P 第j 个功能区重金属i 的单项污染指数（5,...2,1=j ）； i C 第j 个功能区重金属i 含量的实测值（5,...2,1=j ）
； D 污染距离积；
h 污染源位置与已知采样点的距离；
()()()i y i x , 给定采样点的坐标；
四、数据处理与基本分析
4.1数据说明及预处理
葡萄酒数据来源于网站 http://archive.ies.uei.edml/datasets/Wine+Quality，包含1599个样本记录、n个表示成分及含量的自变量和含量以及一个关于葡萄酒质量好坏的因变量。本文数据分析所使用的工具主要有MATLAB和R语言[32，，7]。首先将葡萄酒质量等级分为低等、中等以及高等三类，对应样本量分别为63、1319、217。具体的十一个自变量如表4一1所示。
其中体现葡萄酒的酸、甜、咸、苦的成分归纳如下:
酸:酒石酸、醋酸、柠檬酸
甜:糖分、酒精
咸:氯化钠
苦:游离二氧化硫、总二氧化硫、硫酸钾
由于自变量单位不全相同，为了消除量纲对模型的影响，进行回归时需对数
据进行标准化处理。
4.1.2数据基本分析
4.1.2，l相关胜分析
首先对自变量之间进相关性分析，图4-1给出了部分相关性相对较大的变量两两之间的散点图。透过散点图我们可以观察到酸度与密度，酸度与PH值之间的相关性程度较高。其他各个变量之间的相关系数详见表4-2。
从表4一2可以观察到，除了酒石酸与密度、游离SO:与总S仇含量之间的相关系数在0.68并不高。其中，酒石酸与PH、醋酸与酒石酸、酒石酸与柠檬酸、酒石酸与PH、左右，其他变量之间的相关程度。
4.1 对重元素的分析
城市工业“三废”排放，金属采矿和冶炼，家庭燃煤，生活垃圾，汽车尾气排放都增加了城市土壤重金属的负荷。重金属污染环境的主要有汞、铅、铬、锌镉、铜等。其中汞的毒性最大，铬、铅、锌等也有相当大毒性。此外还有砷，砷虽不属于金属.但它的毒性与重金属相似，因此归于重金属一类阐述，称为类金属。目前对我国土壤污染比较普遍的重金属有汞、铬、砷。根据该城区重金属污染的情况，下面对重金属在土壤污染中的来源及传播途径作简要介绍。
4.1.1砷元素
该元素毒性很低，水体中含砷污染物主要来自砷和含砷金属矿的开采、冶炼，以及
和砷化物为原料的玻璃、颜料、药物、纸张的生产都可产生含砷的废水，造成水体的砷污染。砷及砷化物在水中会在水生物体内累积，但累积程度比其他重金属要低。砷和砷化物，一般可通过水、大气和食物进入人体。
4.1.2镉元素
当环境受到镉污染后，镉可在生物体内富集，通过食物链进入人体引起慢性中毒。镉的主要污染源是电镀、采矿、冶炼、染料、电池和化学工业等排放的废水。相当数量的镉通过废气、废水、废渣排入环境，造成污染。镉对土壤的污染主要有气型和水型两种。气型污染主要来自工业废气。镉随废气扩散到工厂周围并自然沉降，蓄积于工厂周围的土壤中，可使土壤中的镉浓度达到40ppm。水型污染主要是铅锌矿的选矿废水和有关工业（电镀、碱性电池等）废水排入地面水或渗入地下水引起。
4.1.3铬元素
对水体污染的铬主要来源于电镀、制革、铝盐生产以及铬矿石开采所排放的废水。是我国水体中一种普遍的污染物。水体中铬污染主要是三价铬和六价铬，它们在水体中的迁移转化有一定的规律性。
4.1.4铜元素
铜(Cu)及其化合物在环境中所造成的污染称为铜污染。主要污染来源是铜锌矿的开采和冶炼、金属加工、机械制造、钢铁生产等。冶炼排放的烟尘是大气铜污染的主要来源。世界铜的年迁移量为:岩石风化20万吨,河流输送11万吨
4.1.5汞元素
汞是在常温下唯一呈液态的金属元素。人类活动造成水体汞污染，主要来自氯碱、塑料、电池、电子等工业排放的废水。由于天然本底情况下汞在大气、土壤和水体中均有分布，所以汞的迁移转化也在陆、水、空之间发生。
4.1.6镍元素
镍污染是由镍及其化合物所引起的环境污染。大部分煤含有微量镍,通过燃烧过程被释放出来,这是大气中镍的主要来源。镍可以在土壤中富集。土壤中的镍主要来源于岩石风化，大气降尘，灌溉用水（包括含镍废水），农田施肥，植物和动物残体的腐烂等。全世界每年镍的迁移状况是：岩石风化量为320 000吨，河流输送量为19 000吨,开采量为560 000吨，矿物燃料燃烧排放5 600吨。
4.1.7铅元素
铅对环境的污染，一是由冶炼、制造和使用铅制品的工矿企业，尤其是来自有色金属冶炼过程中所排出的含铅废水、废气和废渣造成的。二是由汽车排出的含铅废气造成的，汽油中用四乙基铅作为抗爆剂（每公斤汽油用1～3克），在汽油燃烧过程中，铅便随汽车排出的废气进入大气，成为大气的主要铅污染源
4.1.8锌元素
锌在土壤中富集，会使植物体中也富集而导致食用这种植物的人和动物受害。金属锌本身无毒，但在焙烧硫化锌矿石、熔锌、冶炼其他含有锌杂质的金属的过程中,以及在铸铜过程中产生的大量氧化锌等金属烟尘，对人有直接的危害。其他如橡胶轮胎的磨损以及煤的燃烧也是大气锌污染的原因。各种工业废水的排放是引起水体锌污染的主要原因。
4.2 对基本数据的分析
用 EXCELL 软件和 SPSS 统计软件处理数据如表1所示：
4.3 元素浓度的无量纲化处理
在利用SPSS 统计软件数据进行聚类分析的时候，因为单位不统一需要进行无量纲化处理，我们采用均值化方法，即每一个变量除以该变量的平均值，即
x
x x i
i =
'， (1) 标准化以后各变量的平均值都为1，标准差为原始变量的变异系数。该方法在消除量纲和数量级影响的同时，保留了各变量取值差异程度上的信息，差异程度越大的变量对综合分析的影响也越大。
4.4 重金属元素间的相关性分析
研究土壤中重金属的相关性可以推测重金属的来源是否相同,若重金属含量有显著的相关性,说明有相同来源的可能性较大,否则来源可能不止一个.
我们用积差法来计算各重金属之间的相关系数，所谓积差法就是用两个变量的协方
差与两个变量的标准差的乘积之比：
()()()()
()()
2
2
2
2
2
2
2y
y
x
x
y
x xy y y x x y y x x r y
x xy
---=
----=
=∑∑∑σσσ
A 组：Cr ，Ni ，Cu
B 组：Pb ，Cd ，Zn
而对于As 、Hg 由相关系数表可见，其相关系数较小，我们认为相关参数小的元素间没有关系，所以将其各自单独一组。
下面我们建立回归模型图像验证它们之间的函数关系：
00.5
1 1.52
N i
图1 Cr 与Ni
0.51 1.5
0.5
1.5
P b
图2 Cd 与Pb
0.51 1.52Z n
图3 Pb 与Zn
0.51.5C u
图4 Cr 与Cu
显然Cr ，Ni 和Cu 及Pb ，Cd 和Zn 显示属于适度空间相关性，反映区域因素（土壤母质）对其含量的影响较大 ，而As 、Hg 元素则属于低空间相关性，说明其受到人为因素 （工
业布局 施肥 灌溉和土地利用方式等 ）作用较强。
五、模型的分析、建立与求解
5.1 问题一
5.1.1重金属的空间分布
由附件中所给的数据，我们考虑将各采样点的坐标和重金属的浓度建立对应关系，利用Matble 软件画出等高线来体现该城区8种重金属的空间分布。
y
图1 城市土壤As 的空间分布特征012
x 10
45000
10000
15000
y
图2 城市土壤Cd 的空间分布特征012
x 10
45000
10000
15000
y
图3 城市土壤Cr 的空间分布特征012
x 1045000
10000
15000
y
图4 城市土壤Cu 的空间分布特征012
x 10
45000
1000015000
从图中可以看出：该城市土壤中As 元素的分布没有出现明显的富集，整体有从西向东递减的趋势(见图1)。说明人类活动对As 元素的分布影响不大。所以可以推断城市土壤中这种元素主要是自然来源,另外它的浓度在中国土壤背景值范围内,这说明它的含量可能主要受成土母质影响。
该城市土壤中Cd 元素的分布没有出现明显的富集，整体浓度偏差不大（见图2）。对比数据可以看出，整个城市除边缘部分外Cd 的浓度都明显高于背景值的范围。可知该城市Cd 污染很严重。
该城市土壤中Cr 和Cu 两种元素含量的空间分布规律比较相似(见图3、图4),表现为,在西南部形成一个明显峰值,并且西部Cr 和Cu 的浓度远远超出背景值的范围。从整体上看，两种元素的浓度在东部和中部都为零，显然西部高于中东部。
y
图5 城市土壤Hg 的空间分布特征012
x 10
4500010000
15000
y
图6 城市土壤Ni 的空间分布特征012
x 10
45000
10000
15000
y
图7 城市土壤Pb 的空间分布特征012
x 10
4500010000
15000
y
图8 城市土壤Zn 的空间分布特征012
x 10
4500010000
15000
该城市土壤中Hg 和Zn 两种元素含量的空间分布规律比较相似(见图5、图8),表现为,一个峰值区出现在西南部，一个峰值区出现在中南部，另外一个峰值区出现在中部。当然，两图也存在着不同之处。Hg 元素除峰值区外，其他部分的浓度大都为零，而Zn 元素除峰值区外，还有整个的西部浓度远远超出背景值的范围，其余部分的浓度为零。
该城市土壤中Ni 和Pb 两种元素含量的空间分布规律比较相似(见图6、图7)，虽然Pb 比Ni 多出一个明显峰值区，但可以看到两种元素的峰值区都分布在西南部。并且两元素在西部的浓度明显高出背景值范围，而在东部的浓度都非常接近背景值的范围，整体有从西向东递减的趋势。
同时，土壤中重金属元素的空间分布还显示出各元素的异常分布区具有地理趋势的相似性，指示其可能受共同的污染源影响 5.1.2不同功能区的污染程度
为了求得各功能区的污染程度，我们建立了内梅罗多因子污染综合评价模型，我们首先求得单项污染指数式为:
i
i
i S C P =
, (2) 式中: i P 为区域重金属i 的单项污染指数；i C 为重金属i 含量的实测值； i S 为重金属i 含量的起始评价值，其中起始评价值为所给重金属元素的背景值加上两倍的标准差，即
δ2+=i i a S ；若1>i P ，则表示该区域受到污染。 多项污染综合指数式为:
2
/12max
22???
? ??+=P P P 平均综, (3)
式中: 综P 为综合污染指数--综合反映各重金属对区域土壤的不同作用；平均P 为所有单项污染指数的平均值；max P 为土壤环境中各单项污染指数中的最大值。根据模型分别计算出该城区五个功能区的污染指数值，然后与内梅罗综合污染指数的分类标准（见表3）相比较得出五个功能区的污染程度。
表3 内梅罗综合污染指数的分类标准
综P
污染等级 污染程度 1 7.0≤综P
安全 清洁 2 0.17.0≤<综P 警戒线 尚清洁 3 0.20.1≤<综P 轻污染 超标
4 0.30.2≤<综P 中污染 土壤、作物受中度污染 5
.3>综P 重污染
土壤、作物受严重污染
由Matlab 软件计算得
表4 各功能区的污染程度
功能
区 生活区
工业区
山区
主干道路区
公园绿地区
综P
0904.2 2769.9
8242.0
4625.6
8688.1
污染程度 土壤、作物受中度污染
土壤、作物受严重污染
尚清洁
土壤、作物受严重污染
超标
由表4可得污染程度排序为：工业区>主干道路区>生活区>公园绿地区>山区 5.2 问题二
5.2.1无量纲化处理
在利用SPSS 统计软件数据进行聚类分析的时候，因为单位不统一需要进行无量纲化处理，我们采用均值化方法，即每一个变量除以该变量的平均值，即
x
x x i
i =
'， (4) 标准化以后各变量的平均值都为1，标准差为原始变量的变异系数。该方法在消除量纲和数量级影响的同时，保留了各变量取值差异程度上的信息，差异程度越大的变量对综合分析的影响也越大。然后取其平均值进行对比。 5.2.2重金属污染的原因分析
对附件中所给数据进行分析，采用均值化方法无量纲化处理后，我们选取8种重金属元素的平均值，用EXCELL 软件画出其相对含量的柱状图：
8种重金属元素经无量纲化处理之后可以相互比较，由柱状图可以看出：生活区中Cr含量最大,Zn,Pb含量次之；工业区中Cu，Hg含量较高，且其他重金属也相对较多；山区中Ni含量最大，Cr，As次之，且8种重金属含量都相对较少；交通区中各重金属含量都比较集中，Hg最多；公园绿地区中As含量较多，Pb,Cd含量次之。
我们还可以横向来比较8个元素在五个功能区中的相对含量：As、Cr、Ni在各功能区的含量相对均匀，而Cu、Hg在工业区中的含量与其它区差别明显；Cd、Zn、Pb、Cu、Hg在工业区中的含量和山区相比差异较大，说明它们受人类活动的影响相对明显。
重金属具有富集性，很难在环境中降解且Hg、Cd、Cr、Pb具有很强的生物毒性。由于工业生产产生大量废物，汽车尾气排放，汽车轮胎磨损产生大量含重金属的有害气体和粉尘，Cu 、Hg 、Zn主要在工业区和交通区如公路、铁路等交通设施的两侧富集，随时间的推移，工业区、交通区的土壤重金属具有很强的叠加性。Pb、Cd、As、Cr主要在生活区富集，生活区内由于含重金属的废弃物堆积，施用含Pb、Cd、As等的农药，不合理的施用化肥以及大量使用农用塑料薄膜都会造成重金属污染，综合风向等多种因素的影响可能会发生迁移且富集，从而造成公园绿地区的重金属污染。Ni元素在各个功能区中的分布相对均匀，山区分析的8种重金属中Ni含量最多，所以说工业区及生活区污染的富集和迁移，都有可能造成污染。同时城市人口密度，土地利用率，机动车密度也是造成重金属污染的原因。
5.3问题三
5.3.1 重金属污染物的传播特征
特征一：
我们利用无量纲化处理的数据，将各个样点的8种元素的无纲化浓度进行加权求和，则此加权和就可在一定程度上反映各个样本点的总的污染程度。并作出各样点浓度加权和对应其海拔高度的图形（见下图）。从整体上来看，污染程度随着海拔的增高而减小。海拔在0到50之间的样点污染程度普遍高，并且变化幅度很大。而海拔在50到100之
间的样点污染程度较小，并且变化幅度很小。这说明，重金属污染物的传播速度受海拔影响很大。在海拔低的区域里，单位海拔高度内重金属污染物的传播速度较快；在海拔高的区域里，单位海拔高度内重金属污染物的传播速度很慢。
050100150200250300350
特征二：
0.5
1 1.52
2.5
3
x 10
4
050100
150y u a n
图6 浓度随x 值的变化趋势
0.20.4
0.60.81 1.2 1.4 1.6
1.8
2
x 10
4
050100
150y u a n
图7 浓度随y 值的变化趋势
我们再分别做出各样点浓度加权和与其对应x 轴、y 轴的图形（见图6和图7）可看出重金属在土壤中的浓度随采样点的水平和垂直距离的改变会出现相应的峰值，即污染
源的位置在某个峰值点处，而且高浓度样点集中在(0.35~0.60，0.20~0.40)范围内，并且样点污染程度由此范围向四周呈递减趋势。由此，我们可以推知，重金属污染物由污染源位置向四周扩散，并且扩散速度随距污染源距离的增大而减小。 5.3.2无约束优化模型的建立
针对该问题我们建立无约束优化模型，假设319个采样点中有一个是主要的污染源，根据物质的一般扩散规律，我们认为重金属的污染程度与污染源到该点的距离有关，即距离越远污染程度越低，在这里我们定义一个新的变量： 污染距离积D
()[]()[]()
2
2y i y x i x m D -+-=, (5)
即该点的污染程度与该点到污染源距离的平方之积，其中()()()i y i x ,为给定采样点的坐标。该点的污染程度已知，只要使其他318个采样点的污染距离积D 之和最小就能确定污染源，这里我们利用问题二经无量纲化之后的数据加权求得点的污染程度m 。
利用Lingo 软件求得第31个采样点的污染距离积D 之和最小，即该点是最主要的污染源，其坐标()6782,5567.
由于该区域的污染源不止一个，因此这种做法存在很大的误差，通过观察问题一的图形，及元素间的相关系数我们可以得出有多个地带的污染程度存在显著变化的结论，即存在多个污染源，因此我们建立了第二种模型来分析污染源的位置，希望通过两种方法对比得到该城区重金属的污染源。
5.3.3有衰减的扩散过程模型
（1）设()h z y x u ,,,是距离污染源位置的空间距离为h 的点()z y x ,,处某种重金属元素的浓度。任取一个闭曲面S ，它所围的区域是G ，由于扩散，从h 到h h ?+这段距离内，通过S 流入G 的质量为
dsdt z u c y u b x u a M S h
h h
???
???? ?
???+??+??=?+γβαcos cos cos 2221 （6） 由高斯公式得
dxdydzdh z u c y u b x u a M G h
h h
????
???? ?
???+??+??=?+2222222221 （7）
其中，222,,c b a 分别是沿z y x ,,方向的扩散系数。
在扩散过程中由于土壤吸收、风及地表径流造成重金属流失等原因，使元素的质量
有一定的衰减，G 内的质量减少为
dxdydzdt u k M G
h h h
????
?+=21, （8） 其中2k 是衰减系数。
由物质不灭定律，重金属元素在G 内由于扩散与衰减的合作用，积存于G 内的质量为21M M -
换一种角度看，G 内由于浓度之变化引起的质量增加为
()()[]dxdydzdh h u
dxdydz
h z y x u h h z y x u M G
h
h h
G
????
?????=-?+=?+,,,,,,3 （9）
显然213M M M -=，即
dxdydzdh u k z u c y u b x u a dxdydzdh t u
G h h h G
h
h h
????????
???? ?
?-??+??+??=???+?+222
2222222 （10） 由于G h h ,,?的任意性得
u k z
u c y u b x u a h u 2
22
2222222-??+??+??=?? （11） 这就是重金浓度随空间距离相关的常系数性抛物型方程。
（2）设污染源的位置为()00,y x A ，由此可求出各样点与A 的距离，根据重金属污染物的传播特征，我们假定x ，y ，z 方向的扩散系数分别为：0.5，0.4,0.3各样点的浓度
我们取无量纲化浓度的加权和。利用Matlab 求解得A 点坐标为：（8500,5500）。 5.3.4 l c be u Y ?-+=0模型
由问题二的数据分析，元素的来源和传播途径以及元素间的相关性检验可得锌元素呈条带状分布，主要以公路、铁路为轴向两侧污染强度逐渐减弱，随着时间的推移，在交通区两侧的重金属污染具有很强的叠加性。由此我们建立以公路线为污染源的模型，设公路线的表达式为：
0=++C By Ax (12)
浓度随距离的变化为：
l c be u Y ?-+=0 （13）
其中2
2
00B
A C
By Ax L +++=
?为采样点到公路的距离；u 为采样点的浓度；0u 为样点重金属
元素的背景值,C 为衰变指数。 针对模型l c be u Y ?-+=0 ，当
a x f Y x ==∞
→)(lim , (14)
其环境意义为在远离污染源的地方,没有受到污染的影响,土壤中某污染物的含量就是 背景值, 0>a 。
当
b a x f Y x +==→0
)(lim , (15)
其环境意义为在污染源近处,土壤中某污染物的含量达到最高值,它就是在背景值的基 础上加污染值的结果,0>b 。
当
0<-=?-l c bce dx
dy
, (16) 其环境意义为随着距污染源渐远,土壤中污染物的含量逐渐降低及其变化。
x 10
4
y
图1 城市主干道路区取样点及拟合结果
5.4问题四 5.4.1问题分析
为了更好地研究城市地质环境的演变模式，需要做以下几个工作。首先我们需要求出空间中任意一点对应的污染物浓度与时间的关系表达式；然后再利用问题一中求解不同区域重金属的污染程度的模型对城市进行污染程度分析；最后对由统计得到的各个样点在多个时间内的污染程度进行分析，即可研究出城市地质环境的演变模式。因此，我们只需要求出空间中任意一点对应的污染物浓度与时间的关系表达式即可。
为了求出空间中任意一点对应的污染物浓度与时间的关系表达式，除了需要有本题中所给信息外，还应收集不同时间内的样点对应的基本信息（如附件中所给信息）以及各污染源重金属的产生率。 5.4.2模型的建立
（1）高斯浓度模型建立
本题假设污染物浓度符合正态分布，建立高斯浓度分布模型：
()()???
? ??++--=
2222
3212,,z y x z y ut x z
y x e
Q
z y x C σσσσσσπ （17）
其中()z y x C ,,是空间任意一点()z y x ,,的浓度；0Q 是污染源重金属产生率；&x,&y,&z 分别表示x ，y ，z 方向上的扩散系数；u 是土壤对重金属元素的吸收速率；D 是干沉积量
（计算公式由文献[2]给出）。 （2）高斯模型的修正
因为干沉积和腐蚀是影响重金属元素在土壤中的衰减的重要因素，故引入其浓度随时间的变化关系：
ut e C C -?=0 （18） 其中v 是衰减系数
则某时刻下空间点()z y x ,,处的重金属浓度为：
()()ut z y ut x z
y x e e
D
Q z y x C z y x -???
? ??++---=
2222
3212,,σσσσσσπ, （19）
六、模型检验和评价
6.1 模型检验
6.1.1 对元素相关性的回归检验
此处检验了四组元素之间的相关性，下面以其中的一组Cr 和Ni 为例说明检验方法。我们利用一元线性回归分析法对Cr 和Ni 的相关性进行检验：首先根据收集到的Cr(x)浓度和Ni(y)浓度的数据319组，看成是平面直角坐标系中的点()()()i y i x ,,并画出“散点图”；接着，我们可以观察散点图上点的分布规律，这些点散布在一直线附近，但又不全在一条直线上，那么我们认为Cr 和Ni 相关性很强，反之，我们认为其相关性较弱或无相关性。检验结果见数据分析4.4。 6.1.2 对问题三中抛物型模型的稳定性分析
基于常微分方程中对稳定性的分析，我们得出：如果对任意给定的0>ε和00≥h 都存在
0),(0>=h εξξ，
使得只要δ<-10u u ，就有
()()εψ<-1000,,,,u h h u h h u
经检验，（11）式对一切0h h >成立，所以说（11）式是稳定的，进而所得解是稳定的。 6.1.3 对问题三中模型l c be u Y ?-+=0利用F 分布检验
表5
模型
拟合公式
F 显著性 l c be u Y ?-+=0
l e Y ?-+=58.12534
11.81
显著
6.2 模型评价 6.2.1 优点
①首先对数据及元素间的相关性进行分析，处理，简化了计算
②所建立的模型与实际紧密联系，由一些利用简单的模型就能达到很好的效果，有很好
的通用性和推广性。
③对数据进行了无量纲化处理，使得避免了运用数据时单位不统一的麻烦。
④运用Matlab和Lingo软件进行计算，可信度高。
⑤论文中图形与数据相结合更具有说服力。
6.2.2 缺点
①在求点污染源时我们假设只有一个污染源，而实际上可能有多个点污染源，使得误差增大，或者使污染源的位置不准确。
②在求线污染源时用到的衰减系数具有不确定性，使得污染源的位置不准确。
③在处理数据和求解过程中不可避免的出现各种误差，在一定也影响到模型求解的精确度。
七、模型推广
本模型的建立对于研究减少城市污染问题和保护环境具有重要意义，尤其在当今以高能耗高污染的生产模式为主的工业时代，该模型的建立对于研究城市规划，和工厂位置选择以及交通建设时具有重要的才能考价值，同时利用该模型也可以研究物质扩散现象的规律。
八、参考文献
[1] 韩中庚，数学建模方法及其应用[M]，北京：高等教育出版社，2005
[2] 韩中庚，数学建模竞赛——获奖论文精选与点评，北京：科学出版社，2007
[3] 盛骤，谢式千，概率论与数理统计，北京：高等教育出版社，2003
[4] 姜启源，数学模型（第二版），北京：高等教育出版社，1992
[5] 费业泰，误差理论与数据处理（第五版），北京：机械工业出版社，2004.6
[6] 韩中庚，数学建模方法及其应用，北京：高等教育出版社，2005.6
[6] 谢金星，优化建模与LINDO/LINGO软件，北京：清华大学出版社，2005.7
[7] 董希琳，赵智键.核电站核事故核素污染评估模式[J].火灾科学，1999，8(2).
九、附录
9.1 8种重金属元素空间分布
A= load('zuobiaonongdu.dat');
x=A(:,1);y=A(:,2);
[x,y]=meshgrid(0:1000:29000,100:300:19000);
z3=griddata(A(:,1),A(:,2),A(:,3),x,y,'v4');
subplot(2,2,1)
[c,h] =contour(x,y,z3);
clabel(c,h)
ylabel('y');
xlabel('图1 城市土壤As的空间分布特征');
z4=griddata(A(:,1),A(:,2),A(:,4),x,y,'v4');
subplot(2,2,2)
[c,h] =contour(x,y,z4);
clabel(c,h)
ylabel('y');
xlabel('图2 城市土壤Cd的空间分布特征')
z5=griddata(A(:,1),A(:,2),A(:,5),x,y,'v4'); subplot(2,2,3)
[c,h] =contour(x,y,z5);
clabel(c,h)
ylabel('y');
xlabel('图3 城市土壤Cr的空间分布特征')
z6=griddata(A(:,1),A(:,2),A(:,6),x,y,'v4'); subplot(2,2,4)
[c,h] =contour(x,y,z6);
clabel(c,h)
ylabel('y');
xlabel('图4 城市土壤Cu的空间分布特征')
figure
z7=griddata(A(:,1),A(:,2),A(:,7),x,y,'v4'); subplot(2,2,1)
[c,h] =contour(x,y,z7);
clabel(c,h)
ylabel('y');
xlabel('图5 城市土壤Hg的空间分布特征')
z8=griddata(A(:,1),A(:,2),A(:,8),x,y,'v4'); subplot(2,2,2)
[c,h] =contour(x,y,z8);
clabel(c,h)
ylabel('y');
xlabel('图6 城市土壤Ni的空间分布特征')
z9=griddata(A(:,1),A(:,2),A(:,9),x,y,'v4'); subplot(2,2,3)
[c,h] =contour(x,y,z9);
clabel(c,h)
ylabel('y');
xlabel('图7 城市土壤Pb的空间分布特征')
z10=griddata(A(:,1),A(:,2),A(:,10),x,y,'v4'); subplot(2,2,4)
[c,h] =contour(x,y,z10);
clabel(c,h)
ylabel('y');
xlabel('图8 城市土壤Zn的空间分布特征')
9.2 回归分析检验元素相关性
Cr= load('Cr.dat');
Ni= load('Ni.dat');
Cd= load('Cd.dat');
Pb= load('Pb.dat');
模式识别的研究现状与发展趋势 摘要：随着现今社会信息技术的飞速发展, 人工智能的应用越来越广泛, 其中模式识别是人工智能应用的一个方面。而且现今的模式识别的应用也越来越得到大家的重视与支持，在各方面也有重大的进步。模式识别也成为人们身边不可或缺的一部分。关键词：人工智能，技术，模式识别，前景 Abstract：In the modern society with the rapid development of information technology, the application of a rtificial intelligence is more and more extensive, among them pattern recognition is one of the ap ply of artificial intelligence. And now the application of pattern recognition is also more and more to get everyone's attention and support, in various aspects have significant progress. Pattern rec ognition has become an integral part of people around. Keywords: Artificial Intelligence, Technology,Pattern Recognition, prospects 一，引言 如今计算机硬件的高速发展, 以及计算机应用领域的不断开拓, 人们开始要求计算机能够更有效地感知诸如声音、文字、图像、温度、震动等人类赖以发展自身、改造环境所运用的信息资料。但就一般意义来说, 目前一般计算机却无法直接感知它们, 我们常用的键盘、鼠标等外部设备, 对于这些外部世界显得无能为力。虽然摄像机、图文扫描仪、话筒等设备业已解决了上述非电信号的转换, 并与计算机联机, 但由于识别技术不高, 而未能使计算机真正知道采录后的究竟是什么信息。计算机对外部世界感知能力的低下, 成为开拓计算机应用的瓶颈, 也与其高超的运算能力形成强烈的对比。于是, 着眼于拓宽计算机的应用领域, 提高其感知外部信息能力的学科———模式识别, 便得到迅速发展。 人工智能所研究的模式识别是指用计算机代替人类或帮助人类感知模式, 是对人类感知外界功能的模拟, 研究的是计算机模式识别系统, 也就是使一个计算机系统具有模拟人类通过感官接受外界信息、识别和理解周围环境的感知能力。现将人工智能在模式识别方面的一些具体和最新的应用范围遍及遥感、生物医学图象和信号的分析、工业产品的自动无损检验、指纹鉴定、文字和语音识别、机器视觉地圈模式识别等方面。 二，现状 以地图模式识别为例，地图模式识别是由计算机来对地图进行识别与理解, 并借助一定的技术手段, 让计算机研究和分析地图上的各种模式信息, 获取地图要素的质量意义。其计算处理的过程类似于人对地图的阅读。 地图模式识别是近年来在地图制图领域中新兴的一门高新技术, 是信息时代人工智能、模式识别技术在地图制图中的具体应用。由于它是传统地图制图迈向数字地图制图的一座桥梁, 因此,地图模式识别遥感技术、地理信息系统一起, 被称为现代地图制图的三大技术。 目前, 地图模式识别由于具有广泛的应用价值和发展潜力,因而受到了人们的普遍重视。尤其是随着现今的计算机及其外部硬件环境的不断提高, 科技不过发展的情况下，
葡萄酒出厂检验方法 一、感官检查与评定 1、外观 在适宜光线（非直射阳光）下，以手持杯底或用手握住玻璃杯柱，举杯齐眉，用眼观察杯中酒的色泽、透明度与澄清程度，有无沉淀及悬浮物；起泡和加气起泡葡萄酒要观察起泡情况，作好详细记录。 2、香气 先在静止状态下多次用鼻嗅香，然后将酒杯捧握手掌之中，使酒微微加温，并摇动酒杯，使杯中酒样分布于杯壁上。慢慢地将酒杯置于鼻孔下方，嗅闻其挥发香气，分辨果香、酒香或有否其他异香，写出评语。 3、滋味 喝入少量样品于口中，尽量均匀分布于味觉区，仔细品尝，有了明确印象后咽下，再体会口感后味，记录口感特征。 4、典型性 根据外观、香气、滋味的特点综合分析，评定其类型、风格及典型性的强弱程度，写出结论意见（或评分）。 二、酒精度 1、密度瓶法 （1）、原理 以蒸馏法去除样品中的不挥发性物质，用密度瓶法测定馏出液的密度。根据馏出液（酒精水溶液）的密度，查附录A（规范性附录），求得20℃时乙醇的体积百分数，％（体积分数），即酒精度。 （2）、仪器 1 ）、分析天平：感量 0.0001 g。 2 ）、全玻璃蒸馏器：500 mL。 3 ）、高精度恒温水浴：20.0±0.1℃。 4 ）、附温度计密度瓶：25或50 mL。 （3）、试样的制备 用一洁净、干燥的 100 mL容量瓶准确量取100mL样品（液温 20℃）于 500 mL蒸馏瓶中，用 50mL水分三次冲洗容量瓶，洗液并入蒸馏瓶中，再加几颗玻璃珠，连接冷凝器，以取样用的原容量瓶作接收器（外加冰浴）。开启冷却水，缓慢加热蒸馏。收集馏出液接近刻度，取下容量瓶，盖塞。于 20 ℃水浴中保温 30 min，补加水至刻度，混匀，备用。 （4）、分析步骤 1）、蒸馏水质量的测定 a) 将密度瓶洗净并干燥，带温度计和侧孔罩称量。重复干燥和称量，直至
模式识别与智能系统 （081104） 一、培养目标 培养热爱祖国，拥护中国共产党的领导，拥护社会主义制度，遵纪守法，品德良好，具有服务国家、服务人民的社会责任感，掌握本学科坚实的基础理论和系统的专业知识，具有创新精神、创新能力和从事科学研究、教学、管理等工作能力的高层次学术型专门人才。 模式识别与智能系统是20世纪60年代以来在信号处理、人工智能、控制论、计算机技术等学科基础上发展起来的新型学科。该学科以各种传感器为信息源，以信息处理与模式识别的理论技术为核心，以数学方法与计算机为主要工具，探索对各种媒体信息进行处理、分类、理解并在此基础上构造具有某些智能特性的系统或装置的方法、途径与实现，以提高系统性能。模式识别与智能系统是一门理论与实际紧密结合，具有广泛应用价值的控制科学与工程的重要学科分支。 本学科培养德智体全面发展，具有坚实和系统的模式识别与智能系统理论知识和实践技能，了解模式识别与智能系统学科发展的前沿和动态，能够适应我国经济、科技、教育发展需要，面向二十一世纪的科学研究、工程技术和高等教育的高层次人才。学位获得者业务上应具有具备从事在本学科及相关学科领域独立开发研究工作的能力，注意理论联系实际，能够分析和解决现代经济建设和交叉学科中涌现出的新课题；能够熟练利用计算机解决本学科的有关问题；较为熟练地掌握一门外国语；具有健康的体格。 二、研究方向 （一）智能机器人系统 主要进行智能机器人控制与决策系统的研究与开发，包括自主移动机器人、特种机器人、服务机器人、工业机器人等内容。机器人的自主定位、导航、避障与多机器人协调控制为主要研究方向。 （二）系统仿真技术与应用 主要研究方向为控制系统仿真与计算机辅助设计、半实物仿真与实时控制、分数阶与网络控制系统仿真、系统建模校验与验证及仿真算法和高层体系结构理论与应用技术、工业过程建模仿真和提高控制效果与系统性能的方法研究。 （三）图像处理与计算机视觉 研究图像信息获取、处理、分析、理解与识别分类等理论与技术，研究图像处理技术在医学影像处理、动态目标识别与跟踪、智能交通系统、军事等领域的工程应用问题。 （四）建筑智能化技术 本方向以建筑智能化技术为背景，主要研究智能建筑系统集成理论与技术、
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、电子、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）： 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01 -数据分析，发现对于红葡酒有70.3%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α系数衡量，并结合F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，能有效地反映出两者间的联系，取与葡萄各成分相关性显著的葡萄酒理化指标，与葡萄成分做多元线性回归得出葡萄酒理化指标与酿酒葡萄的拟合方程，从而反映酿酒葡萄与葡萄酒理化指标之间的联系。 由于已经通过回归分析建立了酿酒葡萄和葡萄酒理化指标之间的关系，因此从酿酒葡萄成分对葡萄酒的理化指标的影响，再研究出葡萄酒理化指标与葡萄酒质量的联系，便可作为一个桥梁，反映出葡萄与葡萄酒理化指标对葡萄酒的质量的作用。研究葡萄酒理化指标与葡萄酒质量的联系，需要运用变量间的相关性及Pearson系数法分析葡萄酒的理化指标与葡萄酒质量评价指标的相关性，通过比较选出与葡萄酒评价的一级指标相关性程度大的葡萄酒成分，进行回归分析法，建立酿酒葡萄的理化指标与葡萄酒质量之间的拟合方程，结合各个质量一级指标的权重，从而完成了从葡萄酒成分对葡萄酒质量的客观评价。综合计算结果，与酿酒葡萄分级的结果吻合，所以分析结果较客观。
模式识别与智能系统硕士点 研究生入学复试大纲 复试笔试满分为150分，包括基本能力测试（45分）和专业基础知识测试（105分）两部分。采取闭卷考试，考试时间一般为2至3小时。 有关专业基础知识测试的说明 专业基础知识测试（105分）由21道题目组成，参加笔试同学可从中任意选择7道完成，每题15分。专业知识点包括以下七个方面： 一．图象处理(共3题) 考试知识点：数字图象直方图、基于直方图均衡化的图象增强、边缘检测算子、梯度大小/方向计算、频域滤波基础、频域滤波操作的基本步骤。 辅导材料：冈萨雷斯等，《数字图象处理》,第二版，电子工业出版社, 2003.3, ISBN 7-5053-8236-5。认真阅读该书的3.3, 4.2, 10.1。 二．信息安全(共2题) 考试知识点：信息熵的计算、信源编码。 辅导材料：《信息与编码理论基础》，万旺根，上海大学出版社。 三．人工智能(共2题) 考试知识点：人工智能的基本概念。 辅导材料：廉师友，人工智能技术导论（第二版）廉师友西安电子科技大学出版社, 2002.7, ISBN 7-5606-0811-6。认真阅读该书的第一章。 四．微型计算机原理(共5题) 考试知识点：80x86指令寻址模式及汇编指令的书写格式；不同进制数之间的转换；汇编程序的阅读；计数器模块8253及其编程；可编程中断控制器8259模块及其编程。 注：相关硬件模块控制字格式不需记忆。（提供）
辅导材料：微型计算机技术及应用（第3版），戴梅萼等，清华大学出版社，2003 五．多媒体信息处理(共4题) 考试知识点：1.多媒体基本概念 多媒体技术，多媒体系统的层次结构，多媒体系统的组成 2.多媒体数据压缩： 数据压缩算法概念及分类，统计编码，预测编码，变换编码，分形编码 静态图像压缩标准JPEG，运动图像压缩标准MPEG，音频压缩标准 3.音频信息处理 声音数字化，音频文件格式，声卡的组成与设计(含声卡的工作原理、硬件设计、软件结构、编程接口等) 4.视频信息处理 视频信号数字化，视频的文件格式，视频压缩卡的设计 辅导材料：多媒体技术基础及应用，钟玉琢等，北京：清华大学出版社，2006.2 六．生物特征识别(共2题) 考试知识点：生物信息学序列联配（双序列比对，多序列比对）。 辅导材料：David W. Mount，《生物信息学：序列与基因组分析（影印）》,Bioinformatics: Sequence and Genome Analysis, Cold Spring Harbor Lab(CSHL) Press。认真阅读sequence alignment 的相关内容。 七．射频识别(共3题) 考试知识点：电子标签的基本概念。 辅导材料：纪震，李慧慧等，《电子标签原理与应用》,西安电子科技大学出版社, 2005.12, ISBN 705606-1599-6。认真阅读该书的第一章。
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
快速判断葡萄酒质量的办法 很多因素会导致一瓶葡萄酒变坏，最常见的因素就是软木塞污染（即在装瓶前软木塞受到了污染）和氧化（葡萄酒与氧气接触过多）。其他的因素还有褐化（由高温引起）和再发酵（葡萄酒在瓶中进行二次发酵）。 被软木塞污染的葡萄酒其实是被软木塞中的TCA细菌污染。如果软木塞中的TCA细菌过多，这种细菌就会转移到葡萄酒中，让葡萄酒变质。不过要注意的是，拿软木塞来闻一下并不能判断它是否被TCA污染。虽然闻软木塞这个动作可能看起来比较酷，但是其实这样做并没有什么作用。 氧化是葡萄酒变坏的最大杀手。如果储存不当，葡萄酒就可能会与氧气过多、过久接触。另外，开瓶后的葡萄酒如果不尽快喝完，也会很容易发生氧化。 那么，怎样判断一款葡萄酒到底有没有变坏呢？ 第一招：看 1、如果一款红葡萄酒的颜色比较黯淡，没有光泽，呈不正常的棕色，那它可能已经过度氧化或者受到了其他污染。如果一款白葡萄酒呈很深的黄色，它也可能发生了过度氧化。 2、开瓶前，如果发现软木塞被从瓶中微微推了出来，这意味着葡萄酒可能经历过高温，导致瓶中气体压力升高，把塞子往外挤。 第二招：闻 1、如果一款葡萄酒闻起来像是老太太的旧衣橱的味道，比如发霉、陈腐、湿纸板、湿狗的味道，那它应该是变坏了。 2、如果一款非雪利葡萄酒闻起来却像是雪利葡萄酒的味道，那它很可能已经变坏了。 3、如果一款葡萄酒闻起来像是把煮过的葡萄干放在锅里一两个星期后发出来的味道，那它很可能已经变坏了。煮得过熟的水果的味道或者浓郁的葡萄干的味道都预示着葡萄酒可能已经变坏。 第三招：品 1、如果葡萄酒带有刺激的、醋酸似的或者化学物品似的风味，那说明它已经变坏了。通常在品尝之前，你就可以闻到这样的味道。 2、如果一款葡萄酒的口感比较寡淡、沉闷，缺乏应有的果香，那它可能已经变质了。 3、如果你在一瓶非起泡葡萄酒中发现气泡，这意味着该酒很可能在瓶中发生了二次发酵；当然，不是所有二次发酵都是坏事，有些葡萄酒是经过酿酒师的特别处理而在装瓶后继
(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
模式识别与智能系统 Pattern Recognition & Intelligent System （专业代码：081104） 一、学科概况 本校模式识别与智能系统学科为国务院1993年批准的博士学位授予权学科，2001年经国务院学位委员会批准为国家级重点学科（二级学科）；本学科所在的控制科学与工程学科具有一级学科博士学位授予权,同时拥有一级学科博士后流动站。本学科主要从事模式识别与智能系统的理论与应用研究，为本校“211工程”重点建设学科。经过多年的建设，现有博士生导师七名，百余名的博士生研究队伍，和先进的教学与科研硬设备环境。多年来，一批科研成果达到国际与国内先进水平。 二、培养目标 本学科培养的模式识别与智能系统的硕士研究生应具有较宽广的基础理论及较深入的专业知识，能解决国家经济建设与国防中在本领域内的工程技术的应用课题，具有较好的理论联系实际的能力。 三、学制和学分 全日制硕士研究生实行以两年半制为主的弹性学制，原则上不超过5年。 总学分33学分，其中必修课程不少于14学分。
四、硕士课程设置 五、科研能力与水平 1. 掌握本学科的基础理论和专业知识，对所研究的课题有新的见解，取得新的成果。对于学术型学位的硕士研究生，还应熟悉国内外相关的学术研究动态。 2. 工作认真踏实，能独立进行科研工作并圆满完成科研任务。 3. 对于应用型、复合型学位的硕士研究生，能发现实践中与本学科相关的需求，能提出工程解决方案；对于学术型学位的硕士研究生，能提出和界定科学问题。
4. 硕士研究生在校期间应积极发表学术论文，参与学术交流。 六、开题报告 为确保学位论文的质量，指导教师应针对每个硕士研究生的类型和层次，确定选题范围。硕士研究生在导师的指导下，通过阅读文献、收集资料和调查研究后确定研究课题，提交开题报告。开题报告的主要内容包括： （1）课题来源及研究的目的和意义； （2）国内外在该方向的研究现状及分析； （3）主要研究内容； （4）研究方案及进度安排，预期达到的目标； （5）预计研究过程中可能遇到的困难和问题以及解决的措施； （6）主要参考文献。 提交开题报告的时间一般为第四小学期，开题报告字数应在5000字以上。开题报告的评议结果为通过或不通过。硕士研究生学位论文选题、开题的要求详见《南京理工大学硕士学位论文选题、开题及撰写的有关规定 七、学位论文 学位论文工作是研究生培养的重要组成部分，是对研究生进行科学研究或承担专业技术工作的全面训练，是培养研究生创新能力、综合运用所学知识发现问题、分析问题和解决问题能力的重要环节。 硕士学位论文要求概念清楚、立论正确、分析严谨、计算正确、数据可靠、文句简练、图表清晰、层次分明，能体现硕士研究生具有宽广的理论基础，较强的独立工作能力和优良的学风。在阐明论文的目的、意义和成果时，应有实事求是的科学态度。 硕士研究生的论文工作必须在导师指导下，由研究生独立完成。完成后应按照《中华人民共和国学位条理暂行实施办法》和《南京理工大学博士、硕士学位授予细则》的规定,组织论文评审和答辩。获准参加答辩的前提条件是：必须修满规定的学分，外语通过学位英语考试或通过国家英语六级考试，其余学科基础课程成绩不得低于70分并完成教学实践、科研实习。
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
第一章葡萄酒分析检验基础知识 基本内容 （1）葡萄酒的分析检验基础 （2）葡萄酒常规理化指标的国家标准 基本要求 （1）掌握葡萄酒分析检验的一般步骤 （2）熟记葡萄酒理化指标的国家标准要求 教学重点及难点 （1）葡萄酒分析检验的分析步骤 （2）葡萄酒国家标准常规理化指标的要求 第二章葡萄酒主要化学成分及其对葡萄酒质量的影响 基本内容： 葡萄酒主要成分及其对葡萄酒质量的影响基本要求： 了解葡萄酒中主要成分及其对葡萄酒质量的影响教学重点及难点： 葡萄酒中主要化学成分的性质变化 第三章葡萄与葡萄酒实验室 基本内容 （1）葡萄酒分析检验实验室的一般要求及必备的仪器设备 （2）实验器皿、用水、卫生等※ （3）葡萄酒分析检验常用化学试剂配制 基本要求 （1）了解葡萄酒分析常用物品的使用方法以及化学分析药品 （2）掌握葡萄酒分析检验常用试剂的配制方法 教学重点及难点 （1）简易葡萄酒厂实验室的建立 （2）分析检测中主要化学试剂配制及标定 第四章实验室常见仪器设备的使用 基本内容 （1）葡萄酒分析检验常用仪器设备的原理及其操作方法 （2）气相色谱及高效液相色谱分析的一般原理及其仪器的使用 （3）其他最新葡萄酒分析检验仪器 基本要求 （1）了解常用仪器设备原理及其使用方法 （2）掌握色谱分析在葡萄酒分析检验中原理及其使用方法 教学重点及难点 （1）葡萄酒分析常用仪器pH计、分光光度计的原理，操作技术 （2）葡萄酒的色谱分析操作技术。 第五章葡萄酒理化指标的分析方法、原理、标准 基本内容： （1）葡萄酒（汁）可溶性固形物、酒度、比重的测定 （2）葡萄酒（汁）中的糖的测定 （3）葡萄酒（汁）中的醇的测定 （4）葡萄酒（汁）中的酸的测定 （5）葡萄酒（汁）中的酚类的测定
人工智能的模式识别与机器视觉 模式识别 “模式”(Panern)一词的本意是括完整天缺的供模仿的标本或标识。模式识别就是识别出给定物体所模仿的标本或标识。计算机模式识别系统使一个计算机系统具有模拟人类通过感官接受外界信息、识别和理解周围环境的感知能力。 模式识别是一个不断发展的学科分支，它的理论基础和研究范围也在不断发展。在二维的文字、图形和图像的识别方而，已取得许多成果。三维景物和活动目标的识别和分析是目前研究的热点。语音的识别和合成技术也有很大的发展。基于人工神经网络的模式识别技术在手写字符的识别、汽车牌照的识别、指纹识别、语音识别等方面已经有许多成功的应用。模式识别技术是智能计算机和智能机器人研究的十分重要的基础 机器视觉 实验表明，人类接受外界信息的80％以上来自视觉，10％左右来自听觉，其余来自嗅觉、味觉及触觉。在机器视觉方面，只要给计算机系统装上电视摄像输入装置就可以“看见”周围的东西。但是，视觉是一种感知，机器视觉的感知过程包含一系列的处理过程，例如，一个可见的景物由传感器编码输入，表示成一个灰度数值矩阵；图像的灰度数值由图像检测器进行处理，检测器检测出图像的主要成分，如组成景物的线段、简单曲线和角度等；这些成分又校处理，以便根据景物的表面特征和形状特征来推断有关景物的特征信息；最终目标是利用某个适当的模型来表示该景物。 视觉感知问题的要点是形成一个精练的表示来取代极其庞大的未经加工的输入情息，把庞大的视觉输人信息转化为一种易于处理和有感知意义的描述。 机器视觉可分为低层视觉和高后视觉两个层次，低层视觉主要是对视觉团像执行预处理，例如，边缘检测、运动目标检测、纹理分析等，另外还有立体造型、曲面色彩等，其目的是使对象凸现出来，这时还谈不上对它的理解。高层视觉主要是理解对象，显然，实现高层视觉需要掌捏与对象相关的知识。 机器视觉的前沿研究课题包括：实时图像的并行处理，实时图像的压缩、传输与复原，三绍景物的建模识别，动态和时变视觉等。 人娄的钉能活动过程主要是一个获得知识并运用知识的过程，知识是智能的基础。为了使计算机具有钉能，能模拟人类的智能行为，就必须使它具有知识。把人类拥有的知识采用适当的模式表示出来以便存储到计算机中，这就是知识表示要解决的问题。知识表示是对知识的一种描述，或者说是一组约定，是一种计算机可以接受的用于描述知识的数据结构，对知识进行表木就是把知识表示咸便于计算机存储和利用的菜种数据结构。知识表示方法给出的知识表示形式称为知识表示程式，知识表示模式分为外部表示模式和内部表示模式两个层次。知识外部表示模式是与软件开发的工具、运行的软件平台无关的知识表示的形式化描述。知
葡萄酒的质量和哪些因素有关 1原料 葡萄的质量由品种、栽培气候和栽培工艺共同决定。品种是基础，工艺是辅助，而栽培气候则决定了能否种植出优质的葡萄。那么什么样的气候适合种植葡萄呢？我们可以从雨量、温差、光照几个方面讨论。葡萄是抗旱不抗涝的植物，且根系十分发达，可以深入地底汲水。所以年降雨量在300-500mm比较合适。在葡萄成熟的季节，雨量越少越好，因为过的雨量会滋生病虫害。同时降低光照。葡萄是喜光性植物，如果无法获得充足的光照，葡萄将无法进行充足的光合作用，呈味物质、葡萄花色素、芳香物质等都无法良好的积累。葡萄的含糖量是由昼夜温差决定的，当白天温度较高，葡萄进行光合作用积累的糖分多，晚上温度低葡萄进行呼吸作用消耗的糖分少，所以葡萄的含糖量就会高。同时，在弱呼吸作用的条件下，苹果酸被消耗掉。葡萄将会糖高而酸度适中。 2.生产工艺 白葡萄酒的工艺要点在于低温澄清，而红葡萄酒的工艺要点是皮渣的浸提和皮渣分离。由于白葡萄酒是纯汁发酵，在发酵过程中不存在浸渍作用。而干白葡萄酒的质量，主要由葡萄品种的一类香气和源于酒精发酵的二类香气以及酚类物质的含量所决定。所以，在葡萄品种一定的条件下，葡萄汁的取汁速度及其质量、影响二类香气形成的因素和葡萄汁及葡萄酒的氧化现象即为影响干白葡萄酒质量的重要工艺条件。发酵前的葡萄汁澄清与否，主要影响一类香气和酒精发酵的二类香气及酚类物质的含量。 干红葡萄酒的质量主要决定于酚类物质的种类和含量，必须有能达到红葡萄酒颜色要求的色素，还必须有合适的单宁结构，浓郁复杂的香气同样是红葡萄酒必不可少的质量因素。浸渍作用对红葡萄酒的酿造是必需的，合理的浸渍条件和强度既可以获得满意的颜色，又可以获得丰满柔和的口感。在红葡萄酒酿造中，为了将红葡萄酒皮渣中的优质单宁、花色素、酚类化合物以及芳香物质转移到发酵酒中，需加强对皮渣的浸提。适宜的发酵温度，果胶酶，酿酒单宁的应用和合理的带皮发酵时间等，都具有重要意义。传统浸渍工艺中浸渍与发酵是同时进行
美国新橡木桶贮存赤霞珠干红葡萄酒W2B5理化指标分析 班级：生工081 学号：080302101 姓名：杨冲 摘要：本实验以美国新橡木桶贮存赤霞珠干红葡萄酒为原料,根据GBT 15038-2006 葡萄酒、果酒通用分析方法测定样品的总酸、挥发酸、酒精度、干浸出物、总浸出量、残糖、单宁、色度、色调、总酚、总SO2、明胶指数、盐酸指数、pH、可溶性固形物。结果显示, 葡萄酒的各项理化指标符合国家新标准中的规定。本文讨论分析了橡木桶对赤霞珠干红葡萄酒储存过程中理化指标的影响。 关键词：赤霞珠；橡木桶；干红葡萄酒；理化指标；分析检测 1 引言 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, 是世界公认的对人体有益的健康酒精饮品。葡萄酒具有很高的营养价值和保健作用, 内含一种称为白藜芦醇的物质, 以红葡萄酒中含量最多, 可用于癌症的化学预防。葡萄酒能调节人体新陈代谢, 促进血液循环, 防止胆固醇增加, 同时还有利尿、激发肝功能和防止衰老的作用, 长期适当适量( 每天控制在50mL) 饮用, 可以起到滋补、强身、美容的作用, 可防止坏血病、贫血、眼角膜炎, 降低血脂, 促进消化, 对预防癌 症和医治心脏病大有禆益。 干红葡萄酒中含有人体维持生命活动所需的三大营养素：维他命、糖及蛋白质。葡萄糖是人类维持生命、强身健体不可缺少的营养成分，是人体能量的主要来源。近年来也越来越受广大顾客的青睐。本研究的目的就是通过对赤霞珠干红葡萄酒理化指标的检测，保障酒的质量，并通过检测分析在制作、品种、贮存工具、贮存条件相同的情况下，只有贮存时间不同对酒理化性质的比较分析。 由于橡木桶贮存过的葡萄酒日益得到消费者的认可，橡木桶便越来越受到世界各地的酿酒师的青睐。橡木香气是木桶贮藏的葡萄酒中最常见的香气。经过木桶贮藏，葡萄酒逐渐氧化成熟。新、旧橡木桶也会对葡萄酒产生一定影响，随着贮酒次数的增加，木桶的贮藏效果逐渐减弱。几乎有葡萄酒出产的地方都可以见到赤霞珠的身影，但是它在世界各地区的表现是有所差异的，不同的地区由于气候不同导致葡萄的质量不同。本文研究的是美国新橡木桶贮存赤霞珠干红葡萄酒的理化指标差异。 2 材料与方法 2.1 原料 美国6#新橡木桶贮存2#赤霞珠干红葡萄酒（W2B6）2010年10月—2011年6月的九个样品。 2.2 试剂与仪器 试剂： NaOH 标准液，费林溶液Ⅰ、Ⅱ液，葡萄糖标液，福林-肖卡、福林-丹尼斯(试剂等。 仪器：分析天平，分光光度计， pH计等。
图像校正及分割处理软件设计与实现《图像分析与模式识别》课程期末大作业报告 课程名称：图像分析与模式识别
目录 图像校正及分割处理软件设计与实现 (1) 1 软件需求 (1) 1.1 操作界面需求分析 (1) 1.2 图像几何校正需求分析 (1) 1.2 ISODATA聚类算法的图像分割需求分析 (2) 2 算法原理及流程图 (2) 2.1 Hough变换 (2) 2.1.1 Hough变换原理 (2) 2.1.2 图像几何校正流程 (3) 2.2 ISODATA算法原理 (3) 2.2.1 ISODATA算法原理步骤 (3) 2.2.1 ISODATA算法流程图 (5) 3 程序设计框图 (6) 4 实验结果及分析 (7) 4.1 图像几何 (7) 4.1.1 支票图像几何校正结果 (7) 4.1.1 支票图像几何校正结果分析 (8) 4.2 图像分割 (8) 4.2.1图像分割结果 (8) 4.2.1图像分割结果分析 (10) 附录： (11) 附录一：图像几何校正代码 (11) 附录一：ISODATA聚类算法图像分割代码 (11) 附录一：MATLAB的GUI操作界面代码 (17)
图像校正及分割处理软件设计与实现 摘要：设计一种图像几何校正及图像分割处理软件，实现对倾斜支票图像校正为水平，及对已给的图像进行分割。图像几何校正主要通过边缘检测、Hough 变换、求倾斜角、图像旋转等算法实现；图像分割采用ISODATA聚类算法实现。实验结果表明，实现了对倾斜支票图像几何校正和对图像的分割功能。 关键词：边沿检测；Hough变换、图像旋转、ISODATA算法；图像分割； 1 软件需求 需求分析是指对要解决的问题进行详细的分析，弄清楚问题的要求，包括整个系统所要实现的功能。 根据题目，设计需要编写带有操作界面的图像处理软件，功能包含图像几何校和基于ISODATA聚类算法的图像分割。开发工具使用MATLAB。根据MATLAB的特点及需要实现的软件功能，软件需求分析如下： 1.1 操作界面需求分析 软件实现的功能是图像处理，因此操作界面中需要一个按钮，用于选择待处理的图像，称为“图像选择”按钮；选择的原始图像需要在操作界面中显示，因此需要一个用于显示原始图像的坐标控件；由于软件需要实现多功能，需要一个下拉框实现功能的选择；一个开始功能处理的按钮，称为“开始处理”按钮；一个用于显示图像处理结果的坐标控件。最后需要一个退出操作界面的按钮，称为“退出”按钮。 1.2 图像几何校正需求分析 原始图像在拍照时出现了倾斜，需要将图像校正，消除倾斜。通过对图像的观察，图像是一支票，支票上存在表格。因此想法是通过检测支票表格边框线的倾斜角，就是整图像的倾斜程度，然后根据这个倾斜角旋转，便可得到校正的水平图像。要检测支票图像表格边框直线。需要对图像的边缘进行检测，图像的边缘检测方法很多，如：sobel算子边缘检测，prewitt算子边缘检测，roberts 算子边缘检测，log算子边缘检测，canny算子边缘检测等，由于原图的噪声并不是很严重，因此上面这些边缘检测办法都能胜任，这里使用log算子进行边缘检测，为了适应其它边缘检测方法，本设计需要尽量在改变边缘检测方法时尽可能少地修改代码。边缘检测后，采用Hough变换提取直线，然后在提取的直线上找两个点，计算出直线的倾斜角度。最后根据这个倾斜角度对图像进行旋转。
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/7813840539.html,/journal/aam https://www.doczj.com/doc/7813840539.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/7813840539.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。