下载文档原格式
（一）葡萄酒观察方法1 酒液总体观察1.1 澄清度观察衡量葡萄酒澄清程度的指标有透明度、浑浊度等，与之相关的指标还有是否光亮、有无沉淀等。
优良的葡萄酒必须澄清、透明(色深的红葡萄酒例外)、光亮。
a.澄清：是衡量葡萄酒外观质量的重要指标。
澄清表示的是葡萄酒明净清澈、不含悬浮物。
通常情况下，澄清的葡萄酒也具有光泽。
b.透明度：表示的是葡萄酒允许可见光透过的程度。
红葡萄酒如果颜色很深，则澄清的葡萄酒也不一定透明。
c.浑浊度：表示的是葡萄酒的浑浊程度，浑浊的葡萄酒含有悬浮物。
葡萄酒的浑浊往往是由微生物病害、酶破败或金属破败引起的。
浑浊的葡萄酒其口感质量也差。
d.沉淀：指的是从葡萄酒中析出的固体物质。
沉淀是由于在陈酿过程中，葡萄酒构成成份的溶解度变小引起的，一般不会影响葡萄酒的质量。
1.2 颜色观察葡萄酒的颜色受酒龄影响，新红葡萄酒由于源于果皮花色素苷的作用，通常颜色鲜艳，为紫红色和宝石红色，带紫色色调；在葡萄酒的成熟过程中，丹宁逐渐与游离花色素苷等结合而使成年葡萄酒带有黄色色调。
瓦红或砖红色为成年红葡萄酒的常有的颜色，而棕红色则为在瓶内陈酿10年以上的红葡萄酒的颜色。
因此，可根据颜色，判断葡萄酒的成熟状况。
葡萄酒的颜色和口感的变化存在着平行性，颜色和口感之间必须相互协调平衡。
颜色的深浅反应葡萄酒的结构、丰满度以及尾味和余味。
如在红葡萄酒中，颜色的深浅与丹宁的含量往往正相关。
如果红葡萄酒颜色深而浓，几乎处于半透明状态，多数情况下它必然醇厚、丰满、丹宁感强。
相反，色浅的葡萄酒，则味淡、味短。
当然，如果较柔和，具醇香，仍不失为好酒。
例如瓦红色的红葡萄酒，必须与浓郁的醇香和柔顺的口感同时存在，否则表明该酒是人工催熟条件下陈酿而未能表现出最佳感官质量。
带紫色的新葡萄酒往往口味平淡、瘦弱、尖酸、粗糙；褐色过重的成年葡萄酒，氧化过重、老化。
1.3 浑浊度观察观察葡萄酒有无下列情况：略失光，失光，欠透明，微混浊，极浑浊，雾状混浊，乳状混浊；1.4 沉淀观察观察葡萄酒有无下列情况：有无沉淀，沉淀类型：纤维状沉淀，颗粒状沉淀，絮状沉淀，酒石结晶，片状沉淀，块状沉淀。
2012高教社杯全国大学生数学建模竞赛题目（请先阅读“全国大学生数学建模竞赛论文格式规范”）A题葡萄酒的评价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？附件1：葡萄酒品尝评分表（含4个表格）附件2：葡萄和葡萄酒的理化指标（含2个表格）附件3：葡萄和葡萄酒的芳香物质（含4个表格）答案仅供参考：1. 分析附件1中两组评酒员的评价结果有无显著性差异根据表1计算的各取样点葡萄质量综合评分结果, 结合当地气象资料,进行相关普查和回归分析, 挑选出相关性显著, 并通过0. 01显著性检验的11个因子, 果实着色期平均最低气温(Tn45 )、果实着色期平均日较差(D45 )、果实着色期平均相对湿度(U45 )、果实着色期降水量(R 45 )、果实着色期水热系数(K 45 )、全生育期平均相对湿度(Ug )、全生育期降水量(Rg )、全生育期水热系数(Kg )、7~ 8月份降水量(R 7- 8 )、日照时数( S7- 8 )、水热系数(K 7- 8 )。
利用DPS3. 01 数据处理系统对这些影响因素进行因子分析, 并进行倾斜旋转( promaxrotation)得到11种影响酿酒葡萄品质气象因子结构如表5。
2011高教社杯全国大学生数学建模竞赛城市表层土壤重金属污染分析摘要本文主要研究重金属对城市表层土壤污染的问题,我们根据题目所给定的一些数据和信息分析并建立了扩散传播模型、权重分配模型、对比模型和转换模型解决问题。
首先，我们利用Matlab 软件拟出该城区地势图（图1），根据所给数据绘出该地区的三维地势及采样点在其上的综合空间分布图。
之后将8种重金属的浓度等高线投影到该地区三维地形图曲面上，接着分别计算8种重金属在五个区域的平均值，立体图和平面图（图1附件）相结合便可得出8种重金属元素在该城区的空间分布。
其次，在确定该城区内不同区域重金属的污染程度时，我们运用两种方法进行解答。
先假设各重金属毒性及其它性质相同，运用公式ijij P C P ='求出各区域各金属相对于背景平均值的比值作为金属污染程度，再运用1ji ij j C C ==∑求出各区域重金属污染程度，并将各区进行比较。
之后，我们加上各重金属的毒性，对各重金属求出权数，再结合国标重金属污染等级和已知的各组数据来确定金属的污染程度。
由上述两种方法的对比，更准确地得出重金属对各区的影响程度。
即： 工业区>交通区>生活区>公园绿地区>山区 并根据第一个模型的数据来说明重金属污染的主要原因。
再次，对重金属污染物的传播特征进行了分析，判断出重金属污染物主要是通过大气、土壤和水流进行传播。
在分析之中，我们得出这三种状态的传播并不是孤立存在的，而是可以相互影响和叠加的，因此，我们分别建立三个传播模型，再对这三个传播模型进行了时间和空间上的拟合，得出重金属浓度最高的区域图，并结合各重金属的分布图（图6）来确定各污染源的位置。
最后，本题中只给出了重金属对土壤的污染，对于研究城市地质环境的演变模式，还需要搜集一些信息（图7）。
根据每种因素对地质环境的影响程度进行由定性到定量的转化。
建立同一地质时期地质环境中各因素的正影响和负影响的权重分配模型，再对这些权重进行验算和修正。
葡萄酒质量评定模型摘要葡萄酒质量的评定长久以来都是采用聘请品酒员，通过品酒员对葡萄酒各项指标打分求和来确定葡萄酒的质量。
葡萄酒的价格因品酒员评分高低的不同有显著的差别。
然而在这样的评定方式中人的主观因素对酒质量的评定占主导地位，葡萄酒质量的评定结果存在较大的不确定性。
随着人们对葡萄酒消费的增加及高质量化的追求，建立合理、规范、客观的葡萄酒质量评定模型显得尤为重要。
根据题中给出的相关数据，通过解决以下问题建立葡萄酒质量评定模型。
对于问题一：首先，将题目附录1中的数据经Excel处理，得到每组评酒员对每种酒样品的总分。
然后，对每一种酒样品运用两配对样本的非参数检验(符号秩和检验)对数据进行显著性差异分析，运用MATLAB软件比较各酒样品的两组数据发现两组结果差异显著。
其次，通过Excel求出每一种酒的品酒员所打总分的方差，得到两组品酒员分别对两类葡萄酒的方差走势图(见图1.1、1.2)，根据总体方差最小，方差波动较小，确定第二组品酒员的评分更可信。
最后，采用SPSS软件作进一步检验，结果相同即模型合理。
对于问题二，选取一级理化指标作为酿酒葡萄分级参考，对理化指标运用主成分分析法降维，通过MATLAB计算得到红葡萄的主成分有8个，白葡萄的主成分有11个。
综合评分得到的葡萄酒质量影响，红葡萄的影响因素有9个，白葡萄的影响因素有12个。
然后，利用折衷型模糊决策模型，考虑到由主成分分析方法得到的酿酒葡萄的的主成分值在反应酿酒葡萄质量好坏问题上会有一定的偏差，利用三角模糊的表达方式对主成分指标值进行表示，分别将红、白两类酿酒葡萄按隶属度大小排序，在运用聚类分析的方法，利用SPSS软件将葡萄划分为五个等级(见表格2.1)。
对于问题三，数据的庞杂是解决该问题的难点。
我们运用问题二中的主成分分析方法将理化指标转化为几个主成分，并运用MATLAB编程求出具体的主成分数值，然后建立线性回归模型，求解出酿酒葡萄与葡萄酒理化指标主成分之间的相关关系，从而反映出酿酒葡萄与葡萄酒理化指标之间的联系。
2012数模国赛a题摘要：一、问题的背景和重要性1.2012 年数学建模国赛简介2.问题A 的出题背景和现实意义二、问题A 的具体内容1.问题A 的题目描述2.问题A 的关键词和难点分析三、解题思路和方法1.对问题A 的题目描述进行理解和抽象2.确定问题A 的研究目标和关键变量3.选择合适的数学模型和计算方法4.对计算结果进行分析和解释四、解题过程中的注意事项1.时间分配和团队合作2.对题目描述和计算方法的理解和选择3.对计算结果的分析和解释五、结论和建议1.对问题A 的解答和总结2.对数学建模竞赛的建议和展望正文：一、问题的背景和重要性2012 年数学建模国赛是我国高校数学建模竞赛中的一项重要赛事，旨在通过解决实际问题，提高学生的数学应用能力和创新能力。
问题A 是本次竞赛中的一道具有现实意义的问题，涉及到城市交通、人口流动等多个方面，对于提高学生的问题分析和解决能力具有很好的促进作用。
二、问题A 的具体内容问题A 的题目描述为：“假设某城市有N 个小区，每个小区的人口数量为P，小区之间的出行需求通过M 条道路连接。
现有一批居民需要从一个小区A 出发，到达另一个小区B。
请问如何规划这些居民的出行路线，使得总的出行时间最短？”三、解题思路和方法首先，我们需要对题目描述进行理解和抽象，明确题目中的关键变量和目标。
在本题中，关键变量包括小区的人口数量、道路的连接情况、居民的出行需求等，目标是最小化居民的出行时间。
其次，我们需要选择合适的数学模型和计算方法。
对于此类问题，常用的方法有最小生成树算法、最短路径算法等。
在本题中，我们选择了Dijkstra 算法来求解最短路径。
最后，我们需要对计算结果进行分析和解释。
在本题中，我们通过计算得到了每个小区到目标小区的最短出行时间，并对结果进行了分析和解释。
四、解题过程中的注意事项在解题过程中，我们需要注意时间分配和团队合作。
由于数学建模竞赛的时间有限，我们需要合理安排时间，确保每个步骤都能按时完成。
图一的两组红葡萄酒的平均值、和标准差第二组红葡萄酒标准差平均值标准差酒样品1 9.638465 酒样品1 68.1 9.048634 酒样品2 80.3 6.307843 酒样品2 74 4.027682 酒样品3 80.4 6.769211 酒样品3 74.6 5.541761 酒样品4 68.6 10.39444 酒样品4 71.2 6.425643 酒样品5 73.3 7.874713 酒样品5 72.1 3.695342 酒样品6 72.2 7.728734 酒样品6 66.3 4.595892 酒样品7 71.5 10.17895 酒样品7 65.3 7.91693 酒样品8 72.3 6.634087 酒样品8 66 8.069146 酒样品9 81.5 5.739725 酒样品9 78.2 5.072803 酒样品10 74.2 5.51362 酒样品10 68.8 6.014797 酒样品11 61.7 7.91693 酒样品11 61.6 6.168018 酒样品12 53.9 8.924996 酒样品12 68.3 5.012207 酒样品13 74.6 6.703233 酒样品13 68.8 3.910101 酒样品14 73 6 酒样品14 72.6 4.812022 酒样品15 58.7 9.250225 酒样品15 65.7 6.429965 酒样品16 74.9 4.254409 酒样品16 69.9 4.483302 酒样品17 79.3 9.381424 酒样品17 74.5 3.02765 酒样品18 59.9 6.871034 酒样品18 65.4 7.089899 酒样品19 69.4 6.25744 酒样品19 72.6 7.426679 酒样品20 78.6 5.103376 酒样品20 75.8 6.250333 酒样品21 77.1 10.77497 酒样品21 72.2 5.95912 酒样品22 77.2 7.11493 酒样品22 71.6 4.926121 酒样品23 85.6 5.699903 酒样品23 77.1 4.976612 酒样品24 78 8.653837 酒样品24 71.5 3.27448 酒样品25 69.2 8.038795 酒样品25 68.2 6.613118 酒样品26 73.8 5.593647 酒样品26 72 6.44636 酒样品27 73 7.055337 酒样品27 71.5 4.527693图二两组白葡萄酒的平均值、和标准差第一组白葡萄酒第二组白葡萄酒干白品种平均值标准差干白品种平均值标准差酒样品1 82 9.60324 酒样品1 77.9 5.087021 酒样品2 74.2 14.1798 酒样品2 75.8 7.00476 酒样品3 85.3 19.10817 酒样品3 75.6 11.93687 酒样品4 79.4 6.686637 酒样品4 76.9 6.488451 酒样品5 71 11.24475 酒样品5 26.1 5.126185 酒样品6 68.4 12.75583 酒样品6 75.5 4.766783 酒样品7 77.5 6.258328 酒样品7 74.2 1.212265 酒样品8 71.4 13.54991 酒样品8 72.3 5.578729 酒样品9 72.9 9.631545 酒样品9 80.4 10.30857 酒样品10 74.3 14.58348 酒样品10 79.8 8.390471酒样品11 72.3 13.30873 酒样品11 71.4 9.371351 酒样品12 63.3 10.76052 酒样品12 72.4 11.83404 酒样品13 65.9 13.06777 酒样品13 73.9 6.838616 酒样品14 72 10.68748 酒样品14 77.1 3.984693 酒样品15 72.4 11.4717 酒样品15 78.4 7.351493 酒样品16 74 13.34166 酒样品16 53.1 9.06826 酒样品17 78.8 12.00741 酒样品17 80.3 6.201254 酒样品18 73.1 12.51177 酒样品18 76.7 5.498485 酒样品19 72.2 6.811755 酒样品19 76.4 5.103376 酒样品20 77.8 8.024961 酒样品20 43.2 7.07421 酒样品21 76.4 13.14196 酒样品21 79.2 8.024961 酒样品22 71 11.77568 酒样品22 79.4 7.321202 酒样品23 75.9 6.607235 酒样品23 77.4 3.405877 酒样品24 73.3 10.54145 酒样品24 76.1 6.208417 酒样品25 77.1 5.820462 酒样品25 79.5 10.31988 酒样品26 81.3 8.53815 酒样品26 74.3 7.532168 酒样品27 64.8 12.01666 酒样品27 77 5.962848 酒样品28 81.3 8.969702 酒样品28 79.6 5.037636描述统计量N 均值标准差方差统计量统计量标准误统计量统计量VAR00003 27 68.5185 1.50722 7.83174 61.336 VAR00004 27 74.4444 2.24201 11.64980 135.718 VAR00005 27 72.7037 2.70265 14.04338 197.217 VAR00006 27 65.2963 1.44393 7.50290 56.293 VAR00007 27 74.1852 2.64469 13.74223 188.849 VAR00008 27 72.7037 2.13091 11.07254 122.601 VAR00009 27 71.2222 1.51002 7.84628 61.564 VAR00010 27 72.0741 1.95456 10.15619 103.148 VAR00011 27 78.4444 1.23035 6.39311 40.872 VAR00012 0Zscore(VAR00003) 0Zscore(VAR00004) 0Zscore(VAR00005) 0Zscore(VAR00006) 0Zscore(VAR00007) 0Zscore(VAR00008) 0Zscore(VAR00009) 0Zscore(VAR00010) 0Zscore(VAR00011) 0Zscore(VAR00012) 0描述统计量N 均值标准差方差统计量统计量标准误统计量统计量VAR00003 27 68.5185 1.50722 7.83174 61.336 VAR00004 27 74.4444 2.24201 11.64980 135.718 VAR00005 27 72.7037 2.70265 14.04338 197.217 VAR00006 27 65.2963 1.44393 7.50290 56.293 VAR00007 27 74.1852 2.64469 13.74223 188.849 VAR00008 27 72.7037 2.13091 11.07254 122.601 VAR00009 27 71.2222 1.51002 7.84628 61.564 VAR00010 27 72.0741 1.95456 10.15619 103.148 VAR00011 27 78.4444 1.23035 6.39311 40.872 VAR00012 0Zscore(VAR00003) 0Zscore(VAR00004) 0Zscore(VAR00005) 0Zscore(VAR00006) 0Zscore(VAR00007) 0Zscore(VAR00008) 0Zscore(VAR00009) 0Zscore(VAR00010) 0Zscore(VAR00011) 0Zscore(VAR00012) 0有效的 N （列表状态）0模型描述模型名称MOD_2因变量 1 VAR000032 VAR000073 VAR000054 VAR000115 VAR00008方程 1 二次自变量VAR00004常数包含其值在图中标记为观测值的变量未指定用于在方程中输入项的容差.0001个案处理摘要N变量处理摘要变量因变量自变量VAR00003 VAR00007 VAR00005 VAR00011 VAR00008 VAR00004 正值数27 27 27 27 27 27 零的个数0 0 0 0 0 0 负值数0 0 0 0 0 0 缺失值数用户自定义缺失0 0 0 0 0 0 系统缺失0 0 0 0 0 0模型描述模型名称MOD_2因变量 1 VAR000032 VAR000073 VAR000054 VAR000115 VAR00008方程 1 二次自变量VAR00004常数包含其值在图中标记为观测值的变量未指定用于在方程中输入项的容差.0001个案处理摘要N个案总数27已排除的个案a0模型描述模型名称MOD_2因变量 1 VAR000032 VAR000073 VAR000054 VAR000115 VAR00008方程 1 二次自变量VAR00004常数包含其值在图中标记为观测值的变量未指定用于在方程中输入项的容差.0001模型描述模型名称MOD_2因变量 1 VAR000032 VAR000073 VAR000054 VAR000115 VAR00008方程 1 二次自变量VAR00004常数包含其值在图中标记为观测值的变量未指定用于在方程中输入项的容差.0001。
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）：CXXY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 09 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）：A题葡萄酒的评价摘要问题一：针对两组评酒员的评价结果需要进行多个平均数间的差异显著性检验，首先应该对数据进行正态分布检验，结论是每一个葡萄酒样品的评价得分都服从正态分布，之后利用SPSS软件进行两独立样本T检验模型进行显著性检验得出两组评酒员的评价结果有显著性差异，结合方差分析得出第二组评分更可信。
问题二：根据酿酒葡萄的理化指标采用聚类分析和主成分分析的方法模型对酿酒葡萄评价，再结合问题一中葡萄酒的质量评价，利用正态分布将两者标准化到统一的评分尺度中，对两者赋予不同的权重系数求总得分，进而对这些酿酒葡萄划分成5个等级。
