1、2023高教社杯全國大學生數學建模競賽承 諾 書我們仔細閱讀了中國大學生數學建模競賽的競賽規那么.我們完全明白，在競賽開始后參賽隊員不能以任何方式包括 、電子郵件、網上咨詢等與隊外的任何人包括指導教師研究、討論與賽題有關的問題。我們知道，抄襲別人的成果是違反競賽規那么的, 如果引用別人的成果或其他公開的資料包括網上查到的資料，必須按照規定的參考文獻的表述方式在正文引用處和參考文獻中明確列出。我們鄭重承諾，嚴格遵守競賽規那么，以保證競賽的公正、公平性。如有違反競賽規那么的行為，我們將受到嚴肅處理。我們授權全國大學生數學建模競賽組委會，可將我們的論文以任何形式進行公開展示包括進行網上公示，在書籍、

2、期刊和其他媒體進行正式或非正式發表等。我們參賽選擇的題號是從A/B/C/D中選擇一項填寫：A 我們的參賽報名號為如果賽區設置報名號的話：132所屬學校請填寫完整的全名 大連海事大學 參賽隊員 (打印并簽名) ：1. 2.3.指導教師或指導教師組負責人 (打印并簽名)： 日期：年月日賽區評閱編號由賽區組委會評閱前進行編號：2023高教社杯全國大學生數學建模競賽編 號 專 用 頁賽區評閱編號由賽區組委會評閱前進行編號賽區評閱記錄可供賽區評閱時使用：評閱人評分備注全國統一編號由賽區組委會送交全國前編號：全國評閱編號由全國組委會評閱前進行編號：葡萄酒的評價摘要：本文主要需要解決的問題是將葡萄酒從評酒師

3、感官方面的定性評價通過一定的數據處理與數學模型的建立轉化為由釀酒葡萄和葡萄酒理化指標做根底的定量的葡萄酒評價方法。 考慮到紅葡萄酒和白葡萄酒之間的差異性，我們對它們分別進行討論。 針對題目中的問題，我們通過如下的方法去解決：1第一問是對評酒員評分的差異性的分析與可信度的分析。 我們通過傳統統計學的平均數與標準差的計算方法，計算各葡萄樣品評酒員所打分數的平均值與每組評酒員之間所打分數的標準差，再進行作圖比擬，得出我們想要的結論。 第二問是根據釀酒葡萄的理化指標對釀酒葡萄進行分級。 我們首先通過計算各理化指標的Pearson相關系數矩陣，分析各指標之間的Pearson相關系數，得到高度相關的理化指

4、標。 再通過聚類的方法，將這些理化指標聚合成一類因子。 最后通過對各因子與葡萄酒質量的數據擬合，得出一定的函數關系式，結合前蘇聯對葡萄酒的評價模型與張大鵬檢驗模型對關系式進行檢驗。第三問是分析釀酒葡萄和葡萄酒理化指標之間的聯系。 我們首先選取一些含量大且對葡萄酒質量有較大影響的理化指標。對這些指標進行數據擬合與修正，得出我們想要的函數關系式。第四問是分析葡萄酒和釀酒葡萄中理化指標之間對葡萄酒質量的影響，并論證它們能否用來對葡萄酒質量進行評價。 首先，我們結合第二問與第三問的結論，建立第四問的擬合模型。再通過該模型計算各葡萄酒樣品的相對值并與評酒員所打分數進行比擬論證其可行性。關鍵詞：平均數 標

5、準差 聚類 統計學原理 Pearson相關系數 數據擬合 代表性分析 Pearson相關系數 前蘇聯評價模型 張大鵬檢驗模型背景及意義： 在葡萄酒開展的歷史中，沒有一個特定的公式或模型通過測量計算葡萄酒與釀酒葡萄的理化指標來對葡萄酒質量進行評價。而是通過評酒師的打分對葡萄酒進行分級評價，這種評價方法受偶然因素與評酒師人為因素影響較大，故存在一定的誤差。 我們對題目所給數據的分析以及試圖建立這樣一個評價模型，對于葡萄酒開展以及評價具有一定的推動作用。但我們的模型仍然存在一定的誤差，所以對于這類模型的建立，葡萄酒制造業還需要通過一定時間去研究。問題的重述 葡萄酒在人類物質生活領域發揮著其獨特的作用

6、，但是對于葡萄酒的質量評價葡萄酒界一直沒有一個統一明確的方法。一般的評價僅僅通過聘請資深評酒員品評，然后對其分類指標進行打分，從而求和獲得其總分以判斷葡萄酒的優劣。 在實際生產過程中，葡萄酒的優劣與釀酒葡萄的好壞有著直接關系。釀酒葡萄的好壞往往可以通過其檢測得出的理化指標進行區分。 現在得到了紅葡萄酒樣品27組、白葡萄酒樣品28組的理化指標附件2、芳香物質含量附件3以及兩組評酒員對于它們的評價附件1，另外我們還得到了這些樣品對應的釀酒葡萄的理化指標附件2以及芳香物質含量附件3。 我們將通過數學模型的建立與數學方法的運用完成以下的幾個問題：1利用附件1的數據，比擬分析兩組評酒員的評價結果是否有顯

7、著差異并判斷出更值得信任的一組評酒員。2利用附件2與附件3，結合附件1的局部數據，通過釀酒葡萄的理化指標和對應葡萄酒的質量對釀酒葡萄進行分級。3利用附件2與附件3，尋找釀酒葡萄與葡萄酒的理化指標之間的數學關聯性。4尋找釀酒葡萄和葡萄酒的理化指標對葡萄酒質量的數學關聯性，并論證能否用這個關聯性對葡萄酒進行評價。根本假設與符號約定 為了討論問題的方便起見，我們做如下假設：假設兩組評酒員在同一時間同一地點的理想條件下進行品酒工作，且相互之間不受相互之間的主觀影響。假設附件2中各理化指標之間沒有直接關聯性且不相互影響，一個指標的變化不會同時引起多個指標的變化。題目所給的理化指標附件2與芳香物質附件3太

8、過復雜，因此，我們將在必要的時候選取主要的指標進行分析或者通過聚類的方式，將物質屬性相類似的指標加和后進行分析。4最后所得結果僅適合于此題背景，不排除其他環境中模型有較大的誤差。 在此，我們也約定文中所用符號如下：y評酒員所打分數代表值r樣本之間的Pearson相關系數f釀酒葡萄樣品酚類因子的值h釀酒葡萄樣品花色類因子的值t釀酒葡萄樣品糖類因子的值釀酒葡萄樣品芳香類因子的物質的量各芳香類物質的量的和n釀酒葡萄樣品各芳香類物質的物質的量葡萄酒樣品花色苷含量的值釀酒葡萄樣品花色苷含量的值葡萄酒樣品單寧含量的值釀酒葡萄樣品單寧含量的值葡萄酒樣品總酚含量的值釀酒葡萄樣品總酚量的值葡萄酒樣品酒總黃酮含量

9、的值釀酒葡萄樣品酒總黃酮含量的值葡萄酒樣品的理化指標釀酒葡萄的理化指標Q葡萄酒的質量度量值w個人外觀喜好系數k個人口感喜好系數d個人甜度喜好系數x個人香味喜好系數3.問題的分析與求解的根本思路 我們的目標有三個，首先比擬兩組評酒員評價結果有無顯著性差異并得出可信的一組數據，其次對釀酒葡萄進行分級，然后建立釀酒葡萄與葡萄酒理化指標之間的函數關系，最后論證能否用葡萄和葡萄酒的理化指標評價葡萄酒的質量。 1第一個問題的思路比擬直接，根據題目條件，首先我們求得兩組評酒員對各組葡萄所評總分，然后通過求得每個葡萄樣品各組評酒員打出的平均分進行縱向比擬，再次我們求出每組葡萄樣品兩組評酒員之間相互的標準差進行

10、橫向比擬，最后得出我們的結論。 2第二個問題的數據量龐大，我們那么通過聚類的方法計算各理化指標間的Pearson相關系數將各相關性比擬高的理化指標進行聚為一類因子，再分析這些因子與評酒員所打的分數之間的關系，擬合出較適合的函數模型。最后，通過擬合的函數模型所求的各釀酒葡萄的函數值與前蘇聯葡萄酒評價公式以及張大鵬葡萄酒評價公式所得的值進行比擬，對各釀酒葡萄進行分級。 3第三個問題由于各理化指標關系的復雜性，我們選擇了紅葡萄樣品中比擬有代表性的4個指標以及白葡萄樣品中比擬有代表性的3個指標進行分析。通過對這些指標的數據擬合，我們得出釀酒葡萄各理化指標與葡萄酒各理化指標之間的函數關系式，從而分析得到

11、總的大致函數關系式。 4對于第四個問題的解決，我們在第二與第三個問題的根底上，擬合出釀酒葡萄和葡萄酒理化指標與葡萄酒質量之間的關系式，即總評價式，其值為Q。然后再重新計算各酒樣品的Q值并排序，再與第一問可信一組評酒員對酒樣品所打的平均分排序后的結果進行比擬，論證總評價式的可行性。4.模型的建立與求解4.1兩組評酒員評價的差異性與可信度分析 在解決這一問題中，我們用到了兩個統計學概念平均數與標準差：假設有一組數值 , ., 皆為實數其平均值為： 此組數值的標準差為： 根據我們對附件1數據的整理，我們得出兩組評酒員和每組酒樣品的平均分與標準差見附表1，通過Excel畫圖功能，我們繪制得到它們的散點

12、圖：4.1.1-1兩組評酒員A1、A2對紅葡萄酒樣品的評價平均值散點圖4.1.1-2兩組評酒員B1、B2對白葡萄酒樣品的評價平均值散點圖 我們通過觀察圖上數據發現如下特點： 4.1.1第一組評酒員在對紅葡萄酒的評價中其打的分數明顯低于第二組評酒員，而在對白葡萄酒的打分中那么明顯高于第二組評酒員。所以我們認為第一組評酒員更加偏愛于白葡萄酒，第二組評酒員更加偏愛于紅葡萄酒。評酒員各有所愛，因此我們無法判斷哪組評酒員更可信。4.1.2-1每組評酒員之間A1、A2對紅葡萄酒樣品的評價標準差散點圖4.1.2-2每組評酒員之間B1、B2對白葡萄酒樣品的評價標準差散點圖 我們通過觀察圖上數據發現如下特點：

13、4.1.2無論是紅葡萄酒還是白葡萄酒，第二組評酒員所評分數的標準差普遍小于第一組評酒員，說明第二組評酒員相互之間的評價不存在較大分歧。根據?OIV國際葡萄酒評比標準?1中不同的評酒員對同一酒樣的評嘗有較大差異時要求對樣品進行第二次評判，所以第一組評酒員需要對酒樣品進行第二次評判的可能性大于第二組。 4.1.3綜合以上討論，我們認為第二組評酒員評價結果更可信，在本文后續的問題計算中，我們默認評酒員的分數即為第二組評酒員對各酒樣品所打的分數總分的平均值。4.2對釀酒葡萄的分級在我們對附件2數據的觀察中，我們釀酒葡萄的理化指標中的各項指標數據量非常龐大，首先，我們將各理化指標中屢次測量的值用它們的平

14、均數表示見附表1。其次，我們采用聚類的方法對它們進行歸納。在聚類的過程中，我們通過計算各理化指標的Pearson相關系數并比擬，得出聚類的大致目標。 在統計學中，Pearson相關系數，通常用r或是表示，是用來度量兩個變量X和Y之間的相互關系線性相關強弱的。兩個變量之間的Pearson相關系數定義為這兩個變量的協方差與二者標準差積的商，即上式定義了總體相關系數。假設用樣本計算的協方差和標準差代替總體的協方差和標準差，那么為樣本相關系數，一般用r表示：另外一個與上式等效的定義相關系數的公式是通過標準化以后變量均值的積定義的。假設樣本可以記為，那么樣本Pearson相關系數為其中，和分別為標準化變

15、量，樣本均值和樣本標準差。4.2.1對釀酒紅葡萄的分級4.2.1.1 對釀酒紅葡萄理化指標的聚類我們運用Excel中CORREL函數計算得到各釀酒紅葡萄理化指標的Pearson相關系數r。結合統計學原理2與此題實際情況，我們選取r=5作為度量值，r5那么兩個指標呈高度相關,5r0呈低度相關,r200的酒樣號：8、1、14、2、23、9二級200y150的酒樣號：27、7、3、10、16三級150y60的酒樣號：19、22、25、24、20、5、21、15四級y300的酒樣號：15、27、14、28、242二級300y250的酒樣號：12、25、5、22、18、10、23、133三級250y20

16、0的酒樣號：11、7、26、20、4、6、19、9、3、164四級y30的酒樣號：1、8、9、2、232二級30Y14的酒樣號：14、24、3、19、5、4、21、73三級14Y8的酒樣號：17、15、22、16、26、13、25、18、64四級Y14的酒樣號：24、11、2、12、5、272二級14Y5的酒樣號：14、25、21、6、18、10、20、13三級5Y3的酒樣號：23、26、22、15、19、17、4、284四級Y3的酒樣號：13、3、8、9、7、16 相比擬4.2.2中我們根據擬合的分級模型對釀酒白葡萄質量的分級，我們發現在一級酒樣中，原模型與檢驗模型存在較多的一致性，但對二、

17、三、四級酒樣的分級差異明顯性也不大。所以，我們認為我們擬合的原模型具有一定的可行性。4.3釀酒葡萄與葡萄酒理化指標之間的聯系 由于理化指標類型眾多，我們僅選取有代表性的理化指標進行數據擬合，得到一些關系函數式。4.3.1對釀酒紅葡萄與紅葡萄酒理化指標的分析 在此，對于紅葡萄而言，我們選取花色苷、酒總黃酮、單寧與總酚四個代表性的理化指標進行數據擬合。 通過Matlab軟件擬合，我們求得以下函數關系式：(下標為p的為葡萄酒理化指標，下標為l的為釀酒葡萄的理化指標，具體程序語言與圖像見附表7釀酒紅葡萄與紅葡萄酒花色苷含量之間的關系：2釀酒紅葡萄與紅葡萄酒單寧含量之間的關系：3釀酒紅葡萄與紅葡萄酒總酚

18、含量之間的關系：釀酒紅葡萄與紅葡萄酒酒總黃酮含量之間的關系： 我們通過對這幾個函數圖象的觀察，發現在計算的樣品數據范圍內這些理化物質在紅葡萄樣品中的含量越高，那么在紅葡萄酒樣中的含量也越高，且具有一定的遞增關系，我們不難得出其總的關系也是遞增的。所以其可以大致推斷為: 對上述四式分析后，我們得出a大約為1.5 故釀酒紅葡萄與紅葡萄酒理化指標的關系式為：4.3.2對釀酒白葡萄與白葡萄酒理化指標的分析 在此，對于白葡萄而言，因為白葡萄色澤淺，所以討論花色苷沒有太大的實際意義，因此我們選取酒總黃酮、單寧與總酚三個代表性的理化指標進行數據擬合。 通過Matlab軟件擬合，我們求得以下函數關系式：(下標

19、為p的為葡萄酒理化指標，下標為l的為釀酒葡萄的理化指標，具體程序語言與圖像見附表71釀酒白葡萄與白葡萄酒單寧含量之間的關系：2釀酒葡萄與葡萄酒總酚含量之間的關系： 3釀酒葡萄與葡萄酒酒總黃酮含量之間的關系： 我們通過對這幾個函數圖象的觀察，發現在計算的樣品數據范圍內這些理化物質在紅葡萄樣品中的含量越高，那么在紅葡萄酒樣中的含量也越高，且具有一定的遞增關系，我們不難得出其總的關系也是遞增的。所以其可以大致推斷為: 對上述四式分析后，我們得出a大約為0.42 故釀酒紅葡萄與紅葡萄酒理化指標的關系式為：4.4分析釀酒葡萄與葡萄酒的理化指標對葡萄酒質量的關系 我們在4.2中得出了釀酒葡萄的理化指標對葡

20、萄酒質量的函數關系式，而在4.3中我們運用屢次數據擬合的方法得出了葡萄酒理化指標和釀酒葡萄理化指標之間的函數關系式，所以，我們取4.3中所得系數與4.2中的函數關系式相乘，既得出我們想要聯系釀酒葡萄理化指標與葡萄酒理化指標以及葡萄酒質量三個量之間的函數關系式： 1紅葡萄酒質量總評價式： 2白葡萄酒質量總評價式：4.5論證上述總評價式的可行性4.5.1紅葡萄酒總評價式的可行性分析 我們根據總評價式計算得各紅葡萄酒樣品的Q值并按照降序排列所得的酒樣號為： 1至5： 8、1、14、2、23 6至10： 9、27、7、3、10 11至15：16、19、22、25、24 16至20: 20、5、21、1

21、5、18 21至27：17、4、26、6、13、11、12 我們再根據評酒員對各紅葡萄酒樣品的打分按照降序排列所得的酒樣號為： 1至5： 9、23、20、3、17 6至10： 2、14、19、21、5 11至15：26、22、24、27、4 16至20: 16、10、13、12、25 21至27：1、6、8、15、18、7、11 通過比擬我們發現階段性1至15名、15至27中兩組數據有很多相似之處。其中有5組跳躍數據既兩組中階段性不吻合的數據，數據吻合度為81.5%，故而通過紅葡萄酒總評價式評價紅葡萄酒質量還是較為可行的。4.5.2白葡萄酒總評價式的可行性分析 我們根據總評價式計算得各白葡萄酒

22、樣品的Q值并按照降序排列所得的酒樣號為： 1至5： 24、11、2、12、5 6至10： 27、14、25、21、6 11至15：18、10、20、1、23 16至20: 26、22、15、19、17 21至28：4、28、13、3、8、9、7、16 我們再根據評酒員對各白葡萄酒樣品的打分按照降序排列所得的酒樣號為： 1至5： 5、9、17、10、28 6至10： 25、22、21、15、1 11至15：23、14、27、4、18 16至20: 20、19、24、2、3 21至28：6、26、7、13、12、8、11、16 通過比擬我們發現階段性1至15名、15至28中兩組數據有很多相似之處。

23、其中有6組跳躍數據既兩組中階段性不吻合的數據，數據吻合度為78.6%，故而通過白葡萄酒總評價式評價白葡萄酒質量還是較為可行的。4.5.3綜合分析 由于葡萄酒行業歷年為有一個統一的關于釀酒葡萄和葡萄酒理化指標與葡萄酒質量之間的評價關系式，而是通過人工品嘗打分對葡萄酒進行評價，也是出于不同人對于不同酒各方面比方口感、外觀等的喜好不同。所以，通過數學模型評價葡萄酒質量并不能很好地解決個人對于葡萄酒質量的要求，但從總體上評價葡萄酒的質量還是具有可行性的。4.6模型的改良 對于4.5.3所論述的個人差異性，我們可以設置一定的個人喜好系數來對我們的總評價式進行改良：花色類因子含量影響葡萄酒的外觀，那么我們

24、可以設置個人外觀喜好系數為W；酚類因子含量影響葡萄酒的口感，那么我們可以設置個人口感喜好系數為k；糖類因子含量影響葡萄酒的甜度，那么我們可以設置個人甜度喜好系數為d；芳香類因子含量影響葡萄酒的香味，那么我們可以設置個人香味喜好系數x。w、k、d、x的值依據個人情況的不同而各不相同所以我們得到改良后的評價模型為： 1紅葡萄酒質量總評價式： 2白葡萄酒質量總評價式：5結束語本文采用數據擬合的方法，尋找數據間的函數關系，便于后續對葡萄酒質量評價的研究。本文所用的數據分析方法雖然簡單，但卻是一個成熟的數據處理方法，它可以簡明、有效地通過觀測數據來建立相應的函數關系。同時，為了簡化數據我們引入了兩個新穎

25、、實用、有效的處理方法：聚類法： 在對此題第二問的求解中，我們通過計算各種理化指標之間的Pearson相關系數矩陣，觀察各指標間的Pearson相關系數，尋找高度相關的理化指標，對其值進行加和處理。通過將小的理化指標聚合成大的類因子指標，簡化了數據類型，降低了數據維數。2代表性物質分析法： 在對此題第三問的求解中，我們忽略了一局部在葡萄酒以及釀酒葡萄理化指標中含量較小的理化指標，只針對對葡萄酒質量影響大且含量大的理化指標進行數據擬合與分析，在簡化數據類型的同時也使該題的分析具有一定的方向性與導向性。 本文引入的這兩種處理方法，不僅有效地處理了數據類型眾多帶來的困難，而且在討論的過程中，我們也從

26、不同的角度驗證了它們的合理性和有效性。 當然，本文仍有很多需要進一步討論之處。例如，在對特殊數據的處理方面，我們只是在處理中刪去了一局部疑似錯誤的數據而沒有建立一個完整的分析數據是否錯誤的體系；在對葡萄酒的評價中，我們的模型還有待實踐的檢驗。這說明人類在對葡萄酒憑借認為感官定性評價轉變為對葡萄酒理化指標的定量評價的路程仍然漫長。參考文獻1?OIV國際葡萄酒評比標準?2?統計學?P304 賈俊平等著 中國人民大學出版社2023年第4版3?關于葡萄品質的評價指標? 李記明等 (西北農業大學葡萄酒學院陜西楊凌712100)4?基于物理化學性質的葡萄酒質量的可視化評價研究? 王金甲等 燕山大學學報第3

27、4卷第2期 2023年3月5?釀造過程中葡萄酒氨基酸的變化? 曾新安等 (華南理工大學輕工與食品學院，廣東廣州 510640)6?統計方法在葡萄理化指標簡化中的應用? 謝輝等 (新疆農業科學院園藝作物研究所，烏魯木齊830091)附件附表1：兩組評酒員對紅、白葡萄酒樣品評分的數據處理表第一組紅第一組白第二組紅第二組白酒樣號平均數A1標準差A1平均數B1標準差B1平均數A2標準差A2平均數B2標準差B2162.79.638829.60368.19.04977.95.087280.36.30972.414.18744.02875.87.005380.46.76978.38.15274.65.542

28、75.611.937468.610.39479.46.68771.26.42676.96.45573.37.8757111.24572.13.69581.55.126672.27.72968.412.75966.34.59675.54.767771.510.17977.56.25865.37.91774.26.494872.36.63471.413.55668.06972.35.579981.55.7472.99.63278.25.07380.410.3091074.25.8474.314.58368.86.01579.88.391170.18.41272.313.30961.66.16871

29、.49.3711253.98.92563.310.76168.35.01272.411.8341374.66.703665.913.06868.83.9173.96.839147367210.68772.64.81277.13.9851558.79.2572.411.47265.76.4378.47.3511674.94.2547413.34169.94.48367.39.0681779.39.38178.812.00774.53.02880.36.2011859.96.87173.112.51265.47.0976.75.4981978.66.88372.26.81272.67.42776.

30、45.1032078.65.10377.88.02575.86.2576.67.0742177.110.77576.413.14272.25.95979.28.0252277.27.1157111.77671.64.92679.47.3212385.65.6775.96.60777.14.97777.43.40624788.65473.310.54171.53.27476.16.2082569.28.03977.15.8268.26.61379.510.322673.85.59481.38.538726.44674.310.14427737.05564.812.01771.54.528775.

31、9632881.38.9779.65.038附表2：釀酒葡萄各理化指標Pearson相關系數矩陣樣表 由于此表數據比擬大，所以改存為Excel表格，壓縮在電子版論文數據處理表sheet1中，以備查用。附表3： 釀酒葡萄各理化指標的簡化數據表平均值 由于此表數據比擬大，所以改存為Excel表格，壓縮在電子版論文數據處理表sheet2中，以備查用。附表4：釀酒葡萄芳香類物質總物質的量數據處理表樣品號白葡萄紅葡萄樣品號白葡萄紅葡萄葡萄樣品12.52 3.05 葡萄樣品162.41 3.84 葡萄樣品21.70 2.61 葡萄樣品171.98 3.19 葡萄樣品32.62 2.03 葡萄樣品183.8

32、3 2.97 葡萄樣品43.75 2.32 葡萄樣品193.61 2.69 葡萄樣品55.42 3.12 葡萄樣品203.14 7.99 葡萄樣品61.44 3.57 葡萄樣品212.88 3.60 葡萄樣品72.56 2.12 葡萄樣品224.01 5.29 葡萄樣品82.04 2.12 葡萄樣品232.97 9.77 葡萄樣品92.83 2.10 葡萄樣品245.55 2.93 葡萄樣品103.81 2.10 葡萄樣品254.67 60.72 葡萄樣品114.17 3.00 葡萄樣品262.71 25.55 葡萄樣品124.69 4.81 葡萄樣品2711.30 35.87 葡萄樣品134

33、.15 3.32 葡萄樣品289.46 葡萄樣品1418.35 2.42 葡萄樣品1519.95 2.77 附表5釀酒紅葡萄理化指標聚類后的各因子含量數據處理表樣品號花色類因子糖類因子酚類葡萄樣品11527.88 672.31 55.53 葡萄樣品2986.89 662.94 64.51 葡萄樣品3424.58 787.58 53.26 葡萄樣品4152.59 630.82 24.08 葡萄樣品5264.12 618.06 42.77 葡萄樣品6162.13 714.34 32.96 葡萄樣品7494.52 725.18 18.48 葡萄樣品81546.99 622.31 46.63 葡萄樣品

34、9664.95 591.98 75.63 葡萄樣品10503.77 509.85 31.12 葡萄樣品1199.26 657.65 13.41 葡萄樣品12164.56 770.91 23.32 葡萄樣品13165.20 613.46 31.98 葡萄樣品141131.30 640.71 36.77 葡萄樣品15210.79 602.91 43.05 葡萄樣品16590.63 598.92 30.69 葡萄樣品17189.00 722.44 40.13 葡萄樣品18199.10 718.37 18.24 葡萄樣品19318.67 641.03 40.96 葡萄樣品20113.29 629.63

35、 29.23 葡萄樣品21283.54 681.80 37.70 葡萄樣品22491.69 685.25 36.73 葡萄樣品23599.65 629.01 78.83 葡萄樣品24289.61 649.67 31.66 葡萄樣品25190.59 501.01 26.55 葡萄樣品26140.83 566.46 14.83 葡萄樣品27626.39 616.78 24.18 附表6：釀酒白葡萄理化指標聚類后的各因子含量數據處理表酒樣品酚類因子糖類因子酒樣品酚類糖類葡萄樣品111.24 582.27 葡萄樣品1528.69 577.83 葡萄樣品210.33 662.17 葡萄樣品1615.68

36、 600.91 葡萄樣品315.40 652.10 葡萄樣品1717.16 590.66 葡萄樣品411.26 652.86 葡萄樣品1826.78 590.92 葡萄樣品514.50 703.60 葡萄樣品199.95 634.56 葡萄樣品629.49 626.58 葡萄樣品2016.90 699.32 葡萄樣品726.62 602.22 葡萄樣品217.78 671.25 葡萄樣品815.25 550.09 葡萄樣品2224.51 625.53 葡萄樣品913.78 684.01 葡萄樣品2323.43 699.86 葡萄樣品1019.17 703.35 葡萄樣品2430.40 712.

37、23 葡萄樣品1117.43 551.56 葡萄樣品2521.67 728.91 葡萄樣品1224.44 694.57 葡萄樣品2618.46 737.61 葡萄樣品1321.16 537.09 葡萄樣品2783.24 652.60 葡萄樣品1411.41 656.31 葡萄樣品2820.77 711.27 附表7：正文中各擬合函數的Matlab源程序語言：5.7.1釀酒紅葡萄樣品各類理化指標因子的擬合函數語言酚類因子：x=55.533 ,64.507 ,53.261 ,24.084 ,42.774 ,32.958,18.477 ,46.628 ,75.632,31.121 ,13.414 ,

38、23.322 ,31.978 ,36.766 ,43.048 ,30.694 ,40.125 18.239 ,40.960 ,29.229 ,37.699 ,36.727 ,78.829 ,31.656 ,26.551 ,14.82624.183;y=68.1,74,74.6,71.2,72.1,66.3,65.3,66,78.2,68.8,61.6,68.3,68.8,72.6,65.7,69.9,74.5,65.4,72.6,75.8,72.2,71.6,77.1,71.5,68.2,72,71.5;p=polyfit(x,y,1);x1=linspace(0,120,110);y1=po

39、lyval(p,x1);figure(1)plot(x,y,.,x1,y1)函數為：y=0.175x花色因子：x=424.58，152.59，264.12，162.13，194.52，503.77，99.26，164.56 ，165.20 210.79 ，590.63 ，189.00 ，199.10 ，318.67 ，113.29 ，283.54 ，491.69 599.65 ，289.61 ，190.59 ，140.83 ,626.39;y=74.6,71.2,72.1,66.3,65.3,78.2,68.8,61.6,68.3,68.8,72.6,65.7,69.9,74.5,65.4,7

40、2.6,75.8,72.2,71.6,77.1,71.5,68.2;p=polyfit(x,y,1);x1=linspace(0,500,110);y1=polyval(p,x1);figure(1)plot(x,y,.,x1,y1)函數為：y=0.35x糖類因子：x=672.31，662.94，787.58 ，630.82 ，618.06 ,714.34 ，725.18 ，622.31 ，591.98 ，509.85 ,657.65 ，770.91 ，613.46 ，640.71 ，602.91 ，598.92 ，722.44 ，718.37，641.03 ,629.63 ,681.80 ,

41、685.25 ,629.01 ,649.67 ,501.01 566.46 ,616.78;y=68.1,74,74.6,71.2,72.1,66.3,65.3,66,78.2,68.8,61.6,68.3,68.8,72.6,65.7,69.9,74.5,65.4,72.6,75.8,72.2,71.6,77.1,71.5,68.2,72,71.5;p=polyfit(x,y,1);x1=linspace(0,1000,200);y1=polyval(p,x1);figure(1)plot(x,y,.,x1,y1)函數：y=0.085x芳香類因子：紅葡萄：x=3.05 ,2.61 ,2.03

42、 ,2.32 ,3.12 ,3.57 ,2.12 ,2.12 ,2.10 ,2.10 ,3.00 ,4.81 ,3.32 ,2.42 ,3.84 ,3.19 ,2.97 ,2.69 ,3.60 ,2.93;y=77.9 ,75.8 ,75.6 ,76.9 ,81.5 ,75.5 ,74.2 ,72.3 ,80.4 ,79.8 ,71.4 ,72.4 ,73.9 ,77.1 ,78.4 ,80.3 ,76.7 ,76.4 ,79.2 ,76.1;p=polyfit(x,y,1);x1=linspace(0,5,10);y1=polyval(p,x1);figure(1)plot(x,y,.,x1

43、,y1)函數為：5.7.2釀酒白葡萄樣品各類理化指標因子的擬合函數語言糖類因子：x=582.67 ,663.84 ,653.74 ,654.18 ,706.77 ,634.66 ,607.01 ,555.70 684.76 ,704.53 ,553.42 ,703.00 ,537.30 ,657.61 ,589.70 ,606.23 ,596.67593.70 ,635.42 ,705.48 ,671.96 ,634.46 ,712.27 ,715.44 ,737.53 ,741.91 703.10 ,717.00 ;y=77.9,75.8,75.6,76.9,81.5,75.5,74.2,7

44、2.3,80.4,79.8,71.4,72.4,73.9,77.1,78.4,67.3,80.3,76.7,76.4,76.6,79.2,79.4,77.4,76.1,79.5,74.3,77,79.6;p=polyfit(x,y,1);x1=linspace(0,1000,20);y1=polyval(p,x1);figure(1)plot(x,y,.,x1,y1)函數為：y=0.15x酚類因子：x=5，11.239 ，10.326 ，15.404 ，11.263 ，14.498 ，29.490 ，26.616 ，15.253 ，13.785 ，19.173 ，17.429 ，24.440

45、，21.157 ，11.405 ，28.685 ，15.684 ，17.159 ，26.778 ，9.947 ，16.896 ，7.780 ，24.512 ，23.434，30.398 ，21.667 ，18.458 ，83.238 ，20.768;y=77.9,75.8,75.6,76.9,81.5,75.5,74.2,72.3,80.4,79.8,71.4,72.4,73.9,77.1,78.4,67.3,80.3,76.7,76.4,76.6,79.2,79.4,77.4,76.1,79.5,74.3,77,79.6;p=polyfit(x,y,1);x1=linspace(0,30,3

46、2);y1=polyval(p,x1);figure(1)plot(x,y,.,x1,y1)函數為：y=3.2x芳香類因子：x=2.52 ,1.70 ,2.62 ,3.75 ,5.42 ,1.44 ,2.56 ,2.04 ,2.83 ,3.81 ,4.17 ,4.69 ,4.15 ,2.41 ,1.98 ,3.83 ,3.61 ,3.14 ,2.88 ,4.01 ,2.97 ,5.55 ,4.67 ,2.71 ,9.46;y=77.9 ,75.8 ,75.6 ,76.9 ,81.5 ,75.5 ,74.2 ,72.3 ,71.4 ,72.4 ,73.9 ,77.1 ,78.4 ,67.3 ,8

47、0.3 ,76.7 ,76.4 ,76.6 ,79.2 ,79.4 ,77.4 ,76.1 ,79.5 ,74.3 ,79.6;p=polyfit(x,y,1);x1=linspace(0,10,32);y1=polyval(p,x1);figure(1)plot(x,y,.,x1,y1)函數為：5.7.3釀酒紅葡萄和紅葡萄酒各類理化指標之間關系的擬合函數語言分別對第二組紅葡萄樣品與紅葡萄酒各理化指標數據進行擬合得出如下擬合函數：花色苷：x=157.94 ,79.69 ,120.61 ,46.19 ,60.77 ,44.20 ,7.79 ,32.34 ,65.32 ,140.26 ,52.79

48、 ,60.66 ,59.42 ,40.23 ,115.70 ,23.52 ,89.28 ,74.03 ,172.63 ,144.88 ,49.64 ,58.47 ,34.19 ;y=398.77 ,183.52 ,280.19 ,117.03 ,90.82 ,138.71 ,11.84 ,84.08 ,200.08 ,251.57 ,122.59 ,171.50 ,234.42 ,71.90 ,198.61 ,74.38 ,313.78 ,251.02 ,413.94 ,270.11 ,158.57 ,151.48 ,138.45 ;p=polyfit(x,y,2);x1=linspace(0

49、,200,100);y1=polyval(p,x1);figure(1)plot(x,y,.,x1,y1)函數為：y=2.5x單寧：x=22.02 ,23.36 ,20.37 ,8.64 ,14.49 ,15.17 ,5.62 ,22.49 ,24.36 ,16.69 ,4.54 ,7.17 ,9.82 ,13.94 ,25.42 ,10.09 ,15.73 ,5.39 ,13.70 ,8.11 ,13.61 ,12.16 ,24.26 ,14.42 ,9.32 ,3.78 ,10.31;y=467.98 ,255.10 ,192.36 ,90.61 ,138.43 ,59.46 ,52.40

50、 ,394.19 ,217.66 ,66.53 ,8.06 ,41.20 ,91.74 ,135.26 ,66.93 ,80.75 ,103.19 ,39.17 ,109.34 ,35.34 ,138.89 ,112.40 ,203.61 ,143.14 ,72.51 ,71.24 ,60.98;p=polyfit(x,y,2);x1=linspace(0,30,50);y1=polyval(p,x1);figure(1)plot(x,y,.,x1,y1)函數為：總酚：x=21.68 ,10.70 ,17.62 ,10.67 ,9.21 ,30.11 ,9.48 ,6.07 ,12.06 ,1

51、4.39 ,14.66 ,11.90 ,11.21 ,15.34 ,7.38 ,17.43 ,12.68 ,16.19 ,16.44 ,29.70 ,8.75 ,11.50 ,7.35 ,8.90;y=78.14 ,36.65 ,56.84 ,28.44 ,22.41 ,90.71 ,30.90 ,6.22 ,20.14 ,38.65 ,54.62 ,34.75 ,34.02 ,44.75 ,17.31 ,46.82 ,18.71 ,56.23 ,47.00 ,85.86 ,55.43 ,31.11 ,27.46 ,26.73;p=polyfit(x,y,2);x1=linspace(0,30,10);y1=polyval(p,x1);figure(1)plot(x,y,.,x1函數為：y=2x酒總黃酮：x=10.79 ,4.48 ,10.27 ,6.84 ,3.47 ,4.63 ,2.52 ,3.90 ,7.33 ,7.81 ,5.51 ,9.16 ,8.70 ,5.24 ,9.45 ,8.16 ,7.51 ,7.85 ,8.21 ,5.37 ,3.38 ,4.71;y=36.873 ,17.277 ,28.245 ,15.315 ,11.698 ,15.002 ,4.939 ,12.032 ,20.1