釀酒葡萄與葡萄酒理化指標及其質(zhì)量的分析與評估摘要本文通過運用SPSS首先對兩組品酒員對葡萄酒的評價進行了差異顯著性分析以及評CRONBACH系數(shù)分析對品酒員評價的可信度進行了分析，得到了兩組品酒員評價之間存在顯著性差異，并且第一組品酒員的評價結(jié)果更為可信。接下來我們?nèi)〉谝唤M評酒員給每個樣品酒所給出的總分的平均分表示該樣品葡萄酒質(zhì)量的量化指標進行相關(guān)討論我們通過對葡萄及葡萄酒的理化指標歸一化處理，將它們之間的聯(lián)系現(xiàn)實的更為明顯，緊接著我們利用因子分析、主成分分析將決定葡萄酒質(zhì)量的因素維度較低，從而達到簡化模型的目的，并通過分析將各成分因子重新命名，再將命名后的主成分和評論員對葡萄酒的評價作為依據(jù)對釀酒葡萄等級評定，并引入層次分析法對評定體系進行改進構(gòu)想。最后利用MATLAB求解主成分因子與葡萄酒質(zhì)量之間的函數(shù)關(guān)系，并用BP人工神經(jīng)網(wǎng)絡(luò)進行驗證及討論。最后我們在每一個問題后面進行了深入的反思與總結(jié)，得出了一些具體的改進思路及方法，并得出在原有問題上的修正。關(guān)鍵字SPSSMATLABCRONBACH系數(shù)分析主成分分析層次分析法BP人工神經(jīng)網(wǎng)絡(luò)模型的改進與修正1問題重述隨著經(jīng)濟的日益發(fā)展，人們生活水平的不斷提高，葡萄酒的受眾隨之增加，品酒行業(yè)逐漸專業(yè)化。品質(zhì)是現(xiàn)代葡萄酒生產(chǎn)追求的目標之一，針對酒類的質(zhì)量檢測也成為食品行業(yè)工作的重中之重。根據(jù)已有數(shù)據(jù)，運用數(shù)學(xué)建模的方法，對葡萄酒進行評價是一個重要問題。確定葡萄酒質(zhì)量時一般是通過聘請一批有資質(zhì)的評酒員進行品評。每個評酒員在對葡萄酒進行品嘗后對其分類指標打分，然后求和得到其總分，從而確定葡萄酒的質(zhì)量。釀酒葡萄的好壞與所釀葡萄酒的質(zhì)量有直接的關(guān)系，葡萄酒和釀酒葡萄檢測的理化指標會在一定程度上反映葡萄酒和葡萄的質(zhì)量。從上述相關(guān)關(guān)系出發(fā)，參考相關(guān)數(shù)據(jù)，針對釀酒葡萄與葡萄酒的理化指標和葡萄酒的質(zhì)量這幾個變量，進行分析并建立數(shù)學(xué)模型，討論關(guān)于葡萄酒的評價問題特別注意指出模型中的優(yōu)點和不足之處，并做出改進方向。2符號說明符號說明符號說明第I個品酒員對第J款酒所給的總分S香氣指標K整個品嘗的次數(shù)第I類芳香物質(zhì)（1I8）總得分的方差Q其他影響因素所有在第I位品酒師打分的方差K香氣指標關(guān)于芳香物質(zhì)函數(shù)的常系數(shù)Y葡萄酒的單寧M測得葡萄酒評分X1葡萄酒的總酚Z葡萄酒標準分值（真實葡萄酒評分）X2葡萄酒的黃酮醇U外觀指標第一組的總平均分V口感指標理化指標向量W整體評價指標代表原來數(shù)據(jù)群體的因子香氣指標占總分的權(quán)重兩類新的性質(zhì)因子外觀指標占總分的權(quán)重口感類物質(zhì)成分因子口感指標占總分的權(quán)重色澤類物質(zhì)成分因子整體評價指標占總分的權(quán)重3模型建立與求解31數(shù)據(jù)處理312數(shù)據(jù)預(yù)處理由于試題中給出的附件酒樣品未按照順序排列，我們首先將數(shù)據(jù)進行了預(yù)處理，每組數(shù)據(jù)均按照樣品號和品酒員號順序排列，加和得到每一劑量酒樣品的總評分數(shù)，并求得各項明細指標的平均值；其次將多組同類理化指標取平均值，以便分析討論，進行模型的建立與求解。,IJA2XSIIS,IJLXY12IN313數(shù)據(jù)處理方法數(shù)據(jù)的預(yù)處理和部分圖示，采用辦公軟件MICROSOFTEXCEL2010；數(shù)據(jù)的歸一化處理，采用辦公軟件MICROSOFTEXCEL2010；數(shù)據(jù)結(jié)果的顯著差異分析，采用SPSS190；數(shù)據(jù)結(jié)果的信度分析，采用SPSS190；數(shù)據(jù)結(jié)果的主成分分析，采用SPSS190；數(shù)據(jù)處理的擬合分析，采用MATLAB2012A32問題11附件1中兩組評酒員評價結(jié)果的顯著性差異分析要比較兩組評論員之間是否具有顯著性差異，而每組有10個評論員，27或28個葡萄酒樣品，由于附件中的數(shù)據(jù)都是單項給出的，整體可比性不強，所以我們先用EXCEL將數(shù)據(jù)進行了初步的整理（求出每個品酒員對各樣品的總分，以及各個明細樣品的平均值），以第一組對紅葡萄酒樣品一的評價為例，處理結(jié)果如表1所示表1紅葡萄酒樣品一的評價項目品酒員12345678910平均值澄清度5444434324335外觀分析色調(diào)10886666866666純正度6555455445446濃度8677677746461香氣分析質(zhì)量1614121214141214121212128純正度6555456445548濃度8667668666663持久性8767678766666口感分析質(zhì)量2219161916161919161616172平衡/整體評價111091091099991094葡萄酒樣品1總分10084788275798481697572779321初步分析針對處理后的數(shù)據(jù)，我們初步的想法是將每組中各個品酒員對每項樣品的總分作為一個樣本，因此每個樣本里將有270項數(shù)據(jù)。針對紅葡萄酒評價的兩組樣本，利用SPSS進行一次相互獨立樣本之間的T檢驗，探測兩個樣本是否具有顯著性差異。但隨后通過查閱統(tǒng)計分析中T檢驗法的一些特性得到了相反的結(jié)論鑒于本題樣本是每十個總分針對一個葡萄酒樣本，并不滿足獨立樣本T檢驗方法的適用范圍，每組樣本中的數(shù)據(jù)是有一定關(guān)聯(lián)的，因此我們采用了另外一種檢驗方法配對樣本T檢驗法。322二次分析首先，我們對紅葡萄酒的評價進行差異性分析（白葡萄酒的處理方法與其一致），將每項葡萄酒樣品各項明細評分的平均分作為一個樣本（包括總分的平均分），則每個樣本里共有1127297項數(shù)據(jù)，兩組數(shù)據(jù)之間都是針對相同的樣品和指標進行評價，所以兩組中每項數(shù)據(jù)都是一一配對，互相關(guān)聯(lián)的。其次，我們對兩組葡萄酒的全部總分數(shù)據(jù)共27102540組，進行綜合處理并作圖1、圖2所示，可以得知兩組數(shù)據(jù)在數(shù)值上差異較大，初步判斷兩組數(shù)據(jù)具有顯著性差異，關(guān)于信度分析下文將給出分析討論。圖1圖2再次，我們以兩組紅葡萄酒樣品1為例，對其數(shù)據(jù)做了歸一化處理，利用雷達圖表示，如圖3所示。加強了上述關(guān)于顯著性差異的推論。圖3紅葡萄酒樣品歸一化雷達圖表示因此通過以上對數(shù)據(jù)和檢驗方法的分析，我們采用配對T檢驗法對兩組樣本進行差異顯著性分析。323基本假設(shè)1每組評論員對各項酒的評價分數(shù)成正態(tài)分布。2評論員都具有一定的專業(yè)品酒技術(shù)，對每種酒的各個指標的評價不會有大的偏差（保證評分的關(guān)聯(lián)度）。324模型的建立與求解將處理后的數(shù)據(jù)導(dǎo)入到SPSS軟件中，針對兩組紅葡萄酒評價中的各項指標評分的平均值進行配對樣本T檢驗法，設(shè)定置信度區(qū)間為95，得到結(jié)果如下表2成對樣本統(tǒng)計量均值N標準差均值的標準誤紅葡萄酒各項平均分11328562971939730112555對1紅葡萄酒各項平均分21282092971863412108126表3成對樣本相關(guān)系數(shù)N相關(guān)系數(shù)SIG對1紅葡萄酒各項平均分1紅葡萄酒各項平均分2297996000表2為描述性統(tǒng)計表，給出了紅葡萄酒的各項平均分的平均值，標準差以及標準誤。表3為樣本間的配對性的測驗結(jié)果，可以看到測出的P值（即SIG值）等于00001，因此在95的置信水平上差異顯著，即兩組紅葡萄酒的各項平均分的平均值顯著相關(guān)，驗證了我們之前的推論，因此也符合配對樣本T檢驗的前提條件。表4成對樣本檢驗成對差分差分的95置信區(qū)間均值標準差均值的標準誤下限上限TDFSIG雙側(cè)對1紅葡萄酒各項平均分1紅葡萄酒各項平均分2464681884441093524949679884250296000表4為最終的配對樣本T檢驗結(jié)果報表。其中T表示用公式1221XTSRSN所計算出的值，是最終計算出P值的依據(jù)。DF為自由度，SIG（雙側(cè)顯著性概率）則為我們所需要的P值?？梢钥吹阶罱K結(jié)果是P00000001，因此在95的置信水平上差異顯著，所以兩組評論員評分無顯著性差異的假設(shè)不成立，即兩組評論員對紅酒的評分具有顯著性差異。圖四為以上結(jié)果的綜合圖形描繪。圖4結(jié)果的綜合圖形描繪對于白葡萄酒的組，利用同樣的方法進行差異性分析，在SPSS軟件里同樣也得到如下結(jié)果，如表5、表6、表7所示表5成對樣本統(tǒng)計量均值N標準差均值的標準誤白葡萄酒各項平均分11350193081964542111940對1白葡萄酒各項平均分21391493082021087115162表6成對樣本相關(guān)系數(shù)N相關(guān)系數(shù)SIG對1白葡萄酒各項平均分1白葡萄酒各項平均分2308996000表7成對樣本檢驗成對差分差分的95置信區(qū)間均值標準差均值的標準誤下限上限TDFSIG雙側(cè)對1白葡萄酒各項平均分1白葡萄酒各項平均分2412991932771101362969196283750307000圖5白葡萄酒成對樣本檢驗如圖5所示，此時P值仍小于0001，因此兩組評論員對白葡萄酒的評價在95的置信水平上也具有差異顯著性，從而可得出結(jié)論無論是針對紅葡萄酒還是白葡萄酒，兩組評酒員的評價結(jié)果都有顯著性差異。325問題反思對于該問題，我們將每項葡萄酒評分做了平均化處理，再把處理出來的平均分作為樣本，這樣每個樣本中的數(shù)據(jù)變成了與每個指標得分情況對應(yīng)的一元數(shù)值，然后用配對樣本T檢驗法對其進行差異顯著性分析。通過這種方法處理出來的結(jié)果具有一定的科學(xué)性與準確性。但是由于數(shù)據(jù)是進行了平均化處理后的數(shù)據(jù)，因此模型所反映出的情況不具有完整性，對此我們便有了下面這種改進思路將每組中10名品酒師對27項樣品的評價總分作為一個1027的矩陣1,1,271010,27A（其中,IJA第I個品酒員對第J款酒所給的總分）。每個矩陣分別對應(yīng)該組品酒師的評分具體情況，再用這兩組數(shù)據(jù)構(gòu)成的矩陣進行多元數(shù)據(jù)的T檢驗，如此處理出的結(jié)果就應(yīng)該更具有完整性與可靠性。但由于本組成員所了解的統(tǒng)計學(xué)知識還不足以去運用這樣多元性的、更為精確的處理手段，因此就將這作為一個以后改進的思路。33問題12附件1中兩組評酒員評價結(jié)果的信度分析我們針對兩組中每位品酒師對每種酒所給出的總分得出1027的矩陣1,1,271010,27AA對其中的元素逐行進行可信度分析。331模型討論首先我們根據(jù)品酒師打分為主觀作用，我們選擇評價評分者信度的KENDALLW協(xié)同檢驗?zāi)Ｐ?，通過SPSS對紅白葡萄4組數(shù)據(jù)進行模擬分析，得到的漸進顯著性系數(shù)P均小于005（等于000），協(xié)同系數(shù)均為050左右，無法得出明確的結(jié)論。經(jīng)過思考，我們發(fā)現(xiàn)KENDALL模型對于采用等級評定方式評分的情況是可取的，然而當評分者用其他非等級評定的方式（如百分制）評定時，其信度系數(shù)是不合適的，因為其信度系數(shù)僅能反映評分者之間的相對一致性，并沒有考慮評分者之間存在的評分絕對差別，在這種情況下評分者之間的系統(tǒng)誤差也看會被成是隨機誤差，此時計算出的信度系數(shù)不能正確反映評分者信度的高低。所以我們選擇內(nèi)部一致性信度分析。332問題假設(shè)為簡化模型，排除品酒員主觀因素和個人偏好不同而造成的影響，我們做出如下假設(shè)1、每位品酒員鑒定的同一種葡萄酒特質(zhì)完全相同。2、對于每一種類葡萄酒被任何一品嘗相當于對其質(zhì)量進行一次客觀的測試，每一項指標的評價，相當于一道題目的得分。3、葡萄酒的特質(zhì)可以從品酒員的品嘗時考慮的方面（即客觀測試的一系列“題目”）測量出來。333模型的建立及求解對于抽象出來的測試模型，由于每道測試題目表示一個特質(zhì)指標的評價，所以我們不能采用簡單的二分法計分。因而我們選擇CRONBACH系數(shù)分析。其中21NIXSK式中，K為整個品嘗的次數(shù)；2XS為總得分的方差；2IS為是所有在第I位品酒師打分的方差。我們先用EXCEL進行數(shù)據(jù)處理，得到2710的矩陣1,1,027127,10A，以紅葡萄酒為例。表8第一組紅葡萄酒表9第二組紅葡萄酒如表8、表9所示，不難看出對于紅葡萄酒，第一組標準化CRONBACHSALPHA較高，即第一組品酒師對紅葡萄酒的評價更為可靠。同樣地對于白葡萄酒，第一組標準化CRONBACHSALPHA比第二組更高，如表10、表11所示。表10第一組白葡萄酒表11第二組白葡萄酒即第一組更為可信。再對第一組進行進一步討論，對于第一組十位品酒師對紅白葡萄酒的評價的項已刪除的CRONBACHSALPHA值（詳見附錄）進行分析，沒有任何一位品酒師對于整體的標準化CRONBACHSALPHA有明顯影響，所以十位品酒師的評價分數(shù)也均可信。綜上所述，無論對于紅葡萄酒還是白葡萄酒，兩組品酒師的評價均存在顯著差異，其中第一組品酒師的評價結(jié)果更可信，并且第一組十位品酒師的評價都屬于可信范圍。34問題2根據(jù)釀酒葡萄的理化指標和葡萄酒的質(zhì)量對釀酒葡萄進行分級341問題分析如果單用葡萄酒為釀酒葡萄打分，則直接在葡萄酒的外觀、香氣、口感質(zhì)量權(quán)重中賦予權(quán)值，所得之和即可作為對釀酒葡萄的評分。而本題卻引入了另一類變量，就是葡萄的理化指標。這是一項很龐大雜亂的數(shù)據(jù)，所以我們想到利用主成分分析法對這些數(shù)據(jù)進行主要因子分析，找出這些指標的公共因子，求的每一樣品在這些因子上的成份得分系數(shù)矩陣，給數(shù)據(jù)降低維度，再以此作為研究釀酒葡萄等級評定的依據(jù)。342模型建立（以紅葡萄為例）首先對數(shù)據(jù)進行歸一化處理，再用SPSS因子分析對處理后的數(shù)據(jù)進行因子分析。并選擇具有KAISER標準化的正交旋轉(zhuǎn)法進行處理。得到的結(jié)果如表12所示表12成份矩陣A成份12345678花色苷852總酚851單寧759DPPH自由基734葡萄總黃酮704果梗比585蛋白質(zhì)584L578黃酮醇562524百粒質(zhì)量542出汁率533干物質(zhì)含量847總糖792還原糖777可溶性固形物758氨基酸總量559白藜蘆醇812A724可滴定酸599果皮質(zhì)量597530B500590褐變度618673多酚氧化酶活力661蘋果酸639酒石酸果穗質(zhì)量610VC含量546固酸比檸檬酸571提取方法主成份。A已提取了8個成份。SPSS經(jīng)過因子分析和旋轉(zhuǎn)處理后一共得到了8個主成分，但在8個主成分之中，葡萄的理化指標所載負荷主要是分配在前四個成分當中。而觀察這四個成分的高負荷指標，成分一中高負荷的指標主要有單寧、酮類酚類物質(zhì)以及蛋白質(zhì)等，而這些物質(zhì)，特別是單寧，在很大程度上影響到了葡萄酒的口感，因此可將該成分命名為“口感類物質(zhì)”；成分二中高負荷的指標有糖類、氨基酸類、VC含量等營養(yǎng)成分類物質(zhì)的指標，可命名為“營養(yǎng)類物質(zhì)”；成分三主要有A、B色澤，以及果皮含量指標，可命名為“色澤類物質(zhì)”；成分四主要有蘋果酸，酒石酸等指標，可命名為“酸類物質(zhì)”。這樣通過軟件做出的成份得分系數(shù)，就可求得對應(yīng)的因子變量解，如表13所示表13成份得分系數(shù)矩陣成份12345678氨基酸總量004129173069000210059052蛋白質(zhì)089041113027041053139140VC含量039155002107086071212110花色苷115007178004002064012014酒石酸009005165015048009017464蘋果酸024000319018120140039043檸檬酸076065142067022021122509多酚氧化酶活力108061229111100142106040褐變度030051285024023065006036DPPH自由基186013060082096096042065總酚197047041002022021070115單寧171041065047062042220074葡萄總黃酮233031077064075043046095白藜蘆醇045041019014357157003103黃酮醇043052004130063460058020總糖022245041020046017125180還原糖047178010001016009024008可溶性固形物014234005061018030065144可滴定酸033032005051033012391058固酸比006084040015004090424084干物質(zhì)含量005189023016012016050056果穗質(zhì)量029003004342044026074121百粒質(zhì)量053013015296065015025073果梗比049064033120056298026036出汁率199014002021003184050021果皮質(zhì)量017047057411059172098028L118006034107080192199207B048045065106358088064082A007013001052360019010054提取方法主成份。旋轉(zhuǎn)法具有KAISER標準化的正交旋轉(zhuǎn)法。構(gòu)成得分。并據(jù)此算得每個樣品在每類成分上的得分，結(jié)果如表14所示表14基于四類主成分負荷的樣本得分表樣品口味類物質(zhì)營養(yǎng)類物質(zhì)色澤類物質(zhì)酸類物質(zhì)100131017305101200141030022079300068221111066400088023032060500043002023179600002136031008700101054041131800035013294099900278073089073100001126603908211001060050130361200084174014048130002707607405714000380291220521500018038024008160003107401712717000530930252061800084096004019190000601402706920000400050991022100023049118132220004807502609823002400090340932400021007008118250004816806104226000861010421722700127052006004由于要求對葡萄進行評級，因此我們決定用百分制的得分來作為評級的依據(jù)，由于時間關(guān)系我們對評分的系統(tǒng)只能做一個簡單化的處理?，F(xiàn)在我們掌握的數(shù)據(jù)一共有4個主成分因子得分，還有一個葡萄酒質(zhì)量得分（由于在一問中已經(jīng)論證了第一組的評論員打分更可信，于是這里葡萄酒質(zhì)量得分以第一組為標準），所以我們將賦予主成分與葡萄酒所得分數(shù)11116的權(quán)重，以此求得釀酒葡萄的最終評分。如此，則每個成份所占分數(shù)為10分，評論員評價所占分數(shù)為60分。最后的等級評價我們將效仿目前權(quán)威的葡萄酒評分系統(tǒng)美國著名的葡萄酒評論家羅伯特帕克推崇的是葡萄酒100分制評分體系，帕克的評分系統(tǒng)會給每一款酒一個基礎(chǔ)的分數(shù)（50分）。在50分的基礎(chǔ)上，按酒的質(zhì)量特點加分，將酒的品質(zhì)分成四類。而我們也效仿這一模式對釀酒葡萄進行分級，將葡萄分成如下六個等級96100EXTRAORDINARY頂級各類指標全面優(yōu)秀的釀酒葡萄。9095OUTSTANDING優(yōu)秀營養(yǎng)成分飽滿，味道純正的釀酒葡萄。8089ABOVEAVERAGE優(yōu)良綜合指標尚佳的釀酒葡萄。7079AVERAGE一般略有瑕疵，尚無大礙的釀葡萄。6069BELOWAVERAGE低于一般不值得推薦5059UNACCEPTABLE次品根據(jù)成份得分系數(shù)以及評論員評價數(shù)據(jù)處理后各樣品的釀酒葡萄得分明細以及對應(yīng)等級如表15所示表15釀酒紅葡萄得分明細及等級樣品口味類物質(zhì)營養(yǎng)類物質(zhì)色澤類物質(zhì)酸類物質(zhì)瓶酒員評價最總得分等級100635582102509437626099低于一般20066160933915748186584低于一般300482100001819648246519低于一般40009549920821441165133次品50041854323092143986511低于一般60031882721241543326104低于一般70006465838700442905402次品800227520100068443386768低于一般900100039607117548906532低于一般100034000019314944525134次品110005155625528542065353次品120010790525153432345031次品130024639210622244765442次品140021848758254643806213低于一般150026846834441535225017次品160023639432601744945468次品1700445738225100047587166一般180010674427733635945057次品190029851822018747165939次品200021553704769447166209低于一般210025564800000046265529次品220019570034910146325977次品230090552720366651367437一般240036653326674246806586低于一般250019520113851541525202次品260010133918490144285953次品270000044127140443805496次品343針對白葡萄的模型建立依照對紅葡萄的等級評價，我們也首先對白葡萄進行了主成分分析（結(jié)果見附件），同樣也將白葡萄指標分成了對應(yīng)的4個主成分，并求得了樣品在每個成分上的得分，最后進行歸總評分，得出表16的結(jié)果表16釀酒白葡萄得分明細及等級白葡萄口味類物質(zhì)營養(yǎng)類物質(zhì)色澤類物質(zhì)酸類物質(zhì)瓶酒員評價最總得分等級10042055359728649206776低于一般20057760643886944526943低于一般300447789602109751188054優(yōu)良400532100058976147647647一般50072684345465242606935低于一般60033981279159641046643低于一般70037274993726146506970低于一般80007252945091342846249低于一般90074767672196343747481一般100077772472361944587301一般1100099851639126143387189一般1200591745712100037986847低于一般130000078787979139546411低于一般140051386346952843206692低于一般150024148875554643446374低于一般160036100057152144405894次品170024385863592747287391一般180016777477945443866559低于一般1900527223481107643326640低于一般200069871947748646687048一般210054989336269345847081一般220066644983987942607092一般230068172255380445547314一般2400851764105478843987855一般250078543349580746267147一般2600100064873680948788072優(yōu)良2700568521136294438887283一般280081482568765548787860一般344模型的改進構(gòu)想我們對于釀酒葡萄的評級把標準主要是建立的數(shù)據(jù)的歸一化以及主成分提取的基礎(chǔ)之上，由于時間關(guān)系，對影響釀酒葡萄等級的給個因素只是進行了一個簡單的權(quán)重化處理，所以我們對此的改進構(gòu)想是運用層次分析法將各個因子構(gòu)建一個多層次，決定權(quán)重因素更多，更為復(fù)雜的等級評價系統(tǒng)，將121WNA作為各因素的比較矩陣；11,2WN作為權(quán)重向量；利用AW求得其最大特征向量，并以此作為排序求得最終的權(quán)重向量，最后再進行評級處理，這樣將使得評定結(jié)果更具可靠性。35問題3分析釀酒葡萄與葡萄酒的理化指標之間的聯(lián)系先將葡萄酒以及釀酒葡萄的指標整合在一起，總共包括35組指標。經(jīng)過對數(shù)學(xué)建模中相關(guān)性的研究，得知在SPSS軟件中共有三種研究相關(guān)性的方法，分別為雙變量相關(guān)性分析、偏變量相關(guān)性分析以及距離相關(guān)性分析。而前兩種方法主要是針對兩組或三組數(shù)據(jù)進行關(guān)聯(lián)度測試，而本題中是要求對多項指標進行對比，因此我們先采用距離相關(guān)分析法對這35組指標進行初步的關(guān)聯(lián)度探測。通過SPSS的處理，得到了各指標間的相似性距離，也就是PEARSON相關(guān)系數(shù)?？梢钥吹狡咸丫婆c釀酒葡萄各項指標之間存在較多PEARSON相關(guān)較大的組合，比如酒的花色苷與葡萄的花色苷，酒的總酚、酒總黃酮與葡萄的DPPH自由基，酒的單寧與果梗比由于具有相似性的指標太多，所以我們抽取幾組具有代表性的指標進行更進一步的分析。351色酒的色澤與釀酒葡萄的顏色比較，由于花色苷是影響酒和酒的釀酒葡萄的重要因素，所以酒中花色苷與葡萄中花色苷的理化指標的聯(lián)系反映了葡萄的顏色對葡萄酒色澤的影響。于是我們對以上兩組理化指標做了一次雙因素相關(guān)性分析，結(jié)果如表17所示兩者在001的置信水平上顯著相關(guān)，且相關(guān)系數(shù)為0923，說明酒的花色苷含量跟葡萄花色苷有很密切的關(guān)系，或者說，酒的色澤從很大程度上取決與葡萄的顏色。下面用MATLAB對它們進行二次擬合，處理數(shù)據(jù)如下LINEARMODELPOLY2FXP1X2P2XP3COEFFICIENTSWITH95CONFIDENCEBOUNDSP100004120002904,0003728P222209547,3485P322216317,1076GOODNESSOFFITSSE2041E005RSQUARE08516ADJUSTEDRSQUARE08393RMSE9222該擬合結(jié)果在95的置信區(qū)間內(nèi)，準確性較高。最終對應(yīng)的公式為2041,21YXX圖6擬合對比圖表17相關(guān)性花色苷W花色苷PEARSON相關(guān)性1923顯著性（雙側(cè)）000花色苷WN2727PEARSON相關(guān)性9231顯著性（雙側(cè)）000花色苷N2727在01水平（雙側(cè)）上顯著相關(guān)。352味單寧是決定酒味道的主要理化指標，而在通過上面的處理方法我們得知酒的單寧指標與釀酒葡萄的總酚，總黃酮指標具有很高的相似性，PEARSON相關(guān)系數(shù)分別為0817、0684于是這里我們將研究酒的風味與釀酒葡萄的總酚，總黃酮的關(guān)系。用SPSS中多元線性回歸分析對酒的單寧，葡萄的單寧、總分以及黃酮醇進行處理，得到結(jié)果如表18所示表18相關(guān)性酒的單寧葡萄總酚黃酮醇酒的單寧1000817579葡萄總酚8171000346PEARSON相關(guān)性黃酮醇5793461000酒的單寧000001葡萄總酚000039SIG（單側(cè)）黃酮醇001039酒的單寧272727葡萄總酚272727N黃酮醇272727這里三組數(shù)據(jù)之間處理后的SIG值都為0，它們在置信區(qū)間內(nèi)顯著相關(guān)，因此對它們做回歸擬合的可靠性很高。下面是線性回歸分析對這三組數(shù)據(jù)進行的回歸分析，所得系數(shù)如表19所示表19系數(shù)A非標準化系數(shù)標準系數(shù)共線性統(tǒng)計量模型B標準誤差試用版TSIG容差VIF常量18936942727012葡萄總酚307046701668300088111361黃酮醇02400833632060048811136A因變量酒的單寧對應(yīng)的酒的單寧（Y）與葡萄總酚（X1）、黃酮醇（X2）的線性關(guān)系式如下189307X1024Y擬合結(jié)果與原數(shù)據(jù)對比圖形如下圖7擬合結(jié)果與原數(shù)據(jù)對比同樣對白葡萄中酒的單寧（Y）與葡萄總酚（X1）、黃酮醇（X2）進行多元化回歸分析，所得結(jié)果如表20表20系數(shù)A非標準化系數(shù)標準系數(shù)模型B標準誤差試用版TSIG常量12223943100005白葡萄總酚0630662549533501白葡萄總黃酮102116235881387A因變量白葡萄酒單寧06310212YXX回歸后的殘差統(tǒng)計如表21表21殘差統(tǒng)計量A極小值極大值均值標準偏差N預(yù)測值1551830721185063286028殘差93814223665000006410628標準預(yù)測值9093717000100028標準殘差1408335700096228A因變量白葡萄酒單寧36問題41因子分析簡化模型尋求函數(shù)關(guān)系的擬合361問題分析從葡萄和葡萄酒的理化指標來看，其成分較為復(fù)雜，如果直接對所有理化指標和葡萄酒品質(zhì)的關(guān)系進行分析，其對應(yīng)關(guān)系過于復(fù)雜，難以得出結(jié)論。為簡化模型，我們對其進行如下處理1我們以品酒師信度較高的第一組的總平均分IS作為代表每一個樣品酒品質(zhì)的標準。2對于各種理化性質(zhì)，我們只考慮一級指標，暫時不考慮芳香類物質(zhì)（后文會提出所求函數(shù)關(guān)系關(guān)于芳香類物質(zhì)的修正）3為減少變量個數(shù)，我們通過因子分析、主成分分析及其嵌套將原來與得分IS相關(guān)聯(lián)的理化指標向量,IJL簡化為兩個可以代表原來數(shù)據(jù)群體的因子,IXY4我們通過MATLAB對總平均分IS與因子,IXY的關(guān)系進行三維的擬合，最終得到近似的關(guān)系IS,IFXY362數(shù)據(jù)處理及模型建立首先，因為影響葡萄酒質(zhì)量的應(yīng)該是各理化成分的相對含量，為了結(jié)果的準確性，所以我們有必要對所有葡萄酒所得總平均分進行歸一化處理。另一方面為了減小變量向量的維度，我們利用SPSS對紅白葡萄理化性質(zhì)指標進行因子分析分析，所得旋轉(zhuǎn)成分矩陣見附錄。對于紅葡萄我們得到8個因子即可以看成一個8維的特征向量，對于白葡萄我們的到了9個因子即一個9維的特征向量。雖然對于原來紅白葡萄所含的理化性質(zhì)指標的數(shù)量有了顯著的減少，但是對于尋求一個與葡萄酒相關(guān)的固定的關(guān)系依舊存在較大困難。于是我們進行了二次因子分析，將原來的8維向量和9維向量簡化為2維，以便擬合出較為準確的函數(shù)關(guān)系。由于紅葡萄與白葡萄各方面類似，為了簡潔起見，下面我們一紅葡萄及紅葡萄酒為例，來分析紅葡萄理化性質(zhì)、紅葡萄酒理化性質(zhì)與紅葡萄酒質(zhì)量的關(guān)系。1紅葡萄的理化性質(zhì)與紅葡萄酒質(zhì)量的關(guān)系首先我們利用SPSS對紅葡萄31種一類理化指標進行因子分析（主成分分析），得出8個性質(zhì)因子，即8種代表性成分。其旋轉(zhuǎn)成分矩陣及成分得分系數(shù)矩陣詳見附錄。通過對其旋轉(zhuǎn)成分矩陣系數(shù)分析根據(jù)前面問題的分析可將它們命名為口感類物質(zhì)、營養(yǎng)類物質(zhì)、色澤類物質(zhì)、酸類物質(zhì)等。表22表23為進一步簡化模型，便于得出簡潔可靠的結(jié)果，我們對于以上8類物質(zhì)再次進行主成分分析，其旋轉(zhuǎn)成分矩陣，成分得分系數(shù)矩陣如表22、表23所示，兩類新的性質(zhì)因子我們將其命名為12,X，MATLABCUSTOMEQUATION進行擬合，求出葡萄酒所得總平均分IS與12,X關(guān)系如圖8所示圖8葡萄酒總平均分IS與12,X關(guān)系GENERALMODELFX,YABSINMPIXYCEXPWY2COEFFICIENTSWITH95CONFIDENCEBOUNDSA72046814,7593B80935014,5030C84211642,1848M0042972703,2695W58869009,20782紅葡萄酒的理化性質(zhì)與紅葡萄酒質(zhì)量的關(guān)系相似地，我們首先將葡萄酒理化性質(zhì)指標進行歸一化處理，并用SPSS進行主成分分析，得出了成分因子12,Y，旋轉(zhuǎn)成分矩陣和成分得分系數(shù)矩陣如表24、表25表24表25根據(jù)對齊全旋轉(zhuǎn)成分的分析，1Y可以命名為口感類物質(zhì)，2Y可以命名為類色澤類物質(zhì)。通過MATLABCUSTOMEQUATION對總平均分IS與其成分因子1,進行擬合，結(jié)果如圖十圖9總平均分IS與其成分因子12,Y擬合結(jié)果GENERALMODELFX,YABSINMPIXYCEXPWY2COEFFICIENTSWITH95CONFIDENCEBOUNDSA26593938E07,3938E07B093143979,5842C27323938E07,3938E07M169403754,3012W001401101,101363模型的深度討論分析首先對比兩種模型，經(jīng)過分析可以得出模型2對于葡萄酒質(zhì)量的預(yù)測能力要強于模型1，其原因可以歸為如下幾點1葡萄酒的理化指標與葡萄酒質(zhì)量的關(guān)聯(lián)度要高于葡萄的理化指標與葡萄酒質(zhì)量的關(guān)聯(lián)度，我們可以從SPSS相關(guān)性分析的結(jié)果以及相關(guān)資料查閱均可以得出。2由于葡萄理化指標較多，導(dǎo)致進行了主成分分析的嵌套猜得到成對的因子，然而此時成對的因子已經(jīng)缺乏現(xiàn)實意義，因而缺乏一定的代表性，導(dǎo)致預(yù)測的準確性降低。364模型改進如果為了追求變量考慮的全面性，即葡萄與葡萄酒的理化指標同時考慮，如果我們利用現(xiàn)有的算法，那么就必須在首次得出的8個有關(guān)紅葡萄的因子與2個有關(guān)紅葡萄酒的因子進行匯總再次進行因子分析，經(jīng)試驗，如果想得出成對的因子，那么需要連續(xù)進行因子分析，然而這樣的情況下，得出的因子早就失去了意義導(dǎo)致結(jié)果不準確。另一方面由于葡萄酒的因子與葡萄的因子對葡萄酒質(zhì)量評分影響的權(quán)重是不同的，所以簡單的歸一化處理也會對結(jié)果造成很大誤差。為得到較為準確的預(yù)測，那么便需要利用人工智能算法來在算法結(jié)構(gòu)上進行優(yōu)化，然而這樣一來便無法得出具體的關(guān)系，所以我們決定將人工智能算法用于以上我們得出的結(jié)論的準確性的檢驗與論述。37問題42基于BP人工神經(jīng)網(wǎng)絡(luò)對于結(jié)果的檢驗與討論371模型優(yōu)勢基于BP神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測模型與傳統(tǒng)模型不同的是此模型只需以歷史數(shù)據(jù)作為輸入，通過抑制與激活神經(jīng)結(jié)點，自動決定影響性能的參數(shù)及影響程度，自動形成模型，無需進行模型假設(shè)，再加上神經(jīng)網(wǎng)絡(luò)對復(fù)雜的非線性系統(tǒng)具有曲線擬核能力，預(yù)測能力強，所以是合適的對比檢驗?zāi)Ｐ?。其流程圖如圖10圖10神經(jīng)網(wǎng)絡(luò)流程圖我們以紅葡萄酒為例進行分析。我們?nèi)?7組紅葡萄酒中的23組作為訓(xùn)練組，以其理化指標向量作為輸入端，以可信度較高的第一組打出的總評分為輸出端對其進行訓(xùn)練。經(jīng)過反復(fù)訓(xùn)練調(diào)試，我們訓(xùn)練出性質(zhì)如圖11、圖12的一組神經(jīng)網(wǎng)絡(luò)，并且其對于4組檢驗數(shù)據(jù),結(jié)果誤差不超過002，性質(zhì)較為可靠，可以用于預(yù)測及對于上題結(jié)果準確性的檢驗。圖11神經(jīng)網(wǎng)絡(luò)訓(xùn)練進度圖12訓(xùn)練時誤差變化在隨機產(chǎn)生10組有關(guān)紅葡萄酒理化指標的數(shù)據(jù)，求出其根據(jù)問題41的方式所得預(yù)測值以及根據(jù)BP人工神經(jīng)網(wǎng)絡(luò)所得出結(jié)果，進行比較仍存在較大誤差，可能來源于因子分析將自變量的維度降低產(chǎn)生的誤差，以及擬合時產(chǎn)生的誤差。但是從BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測的效果來看，在忽略品酒師的個人偏好差異以及其他等客觀因素如溫度對氣味及口感的影響，可以用葡萄酒的理化指標來對葡萄酒的質(zhì)量進行評價，而由于葡萄酒釀造過程不同會導(dǎo)致由葡萄理化指標轉(zhuǎn)化為葡萄酒的理化指標的不同，二者不能得到特別準確的關(guān)系，導(dǎo)致用葡萄的理化指標來預(yù)測其所釀葡萄酒的質(zhì)量難度較大，不易實現(xiàn)。38問題4模型改進381關(guān)于芳香物質(zhì)的修正葡萄酒的芳香物質(zhì)是具有揮發(fā)性的、能夠產(chǎn)生一定氣味的含香物質(zhì)的總稱。經(jīng)查閱相關(guān)資料得知，葡萄酒的呈香物質(zhì)大約有800多種，這些物質(zhì)不僅氣味各異而且它們之間還通過累加、協(xié)同、分離以及抑制等相互作用，使香氣千變?nèi)f化多種多樣。葡萄和葡萄酒香氣由幾百種揮發(fā)性化合物組成，成分豐富，種類復(fù)雜，而且各組分濃度差別大，從NG/L到MG/L不等，極性和沸點也有較大差別。香氣成分是決定葡萄酒風味、質(zhì)量與典型性的主要因素，也是品酒員對葡萄酒進行評分的香氣分析指標的關(guān)鍵性因素。研究葡萄酒中的芳香物質(zhì)，對優(yōu)質(zhì)葡萄與葡萄酒質(zhì)量評價系統(tǒng)的建立有重要