对葡萄品质和葡萄酒质量的研究论文
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）：云南省保山市隆阳区保山学院
参赛队员 (打印并签名) ：1. 赵建忠
2. 陈晓娇
3. 张顺香
指导教师或指导教师组负责人 (打印并签名)：曾庆红
日期： 2012 年 09 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）：
基于多元回归分析的葡萄酒评价模型
摘要
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应葡萄酒和葡萄的质量
本文基于酿酒葡萄和葡萄酒的理化指标及芳香物质的一系列统计数据，建立了酿酒葡萄与葡萄酒的概率模型、质量优化模型和回归模型。
针对问题一，通过对两组品酒队员的品酒质量的离散性的对比，利用图表辅助分析，最终确定第二组的品酒质量波动程度较小，可信度较高。
针对问题二，在问题一的基础上进一步得出葡萄酒的质量，将得到的数据与酿酒葡萄的理化指标数据进行综合分析，利用系统聚类对数据进行处理，从而预测葡萄可分为四个级别。其中，红葡萄中3、6、21各自成一级，剩余的被聚到同一级之中；在白葡萄中3、24、28各自成一级，剩余的被聚到同一级之中。
针对问题三，我们选取酿酒葡萄与葡萄酒的理化指标之间的共同点，利用MATLAB 对问题所提供的葡萄和葡萄酒的理化指标表中的数据进行拟合，得出二者成正相关关系。
针对问题四，综合葡萄酒的质量，酿酒葡萄与葡萄酒的理化指标及葡萄和葡萄酒的芳香物质的数据，建立回归模型，分析得出能用葡萄和葡萄酒的理化指标来评价葡萄酒的质量。
关键词：葡萄酒质量方差聚类分析拟合多元线性回归
一、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？
二、问题的分析
针对问题一，由于每个品酒员在品酒的时候，由于各种各样的原因，对葡萄酒的评分或多或少的存在一定的差异性。这一差异性，能够通过离散程度和波动程度很好的反应出来。在两组品酒员之中，综合各组品酒员对葡萄酒的评分的离散性和波动程度，其中离散性小以及波动程度小的一组对葡萄酒的质量的评估更为可信。
针对问题二，题目要求结合葡萄酒的质量以及酿酒葡萄的理化指标综合对酿酒葡萄进行分级。首先，采用通过品酒对葡萄酒质量进行评估结果可信度高的品酒小组的评分数据，求出各种葡萄酒的平均得分，即可大致知道葡萄酒的质量。再结合葡萄的各项理化指标进行聚类，便可以得到酿酒葡萄的分级情况。
针对问题三，想要知道酿酒葡萄与葡萄酒的理化指标之间的联系，若能够利用它们之间的联系，建立起函数关系，该问题便可以迎刃而解。
针对问题四，问题考虑酿酒葡萄的理化指标、葡萄酒的理化指标，以及葡萄酒质量之间的关系。并且提出，通过酿酒葡萄和葡萄酒的理化指标是否可以判断出葡萄酒的品质，这便要求我们利用现有数据，在酿酒葡萄和葡萄酒的理化指标和葡萄酒的品质之间建立函数关系架造桥梁，使抽象的问题转化为较为直观的问题，这有利于我们在不通过品酒师对葡萄酒进行评分的情况下，得出一个对葡萄酒的品质较为合理的评价。
三、模型假设与符号说明
3.1 模型假设
1）假设品酒员不受到主观情绪环境等影响，能够客观公正的评酒；
2）评定方法具有可靠性稳定性；
3）酒的品质长期不变；
4）葡萄品质在一个可接受的变动范围之内；
5）酿酒葡萄与酒样品一一对应。
3.2 符号说明
1）i 、j :第i 、j 个事物；
2）A 、B 、C 、D 、E 、F 、G 、H 、I 、J ：酒样品的各项评分； 3）K ：酒样品的综合得分； 4）S ：酒样品评分区间； 5）L ：距离；
6）putao X ：酿酒葡萄理化指标；
7）putaojiu Y ：葡萄酒理化指标；
8）niangjiu f ：putao X 与putaojiu Y 之间的函数关系； 9）niangjiu B ：niangjiu f 中的待定系数； 10）putaofangxiang X ：酿酒葡萄芳香物质； 11）jiufangxiang X ：酒样品芳香物质； 12）jiuzhiliang Y ：酒样品的质量； 13）b ：回归模型待定系数； 14）2R ：相关系数； 15）F ：F 值；
16）P ：与F 对应的概率.
四、模型的建立与求解
4.1.1 通过品酒判定葡萄酒品质的可信度的模型的建立
首先，根据根据各个品酒员(1,2,,10)j PingJiuYuan j = 对样品酒(1,2,,)i Jiu i n = ，给出的评分ij A 、ij B 、ij C 、ij D 、ij E 、ij F 、ij G 、ij H 、ij I 、ij J ，具体情况如下：
然后，根据表1中的数据，进行如下计算：
1）求均值：101110i ij j A A ==∑、101110i ij j B B ==∑、 、10
1110i ij j J J ==∑；
2）求方差和：2
10
1
()ij i j A A =-∑、2
10
1
()ij i j B B =-∑、 、2
10
1
()ij i j J J =-∑；
3）根据一级指标，将方差和进行求和：
a 、外观分析得分 = 2
2
10
10
1
1
()+()ij i ij i j j A A B B ==--∑∑；
b 、香气分析得分 = 2
2
2
10
10
10
1
1
1
()+()()ij i ij i ij i j j j C C D D E E ===--+-∑∑∑；
c 、口感分析得分 = 2
2
2
2
10
10
10
10
1
1
1
1
()+()()()ij i ij i ij i ij i j j j j H H G G F F I I ====--+-+-∑∑∑∑；
d 、平衡/整体评价得分 = 2
10
1
()ij i j J J =-∑；
4）将所有一级指标方差和进行求和：
2
2
10
10
1
1
()++()ij
i ij i j j A
A J J ==--∑∑
通过对上述数据中的2）、3）、4）项的数据进行对比，就可以得出两组品酒员，
哪一组的评分标准波动程度较小，从而得出该组的结果比较可信。
4.1.2 通过品酒判定葡萄酒品质的可信度的模型的求解
利用MATLAB 进行程序编写（程序：WT1.m ）,可以得到以下结果：
从上表可以看出，第二组的品酒员在各项指标上的离散程度即波动程度都要小于第一组的，因此，第二组品酒员判定出的葡萄酒的质量更加可信。
根据以下饼状图，能够更加直观的描述他们之间的关系。
图1：红葡萄酒评分波动程度大小关系图
图2：白葡萄酒评分波动程度大小关系图
4.2.1 酿酒葡萄分级模型的建立
由上一问中，我们知道了第二组品酒员对葡萄酒质量的判定结果更加具有可信度，
因此采用第二组品酒员对葡萄酒的判定数据。
对于每一种葡萄酒(1,2,,)i Jiu i n = ，每一个品酒员(1,2,,10)j PingJiuYuan j = 对其进行打分，将该种葡萄酒所得的分数为：
+++ij ij ij ij K A B J =
不难计算出其平均得分：
1
(+++)10
i ij ij ij K A B J =
根据平均得分，我们很容易将其进行分级：
1234i i i i K S K S K S K S ?∈?
∈??
∈??
∈?优，良，
中，差，
再将平均得i K 分结合葡萄的理化指标进行系统聚类，便可得到酿酒葡萄分级情况。 系统聚类的基本思想是，距离相近的样品（或变量）先聚成类，距离相远的后聚成类，过程一直进行下去，每个样品（或变量）总能聚到合适的类中。
4.2.2 酿酒葡萄分级模型的求解
通过MATLAB 编写程序（程序：WT2.m ），很容易就得到葡萄酒的平均得分：
1）红葡萄酒：
920232345141719212224262716781012131516182511∈?
?∈??
∈??∈?
（，，）优（，
，，，，，，，，，，）良（，，，，，，，，，，）中差 2）白葡萄酒：
59171234610141518192021222324252728781112132616∈?
?∈??
∈?
?∈?
（，，）优（，
，，，，，，，，，，，，，，，，）良（，，，，，）中差 然后将酿酒葡萄理化指标与葡萄酒质量进行组合（数据见：红葡萄分级数据.sav ，白葡萄分级数据.sav , fujian2_putaolihua_fenji_zhengli.xls ），采用最短距离法进行聚类，方法如下：
1）定义样品之间距离，计算样品变量的两两距离，得到一距离阵记为(0)L ，开始每个样品自成一类，显然这时ij ij L l =；
2）找出距离最小元素，设为pq L ，将对应变量合并成一个新类； 3）继续计算新类与其他类的距离；
4）重复2）、3）两步，直到所有元素并成一类为止。 利用SPSS 软件进行聚类，很容易得到以下数据：
图3：最短距离聚类结果（左为红葡萄，右为白葡萄）
由图可知：在红葡萄中3、6、21各自成一级，剩余的被聚到同一级之中；在白葡萄中3、24、28各自成一级，剩余的被聚到同一级之中。
4.3.1 酿酒葡萄与葡萄酒的理化指标之间的联系模型的建立
通过观察附件2我们发现，酿酒葡萄理化指标的子指标与葡萄酒理化指标中所包含 的子指标，并不是一一对应的关系，而我们所要进行的工作是建立酿酒葡萄与葡萄酒的理化指标之间的联系模型，因此不妨丢弃不相干指标，提取出酿酒葡萄和葡萄酒都共同含有的理化指标进行分析,并将进行过多次观测的同一指标采取求平均值的处理方法降低计算量（数据处理见：fujian2_putaolihua.xls , fujian2_jiulihua.xls ）。因为选取了酿酒葡萄和葡萄酒之间相同的理化指标，因此，挑选出来进行观察的理化指标是一一对应的关系。而在酿酒葡萄酿成葡萄酒的这一过程之中，可能伴随着一定的变化规律，即某项理化指标的含量发生了规律性的变化。
假设挑选出来的酿酒葡萄的理化指标为集合为putao X ，葡萄酒的理化指标为集合为
putaojiu Y ，我们便可以通过对应关系，画出坐标集合（putao X ，putaojiu Y ）的散点图，观察其
散点图的变化趋势，建立如下函数关系：
=()putaojiu niangjiu putao Y f X
若niangjiu f 存在，则f 中很可能包含一个，甚至多个令putao X 转化为putaojiu Y 的未知的转换系数{(1),(2),,()}niangjiu b b b n B ∈ ，为求出putao X 与putaojiu Y 之间的联系，我们可以考虑用曲线拟合的方法，将niangjiu B 求出来，便可以知道他们之间存在着什么样的关系；若niangjiu f 不存在，则需要寻求另一种方法，求它们之间的联系。
4.3.2 酿酒葡萄与葡萄酒的理化指标之间的联系模型的求解
通过MATLAB 编写程序（程序：WT3.m ），绘制出（putao X ，putaojiu Y ）总体的散点图如下：
图4：（putao X ，putaojiu Y ）的散点图
发现，总体的散点图规律较为明显，近似为指数函数图象，因此考虑建立指数函数关系如下：
(3)=(1)(2)niangjiu putao
B X putaojiu niangjiu niangjiu Y B B e +
运用WT3.m 中的程序进行拟合，可以求得：
1）红葡萄和红葡萄酒理化指标参数
=-700.184252422041708.2031045034670.00230526654944051niangjiu B （，，）； 2）白葡萄和白葡萄酒理化指标参数 =-9.400528177416718.123128949469340.0653510702123807niangjiu B （，，）； 拟合效果如下图所示：
图5：红葡萄与红葡萄酒理化指标关系预测作图
图6：白葡萄与白葡萄酒理化指标关系预测作图
由上述两幅图片看出，拟合效果较为显著，这也证实了putao X 与putaojiu Y 之间存在着近似等价于指数函数的函数关系。
接下来，将利用SPSS 软件对原理化指标与预测理化指标之间的显著性关系进行评价：
表4：红葡萄与红葡萄酒预测理化指标相关性
相关性
表5：白葡萄与白葡萄酒预测理化指标相关性
通过上述两表，可以看出，部分预测理化指标和原理化指标的相关性较为显著，这也可以间接的说明，拟合效果较为显著。
4.4.1 酿酒葡萄的理化指标、葡萄酒的理化指标、葡萄酒质量之间的关系模型的建立
想要直接分析酿酒葡萄的理化指标、葡萄酒的理化指标、葡萄酒质量之间的关系，就要考虑到酿酒葡萄的理化指标、葡萄酒的理化指标、酿酒葡萄芳香物质、葡萄酒芳香物质、葡萄酒质量这几个指标所包含的因素，其中酿酒葡萄理化指标包含下级指标50余个，葡萄酒理化指标包含下级指标10余个，酿酒葡萄芳香物质、葡萄酒芳香物质各包含下级指标70余个，合计200余个指标，这样庞大的数据量势必会让我们在分析问题和计算过程中遇到重重困难。因此，考虑筛选出占主要地位的尽量少，且符合我们需求的变量显得尤为重要。
对于上述多个指标之间或多或少都存在着一定程度的相关性，为了尽可能的减少指标数量，决定先运用主成分分析，提取出占主导地位的数据，并且综合考虑主成分分析中的方差贡献率，尽可能的使指标之间所包含的信息保存完整。
想要求它们之间的联系，如果能建立起函数关系，那也是一个不错的选择。在第一问中，我们已经通过品酒员的评分知道了葡萄酒的质量，且是一个一维数组，而利用主成分分析方法提取出来的指标，注定是一个多维数组，像这样一对多的关系，想要画出
散点图来提供参考比较困难，而又不知道函数表达式，像这样的问题，插值、拟合等方法将无从下手，这无疑给计算带来了巨大的困难。
尝试先从最简单的多元线性回归是否能解决这个问题。
设因变量葡萄酒的质量为jiuzhiliang Y ，自变量葡萄的理化指标为putaolihua X 、葡萄酒的理化指标为jiulihua X 、葡萄的芳香物质为putaofangxiang X 、葡萄酒的芳香物质为jiufangxiang X 共四个变量矩阵。注意到，jiuzhiliang Y 、putaolihua X 、jiulihua X 、putaofangxiang X 、jiufangxiang X 的维度是相同的，所以建立以下数学模型：
0111121
2211
11,,1k k n nk n k x x y x
x y X Y b x x y βββ??????????????
?
???===?????????
???
????????
其中
[,,,]putaolihua jiulihua putaofangxiang jiufangxiang x X X X X =
jiuzhiliang Y Y =
b 是我们需要求得待定系数。
4.4.2 酿酒葡萄的理化指标、葡萄酒的理化指标、葡萄酒质量之间的关系模型的求解
通过主成分分析，筛选出变量如下： putaolihua X ：
表6：主成分筛选红葡萄理化指标结果
红葡萄 天门冬氨酸
总酚
杨梅黄酮
总糖
花色苷
葡萄样品1
101.219204 23.60445766 5.304786386 208.1746032 408.028
葡萄样品2 64.42541225 26.87526842 8.510852303 205
224.367 葡萄样品3 108.0709534 21.6848192 19.97727049 256.1904762 157.939 葡萄样品4 79.39055175 10.69844628 4.183231935 189.7222222 79.685 葡萄样品5 52.28133657 17.61781035 1.979521742 209.6626984 120.606 葡萄样品6 68.01297002 10.67146721 1.055618837 244.3849206 46.186 葡萄样品7
65.099065
9.214390599
3.1714456
209.8611111 60.767
葡萄样品8 72.08566108 15.2406428 11.63001268 198.8492063 241.397 葡萄样品9 72.89002558 30.1140053 11.06344509 193.6904762 240.843 葡萄样品10 87.52276393 9.475944001 10.36717828 167.202381 44.203 葡萄样品11 94.42348241 6.074674424 17.19775633 209.5634921 7.787 葡萄样品12 63.32404266 12.05898812 1.678756477 247.6587302 32.343 葡萄样品13 54.30159497 14.38525904 9.137792422 197.8571429 65.324 葡萄样品14 71.27360386 14.65745623 7.123300269 191.5079365 140.257 葡萄样品15 85.20171674 11.9007108 0.471516614 179.1071429 52.792 葡萄样品16 73.3409611 11.21387291 2.160737983 204.0079365 60.660 葡萄样品17 107.189579 15.33577032 2.422963882 212.7380952 59.424 葡萄样品18 32.45371099 7.380943788 0.741341531 226.031746
40.228
葡萄样品19 72.94164142 17.42593537 0.953567604 205.7936508 115.704
葡萄样品20 73.48555452 12.67698625 6.890984779 193.1944444 23.523 葡萄样品21 69.49212529 16.1923429 1.897337787 205.7936508 89.282 葡萄样品22 110.5168075 16.44234457 0.736807431 224.1468254 74.027 葡萄样品23 120.8562924 29.70416867 6.611453744 207.6785714 172.626 葡萄样品24 58.60299921 8.750883363 5.839622642 201.8253968 144.881 葡萄样品25 73.27788047 11.50244542 0.327569458 150.3373016 49.643 葡萄样品26 58.99875879 7.347675634 5.31567069 173.3531746 58.469 葡萄样品27 51.45190563 8.897079663 5.942340081 196.6666667 34.190
表7：主成分筛选白葡萄理化指标结果
白葡萄丝氨酸缬氨酸组氨酸异亮氨酸天门冬氨
酸
总糖总酚
氨基酸总
量
葡萄样品
1 77.155373
83
27.071845
79
24.688084
11
10.945677
57
62.313084
11
175.03968
25
5.3364230
94
1279.2964
08
葡萄样品
2 149.97987
93
44.788732
39
14.144869
22
12.004024
14
71.871227
36
207.77777
78
5.0900082
92
1870.9315
9
葡萄样品
3 286.88072
88
54.360906
48
72.113816
57
20.173761
46
121.27874
94
180.59523
81
6.9716707
27
5022.1384
47
葡萄样品
4 186.91749
32
48.174211
78
48.872388
76
23.257051
03
89.056352
86
206.88492
06
5.2484830
63
2085.7637
83
葡萄样品
5 158.23288
67 51.488479
30.532040
14
22.883332
4
37.238885
46
202.91666
67
6.3229581
8
2658.0350
4
葡萄样品
6 181.55892
46
46.790283
49
17.903398
52
26.760412
56
83.993687
65
186.44841
27
10.541436
72
1847.1194
27
葡萄样品
7 134.49871
16
30.289880
53
28.342703
21
8.3257203
09
61.079878
19
161.74603
17
10.267459
68
1721.5830
99
葡萄样品
8 96.295255
23
46.002923
32
16.960872
5
20.467168
88
66.584214
08
157.77777
78
5.1344536
55
1273.2204
3
葡萄样品
9 156.48545 39.030566
21
28.553462
67
15.798556
28
65.886532
82
209.46428
57
5.8143429
12
1927.4242
61
葡萄样品
10 141.14904
79
20.567957
98
29.916611
95
25.596191
73
120.87984
24
217.99603
17
7.7279536
94
2095.6074
2
葡萄样品
11 84.345794
39
35.229750
78
34.458722
74
17.024922
12
51.401869
16
167.20238
1
7.8539796
71
1566.9704
05
葡萄样品
12 83.889179
91
32.846749
32
32.219312
03
15.730749
08
97.171293
87
209.36507
94
8.4831305
61
1724.1573
25
葡萄样品
13 32.976243
84
12.040564
77
11.052218
74
5.8634020
62
57.614298
52
153.90873
02
11.773548
81
664.95528
91
葡萄样品
14 140.72776
12
31.048420
07
19.706792
83
15.892179
2
73.920915
83
177.22222
22
5.3237678
73
1542.1665
21
葡萄样品
15 97.804892
64
30.053232
85
16.291046
12
17.124229
92
54.429092
65
169.98015
87
8.8714886
46
2669.2202
88
葡萄样品
16 59.758046
11
23.008445
56
12.163318
88
9.6228030
13
48.133987
67
170.67460
32
5.0072935
43
991.91765
58
葡萄样品
17 124.63624
15
38.740723
43
25.319932
22
20.525915
97
74.691754
81
192.40079
37
6.5753148
63
1167.2897
8
葡萄样品
18 84.215434
83
16.047446
96
17.287829
33
7.8625553
74
62.957565
87
183.96825
4
11.957217
91
1289.9266
73
葡萄样品
19 58.879265
24
22.884380
63
12.174620
71
12.345521
13
57.088879
85
199.14682
54
4.7246326
18
817.80695
23
葡萄样品
20 161.04460
72
34.839497
35
23.304151
03
25.838842
24
75.081889
11
219.78174
6
5.2508975
89
2045.2414
98
葡萄样品
21 133.51935
62
35.668213
59
19.429595
25
14.606121
13
84.503319
04
209.26587
3
4.3672949
65
1554.0217
94
葡萄样品
22 161.60714
29
37.512175
32
36.931818
18
22.520292
21
67.775974
03
167.20238
1
6.4094683
78
1457.6668
02
葡萄样品
23 153.26968
42
33.842526
03
17.154770
81
13.821245
76
68.039339
74
199.34523
81
5.1265089
85
1522.5171
1
葡萄样品
24 274.40234
28
62.795840
31
54.972507
77
30.364570
88
129.69160
89
229.30555
56
10.755400
14
3068.3361
22
葡萄样品
25 162.64415
16
62.273476
11
46.334431
63
21.499176
28
53.171334
43
222.95634
92
7.6661929
32
2350.7903
62
葡萄样品
26 176.19571
51
43.126809
5
22.442964
68
23.237405
91
62.258251
3
224.84126
98
5.8157071
43
2073.3331
21
葡萄样品
27 186.02627
74
69.489051
09
47.293430
66
24.778978
1
98.347445
26
190.61507
94
16.964915
27
2475.2143
07
葡萄样品
28 403.125 60.039062
5
60.351562
5
15.980468
75 96.40625
220.07936
51
6.5667310
48
3785.5703
13
jiulihua
X：
表8：主成分筛选红葡萄酒理化指标结果
红酒总酚(mmol/L) 花色苷(mg/L) 酒总黄酮(mmol/L) 单宁(mmol/L) 酒样品1 9.982555294 973.8783147 8.019867968 11.02952635 酒样品2 9.559821176 517.5812887 13.30007556 11.07821224 酒样品3 8.549383529 398.7700124 7.367546603 13.25933976 酒样品4 5.982047059 183.5194548 4.306258934 6.477396353 酒样品5 6.0336 280.1904585 3.643664792 5.849348471 酒样品6 5.85832 117.0255266 4.44494143 7.353742235 酒样品7 3.858065882 90.82478315 2.765342323 4.013890706 酒样品8 10.13721412 918.6878563 7.747639367 12.02758694 酒样品9 11.31262118 387.7649318 9.904922623 12.93314435
酒样品10 4.342663529 138.7137794 3.145435087 5.566970353
酒样品11 4.023035294 11.8377943 2.10274818 4.588384118
酒样品12 4.816950588 84.07856258 2.986207037 6.457922
酒样品13 4.930367059 200.0803098 3.956984503 6.384893176
酒样品14 5.012851765 251.5701363 3.068389257 6.073303529
酒样品15 4.064277647 122.5915737 1.835655967 3.984679176
酒样品16 4.043656471 171.5018587 2.667750938 4.831813529
酒样品17 6.167637647 234.4199504 4.912352802 9.169725647
酒样品18 4.352974118 71.90173482 3.53066424 4.447195059
酒样品19 5.1572 198.6144981 3.874802283 5.980800353
酒样品20 4.858192941 74.37670384 4.044303111 5.863954235
酒样品21 8.941185882 313.7842627 4.439805041 10.08988882
酒样品22 6.198569412 251.0172243 5.826629991 7.105444235
酒样品23 12.52927059 413.9403965 12.1443881 10.88833729
酒样品24 5.394343529 270.1084263 3.7309834 5.747108118
酒样品25 4.425148235 158.5686493 3.022161758 5.406306941
酒样品26 3.888997647 151.4805452 2.154112067 3.614666471
酒样品27 4.734465882 138.4546468 3.284117582 5.961326
表9：主成分筛选白葡萄酒理化指标结果
白酒单宁(mmol/L) 总酚(mmol/L) 酒总黄酮(mmol/L) 白藜芦醇(mg/L) 顺式白藜芦醇苷(mg/L) 酒样品1 1.619892588 1.263523529 0.104692974 0.3090 0.098049
酒样品2 1.23342283 1.103709412 0.510467681 0.2154 0.137984
酒样品3 2.009379647 1.820295294 3.669346735 0.3484 0.151361
酒样品4 2.016682529 1.485201176 1.131970715 0.1119 0.037681
酒样品5 1.594662761 1.536754118 1.414472094 0.3127 0.025921
酒样品6 1.288828588 1.175883529 0.07901103 0.1757 0.154742
酒样品7 1.374028882 1.20166 3.931302559 0.3711 0.280623
酒样品8 1.512783647 0.472185882 0.577240735 0.5844 0.508669
酒样品9 1.843847647 1.286722353 0.099556585 0.1993 0.052528
酒样品10 2.058065529 1.325387059 1.563427366 0.0324 0.020923
酒样品11 1.415411882 1.276411765 2.256839841 0.1074 0.087759
酒样品12 2.307379383 1.998152941 1.491517924 0.4335 0.423899
酒样品13 1.515217941 1.356318824 2.035975127 0.5871 0.466774
酒样品14 1.320474412 1.320231765 2.544477609 1.2058 0.836185
酒样品15 2.530318588 1.807407059 0.941924333 0.3542 0.207319
酒样品16 1.279091412 1.307343529 1.922974575 0.5635 0.276164
酒样品17 1.549298059 1.268678824 0.500194904 0.1350 0.051107
酒样品18 1.330211588 1.343430588 2.878342874 0.4211 0.32144
酒样品19 1.963128059 1.343430588 0.407739907 0.0825 0.064288
酒样品20 2.676376235 1.315076471 0.900833223 0.4259 0.35427
酒样品21 1.203628294 1.028957647 0.541286014 0.3599 0.031556
酒样品22 1.897402118 1.379517647 0.089283808 1.2596 1.193297
酒样品23 1.330211588 1.11402 0.099556585 0.1524 0.144109
酒样品24 4.472885294 3.433902353 3.304663137 0.2662 0.18522
酒样品25 1.505480765 1.459424706 2.333885672 0.2594 0.037191
酒样品26 1.568772412 1.258368235 0.864878502 0.7478 0.281603
酒样品27 3.375018647 2.539458824 7.65518437 0.1539 0.135534
酒样品28 2.028854 1.544487059 0.423149073 0.0838 0.08379
X：
putaofangxiang
表10：主成分筛选红葡萄芳香物质结果
红葡萄2-辛酮乙酸甲酯2-戊酮萘3-甲基-1-丁醇-乙酸酯4-己烯-1-醇-乙酸盐葡萄样品1 2.534 0.000 1.573 0.786 0.437 0.000
葡萄样品2 2.175 0.000 0.634 0.393 0.000 0.000
葡萄样品3 2.134 2.689 6.018 1.280 0.299 0.000
葡萄样品4 3.937 1.245 1.406 0.804 0.000 0.000
葡萄样品5 5.311 2.455 1.052 0.701 0.000 0.000
葡萄样品6 2.304 0.000 1.801 1.592 0.209 0.000
葡萄样品7 0.777 0.000 2.146 0.666 0.481 0.000
葡萄样品8 1.640 0.000 1.856 0.432 0.000 0.000
葡萄样品9 3.694 22.038 1.720 0.955 0.701 0.000
葡萄样品10 2.278 19.492 3.919 0.953 0.318 0.000
葡萄样品11 3.288 0.000 1.855 1.686 0.084 0.000
葡萄样品12 268.354 800.000 29.114 3.797 91.139 0.000
葡萄样品13 110.742 235.038 10.742 1.535 105.627 0.000
葡萄样品14 2.980 0.000 1.890 1.163 0.327 0.000
葡萄样品15 4.725 4.002 2.613 0.556 0.000 0.000
葡萄样品16 3.152 0.000 2.341 0.749 0.000 0.000
葡萄样品17 2.624 0.000 0.488 0.549 0.122 0.000
葡萄样品18 2.185 0.000 0.855 0.428 0.095 0.000
葡萄样品19 6.348 1.947 4.782 1.016 0.212 0.000
葡萄样品20 2.780 0.000 0.673 1.031 0.987 0.000
葡萄样品21 160.959 332.192 22.603 4.110 82.192 0.000
葡萄样品22 1.367 1.367 1.305 1.181 0.932 0.000
葡萄样品23 2.445 0.000 1.153 2.131 0.000 0.247
葡萄样品24 2.932 0.000 1.038 0.489 0.000 0.000
葡萄样品25 2.548 0.000 0.536 0.503 0.637 7.595
葡萄样品26 9.618 76.079 2.589 0.986 2.589 2.302
葡萄样品27 8.838 11.259 5.206 2.421 1.090 0.685
表11：主成分筛选白葡萄芳香物质结果
白葡萄乙酸甲酯3-甲基-1-丁醇-乙酸酯丙酸乙酯2-苯乙基乙酸酯2-戊酮2-辛酮乙酸乙酯葡萄样品1 115.072 0.000 0.000 0.000 4.114 5.546 91.100 葡萄样品2 0.000 0.000 0.000 0.000 0.733 2.786 3.519 葡萄样品3 0.000 0.000 0.000 0.000 11.143 8.240 5.517 葡萄样品4 8.509 0.000 0.000 0.000 3.504 2.853 57.007 葡萄样品5 6.588 0.000 0.000 0.000 7.613 7.771 40.986 葡萄样品6 76.140 3.181 2.121 0.318 7.211 64.369 417.179 葡萄样品7 33.788 0.109 1.419 0.000 4.094 3.493 194.050 葡萄样品8 20.561 0.160 0.802 0.000 5.210 9.499 123.086 葡萄样品9 2.182 0.000 0.000 0.000 6.871 8.914 28.598 葡萄样品10 1.559 0.148 0.000 0.000 2.524 3.118 11.359 葡萄样品11 11.316 0.170 0.170 0.273 6.442 9.850 63.804 葡萄样品12 214.859 135.743 11.446 27.108 13.655 61.044 923.494 葡萄样品13 0.000 0.000 0.000 0.000 2.875 4.963 36.668 葡萄样品14 238.940 40.951 10.603 6.399 9.689 57.038 920.658 葡萄样品15 6.866 0.541 0.000 0.199 0.456 5.242 54.160 葡萄样品16 9.551 0.000 0.000 0.000 1.704 2.168 48.890 葡萄样品17 3.840 0.000 0.000 0.000 1.301 3.716 17.900 葡萄样品18 0.000 0.000 0.000 0.000 0.646 2.179 7.961 葡萄样品19 193.196 1.669 5.648 0.000 3.851 84.211 436.714 葡萄样品20 3.694 0.000 0.187 0.000 6.604 14.291 29.328 葡萄样品21 0.000 0.000 0.000 0.000 1.724 3.487 18.429 葡萄样品22 12.715 0.442 0.000 0.147 9.229 11.095 64.654 葡萄样品23 16.480 0.249 1.430 0.000 1.119 2.799 210.945 葡萄样品24 1.241 0.081 0.000 0.000 0.566 2.670 7.201 葡萄样品25 0.000 0.000 0.000 0.000 7.153 5.945 10.536 葡萄样品26 9.299 0.000 0.199 0.000 6.663 8.603 72.501 葡萄样品27 1.912 0.000 0.000 0.000 0.567 2.585 11.473 葡萄样品28 13.114 0.246 0.540 0.000 5.403 14.882 116.945
X
jiufangxiang
表12：主成分筛选红葡萄酒芳香物质结果
红葡萄酒癸酸甲酯2-甲基-1-丙醇正十三烷4-甲基-1,1'-联苯1-丙醇3-甲基-1-丁醇
酒样品1 2.655 2.046 0.000 0.918 0.000 13.993
酒样品2 1.574 1.320 0.000 0.000 0.000 0.000 酒样品3 0.042 1.967 0.175 0.000 0.000 0.000 酒样品4 0.140 1.119 1.521 0.000 0.000 21.119 酒样品5 0.248 1.289 1.966 0.000 0.000 37.341 酒样品6 0.624 1.507 0.000 0.000 0.000 71.367 酒样品7 0.169 0.928 0.000 0.000 0.000 53.756 酒样品8 0.085 2.128 0.000 0.000 0.000 33.319 酒样品9 0.133 1.237 0.390 0.000 0.000 45.151 酒样品10 0.039 1.099 0.462 0.000 0.000 44.985 酒样品11 0.776 0.776 0.000 0.096 0.000 70.478 酒样品12 1.672 1.347 0.000 0.000 1.942 35.255 酒样品13 0.318 1.000 0.000 0.000 0.000 59.277 酒样品14 0.968 0.381 0.000 0.172 0.258 39.256 酒样品15 2.194 1.020 0.000 0.000 0.000 71.883 酒样品16 0.177 0.799 1.378 0.000 0.000 41.776 酒样品17 0.164 1.370 0.000 0.000 0.000 34.732 酒样品18 0.079 1.964 0.000 0.000 0.000 44.434 酒样品19 0.092 1.380 1.058 0.000 0.000 29.059 酒样品20 0.037 1.049 0.000 0.000 0.000 43.586 酒样品21 0.174 1.177 0.000 0.000 0.000 33.647 酒样品22 0.188 1.626 2.738 0.000 0.000 39.443 酒样品23 0.147 1.566 1.677 0.000 0.000 33.843 酒样品24 1.976 1.621 0.000 0.000 0.000 40.605 酒样品25 0.788 0.670 0.000 0.000 0.000 0.000 酒样品26 0.044 0.873 0.572 0.000 0.000 37.472 酒样品27 1.157 1.052 0.000 0.000 0.000 48.321
表13：主成分筛选白葡萄酒芳香物质结果
白葡萄酒辛酸乙
酯
3-甲基-1-丁
醇
2-乙基-1-己
醇
辛酸甲
酯
3-甲硫基-1-丙
醇
乙酸乙
酯
2-苯氧基-1-丙
醇
酒样品1 150.155 0.000 0.000 0.386 0.386 8.142 0.000 酒样品2 93.005 0.000 0.000 0.000 0.212 6.903 0.212 酒样品3 322.700 23.400 3.000 4.000 3.000 13.600 1.000 酒样品4 133.217 0.000 0.000 0.338 0.338 7.563 0.000 酒样品5 36.217 41.188 0.000 0.163 0.000 14.673 0.000 酒样品6 115.532 0.000 0.000 0.338 0.338 8.202 0.338 酒样品7 0.084 17.402 0.000 0.000 0.000 4.609 0.078 酒样品8 147.725 22.579 0.340 2.042 0.000 9.160 0.000 酒样品9 231.555 0.000 1.693 5.924 0.846 16.651 0.846 酒样品
10 106.961 0.000 0.000 0.565 0.565 9.352 0.000 酒样品
11 19.544 34.019 0.540 0.270 0.000 14.144 0.810 酒样品
12 20.838 26.766 0.359 0.269 0.000 9.820 0.179 酒样品
13 42.126 0.000 0.000 0.000 0.125 3.319 0.000 酒样品
14 132.835 0.000 3.100 4.340 0.620 15.906 1.860 酒样品
15 32.389 40.398 0.392 1.371 0.000 17.124 0.979
酒样品16 0.000 19.537 0.000 0.000 0.000 0.000 0.000 酒样品17 194.318 0.000 0.000 2.522 0.504 8.665 0.000 酒样品18 45.146 30.409 0.152 0.000 0.152 4.483 0.304 酒样品19 96.022 52.861 0.000 0.000 0.000 5.395 0.000 酒样品20 198.527 0.000 1.339 0.670 1.339 14.157 0.670 酒样品21 145.409 36.849 0.385 1.539 0.385 13.400 0.385 酒样品22 179.843 35.954 0.511 1.533 0.000 13.867 0.511 酒样品23 153.125 37.092 0.000 0.923 0.462 26.834 0.000 酒样品24 223.915 0.000 2.012 4.695 1.342 15.889 0.000 酒样品25 171.537 0.000 0.475 0.950 1.900 10.820 0.000 酒样品26 0.061 0.000 0.000 0.000 0.000 6.422 0.000 酒样品27 206.750 28.173 3.230 1.615 1.077 17.241 3.768 酒样品28
49.583
43.490
0.543
1.356
0.271
18.802
0.271
通过MATLAB 编写程序（程序：WT4.m ）容易求得：
1）酿酒红葡萄的理化指标、红葡萄酒的理化指标、酿酒红葡萄芳香物质、红葡萄酒芳香物质、红葡萄酒质量之间函数关系的待定系数：
=[89.1455843958387,0.793172110755523,1.38015115985091,
-1.58003583637490,-14.7491729008073,-8.34463911517496,-0.243078957919440,-0.364824*********,-0.00235100032456043,-2.10326682093398,0.908286833057b 507,-0.246037286654296,0.118911156319931,-1.81531906978589,7.01694129396208,0.105501861779731,-2.46865575707620,-0.00941579254992495,
0.814180677634016,-0.260060811175776,-0.0732621687114936]
检验系数：
20.9407576016689304.76394083378391 0.0305478816104016
R F P === 2）酿酒白葡萄的理化指标、白葡萄酒的理化指标、酿酒白葡萄芳香物质、白葡萄酒芳香物质、白葡萄酒质量之间函数关系的待定系数：
=[53.35422910282740.06039602495385010.0462499650915559-2.28661404167530-0.158179136642762-4.53548387032705-0.0384009100974369-0.966363093464981-0.8745720246898540.946359927929816-4.18064233b ，，，，，，，，，，5185170.01809929420876451.892860949548601.49449374049472-9.460226703257050.255942414321740-0.0992607454391303-0.02177519461230930.00305104812786904-0.1058161741606350.04575244622092350.0800，，，，，
，，，，，，011863496986-0.08644179384943830.08116043269640061.223578756819780.00281124595624336]
，，，
，
检验系数：
20.916335296171947
0.876197731416291
0.664509526488922
R F P ===
根据检验系数来看，回归效果还是较为理想的，下面通过图像，直观的反应回归关系：
图7：白葡萄与白葡萄酒理化指标关系预测作图
因此，可以说明可以使用葡萄和葡萄酒的理化指标来评价葡萄酒的质量。
五、模型的评价
5.1.1 模型的优点
整篇文章，建模思路清晰，描述详细。多次使用数形结合的方法，既有数据严密谨慎的特点，又包含的图形简单直观的特性。
求解的拟合与回归模型，精度较高，适用范围较广。
使用主成分分析的方法，将较为复杂的问题转化为较为简单的问题进行求解，大大简化了计算。
数学建模国家一等奖优秀论文
２01４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《全国大学生数学建模竞赛章程》和《全国大学生数学建模竞赛参赛规则》(以下简称为“竞赛章程和参赛规则”，可从全国大学生数学建模竞赛网站下载)。 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章程和参赛规则的，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，严格遵守竞赛章程和参赛规则，以保证竞赛的公正、公平性。如有违反竞赛章程和参赛规则的行为,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)：B 我们的报名参赛队号为（8位数字组成的编号）: 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): ?（论文纸质版与电子版中的以上信息必须一致,只是电子版中无需签名。以上内容请仔细核对，提交后将不再允许做任何修改。如填写错误，论文可能被取消评奖资格。) 日期： 20１4 年 9 月15日 赛区评阅编号(由赛区组委会评阅前进行编号）:
２０14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）：
我国葡萄酒质量分级的发展历程分析.
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。
葡萄酒质量的评价1
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。
数学建模国赛一等奖论文
电力市场输电阻塞管理模型 摘要 本文通过设计合理的阻塞费用计算规则，建立了电力市场的输电阻塞管理模型。 通过对各机组出力方案实验数据的分析，用最小二乘法进行拟合，得到了各线路上有功潮流关于各发电机组出力的近似表达式。按照电力市场规则，确定各机组的出力分配预案。如果执行该预案会发生输电阻塞，则调整方案，并对引起的部分序内容量和序外容量的收益损失，设计了阻塞费用计算规则。 通过引入危险因子来反映输电线路的安全性，根据安全且经济的原则，把输电阻塞管理问题归结为：以求解阻塞费用和危险因子最小值为目标的双目标规划问题。采用“两步走”的策略，把双目标规划转化为两次单目标规划：首先以危险因子为目标函数，得到其最小值；然后以其最小值为约束，找出使阻塞管理费用最小的机组出力分配方案。 当预报负荷为982.4MW时，分配预案的清算价为303元/MWh，购电成本为74416.8元，此时发生输电阻塞，经过调整后可以消除，阻塞费用为3264元。 当预报负荷为1052.8MW时，分配预案的清算价为356元/MWh，购电成本为93699.2元，此时发生输电阻塞，经过调整后可以使用线路的安全裕度输电，阻塞费用为1437.5元。 最后，本文分析了各线路的潮流限值调整对最大负荷的影响，据此给电网公司提出了建议；并提出了模型的改进方案。
一、问题的重述 我国电力系统的市场化改革正在积极、稳步地进行，随着用电紧张的缓解，电力市场化将进入新一轮的发展，这给有关产业和研究部门带来了可预期的机遇和挑战。 电网公司在组织电力的交易、调度和配送时，必须遵循电网“安全第一”的原则，同时按照购电费用最小的经济目标，制订如下电力市场交易规则： 1、以15分钟为一个时段组织交易，每台机组在当前时段开始时刻前给出下一个时段的报价。各机组将可用出力由低到高分成至多10段报价，每个段的长度称为段容量，每个段容量报一个段价，段价按段序数单调不减。 2、在当前时段内，市场交易-调度中心根据下一个时段的负荷预报、每台机组的报价、当前出力和出力改变速率，按段价从低到高选取各机组的段容量或其部分，直到它们之和等于预报的负荷，这时每个机组被选入的段容量或其部分之和形成该时段该机组的出力分配预案。最后一个被选入的段价称为该时段的清算价，该时段全部机组的所有出力均按清算价结算。 电网上的每条线路上有功潮流的绝对值有一安全限值，限值还具有一定的相对安全裕度。如果各机组出力分配方案使某条线路上的有功潮流的绝对值超出限值，称为输电阻塞。当发生输电阻塞时，需要按照以下原则进行调整： 1、调整各机组出力分配方案使得输电阻塞消除； 2、如果1做不到，可以使用线路的安全裕度输电，以避免拉闸限电，但要使每条 线路上潮流的绝对值超过限值的百分比尽量小； 3、如果无论怎样分配机组出力都无法使每条线路上的潮流绝对值超过限值的百分 比小于相对安全裕度，则必须在用电侧拉闸限电。 调整分配预案后，一些通过竞价取得发电权的发电容量不能出力；而一些在竞价中未取得发电权的发电容量要在低于对应报价的清算价上出力。因此，发电商和网方将产生经济利益冲突。网方应该为因输电阻塞而不能执行初始交易结果付出代价，网方在结算时应该适当地给发电商以经济补偿，由此引起的费用称之为阻塞费用。网方在电网安全运行的保证下应当同时考虑尽量减少阻塞费用。 现在需要完成的工作如下： 1、某电网有8台发电机组，6条主要线路，附件1中表1和表2的方案0给出了各机组的当前出力和各线路上对应的有功潮流值，方案1~32给出了围绕方案0的一些实验数据，试用这些数据确定各线路上有功潮流关于各发电机组出力的近似表达式。 2、设计一种简明、合理的阻塞费用计算规则，除考虑电力市场规则外，还需注意：在输电阻塞发生时公平地对待序内容量不能出力的部分和报价高于清算价的序外容量出力的部分。 3、假设下一个时段预报的负荷需求是982.4MW，附件1中的表3、表4和表5分别给出了各机组的段容量、段价和爬坡速率的数据，试按照电力市场规则给出下一个时段各机组的出力分配预案。 4、按照表6给出的潮流限值，检查得到的出力分配预案是否会引起输电阻塞，并在发生输电阻塞时，根据安全且经济的原则，调整各机组出力分配方案，并给出与该方案相应的阻塞费用。 5、假设下一个时段预报的负荷需求是1052.8MW，重复3~4的工作。 二、问题的分析
葡萄酒的评价优秀论文
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
(精编)葡萄酒质量的评价
(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
快速判断葡萄酒质量的办法
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
葡萄酒质量的综合评价分析模型
葡萄酒质量的综合评价分析模型 专家点评： 本文问题一方法合理，结论正确。问题二对葡萄理化指标进行聚类，然后根据葡萄酒质量进行分级，思路简明正确。问题三进行多元线性回归，尚可，但如果能进行相关性分析会更好。问题四用逐步回归的方法，适当，加入芳香类物质，使结论更加合理。如果问题二和问题三也能将附件三考虑入内会使结论更加有力。 【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。本文主要研究了葡萄酒的品质与葡萄酒自身以及酿酒葡萄的理化指标的关系，给出了基于葡萄酒自身的理化指标以及酿酒葡萄的理化指标与芳香物质的定量综合评价模型。 首先基于两组评酒员对同一批葡萄酒的评价分数数据，采用假设检验中的t检验法建立评估两组数据差异的模型，得到了两组评酒员的评分存在显著差异的结论，并通过对两组数据进行方差分析，以判别结果具有的稳定性作为标准，得到第二组比较可靠。 接下来我们结合酿酒葡萄的理化指标和可信组评酒员的打分所刻画的葡萄酒的质量对酿酒葡萄进行分级，用聚类分析的方法将红，白葡萄酒和酿酒葡萄各分成了5类，然后对分好的葡萄类所酿造的葡萄酒进行统计，得到各类葡萄所对应的级别。 更进一步，我们分析了酿酒葡萄和葡萄酒的理化指标之间的联系，运用主成分分析的方法，从酿酒葡萄的30个指标中提取出了12个主要成分，进而通过逐步回归的方法建立起酿酒葡萄和葡萄酒的理化指标联系的模型。 最后我们将提取葡萄及葡萄酒的理化指标与芳香物质中的主成分，利用逐步回归的方法考察理化指标与芳香物质对葡萄酒质量的影响程度，通过对芳香物质对葡萄酒质量影响比重得到芳香物质对葡萄酒的质量有30%以上的影响比重（白葡萄的芳香物质对白葡萄酒的质量影响相对更大），故而不能完全用酿酒葡萄和葡萄酒的理化指标评价葡萄酒的质量。 关键词：假设检验聚类分析主成分分析逐步回归
葡萄酒质量的评价模型 全国数学建模
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
葡萄酒的质量和哪些因素有关
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
国赛优秀论文
B甲004 目录 摘要 (3) 关键词 (3) 一、系统方案 (3) 1.1、方案比较与论证 (3) 1.1.1、控制器模块 (3) 1.1.2、电机及驱动模块 (3) 1.1.3、测速模块 (4) 1.1.4、音频产生模块 (4) 1.1.5、无线收发模块 (4) 1.1.6、声音采集处理模块 (4) 1.2、最终方案 (4) 二、电路设计 (5) 2.1、系统组成 (5) 2.2、电动机驱动电路 (5) 2.3、行程测量模块 (5) 2.4、声光报警模块 (6) 2.5、周期性音频脉冲信号产生模块 (6) 2.6、无线收发模块设计 (6) 2.7、声音采集计算系统 (6) 三、软件设计 (7) 3.1、电机驱动部分流程图 (7) 3.2、主程序流程图 (7) 3.3单片机控制MMC-1芯片的程序 (7) 3.4无线接收模块程序 (7) 四、系统测试 (8) 4.1、测试仪器 (8) 4.2、调试 (8) 4.2.1 速度调试 (8) 4.2.2 功率放大测试 (8) 4.2.3 声源频率测试 (8) 4.2.4 声音接收测试 (8) 五、总结 (9) 5.1、结论 (9) 5.2、结束语 (9) 六、参考文献 (9) 七、附录 (9) 附录一、部分电路原理图 (9) 附录二、主程序流程图 (11) 附录三、部分程序附录 (13)
摘要： 本课题设计制作小组本着简单、准确、可靠、稳定、通用、性价比低的原则，采用STC89C52作为声源系统的控制核心，使用凌阳SPCE061A作为音频信号分析处理系统核心，应用电机控制ASSP芯片MMC-1驱动电机。本系统电路分为声源移动模块,声音产生模块，声音采集处理模块，无线控制模块和显示报警模块。声音收发和无线传输模块测量声源与声音接收器之间的距离，控制声源移动。首先测量声源S距A、B的距离差，距离差为零表示小车已运动到OX线，然后测量S距A、C的距离差，距离差为零表示小车寻找到W点。小车在OX线上运动时，利用S距A、B的距离差校正路线，同时声光报警，LCD液晶显示屏显示小车运行路程和时间。 关键词：STC89C52；电机控制芯片MMC-1；PT2262/2272无线收发；周期性音频脉冲信号；TEA2025B音频放大 一、系统方案 1.1方案比较与论证 根据题目要求，本系统主要由控制器模块、直流电机及其驱动模块、声音产生模块，声音采集处理模块和无线控制模块、声光报警模块等构成。为较好的实现各模块的功能，我们分别设计了几种方案并分别进行了论证。 1.1.1控制器模块 方案一：采用大规模可编程逻辑器件（如FPGA）作为系统的控制中心，目前，大规模可编程逻辑器件容量不断增大，速度不断提高，且多具有ISP功能，也可以在不改变硬件电路的情况下改变功能，但在本系统中，它的高处理功能得不到从分利用，还考虑到VHDL语言描述也没有单片机语言那么方便，所以这个方案不采用。 方案二：采用单片机STC89C52作为中心控制器。STC89C52单片机算数运算功能强，软件编程灵活，自由度大，具有超低功耗，抗干扰能力强等特点。还具有ISP在线编程功能，在改写单片机存储内部的程序时不需要将单片机从工作环境中取出，方便快捷。在后来的实验中我们发现，STC89C52精确度和运算速度也都完全符合我们系统的要求。故采用STC89C52单片机为我们整个系统的控制核心。 1.1.2 电机及驱动模块 采用电机控制ASSP 芯片MMC-1驱动（实物图如图1）。MMC-1为多通道两相四线式步进电机/直流电机控制芯片，基于NEC 电子16 位通用MCU（ PD78F1203）固化专用程序实现，支持UART 和SPI 串行接口。MMC-1 共有三个通道电机控制单元，通过设置寄存器可分别设置工作模式，实现不同功能。可以用来驱动直流电机和步进电机。 方案一：采用步进电机。步进电机是数字控制电机，不但控制精度高，而且简单可靠，但价格过高，重量大，占用端口资源多且控制复杂，不予采用。 2
葡萄酒的质量检测标准
同问 葡萄酒的质量检测标准、 2010-5-16 08:07 提问者：jave_sting|悬赏分：10 |浏览次数：3034次 有谁知道葡萄酒的质量检测包括哪几方面啊 推荐答案 2010-5-16 10:23 GB/T 15038 葡萄酒、果酒通用分析方法 GB 15037—2006 葡萄酒（可以去百度文库，免费查阅） 6 分析方法 6.1感官要求 按GB/T 15038检验。 6.2理化要求 按GB/T 15038检验。 6.3 苯甲酸、山梨酸 按GB/T 5009.29检验。 6.4 净含量 按JJF 1070检验。 表1 感官要求 项目要求 外观色泽白葡萄酒近似无色、微黄带绿、浅黄、禾杆黄、金黄色 红葡萄酒紫红、深红、宝石红、红微带棕色、棕红色 桃红葡萄酒桃红、淡玫瑰红、浅红色 澄清程度澄清，有光泽，无明显悬浮物（使用软木塞封口的酒允许有少量软木渣，装瓶超过1年的葡萄酒允许有少量沉淀） 起泡程度起泡葡萄酒注入杯中时，应有细微的串珠状气泡升起，并有一定的持续性 香气与滋味香气具有纯正、优雅、怡悦、和谐的果香与酒香，陈酿型的葡萄酒还应具有陈酿香或橡木香
滋味干、半干葡萄酒具有纯正、优雅、爽怡的口味和悦人的果香味，酒体完整 半甜、甜葡萄酒具有甘甜醇厚的口味和陈酿的酒香味，酸甜协调，酒体丰满起泡葡萄酒具有优美醇正、和谐悦人的口味和发酵起泡酒的特有香味，有杀口力 典型性具有标示的葡萄品种及产品类型应有的特征和风格 注：感官评价可参考附录A进行。 1）特种葡萄酒按相应的产品标准执行。 2）特种葡萄酒按相应的产品标准执行。 表2 理化要求 项目要求 酒精度a（20℃）（体积分数）/（％）≥ 7.0 总糖d（以葡萄糖计）/（g/L）平静葡萄酒干葡萄酒b ≤4.0 半干葡萄酒c 4.1～12.0 半甜葡萄酒12.1～45.0 甜葡萄酒≥45.1 高泡葡萄酒天然型高泡葡萄酒≤12.0（允许差为3.0） 绝干型高泡葡萄酒12.1～17.0（允许差为3.0） 干型高泡葡萄酒17.1～32.0（允许差为3.0） 半干型高泡葡萄酒32.1～50.0 甜型高泡葡萄酒≥50.1 干浸出物/（g/L）白葡萄酒≥16.0 桃红葡萄酒≥17.0 红葡萄酒≥18.0 挥发酸（以乙酸计）/（g/L）≤1.2 柠檬酸/（g/L）干、半干、半甜葡萄酒≤1.0 甜葡萄酒≤2.0 二氧化碳（20℃）/MPa 低泡葡萄酒< 250mL/瓶0.05～0.29 ≥250mL/瓶0.05～0.34 高泡葡萄酒< 250mL/瓶≥0.30 ≥250mL/瓶≥0.35 铁/（mg/L）≤8.0 铜/（mg/L）≤1.0 苯甲酸或苯甲酸钠（以苯甲酸计）/（mg/L）≤ 50 山梨酸或山梨酸钾（以山梨酸计）/（mg/L）≤ 200 注：总酸不作要求，以实测值表示（以酒石酸计，g/L） a 酒精度标签标示值与实测值不得超过±1.0％（体积分数）。 b 当总糖与总酸（以酒石酸计）的差值小于或等于2.0 g/L时，含糖最高为 9.0 g/L 。 c 当总糖与总酸（以酒石酸计）的差值小于或等于2.0 g/L时，含糖最高为 18 g/L。 d 低泡葡萄酒总糖的要求同平静葡萄酒。
基于数据挖掘技术的葡萄酒评价体系研究
Advances in Applied Mathematics 应用数学进展, 2015, 4(4), 376-384 Published Online November 2015 in Hans. https://www.wendangku.net/doc/4811276504.html,/journal/aam https://www.wendangku.net/doc/4811276504.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.wendangku.net/doc/4811276504.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。
影响葡萄酒品质的关键因素
影响葡萄酒品质的关键 因素 集团文件发布号：（9816-UATWW-MWUB-WUNN-INNUL-DQQTY-
如果说葡萄酒有什么使我们津津乐道的，那肯定首先是它的品质。虽然这是一个难以展开讨论的话题，却不妨碍我们发表意见，转而求其次，讨论那些影响葡萄酒品质的因素。很多时候当我们评完酒，都会捎带对酿酒师品头评足一下，或许当初这样或者那样做酒会更好一些，并通过揭示那些影响酒品质的关键秘密，增加一些谈资。 那么，影响葡萄酒品质的关键因素有哪些？或许你也有兴趣加入讨论。 产地 葡萄酒的产地肯定影响了葡萄酒的品质。“产地”具体包括什么呢？一个具体的地理位置——通过这个确定的位置，那里的土壤也就确定了。于是，土壤也就成为了我们的谈资：土壤的类型，土壤的肥力，地块的朝向等等。通过确定的地理位置，我们也可以获知当地的气候特点。“气候”有包括什么呢？这些内容至少不应该漏掉：生长日数，生长期积温，光照，降雨量以及降雨的季节分布，干燥度以及自然灾害性等。 从宏观来说气候是相对稳定的——蒙布里埃（朗格多克-鲁西荣）是地中海式气候，阿尔萨斯是大陆性气候，宁夏是大陆季风性气候……从微观上，气候（但愿我没有混淆气候与气象）又不是恒定不变的，
“光、热、雨以及灾害性气候等”会在不同的年度之间出现变化，这就给我们带来另外的谈资： 年份 “年份”二字写着简单，表述起来却不是那么容易——“酿造葡萄酒的葡萄原料采收的自然年度”。但是对于那些过了年才采收葡萄并酿造的朱朗松（也译为瑞朗松—Juran?on），或者某些地区的冰酒，这个表述似乎又不完全正确。其实呢，我们都知道“年份”对葡萄酒品质的影响是指葡萄生长期间气象因素在不同年度间的差异，这对于南半球来说，就更不是酒标上标注的那个4位数就能说清楚的了。 产地也好，年份也罢，其实直接影响了葡萄的表现。除了这些不可改变的外在因素影响葡萄的生长，葡萄本身内在的因素——基因，也就是葡萄的品种/品系（variety/clone）也会表现出差异。 品种 酿酒葡萄的品种把产地与年份的特征浓缩在自己的果实中，最后被酿酒师转化为葡萄酒，让消费者去感受这个积累的过程。品种，往往与特定的产区具有关联性，因为它的产生往往是长期自然选择的结果——哪怕是人工培育的品种，也总是首先产生于一个具体的产区，比如品诺
葡萄酒品质检验及其评价
葡萄酒品质检验及其评价 葡萄酒是指以葡萄或葡萄汁为原料，经全部或部分发酵酿制而成、酒精度(体积分数)大于等于7%的酒精饮品。通常分红葡萄酒和白葡萄酒两种。目前我国进口葡萄酒居多，然而其质量状况不容乐观。葡萄酒各理化指标在原产地生产、运输和分装过程中，会随着储存温度、时间及氧化条件的不同而发生变化。而其含量超出或低于规定范围都会不利于人体健康。因此，对葡萄酒的品质检验，对于保证消费者的健康和确保葡萄酒产品的安全生产来说就显得非常重要。 本文根据相关文献，从感官指标、理化指标和微生物指标三个方面建立了葡萄酒品质评价体系 1 感官评价 葡萄酒的感官品质包括葡萄酒的外观、香气、滋味以及是否具有典型性。外观品质又包括葡萄酒的颜色、浓度、色调、气泡是否存在以及持续性，香气品质包括香气的类型、浓度以及和谐程度，滋味包括酒体的协调性、结构感、平衡性以及后味等，典型性是指葡萄酒的整体感官，即外观、香气与滋味之间的平衡性。具体的评价方法参照国家标准GB/T15038-2006。 2 理化指标 葡萄酒属于三低（低酒度、低糖、低热量）、三丰富（丰富氨基酸、丰富维生素、丰富无机盐）的酒种。其中含有200多种对人体有益的营养成分，其中包括糖、有机酸、氨基酸、维生素以及无机盐等人体所必需的物质。而且葡萄酒是唯一的碱性酒精性饮品，可以中和现代人每天吃下的大鱼大肉以及米面类酸性食物，降低血中的不良胆固醇，促进消化。所以这里进行测定的理化指标有多酚物质、干浸出物、酒精度、总糖、总酸、酚酸、白藜芦醇苯、单宁色素、花色苷和矿物质。具体的评价方法参照国家标准GB/T15038-2006。 理化要求 酒精度a（20℃）（体积分数）/（％）≥ 7.0 总糖d（以葡萄糖计）/（g/L）平静葡萄酒干葡萄酒b ≤4.0 半干葡萄酒c 4.1～12.0 半甜葡萄酒 12.1～45.0 甜葡萄酒≥45.1 高泡葡萄酒天然型高泡葡萄酒≤12.0（允许差为3.0） 绝干型高泡葡萄酒 12.1～17.0（允许差为3.0） 干型高泡葡萄酒 17.1～32.0（允许差为3.0） 半干型高泡葡萄酒 32.1～50.0 甜型高泡葡萄酒≥50.1 干浸出物/（g/L）白葡萄酒≥16.0 桃红葡萄酒≥17.0 红葡萄酒≥18.0
评判葡萄酒品质的五项指标
评判葡萄酒品质的五项指标 由于从事WSET高级品酒师的教学工作，最经常被学生和爱好者问到的问题，莫过于怎样评价葡萄酒的品质。大家之所以对这个问题特别关心，可能是因为判断葡萄酒品质对学员的工作关系特别密切。葡萄酒行业的从业人员，免不了频繁的选酒和荐酒，如果判断品质的基本功掌握不好，自然无法胜任工作。对于葡萄酒爱好者而言，判断葡萄酒品质直接决定他们的购买行为，也会给葡萄酒的合理价格提供一个参考。 我个人觉得，葡萄酒和任何的食品与饮料一样，都存在“萝卜白菜，各有所爱”的情况。但是，从葡萄酒品评的角度上来讲，就像艺术品的品鉴一样，有着它规范的一面。在我们判断葡萄酒的品质之前，首先需要判断的是葡萄酒是不是存在劣化的问题。葡萄酒的劣化会以带有不愉悦的气味为标志，在技术上我们认为这些不愉悦的气味是葡萄酒的缺陷。酒庄的卫生问题、酿造和陈年过程中氧气参与多少、存储不当或加入二氧化硫过多，都有可能会产生带有缺陷的气味。在葡萄酒竞赛中，会有专职的裁判来判断劣化问题，任何有缺陷气味的葡萄酒都被一票否决，不会进入到竞赛的下一轮环节。 当一款葡萄酒不存在气味缺陷的时候，我们就可以对它的品质来进行判断了。有一些葡萄酒从业人员，单纯地通过某种气味、酒体（口感）、果味、单宁或者酸甜度来判断和介绍葡萄酒的品质，这是不专业的做法。我们通常是从葡萄酒的浓郁度、复杂度、平衡性、回味和典型性这几个角度来对品质进行评价。
浓郁度是葡萄酒爱好者最容易识别的。很多朋友在品尝完葡萄酒后，都会指出这款葡萄酒品味是浓还是淡。其实浓郁度是分为嗅觉的浓度和味觉的浓度，这两部分浓度之间没有必然的关联。有时我们闻起来很酒香很深沉，但品尝起来，却发现浓郁度一般；也会有时发现闻到的气息比较微弱，但是味蕾对觉得味道很厚重。毋庸置疑，浓郁度越高，葡萄酒品质越好。 相比浓郁度来讲，复杂度要难得多。对复杂度的判断需要专业的葡萄酒气味训练，从而具备区分葡萄酒气味的能力。葡萄酒是一种果酒，它主要的味道，肯定是果味，这种果味，是来自葡萄本身的气味，我们称之为第一类气味。但是随着葡萄酒的桶中和瓶中陈年，会演变出香草、雪茄盒、烟草、烟薰、咖啡、焦糖、皮革、泥土、蘑茹等等气味。 如果这款葡萄酒只有果味，同时，如果它不具备能够陈年，香气能够演变的特征，这款葡萄酒注定就是一款果味为主的，适合立即饮用的葡萄酒。一款葡萄酒，只要能有三四种味道，就认为具备良好品质。但一款出色品质的葡萄酒，可能会有十几种以上的味道。 平衡性是一个让葡萄酒爱好者头痛的问题，因为它相对比较感性，不像浓郁度和复杂度这么容易量化。葡萄酒的平衡，最简单的理解就是，果味与甜度和酸度与单宁之间的逻辑关系。打个比方，对于一款干型白葡萄酒，它的甜度和单宁可能都不能被味觉识别，所以往往需要对等的果味和酸度来进行平衡。酸度太低，酒会给人以庸肿、笨拙的感觉，而果味太低，酒显得空洞、平坦。平衡性更深层研究的问题