2012国赛获奖论文

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）：北京邮电大学

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 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行编号）：

基于聚类分析的葡萄酒模糊综合评价模型

摘要

随着人们生活品质的提高，葡萄酒已成为新时代餐桌上的“宠儿”。因此，葡萄酒品质的评定显得尤为重要。本文结合酿酒葡萄、葡萄酒的理化指标和感官指标等多个因素综合考虑了一个基于聚类分析的葡萄酒模糊综合评价模型。首先对理化指标进行分析，然后对海量数据进行了统计分析处理，再对影响葡萄酒质量评估的各因素进行相关性分析，最后针对各个问题建立模型并求解。

针对问题一，我们首先利用EXCEL和SPSS统计软件对各组葡萄酒品尝评分

表的数据进行处理，再通过统计学方差分析法将两组数据进行作图比较，进而通过观察不同评酒员对同一种酒的评分方差折线图，可以得知两组评分存在显著性差异，并且第二组评酒员能够更真实的反映酒样间的客观差异。

针对问题二，我们建立了两个模型。首先利用EXCEL软件分别得到了红白两种葡萄酒各自的一级指标与各自葡萄酒样本评分的关系图以及其相关比例系数。进而通过数据拟合分析的方法，求得了对葡萄酒质量影响较大的关键性一级指标。然后，随机选出一定量的葡萄酒样本，利用MATHEMATICA软件和统计回归的方法计算出各个指标在葡萄酒质量评定中所占权重并加以验证。最后，根据求得的相关比例系数、样本分布图以及聚类分析法，可以得到酿酒葡萄的分级结果。

针对问题三，我们在模型二的基础上分别建立了酿酒葡萄与葡萄酒的函数关系和香气分析得分与芳香物质的函数关系。首先，利用EXCEL软件做出酿酒葡萄与葡萄酒各个理化指标之间的关系图以及香气分析得分与芳香物质的关系图，分别计算相关系数并观察两者趋势后，利用MATHEMATICA软件进行曲线拟合，从而得出酿酒葡萄和葡萄酒的理化指标、香气分析得分与芳香物质之间的联系。最后，根据附件二、三中提供的数据，论证了理论的正确性。

针对问题四，本文采用了基于数据比较统计的模糊综合评价模型。首先，利用EXCEL软件和归一法，可以得到因素集、评价集和多因素评价矩阵。然后，通过比值法，我们分别确立了影响红白葡萄酒质量的因素，同时，绘制了各级别葡萄样本的各个因素值的点图。最后，通过对点图的分析，可以得出评价集和因素集的关系，即葡萄酒的质量与酿酒葡萄和葡萄酒的理化指标之间的关系。最终我们得出，葡萄酒质量的分级不能仅仅依靠酿酒葡萄和葡萄酒的理化指标来确定，还应将感官评价因素考虑在内。

在本题求解过程中，我们建立的模型与实际紧密联系，有较强的规律性和合理性，并能很好地推广到食品的检测和食品质量分级体系中。

关键词：葡萄酒、MATHEMATICA、数据拟合、聚类分析、模糊综合评价、分级

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、问题分析

随着葡萄酒开始走进千家万户，葡萄酒的品评已成为当下的一个热点话题。本文通过建立基于聚类分析的葡萄酒模糊综合评价模型，对葡萄酒的质量的评定进行了分析。

2.1 问题一：判断评酒员可信度的实质

在附件一中，将葡萄酒分为红白两种，其中有红葡萄酒样品27组，白葡萄酒样品28组，评酒员两组，每组10人，两组分别对红、白葡萄酒每组样品进行品尝并评分。问题一要求我们判断哪一组评酒员更可信。根据附件一知酒样品一样，但评酒人群不一样。因此，问题一的实质就是根据评分结果查看哪一组评酒员的资质、技能更好。

2.2 问题二：用葡萄的理化指标和葡萄酒的质量对葡萄分级

问题二要求用葡萄的理化指标和葡萄酒的质量对酿酒葡萄进行分级。由于数据广度的局限性，本文忽略酿酒工艺等环节对葡萄酒的质量的影响，即认为酿酒葡萄的质量完全通过相应葡萄酒的质量来体现。而葡萄酒的质量则用问题一中可信度较高的一组评酒员对酒的评分来表示。因为缺乏其他外部的判断标准，我们以葡萄的理化指标作为自变量，葡萄酒评分作为因变量，用两种不同的方式进行了拟合。

对于红葡萄酒，我们统计了葡萄的理化指标与葡萄酒评分的相关度，选择了6个相关度高的6个关键理化指标。然后随机选择少量样本做线性拟合，得出关系向量，用其他的样本代入拟合方程进行检验。

对于白葡萄酒，由于葡萄的理化指标的繁杂，我们对理化指标进行了聚类处理，形成了4个聚类指标。然后利用MATHEMATICA软件，对4个聚类指标和葡萄酒评分的关系进行了非线性拟合，并检查了拟合误差率。

2.3 问题三：酿酒葡萄与葡萄酒的理化指标之间的联系

问题三要求分析酿酒葡萄与葡萄酒的理化指标之间的联系。由于数据广度的局限性，本文忽略酿酒工艺等环节对葡萄酒的质量的影响，认为葡萄酒的理化指

标完全由相应的葡萄的理化指标决定。鉴于葡萄和葡萄酒理化指标的繁杂，我们沿用问题二中成功的聚类分析法，对葡萄的理化指标进行了聚类处理，形成了4个聚类指标。然后利用MATHEMATICA的拟合功能，选取合理的函数形式，对葡萄酒的7个指标与葡萄的4个聚类指标的关系一一进行了拟合，从而得出酿酒葡萄与葡萄酒的理化指标之间的联系。

2.4 问题四：葡萄酒质量评价模型的建立以及评价

问题四要求分析葡萄酒质量与葡萄和葡萄酒理化性质之间的关系，即通过已知的酿酒葡萄和葡萄酒理化指标，能否定量或定性对葡萄酒的质量做出评价。进行评估时，是否要同时考虑到客观量化和主观感受对葡萄酒的质量的影响，能否利用测出的理化指标的值来辩证分析葡萄酒质量进行判定成为解题的关键。

三、模型假设与约定

1.品酒先后对打分没有影响；

2.不考虑指标间的相互作用的影响；

3.不考虑同一种酿酒葡萄个体间的差异；

4.假设附录中所给的各种数据的背景值真实；

5.不考虑对葡萄酒、酿酒葡萄影响效果较小的理化指标；

6.假设在简化问题的过程中，酿酒工艺等环节对葡萄酒的质量毫无影响。

四、符号说明及名词定义

注：其他未注明的符号具体在文章中说明

五、模型建立、求解与检验

5.1问题一

5.1.1选取可信度高的评酒员的必要性

在葡萄酒感官评价结果的统计分析中, 多数分析方法都是建立在评酒员的

基础上的。但在实践中, 由于各种因素的共同作用, 评酒员组员间存在个人主观差异性。由于这可能掩盖被分析样品的显著性差异，因此应将进行感官评价的评酒员作为可能影响感官评价结果的因素来考虑。

评酒员的给分范围及其平均值

图一：第一组红葡萄酒图二：第一组白葡萄酒

图三：第二组红葡萄酒图四：第二组白葡萄酒

由上图可知，评酒员之间存在异质性，主要原因有：

①评价尺度的差异

在感官评价中，每个评酒员都用自己的评价尺度对葡萄酒进行评价，

而且他们的评价尺度之间存在很大差异。如图一中3号评酒员的给

分范围是：40-96，给分区间为56；而4号评酒员的给分区间为：54-82，

给分区间仅为28。

②评价位置的差异

有的评酒员的给分空间虽然相同，但是他们的评价位置却存在着差

异。

③评价方向的差异

对于不同的酒样，一些评酒员认为是好的，而另一些评酒员认为是

差的。

因此，选取一组更可信的评酒员组合是十分有必要的。

5.1.2葡萄酒评价结果的可信度

由附件一给出的数据，我们考虑将各酒品样本和总体方差建立对应关系，利用EXCEL绘制出折线图来体现两组评价结果的相对可信性。

利用公式：

可以计算得出各组红白葡萄酒的评分方差

第一组红葡萄酒评分方差：

83.61 35.81 41.24 97.24 55.81 53.76 93.25 39.61 29.65

27.36 63.69 71.69 40.44 32.4 77.01 16.29 79.21 42.49

42.64 23.44 104.49 45.56 29.24 67.4 58.16 28.16 44.8

第二组红葡萄酒评分方差：

73.69 14.6 27.64 37.16 12.29 19.01 56.41 58.6 23.16

32.56 34.24 22.61 13.76 20.84 37.21 18.09 8.25 45.24

49.64 35.16 31.96 21.84 22.29 9.65 39.36 37.4 18.45

第一组白葡萄酒评分方差：

83 180.96 59.81 40.24 113.8 146.44 35.25 165.24 83.49 191.41

159.41 104.21 153.69 102.8 118.44 160.2 129.76 140.89 41.76

57.96 155.44 124.8 39.29 100.01 30.49 65.61 129.96 72.41

第二组白葡萄酒评分方差：

23.29 44.16 128.24 37.89 23.65 20.45 37.96 28.01 95.64

63.36 79.04 126.04 42.09 14.29 48.64 74.01 34.61 27.21

23.44 45.04 57.96 48.24 10.44 34.69 95.85 92.61 32 22.84

图一：两组白葡萄酒总体方差对比图二：两组红葡萄酒总体方差对比

从图中可以看出：红酒第二组和白酒第二组总体方差较红酒第一组和白酒第一组相对偏低，因此，可以推断出第二小组的评酒员的评价结果更具可信性。所以，在此后的所有模型建立假设的过程中，所有的数据均采用第二小组的。

5.2问题二

5.2.1酿酒葡萄的关键理化指标

为了对酿酒葡萄进行分级，我们分别建立了从代表样本推广至全体样本的葡萄酒综合评价模型以及基于聚类分析的葡萄酒综合评价模型两个模型。首先我们通过数据拟合分析的方法，分别选取了红白葡萄各自的关键理化指标。

图：红葡萄关键理化指标与葡萄酒质量关系

如图所示，对于红葡萄，我们选出了六个关键性理化指标，它们的相关系数分别为：蛋白质0.49410307, DPPH自由基0.601410742, 总酚0.669693892, 单宁0.369818838, 葡萄总黄酮0.707463047, PH值0.503375958。

而对于白葡萄，我们共选出了十个关键性理化指标，它们的相关系数分别为氨基酸总量0.319612539，酒石酸 0.402176124，DPPH自由基0.314038684，单宁0.157847373，葡萄总黄酮-0.239893249，总糖0.461203561，可溶性固形物0.482179991，PH值0.204865317，果穗质量-0.465218846果皮颜色b，

0.486682437。（此处只给出部分关系图）

图：白葡萄关键理化指标与葡萄酒质量关系（部分）

5.2.2从代表样本推广至全体样本的葡萄酒综合评价模型

对于酿酒红葡萄，我们首先选出六个关键理化指标，然后又随机选择了六个红葡萄样本，此处为样本2,6,9,11,15,16。根据这些数据，构建了样本数据与葡萄酒评分的关系矩阵，并通过线性拟合得到红葡萄酒的评分值与各个关键理化指标之间的函数关系，同时，利用MATHEMATICA软件的矩阵计算功能，得出红葡萄酒的评分值与各个指标的比例系数，最后利用所得系数算出其他葡萄样本的理论评分值。

各指标的比例系数：

矩阵结果代表其余红葡萄酒样本理论评分值，如图：

理论评分值与实际评分值的分差：

由图可知，红葡萄酒理论评分值与实际评分值的分差大致分布在x 轴的下侧， 因此通过添加一个常数变量λ进行拟合，可以实现较为准确的品评。

最终我们将红葡萄酒分为优、较优、一般、较差四个等级。

优 ： 样品2，样品9，样品23，样品24

较优：样品3，样品5，样品10，样品16，样品20

一般: 样品6，样品11，样品13，样品14，样品15，样品17，样品18，

样品19，样品21，样品22，样品26，样品27

较差：样品1，样品4，样品7，样品8，样品12，样品25

5.2.3基于聚类分析的葡萄酒综合评价模型

针对酿酒白葡萄，由于关键性理化指标数量较多，我们改进了模型。根据文献[2]提供的葡萄关键性指标的聚类谱系图，首先我们将总糖、还原糖、可溶性固形物聚为一类，作为因素集中的参数甜度；各种酸聚为一类，作为因素集中的参数酸度；总酚、单宁、葡萄总黄酮聚为一类，作为因素集中的参数涩度；干物质、果穗百粒聚为一类，作为因素集中的参数硬度。然后，利用MATHEMATICA 的拟合功能，选取了y,y^2,1/y 的综合形式，来对白葡萄对应的葡萄酒的评分与四

5

10

15

20

25

30

优 较优 一般 较差 123456789101112

个聚类理化指标的关系进行了拟合。公式如下：

进而，利用MATHEMATICA软件，并根据上述公式所求出的葡萄酒样本的理论评分以及各葡萄酒样品的实际平均得分，可以得到如下图所示的误差以及误差率：

从图一和图二的散点分布可以看出，该模型的误差率较小。因此，可以较为真实的反映出白葡萄酒的品质。最终我们将白葡萄酒分为优、较优、一般、较差

四个等级。

优：样品5,样品9,样品25

较优：样品3,样品4,样品10,样品15,样品17,样品19,样品20,样品21,样品22,样品23,样品24,样品27

一般：样品1,样品2,样品6,样品7,样品14,样品18,样品26

较差：样品8,样品11,样品12,样品13,样品16

5.3问题三

5.3.1 酿酒葡萄与葡萄酒相关理化指标的确立

在模型二中，我们已经将酿酒葡萄的理化性质聚为甜度、酸度、涩度和硬度四类，再根据附件二中提供的数据，可得葡萄酒的九项一级理化指标。

然后，利用EXCEL软件，对酿酒葡萄与葡萄酒各个理化指标之间的相关系数进行计算，计算结果如下：

图：红葡萄与葡萄酒理化指标间相关系数

图：白葡萄与葡萄酒理化指标间相关系数

然后，我们挑选出起主导作用的理化指标（上图中用黄色标记），并做出了酿酒葡萄与葡萄酒各个关键理化指标间的关系图（在此只给出部分）：

图：红葡萄甜度与葡萄酒单宁关系图图：白葡萄甜度与葡萄酒单宁关系图

图：红葡萄涩度与葡萄酒总黄酮关系图图：白葡萄涩度与葡萄酒总黄酮关系图

5.3.2构造酿酒葡萄与葡萄酒理化指标之间的关系函数

针对该问题，首先假设酿酒葡萄的四个理化指标与葡萄酒九个理化指标之间有直接联系。然后分别计算这十三个理化指标与葡萄酒评分的相关系数，并利用MATHEMATICA软件进行函数拟合，可构造出如下关系函数（本文只给出部分拟合函数）：

对于红葡萄酒：

①红葡萄酒花色苷与葡萄甜度，酸度，涩度，硬度的关系函数：

②红葡萄酒单宁与葡萄甜度，酸度，涩度，硬度的关系函数：

③红葡萄酒总酚与葡萄甜度，酸度，涩度，硬度的关系函数：

对于白葡萄酒：

①白葡萄酒单宁与葡萄甜度，酸度，涩度，硬度的关系函数：

②白葡萄酒总酚与葡萄甜度，酸度，涩度，硬度的关系函数：

③白葡萄酒酒总黄酮与葡萄甜度，酸度，涩度，硬度的关系函数：

5.3.3 酿酒葡萄与葡萄酒理化指标之间的关系函数的正确性检验

本小节对5.2.2中全部关系函数进行了检验，此处以红葡萄酒花色苷与葡萄四个理化指标的关系函数为例，论证了关系函数的正确性。

首先，代入酿酒葡萄四种理化指标的相关数据，并根据拟合方程得出理论花色苷的值，再与实际花色苷值进行比较，得出误差率如图所示：

然后，观察误差率的分布规律并忽略偶然误差，可以发现误差率基本维持在15%之内,相对较小，因此该拟合函数的正确性较高。

5.3.4 酿酒葡萄和葡萄酒芳香物质与香气分析值的关系

葡萄和葡萄酒的芳香物质是具挥发性的、能够产生一定气味的含香物质的总称。葡萄和葡萄酒香气由几百种挥发性化合物组成, 成分十分丰富, 种类复杂, 主要成分有酯、醇、萜烯、酚、缩醛、内酯、脂肪酸、单萜醇氧化物等。研究葡萄与葡萄酒中的芳香物质，对葡萄酒质量评价系统建立具有重要的理论与实践意义。

针对该问题，首先，我们分别统计出第二组红白葡萄酒样品中关于香气分析的平均分。

红葡萄酒样品香气分析平均分为：、

白葡萄酒样品香气分析平均分为：

根据附件三中所提供的数据，我们分别列出了20种红葡萄和葡萄酒的芳香物质以及20种白葡萄和葡萄酒的芳香物质，并利用MATHEMATICA软件分别对20种芳香物质与香气分析值进行处理，同时拟合出芳香物质与香气分析值之间的函数关系式,包括线性方程、二次方程、三次方程三次拟合。

红葡萄酒香气分析值与芳香物质关系函数（线性）：

代入20种芳香物质的相关数据，并根据拟合方程得出理论香气分析值，再与实际香气分析值进行比较，得出误差率如图所示：

最后，观察误差率的分布规律并忽略偶然误差，可以发现误差率基本维持在5%之内,相对较小，因此该拟合函数的正确性较高。所以我们可以通过各种芳香物质的量来判定葡萄酒香气分析值。

5.4问题四

5.4.1 关于模糊综合评价模型

模糊综合评价是借助模糊数学的一些概念，应用模糊关系合成原理，将一些边界不清、不易定量的因素定量化、综合评价的一种方法，常用于定性检测、感官多指标综合评价。

5.4.2评价论域的确定和相关系数矩阵

1.对于红葡萄酒：

因素集：{甜度，酸度，涩度，硬度，花色苷，单宁，总酚，葡萄酒总黄酮，白藜芦醇，DPPH半抑制体积，色泽L，色泽a，色泽b} 评价集：{优，良，一般}

根据所给数据，我们利用EXCEL和MATHEMATICA进行数据处理和统计运算计算出各自相关系数，并用归一法进行了系数的归一化，列出了红葡萄因素-评价相关矩阵并用比值法挑选出其中比值较大的因素。

图：因素-评价相关矩阵图：因素间评价相关系数比值

随后，我们选出了白藜芦醇，色泽L，色泽b，甜度，酸度五个主要影响因素。对选取的五个影响因素分别作出其葡萄样本因素值分布图（本文只列出甜度和色泽L）

图：葡萄酒样本甜度值分布图图：葡萄酒样本色泽L值分布图

通过分布图我们可以知道在这五个主要影响因素中，只有白藜芦醇和色泽L 能较好的与葡萄酒质量建立显形的联系。其中，色泽L在10-50时葡萄酒级别为良，大于50时葡萄酒级别为一般；白藜芦醇含量在大于2时为良，0-2时为一般。

2.对于白葡萄酒：

因素集：{甜度，酸度，涩度，硬度，单宁，总酚，葡萄酒总黄酮，白藜芦醇，DPPH半抑制体积，色泽 L，色泽a，色泽b} 评价集：{优，良，一般}

同理，我们列出了白葡萄酒因素-评价相关矩阵并用比值法挑选出其中比值比较大的因素。

图：因素-评价相关矩阵图：因素间评价相关系数比值

随后，我们选出了葡萄酒总黄酮，白藜芦醇，色泽L,色泽b,甜度，涩度六个主要影响因素，对选取的六个影响因素分别做出其葡萄样本因素值分布图（本文只列出涩度和色泽b）。

图：葡萄酒样本色泽b值分布图图：葡萄酒样本涩度值分布图

通过分布图我们可以知道在这六个主要影响因素中，只有色泽b和葡萄酒总黄酮能够较好的和葡萄酒质量建立显性的联系。其中，色泽b在2-3时葡萄酒级别为良，大于3时葡萄酒级别为优；葡萄酒总黄酮大于1时为良，0-1时为优。

5.4.3 酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响

上文中，我们分别确定了对红白葡萄酒质量影响较大的因素。根据基于数据比较统计的模糊综合评价模型以及数值分布图，可以得到并非所有因素都可以量化的表示葡萄酒等级的结论，如红葡萄和葡萄酒的理化指标中只有白藜芦醇和色泽L的大小对葡萄酒质量产生明显影响，白葡萄和葡萄酒的理化指标中只有色泽b 和葡萄酒总黄酮对葡萄质量产生明显影响。因此，我们认为仅仅根据酿酒葡萄和葡萄酒的理化指标不足以完全体现葡萄酒的质量，如若在此基础上再将感官评价因素列入考虑范围则能够更加充分、准确的对葡萄酒的质量进行评论。

六、模型评价

6.1 优点

①首先对数据及理化指标间的相关性进行分析、处理，简化了计算。

②所建立的模型与题目要求紧密联系，有很好的通用性和推广性。

③运用MATHEMATICA和EXCEL软件进行统计、计算，可信度高

④本文中图形与数据相结合，更具说服力

6.2 缺点

由于时间紧迫及数据不足，使部分模型较为粗糙，同时由于时间和设备以及自身水平的局限，计算结果可能存在误差。

七、模型推广

本模型的建立对于葡萄酒的客观评价具有现实意义，尤其在当今经济文化全球化的大潮流下，酒文化作为一种特殊的文化载体，在人们日常交往和生活中占

有独特的地位。该模型的建立有利于更好、更准确的品评葡萄酒，对于提高葡萄酒质量，提高企业的生产效率具有推动作用，并能够良好的推广到食品检测和食品质量分级体系中。

八、参考文献

[1] 姜启源，数学模型（第四版），北京：高等教育出版社，2011。

[2]盛骤，谢式千，概率论与数理统计，北京：高等教育出版社，2003

[3] 王百姓，冯积社，模糊综合评价在干红葡萄酒感官品评中的应用，中国食物与营养，第十七卷第八期：33—37，2011。

[4]李华，刘曙东，葡萄酒感官评价结果的统计分析方法研究，中国食品学报，第六卷第二期：126—131，2006。

[5]张丽芝，贺兰山东麓红葡萄酒等级划分客观标准的初步研究，中国食物与营养，第十八卷第三期：29—32,2012。

[6] 谢辉，统计方法在葡萄理化指标简化中的应用，https://www.360docs.net/doc/df14733206.html,/view/49068e1055270722192ef70e.html

，2012年9月8日。

九、附录

9.1关键代码

9.1.1问题二红葡萄拟合和分级

(*TB为导入的红白共55个葡萄样本的理化指标和葡萄酒评分数据*)

KeyRed = {2, 10, 11, 12, 13, 19};

TBRed = Table[TB[[i]], {i, 1, 27}];

KeyTBRed = Table[TBRed[[i,KeyRed]], {i, Length[TBRed]}];

KeySPRed = {2, 6, 9, 11, 15, 16};

If[Length[KeySPRed] == Length[KeyTBRed[[1]]], SPRed = KeyTBRed[[KeySPRed]]; ,

Print["Please check var KeySPRed"]]

AveRed = {68.625, 73.625, 75.125, 71.625, 72.25, 66.25, 66.5, 66.375, 78.5, 68, 62.375, 68.75, 68.5,

72.75, 66.25, 69.625, 74.75, 64.875, 72.875, 76, 72.5, 71.875, 77.625, 71.625, 67.25, 71.75, 71.125};

SPAveRed = AveRed[[KeySPRed]];

xRed = LinearSolve[SPRed, SPAveRed]

yRed = KeyTBRed . xRed

imgyRed = ListPlot[yRed - AveRed]

FlagRed[n_] = Min[yRed] + n*((Max[yRed] - Min[yRed])/4);

RankRed = {{}, {}, {}, {}};

For[i = 1, i <= 27, i++, Which[FlagRed[0] <= yRed[[i]] <= FlagRed[1], AppendTo[RankRed[[1]], LBGrapeRed[[i]]], FlagRed[1] <= yRed[[i]] <= FlagRed[2],

AppendTo[RankRed[[2]], LBGrapeRed[[i]]], FlagRed[2] <= yRed[[i]] <= FlagRed[3],

AppendTo[RankRed[[3]], LBGrapeRed[[i]]], FlagRed[3] <= yRed[[i]] <= FlagRed[4],

AppendTo[RankRed[[4]], LBGrapeRed[[i]]]]]

RankRed

9.1.2 问题二白葡萄拟合和分级

(*TB5为导入的 28个样品的 4个聚类指标和葡萄酒评分的数据*)

FFF[x1_,x2_,x3_,x4_]=Fit[TB5,{1,x1,x2,x3,x4,x1^2,x2^2,x3^2,x4^2,1 /x1,1/x2,1/x3,1/x4},{x1,x2,x3,x4}];

TB4=Table[TB5[[i,{1,2,3,4}]],{i,1,28}];

TB1=Table[TB5[[i,5]],{i,1,28}];

TScore=Table[

FFF[

TB4[[i]][[1]],TB4[[i]][[2]],TB4[[i]][[3]],TB4[[i]][[4]]