数学建模中山葡萄与山葡萄酒
数学建模毕业论文--葡萄酒的评价
数学建模毕业论文--葡萄酒的评价
葡萄酒的评价是一项复杂的任务，涉及多个因素，包括葡萄品种、酿造过程、年份、产地和存储条件等。
在数学建模中，我们可以利用统计分析和机器学习算法来对葡萄酒进行评价，以预测其质量和特征。
首先，我们可以采集一定数量的葡萄酒样本，并测量其相关属性，如酒精含量、酸度、pH值、残留糖分、挥发性酸、柠檬
酸等。
利用统计分析方法，我们可以探索这些属性与葡萄酒质量之间的关系，建立相应的数学模型。
例如，可以使用线性回归分析来确定具体属性与葡萄酒得分之间的相关性。
另一方面，机器学习算法可以帮助我们构建更复杂的评价模型。
可以使用聚类算法将葡萄酒样本分成不同的类别，以发现具有相似特征的葡萄酒群体。
此外，可以使用分类算法或回归算法来预测葡萄酒的质量评分。
这些算法可以利用已知的葡萄酒样本数据进行训练，并在新样本上进行预测。
除了属性数据，我们还可以考虑其他因素对葡萄酒评价的影响。
例如，可以考虑葡萄酒的价格、评分和消费者评价等因素，以构建更综合的评价模型。
可以使用模糊数学方法来处理这些不确定性和主观性因素，以得出更准确的评价结果。
最后，为了验证模型的准确性和稳定性，可以使用交叉验证或留一验证的方法进行模型评估。
这些方法可以帮助我们评估模型的泛化能力，并进行必要的调整和改进。
数学建模可以帮助我们对葡萄酒进行评价，为葡萄酒生产商、消费者和酒评人提供有关葡萄酒质量和特征的有价值信息。
2012数学建模葡萄酒原题
2012数学建模葡萄酒原题【正文】2012数学建模葡萄酒原题葡萄酒是一种历史悠久且备受喜爱的饮品，它也是经济学家和数学建模者们研究的对象之一。
在2012年的数学建模竞赛中，与葡萄酒相关的题目引发了广泛的讨论和研究。
本文将围绕这个题目展开阐述，并探讨葡萄酒在经济学和数学建模中的应用。
1. 葡萄酒行业概述葡萄酒作为一种高级饮品，具有独特的制作工艺和品质要求。
葡萄种植、酿造和销售是葡萄酒行业的三大环节。
葡萄种植需要考虑气候、土壤和品种等因素，而酿造则需要精确的工艺控制和时间管理。
销售方面，葡萄酒的价格受到供需关系、品牌价值以及市场营销因素的影响。
2. 葡萄酒供需模型葡萄酒供需模型是研究葡萄酒市场供求平衡关系的重要工具。
它基于市场上的供求曲线，考虑了价格、消费者偏好和生产成本等因素。
通过分析供需模型，我们可以预测葡萄酒市场的供给量和价格波动情况，为决策者提供参考。
3. 葡萄酒评分模型葡萄酒评分模型是对葡萄酒品质进行客观评价和分类的工具。
通常，葡萄酒的品质评分基于口感、香气和口感等方面进行评估。
评分模型可以帮助葡萄酒酿造商根据评估结果进行改良和调整，以提高产品质量和市场竞争力。
4. 葡萄酒预测模型葡萄酒预测模型是基于历史数据和市场趋势进行葡萄酒销售和需求预测的工具。
借助数学建模方法和统计学分析，我们可以预测不同品种和产地的葡萄酒在未来的销售趋势，并作出相应的调整和安排。
5. 葡萄酒市场策略在竞争激烈的葡萄酒市场中，制定有效的市场策略至关重要。
数学建模可以帮助分析市场份额、品牌竞争力、产品定价和市场推广等因素，为企业制定合适的市场策略提供指导。
6. 葡萄酒运输和配送优化葡萄酒的运输和配送环节也是影响葡萄酒行业效益的重要因素之一。
通过数学建模和优化方法，我们可以对葡萄酒运输网络和配送路径进行优化，以减少成本和时间，并提高运输效率。
7. 葡萄酒消费者行为分析葡萄酒消费者行为分析可以帮助了解消费者对葡萄酒的选择、购买和消费习惯。
数学建模中葡萄酒评价模型(秩和检验 主成份分析 置信区间法 多元线性回归 相关性分析)
三、模型假设
（1）两组评酒员在评论时相互之间不会受到令一组的影响； （2）所有同种葡萄酒的酿造工艺完全相同； （3）所给数据的测量都不受外部因素的影响； （4）评酒员评分时的标准都是相同的。
四、符号说明
总体观察值的秩和； T: n1 n 2 ： 分别代表相同种类酒的总数；
x j ， j ： 评酒员对同一酒样的均值和标准差；
关键字
秩和检验
主成份分析
置信区间法
多元线性回归
相关性分析
1
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。 需要建立数学模 型讨论下列问题： 1. 分析两组评酒员的评价结果有无显著性差异，判断哪一组结果更可信； 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，并考虑能否用葡 萄和葡萄酒的理化指标来评价葡萄酒的质量。
初始因子载荷矩阵主成份f1主成份f2主成份f3主成份f4主成份f5主成份f6主成份f7主成份f8氨基酸01292560214164014102028805801338702013502076180007092蛋白质02321820107030239632014029601250710001717016527011575vc含量004797011823014383700136904039300620910051160021634花色苷03212390023950004422017672005180801208180145090055696酒石酸012914301397190125499021730102400410065790226743037352苹果酸01332860192018003772038379005168101672630259270092096柠檬酸01005280186970081038022581025851700070190257026031042多酚氧化酶活力0124439000935012086034749016068400974301973220087214褐变质02244320010385003935304234002255004783005383007744dpph0288052012355016211101204670039601395710088888016599503284840062020013499014050700184400957930123930150099单宁02927440071620054610023201389022979600929050025719葡萄总黄027690901113400399790173841000244902146890059040144198白藜芦醇000882022360203519690023328016924012243201102630217942黄酮醇02056990036880024135004469011936022019046170602658100826070259406027065018373301018520062290064330226268可溶性固0085623021233603376201236990117750054640035650244496ph00986780056630186289039440101
数学建模经典案例分析以葡萄酒质量评价为例
数学建模经典案例分析以葡萄酒质量评价为例一、本文概述本文旨在通过深入剖析数学建模在葡萄酒质量评价中的应用，展示数学建模的经典案例。
我们将首先简要介绍数学建模的基本概念及其在各个领域的应用，然后聚焦葡萄酒质量评价这一具体问题，阐述如何通过数学建模对其进行科学、客观的分析。
文章将详细分析数据的收集与处理、模型的建立与求解、模型的验证与优化等关键环节，并探讨不同数学模型在葡萄酒质量评价中的优缺点。
我们将总结数学建模在葡萄酒质量评价中的实际应用效果，展望其在未来葡萄酒产业中的发展前景。
通过阅读本文，读者将能够了解数学建模在葡萄酒质量评价中的重要作用，掌握相关数学建模方法和技术，为类似问题的解决提供有益的参考和借鉴。
本文也将促进数学建模在葡萄酒产业中的应用与发展，推动葡萄酒产业的科技进步和产业升级。
二、数学建模基础数学建模是一种将实际问题抽象化、量化的过程，通过数学工具和方法来求解问题的近似解。
在葡萄酒质量评价这一案例中，数学建模提供了从复杂的实际生产环境中提取关键信息，并建立预测模型的可能。
这需要我们具备一定的数学基础，如统计学、线性代数、微积分等，同时也需要理解并掌握数据处理的基本技术，如数据清洗、特征提取和选择等。
在葡萄酒质量评价问题中，我们首先需要收集大量的葡萄酒样本数据，这些数据可能包括葡萄品种、产地、气候、土壤、酿造工艺、化学成分等多个方面的信息。
然后，我们需要对这些数据进行预处理，如去除缺失值、异常值，进行数据标准化等，以提高模型的稳定性和准确性。
接下来，我们可以选择适合的模型进行训练。
在这个案例中，我们可以选择线性回归、决策树、随机森林、神经网络等模型进行尝试。
我们需要根据数据的特性和问题的需求，选择最合适的模型。
同时，我们还需要进行模型的训练和验证，通过调整模型的参数，提高模型的预测能力。
我们需要对模型进行评估和优化。
这可以通过交叉验证、ROC曲线、AUC值等评估指标来进行。
如果模型的预测能力不足，我们需要对模型进行优化，如改进模型的结构、增加更多的特征等。
2012数学建模葡萄酒题目讲解
2012数学建模葡萄酒题目讲解在2012年的数学建模比赛中，有一道备受关注的题目就是关于葡萄酒的数学建模。
这道题目涉及到葡萄酒的产区选择、种植和酿造等方面，需要运用数学建模的方法来进行分析和解决问题。
在本文中，我将深入讨论这个主题，探索葡萄酒的数学建模问题，并共享我对这个主题的个人观点和理解。
1. 葡萄种植区位选择在葡萄酒的生产过程中，选择适合葡萄种植的区位至关重要。
这涉及到气候、土壤和地形等多个因素的综合考量。
在数学建模中，可以运用气象学、土壤学和地理信息系统等知识，通过建立数学模型来评估不同区域的适宜度，以帮助决策者做出更科学的选择。
2. 葡萄种植面积和产量预测对于葡萄的种植面积和产量预测也是葡萄酒生产中的重要问题。
通过收集历史数据、分析趋势和建立数学模型，可以预测未来葡萄种植面积和产量的变化，帮助生产者做出合理的规划和安排。
3. 葡萄酒酿造过程优化除了种植阶段，葡萄酒的酿造过程也可以通过数学建模来进行优化。
控制发酵温度、调整酒精度和控制酿造时间等因素都可以通过建立数学模型，进行科学的控制和调整，以确保葡萄酒的质量和口感。
4. 葡萄酒市场需求预测对葡萄酒市场需求的准确预测也是葡萄酒生产过程中至关重要的一环。
通过收集市场数据、分析消费者趋势和建立数学模型，可以预测未来市场对不同品类和品质葡萄酒的需求量，帮助生产者进行合理的生产和销售规划。
总结回顾通过以上的讨论，我们可以看到在葡萄酒生产过程中，数学建模可以发挥重要作用。
从区位选择到种植面积和产量预测，再到酿造过程优化和市场需求预测，都可以通过数学建模来进行科学分析和解决问题。
这不仅可以提高生产效率，减少生产成本，还可以提升葡萄酒的质量和口感，满足市场需求。
个人观点和理解在我看来，葡萄酒的数学建模不仅仅是生产者和科研工作者的事情，也是一个跨学科的合作过程。
数学建模需要运用多学科知识，如地理学、气象学、统计学和市场学等，跨学科的合作可以为葡萄酒生产带来更多可能性。
数学建模 葡萄酒评价模型
A题葡萄酒的评价摘要随着我国葡萄酒业的逐步发展，葡萄酒生产企业的规模和数量不断扩大，葡萄酒的质量成为大家越来越关心的话题，本文旨在建立数学模型评价葡萄酒和酿酒葡萄的质量。
针对问题一，在对两组评酒员的评价是否存在显著性差异的问题中，首先用2 拟合检验法验证了两组评酒员的评价结果都服从正态分布，并对两组评酒员的评价结果进行了F检验和t检验，发现两组评酒员对于红葡萄酒和白葡萄酒的评价结果均存在显著性差异，通过方差分析法处理，发现第二组评酒员的评分方差更小，故评价结果均衡度更好,其结果可信度更大。
针对问题二，我们利用置信区间法计算出可信区间，再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Q型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。
针对问题三，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。
但主成分法去掉了一部分数据，我们有用最小二乘法进行。
针对问题四，利用最小二乘法建立多元线性回归模型分析葡萄和葡萄酒的理化指标对葡萄酒质量的影响，利用spss软件求出自变量与因变量间的相关系数为0.138，拟合线性回归的确定性系数为0.019，经方差分析及对回归系数进行显著性检验发现方程不显著，即不能用葡萄和葡萄酒的理化指标来评价葡萄酒的质量。
关键字：正态分布主成分分析聚类分析方法最小二乘法逐步回归 spss软件一、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。
2012数学建模A题葡萄酒答案
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。
全国大学生数学建模竞赛A题葡萄酒评价分析
全国大学生数学建模竞赛A题葡萄酒评价分析葡萄酒是一种古老而美妙的饮品，其种类繁多，风味各异。
如何对葡萄酒进行准确的评价和分析成为了葡萄酒爱好者和生产商们共同关注的问题。
在此次全国大学生数学建模竞赛A题中，我们将围绕葡萄酒的评价和分析展开讨论。
1. 引言葡萄酒是一种由葡萄经过发酵而成的酒类饮品。
葡萄酒的风味和品质受到许多因素的影响，如产地、葡萄品种、酿造工艺等。
为了准确评价葡萄酒的质量和特点，我们需要建立相应的评价指标和模型。
2. 数据分析为了进行葡萄酒评价，我们首先需要收集相关的数据。
通过对不同品牌、不同种类的葡萄酒进行采样和测试，我们可以获得葡萄酒的关键指标，如酒精含量、酸度、甜度、单宁含量等。
在数据分析中，我们可以运用统计学方法和数学建模技术，对数据进行整理和处理。
通过计算均值、方差、相关系数等指标，我们可以得到葡萄酒的基本特征和相互之间的关系。
3. 葡萄酒评价指标体系建立基于数据分析的结果，我们可以建立葡萄酒评价指标体系。
这一体系应该包含对葡萄酒各项指标的评价方法和权重。
常见的评价指标包括酒精含量、色泽、香气、口感等。
在指标体系中，我们可以采用层次分析法，通过对各个指标的重要性进行排序和评估。
同时，还可以利用数学模型，将各项指标综合起来，得到最终的评价结果。
4. 葡萄酒评价模型构建在对葡萄酒进行评价时，我们可以利用数学建模方法构建评价模型。
常用的模型包括多元回归模型、灰色关联度模型等。
多元回归模型可以用来分析葡萄酒各项指标之间的关系，进而预测葡萄酒的品质。
灰色关联度模型则可以用来度量葡萄酒各个指标对品质的影响程度。
通过不断地调整模型和参数，我们可以得到更准确的葡萄酒评价结果，并为葡萄酒生产商提供有针对性的改进建议。
5. 葡萄酒评价系统设计为了方便葡萄酒评价和分析的实施，我们可以设计一个葡萄酒评价系统。
该系统可以包括数据输入、数据处理、指标评价、模型计算等功能模块。
数据输入模块用于将葡萄酒相关数据录入系统。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
!"#$ %&’() ’*$ !"#$ %&’() !"*)
CD:E F2"
（ G$"3H"+, 8 ， :%;>> ， I+"J 7 ， -2)+,2)" K%)H ， L"3"+ ， L"3"+ 975669 ， M2"+) ）
+,-.&’/.： N"3H ,&)O/ 2)P J2/ .2)&).J/&"PJ".P )P Q%33%RP： 2",2 )."H .%+J/+J， 2",2 J)++"+ .%+J/+J， 2",2 O2/+%3 .%+J/+J， (%&/ H&4 /ST J&).JP )+H +$J&"J"%+)3 .%(O%+/+JP， 3%R P$,)& .%+J/+J， )+H 3%R U$"."+, %$JO$J; N"3H ,&)O/ ,&%RP ()"+34 "+ +%&J2/)PJ M2"+)， +%&J2R/PJ M2"+) )+H P%$J2R/PJ M2"+); V$)3"J4 ,&)O/ W&//H R)P %WJ)"+/H J2&%$,2 .&%PP W&//H"+,; -$.2 #$)3"J4 W&//H R)P J2/+ O3)+J/H "+ Q%&/PJ J% /+P$&/ ,&)O/ #$)3"J4 Q%& R"3H ,&)O/ R"+/ O&%H$.J"%+; M2"+) 2)H ) O)&J".$3)& 2"PJ%&4 Q%& R"3H ,&)O/ R"+/ O&%H$.J"%+; 12/ 2"PJ%&4 .%$3H W/ H)J/H W).* "+ X)PJ Y)+ B4+)PJ4; D+H J2/ "+H$PJ&")3"Z/H O&%H$.J"%+ R)P ).J$)3"Z/H "+ 9?76[P; L)O)+/P/ Q"&PJ /PJ)W3"P2/H JR% R"3H ,&)O/ R"+/ O3)+J "+ L"3"+ ."J4 （ +)(/H M2)+,W)"P2)+ E&%$O; M%; +%R） )+H "+ 1%+,2$) ."J4 （ +)(/H 1%+,2$) E&)O/ R"+/ M%; +%R ） )J J2)J J"(/; 12/ O&%H$.JP "+ J2/ JR% O3)+JP %WJ)"+/H +)J"%+)3 #$)3"J4 )R)&HP )+H R/&/ W/PJP/33"+, )J 2%(/ )+H )W&%)H; N"3H ,&)O/ R"+/ "P +)J$&)3 ,&//+ Q%%H )+H .%+J)"+P )W$+H)+J +$J&"J"%+)3 .%(O%+/+JP; D(%+, )33 J2/ +$J&"J"%+)3 .%(O%+/+JP， \/&)J&43 )3.%2%3 2)P J2/ Q$+.J"%+P %Q O&/\/+J"+, .)&H"%\)P.$3)& H"P/)P/P )+H "JP .%+J/+J "P 5A7 J"(/P %Q J2)J %Q %&H"+)&4 ,&)O/ R"+/;（ 1&)+; W4 ]IX ])+, ） ： ； ； 0)1 23&$- R"+/ .$3J$&/ R"3H ,&)O/ R"3H ,&)O/ R"+/ 9
山葡萄 山葡萄是生长在 山 上 的 野 生 作 物 ， 也称毛葡萄、 刺葡萄、 秋葡 萄等。山葡萄在我国分布很广， 吉林、 辽宁、 黑龙江、 河北、 河南、 陕 西、 广西、 云南等省都出产野生山葡萄， 尤以吉林省产量最丰。 吉林 省吉林市、 通化市、 延吉市出产较多。 山葡萄古人笼统称为蘡薁， 药用名木龙。山葡萄果粒圆而小、 果皮厚、 籽多、 汁少、 汁呈紫黑色、 味酸、 口感涩、 不宜生食。 东北产山葡萄属东亚种群， 生长在长白山脉积温较低地区， 抗 寒力极强， 可以在 ’>6 ^ 的恶劣气温下奇迹般的实现露地越冬。山 葡萄多生长在寒冷的林源、疏林及幼林中，生长在有机质比较丰 富、 通风透水性良好、 微酸性或中性土壤上。野生山葡萄是木质藤 单叶互生， 叶 长 96 .( ， 宽 @ .( ， 雌雄异 本植物， 藤 长 达 9< ( 以 上 ， 果期 @A? 月。 株， 花期 <A8 月， 山葡萄具有“ 四高二 低 ” 的特点： 酸高、 单宁多酚高、 干浸物高 和营养成分高； 糖低、 出汁率低， 其成分比例见表 9 。 山葡萄果粒小（ 直 径 <A95 (( ） ， 粒多穗紧， 形状成串， 成熟果 为紫黑色， 皮外挂一层白霜， 果实芳香。 青粒为未成熟果， 红 收购的山葡萄一般青红粒在 96 _ 左 右 （
5665 年，吉林长白山酒业集团将人工优选的山葡萄良种又返
植到森林， 采取自然条件 进 行 培 育 ， 这无疑是一种有益的尝试， 从 野生到人工栽培； 又从人工栽培到野生， 对扩大山葡萄酒的产量和 保证山葡萄酒质量提供了有效的保证
?9@=A
。Leabharlann 5山葡萄酒 山葡萄酒是世界上只有中国才有的独特葡萄酒种 ?9@=A。山葡萄
酒的历史大概可追溯至东汉时期，当时我国西北地区可能生产一 些葡萄酒了。 唐朝由于“ 丝绸之路” 葡萄酒逐渐由西域传入中国。 但 我国实现工业化生产始于 56 世纪 76 年代。 当时， 日本人在吉林省建立了两家有一定规模的山葡萄酒厂： 一个是建在吉林市的新站葡萄酒厂，即现今的长白山酒业集团有 限公司； 另一个是建在通化市的山葡萄酒厂， 即通化葡萄酒有限公 司。 日本人饭岛庆三创办新站葡萄酒厂， 当年产 9<78 年 B 月 5= 日 ， 同时用山 葡 萄 酒 脚 生 产 酒 石 酸 及 其 盐 类 。 目 前 ， 山葡萄酒仅 >6 C， 长白山酒业集团有限公司已拥有近千个橡木酒桶，每个酒桶容积 年贮酒能力达两万余吨。它拥有梅河万亩山葡萄种植基 =@96 (7， 地和蛟河 = 万亩长白山野生资源自然保护区。 该公司的长白山特制
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
“ 湘酒鬼” 为黄永玉大师庆贺 B6 华诞
师黄永玉 B6 华诞。
本刊讯： 来自海内外数百位嘉宾齐聚湘西美丽的凤凰古城， 共贺艺术大 5667 年 B 月 8 日， 在湖南酒鬼酒股份有限公司的积极促成下， 黄老 B6 华诞庆典在他新近落成的玉氏山房里 隆重举行。这是 B6 岁的黄老第一次郑重其事在自己家乡过生日， 而且是 B6 诞辰。 “ 黄老， 祝您福如东海， 寿比南山， 健康长寿啊！” 一大早， 黄老迎来的第一批客人便是湖南 “ 湘酒鬼” 新任董事长刘虹和他的助手们。 黄永玉， 一个精神矍烁的老头。 一身朴素的“ 短打” ， 颈上围一条淡黄色毛巾， 嘴里噙一支硕 大的雪茄， 湘西人淳朴外表的下面透出艺术大师特有的道骨仙风。 刘虹的到来让黄老格外高兴， 这位赋予“ 酒鬼” 酒包装与品名极大文化艺术魅力的“ 设计大 师” ， 把对“ 酒鬼” 的厚爱与希望全部寄托在刘虹这位新掌门人的身上。他拉着刘虹的手神采飞 酒鬼公司董事长刘虹与艺术大师黄永玉 探讨酒鬼发展战略 扬地说， “ 来得好， 来得好， 我给你看一样东西。” 只见黄老从画案上取出一幅十米长卷， 让弟子 们在地上徐徐展开， 很快一部运用精美书法撰写、 文思泉涌、 恣肆汪洋的鸿篇巨制《 酒经》 展现 在大家面前。 从古老的楚辞诗章到历史悠久的湘西酿酒传统， 从源远流长的湘楚民间饮酒风俗