葡萄酒质量的评价模型全国数学建模-毕设论文
数学建模葡萄酒的评价 大学毕业设计
葡萄酒的评价摘要葡萄拥有很高的营养价值，本文通过对葡萄酒的评价，以及酿酒葡萄和葡萄酒的理化指标之间的关系进行讨论分析，对不同的酿酒葡萄进行了分类，并更深入讨论两者的理化指标是否影响葡萄酒质量。
针对问题一，我们首先分别计算每类葡萄酒样品在两组组评酒师评价下的综合得分，以此作为每组评酒师的最终评价结果。
再运用统计学中的T 检验进行假设与检验，得出两组评价结果具有显著性差异。
最后通过计算各组评价员的评价结果的标准差，以此推算稳定性指标值P ，P 值较大的可信度较高，得出2p p <红1红与2P P <白1白，进而得出第二组的评价结果更加可信。
针对问题二，我们分别对两组葡萄进行分类。
在这里我们采用聚类分析法和主成分分析法，在matlab 中实现对酿酒葡萄的分类。
针对问题三，根据σμ-=x Z 对附件2中的数据进行标准化处理，排除单位不同的影响。
以酿酒葡萄的30个一级理化指标作为自变量X ，葡萄酒9个一级的理化指标作为因变量y,建立多元线性回归模型εβ+=X y ,得出酿酒葡萄的理化指标与葡萄酒的理化指标之间的联系即回归系数矩阵β。
针对问题四，用灰色关联度分析对两者的关系进行度量，求得理化指标对样品酒的的关联系数。
然后根据葡萄酒综合得分及指标的相关系数得出样品酒的综合指标，通过MATLAB 软件对综合指标与第二问中葡萄酒的分数进行指数拟合，拟合效果不佳，因此不能定量的用葡萄和葡萄酒的理化指标来评价葡萄酒的质量，只能根据图像大致猜测综合指标与葡萄酒的质量负相关。
关键词：T 检验 聚类分析法 主成分分析法 Z 分数 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。
葡萄酒的评价数学建模论文大学毕设论文
葡萄酒的评价摘要本文主要研究葡萄酒的评价问题。
以酿酒葡萄和葡萄酒为对象，通过对酿酒葡萄理化指标的分析、分级，筛选出影响葡萄酒质量的主要指标，就酿酒葡萄和葡萄酒理化指标、芳香物质对葡萄酒质量进行分析研究，从而得出对葡萄酒质量的客观评价。
问题一，我们发现有两组数据是有误的，最后我们取平均值代替，再对两组葡萄酒的数据进行处理，通过t检验征得有显著性差异，然后利用alpha模型来得出第二组比较可信。
问题二，第一问所得的可信组，用EXCLE先计算酿酒葡萄的显著性理化指标的相关系数，然后在按他们的分数给这些指标按分数分级，最后算出各样品的和按分数再给各样品分级。
问题三，以葡萄酒的评分表示质量的优劣程度，将酿酒葡萄、葡萄酒分别与质量计算相关系数，筛选出相关系数较大的指标，然后用酿酒葡萄和葡萄酒中选出的指标做相关性分析，从而得到酿酒葡萄与葡萄酒理化指标的联系。
问题四，根据第三问中酿酒葡萄与葡萄酒显著的理化指标，分别与葡萄酒的质量（评分）建立多元回归方程，再对芳香物质进行显著性分析，发现芳香物质也是影响葡萄酒的重要因素，故分析葡萄酒的质量需要考虑芳香物质的影响。
关键词：t检验alpha模型相关性分析一、问题重述1.1 问题背景葡萄酒的生产有着非常久远的历史，可上溯至几千年前，它是一种世界通畅性酒种，有着广泛交流的基，现已发展成最重要的酒种之一。
葡萄酒的感官分析又叫品酒、评酒，是指评酒员通过眼、鼻、口等感觉器官对葡萄酒的外观、香气、滋味及典型性等感官特性进行分析评定的一种分析方法。
一方面，评酒员必须要抛开个人喜好，排除时间、地点、环境和情绪等的影响，像一台精密的仪器一样进行感官分析；另一方面，因为葡萄酒的复杂多样及变化性，评酒员又必须充分发挥主观能动性，将获得的感觉与大脑中贮存的感官质量标准进行比较分析。
只有兼顾以上两个方面，才能保证结果的精确性。
同时各个评酒员之间还必须保证分析结果的一致性。
一致性和精确性是正确性的保证。
数学建模葡萄酒评价优秀论文
葡萄酒的评价模型摘要近年来，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。
本文通过对感官评价分析，结合葡萄酒和酿酒葡萄的理化指标和芳香物质的大量数据，建立了客观可靠的葡萄酒质量综合评价模型。
针对问题一：本题需要检验两组品酒员的评价结果是否存在显著差异，并选出更可靠的一组。
我们将各种葡萄酒的10个二级指标得分，相加得到每种酒的总分。
在判断知每组品酒员的评价总分均服从正态分布后，用t检验分析两组品酒员对各葡萄酒评价的差异性，由此计算得到两组评价的显著性差异率为13.36%，即总体上两组品酒员的评价不存在显著差异。
但由于两组品酒员的评价仍存在部分差异，我们比较两组品酒员对55种葡萄酒评价的方差，发现第二组评分的方差普遍小于第一组，所以第二组的评价结果更可信。
针对问题二：为了对酿酒葡萄进行分级，我们将葡萄的理化指标作为媒介。
先根据国际指标制定适用于本题评分的分级标准，将葡萄酒进行分级，再根据理化指标经标准化之后的数值，利用欧氏距离对酿酒的55种酿酒葡萄进行Q型聚类分析。
聚类得到红白葡萄各六个分类后，再把各类酿酒葡萄对应至相应葡萄酒的等级，将酿酒红葡萄和酿酒白葡萄各分为五级。
针对问题三：由于各种酿酒葡萄的理化指标种类复杂，我们用主成分分析的方法，从酿酒红葡萄和酿酒白葡萄的27个有效指标中各提取出了8个和9个主要成分。
考虑到酿酒葡萄经化学反应酿造成葡萄酒的过程中各项理化指标一般存在线性关系，我们建立多元线性回归模型，得出酿酒葡萄和葡萄酒各项有效理化指标的正负相关关系。
关键词：显著性检验；聚类分析；主成分分析；多元回归。
一、问题的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。
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。
MATLAB·设计论文葡萄酒质量评价的数学建模
MATLAB·设计论⽂葡萄酒质量评价的数学建模葡萄酒质量评价的数学建模摘要：关于葡萄酒质量的评价，通常是通过评酒员的打分来确定的。
本论⽂通过对酿酒葡萄与葡萄酒的理化指标之间的相关关系和评酒员打分进⾏了深⼊系统地分析，给出了葡萄酒质量评价的量化研究。
基于相关数据，利⽤配对的t(α=0.05)检验、克隆巴赫系数信度分析、主成分分析、模糊C均值聚类、多元回归等⽅法，对酿酒葡萄质量评级模型，酿酒葡萄与葡萄酒之间的典型性相关分析关系模型等，并通过图像与数据分析研究了酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响。
对于问题⼀，利⽤配对数据的t检验，我们得出两组评酒员的评价结果没有显著性差异，并应⽤克伦巴赫系数信度分析法分别求出两组评酒员评价结果的可信度，通过数据⽐较和分析得到第⼀组评酒员的评价结果更可信，更符合实际。
对于问题⼆，基于数据，本⽂⾸先根据第⼀问中确定的的可信的⼀组（第⼀组评酒员）根据附表⼀对葡萄酒品尝后得出的总分，确定葡萄酒的质量，从⽽相应的给酿酒葡萄进⾏⼀个初步的排名。
然后对附表⼆中的酿酒葡萄的理化指标进⾏标准化处理后，进⾏主成分分析，根据新变量进⾏排名。
最后采⽤模糊C均值聚类⽅法对酿酒葡萄的理化指标进⾏了聚类分析，同时结合葡萄酒的质量得分，我们最终确定了酿酒葡萄的三级评判⽅案。
对于问题三，我们将酿酒葡萄与葡萄酒的理化指标做了多元回归，将酿酒葡萄与葡萄酒的主要指标做了典型相关系数的检验，结果表明：酿酒红葡萄中氨基酸总量、花⾊苷、苹果酸、褐变度、DPPH⾃由基、总酚、单宁、葡萄总黄酮、还原糖、PH值、果⽪颜⾊等对红葡萄酒中主要成分有显著影响；酿酒⽩葡萄中氨基酸总量、单宁、葡萄总黄酮、黄酮醇、⼲物质含量、出汁率，对⽩葡萄酒中主要成分有显著影响。
对于问题四，我们把葡萄的理化参数、葡萄酒的理化参数作为⾃变量，对酒的评价作为因变量，通过⽤MATLAB中plot作图，分析了酿酒葡萄与葡萄的理化指标之间的关系，得出结论：葡萄酒与葡萄酒的理化指数存在关系，但是葡萄酒的质量与其⾊泽、品味、环境以及⼝感有关系，所以并不能⽤葡萄和葡萄酒的理化指数指标来评价葡萄酒的质量。
全国大学生数学建模竞赛一等奖论文2021年葡萄酒的评价
全国大学生数学建模竞赛一等奖论文2021年葡萄酒的评价篇一：2021年数学建模葡萄酒的评价一等奖论文2021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）： 20212129 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)：日期： 2021年 9月 9日赛区评阅编号（由赛区组委会评阅前进行编号）：2021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）：A题葡萄酒的评价一，摘要第一问中，我们通过T-检验来判断两组评酒员的评价结果有无显著性差异，结果发现两组评酒员的评价结果无显著性差异；对红，白葡萄各自两组的可信度分析，我们引入稳定性指标X，即将每一组的十位品酒师对于同一样品所有指标所给的分求标准差并根据指标所占分数进行相应的加权求和。
最后求出总平均稳定性指标，数值较小的可信度较高。
结果发现红，白葡萄酒均是第二组品尝评分较合理。
第二问中，首先对酿酒葡萄的一些特殊理化指标进行简化处理（如Ph值，芳香物质，果皮颜色），接着采用用无量纲化对所有数据进行处理。
将指标分级后运用熵值法求出各个指标所占权重。
建模论文-葡萄酒的评价
葡萄酒的评价摘要葡萄酒的质量评价是研究葡萄酒的一个重要领域，目前一般是通过聘请一些有资历的评酒员进行品评。
每个评酒员在对葡萄酒进行品尝后对其进行打分，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，葡萄酒和酿酒葡萄的理化指标会在一定程度上反映葡萄酒和葡萄的质量。
本文分析了如何对酿酒葡萄进行分类，寻找了酿酒葡萄与葡萄酒的理化指标之间的联系，以及解决了酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响等问题，建立了相应的数学模型，并且充分运用了Excel和SPSS等数学工具。
对于问题一，我们首先使用Excel对附件一中的数据进行了加权平均，求得两组品酒员对红白葡萄酒的评分；再通过方差分析法比较两组品酒员对红白葡萄酒评分的波动性大小。
在判断显著性差异的时候，我们使用了成对样本的t检验，通过比较p值和0.05，得到红葡萄酒和白葡萄酒都存在显著性差异；通过对方差大小的观察，可以得到第二组评分结果更加可信。
对于问题二，我们先运用主成分分析法找出红白酿酒葡萄的主成分，再运用SPSS软件通过聚类分析法对酿酒葡萄进行分类。
对于问题三，首先我们运用主成分分析法对葡萄酒的理化指标进行了降维，再利用SPSS对酿酒葡萄和葡萄的理化指标进行了相关性分析，发现酿酒葡萄和葡萄的理化指标之间的相关性不强。
对于问题四，我们把酿酒葡萄和葡萄酒的理化指标作为自变量，对第二组评酒员的评分作为因变量，建立多元回归线性模型，最终发现葡萄酒的质量仅用酿酒葡萄和葡萄酒的理化指标来评价是不客观的，还与葡萄品种和环境等很多因素有关。
关键字：SPSS软件聚类分析主成分分析多元线性回归模型 t检验一、问题的提出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。
2021葡萄酒质评的数学建模分析范文2
2021葡萄酒质评的数学建模分析范文 摘要： 已知酿酒葡萄的好坏与所酿葡萄酒的质量有直接的关系, 葡萄酒和酿酒葡萄监测的理化指标会在一定程度上反映葡萄酒和酿酒葡萄的质量等条件, 建立模型解决问题。
文章主要通过正态分布、方差检验, 建立主成分分析、多元线性回归、聚类分析、相关系数和逐步回归模型来解决问题。
关键词： 葡萄酒;正态分布; 主成分分析; 多元线性回归; 聚类分析; Abstract： Itis known that the quality of wine grapes has a direct relationship with the quality of the wines being brewed. The physical and chemical indicators of wine and wine grape monitoring will ref lect the conditions of wine and wine grapes to some extent, and establish models to solve problems. This paper mainly solves the problem by using normal distribution and variance test, establishing principal component analysis, multiple linear regression, cluster analysis, correlation coefficient and stepwise regression model. Keyword： wine;normal distribution; principal component analysis; multiple linear regression; cluster analysis; 确定葡萄酒的质量好坏需要有资质的评酒员对其进行分类指标打分,最后综合确定葡萄酒的质量。
- 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)。
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1 问题重述目前在现实生活中，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。
题目中附件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。
现需完成以下任务：（1）要分析出两组评酒员评价结果的显著性差异，并确定出哪一组结果更可信；（2）在解决问题（1）的基础上，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）在解决完问题（1）与（2）之后，还要对酿酒葡萄与葡萄酒的理化指标进行分析，从而确定他们之间的联系；（4）结合上面三个问题的结果，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。
2 问题分析2.1 问题（1）的分析该问题要求通过对附件1两组评酒员的葡萄酒品尝评分表中的数据作出综合性评价。
题目给出了两组评酒员（每组10人）分别对27种红葡萄酒和28种白葡萄酒的评价分数，该问题旨在从给出的评价分数中找出差异的显著程度，并从中确定出哪一组评酒员的结果更具可信性。
对于解决评价结果是否具有显著差异性问题实质是一个两独立样本的T检验问题，他满足检验的前提条件，考虑到方差是表示一组数据分布的离散程度，方差越大，说明变量值的差异越大，距离平均数这个“中心”的离散趋势越大，我们通过建立两独立样本的T检验模型，很好的解决了两组评价结果有误显著差异性问题。
而对于两组评酒员给出的评分结果的可信程度问题，我们通过简单计算得到两组样本的平均值的方差，并作出两个葡萄酒样品评价结果分析折线图，通过对图形反映出来两个评分样本的波动剧烈程度可以知道该样本对应的评酒员打分的可信性。
对于这个问题，也可采用信度分析法，通过SPSS进行数据分析，得到两组数据的可信度值，进而得到哪一组数据更可信。
2.2 问题（2）的分析该问题是一个根据所给的数据特点进行综合的分析，研究对各种酿酒葡萄的多个方案的分级问题。
我们应该对评价对象的各个指标的联系进行综合性评价。
综合评价的方法有多种，诸如模糊综合评判、灰色关联等，对与此种多属性问题，可以借助“空间距离”概念的角度来解决，这样就可以通过逼近理想解排序法（TOPSIS 法）建立“逼近理想解的排序模型”，其过程为：首先从问题（1）中数据的可信性判断模型中找出一组可行性较高的样品酒质量的排序结果，并对该组评价对象的各个评酒员的评价指标均找出最优值，设成正理想值；对该组评价对象的各个评酒员的评价指标均找出最劣值，设为负理想解，分别计算每一个评价对象到正理想解和负理想解的距离，从而得到每种酒的各个评价指标的贴近度，应用数据中的权重，计算出最终各酒品种的贴近度，进而排名，得到各个酒品种的贴近值。
同时对附件2中的酿酒葡萄各指标数据整合，并筛选出成分含量相对较多的几种指标，结合各个酒品种的贴近值，通过“层次分析法”中的排序模型计算各个指标的权重，进而计算出最终的各个酿酒葡萄的指标总值，进而对其分级。
2.3 问题（3）的分析问题（3）要求对建立酿酒葡萄和葡萄酒的理化指标之间的联系。
首先，我对附件2的各个理化指标进行整体的分析得出二级理化指标的总和近似等于相应的一级指标，因此我们就只用一级理化指标来建立多元回归模型，并采用“逐步回归（stepwise regression ）”的方法，对众多理化指标有效的选出核心的理化指标，并通过对这些核心指标进行适当的拟合，最后得出酿酒葡萄和葡萄酒之间的相对关系。
2.4 问题（4）的分析问题（4）主要是要求我们对酿酒葡萄和葡萄酒的理化指标对葡萄酒质量影响的分析。
我们采用了问题（3）的处理方法——多元回归分析中的“逐步回归（stepwise regression ）”法，分别对酿酒葡萄和葡萄酒的理化指标与葡萄酒质量进行数据拟合，进而得出对葡萄酒影响成正相关和负相关的相应物质的分类，得出结论。
3 模型的假设及符号说明3.1 模型的假设（1）假设两组样本之间彼此独立，且来自两个服从正态分布的总体；（2）假设两组样本数据的总体方差相等，即2212=σσ；（3）假设所调查到的数据真实可靠，能很好的反映出大部分人的看法； （4）假设所有的评酒员评酒时的外部环境相同，评酒时不考虑外界因素的影响； （5）假设问题中提供的每个评酒员所打的分数能够充分地反映出每个酒样品的真实情况；（6）假设每个评酒员在评价每个酒样品时互不影响，而且具有互补性，即每个组的评分员的评分水平相当；（7）假设计算时附件3中空白处数据默认为0；（8）假设酿酒葡萄中对所酿的葡萄酒影响较小的成份予以不计；（9）假设由于白葡萄酒和白葡萄一级指标中的白藜芦醇含量都比较少，视为白葡萄对白葡萄酒的影响较小，即白葡萄对白葡萄酒中的白藜芦醇影响较大的指标没有；3.2 符号的使用及说明i 表示i 号评分项目（1,2,i = (10)j 表示j 号评酒员（1,2,j =…10）k 表示第k 号酿酒葡萄的样品（对于红葡萄1,2,,27k =；对于白葡萄1,2,,28k =）ij x 表示评酒员j 在评分项目i 之下的取值 k M 表示酿酒葡萄的样品k 号的数据样本均值k S 表示酿酒葡萄的样品k 号的数据样本均值的方差，即：1021()10jk k j k x M S =-=∑k S 表示红/白葡萄酒第j 个酒样品的评分方差的平均值 ij f 表示每个样品酒中评酒员j 在评分项目i 上给出的分值 ij r 表示每个样品酒的每一个分值ij f 无量纲化之后的结果 ij v 表示评价项目j 对于评酒员i 的权重j D + 表示是在评分项目j 下的正距离尺度 j D - 表示在评分项目j 下的付距离尺度 j C 表示在评分项目j 下的理想贴近度4 模型的建立与求解4.1问题（1）的模型建立与求解4.1.1 基于方差分析法的显著差异性评价模型根据对问题（1）的分析，建立“两独立样本T检验”模型。
首先可以将附件1中的数据按照不同的评酒员和相同的样品酒分成两类，一类是红葡萄酒的评分结果，一类是白葡萄酒的评分结果，其中每一类包括两个样本，样本一是第一组评酒员给出的每个酒样品的得分平均值，样本二是第二组评酒员给出的每个酒样品的得分平均值。
并由假设可以知道他们的总体得分服从正态分布，且都是相互独立的。
因此我们可以建立“两独立样本T检验”模型来进行样本数据体现出的方差进行较好的分析，进而可以根据T检验原理判断出每类评分结果的两个样本之间是否有显著性差异。
首先对附件1的数据进行如下处理：用EXCEL软件实现对样本一中各个酒样品的得分平均值（如表4-1）表4-1第一类样本一中的酒样品1的得分平均值计算那么在通过对各个总和的求平均值，即得到样本一中的酒样品1总得分的平M=62.7均值1对之后的各个酒样品得分重复上述操作可得红葡萄酒的评分均值的样本一和样本二，以及白葡萄酒的评分均值的样本一和样本二（如表4-1）表4-2 对于红、白葡萄酒的两个样本均值和样本方差表T 统计量的计算公式：0t = (2)计算得出第一类的0x t 统计量0x t ≈10.8135T 统计仍然服从T 分布，但由自由度采用修正的自由度：2212122222121212S S n n f S S n n n n +=⎛⎫⎛⎫ ⎪ ⎪⎝⎭⎝⎭+ (3)通过查寻T 分布表我们得到()i t f ≈0.2704， 显然0x t ＞()i t f从两种情况下的T 统计量计算公式可以看出，如果待检验的两样本均值差异较小，0x t 较小，则说明两样本的均值不存在显著差异；反之，0x t 越大，则说明两个样本的均值存在显著差异性。