葡萄酒评价模型.
葡萄酒质量的评价模型
萄酒物理化学分析测试数据 ，提出了一种葡萄酒质量评价方法．因此 ，我们提出一种葡 萄酒 质量 的理论 评价模 型 ，根据 酿酒 葡萄 的质量 、酿 酒 葡萄 的理化 指标 和 葡萄酒 的理化 指标对葡萄酒的质量作 出评价．本文采用 ２ ０ １ ２ 年全国大学生数学建模竞赛 Ａ题附件 １ 和附件 ２ 的数据 ，其 中附件 １ 给 出了四组数据 ，分别是两组（ 每组 ｌ Ｏ 人） 品酒员分别对 ２ ７ 个红葡萄酒样 品和 ２ ８ 个白葡萄酒样品的评分表 ；附件 ２ 给出了葡萄和葡萄酒的理化
中 图 分类 号 ：Ｏ ２ ９ 文献 标 识 码 ：Ａ
Ｏ 引 言
在实际生活 中，确定葡萄酒质量时基本是通过聘请一批有资质的评酒员进行 品评 ， 但是 由于主观误差 ，使得这种方法产生的结果有较大的差异性．由于酿酒葡萄的好坏与 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．参 考 国 内外 的相关 研究 文献 ，对 葡萄 酒分 级分 类 的相关 文 献颇
到两 者之间的定量关系．在 问题 ４中 ，首先采用灰关联模 型 ，得 出酿酒葡萄和葡萄酒理化指 标和葡萄酒质量的关联度 ，然后建立支持向量机 的回归拟合模 型。得到葡萄酒和酿酒葡萄的
理化 指 标 与 葡萄 酒 质 量之 间的 定量 关 系 ．
关键 词：评价分析 ；协和系数分析 ；等级分类 ；神经 网络 ；支持 向量机 回归拟合
２ 模 型 的建 立 与 求解
２ ． １ 问 题 一 分 析
如果 两 个样本 总 体 的分布 是未 知 的 ，则 检验 两 个 总体 的均 值或 分 布是 否有 显 著性 差
葡萄酒评价指标
葡萄酒评价指标区分好坏葡萄酒没有具体的绝对的量化标准，目前权威的葡萄酒评分系统主要是美国著名的葡萄酒评论家罗伯特·帕克，帕克推崇的是葡萄酒100分制评分体系；以及大家俗称的3W1D也是世界葡萄酒评分系统中的权威。
帕克的100分制给葡萄酒的打分范围是50-100，基于以下四个因素：外观，香气，风味，总体质量或潜力。
帕克将葡萄酒分成四个档次(从50-100分)，具体的打分体系如下：96-100 Extraordinary 经典：顶级葡萄酒。
90-95 Outstanding 优秀：具有高级品味特征和口感的葡萄酒。
80-89 Above average 优良：口感纯正、制作优良的葡萄酒。
70-79 Average 一般：略有瑕疵，但口感无尚大碍的葡萄酒。
60-69 Below average 低于一般：不值得推荐50-59 Unacceptable 次品一般帕克的评分系统会给每一款酒一个基础的分数（50分）。
在50分的基础上，按酒的质量特点加分。
酒的颜色和外观值5分，好的葡萄酒的外观应该澄亮透明（深颜色的酒可以不透明），有光泽，其颜色与酒的名称相符，色泽自然、悦目。
然后，酒香值15分，取决于香气的浓度、复杂度和纯粹感，香气应该是葡萄的果香（比如赤霞珠的黑醋栗香气、黑比诺的樱桃香气、霞多丽的热带水果香气）、发酵的酒香、陈酿的醇香（橡木桶陈酿及瓶内陈酿组成的香气，主要包括花香、果香、辛香料香、动物香、矿物香、动物香、焙烤香等香气类型），这些香气应该平衡、协调、融为一体，香气幽雅，令人愉快；酒的口感和后味值20分，好的葡萄酒其口感应该是舒畅愉悦的，各种香味应细腻、柔和，酒体丰满完整，有层次感和结构感，果味、单宁、酒精、酸度、甘油、糖分均衡，余味绵长；最后，酒的总体质量水平或者演化进步的潜力，也就是说陈化的潜力，值10分。
3W指WA、WS、WEWA是《葡萄酒倡导家》杂志Wine Advocate journal 即罗伯特·帕克的评分WS是《葡萄酒观察家》Wine Spectator magazine杂志，该杂志同样为美国最具影响力的杂志之一，同样倡导百分制，基本思路与帕克类似，但《葡萄酒观察家》拥有众多的优秀评酒师，通过蒙瓶试酒，多方面综合结果，所以评分相对较中立。
葡萄酒的评价论文答辩ppt模板
主要内容
1、模型假设 2、模型的建立及求解 3、模型的评价及推广
一、模型假设
1. 此数据集具有足够的可信度； 2. 酿酒葡萄的等级直接影响葡萄酒的等级； 3. 对等级划分得到的等级采用就近原则进行整数分级； 4. CIRG（葡萄颜色指数）对白葡萄呈负相关。
二、模型的建立及求解
二、模型的建立及求解
红葡萄酒的评分级别划分 最终分级结果为： 优：酒样9、20、23 良：酒样2、3、5、14、17、19、21 中：酒样4、16、22、24、26、27 差：酒样1、6、7、8、10、11、12、13、15、18、25
评分区间
级别
向 量
输 出 向 量
二、模型的建立及求解
可以得出当输入层到隐含层的权值对应隐含层与输出层的权值出现一下组合时可以-判断各因子对于葡萄酒质量的影响。 (1) 隐含层与输出层的权值为正且输入层到隐含层的权 值的均值为正，则可认定因子对于葡萄酒质量有促 进作用。 (2) 隐含层与输出层的权值为负且输入层到隐含层的权 值的均值为负，则可认定因子对于葡萄酒质量有削 减作用。
二、模型的建立及求解
问题四 1、葡萄酒质量的评酒员评价分级模型 由前文对问题一的处理结果可知，第二组的评酒员在对红葡萄酒的评价中较为可信。因此，利用此项数据建立葡萄酒质量的评酒员评价分级模型。结合对问题二的处理模型，分级模型分为四类：优、良、中、差 。在模型建立上： 评酒员对单一酒样的总评分为F，则在去除可能的人为差异后，最终对 葡萄酒质量的评价为： 而对应的分级规则为：
二、模型的建立及求解
以主成分分析得出的结果作为网络的输入值进行网络训练。 利用此模型对白葡萄分类结果为： 1类：葡萄样品 1、8、11、13、15、16、17、18 2类：葡萄样品 6、7、22 3类：葡萄样品 2、9、12、14、19、21、23、24、15、26 4类：葡萄样品 3、4、5、10、20、27、28
数学建模 葡萄酒评价
A题：葡萄酒的评价摘要本文主要进行了葡萄酒感官评价的可信度比较、酿酒葡萄评价分级、酿酒葡萄与葡萄酒的理化指标之间的联系、评价结果统计分析等方面的研究。
通过方差分析、层次分析等方法建立模型，解决了葡萄酒的评价问题。
问题一：利用方差分析法对评酒员评价数据进行分析，并用Excel画出图表（见正文），直观地观察出两组评价数据范围接近，第二组评价数据波动不大，评价数据更可信。
问题二：要求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，我们认为影响酿酒葡萄品质的因素较多，酿酒葡萄各理化指标之间的关系又是极其复杂的，对其的评价是一个多指标、多属性的问题。
采用系统工程学的层次分析法(AHP)来确定影响葡萄品质的各因素的权重，应用综合评判法，对酿酒葡萄进行了评价和分级。
各等级下葡萄样品数如下表：问题三：利用逐步回归法得到酿酒葡萄与葡萄酒的理化指标之间的关系，并用神经网络进行比较验证。
问题四：通过聚类分析与神经网络相结合，分析酿酒葡萄与葡萄酒的理化指标和葡萄酒质量间的联系。
通过理化指标得到葡萄酒质量评价分数，并与第二组评酒员评价出的葡萄酒质量评价分数对比分析，可知现阶段还不能用酿酒葡萄与葡萄酒的理化指标来评价酒的质量。
本文的建模过程中，对于每个问题都充分考虑了影响因素，一定程度上体现了模型的可靠性，具有较强的适用性和普遍性。
关键词：方差分析Excel逐步回归分析Bp神经网络聚类分析MatlabDPS数据处理系统一、问题重述通过聘请一些有资质的评酒员品尝葡萄酒，根据他们反馈意见来确定葡萄酒的质量。
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。
已知某一年份一些葡萄酒的评价结果，及该年份这些葡萄酒的和酿酒葡萄的成分数据。
根据上述条件建立数学模型解决以下问题：1.分析两组评酒员的评价结果有无显着性差异，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。
葡萄酒的评价模型
科技与创新┃Science and Technology&Innovation ·22·2017年第16期文章编号：2095－6835（2017）16－0022－03葡萄酒的评价模型缪子阳1，李婷玉2，祝梦琳1（1.南京邮电大学管理学院，江苏南京210000；2.南京邮电大学贝尔英才学院，江苏南京210000）摘要：对于多个葡萄酒样品，2组评酒员的打分不尽相同。
要解决的就是通过显著性检验来判别不同组别的评酒员的打分是否具有显著性差异，同时根据2组评分的方差的平均值来判断哪一组的可信度更高；对酿酒葡萄进行聚类分析。
关键词：葡萄酒；t-检验；聚类分析；多元线性回归中图分类号：O212.1文献标识码：A DOI：10.15913/ki.kjycx.2017.16.022葡萄酒质量的好坏通常都是聘请一些专业的评酒员来鉴定。
而葡萄酒的质量往往与酿酒葡萄有关，因此对酿酒葡萄的理化指标、葡萄酒本身的理化指标和葡萄酒质量这三者的关系进行研究是十分必要的[1]。
本文结合2012年全国大学生数学建模竞赛A题建立数学模型对葡萄酒进行评价。
1问题分析对于问题一，分析2组评酒员的评价结果有无显著性差异，将红、白2种葡萄酒分别进行显著性检验。
首先将每位评酒员对每种样品葡萄酒的各指标评分进行求和，得到总评分，然后对每一种葡萄酒样品的2组的10个总评分进行t-检验，最后总体分析对于红、白2种葡萄酒，不同组别的评酒员的评分是否具有显著性差异。
此过程可以通过SPSS软件进行数据分析得出结果。
对于问题一中分析哪一组的评价结果更可信，首先计算出2个组的10个评酒员对每一样品葡萄酒的总评分的方差，再分别计算2个组对红、白2种葡萄酒不同样品总评分的方差的平均值，求得的平均值越小，说明评价值越稳定，可信度越高。
法二对2个组对红、白葡萄酒评分的平均差进行比较，较小者可信度高。
对于问题二，将酿酒葡萄进行聚类分析，可以以第一问比较可信的那组的葡萄酒质量评分和酿酒葡萄的理化指标为依据。
基于数理分析的酿酒葡萄及葡萄酒评价模型-2012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）：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）：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：年月日赛区评阅编号（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）：基于数理分析的酿酒葡萄及葡萄酒评价模型摘要本文主要研究葡萄酒评价问题，根据题目中所给的数据及相关知识，运用Matlab 、 SPSS 等相关软件对数据进行分析，使用配对t 检验法，主成分分析法，模糊数学等方法建立出可行的评价模型。
针对问题一，首先，利用matlab 软件对附件中的异常数据进行预处理；其次，由于品酒员在给葡萄酒打分时存在主观性因素，为此使用置信区间法对附件一中的评分数据进行调整, 以降低品酒员对葡萄酒评分的主观性(即系统误差)，通过计算各葡萄酒酒样评分的均值，利用SPSS 对红葡萄酒进行配对t 检验，得出双侧检验值为0.197，远大于显著性水平0.05，同理白葡萄酒的双侧检验值为0.036，小于显著性水平0.05，因此认为红葡萄酒的评价结果没有显著性差异，白葡萄酒的评价结果有显著性差异，即第二组的结果更可信。
2012数学建模A题---葡萄酒评价---国家奖
葡萄酒的评价摘要本文主要运用统计分析方法，解决与所酿葡萄酒有关的问题。
对于问题一，,分别对白酒和红酒的两组数据进行差异性检验。
构建一个能反应葡萄酒本身质量的量，对两组数据分别进行相关性分析，得到第二组评酒员的结果更可信。
对于问题二，先做聚类分析，再做线性回归分析，得到白、红葡萄分为4级和3级。
对于问题三，利用问题二中聚类得到的7个主成分，把每种葡萄酒的理化指标与酿酒葡萄之间的7个主成分进行相关性分析，得到7个回归方程，即为酿酒葡萄与葡萄酒的理化指标之间的联系。
对于问题四，首先建立模型：12W=a *Y +b *Y 。
其中a,b 分别为酿酒葡萄和葡萄酒对葡萄酒质量的贡献率，1Y ，2Y 分别为两种因素的贡献值。
然后，通过确定芳香物质是否对葡萄酒的评分有影响来论证能否用葡萄和葡萄酒的理化指标评价葡萄酒的质量。
问题一中，本文运用excel 做两组数据的显著性差异检验，得到两组评酒员在评论白酒和红酒都存在显著性差异，且通过了F 检验。
接着本文通过确定各指标的权重，构建一个能反应各葡萄酒实际平分的量，把两组数据与之做相关性分析，发现第二组与之相关性更大，故第二组评酒员的结果更可信。
问题二中，本文通过SPSS 做理化指标的聚类分析，得到7个主成分；再做指标与评分的线性回归分析，得到白葡萄的分级结果为4级：一级：白酿酒葡萄14,22；二级：白酿酒葡萄4,5,9,19,23,25,26,28；三级：白酿酒葡萄24,27；四级：白酿酒葡萄1,2,3,6,7,8,10,11,12,13,15,16,17,18,20。
红葡萄酒为3级：一级：红酿酒葡萄2,9；二级：红酿酒葡萄3,4,10,22,24；三级：红酿酒葡萄1,5,6,7,8,11,12,13,14,15,16,17,18,19,20,21,23,25,26,27。
问题三中，本文运用excel 将葡萄酒的一级指标分别与7个主成分进行相关性分析然后对每种主要成分利用SPSS 进行线性回归分析得到以下7个回归方程：()()()()()r1134r21367r3137r4136r6137r71Y =-39.542+1.727+21.850+3.9463Y =4.044+0.026-0.156-0.005-0.1954Y =2.807+0.021-0.030-0.1895Y =2.700+0.024-0.169-0.0056Y =0.069+0.001-0.006-0.0077Y =70.028-0.188+x x x x x x x x x x x x x x x x x ()()2347r8123560.841+0.280-0.187+1.7048Y =58.545-0.021-1.028+1.666+27.045-0.0049x x x x x x x x x 即为每种酿酒葡萄与葡萄酒理化指标之间的联系。
葡萄酒评价分析
葡萄酒评价分析随着人们物质生活水平的不断提高，葡萄酒越来越受到各国人民的喜爱，人们对葡萄酒质量的关注也日益加强，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评价，每个评酒员在对葡萄酒进行品尝后对其分类指标进行打分，然后求和得到其总分，从而得到葡萄酒的质量。
标签：葡萄酒；理化特性；主成分分析；典型相关分析1基本假设（1）不同种类中酿酒葡萄的成分数值统一标准无差异；（2）不同种类中酒葡萄的成分数值统一标准无差异；（3）酿酒方式及酿酒过程对葡萄酒的质量无影响；（4）品酒先后对打分没有影响；（5）检测理化指标为标准值误差。
2模型基本思想2.1主成分分析法基本思想主成分分析是数学上对数据降维的一种方法。
其基本思想是设法将原来众多的具有一定相关性的指标X1，X2，…，XP（比如p个指标），重新组合成一组较少个数的互不相关的综合指标Fm来代替原来指标。
那么综合指标应该如何去提取，使其既能最大程度的反映原变量Xp所代表的信息，又能保证新指标之间保持相互无关（信息不重叠）。
2.2典型相关分析基本思想典型相关分析（canonical correlation analysis）就是利用综合变量对之间的相关关系来反映两组指标之间的整体相关性的多元统计分析方法。
它的基本原理是：为了从总体上把握两组指标之间的相关关系，分别在两组变量中提取有代表性的两个综合变量U1和V1（分别为两个变量组中各变量的线性组合），利用这两个综合变量之间的相关关系来反映两组指标之间的整体相关性。
由于典型相关分析涉及较大量的矩阵计算，其方法的应用在早期曾受到相当的限制。
但随着当代计算机技术及其软件的迅速发展，弥补了应用典型相关分析中的困难，因此它的应用开始走向普及化。
典型相关分析是研究两组变量之间相关关系的一种统计分析方法。
3主成分分析模型建立和实证分析3.1符号定义（1）酿酒葡萄的理化指标进行符号定义。
Xi（i=1，2，……，32）——{花色苷，单宁，总酚，酒总黄酮，白藜芦醇，反式白藜芦醇苷，顺式白藜芦醇苷，反式白藜芦醇，顺式白藜芦醇，DPPH半抑制体积（IV50）1/IV50，L*（D65），a*（D65），b*（D65），H（D65），C（D65）}。
- 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）：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：年月日赛区评阅编号（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）：葡萄酒的评价模型摘要本文对葡萄酒的评价过程及其重要评价指标做了较为科学细致的研究。
为客观公正的评价葡萄酒的质量并揭示酿酒葡萄与葡萄酒质量之间的关系，提供了一套客观完整的从原材料到产成品的评价体系。
目前国内外对葡萄酒的评价主要依靠评酒员，鉴于不同评酒员的能力及偏好等对酒品评价的影响，我们在第一问中运用统计学中常用的方差分析法，找出了两组评酒员评价结果的置信区间。
进而对两组评酒员的评价结果进行差异性、合理性分析，得出结论。
第二问中对于对酿酒葡萄的分级，我们先利用国际通用的主要理化指标对葡萄进行分级，然后用主成分分析法得出酿酒葡萄的主要评价指标，进而用科学而又简便的人工神经网络分析法建立了一套BP神经网络对葡萄进行分级，并用部分数据进行验证，取得了较好的模拟效果。
第三问中鉴于葡萄酒的酿造涉及复杂的生化反应以及物理量变化，我们先假定一酿造过程不变量，利用其进行指标数据相对无量纲化，然后考虑两个主要的生化反应，注意到反应物与生成物的多样性，再次利用神经网络对主要反应参与物之间建立转化关系。
而对于其他指标，为简化模型，我们“就轻取重”，对主要成分进行数据分析，得出一般结论。
考虑到第三问中的葡萄与酒之间理化指标的对应关系，在最后一问中，我们并未试图建立葡萄和酒的理化指标与酒的质量之间的定量关系（我们认为这将是一项细致繁琐且又费时的工作），而是在定性描述之后，着重利用TOPSIS模型论证用葡萄和酒的理化指标来评价酒的质量这一工作的合理性、可行性，并最终得到肯定结论。
综合四个问题的解决方案，我们基本上理清了从葡萄到葡萄酒的一系列转化关系及指标对应关系。
在模型建立过程中，我们常常用相关数据的一半建立模型，另一半来验证模型，以期得到最好的数学模型来解决问题。
可以说在本文的基础之上，完全可以进行严谨而又细致的后续工作，得到更加准确的结论，甚至可以建立一套完整的标准评价体系，对葡萄酒进行数字化、指标化评价，以节省人力物力资源。
当然我们的模型亦有较多不足之处，在模型改进中提出了改进方法。
关键词：葡萄酒评价方差分析主成分分析人工神经网络TOPSIS模型1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。
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。
但由于在葡萄酒面前，任何品尝员都只能代表个人无法言传的感觉，故对于同一种样酒，不同的人会有不同的评价。
这就为葡萄酒质量的评判和优质酒所需原材料的选择增加了一定难度。
通过建立数学模型，我们将解决以下几个问题:1. 分析附件1中两组评酒员的评价结果有无显着性差异，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2问题分析葡萄和葡萄酒的历史与人类的文明史几乎是同步成长的。
无论是在古代文明中还是在现代生活中，葡萄酒都占有着重要的位置，她为我们的生活带来情趣。
世界各国还由此产生了许多的习惯和传统。
一杯葡萄酒的好坏取决于它的色、香、味等各因素的协调和平衡。
专业的品酒师经过一定基础理论知识的学习和训练后，可以向测量仪器一样品评出一种葡萄酒的品级。
但每个人的感觉敏锐度不同，因而评价会有一定差异。
对于第一个问题，各个品酒师的感官分析和评价需要借助统计分析的方法进行。
通过方差分析可以找到两组评酒员评价结果之间的置信区间，综合所有样酒的评价数据，从而理性分析出两组评酒员评价结果是否有显着性差异。
由两组评价结果的方差可比较出评价结果更为可信的一组评酒员。
对于第二问，先利用国际通用的主要理化指标对葡萄进行分级。
而后，由于葡萄酒的理化指标涉及到其化学组成，物理评价指标，酸碱性等诸多因素，如果直接进行回归分析，各因素之间的相互影响将相当复杂。
无法准确的得到其对酿酒葡萄等级的函数。
因而我们采用主成分分析法对附录2中的数据进行主成分确定，进而确定出对酿酒葡萄质量影响较强的主要因素。
由于芳香程度与芳香物质的关系十分复杂，我们通过简化假设简化问题。
仅通过对芳香物质功能团分子量所占比重的计算，确定各类芳香化合物的香气程度[5]。
我们根据决定优质葡萄的五大因素并加以改进，制定出酿酒葡萄的分级方法。
之后综合处理数据确定出酿酒葡萄样品的等级。
综合以上酿酒葡萄的理化指标和葡萄酒质量，我们运用人工BP神经网络对酿酒葡萄分级方法进行验证，将葡萄样品分为两组，一组用于确定权重，另外一组用于检验方案的准确性。
通过检验的拟合图可以直观的看出葡萄等级是否切实可行。
第三问中，要建立酿酒葡萄与葡萄酒理化指数之间的关系，就要考虑到酿酒葡萄在酵母菌作用下的发酵过程。
由文献[16]中得知葡萄的发酵过程中还原糖和苹果酸会发生化学变化，分别生成酒精和乳酸，而葡萄浆果中成分如单宁、色素、芳香物质、矿物质以及果胶等会在发酵过程中得到保留但含量有所变化。
发酵过程与酵母菌的活性有重要的关联，影响酵母菌活性的主要因素有发酵温度、pH值、单宁浓度、乙醇浓度等[10]。
根据数据我们选取了几项对酵母菌发酵过程影响较大的因素：pH值、乙醇浓度、还原糖浓度、各类乙酯等来模拟发酵程度。
运用人工神经网络对各项因素在发酵过程的变化进行分析，以期得到较好的拟合。
由于发酵前后酒精的溶解特性和葡萄酒中各成分的含量在不断的发生着变化，我们通过选取单宁作为不变量并将其他各理化指标的浓度与其相比得到相对统一的度量尺度下各成分的含量用以分析。
同第二问中的验证方法，我们将数据分为两组，留一组用以检验模型。
对于问题四，我们综合以上各问题中所用到的方法和得到的结论。
利用第三问中得到的结论，可以将酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响归纳转化为葡萄的理化指标对葡萄酒质量的影响，又由问题2中的主成分分析得到影响程度最大的五项理化指标，从而使问题得到简化。
进而，我们利用TOPSIS法（逼近理想解排序法）[17]定义出距离的测度表示理化指标与葡萄酒质量的相近程度。
然后分别计算每种理化指标与葡萄酒质量的贴近程度，以此作为评价优劣的依据。
一般来说贴近度越大，则表明该理化指标对葡萄酒的质量影响越大。
3基本假设1.每个评酒员的评价均相对公平公正，不考虑评酒员个人特殊情况（如身体不适等）对评价结果的影响。
评价结果可看做服从正态分布；2.两组评酒员品尝的同一种样酒品质完全一样，认为表一中的因素基本完全涵盖葡萄酒好坏的评价指标；3.酿酒葡萄的理化指标之间有较为复杂的相关性，芳香物质和葡萄酒质量可作为重要指标单独列出，不考虑归属不明确，影响较小的因素；4.芳香物质中，化合物功能团在整个分子中所占的比重越大，功能团对嗅感的影响越明显，即比重越大，香气越浓[5]；5.假设单宁在葡萄发酵过程中质量不发生变化，即将其看作质量恒定量；6.假设葡萄酒理化指标和酿酒葡萄理化指标可近似看做线性关系。
4符号说明X：表示来自第一组葡萄酒评分总体的第i个样本；iY：表示来自第二组葡萄酒评分总体的第i个样本；iA：表示酿酒葡萄各主要化学指标平均含量样本矩阵；F：表示红葡萄理化指标的第i个主成分；iF：表示白葡萄理化指标的第i个主成分；'iη：表示第i种芳香化合物的发香团分子所占比重；iL：表示第i个葡萄样品的等级；iF：表示第i个样品第j个理化指标的标准化得分；jiu：表示发酵过程中第i个理化指标的浓度；iG：表示葡萄酒质量的评价矩阵；+Z：表示评价矩阵数据的理想解；-Z ：表示评价矩阵数据的负理想解；i C ： 表示某一样品指标与理想理化指标的相对接近度。
5模型的建立与求解模型一 差异性评价模型通过分析表一中品酒员给分情况，我们发现：造成品酒员异质性差异的主要原因包含评价尺度的差异、评价位置的差异以及评价方向的差异。
每个品酒员对不同酒样的品味不同，他们的评价结果徘徊在其固有的评价习惯之间；其次，有些评酒员的给分区间虽然相同，但评价的位置却存在很大的差异，有的都集中在某一分数左右，而有的则有明显的区分；再次，对于不同样品酒，一些品酒员认为是好的，而另一些则认为是差的。
综上可知，每个品酒员都有自己的准确度和精确度。
我们在对评价结果进行统计分析时，必须像校正仪器一样，对数据进行相应处理以降低误差。
对此我们采用置信区间的方法求得一二两个组总体方差2221/σσ的置信区间。
设1,,,21n X X X 与2,,,21n Y Y Y 分别为来自一二两组葡萄酒评分总体的样本。
由假设知，两总体均服从正态分布，即X ~),(211σμN ，),(~222σμN Y 。
由于每个人评价标准不同，可认为两随机向量),,,(121n X X X 与),,,(221n Y Y Y 相互独立。
设∑=--=112121)(11n i i X X n S ，∑=--=212222)(11n i i Y Y n S 分别为这两个样本的方差，其中X 和Y 分别为两个组的样本均值。
由概率论知识[1]可知：)1,1(~//2122212221--n n F S S σσ 并且分布F 不依赖任何未知参数。
取22212221//σσS S 为枢轴量得ασσαα-=⎭⎬⎫⎩⎨⎧--<<---1)1,1(//)1,1(212/22212221212/1n n F S S n n F P ，即ασσαα-=⎭⎬⎫⎩⎨⎧--<<---1)1,1(1)1,1(1212/122212221212/2221n n F S S n n F S S P ，于是得到2221/σσ的一个置信水平为α-1的置信区间为))1,1(1,)1,1(1(212/12221212/2221-----n n F S S n n F S S αα 取ɑ为即置信区间取，根据所给数据，可通过spss 软件计算得到第一组和第二组评酒员对红白两种葡萄酒评酒结果的方差21S ，22S ，并用Matlab 编程计算得到置信区间如下表：或在1附近（即21σ与22σ基本相同），由此可得两组评酒员的评价结果无显着性差异。