本科毕业设计酿酒葡萄与葡萄酒理化指标及其质量的分析与评估.docx

资源描述

本科毕业设计酿酒葡萄与葡萄酒理化指标及其质量的分析与评估.docx

《本科毕业设计酿酒葡萄与葡萄酒理化指标及其质量的分析与评估.docx》由会员分享，可在线阅读，更多相关《本科毕业设计酿酒葡萄与葡萄酒理化指标及其质量的分析与评估.docx（41页珍藏版）》请在冰点文库上搜索。

本科毕业设计酿酒葡萄与葡萄酒理化指标及其质量的分析与评估.docx

本科毕业设计酿酒葡萄与葡萄酒理化指标及其质量的分析与评估

酿酒葡萄与葡萄酒理化指标及其质量的分析与评估

摘要本文通过运用SPSS首先对两组品酒员对葡萄酒的评价进行了差异显著性分析以及评Cronbach

系数分析对品酒员评价的可信度进行了分析，得到了两组品酒员评价之间存在显著性差异，并且第一组品酒员的评价结果更为可信。

接下来我们取第一组评酒员给每个样品酒所给出的总分的平均分表示该样品葡萄酒质量的量化指标进行相关讨论我们通过对葡萄及葡萄酒的理化指标归一化处理，将它们之间的联系现实的更为明显，紧接着我们利用因子分析、主成分分析将决定葡萄酒质量的因素维度较低，从而达到简化模型的目的，并通过分析将各成分因子重新命名，再将命名后的主成分和评论员对葡萄酒的评价作为依据对酿酒葡萄等级评定，并引入层次分析法对评定体系进行改进构想。

最后利用MATLAB求解主成分因子与葡萄酒质量之间的函数关系，并用BP人工神经网络进行验证及讨论。

最后我们在每一个问题后面进行了深入的反思与总结，得出了一些具体的改进思路及方法，并得出在原有问题上的修正。

关键字SPSSMATLABCronbach

系数分析主成分分析层次分析法BP人工神经网络模型的改进与修正

1.问题重述

随着经济的日益发展，人们生活水平的不断提高，葡萄酒的受众随之增加，品酒行业逐渐专业化。

品质是现代葡萄酒生产追求的目标之一，针对酒类的质量检测也成为食品行业工作的重中之重。

根据已有数据，运用数学建模的方法，对葡萄酒进行评价是一个重要问题。

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。

从上述相关关系出发，参考相关数据，针对酿酒葡萄与葡萄酒的理化指标和葡萄酒的质量这几个变量，进行分析并建立数学模型，讨论关于葡萄酒的评价问题：

特别注意指出模型中的优点和不足之处，并做出改进方向。

2.符号说明

符号

说明

符号

说明

第i个品酒员对第j款酒所给的总分

香气指标

整个品尝的次数

第i类芳香物质（1≤i≤8）

总得分的方差

其他影响因素

所有在第i位品酒师打分的方差

香气指标关于芳香物质函数的常系数

葡萄酒的单宁

测得葡萄酒评分

葡萄酒的总酚

葡萄酒标准分值（真实葡萄酒评分）

葡萄酒的黄酮醇

外观指标

第一组的总平均分

口感指标

理化指标向量

整体评价指标

代表原来数据群体的因子

香气指标占总分的权重

两类新的性质因子

外观指标占总分的权重

口感类物质成分因子

口感指标占总分的权重

色泽类物质成分因子

整体评价指标占总分的权重

3.模型建立与求解

3.1.数据处理

3.1.2.数据预处理

由于试题中给出的附件酒样品未按照顺序排列，我们首先将数据进行了预处理，每组数据均按照样品号和品酒员号顺序排列，加和得到每一剂量酒样品的总评分数，并求得各项明细指标的平均值；其次将多组同类理化指标取平均值，以便分析讨论，进行模型的建立与求解。

3.1.3.数据处理方法

数据的预处理和部分图示，采用办公软件MicrosoftExcel2010；

数据的归一化处理，采用办公软件MicrosoftExcel2010；

数据结果的显著差异分析，采用SPSS19.0；

数据结果的信度分析，采用SPSS19.0；

数据结果的主成分分析，采用SPSS19.0；

数据处理的拟合分析，采用MATLAB2012a

3.2.问题1.1：

附件1中两组评酒员评价结果的显著性差异分析

要比较两组评论员之间是否具有显著性差异，而每组有10个评论员，27或28个葡萄酒样品，由于附件中的数据都是单项给出的，整体可比性不强，所以我们先用EXCEL将数据进行了初步的整理（求出每个品酒员对各样品的总分，以及各个明细样品的平均值），以第一组对红葡萄酒样品一的评价为例，处理结果如表1所示：

表1.红葡萄酒样品一的评价

项目

品酒员

平均值

葡萄酒样品1

外观分析

澄清度5

3.5

色调10

6.6

香气分析

纯正度6

4.6

浓度8

6.1

质量16

12.8

口感分析

纯正度6

4.8

浓度8

6.3

持久性8

6.6

质量22

17.2

平衡/整体评价11

9.4

总分100

77.9

3.2.1.初步分析：

针对处理后的数据，我们初步的想法是将每组中各个品酒员对每项样品的总分作为一个样本，因此每个样本里将有270项数据。

针对红葡萄酒评价的两组样本，利用SPSS进行一次相互独立样本之间的T检验，探测两个样本是否具有显著性差异。

但随后通过查阅统计分析中T检验法的一些特性得到了相反的结论：

鉴于本题样本是每十个总分针对一个葡萄酒样本，并不满足独立样本T检验方法的适用范围，每组样本中的数据是有一定关联的，因此我们采用了另外一种检验方法——配对样本T检验法。

3.2.2.二次分析

首先，我们对红葡萄酒的评价进行差异性分析（白葡萄酒的处理方法与其一致），将每项葡萄酒样品各项明细评分的平均分作为一个样本（包括总分的平均分），则每个样本里共有11

27=297项数据，两组数据之间都是针对相同的样品和指标进行评价，所以两组中每项数据都是一一配对，互相关联的。

其次，我们对两组葡萄酒的全部总分数据共27*10*2=540组，进行综合处理并作图1、图2所示，可以得知两组数据在数值上差异较大，初步判断两组数据具有显著性差异，关于信度分析下文将给出分析讨论。

图1图2

再次，我们以两组红葡萄酒样品1为例，对其数据做了归一化处理，利用雷达图表示，如图3所示。

加强了上述关于显著性差异的推论。

图3.红葡萄酒样品归一化雷达图表示

因此通过以上对数据和检验方法的分析，我们采用配对T检验法对两组样本进行差异显著性分析。

3.2.3.基本假设：

1.每组评论员对各项酒的评价分数成正态分布。

2.评论员都具有一定的专业品酒技术，对每种酒的各个指标的评价不会有大的偏差（保证评分的关联度）。

3.2.4.模型的建立与求解：

将处理后的数据导入到SPSS软件中，针对两组红葡萄酒评价中的各项指标评分的平均值进行配对样本T检验法，设定置信度区间为95，得到结果如下：

表2.成对样本统计量

均值

标准差

均值的标准误

对1

红葡萄酒各项平均分1

13.2856

297

19.39730

1.12555

红葡萄酒各项平均分2

12.8209

297

18.63412

1.08126

表3.成对样本相关系数

相关系数

Sig.

对1

白葡萄酒各项平均分1白葡萄酒各项平均分2

308

.996

.000

表7.成对样本检验

成对差分

Sig.（双侧）

均值

标准差

均值的标准误

差分的95%置信区间

下限

上限

对1

白葡萄酒各项平均分1白葡萄酒各项平均分2

-.41299

1.93277

.11013

-.62969

-.19628

-3.750

307

.000

图5.白葡萄酒成对样本检验

如图5所示，此时P值仍小于0.001，因此两组评论员对白葡萄酒的评价在95%的置信水平上也具有差异显著性，从而可得出结论：

无论是针对红葡萄酒还是白葡萄酒，两组评酒员的评价结果都有显著性差异。

3.2.5.问题反思：

对于该问题，我们将每项葡萄酒评分做了平均化处理，再把处理出来的平均分作为样本，这样每个样本中的数据变成了与每个指标得分情况对应的一元数值，然后用配对样本T检验法对其进行差异显著性分析。

通过这种方法处理出来的结果具有一定的科学性与准确性。

但是由于数据是进行了平均化处理后的数据，因此模型所反映出的情况不具有完整性，对此我们便有了下面这种改进思路：

将每组中10名品酒师对27项样品的评价总分作为一个

的矩阵

（其中

第i个品酒员对第j款酒所给的总分）。

每个矩阵分别对应该组品酒师的评分具体情况，再用这两组数据构成的矩阵进行多元数据的T检验，如此处理出的结果就应该更具有完整性与可靠性。

但由于本组成员所了解的统计学知识还不足以去运用这样多元性的、更为精确的处理手段，因此就将这作为一个以后改进的思路。

3.3.问题1.2：

附件1中两组评酒员评价结果的信度分析

我们针对两组中每位品酒师对每种酒所给出的总分得出

的矩阵

对其中的元素逐行进行可信度分析。

3.3.1．模型讨论

首先我们根据品酒师打分为主观作用，我们选择评价评分者信度的KendallW协同检验模型，通过SPSS对红白葡萄4组数据进行模拟分析，得到的渐进显著性系数p均小于0.05（等于0.00），协同系数均为0.50左右，无法得出明确的结论。

经过思考，我们发现Kendall模型对于采用等级评定方式评分的情况是可取的，然而当评分者用其他非等级评定的方式（如百分制）评定时，其信度系数是不合适的，因为其信度系数仅能反映评分者之间的相对一致性，并没有考虑评分者之间存在的评分绝对差别，在这种情况下评分者之间的系统误差也看会被成是随机误差，此时计算出的信度系数不能正确反映评分者信度的高低。

所以我们选择内部一致性信度分析。

3.3.2.问题假设

为简化模型，排除品酒员主观因素和个人偏好不同而造成的影响，我们做出如下假设：

1、每位品酒员鉴定的同一种葡萄酒特质完全相同。

2、对于每一种类葡萄酒被任何一品尝相当于对其质量进行一次客观的测试，每一项指标的评价，相当于一道题目的得分。

3、葡萄酒的特质可以从品酒员的品尝时考虑的方面（即客观测试的一系列“题目”）测量出来。

3.3.3.模型的建立及求解

对于抽象出来的测试模型，由于每道测试题目表示一个特质指标的评价，所以我们不能采用简单的二分法计分。

因而我们选择Cronbach

系数分析。

其中

式中，K为整个品尝的次数；

为总得分的方差；

为是所有在第i位品酒师打分的方差。

我们先用EXCEL进行数据处理，得到

的矩阵

，以红葡萄酒为例。

表8.第一组红葡萄酒表9.第二组红葡萄酒

如表8、表9所示，不难看出对于红葡萄酒，第一组标准化CronbachsAlpha较高，即第一组品酒师对红葡萄酒的评价更为可靠。

同样地对于白葡萄酒，第一组标准化CronbachsAlpha比第二组更高，如表10、表11所示。

表10.第一组白葡萄酒表11.第二组白葡萄酒

即第一组更为可信。

再对第一组进行进一步讨论，对于第一组十位品酒师对红白葡萄酒的评价的项已删除的Cronbach'sAlpha值（详见附录）进行分析，没有任何一位品酒师对于整体的标准化CronbachsAlpha有明显影响，所以十位品酒师的评价分数也均可信。

综上所述，无论对于红葡萄酒还是白葡萄酒，两组品酒师的评价均存在显著差异，其中第一组品酒师的评价结果更可信，并且第一组十位品酒师的评价都属于可信范围。

3.4.问题2：

根据酿酒葡萄的理化指标和葡萄酒的质量对酿酒葡萄进行分级

3.4.1.问题分析

如果单用葡萄酒为酿酒葡萄打分，则直接在葡萄酒的外观、香气、口感质量权重中赋予权值，所得之和即可作为对酿酒葡萄的评分。

而本题却引入了另一类变量，就是葡萄的理化指标。

这是一项很庞大杂乱的数据，所以我们想到利用主成分分析法对这些数据进行主要因子分析，找出这些指标的公共因子，求的每一样品在这些因子上的成份得分系数矩阵，给数据降低维度，再以此作为研究酿酒葡萄等级评定的依据。

3.4.2.模型建立（以红葡萄为例）

首先对数据进行归一化处理，再用SPSS因子分析对处理后的数据进行因子分析。

并选择具有Kaiser标准化的正交旋转法进行处理。

得到的结果如表12所示：

表12.成份矩阵a

成份

花色苷

.852

总酚

.851

单宁

.759

DPPH自由基

.734

葡萄总黄酮

.704

果梗比

.585

蛋白质

.584

-.578

黄酮醇

.562

-.524

百粒质量

-.542

出汁率

.533

干物质含量

.847

总糖

.792

还原糖

.777

可溶性固形物

.758

氨基酸总量

.559

白藜芦醇

.812

.724

可滴定酸

-.599

果皮质量

-.597

.530

.500

.590

褐变度

.618

.673

多酚氧化酶活力

.661

苹果酸

.639

酒石酸

果穗质量

.610

VC含量

-.546

固酸比

柠檬酸

-.571

提取方法:

主成份。

a.已提取了8个成份。

SPSS经过因子分析和旋转处理后一共得到了8个主成分，但在8个主成分之中，葡萄的理化指标所载负荷主要是分配在前四个成分当中。

而观察这四个成分的高负荷指标，成分一中高负荷的指标主要有单宁、酮类酚类物质以及蛋白质等，而这些物质，特别是单宁，在很大程度上影响到了葡萄酒的口感，因此可将该成分命名为“口感类物质”；成分二中高负荷的指标有糖类、氨基酸类、VC含量等营养成分类物质的指标，可命名为“营养类物质”；成分三主要有a、b色泽，以及果皮含量指标，可命名为“色泽类物质”；成分四主要有苹果酸，酒石酸等指标，可命名为“酸类物质”。

这样通过软件做出的成份得分系数，就可求得对应的因子变量解，如表13所示：

表13.成份得分系数矩阵

成份

氨基酸总量

-.004

.129

-.173

-.069

.000

.210

-.059

.052

蛋白质

.089

-.041

-.113

.027

-.041

.053

.139

.140

VC含量

.039

-.155

-.002

-.107

.086

.071

-.212

-.110

花色苷

.115

-.007

.178

.004

.002

-.064

.012

-.014

酒石酸

.009

-.005

-.165

-.015

-.048

-.009

.017

.464

苹果酸

.024

.000

.319

-.018

.120

-.140

-.039

-.043

柠檬酸

-.076

-.065

.142

.067

.022

.021

-.122

.509

多酚氧化酶活力

-.108

.061

.229

.111

-.100

.142

.106

-.040

褐变度

-.030

-.051

.285

-.024

-.023

.065

.006

-.036

DPPH自由基

.186

-.013

-.060

.082

.096

.042

-.065

总酚

.197

.047

-.041

-.002

.022

-.021

.070

-.115

单宁

.171

-.041

.065

.047

.062

.042

-.220

.074

葡萄总黄酮

.233

.031

-.077

.064

.075

-.043

.046

-.095

白藜芦醇

.045

-.041

-.019

.014

.357

.157

-.003

-.103

黄酮醇

-.043

.052

.004

.130

.063

.460

-.058

.020

总糖

.022

.245

-.041

.020

.046

.017

.125

-.180

还原糖

-.047

.178

-.010

-.001

-.016

.009

.024

.008

可溶性固形物

.014

.234

.005

.061

.018

.030

.065

-.144

可滴定酸

.033

.032

.005

.051

.033

.012

-.391

.058

固酸比

-.006

.084

.040

.015

-.004

-.090

.424

-.084

干物质含量

.005

.189

.023

.016

.012

.016

-.050

.056

果穗质量

.029

-.003

-.004

.342

.044

-.026

.074

.121

百粒质量

.053

.013

-.015

.296

.065

-.015

-.025

-.073

果梗比

-.049

-.064

.033

-.120

-.056

.298

-.026

-.036

出汁率

.199

-.014

.002

-.021

.003

-.184

-.050

-.021

果皮质量

.017

.047

.057

.411

.059

.172

-.098

.028

-.118

-.006

-.034

.107

.080

.192

.199

-.207

.048

.045

.065

.106

.358

-.088

-.064

.082

.007

.013

.001

.052

.360

.019

-.010

-.054

提取方法:

主成份。

旋转法:

具有Kaiser标准化的正交旋转法。

构成得分。

并据此算得每个样品在每类成分上的得分，结果如表14所示：

表14.基于四类主成分负荷的样本得分表

样品

口味类物质

营养类物质

色泽类物质

酸类物质

1.00

1.31

0.17

3.05

-1.01

2.00

1.41

0.30

0.22

-0.79

3.00

0.68

2.21

-1.11

-0.66

4.00

-0.88

-0.23

-0.32

-0.60

5.00

0.43

-0.02

-0.23

1.79

6.00

0.02

1.36

-0.31

0.08

7.00

-1.01

0.54

0.41

-1.31

8.00

-0.35

-0.13

2.94

0.99

9.00

2.78

-0.73

-0.8

展开阅读全文