数学建模葡萄酒的评价.docx
《数学建模葡萄酒的评价.docx》由会员分享，可在线阅读，更多相关《数学建模葡萄酒的评价.docx（36页珍藏版）》请在冰点文库上搜索。
数学建模葡萄酒的评价
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着性差异。
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
与
，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
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
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
。
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。
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
二、问题分析
葡萄酒的评价是一个复杂的过程，需要综合考虑不同评价员的评分，而且葡萄酒和葡萄的组成成分非常复杂，它们也要影响葡萄酒的质量，对如此繁多的数据，我们就必须依靠计算机工具，运用数学统计学知识对它们进行处理，并找出各个含量之间的关系，联系生活实际，对葡萄酒作出有理有据的评价。
对于问题一：
要想得到两组评价员的评价结果有无显着差异，并对它们的可靠性作出判断，我们首先就应该将两组评价员的对27组红葡萄酒和28组白葡萄酒的评价结果整理出来，求得葡萄酒的综合得分，再运用统计学中的T检验进行假设与检验，判断两组是否存在显着性差异，再通过计算各组评价员的评价结果的标准差和稳定性指标，进而判断谁的结果更加可信。
对于问题二：
需要对葡萄进行分级，由于葡萄酒的质量与酿酒葡萄的好坏有直接关系，所以我们可以根据葡萄酒的质量对酿酒葡萄做一个简单的分级，之后，我们用主成分分析法算出每一组样本葡萄的哪些指标该葡萄的主成分，然后通过数据分析判断出这些成分哪些对葡萄酒的质量作出了贡献，筛选出主要成分后，对不同葡萄的成分做加权求和，以此作为葡萄分级的另一个依据。
对于问题三：
要想得到葡萄与葡萄酒的指标间的联系，即得到它们之间的函数关系表达式，必须求出两者指标之间的相关系数。
但是，由于它们各自的指标太多，此处仅以一级指标作为相关因素进行分析。
令酿酒葡萄的30个一级指标作为自变量，葡萄酒的9个一级指标作为因变量，建立线性回归模型，通过最小二乘法计算出回归系数，即酿酒葡萄的指标与葡萄酒的指标间的相关性。
对于问题四：
题中想要求出理化指标对质量的影响，即各理化指标与质量的线性或非线性关系，但是，由于理化指标太多，并且并非没个理化指标都会对葡萄酒的质量造成影响，所以首先必须进行数据的筛选，这里我们使用spss软件进行典型相关性分析，找出哪些指标与质量有较大的关系，然后将这些指标设为自变量，将质量设为因变量，对它们进行多元线性拟合，最后得到一个多元表达式以后，我们就可以通过这个方程来对葡萄酒的质量进行验证，如果验证的结果与评价员打分的结果基本吻合的话，就说明可以用葡萄与葡萄酒的理化指标来对葡萄酒的质量进行评价。
三、基本假设
1、假设评酒员对每种葡萄酒的评价结果是大致符合正态分布的；
2、假设酿酒葡萄与葡萄酒中的芳香物质主要成分是：
低醇、酯类、苯等，其余成份忽略；
3、假设酿酒葡萄与葡萄酒的理化指标中一级指标为主要影响。
4、假设酿酒葡萄中存在的而葡萄酒中不存在的理化指标也会影响葡萄酒的理化指标及质量；
5、假设不考虑多种葡萄可制成一种酒，只考虑一种葡萄制成一种酒；
6、假设只考虑红葡萄制成红葡萄酒，白葡萄制成白葡萄酒，忽略去皮红葡萄可酿制白葡萄酒；
7、假设质量高的葡萄酒一定由质量好的酿酒葡萄制成，但是质量好的酿酒葡萄不一定能酿制成质量高的葡萄酒；
8、
表示第i瓶酒的第j个指标无量纲化后的值
9、
表示第i种酿酒葡萄的第j个指标无量纲化后的值
10、
表示第i瓶酒的综合指标
四符号说明
统计量T
第k组序号为h的样品第i个指标第j个品酒师的给分
序号为h的样品中第i个指标第k组10位品酒师给分的平均值
第k组序号为h的样品第i个指标10位品酒师评分的标准差
第k组第i个指标所占权重
第k组序号为h的样品的稳定性指标
第k组红葡萄酒的评分总平均稳定性指标
第k组白葡萄酒的评分总平均稳定性指标
:
为第i个样品的第j个指标
:
第i个葡萄样品的总得分
:
第i个样品葡萄理化指标得分为
其中：
第一个指标指澄清度，第二个指标指色调，第三个指标指香气纯正度，第四个指标指香气浓度，第五个指标指香气质量，第六个指标指口感纯正度，第七个指标指口感浓度，第八个指标指持久性，第九个指标指口感质量，第十个指标指平衡/整体评价。
五模型建立与求解
5.1问题一：
葡萄酒评价结果的显着性差异及可信度分析
5.1.1葡萄酒评价结果数据预处理
对附件1中数据通过Excel筛选观察时可发现某些数据错误，如：
第一组红葡萄酒品尝评分中酒样品20号下4号品酒员对于外观分析的色调评价数据缺失；第一组白葡萄酒品尝评分中酒样品3号下7号品酒员对于口感分析的持久性评价数据为77，明显超过该项上限8；第一组白葡萄酒品尝评分中酒样品8号下9号品酒员对于口感分析的持久性评价数据为16，明显超过该项上限8等。
对这些异常数据为减少其对于总体评价结果的影响，采取预处理：
取该酒样对应误差项目其余品酒员评价结果平均值替代该异常数据。
经过数据预处理可得出每一种类葡萄酒的综合得分，建立表1与表2。
表1红葡萄酒总得分平均值
红酒n
1
2
3
4
5
6
7
8
9
10
第一组
第二组
74
66
11
12
13
14
15
16
17
18
19
20
第一组
73
第二组
21
22
23
24
25
26
27
第一组
78
73
第二组
72
根据表1，用excel作出两组评酒师对每一类葡萄酒的评分折线图。
图1
表2红葡萄酒总得分平均值
白酒n
1
2
3
4
5
6
7
8
9
10
第一组
82
71
第二组
11
12
13
14
15
16
17
18
19
20
第一组
72
74
第二组
21
22
23
24
25
26
27
28
第一组
71
第二组
77
根据表2，用excel作出两组评酒师对每一类葡萄酒的评分折线图。
图2
根据图1、图2可初步简单看出两组评酒师的评价结果存在有显着性差异。
5．1．2葡萄酒评价结果差异性分析与可信度分析模型建立与求解
（1）
检验模型建立
首先假定两个总体平均数间没有显着差异，即
查T值表，比较计算得到的T值与理论T值，推断发生概率（一般为95%）。
两个正态总体的均值检验模型
假设
是来自总体
的样本
是来自总体
的样本，且两样本独立。
设
，
和
均未知，其检验问题为
.
且
.
当
为真时，统计量T的计算公式
.
式中，
.
查T值表，比较计算得到的T值与理论T值，推断发生概率（一般为95%），其中
为显着性水平，
因此当
则认为
不成立，两组评酒员对红葡萄酒的评价结果有显着性差异。
（2）两组评酒员对红葡萄酒的评价结果比较：
分别计算出
说明该两组评酒员对红葡萄酒的评价结果有显着性差异。
（3）两组评酒员对白葡萄酒的评价结果比较：
分别计算出
说明该两组评酒员对白葡萄酒的评价结果有显着性差异。
5.1.3可信度分析模型建立与求解：
第k组序号为h的样品第i个指标10位品酒师给分的平均值
第k组序号为h的样品第i个指标10位品酒师的标准差
算出第k组序号为h的样品的稳定性指标
第k组红，白葡萄酒的评分总平均稳定性指标
计算求得：
比较红葡萄酒的两组总平均稳定性指标，因为
所以第二组品酒师的评价结果更可信。
同样，比较白葡萄酒的总平均稳定性指标，因为
，所以第二组品酒师的评价结果可信度更高。
问题二：
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。
问题二
求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，葡萄酒由酿酒葡萄酿制而成，则酿酒葡萄的质量与葡萄酒的质量有着直接的关系，则可以根据葡萄酒的质量对酿酒葡萄做一个简单的分级，在根据主成分分析从葡萄的理化指标中筛选出对葡萄质量产生影响的主要因素，根据所得各主要因素的贡献率给个因素加权作为系数，求出葡萄中主成分的含量，并进行排名，之后将此排名与之前根据葡萄酒质量所得出的排名综合，进而得出较准确的对酿酒葡萄的分级。
K均值法聚类分析模型
k均值法的基本步骤：
（1）选择k个葡萄酒样品作为初始凝聚点，或者将所有葡萄酒样品分成k个初始
类，然后将这k个类的重心（均值）作为初始凝聚点。
（2）对除凝聚点之外的所有葡萄酒样品逐个归类，将每个葡萄酒样品归入凝聚点
离它最近的那个类（通常采用欧氏距离），该类的凝聚点更新为这一类目前的均值，直至所有葡萄酒样品都归了类。
（3）重复步骤
（2），直至所有的葡萄酒样品都不能再分配为止。
最终的聚类结果在一定程度上依赖于初始凝聚点或初始分类的选择。
经验表明，聚类过程中的绝大多数重要变化均发生在第一次再分配中。
也就是：
先算各类的均值再算各类中样本到本类及其他类的均值的绝对值距离（欧氏距离）将葡萄酒样本重新归类到欧氏距离较小的类中（重新归类就得算均值）
首先，根据第一问得出的结果，我们采用第二组评酒员的结果作为判断葡萄酒质
量的依据，根据各葡萄酒的分数，我们得出了红葡萄酒和白葡萄酒的排名，虽
然是葡萄酒质量的排名，但由于葡萄酒的质量由酿酒葡萄的质量决定，所以上表
可以看作是葡萄质量的排名，以上表中葡萄酒的分数作为酿酒葡萄质量的分数，
可以对酿酒葡萄作出初步的分级，针对葡萄酒的成绩，我们用聚类分析的方法，
得出了葡萄的初步分级，运行的得到的图样如下：
图3
图4
根据上述结果，得出红、白葡萄酒的等级分类，建立表3，表4.
表3红葡萄酒等级分类
等级
酒样品号
A
1，10,12,13,16，25
B
4,5,14,19,21,22,24,26,27
C
6,7,8,11,15,18
D
2,3,9,17,20,23
表4白葡萄酒等级分类
等级
酒样品号
A
5，9,10,15,17,21,22,25,28
B
1,2,3,4,6,14,18,19,20,23,24,27
C
7,8,11,12,13,26
D
16
主成分—权值分级模型
虽然酿酒葡萄所对应葡萄酒的质量能在一定程度上反映酿酒葡萄的质量，但葡萄的质量还应以葡萄本身的成分来区分其级别，为了得到更准确的分级，我们又对附件中所给酿酒葡萄中的理化指标做了一些分析。
为了综合考虑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，将附件3中芳香物质含量总和作为一个一级理化指标，设第i个样品葡萄理化指标得分为
，葡萄酒的质量总分为
，则第i个葡萄样品的总得分
可以表示为
选取一个使得样品趋于较稳定值的
，此时的
可作为酿酒葡萄的分级权值。
（1）首先对各理化指标进行归一化处理，酿酒葡萄一级理化指标中样本有n个，指标有m个，分别设为
，令
为第i个样品的第j个指标。
做变换
得到标准化的数据矩阵
，其中
（2）在标准化数据矩阵N的基础上计算
个原始指标相关性系数矩阵
其中
（3）求相关性系数矩阵R的特征值并排序
，再求出R的特征值的相应的正交单位化特征向量
，则第i个主成分可表示为各指标
的线性组合
。
计算综合得分。
首先计算得到第i个样本中第k个主成分的得分为
，再以
个主成分的方差贡献率为权重，求得第i个样品的综合得分
。
模型求解：
表5红葡萄样品主成份及其排序
主成份序列
1
2
3
4
5
6
7
主成份
花色苷
缬氨酸
干物质含量
顺式白藜芦醇苷
PH值
多酚氧化酶活力
果梗比
主成份序列
8
9
主成份
酪氨酸
百粒质量
表6红葡萄样品综合得分
葡萄样品号
综合得分
分数排序
对应样品号
样品分差值
1
9
2
23
3
20
4
22
5
3
6
12
7
6
8
18
9
1
10
13
11
11
12
2
13
8
14
26
15
21
16
5
17
10
18
17
19
27
20
16
21
19
22
24
23
4
24
25
25
14
26
15
27
7
对综合得分相邻样品分差值进行分析，当其值达到及以上，认为两酿酒葡萄的品质差异较大，不能分在同一级，按照此方法，红葡萄可分成六级，一级到六级表示葡萄品质逐渐降低，具体情况如下表：
表7红葡萄分级结果
级数
红葡萄样品号
一级
923
二级
13612182022
三级
28111326
四级
521
五级
4710151617192425
六级
27
本模型中主要以红葡萄样品的相关数据进行分级，按照同样的方法将白葡萄的相关数据代入，求得白葡萄分级如下：
表8白葡萄分级结果
级数
白葡萄样品号
一级
27
二级
14101518222328
三级
5612131720
四级
231416212425
五级
7891119
5.3问题三：
分析酿酒葡萄与葡萄酒的理化指标之间的联系
数据预处理标准化及综合理化指标
在处理附件2中数据时可以发现某些存在异常的数据值，如：
葡萄理化指标中白葡萄百粒质量的第三次检测值为2226．1g，明显超过其它两次的检测值。
为避免异常数据值对分级结果的影响，取其它两次值的平均值替代该异常值。
同时对数据进行标准化处理，取其z分数：
：
其中，
为变量值，
为平均数，
为标准差。
分数表示的是此变量大于或小于平均数几个标准差。
由于z分数分母的单位与分子的单位相同，故z分数没有单位，因而可以用Z分数来比较两个从不同单位总体中抽出的变量值。
同时将原始数据直接转化为z分数时，常会出现负数和带小数点的值。
5.3.2多元线性回归模型
（1）模型建立
观察所给附件中的数据易知，影响酿酒葡萄与葡萄酒理化指标的因素往往不止一个，所以建立多元线性回归模型求解酿酒葡萄与葡萄酒两者理化指标之间的联系。
设变量Y与变量
间有线性关系
.
式中，
和
是未知参数，
。
设
是
的n次独立观测值，则多元线性模型可表示为
.
式中，
且独立同分布。
可用矩阵形式表示，令
则多元线性模型可表示为
。
式中
.
（2）模型求解
类似于一元线性回归，求参数的估计值，就是求最小二乘函数
.
达到最小的
值，可以证明的最小二乘估计
.
从而可得经验回归方程为
.
将酿酒葡萄看做自变量，葡萄酒看做因变量。
注意，计算时用的是经过处理后的Z分数表。
我们用
表示酿酒葡萄的30个一级指标，作为自变量X；用
表示葡萄酒的9个一级指标，作为因变量y。
其中，理化指标的编号顺序依照所给附件中的大小顺序。
例如，红葡萄酒中理化指标顺序依次为花色苷、单宁、总酚、酒总黄酮、白藜芦醇、DPPH半抑制体积、L、a、b。
经过MATLAB对回归系数的最小二乘估计计算，得出回归系数
，即自变量与因变量之间的联系，见附表。
根据回归系数表得出两者之间的正负相关性，其中数字为酿酒葡萄理化指标编号。
正相关
花色苷
单宁
总酚
酒总黄酮
白藜芦醇
DPPH半抑制体积
L*
a*
b*
10
10
17
17
13
17
22
13
17
17
17
16
12
22
10
26
27
14
12
20
4
4
23
12
11
6
8
16
16
12
16
11
16
30
5
4
8
21
14
18
14
20
9
1
18
20
12
8
14
20
14
25
18
5
6
7
10
5
27
21
21
3
13
4
4
20
8
25
4
24
19
16
7
14
7
13
4
8
29
8
1
21
3
13
10
1
6
28
15
27
14
24
18
24
19
1
15
12
7
28
28
24
3
3
13
20
3
3
8
3
28
21
5
11
24
19
5
9
9
28
30
19
21
29
7
7
12
5
23
19
19
13
1
3
23
9
24
表9酿酒红葡萄与红葡萄酒正相关回归系数
表10酿酒红葡萄与红葡萄酒负相关回归系数
负相关
花色苷
单宁
总酚
酒总黄酮
白藜芦醇
DPPH半抑制体积
L*
a*
b*
9
15
19
6
8
18
23
26
19
29
23
29
20
28
29
27
14
25
18
29
28
7
30
23
1
28
20
15
9
25
23
18
27
16
4
24
25
25
9
21
5
15
6
17
23
1
5
1
25
29
25
19
23
29
30
6
11
15
17
30
10
20
15
27
1
6
30
6
26
12
7
21
26
18
15
27
15
11
3
25
26
11
11
30
11
26
22
5
22
9
22
30
27
26
16
7
30
28
13
26
22
24
14
29
6
27
22
12
4
21
10
26
10
13
9
22
22
18
10
8
16
17
24
11
表11酿酒白葡萄与白葡萄酒正相关回归系数
正相关
单宁
总酚
酒总黄酮
白藜芦醇
DPPH半抑制体积
L*
a*
b*
30
18
30
9
20
24
2
1
4
22
16
12
21
11
18
30
23
3
29
4
3
18
14
12
15
24
12
15
18
23
17
9
27
6
11
1
22
16
20
27
29
21
23
23
13
10
24
15
12
2
15
10
24
30
8
16
16
28
9
27
2
26
6
29
11
26
27
7
17
2
21
4
10
23
5
5
19
29
11
5
26
7
4
26
25
7
5
9
12
10
28
22
19
5
14
26
4
28
18
20
8
5
10
17
6
13
7
3
14
26
23
25
表12酿酒白葡萄与白葡萄酒负相关回
升级会员 