优秀论文《葡萄酒的评价》破解精品.docxVIP

优秀论文《葡萄酒的评价》破解一．队号：第58组 队员：刘春博 电气13-9班吴章明 机械13-4班戚亮生 电气13-9班二．摘要阅读。1.模型的数学归类：该论文在问题一的处理中运用t检验法和标准差法，T检验法是在处理具有本含量较小，总体标准差未知的正态分布的问题。在问题二的处理中由于涉及多个因素和多个指标，且这些因素和指标具有模糊性，所以运用模糊综合评价法，数学上属于模糊评价模型；对于问题三由于不能确定变量之间的具体函数关系，并且需要对大量的数据进行分析，利用了多元线性回归模型和多元非线性回归模型，在自变量和因变量之间估计和预测其内在联系，模型在数学上属于回归分析模型；问题（4）中建立了BP神经网络模型，并使用均值滤波法分析不同指标的作用，该模型模拟人工神经网络来判断葡萄酒质量的影响因素。2.建模的思路或方法，模型的求解方法以及模型的分析：对于问题（1），作者先对缺失值进行了合理的求解补充，再利用t检验法和标准差对两组评酒员进行显著性误差分析，并对两组组内进行可靠性分析。对于问题（2），作者先对酿酒葡萄进行分级，对葡萄酒质量数据误差处理，将数据一致化，无量纲化合降维，最后利用均值法和模糊综合评价法将红.白葡萄酒进行分级。对于问题（3），作者先建立多元线性回归模型，对酿酒葡萄的理化指标和葡萄酒的理化指标进行估计预测，并对模型结果做了残差分析，发现了该模型的缺点，继而用多元非线性回归模型分析。对于问题（4），通过对BP神经网络模型的学习，对葡萄酒质量的影响进行判断，采用均值滤波法分析酿酒葡萄和葡萄酒质量影响的关系，最后对预测值和实际值进行比较，发现存在较大误差。模型的求解方法以及模型的分析：均值法模型：对所得数据按行取均值。针对各个理化指标，对所有酿酒葡萄按行取均值，得出每种酿酒葡萄各项指标的均值。模糊综合评价模型：对模糊关系矩阵取不同的权值，分别求出不同种类对应的酿酒葡萄数量。多元线性回归模型：回归分析是利用已知数据来寻找变量之间关系的一种统计分析方法，主要目的是了解输入变量与输出变量的数量关系。总体思路是先假设酿酒葡萄理化指标与葡萄酒理化指标呈线性关系，建立多元线性回归模型，然后进行模型检验，如果该模型预测结果良好，则可用于实际，若不合理，再考虑建立多元非线性回归模型对其进行优化。基于附件2无量纲化并降维后的数据，由线性回归模型可解得红葡萄酒与酿酒红葡萄理化指标之间的关系。残差分析：因为在实际问题中，数据可能不完全可靠。所以有必要对该多元线性回归模型进行残差分析。BP神经网络模型：：具有偏差和至少一个S形隐藏层加上一个线性输出层的网络，能够逼近任何有理函数。针对本文实测目标，神经网络采用三层前馈网络，由输入层，隐藏层，输出层组成。输入层有15个神经元，每个神经元对应一个影响因素，其输入为因素的归一化结果值；输出层有一个神经元，其输出为酒质量的值。：具有偏差和至少一个S形隐藏层加上一个线性输出层的网络，能够逼近任何有理函数。针对本文实测目标，神经网络采用三层前馈网络，由输入层，隐藏层，输出层组成。输入层有15个神经元，每个神经元对应一个影响因素，其输入为因素的归一化结果值；输出层有一个神经元，其输出为酒质量的值。对于建立的基于BP神经网络的质量模型，利用matlab进行求解均值滤波法：均值滤波法进行权值与自变量(质量影响因素系数)的转换：求出同一变量的各个权值系数的平均值后取绝对值，作为相应因素对质量的最终影响程度系数。原因有以下两点：第一，同意因素不同权值的算术平均值可以表示其在整个网络中的整体权重值；第二，不同变量的权值最后都取绝对值保证了它们比较的基准相同，可以全部通过正向比较来区分不同权值的大小。3.主要结果或结论： 通过问题（1）的分析，得到两组品酒员的结果存在显著性差异，第二组的评价结果更可靠。问题（2）最后将红.白葡萄酒分为了5个等级。问题（3）得到结论:只有利用多元非线性回归模型才能描述出酿酒葡萄和葡萄酒质量两类理化指标间的联系。问题（4）得到结论：用七种酿酒葡萄和葡萄酒的理化指标的预测值和实际值作比较，发现误差较大，确定不能用酿酒葡萄和葡萄酒的理化指标来评价葡萄酒的质量。三．问题的分析及准备：1.该论文的目的：通过建立模型，得到酿酒葡萄与葡萄酒质量之间直接的确定关系，以及葡萄酒和酿酒葡萄检测的理化指标在一定程度上反映葡萄酒和葡萄的质量，对评酒员所给出的分数进行合理处理和分析，从而科学的确定葡萄酒的质量。2.建立模型要具体解决以下四个问题：a. 分析附件1中两组评酒员的评价结果有无显著性差异，哪一组结果更可信？b. 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。c. 分析酿酒葡萄与葡萄酒的理化指标之间的联系。d．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