MATLAB设计论文葡萄酒质量评价的数学建模.docxVIP

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。

关键词：t检验、主成分分析、模糊C均值聚类、BP神经网络、支持向量回归机

具体分析过程：

第一问：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？

[s,t]=tjy(x,y)

Xmean=73.6691

Ymean=73.5782

n1=55

n2=55

s1=6.3131

s2=4.6758

s=30.8590

t=0.0154

F=n1+n2-2=55+55-2=108取95%的置信区间（α双边=0.05）查表的t0=1.98

Tt0则无显著性差异

可信度比较

function[a]=kexindu(x)

x=x;

n=length(x);

s1=std(x);

sum=sum(s1.*s1);

b=sum(x,2);

s2=std(b);

a=n*(1-(Sum/(s2*s2)))/(n-1);

第一组红

样品

α可信度

第二组红

样品

α可信度

1

0.8463

1

0.8332

2

0.8253

2

0.4262

3

0.7436

3

0.7252

4

0.8572

4

0.7924

5

0.8099

5

0.3435

6

0.8532

6

0.5646

7

0.877

7

0.7973

8

0.6558

8

0.8017

9

0.5651

9

0.6362

10

0.5686

10

0.731

11

0.7631

11

0.6639

12

0.9039

12

0.5838

13

0.6682

13

0.5006

14

0.6365

14

0.6441

15

0.851

15

0.8068

16

0.2019

16

0.6204

17

0.8352

17

0.3259

18

0.7194

18

0.7299

19

0.7776

19

0.8277

20

0.5679

20

0.7142

21

0.8611

21

0.7815

22

0.8116

22

0.4864

23

0.7212

23

0.5613

24

0.8398

24

0.0461

25

0.7886

25

0.8266

26

0.7339

26

0.8265

27

0.6781

27

0.6853

平均值

0.739269

0.640085

可信度α1=0.739269α2=0.640085，故第一组数据更可信

第一组白

样品

α可信度

第二组