校赛国赛-by wwr一等奖

1、摘T Wilcoxon 秩和检验对两组评酒度10 位评酒员组成新的评分组，其平均值认为比第二组更可靠，作为整个文章中在问题二中，由于红、白葡萄的理化指标有较大差异，分开考虑红白从三个角度又分为由大分子因子决定的澄清度和基于 LAB 色彩模型的色调考虑到指标间存在的竞争关系采用非线性回归分析和逐步回归分析、香气分析（F摘T Wilcoxon 秩和检验对两组评酒度10 位评酒员组成新的评分组，其平均值认为比第二组更可靠，作为整个文章中在问题二中，由于红、白葡萄的理化指标有较大差异，分开考虑红白从三个角度又分为由大分子因子决定的澄清度和基于 LAB 色彩模型的色调考虑到指标间存在的竞争关系采用非线性

2、回归分析和逐步回归分析、香气分析（Fser 线性判别分析）和口感分析Fisher 判别分析求解。最后将三个方面得分聚类分析分为四级。AIC信息统计量，剔除不显著指标（附件二和附件三，针对红葡萄酒和白葡萄酒的区别分别在酿酒葡萄和葡萄酒的8个样本数据分成两组，采用用一组进行拟合，另一组进行结果回带分Fisher 1重的分高 度。Fisher Fisher 信息判重的分高 度。Fisher Fisher 信息判AIC2值假1.符号说3S0(i, j,k,S1(i, j,k,S11(i, j,k,值假1.符号说3S0(i, j,k,S1(i, j,k,S11(i, j,k,外观分析评分（子项求（i=1

3、 2，表示评酒员所j ；k=1 表示红 葡萄酒类， k=2 表示白 l表示普通酒样品号。下S12(i, j,k,S2(i, j,k,S21(i, j,k,香气分析评分（子项求S22(i, j,k,S23(i, j,k,分S3(i, j,k,S31(i, j,k,口感分析评分（子项求S32(i, j,k,S33(i, j,k,S34(i, j,k,分S4(i, j,k,Var1(i,k,Ai,j度（1.2 中进入过程Sr /St1/S01/Ss1/XRi / Yi /xrij /酿酒红/白葡萄第i个样本的第j立与求1. “20 度总和度更小的组必然更可靠10 Wilcoxon 秩检验的总体均值显

4、著性检验。具体结果如下表：1 2.2.1 ：立与求1. “20 度总和度更小的组必然更可靠10 Wilcoxon 秩检验的总体均值显著性检验。具体结果如下表：1 2.2.1 ：总分S0ijkl，进而求出该种葡萄酒得到的总分在组内（10人）的方差Var1(ikl，4T H0 :1 6058, df=542.513两组评酒员的对白葡萄H0 H0 :1 W 统计量W 统计量=269两组评价员评价结果的yij / 红/i j S0( , ) S1( , )S2( , )S3( , S11( , )S12( , )S21( , )S22( , S0( , ) S1( , )S2( , )S3( , S1

5、1( , )S12( , )S21( , )S22( , )S23( , S31( , )S32( , )S33( , )S34( , S , ,n) Varn2 1 对红葡萄酒两组评酒员评价方差（虚线为第一组3 2 对白葡萄酒两组评酒员评价方差（虚线为第一组价。2.2.2 51234512345意见始终不同导致。因此， 20 分的平均值，引入度” Ai, j概念来衡量每个评酒员和平均值的差异度，即参（4S i, j,k,l20S0 i, j,k,li, k,l Ai, j 意见始终不同导致。因此， 20 分的平均值，引入度” Ai, j概念来衡量每个评酒员和平均值的差异度，即参（4S i,

6、j,k,l20S0 i, j,k,li, k,l Ai, j 27按照公式(4)excel表 4 度10 在建立 LAB 色彩指标对葡萄酒色调的影响时，由于人们对葡萄酒色调的喜好与 LAB333 ijm3i1,ji1,j612345678912345678911 11 1.1.2.2 259602331.1.2.3 2211 11 1.1.2.2 259602331.1.2.3 22改非线性回归拟合的复相关系数 R2 =0.8308，但显著水平不强（p-1.1.2.4 11.05F 9.61F ) (10.1136781.1.2.5 逐步回归调整后的回归方程复相关系=0.8139 ，显著性水F

7、isher 线性判别分析（FLD）Fisher 线性判别分析进行类别判别，并归类。而后，根据分类结果进行评分。1.2.2 FisherFisher 1.2.3等7根据附件一中香气分析的指标来定量刻画葡萄酒香气的优劣（Si S2(1lS21(1l根据附件一中香气分析的指标来定量刻画葡萄酒香气的优劣（Si S2(1lS21(1lS22(1lS23(1ll12,327通过对葡萄酒香气指标S2 (1, l) 进行聚类分析，得到基于葡萄酒香气质量的聚类。从Fisher 判别分析的分类判别基准。1.2.4, 23；II：23,4, 6, 10, 11,13, 14, 16, 17, 19, 21, 222

8、4, 26, 27;III: 1, 7, 25; IV: 12, 15, 18.14,15,18,20,作为每类的分类基准样本：1, 7, 8, 11, IV 0.3 口感指标模型的建5 红葡萄酒Fisher p n p np X 表示就有8类红葡萄酒样2,3,4,6,10,11,13,14,16,17,19,21,22,24,26,1,7,12,15,1p 2p np Fi 来代替原来的指标，用Var1p 2p np Fi 来代替原来的指标，用Var(Fi 来表示反应原指标信息量的多少，Var(Fi ) Fi 包含的信息越多。Fi ipF，使得：（1） 2 23 2 1;（2）F F (ij

9、)i出Fi 的选取，根据Fi 及葡萄酒口感指标评分进行因子分析，从1.3.2 口感指标模型的求1.3.1 对选定指标的概况分6 4 9蛋白花色苷 基总单宁 葡萄总黄酮（mmol/kg） 总可溶性固形物花色基单萄总黄酮总可溶性固形物-1.3.2 8 ：S F F 5.16F 11.04F )36781.3.3 5 结果显示，1.3.2 8 ：S F F 5.16F 11.04F )36781.3.3 5 结果显示，2727 图（图 判断第二次剔除 13 号异常点，第三次剔除 25 号异常点。最终得到口感部分S (10.1111.05F 9.61F )数）R2 3678显著水平p-value=0.

10、01501, 后模型的复相关系数 R2 =0.8703，p-value=2.188e-05. 因此，可以看出，改异常点5 6 图7 27 图8 13 图10。总分Sr 15S 7 27 图8 13 图10。总分Sr 15S 30S 44Sr7 红葡萄各项指标得分（外观及口感数据经标准化计算1.3.4 萄酒得分的相关程度得到相关系数r=0.811.因此，用该模型进行酿酒葡萄的分级是外香口综合得红葡萄-酿酒葡萄的分级。首先，将附件 2 及附件 3 中酿酒葡萄的理化酿酒葡萄的分级。首先，将附件 2 及附件 3 中酿酒葡萄的理化指标根据其对于葡萄酒的影响作用进行分类（118 配2.2 9 图 11 表

11、 9 12 Fisher Fisher 白葡白葡萄样品序外观分口感分指标作酿酒葡萄的一级理化指褐变度、基3，以此类推。总分S wSw So2 Ss2 St3，以此类推。总分S wSw So2 Ss2 St2.3 对应的葡萄酒得分的相关程度得到相关系数r =0.89.因此用该模型进行酿酒葡萄的分级的问题三的模型建立与求 白藜芦醇、DPPH 30 8 个指标相关系数，找出相关性之间的关系，就需要收集n 组数据y(外香口综合得白葡萄 相互独立且同分布于 2i0 y1 33Y X 相互独立且同分布于 2i0 y1 33Y X 1y xxY 2 , 1 ,X 21, 2 N 0, 2 n t n yn

12、xnt ，即min (y x . 0 t (Y X)1 X 2.1.2 lm 2.1.3 量成分，从第一组变量X 提取典型成分V aX ，再从第二组变量Y 提取典型成W bY ，并要求 V 希望找到 a 的相关程度达到最大。b，使Cov(V,W可以通过V 和W X 和Y (V,W)Var(V)Var(W30 芦醇、DPPH 半抑制体积分别作为因变量，进行多元线性回归、逐步回归和模型检验。：27 个样品的所有数据进行标准化处理。，对Y R2 0.83654Fpvalue 0.03370.05R 0.5752 R2 0.7876 Step3：对其做逐步回归，将 16 个变量减少到 8 个。检验发现

13、仍有 1 个回归R2 0.7876 Step3：对其做逐步回归，将 16 个变量减少到 8 个。检验发现仍有 1 个回归系数不Y4 0.11410.1832XR8 0.3034XR9 0.4021XR10 0.3572XR13 0.3132XR22 0.2982XR23 0.266010 2.1.4.1R20.8512：DPPH1。Y1 0.21XR1 0.81XR4 0.27XR9 0.15XR13 0.17XR17 Y2 0.32XR1 0.20XR8 0.39XR9 0.66XR10 0.32XR22 0.140.190.260.520.390.23XR 1.64Y4 0.110.18X

14、R8 0.30XR9 0.40XR10 0.36XR13 0.31XR22 0.30XR23 0.27Y6 0.050.30X 0.27XR 0.20XR 0.49XR 0.36XR 0.31XR 0.22XR 12 PH 值会增加酚类的含量。0.52 5基于典型相关分析的色泽指标关系的模型求解与检模型求L、a、b 分别为Y7,Y8,Y9 12 PH 值会增加酚类的含量。0.52 5基于典型相关分析的色泽指标关系的模型求解与检模型求L、a、b 分别为Y7,Y8,Y9 30 XR1XR2,.XR30 ，通过Yi XRj 12 XRj 前三对 典型相 关变量 的相关 系数均 很高 。 记Y7，V

15、V A Y 2 33 8 V Y 3 9 W1 W W ,XR ,XR ,.,AB2 W 3 分别对Vi 和Wi典型相关变量的回F第1第2V2 DPPH 半抑制体11 V1 000W1 得到，V AY V ，则Y A 11 V1 000W1 得到，V AY V ，则Y A W MW22V 0.8103W 0 3 3 可以将红葡萄酒的色泽指标Y7,Y8,Y9 用红葡萄的其它理化指标进行线性表示，表示结 果 如 下 表 所 示 （ 表 内 数 值 为 指 标 的 系 数 ） 。 例 如 ： Y7 0.18XR4 0.14XR5 0.36XR30 。12 2.1.5.2模型检酒指标的 拟合值， 并与

16、葡萄 酒的标准 化的原始 进行比较 。得到下 图：13 红葡萄酒色泽指标的拟合值与原值比较（o 为拟合值发现色泽指标Y7的拟合效果较好，而Y8,Y9主成分回归是将多个变量综合为少数几个主成分，这几个主成分是变量的线性组效减少变量个数，且保证了变量之间线性无关。3088个理化指Z2 , Z3 ,., Z9 ，葡萄的理化指标为 XW1, XW2 ,.,XW30 。先将数据标准化，再计算 0.4 11 为 、 、5、26 11 6 11 6 第3V3U0000000000000000000000000 XWU 0388 000 0U U -0154 U000000000000000000000000

17、0 XWU 0388 000 0U U -0154 U -0622XW0U 0059 680 00000Z0 00000 05 Z U ZUZ U Z MU Z U ZU 0 0 00 000 Z 018 000 000 Z 018 表2.2.368、 14 -问题四的模型建立与求表 19 Sij 0 问题四的模型建立与求表 19 Sij 0 ik ，i=1,2;j=1ni ；k=1k其中Sij 表示第i 种葡萄酒质量得分，xijk 表示在第i 类酒为j的葡萄酒第k个理2.1 S121.833692.2 理化指红葡萄酒的质红葡干物质含量、果穗、百粒质量、果梗比、出汁率、果皮质红葡萄白葡萄酒的质

18、白葡总糖、还原糖、可溶性固形物、PH值、可滴定酸、固酸比干物质含量、果穗、百粒质量、果梗比、出汁率、果皮质白葡萄单宁、总酚、总黄酮、白藜芦醇、DPPH基1、色彩指 S2 31.133.1 R2=82.87%R2=98.19%，p-value0.05120 S2 31.133.1 R2=82.87%R2=98.19%，p-value0.05120 3.2 28 80.4748 27 2728 15 16 图17 红葡萄酒质量拟合结果与实际结果对照 18 价与改1.3.参考文1ISO8587民中民，：,（17 红葡萄酒质量拟合结果与实际结果对照 18 价与改1.3.参考文1ISO8587民中民，：

19、,（：（：9-生庆海，FriedmanKramer ，7,（：1，统计分析在葡萄酒价中的应用， 酿酒科技，11 高惠 璇，两个 多重相关 变量组的 统计分析 （1 ）1、显著性检验红葡萄XR/白葡萄XW的标号对应的理化指标及指标均值和标准差（第一排为红葡萄，第二排为白葡萄12345氨基酒石柠檬褐变均标准均标准均标准均标准均标准789总G总黄黄酮醇还原PH均标准均标准均标准均标准均标准固酸果果梗果皮质均标准均标准均标准均标准均标准氨基氨基氨基氨基氨基均标准均标准均标准均标准均标准氨基氨基氨基氨基氨基1、显著性检验红葡萄XR/白葡萄XW的标号对应的理化指标及指标均值和标准差（第一排为红葡萄，第二排

20、为白葡萄12345氨基酒石柠檬褐变均标准均标准均标准均标准均标准789总G总黄黄酮醇还原PH均标准均标准均标准均标准均标准固酸果果梗果皮质均标准均标准均标准均标准均标准氨基氨基氨基氨基氨基均标准均标准均标准均标准均标准氨基氨基氨基氨基氨基均标准均标准均标准均标准均标准氨基氨基氨基氨基氨基均标准均标准均标准均标准均标准-红葡萄酒Y/白葡萄酒Z的标号对应的理化指标及指标均值和标准（第一排为红葡萄，第二排为白葡萄123花色单总均标准均标准均标准456总黄白藜芦均标准均标准均标准789Lab均标准均标准均标准-c#c#ol-lm(formula = V7 V1 + V2 + V3 + I(V12) +

21、 I(V22) + I(V1 *V2 * V3)2) + I(V1 V1* V2) + I(V1* V1* V3) + I(V2*V2 * V3) + I(V3* V3 * V1) + I(V3* V3 * V2) + V1:V2+ + D-dapc(x,y)，#D-dapc(x,y)，#4-4-#12 22 2 21 2422 22 22 32 #Levels:12356、#6、#hc3-hclust(d,plclust(hc3hang=-1re1-rect.hclust(hc3k=4border=red); #17,28,10,19,26,27,127、#hc1-hclust(d1,plc

22、lust(hc1,hang=-1);re1-rect.hclust(hc1,k=4,#8、#hc12-hclust(d12,plclust(hc128、#hc12-hclust(d12,plclust(hc12hang=-1re12-rect.hclust(hc12k=4border=red); #3,9,13,14,20,21,24ww- 2.引度概念后整理附件一选取 10 2.引度概念后整理附件一选取 10 度最小的评酒员进行评价得到新excle程序（共六组S,MU,SIGMA = zscore(S1);0-0.00.8100000.27000-0.15000-0.1500plot(1:2

23、7,y1,-*,1:27,out1,-S,MU,SIGMA = zscore(S1);s2=0.32000000-0.200.390.6600000000000000.1400plot(1:27,y2,-*,1:27,out2,-S,MU,SIGMA = zscore(S1);s3=0.18000000-0.190.260.520.390000000-0.231.64000000plot(1:27,y3,-*,1:27,out3,-S,MU,SIGMA = zscore(S1);s4=00000000.180.30.4000.360000000000-0.300.2700000out4=s4*

24、x-plot(1:27,y4,-*,1:27,out4,-S,MU,SIGMA = zscore(S1);s5=0.710-9.220000000s5=0.710-9.220000000-0-0.571.22-0.34000-0-0.460.62-0.8300000plot(1:27,y5,-*,1:27,out5,-S,MU,SIGMA = zscore(S1);-0s6=0.30000000-0.270.20-00.220.23000000out6=s6*x-plot(1:27,y6,-*,1:27,out6,-0000000-0R#基# 5#1 lm.d1-lm(D1D10+D12+D1

25、3+D18+D22+D25+#2 #D23D22D10+ D17+D18+ D19+D30+ #summary(step.D3D25D32D10+ D17summary(step.D3D25D32D10+ D17+D18+ D19+D20+D27+D30+D31#G 中总酚 不好 #4 plot(lm.D4#R2 2D17+D18+D19+ +D30+D31+ #5 plot(lm.D5)#R2101624 summary(step.D5D19D35lm.d5-lm(D5D10+D21+ D22+D23+D27+D30+D31+D32 plot(lm.D6)#R2215 plot(lm.D6)#R2215 summary(step.D6D21D23D32lm.d6-lm(D6D10+D17+D18+D19+D20+D27+D30+D31#V-as.matrix(DX,7:9)%*%ca$xcoef W