2023全国大学生数学建模竞赛安徽赛区获奖论文

A题:葡萄酒的评价摘要针对于问题一：首先对数据进行处理，然后使用Matlab软件对数据进行是否是正态分布的检验。然后进行T检验判断其显著性。通过方差分析，得出第二组评酒员的打分更可信。针对于问题二：对酿酒葡萄的各个理化指标和酒的质量，进行主成分分析。通过奉献度得出各个理化指标和酒的质量的权重，在用模糊评价矩阵对酿酒葡萄分级，共分为四类〔优，良，中，差〕。针对于问题三：对酿酒葡萄与葡萄酒的理化指标数据进行处理，采用insight模块实现典型相关分析的方法，得到了两者之间的联系。针对于问题四：分别对红白葡萄的酿酒葡萄与葡萄酒的理化指标进行数据处理，并且只考虑一级指标，根据葡萄酒、酿酒葡萄分别与感官分析的结果，利用SPSS11.0以及AMOS6.0软件进行统计分析与数据处理，经过对数据的相关分析、通径分析、变异系数分析、主成分分析、聚类分析以及回归分析过程可以得到葡萄酒和酿酒葡萄的理化指标对葡萄酒质量影响的大小。从而可以判断出不能用葡萄和葡萄酒的理化指标来评价葡萄酒的质量。关键词：Matlab软件SAS软件回归分析主成分分析聚类分析模糊评价典型相关分析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以下问题：1.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？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？问题分析1﹑对于问题一附表1给出了某一年份两组各10位评酒员分别对红白葡萄酒的评价结果。要想知道两组评酒员评价结果有无显著性差异以及哪一组结果更可信，假设评酒员的评分服从正态分布，那么可用T检验分析比拟两组评酒员评分的平均值。这点可用matlab软件进行计算。根据软件进行T检验得出T值及P值，当P值小于0.05时，说明两组评酒员对相应种类葡萄酒的评价存在明显的差异，此时比照分析相应的方差可看出第一﹑第二组评酒员评价结果的可信度。假设评酒员的评分不服从正态分布那么可对原始数据进行筛选处理，去除一些偏差极大的数据。然后对剩余的数据进行相同的分析处理。2﹑对于问题二附表2给出了红白葡萄的理化指标，想要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，可以用模糊分析，但必须要知道各个主要成分的权重。所以可以通过主成分分析确立主要成分，在通过聚类分析给出各个主要成分的奉献率来确立各自的权重。最后利用模糊分析对酿酒葡萄进行分级。3﹑对于问题三要找出酿酒葡萄与葡萄酒的理化指标之间的联系，由于酿酒葡萄与葡萄酒都有很多指标，并且酿酒葡萄与葡萄酒的理化指标不对应如果只是采取简单的回归模型的话，不能通过检验。所以采用insight模块实现典型相关分析的方法，通过SAS软件得到了两者之间的联系。4﹑对于问题四要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？由于酿酒葡萄和葡萄酒的理化指标是影响葡萄酒质量的因素。是不是直接用酿酒葡萄和葡萄酒的理化指标来评价葡萄酒的质量？我们需要去论证，这里分别对红白葡萄的酿酒葡萄与葡萄酒的理化指标进行数据处理，并且只考虑一级指标，根据葡萄酒、酿酒葡萄分别与感官分析的结果，利用SPSS11.0以及AMOS6.0软件进行统计分析与数据处理，经过对数据的相关分析、通径分析、变异系数分析、主成分分析、聚类分析以及回归分析过程可以得到葡萄酒和酿酒葡萄的理化指标对葡萄酒质量影响的大小。从而可以判断出不能用葡萄和葡萄酒的理化指标来评价葡萄酒的质量。模型假设1﹑假设评酒员对各样品的评价不受外界因素干扰。2﹑假设各葡萄样品均采自良好的生长环境，能保证本种葡萄的特性。3﹑假设评酒员能对样品进行客观的评价。定义与符号说明值第个变量的平均值第个变量的标准差模糊关系矩阵评价结果矩阵权重矩阵模糊评价矩阵问题一的模型建立与求解一﹑模型的分析1﹑要想知道两组评酒员评价结果有无显著性差异以及哪一组结果更可信，假设评酒员的评分服从正态分布那么可用T检验分析比拟两组评酒员评分的平均值。这点可用matlab软件进行计算。2﹑假设评酒员的评分不服从正态分布那么可对原始数据进行筛选处理。经分析得知对于白葡萄酒的评分，第一组评酒员2号对于葡萄酒样品2﹑5﹑6﹑15﹑18﹑22等的评清楚显低于整体评分均值水平，第二组评酒员8号对于葡萄酒样品3﹑9﹑12﹑15﹑21﹑26等的评清楚显低于整体评分均值水平。因此，我们排除极值的影响，对剩余数据重新进行正态检验。发现此时整体评分数据服从正态分布。既而我们仍可以用matlab进行T检验。3﹑根据matlab软件进行T检验得出T值及P值，当P值小于0.05时，说明两组评酒员对相应种类葡萄酒的评价存在明显的差异，此时比照分析相应的方差可看出第一﹑第二组评酒员评价结果的可信度。二﹑模型建立与求解首先根据附表1给出的评酒员评分情况分别对第一﹑二组的评价总分数据进行正态检验〔程序见附录〕。可知，第一﹑二组10位评酒员对红葡萄酒评价总分的数据服从正态分布，可用T检验〔程序见附录〕进行分析。算出两组评酒员对红葡萄酒评分的平均值﹑方差﹑标准差﹑T﹑P值，如下表所示。第一组第二组TP样本编号均值方差标准差均值方差标准差0.0003-4.44861253.979.668.9268.325.125.010.00233.55232385.632.495.7077.124.774.980.01592.6620280.339.796.317416.224.030.01902.57681170.170.778.4161.638.046.170.01982.55821674.918.104.2569.920.104.480.02962.36351374.644.936.7068.815.293.910.03942.2215247874.898.6571.510.723.270.05042.0965380.445.826.7774.630.715.540.05082.09281074.230.405.5168.836.186.010.05262.0749672.259.737.7366.321.124.600.05562.04632277.250.627.1171.624.274.930.0650-1.96491558.785.579.2565.741.346.430.07261.9071872.344.016.636665.118.070.07731.87381978.647.386.8872.655.167.430.0951-1.76161859.947.216.8765.450.277.090.14101.53981779.388.019.3874.59.173.030.14581.5204771.5103.6110.1865.362.687.920.18991.3623981.532.945.7478.225.735.070.2128-1.2917162.792.99.6468.181.889.050.22431.25842177.1116.1010.7772.235.515.960.28701.09732078.626.045.1075.839.076.250.5096-0.6728468.6108.0410.3971.241.296.430.51330.66692673.831.295.597241.566.450.57850.5658277349.787.0671.520.504.530.66780.4362573.362.017.8772.113.663.700.76480.30382569.264.628.0468.243.736.610.87120.1645147336.006.0072.623.164.81由此可知，对于红葡萄酒样本2﹑11﹑12﹑13﹑16﹑23﹑24第一﹑二组评酒员的评分存在显著的差异〔其中〕,而其他红葡萄酒样本的评分没有显著的差异。由表格数据可看出对于这几种红葡萄酒样本的评分情况，第一组较第二组方差大。因此可说明对于红葡萄酒的评分第一组评分波动大，第二组评酒员的评分较为可信。对于白葡萄酒的评分，第一组评酒员2号对于葡萄酒样品2﹑5﹑6﹑15﹑18﹑22等的评清楚显低于整体评分均值水平，而第二组评酒员8号对于葡萄酒样品3﹑9﹑12﹑15﹑21﹑26等的评清楚显低于整体评分均值水平。因此，在没踢出干扰数据时第一、二组的评价差不多，这样我们就可以排除极值的影响，对剩余数据重新进行正态检验。发现此时整体评分数据服从正态分布。既而我们仍可以进行T检验〔程序见附录〕。算出两组评酒员对白葡萄酒评分的平均值﹑方差﹑标准差﹑T﹑P值以及进行数据筛选改良后的方差﹑标准差，如下表所示。第一组第二组改良P值PT均值改良均值标准差改良标准差均值改良均值标准差改良标准差样本编号0.00200.0101-2.875964.8066.1312.028.1877.0077.885.963.14270.00680.0151-2.686871.0072.3811.247.3581.5081.385.133.2550.00990.1100-1.681172.9073.639.637.2180.4082.6310.314.5790.01060.0888-1.799163.3064.2510.767.5072.4074.5011.836.37120.01950.0714-1.915771.0071.5011.787.1379.4079.887.325.46220.03100.5299-0.640677.1077.255.824.2079.5081.8810.323.48250.05260.1361-1.560472.2072.006.815.5576.4076.885.103.40190.05390.20551.313474.0075.0013.349.8667.3066.889.074.70160.06970.24831.193182.0083.009.605.5077.9078.255.094.0610.07280.1035-1.715265.9066.7513.079.7773.9074.506.845.68130.09170.1807-1.392572.4073.6311.477.2178.4079.137.354.67150.10800.1165-1.648868.4069.3812.769.7575.5075.634.773.2960.10830.1744-1.413972.0073.5010.696.4477.1077.633.982.20140.10920.11231.669581.3081.758.546.3674.3075.8810.147.34260.19270.26241.157077.5078.136.265.0074.2074.886.494.4970.22050.3149-1.033774.3076.2514.588.9679.8080.888.394.88100.27260.40730.848579.4080.136.694.0976.9077.386.495.4540.38260.60770.522681.3082.138.977.6479.6079.505.043.07280.45110.5724-0.575076.4078.3813.149.5579.2081.138.023.09210.45300.4785-0.723873.3073.8810.548.7676.1076.636.214.98240.46660.5314-0.638175.9075.756.614.9577.4077.253.412.76230.53510.4158-0.833073.1075.1312.517.2076.7077.005.504.21180.62670.72690.354777.8078.638.025.8576.6077.387.074.03200.62980.86310.174872.3073.6313.319.5871.4071.389.378.67110.75190.7527-0.319974.2075.5014.1810.5275.8076.757.003.1120.82310.6717-0.430870.4071.8812.789.9972.3072.755.584.2780.88530.7297-0.351078.8080.2512.018.3880.3080.756.204.74170.89990.56210.590778.3078.388.156.6575.6078.0011.944.933由上表数据可看出对于白葡萄酒样本5﹑9﹑12﹑22﹑25﹑27第一﹑二组评酒员的评分存在显著的差异〔其中〕,其他白葡萄酒样本的评分没有显著的差异。由表格数据可看出对于这几种白葡萄酒样本的评分情况，第一组较第二组方差大。因此可说明对于红酒的评分，第二组评酒员的评分较为可信。综上所述，可知对于红葡萄酒样本2﹑11﹑12﹑13﹑16﹑23﹑24第一﹑二组评酒员的评分存在显著的差异〔其中〕,对于白葡萄酒样本5﹑9﹑12﹑22﹑25﹑27第一﹑二组评酒员的评分存在显著的差异〔其中〕。而无论白﹑红葡萄酒其存在显著差异的葡萄酒样本的评分情况均为第一组较第二组方差大。因此可说明对于葡萄酒的评分，第二组评酒员的评分较为可信。问题二的模型建立与求解一、模型分析对于该问题，我们从两方面进行分析。首先由问题一得知，第二组评酒员的评分更可信，我们以第二组评酒员的评分为参考，对葡萄酒进行分级，从而初步得出酿酒葡萄的分级情况。另一方面，因为酿酒葡萄的理化指标很多〔28种〕，为了确定对酿酒葡萄质量产生影响的理化指标有哪些，我们采用主成分分析法。利用SAS软件求出各主成分对酿酒葡萄品质的奉献率大小，以此确定其权重，既而建立模糊评价模型。最后结合葡萄酒质量及酿酒葡萄理化指标确定酿酒葡萄的分级情况。二、模型的建立与求解此题研究的是关于个样品，个指标〔因素〕的问题。因此我们采用主成分分析法并创立模糊评价矩阵。其原始统计资料整理的原始数据矩阵为：〔2.1〕附表2中给出的指标具有不同的量纲，有的指标值在数量级上也有很大的差异，为了消除由于量纲的不同而可能带来的一些不合理的影响，在进行主成分分析之前需要先对数据进行标准化处理，以使每一个变量的平均值为0，方差为1。变量标准化的公式为：其中，和分别是第个变量的平均值和标准差。将数据标准化后的矩阵仍用式〔2.1〕的记，那么的个变量综合成个新变量，新的综合变量可以由原来的变量线性表示，即：并且满足：其中，系数由以下原那么来确定：①与相互无关。②是的所有线性组合中的方差最大者，是与不相关的的所有线性组合中的方差最大者，是与都不相关的的所有线性组合中的方差最大者。如此决定的综合变量分别称为原变量的第一、第二，…，第个主成分。其中在总方差中占的比重最大，其余综合变量的方差依次递减。在具体分析时，我们只挑选前几个方差最大的主成分〔一般占85%以上〕，从而到达简化系统结构，抓住问题实质的目的。由此利用SAS系统中的File中的Import导入功能将数据转换为SAS数据集。调用procprincomp过程〔程序见附录〕对资料进行聚类分析结果如图：由表中数据可知，前十个特征值较大，累计奉献率已到达89.24%，所以选前10个主成分就可以表示原来的28个指标所包含信息的89.24%。然后对红葡萄的指标进行分类，〔图中a1-a28为红葡萄成分依次代号，z1-z9为主成分代号〕第一组主成分为花色苷，DPPH自由基，总酚，单宁，葡萄总黄酮。第二组主成分为总糖，复原糖。第三组主成分为酒的质量。第四组主成分为多酚氧化酶活力。第五组主成分为柠檬酸，果穗质量。第六组主成分为黄酮醇，果梗比，果皮质量。第七组主成分为固酸比。第八组主成分为vc含量。第九组主成分为苹果酸。第十组主成分为白藜芦醇。并且由其奉献率的大小确定权重=[0.24340.17030.11650.10250.07110.05440.04370.3560.02880.061]来判断10个主要成分权重并对数据进行处理去除单位。根据模糊评价，是一个模糊关系矩阵，称为模糊评价矩阵，并表示如下：红葡萄质量评价模糊集如下：=[0.7897850.7601490.7315990.5621570.7022710.6030220.5383170.8161650.7474270.5311480.5103990.5330940.6281270.7762490.5507460.5277860.6396660.5577940.7069990.5168730.6506740.6019240.7773910.672950.522030.6768310.555773]对中元素进行归一化处理得：=[0.0459510.0442270.0425660.0327080.040860.0350850.0313210.0474860.04348710.0309030.0296960.0310170.0365460.0451640.0320430.0307070.0372170.0324540.0411340.0300730.0378580.0350210.0452310.0391540.0303730.039380.032336]最终评价根据得分的不同红色酿酒葡萄可分为4个等级结果如下：优秀的样品为8,1,23,14,2,9，3，19，5号样品，良好的样品为26,24,21，17，13，6，22号样品，中等的样品为4,18,27,15，7,12号样品，差的样品为10,16,25,20,11号样品。同理，对白葡萄样品进行SAS聚类分析，结果如图由表中数据可知，前12个特征值较大，累计奉献率已到达88.82%，所以选前12个主成分就可以表示原来的28个指标所包含信息的88.82%。然后对白葡萄指标进行分类，如以下图〔图中a1-a28为白葡萄成分依次代号，z1-z12为主成分代号〕得到白葡萄主要成分：第一组主成分为总糖，复原糖，可溶性固形物，干物质含量。第二组主成分为葡萄总黄酮，总酚，蛋白质。第三组主成分为固酸比。第四组主成分为苹果酸，酒的质量。第五组主成分为褐变度，黄酮醇，VC含量。第六组主成分为酒石酸。第七组主成分为柠檬酸。第八组主成分为果皮质量。第九组主成分为花色苷，白藜芦醇。第十组主成分为果穗质量。第十一组主成分为氨基酸总量，百粒质量。第十二组主成分为DPPH自由基。通过奉献率的大小确定权重=[0.18960.16330.10190.07410.06830.05630.05260.04660.03990.33380.33280.029]。由此建立模糊评价矩阵：红葡萄质量评价模糊集如下：=[0.686730.700890.730740.638780.716150.710810.659110.731820.723570.746090.765160.719850.636140.723710.687680.715040.689210.681070.673210.718371.006550.638011.019340.707440.786450.658710.817480.71261]对中元素进行归一化处理得：=[0.0336620.0343560.0358190.0313110.0351040.0348420.0323080.0358720.0354670.0365710.0375060.0352850.0311820.0354720.0337080.0350490.0337830.0333840.0329990.0352120.0493380.0312730.0499650.0346770.0385510.0322880.0400710.034931]最终评价根据得分的不同白色酿酒葡萄可分为4个等级结果如下：优秀的样品为23，21,27号样品，良好的样品为25，11，10，8，3，14，9，12，20，5，16号样品，中等的样品为28，6，24，2，17，15，1，18，19，7，26号样品，差的样品为4，22，13号样品。问题三的模型建立与求解一﹑模型的分析通常研究两组变量=〔﹑....﹑〕与=(﹑....﹑)之间的相关性，是许多问题的需要。其中当﹑均大于1时，就是研究两组多变量之间的相关性，称为典型相关分析。典型相关分析采用主成分的思想浓缩信息，通过对这些综合变量之间相关性的分析，答复两组原始变量间相关性的问题。此题的问题要求分析酿酒葡萄与葡萄酒理化指标之间的联系。经分析，我们设白葡萄酒主要理化指标为CX1,酿酒白葡萄主要理化指标为CY1。红葡萄酒主要理化指标为CX2，酿酒红葡萄主要理化指标为CY2.二﹑模型的建立与求解经以上假设，我们再通过sas软件的INSIGHT模块，进行典型相关分析。得出其计算过程过程及结果如下：〔1〕典型相关系数：第一典型相关系数为1.000000,修正值为，标准误差为0，典型相关系数的平方为1.000000；第二典型相关系数为1.000000,修正值为，标准误差为0，典型相关系数的平方为1.000000，如下图。〔2〕典型变量所解释的变异：第二局部的是5个特征根，包括：特征根﹑相邻两个特征根之差﹑特征根所占方差信息量的比例和累积方差信息的比例。〔3〕典型相关系数的检验：用似然比法检验典型相关系数与零的差异是否显著，其原假设为小于此对典型变量典型相关系数的所有典型相关系数度为0，如下图，说明前两对典型相关系数根本具有显著意义。因此，两组变量相关性的研究可转化为研究前两对典型相关变量的相关性。〔4〕典型相关结构〔见图〕分别是各组原始变量与典型变量两两之间的相关系数矩阵。从相关系数判断，白葡萄酒理化指标中除YBPT1〔0.0616〕﹑YBPT2(0.279)外各变量与第一典型变量间的相关性较高，酿酒白葡萄理化指标中除XBT3〔0.0482〕﹑XBT17(0.0462)﹑XBT21(0.0202)﹑XBT23(0.0767)﹑XBT27(0.0586)﹑XBT28(0.0443)外各变量与第一典型变量间的相关性也都比拟高。依次类推可得白葡萄酒和酿酒白葡萄大局部理化指标与前两对典型变量之间均有较强的相关性。同理可看出红葡萄酒及酿酒红葡萄理化指标与第一典型变量的相关性。与第二典型变量的相关性也很容易看出，如图示。标准化变量的典型相关变量的系数输出结果中还给出标准变量的典型变量系数，如图示。来自白葡萄酒的第一典型变量:CY1=1.189243YBPT1-1.615769YBPT2+0.563832YBPT3+0.285222YBPT4-0.262693YBPT5+1.729578YBPT6+1.347365YBPT7+2.810134YBPT8CY1在YBPT2〔总酚〕上系数为负值，绝对值较大，在YBPT1〔单宁〕﹑YBPT6〔L*(D65)〕﹑YBPT7〔a*(D65)〕﹑YBPT8〔b*(D65)〕上系数为较大的正值。因此，CY1代表白葡萄的花色苷﹑DPPH自由基﹑总酚﹑单宁等指标。同理可得第一典型变量CX1，其代表了白葡萄酒的花色苷﹑单宁﹑总酚﹑DPPH半抑制体积等指标。第二典型变量CY2代表了红葡萄的总酚﹑可溶性固形物等指标；CX2代表了单宁﹑总酚等指标。〔6〕典型冗余分析：典型冗余分析说明，两对典型变量仍不能全面预测配对的那组变量。其主要原因如下图。问题四的模型建立与求解一﹑模型的分析通过前面的分析，我们得知葡萄酒的质量可通过对葡萄酒成分分析及感官分析判别。这里我们利用SPSS11.0以及AMOS6.0软件进行统计分析与数据处理。数据结果的相关性分析：采用分析软件SPSS11.0的Correlate中的Bivariate分析；数据结果的通径分析：采用分析软件AMOS6.0分析；数据结果的变异系数分析：采用分析软件SPSS11.0的DescriptiveStatistics中的Descriptives分析；数据结果的主成分分析：采用分析软件SPSS11.0的DataReduction中的Factor分析；数据结果的聚类分析：采用分析软件SPSS11.0的C1assify中的HierachicalCluster分析；数据结果的回归分析：采用分析软件SPSS11.0的Regression中的CurveEstimation过程分析。二﹑模型的建立与求解1﹑相关性分析在数据分析的过程中，常常需要分析两个或两个以上变量之间的因果关系，通常会采用相关性分析方法，它不需要区分自变量和因变量，两个或者多个变量之间是平等的关系，通过相关分析可以了解变量之间(感官质量与其他成分指标)的关系密切程度。2﹑深入分析-通径分析相关分析只是简单地估测了2个变量之间的关系(密切程度)，而通径分析不仅能说明原因，而且能够准确地估测出各性状因子对因变量(感官得分)的相对重要性。由于通径系数是自变量与因变量间有方向的相关系数，它表示的是在剔除其他因素影响后的作用。因此，通径分析反响的是两者之间真正的相关关系。3﹑变异系数分析变异系数的大小反映的是该成分在葡萄酒中含量的稳定性。变异系数越小，说明其在葡萄酒中的含量越稳定，越具有代表性。4﹑主成分分析主成分分析(PCA)是将多项指标重新组合成一组新的互相无关的几个综合指标，根据实际需要从中选取尽可能少的综合指标，以到达尽可能多的反映原指标信息的分析方法。5﹑聚类分析聚类分析(ClusterAnalysis)是研究分类问题的多元统计方法之一，就是根据研究对象的特征把性质相近的个体归为一类，使得同一类中的个体具有高度的同质性，不同类之间的个体具有高度的异质性的多元分析技术的总称。6﹑葡萄酒成分与感官质量的多元线性回归方程研究多元线性回归是研究多个自变量与一个因变量间是否存在线性关系〔相互依存关系〕，并用多元线性回归方程来表达这种关系〔或用回归方程定量地刻画一个因变量与多个自变量间的线性依存关系〕的数学分析方法。将感官得分作为因变量，所有成分指标作为自变量，利用SPSS11.0进行多元线性逐步回归分析后，最终得到方程模型如下，经验证各系数和常数项均具有统计学意义，方程的预测准确率为83.2%。感官得分〔W〕=+成分一*+成分二*+成分三*+成分四*+成分五*+成分六*+成分七*+成分八*〔n=28〕用同样的方法对酿酒白葡萄和白葡萄酒的理化指标，可以得出相应的白葡萄和白葡萄酒的理化指标对葡萄酒的质量影响的奉献是多少。由以上分析及所得出的模型我们可以得知酿酒红葡萄和红葡萄酒的理化指标对于红葡萄酒质量的影响，从而可以得到酿酒红葡萄和红葡萄酒的理化指标对葡萄酒影响的是百分之六十左右，从而不能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。上述过程的局部结果表1红葡萄理化指标与感官得分的相关系数理化指标相关系数显著程度P氨基酸总量0.1490.458蛋白质0.51(**)0.06vc含量-0.70.727花色苷0.2720.17酒石酸0.2880.144苹果酸-0.3480.076柠檬酸-0.2050.304多酚氧化酶活力-0.230.249褐变度-0.0130.951DPPH自由基0.605(**)0.01总酚0.647(**)0单宁0.3540.07葡萄总黄酮0.695(**)0白藜芦醇-0.2440.221黄酮醇0.2640.104总糖-0.0180.93复原糖-0.0530.794可溶性固形物-0.0530.794PH值-0.527(**)0.05可滴定酸-0.2650.181固酸比0.2830.152干物质含量-0.0810.686果穗质量0.210.293百粒质量0.1560.438果梗比0.1420.479出汁率0.3030.124果皮质量0.2360.235表2白葡萄理化指标与感官得分的相关系数理化指标相关系数显著程度P氨基酸总量-0.910.65蛋白质-0.0440.827VC含量0.1210.5482花色苷0.596(**)0.001酒石酸-0.3070.119苹果酸-0.0980.627柠檬酸0.630.755多酚氧化酶活力0.2950.136褐变度-0.1010.617DPPH自由基1/IC50-0.2420.224总酚-0.0430.83单宁-0.1760.379葡萄总黄酮0.3260.097白藜芦醇-0.0650.749黄酮醇0.0660.743总糖-0.0040.984复原糖-0.0690.731可溶性固形物0.0610.764PH值-0.0140.606可滴定酸-0.0090.654固酸比-0.2380.233干物质含量-0.3410.082果穗质量0.2070.3百粒质量-0.3430.08果梗比0.3530.07出汁率-0.3240.099果皮质量-0.441(*)0.021果皮颜色0.403(*)0.037表3红葡萄酒理化指标与感官得分的相关系数理化指标相关系数显著程度P花色苷(mg/L)0.1530.447单宁(mmol/L)0.486〔*〕0.01总酚(mmol/L)0.493(**)0.009酒总黄酮(mmol/L)0.518(**)0.006白藜芦醇(mg/L)0.51(**)0.006DPPH半抑制体积〔IV50〕1/IV50(uL)0.55(**)0.003L*(D65)-0.4540.017a*(D65)0.1860.354b*(D65)0.2450.219表4白葡萄酒理化指标与感官得分的相关系数理化指标相关系数显著程度P花色苷(mg/L)单宁(mmol/L)-0.2520.195总酚(mmol/L)-0.0060.978酒总黄酮(mmol/L)0.1780.365白藜芦醇(mg/L)-0.2180.265DPPH半抑制体积〔IV50〕1/IV50(uL)-0.2430.212L*(D65)0.1030.602a*(D65)0.1090.58b*(D65)-0.120.543参考文献[1]杨维忠，SPSS统计分析与行业应用，北京：清华大学出版社，2023。[2]王家文王皓刘海，MATLAB7.0编程根底，北京：机械工业出版社，2005。[3]黄燕吴平，SAS统计分析及应用，北京：机械工业出版社，2006。[4]李华，葡萄酒品尝学，北京：中国青年出版社，1992。[5]潘慧灵，灰色关联法在企业战略决策中的应用研究[J]，现代商业，2023，(20)：189-190。[6]彭小兵周孝华，企业战略决策的AHP方法研究[J]，桂林电子工业大学学报，2001，21(1)：48-52。[7]Reise,S.P.,Widaman,K.F.,Pugh,R.H.Confirmatoryfactoranalysisanditemresponsetheory:Twoapproachesforexploringmeasurementinvariance[J].PsychologicalBulletin,1993,114(3):552-566.[8]LiHua，TaoYongsheng，WangHua，etal．ImpactodorantsofChardonnaydrywhitewinefromChangliCounty(China)［J］．EuropeanFoodResearchandTechnology，2023，227(1):287～292．程序附录样本正态分布检验代码：data=[]〔第一组、第二组样品数据〔数据太大不便写入〕〕inth1p1;fori=1:56[h,p,jbstat,cv]=jbtest(data(i,:));h1(i)=h;p1(i)=p;end样本T检验代码：data=[]〔第一组、第二组样品数据(数据太大不便写入)〕fori=1:27[h,p,cit,stats]=ttest2(data(i,:),data(i+27,:));pval(i)=p;tstat(i)=stats.tstat;end红葡萄等级程序：R1=[1 1 0.960001351 0.471678305 0.742638715 0.359746636 0.360199099 1 1 0.342382101 0.096367975 0.253020499 0.442282457 0.804650147 0.435636089 0.415244158 0.452495845 0.265758932 0.712107625 0.239781582 0.577185689 0.503426232 1 0.802439525 0.346336953 0.333160897 0.26533210.946914037 0.933713191 1 0.888481204 0.8705013 1 1 0.876486664 0.833777857 0.718098446 0.926274441 1 0.864029291 0.902408424 0.849164391 0.843544375 1 1 0.902853814 0.88680561 0.960287479 0.965135076 0.885928527 0.915029656 0.705646115 0.797835841 0.8687080550.681 0.74 0.746 0.712 0.721 0.663 0.653 0.66 0.782 0.688 0.616 0.683 0.688 0.726 0.657 0.699 0.745 0.654 0.726 0.758 0.722 0.716 0.771 0.715 0.682 0.72 0.7151 0.965758292 0.603216844 0.485429512 0.985490539 1 0.799730051 1 0.527146023 0.325830635 0.44562828 0.658738462 0.877381744 1 0.804455148 0.426496879 0.536683026 0.846155308 0.950246231 0.388706385 0.566348742 0.682023381 0.512689079 0.470808698 0.446237327 1 0.7198381660.698175116 0.395123074 0.375542879 0.522279874 1 0.714572722 0.281653606 0.783082127 0.694663914 0.88387015 0.681167648 0.698939808 0.5777185 0.770750182 0.582696265 0.510356236 1 0.70229272 0.639876757 1 0.568848952 0.458575477 0.966789255 1 0.973933633 1 0.9781757840.445892699 0.629033883 1 0.608104769 0.198203046 0.211143073 0.29578838 1 1 0.670750643 0.581742576 0.102404113 0.911837672 1 0.256685424 0.242367282 0.938775741 0.185454653 0.75487803 0.26022488 1 0.34534583 0.976351379 0.352339465 0.690563172 0.349997874 0.3937445791 1 1 0.81741599 0.914362066 0.75504584 0.742261541 0.999703258 0.987879595 0.775955661 1 0.873830623 0.678569142 1 0.716937276 1 0.786057551 0.805914391 0.901063681 1 0.914047565 1 0.863787471 0.799523061 0.651678928 1 0.8477024060.945629172 0.585956655 0.571578104 0.694447553 1 0.987314458 0.485226053 0.995651303 0.964293222 1 0.939882583 0.91431317 0.853384917 1 0.811733426 0.698733937 1 0.927146253 0.872926794 1 0.771277387 0.601464817 1 1 1 3.086674589 11 0.803253899 0.64362799 0.720232345 0.367272968 0.367766527 0.696899571 1 0.75223074 1 1 0.502185071 0.974385571 0.869382185 0.320053546 0.98629464 0.485054849 0.500509792 0.67421546 0.205434527 0.898109861 1 1 0.627878914 0.384068619 0.290518186 0.2465962980.889955133 0.863277823 0.582749374 0.457410459 0.775454036 0.934573192 0.628326467 1 0.53431417 0.549031899 0.985475795 0.523169465 0.937605567 1 0.623146214 0.439051717 0.434358055 0.659968666 0.824001038 0.339660386 0.627376089 0.628507677 0.641580898 0.43531956 0.399031255 0.819754994 0.592115525]A1=[0.2434 0.1703 0.1165 0.1025 0.0711 0.0544 0.0437 0.0356 0.0288 0.0261]B1=A1*R1白葡萄等级程序:R2=[0.831820284 0.94596123 0.931574156 0.932656464 1 0.895112131 0.860313233 0.785848507 0.977157054 1 0.78793878 0.992243495 0.767273919 0.93757926 0.82546967 0.858444315 0.843799874 0.844176701 0.906519224 0.999025546 0.958924936 0.893617834 0.999805471 1 1 1 0.932288895 10.884825559 0.955920839 0.83863011 0.882451643 0.834920767 0.905231518 1 0.880195824 0.862202378 0.924509934 0.999473362 0.825343531 0.838973464 0.934340663 0.983346001 0.82975621 0.746972063 1 0.811493559 0.855308172 1 0.72153622 0.899953394 1 0.924830206 0.88678425 1 0.8086145750.485904202 0.9006254 1 0.697366085 0.609455511 0.503031269 0.469995722 0.823405533 1 0.657517322 1 0.947873733 0.593457441 0.679995992 0.440691923 1 0.781975825 0.455989789 1 0.520682023 0.61457695 0.770985577 0.914238306 0.700083431 0.89992113 0.856697886 1 0.7551091980.955764706 0.927058824 1 0.952235294 1 0.955058824 0.956588235 0.875411765 0.990235294 0.978235294 0.864352941 0.851764706 0.910941176 0.951058824 0.966823529 0.817411765 0.965294118 0.990470588 0.942470588 0.965764706 0.958117647 0.946588235 0.936823529 0.926235294 0.993529412 0.874117647 0.978823529 0.9958823530.862626161 0.522530434 0.402072959 0.347115614 0.74138532 0.757781138 0.516986318 0.892023848 0.420592926 0.912654042 0.972473546 0.764398731 0.644293352 1 0.607040046 0.725679145 0.739489318 0.709058 0.349349585 0.777071347 1 0.507762084 1 0.566921667 0.979465678 0.311579414 1 0.5330857130.549090909 0.492727273 1 0.629090909 0.836363636 0.756363636 0.385454545 0.69 0.935454545 0.667272727 0.654545455 0.421818182 0.445454545 0.300909091 0.504545455 0.522727273 0.928181818 0.361818182 0.852727273 0.968181818 0.772727273 0.815454545 0.752727273 0.632727273 0.631818182 0.619090909 0.754545455 0.8081818180.857872158 0.383852211 0.205798227 0.124761124 0.681121727 0.684873527 0.367841411 0.916080789