葡萄酒和酿酒葡萄指标总表

葡萄酒理化指标检测美国新橡木桶贮存赤霞珠干红葡萄酒W2B5 理化指标分析班级：生工081 学号：080302101 姓名：杨冲摘要：本实验以美国新橡木桶贮存赤霞珠干红葡萄酒为原料, 根据GBT 15038-2006 葡萄酒、果酒通用分析方法测定样品的总酸、挥发酸、酒精度、干浸出物、总浸出量、残糖、单宁、色度、色调、总酚、总SO2、明胶指数、盐酸指数、pH、可溶性固形物。

结果显示,葡萄酒的各项理化指标符合国家新标准中的规定。

本文讨论分析了橡木桶对赤霞珠干红葡萄酒储存过程中理化指标的影响。

关键词：赤霞珠；橡木桶；干红葡萄酒；理化指标；分析检测1 引言葡萄酒是以新鲜葡萄或葡萄汁为原料，经发酵而成的含有多种营养成分的饮料酒, 是世界公认的对人体有益的健康酒精饮品。

葡萄酒具有很高的营养价值和保健作用, 内含一种称为白藜芦醇的物质, 以红葡萄酒中含量最多, 可用于癌症的化学预防。

葡萄酒能调节人体新陈代谢, 促进血液循环, 防止胆固醇增加, 同时还有利尿、激发肝功能和防止衰老的作用, 长期适当适量（每天控制在50mL）饮用, 可以起到滋补、强身、美容的作用, 可防止坏血病、贫血、眼角膜炎, 降低血脂, 促进消化, 对预防癌症和医治心脏病大有禆益。

干红葡萄酒中含有人体维持生命活动所需的三大营养素：维他命、糖及蛋白质。

葡萄糖是人类维持生命、强身健体不可缺少的营养成分，是人体能量的主要来源。

近年来也越来越受广大顾客的青睐。

本研究的目的就是通过对赤霞珠干红葡萄酒理化指标的检测，保障酒的质量，并通过检测分析在制作、品种、贮存工具、贮存条件相同的情况下，只有贮存时间不同对酒理化性质的比较分析。

由于橡木桶贮存过的葡萄酒日益得到消费者的认可，橡木桶便越来越受到世界各地的酿酒师的青睐。

橡木香气是木桶贮藏的葡萄酒中最常见的香气。

经过木桶贮藏，葡萄酒逐渐氧化成熟。

新、旧橡木桶也会对葡萄酒产生一定影响，随着贮酒次数的增加，木桶的贮藏效果逐渐减弱。

2012高教社杯全国大学生数学建模竞赛题目（请先阅读“全国大学生数学建模竞赛论文格式规范”）A题葡萄酒的评价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？附件1：葡萄酒品尝评分表（含4个表格）附件2：葡萄和葡萄酒的理化指标（含2个表格）附件3：葡萄和葡萄酒的芳香物质（含4个表格）第二组白葡萄酒品尝评分酒样号项目26葡酒萄样品26外观分析澄清度4442色调8888香气分析纯正度5554浓度6467质量14101214口感分析纯正度4435浓度7667持久性6567质量16161619平衡/整体评价101091016葡萄酒样品16外观分析澄清度3441色调6464香气分析纯正度3453浓度6464质量10101010口感分析纯正度3554浓度6476持久性6676质量16131613平衡/整体评价99993葡萄酒样品3外观分析澄清度3344色调8888香气分析纯正度5445浓度7767质量14141014口感分析纯正度5445浓度7467持久性7578质量19161319平衡/整体评价10991012葡萄酒样品12外观分析澄清度3443色调8868香气分析纯正度5445浓度7767质量12121214口感分析纯正度3544浓度6667持久性5667质量16191616平衡/整体评价8109811葡萄酒样品11外观分析澄清度3443色调8844香气分析纯正度5444浓度7776质量14141410口感分析纯正度4454浓度7774持久性6676质量16191613平衡/整体评价91010921葡萄酒样品21外观分析澄清度4333色调8868香气分析纯正度5455浓度7778质量14121414口感分析纯正度5545浓度6777持久性6676质量16191619平衡/整体评价10910109葡萄酒样品9外观分析澄清度3444色调8888香气分析纯正度5455浓度8788质量16121614口感分析纯正度4555浓度6778持久性5677质量13161919平衡/整体评价99101020葡萄酒样品20外观分析澄清度3433色调8868香气分析纯正度6445浓度7476质量14121214口感分析纯正度5544浓度7677持久性7677质量19161616平衡/整体评价1099825葡萄酒样品25外观分析澄清度3444色调8888香气分析纯正度5454浓度7677质量14121212口感分析纯正度4555浓度6677持久性7667质量16161622平衡/整体评价999104葡萄酒样品4外观分析澄清度4434色调8868香气分析纯正度5545浓度7766质量14121212口感分析纯正度5545浓度7677持久性6677质量19161619平衡/整体评价9991010葡萄酒样品10外观分析澄清度3443色调6864香气分析纯正度6455浓度8778质量14121216口感分析纯正度5455浓度8778持久性7665质量19161619平衡/整体评价109992葡萄酒样品2外观分析澄清度3444色调8888香气分析纯正度5446浓度7777质量14121214口感分析纯正度5455浓度6666持久性6666质量16161619平衡/整体评价9991014葡萄酒样品14外观分析澄清度4444色调8868香气分析纯正度4454浓度6766质量12121212口感分析纯正度4554浓度6676持久性6667质量16161616平衡/整体评价99996葡萄酒样品6外观分析澄清度4334色调8846香气分析纯正度5454浓度7774质量14121212口感分析纯正度5444浓度7676持久性7675质量16161616平衡/整体评价1099827葡萄酒样品27外观分析澄清度3444色调8888香气分析纯正度4455浓度6787质量12121412口感分析纯正度4554浓度4677持久性6777质量16161616平衡/整体评价91010918葡萄酒样品18外观分析澄清度4444色调8866香气分析纯正度4445浓度7777质量12141214口感分析纯正度4555浓度6686持久性5686质量16191916平衡/整体评价91091015葡萄酒样品15外观分析澄清度2344色调8868香气分析纯正度6465浓度7787质量14121614口感分析纯正度4555浓度7676持久性6776质量19161916平衡/整体评价1091091葡萄酒样品1外观分析澄清度4444色调8866香气分析纯正度5554浓度6776质量14121214口感分析纯正度5554浓度6676持久性7676质量19161916平衡/整体评价10910913葡萄酒样品13外观分析澄清度4444色调6866香气分析纯正度4455浓度6767质量12121214口感分析纯正度3554浓度4667持久性5776质量16161919平衡/整体评价899917葡萄酒样品17外观分析澄清度4444色调8866香气分析纯正度5455浓度6477质量12121414口感分析纯正度5445浓度6677持久性6576质量16131619平衡/整体评价9991028葡萄酒样品28外观分析澄清度4444色调8888香气分析纯正度4445浓度6777质量12121214口感分析纯正度4545浓度6776持久性6676质量16191916平衡/整体评价91091022葡萄酒样品22外观分析澄清度4444色调8868香气分析纯正度5556浓度7778质量14121414口感分析纯正度5545浓度6477持久性6677质量16161919平衡/整体评价9991024葡萄酒样品24外观分析澄清度3434色调6888香气分析纯正度4445浓度4777质量10121212口感分析纯正度4445浓度6776持久性5676质量16191616平衡/整体评价99988葡萄酒样品8外观分析澄清度4434色调6866香气分析纯正度4554浓度6664质量12121212口感分析纯正度5554浓度6664持久性6665质量16161616平衡/整体评价9109819葡萄酒样品19外观分析澄清度3443色调6866香气分析纯正度5554浓度7466质量14121412口感分析纯正度4544浓度6677持久性6677质量16161613平衡/整体评价99985葡萄酒样品5外观分析澄清度3434色调6868香气分析纯正度5555浓度7777质量14121414口感分析纯正度5444浓度7777持久性7776质量19161616平衡/整体评价1091097葡萄酒样品7外观分析澄清度3433色调8866香气分析纯正度5545浓度7766质量14121212口感分析纯正度4554浓度6766持久性6677质量16161613平衡/整体评价999723葡萄酒样品23外观分析澄清度4434色调6888香气分析纯正度5555浓度6777质量12121412口感分析纯正度4545浓度6777持久性6666质量16161616平衡/整体评价910101074808080附件2。

酿酒葡萄的分级标准含糖量与葡萄酒质量的关系最为密切 是控制葡萄果实成熟度的主要指标之一 同时 糖酸比也是判断酿酒葡萄果实成熟度的一个重要指标(李记明和李华1994)。

在浆果成熟过程中 由于叶片及果实本身的光合作用、呼吸作用、有机酸代谢及其他一系列生理反应使得葡萄浆果中含糖量不断增加 含酸量不断降低。

成熟期的昼夜温差、光照、降雨量及灌溉等因素是影响葡萄果实成熟度差异的主要因素。

BryanGCoombeetal(1980)的研究表明 只有适当的糖酸平衡的葡萄原料刁’能酿造出优质的葡萄酒 即最好的酿酒品种 加上最佳的成熟度 刁‘能酿出高质量的葡萄酒:葡萄原料过熟 所酿的葡萄酒酸低 pH值高 葡萄酒质量差;葡萄原料次等成熟 所酿的葡萄酒瘦弱而寡淡。

含糖量的高低是判断葡萄果实成熟与否的重要指标 既决定了所酿葡萄酒的潜在酒度 又在很大程度上决定了葡萄酒的风味。

在一定范围内 原料的含糖量越高 所酿葡萄酒的质量越好。

因此 并非原料的含糖量最高所酿葡萄酒的质量最好 高质量的葡萄酒是由含糖量较高的原料酿造的 并且要求原料中其他成分也达到一定的含量且具有较好的平衡关系。

葡萄果实中糖的含量一般为巧%一25% 果实中可溶性固形物含量与总糖含量呈正相关 且总糖占其可溶性固形物含量的60%一80% 葡萄及葡萄酒中多酚物质的含量因葡萄品种、产地、气候条件、栽培管理措施、酿造工艺等的不同而异。

即使是同一品种 不同的生态环境、气候条件和栽培管理措施也会导致其酚类物质含量差异较大 (KelleyMIHeazdinaGetal1998)。

一般而言 红葡萄品种果实中酚含量比白葡萄品种多。

葡萄的酚类物质主要存在于果皮、种子及果梗中 其中果梗和种子中酚类物质的含量分别占果穗总酚含量的20%和20%一55%(李华 2001;孙达旺1992)。

周存田等(1999)的研究进一步发现 红葡萄果实中 总酚含量在果皮、果肉、果汁和种子中的比例分别为33.3% 0.7% 3.4%和62.6%;相应在白葡萄中的比例分别为23.2% 0.9% 4.5%和71.4%。

数据说：葡萄指标数据对葡萄酒的影响一、问题设立：（改编自CUMCM 2012 A题）如我们所知，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。

以上只是我们的定性分析，严重缺少定量分析验证。

现在请你根据酿酒葡萄的各项理化指标数据和葡萄酒的指标数据进行分析，通过具体的数据建立数学模型解决下列问题：1. 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。

2. 分析酿酒葡萄与葡萄酒的理化指标之间的联系。

3．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？附件1和附件2分别给出了该年份这些葡萄酒的和酿酒葡萄的成分数据。

附件1：葡萄和葡萄酒的理化指标（含2个表格）附件2：葡萄和葡萄酒的芳香物质（含4个表格）二、问题解答数据说：葡萄指标数据对葡萄酒的影响摘要本文针对对葡萄酒的评价问题，运用了聚类分析法、偏最小二乘回归分析法等方法建立数学模型，综合分析了酿酒葡萄的理化指标、葡萄酒的理化指标与葡萄酒质量三者之间的联系。

针对问题一，对酿酒葡萄进行分级，先对不同量纲的数据进行标准化处理，运用相关性分析法分别计算两种葡萄的各种理化指标和葡萄酒质量的相关性系数，从而筛选出相关性系数较大的指标作为酿酒葡萄的分类指标；运用聚类分析法对酿酒葡萄进行聚类分析，将红葡萄和白葡萄都分成了四类，根据葡萄酒的分级标准，从而得到分级结果（见表6）。

针对问题二，分析酿酒葡萄与葡萄酒的理化指标之间的联系，先对不同量纲的数据进行标准化处理，运用相关性分析法筛选出与葡萄酒质量相关性较大的酿酒葡萄指标和葡萄酒指标。

此问题是研究两组多重相关变量间的关系问题，故运用偏最小二乘回归分析法得到酿酒葡萄与葡萄酒理化指标的回归方程式，从而分析出两者理化指标之间的联系。

针对问题三，分析酿酒葡萄与葡萄酒的理化指标对葡萄酒质量的影响，建立了葡萄酒质量的评价模型：分别对酿酒葡萄理化指标、葡萄酒指标与葡萄酒质量运用偏最小二乘回归分析法，分别得到相应回归方程式；从而得出结论。

葡萄酒问题目录深度分析葡萄酒酿造处理方法教你如何分级葡萄如何找两组变量之间的关系分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响Ninety-five enterohemorrhagic Escherichia coli serovar O157 strains, including 30 strains isolated from 13 intrafamily outbreaks and 14 strains isolated from 3 mass outbreaks, were studied by pulsed-field gel electrophoresis (PFGE) and variable number of tandem repeats (VNTR) typing, and the resulting data were subjected to cluster analysis. Cluster analysis of the VNTR typing data revealed that 57 (60.0%) of 95 strains, including all epidemiologically linked strains, formed clusters with at least 95% similarity. Cluster analysis of the PFGE patterns revealed that 67 (70.5%) of 95 strains, including all but 1 of the epidemiologicallylinked strains, formed clusters with 90% similarity. The number of epidemiologically unlinked strains forming clusters was significantly less by VNTR cluster analysis than by PFGE cluster analysis. The congruence value between PFGE and VNTR cluster analysis was low and did not show an obvious correlation. With two-step cluster analysis, the number of clustered epidemiologically unlinked strains by PFGE cluster analysis that were divided by subsequent VNTR cluster analysis was significantly higher than the number by VNTR cluster analysis that weredivided by subsequent PFGE cluster analysis. These results indicate that VNTR cluster analysis is more efficient than PFGE cluster analysis as an epidemiological too] to trace the transmission of enterohemorrhagic E. coli O157.源代码：% 1 ºìx=[60 78 81 62 70 67 64 62 81 67 ...70 77 63 64 80 76 73 67 85 75 ...63 70 76 64 59 84 72 59 84 84 ...67 82 83 68 75 73 75 68 76 75 ...73 60 72 63 63 71 70 66 90 73 ...78 84 76 68 82 79 76 76 86 81 ...72 80 80 71 69 71 80 74 78 74 ...70 85 90 68 90 84 70 75 78 70 ...76 84 84 66 68 87 80 78 82 81 ...63 65 49 55 52 57 62 58 70 68 ...72 69 71 61 82 69 69 64 81 84 ...52 64 65 66 58 82 76 63 83 77 ...69 84 79 59 73 77 77 76 75 77 ...73 83 72 68 93 72 75 77 79 80 ...70 79 91 68 97 82 69 80 81 76 ...51 66 49 54 77 61 72 61 74 62 ...71 81 86 74 91 80 83 79 85 73 ...80 85 89 76 69 89 73 83 84 76 ...64 76 65 65 76 72 69 85 75 76 ...54 42 40 55 53 60 47 61 58 69 ...74 74 72 62 84 63 68 84 81 71 ...83 85 86 80 95 93 81 91 84 78 ...69 50 50 58 51 50 56 60 67 76 ...73 80 71 61 78 71 72 76 79 77 ...77 78 76 82 85 90 76 92 80 79 ...73 90 96 71 69 60 79 73 86 74 ...入藏号: WOS:000250744100018文献类型: Article语种: EnglishKeyWordsPlus: MYCOBACTERIUM-TUBERCULOSIS; CAPILLARY-ELECTROPHORESIS; LOCI通讯作者地址: Yokoyama, E (通讯作者),Chiba Prefectural InstPublHlth, DivBacteriol, 666-2 Chuo, Chiba 2608715, Japan.地址:1. Chiba Prefectural InstPublHlth, DivBacteriol, Chiba 2608715, Japan 电子邮件地址: e.ykym@ma.pref.chiba.lg.jp出版商: INT ASSOC FOOD PROTECTION, 6200 AURORA AVE SUITE 200W, DES MOINES, IA 50322-2863 USAWeb of Science 类别: Biotechnology & Applied Microbiology; Food Science & Technology研究方向: Biotechnology & Applied Microbiology; Food Science & Technology IDS 号: 228QHISSN: 0362-028X。

葡萄品质评价标准葡萄品质评价标准在对葡萄品质的具体评价中, 上述指标虽均有不同程度的涉及, 但主要还是集中于记载项目所要求的糖、酸、PH 值等项目上。

如果仅仅利用这几个少数项目, 往往难以真正区分出两个品种品质的优劣。

如两个糖、酸相同的品种, 其品质和加工品的质量常有比较大的差异; 另外, 这些标准的确定和量化主要依据是栽培品种, 在资源评价中所遇到的大量野生葡萄,明显地显示其不足。

葛玉香等对183 份山葡萄种质资源果实中主要成分测后认为: 在不打破IBPGR 分级标准的基础上, 对糖、酸分别在最低以下, 最高级以上设立五级, 并提出单宁的分级标准。

即, 含糖(% ) : 极低(≤10) - 1 级: 111 (≤710)、113( 710～719)、115 ( 810～819)、117 ( 910～1010) ; 含酸量(% ) : 极高(≥115) - 9 级: 911(1151～2100)、913 (2101～2150)、915 (2151～3100)、917 (3101～3150)、919 (≥3151)。

单宁(% ) 5 级: 1 (极低) (≤01020 )、2 (低)(01021～01050)、3 (中) (01051～01080)、4(高) (01081～01110)、5 (极高) (≥01111)。

前苏联曾用糖×PH2来评价酿酒葡萄品质, 指出在克里米亚地区酿造各类葡萄酒的葡萄品质指标的最佳值(表2) , 这是目前见到的唯一的比较全面的地区性酿酒葡萄评价标准。

张大鹏曾用果汁糖浓度×果皮花色苷浓度来评价有色鲜食品种品质。

总之, 无论是现有的标准, 还是在实际应用中,有关品种的加工特性, 如抗氧化性能、酚类浸渍程度、酚类构成、花色素苷浓度、香味类型、适宜酿酒类型等等, 是在品质的评价中必须予以考虑的。

因此, 建立一套客观的行之有效的系统化的品质评价标准, 是品种及种质资源研究中的当务之急。

数学实验计算机科学与技术成员：xxx学号：xxxxxxxxxx葡萄酒的评价摘要本文主要研究的是如何对葡萄酒进行评价的问题。

通过对评酒员的评分与酿酒葡萄的理化指标和葡萄酒的理化指标等原始数据进行统计、分析和处理，我们得出了一个较为合理地评价葡萄酒质量优劣的模型。

在问题一中，我们采用T检验法，首先进行正态分布拟合检验，判断出它们服从正态分布。

之后，我们通过T检验法判断出了两组评酒员的评价结果具有显著性差异。

而对于如何判断哪一组评酒员的评价结果更可信，由于评酒员评分的客观性，我们通过计算评酒员评分均值的置信区间，利用置信区间的长短来判断评分的可信程度。

置信区间越窄，说明其越可信。

利用Matlab软件求出了第二组评酒员的评分均值的置信区间更窄，所以第二组评酒员的评价结果更可信。

在问题二中，我们采用主成分分析法，把给定的一组相关变量通过线性变换转成另一组不相关的变量，这些新的变量再按照方差依次递减的顺序排列。

在数学变换中保持变量的总方差不变，使第一变量具有最大的方差。

第二变量的方差次大，并且和第一变量不相关。

由于变量较多，虽然每个变量都提供了一定的信息，但其重要性有所不同。

依次类推，最后我们将酿酒葡萄分为了四个等级:优质、次优、中等、下等。

在问题三中，我们通过多项式曲线拟合的方法，构造一个以葡萄酒的理化指标为自变量，酿酒葡萄的理化指标为因变量的函数，并利用Matlab软件进行曲线拟合，最后得出酿酒葡萄与葡萄酒的理化指标之间的关系为呈线性正相关。

在问题四中，我们用无交互作用的双因素试验的方差分析方法，通过对观测、比较、分析实验数据的结果,鉴别出了两个因素在水平发生变化时对实验结果产生显著性影响的大小程度。

最后，我们认为能用酿酒葡萄和葡萄酒的理化指标来评价葡萄酒的质量，且酿酒葡萄的理化指标对葡萄酒质量影响相对葡萄酒的理化指标更显著。

关键词：T检验法，Matlab，正态分布，主成分分析法，多项式曲线拟合，方差分析一．问题的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。

聚类分析例题聚类分析例题5.2酿酒葡萄的等级划分5.2.1葡萄酒的质量分类由问题1中我们得知，第二组评酒员的的评价结果更为可信，所以我们通过第二组评酒员对于酒的评分做出处理。

我们通过excel计算出每位评酒员对每支酒的总分，然后计算出每支酒的10个分数的平均值，作为总的对于这支酒的等级评价。

通过国际酿酒工会对于葡萄酒的分级，以百分制标准评级，总共评出了六个级别（见表5）。

等级特优优优良良及格不及格分数95-100 90-94 80-89 70-79 60-69 0-59在问题2的计算中，我们求出了各支酒的分数，考虑到所有分数在区间[61.6，81.5]波动，以原等级表分级，结果将会很模糊，不能分得比较清晰。

为此我们需要进一步细化等级。

为此我们重新细化出5个等级，为了方便计算，我们还对等级进行降序数字等级（见表6）。

等级偏优偏优良良中及格分数80-84 75-79 70-74 65-69 60-64数字等级 5 4 3 2 1通过对数据的预处理，我们得到了一个新的关于葡萄酒的分级表格（见表7）：编号红酒原等级细化等级白酒原等级细化等级1号68.1 2 2 77.9 3 4 2号74 3 3 75.8 3 4 3号74.6 3 4 75.6 3 4 4号71.2 3 3 76.9 3 4 5号72.1 3 3 81.5 4 5 6号66.3 2 2 75.5 3 4 7号65.3 2 2 74.2 3 3 8号66 2 2 72.3 3 3 9号78.2 3 4 80.4 4 510号68.8 2 2 79.8 3 411号61.6 2 1 71.4 3 312号68.3 2 2 72.4 3 313号68.8 2 2 73.9 3 314号72.6 3 3 77.1 3 415号65.7 2 2 78.4 3 416号69.9 2 3 67.3 2 217号74.5 3 3 80.3 4 518号65.4 2 2 76.7 3 419号 72.6 3 3 76.4 3 4 20号 75.8 3 4 76.6 3 4 21号 72.2 3 2 79.2 3 4 22号 71.6 3 3 79.4 3 4 23号 77.1 3 4 77.4 3 4 24号 71.5 3 3 76.1 3 4 25号 68.2 2 2 79.5 3 4 26号 72 3 3 74.3 3 3 27号 71.5 3 3 77 3 4 28号 79.6 3 4 考虑到葡萄酒的质量与酿酒葡萄间有比较之间的关系，我们将保留葡萄酒质量对于酿酒葡萄的影响，先单纯从酿酒葡萄的理化指标对酿酒葡萄进行分类，然后在通过葡萄酒质量对酿酒葡萄质量的优劣进一步进行划分。

葡萄酒的评价模型摘要本文主要解决葡萄酒的评价问题，运用多种数理统计方法通过MATLAB和SPSS软件对可能影响葡萄酒质量的因素进行统计分析，初步得出对葡萄酒的理化指标评价和主观评价具有差异性。

对于问题一中的显着性差异分析，针对两组评酒员对于每一种酒的评分，本文用α=），结果显示两组评酒员对红葡萄酒和白葡萄酒的评分MATLAB进行t检验（0.05都具有显着性差异。

对于可信度的问题，我们用EXCEL进行方差与置信区间的综合分析，得出对红、白葡萄酒的评价结果第二组可信度均较高。

问题二，首先用相关性分析计算出各个理化指标之间以及各理化指标与葡萄酒质量间的Pearson相关系数r，然后选取和葡萄酒质量相关程度较大（0.2r>）的理化指标进行聚类分析，依照指标的不同情况可将其分别分为3、4、5类，得出在每种分类情况下的分类方案。

最后，我们计算每种分类方案下各类酿酒葡萄质量得分的平均值，分值越高则级别越高，确定了最终的分级方案。

问题三，我们先对酿酒葡萄的理化指标进行主成分分析，利用降维技术找出能代表酿酒葡萄的主要理化指标，然后再将得出的主要理化指标与葡萄酒的理化指标进行相关性分析，根据相关系数确定二者理化指标间的关系。

结果表明，葡萄酒的理化指标除了由相对应的酿酒葡萄的理化指标决定外，还可由其它相关性大的理化指标决定。

最后，对问题四建立多元线性回归分析模型，对第一问中计算出了红、白葡萄酒和葡萄的样本相关系数进行比较，发现用葡萄的理化指标衡量葡萄酒的质量是不全面的，芳香物质可能会影响酒的香气从而影响酒的整体质量。

因此在第二小问中，先根据葡萄酒中芳香物质的化学成分将其分类（醛、烃、醇、酯、酸、酮以及其他含氧有机物），再利用多元线性回归模型计算出其样本相关系数，说明芳香物质通过酒的香气来影响酒的品质，从而说明了理化指标分析和主观评分在葡萄酒质量分析中的差异性。

关键词：t检验相关性分析聚类分析主成分分析多元线性回归问题重述葡萄酒是世界公认的对人体有益的健康酒精饮品，其生产方式方便,经济,且风味极佳.因而越来越受到广大市民的青睐，同时葡萄酒的质量以及等级划分也越来越受到人们的关注。

葡萄酒新国标理化指标要求（GB15037-2006）酒精度（20℃），%（vol）干葡萄酒
半干葡萄酒
半甜葡萄酒
甜葡萄酒
天然型高泡葡萄酒
绝干型高泡葡萄酒
干型高泡葡萄酒
半干型高泡葡萄酒
甜型高泡葡萄酒
<250ml/L瓶≥250ml/瓶<250ml/L瓶≥250ml/瓶红葡萄酒
铅（Pb），mg/L 苯甲酸或苯甲酸钠（以苯甲酸计），mg/L
山梨酸或山梨酸钾（以山梨酸计），mg/L
总二氧化碳，ml/L
干葡萄酒
其他类型葡萄酒铁，mg/L
铜，mg/L
甲醇，mg/L
白、桃红葡萄酒桃红葡萄酒
红葡萄酒
挥发酸（以乙酸计），g/L
总酸（以酒石酸计），g/L
柠檬酸，g/L 干、半干、半甜葡萄酒
甜葡萄酒
二氧化碳（20℃），MPa
低泡葡萄酒
高泡葡萄酒
项目
葡萄糖
总糖（以葡萄糖计）平静葡萄酒高泡葡萄酒干浸出物，g/L 白葡萄酒。

酿酒葡萄与葡萄酒理化指标及其质量的分析与评估摘要本文通过运用SPSS首先对两组品酒员对葡萄酒的评价进行了差异显著性分析以及评Cronbach α系数分析对品酒员评价的可信度进行了分析，得到了两组品酒员评价之间存在显著性差异，并且第一组品酒员的评价结果更为可信。

接下来我们取第一组评酒员给每个样品酒所给出的总分的平均分表示该样品葡萄酒质量的量化指标进行相关讨论我们通过对葡萄及葡萄酒的理化指标归一化处理，将它们之间的联系现实的更为明显，紧接着我们利用因子分析、主成分分析将决定葡萄酒质量的因素维度较低，从而达到简化模型的目的，并通过分析将各成分因子重新命名，再将命名后的主成分和评论员对葡萄酒的评价作为依据对酿酒葡萄等级评定，并引入层次分析法对评定体系进行改进构想。

最后利用MATLAB求解主成分因子与葡萄酒质量之间的函数关系，并用BP人工神经网络进行验证及讨论。

最后我们在每一个问题后面进行了深入的反思与总结，得出了一些具体的改进思路及方法，并得出在原有问题上的修正。

关键字SPSS MATLAB Cronbach α系数分析主成分分析层次分析法BP人工神经网络模型的改进与修正1.问题重述随着经济的日益发展，人们生活水平的不断提高，葡萄酒的受众随之增加，品酒行业逐渐专业化。

品质是现代葡萄酒生产追求的目标之一，针对酒类的质量检测也成为食品行业工作的重中之重。

根据已有数据，运用数学建模的方法，对葡萄酒进行评价是一个重要问题。

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。

从上述相关关系出发，参考相关数据，针对酿酒葡萄与葡萄酒的理化指标和葡萄酒的质量这几个变量，进行分析并建立数学模型，讨论关于葡萄酒的评价问题：特别注意指出模型中的优点和不足之处，并做出改进方向。

基于理化指标分析的葡萄与葡萄酒的评价摘要针对酿酒葡萄与葡萄酒理化指标的统计，通过聚类法，典型相关分析及逐步回归分析法等，建立数据统计模型：对于问题一，首先对两组数据进行整理分析，然后利用spss软件进行配对数据t-检验（详见第三页表二），从而判断出两组评酒员的评价结果具有显著性差异。

而后利用excel进行方差分析-无重复双因子分析得出二组结果更为可信。

详细见第 3 页。

对于问题二，使用matlab软件对原始变量进行主成分分析得出中和变量,然后使用spss软件应用离差平方和法对中和变量进行聚类分析，从而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，为了检验欧式测距是否可以正确区分出葡萄的等级，所以对主成份分析后的理化指标求均值，经过验证，均值相差大，足以区分葡萄等级，最终将红葡萄分为3级，白葡萄分为4级。

详细见第 5 页。

对于问题三，首先通过matlab软件对葡萄酒的理化指标进行主成分分析，得出中和指标。

然后使用spss软件进行典型相关分析，得到葡萄酒的理化指标与酿酒葡萄的理化指标的关联度。

再通过对关系度表格的分析，得到酿酒葡萄与葡萄酒的理化指标之间的联系。

详细见第 14 页。

对于问题四，考虑到葡萄酒质量与酿酒葡萄和葡萄酒理化指标可能成线性关系，故应用逐步回归分析，将葡萄酒质量设为因变量，酿酒葡萄和葡萄酒理化指标设为自变量，列出线性回归方程，通过spss软件进行数据拟合和显著性分析，排除影响不显著的变量，将因变量与评酒员打分结果对比，得出拟合结果基本符合。

再通过分析得到分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响。

最后根据F检验判断所得数据的正确性。

由于葡萄酒可能会收到年份和贮藏环境等其他因素的影响，因此不能单纯地通过葡萄和葡萄酒的理化指标来评价葡萄酒的质量。

详细见第 16 页。

关键字：典型相关分析 t检验主成分分析一、问题重述葡萄酒是一种成分复杂的酒精饮料，不同产地、年份和品种的葡萄酒成分不同。

葡萄酒的主要质量指标根据我国最新的国家标准，葡萄酒是以新鲜葡萄或葡萄汁为原料，经酵母发酵酿制而成的、酒精度不低于７％（v/v）的各类葡萄酒。

葡萄酒按酒的色泽分为红葡萄酒、白葡萄酒、桃红葡萄酒三大类。

根据葡萄酒的含糖量，又可分为干红葡萄酒、半干红葡萄酒、半甜红葡萄酒和甜红葡萄酒。

白葡萄酒也可按同样的方法细分为干白葡萄酒、半干白葡萄酒、半甜白葡萄酒和甜白葡萄酒。

按照国家标准，各种葡萄酒的含糖量如下所述： 干葡萄酒，含糖（以葡萄糖计）小于或等于4.0 g/L; 半干葡萄酒，含糖在4.1~12.0 g/L; 半甜葡萄酒，含糖在12.1~50.1 g/L; 甜葡萄酒，含糖等于或大于50.1 g/L。

按酒中二氧化碳的压力分为三类： 无气葡萄酒（still wine)（包括加香葡萄酒），这种葡萄酒不含有自身发酵产生的二氧化碳或人工添加的二氧化碳。

起泡葡萄酒（sparkling wine），这种葡萄酒中所含的二氧化碳是以葡萄酒加糖再发酵而产生的或用人工方法压入的，其酒中的二氧化碳含量在２０℃时保持压力0.35 MPa(3.5 bar)以上，酒精度不低于8%(v/v)。

葡萄酒的主要质量指标大体可分为感官指标和理化指标两大类。

感官指标主要指色泽、香气、滋味和风格方面等，理化指标主要指酒精含量（酒精度）、酸度和糖分、回发酸、二氧化硫等指标。

从感官指标来看，首先要求葡萄酒应具有天然的色泽，即原料葡萄的色泽，如红葡萄酒是宝石红，白葡萄酒是浅禾秆黄色。

葡萄酒本身应清亮透明无浑浊。

葡萄酒除应有葡萄的天然果香外还应有浓厚的酯香，不应有外来的气味，更不能有异味。

滋味与香气密切相关，香气优良的葡萄酒其滋味醇厚柔润。

葡萄酒的滋味主要有酸、甜、涩、浓淡、余味等。

各种葡萄酒有各自不同的风格。

同时因各地区、各厂家的葡萄栽培和酿造工艺的不同，同一品种的酒，其风格特点也可能各不相同。

每种葡萄酒均应有自己的风格。

我国葡萄酒国家标准对感官指标有明确的规定。