葡萄酒质量评价模型的探究.docx

1、_ 1 葡萄酒质量评价模型的探究 赵田阳 (安徽师范大学数学计算机科学学院，安徽省芜湖市， 241003) 关键词 ： 单因素方差分析； F检验；多元回归分析法；典型相关性分析；灰色相关度分析 摘 要： 葡萄酒的质量一般通过评酒员品尝后对其分类指标打分求得，不同组评酒员评价结果有所区别。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也会在一定程度上反映葡萄酒和葡萄的质量。本文首先采用单因素方差分析法进行显著性差异检验和 F 检验，分析多组评价结果的可信度，获取最佳可信度的数据，在此基础上通过建立多元回归分析模型，对酿酒葡萄的等级进行划分；然后采用典型相关分析方法建

2、立酿酒葡萄和葡萄酒理化指标间的数学模型，并分析二者间的联系；最后通过灰色系统关系分析法，分析酿酒葡萄及葡萄酒的理化指标对 葡萄酒质量的影响。 中图分类号： O29 文献标识码： A 文章编号： 1001-2435 (2007) xx-xxxx-xx The Exploration of Wine Quality Evaluation Model ZHAO Tian-yang(School of Mathematics and Computer Science Anhui Normal University , Wuhu Anhui, 241003, China) Key words: One-

3、way ANOVA, F Test, multiple regression analysis, canonical correlation analysis, grey related degree analysis Abstract： Wine quality is generally measured by the scores of classifying index after judges tasted the wine. Different judges have different evaluation results. Wine quality has a direct re

4、lation with the wine grapes. Physical-chemical indexes of the wine and the wine grapes can reflect their quality to some extends. The paper firstly uses one-way ANOVA to detect its significant difference and analyze the reliability of different groups to obtain a group of data that is more reliable.

5、 On these basis, establishing the multiple regression analysis model to divide the wine grapes into different level. Then, using canonical correlation analysis to build a mathematical model that indicates the relation between wine grapes and wine. Finally, studying the affection of the physical-chem

6、ical indexes to the wine quality by grey related degree analysis. 1 引言 1 1.1 问题背景 近年来，葡萄酒逐渐为广大老百姓所喜爱，喝葡萄酒、品葡萄酒也渐渐被认为是有品位的、高雅的象征。然而，真正懂得辨别葡萄酒的质量却不是件容易的事。一般来说，鉴定葡萄酒的质量是通过聘请一批资深的评酒员进行品评，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。另外，葡1收稿日期： 基金项目：项目（编号） 作者简介 : 赵田阳（ 1993 年生），女，计算机科学与技术 萄酒的质量与原料即酿酒葡萄有直接的

7、关系。再者，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。 本文 数据来源 于 2012 年全国大学生数学建模竞赛 A 题。 1.2 现有研究现状及本文贡献 2006 年的修订版葡萄酒国家标准中，主要提及了葡萄酒的分类方法以及检测标准，对于葡萄酒的品级也做了大致区分，但从实际的执行效果来看依然存在较多问题，对于葡萄酒级别的划分也偏主观，难以形成有效的实际指导作用。 _ 2 国外对葡萄酒质量评价的研究成果比较丰富，其中 Cortez 用支持向量机制建立了葡萄酒质量分类模型，分级效果较好；Moreno 基于红酒的矿物质元素含量，用概率神经网络成功将 54 个样本分为两类 1。

8、国内对葡萄酒质量评价的研究多集中在统计学方法分析和专家的感官评价，文献 5采用 SPSS分析软件对 40个样本进行了聚类分析，文献 4采用置信区间法分析酒样间的客观差异。本文运用了单因素方差分析和 F检验分析了评酒员评价结果的可信程度，运用多元回归分析建立了葡萄酒质量评价模型，划分葡萄酒的分类等级，最后还运用典型相关分析和灰色系统关系分析法，研究酿酒葡萄和葡萄酒理化指标间的联系，验证了葡萄酒评价模型的合理性，能够起到好的分类效果。 1.3 符号说明 表 1 符号说明表 Table1 Symbol Explanations 符号 解释 符号 解释 H0 原假设 VB H1 备择假设 2Bs 组间

9、均方差 2 总体方差 VW 组内方差 均值 aij 因子载荷 S2 样本方差 Fj X的公因子 F 检验统计量 h2 Xi的 共同度 显著性水平 )1(1)(1Xai 典型相关系数 F(m,n) F分布 矩阵特征根 权重系数 2 评价结果差异性及可行性分析 2.1 问题分析 采用单因素方差分析法，对两组评酒员的评价结果进行显著性差异分析。利用 F 检验法 求出第一、二小组对红、白葡萄酒评价结果的拒绝域和接受域，根据接受域的长度确定可信度较大的小组。 2.2 模型建立及求解结果 2.2.1 显著性检验 （ 1）单因素方差分析的模型 首先在单因素试验结果的基础上，求出总方差 V、组内方差 vw 、

10、组间方差 vB 。 V= 2ij -xx 2w ij iV-xx 2B iV b - xx 其中， 总方差衡量的是所有观测值 xij对总均值 x 的偏离程度，反映了抽样随机误差的大小， 组内方差衡量的是所有观测值 xij对组均值 x 的偏离程度，而组间方差则衡量的是组均值 xi 对总均值 x 的偏离程度，反映系统的误差。 在此基础上，还可以得到组间均方差2Bs和组内均方差 2ws： 2 BB a - 1vs 2 ww ab avs 在方差相等的假定下，要检验 n 个总体的均值是否相等，须首先给定原假设 H0 和备择假设 H1 。 H0 ： 1 =2 = =n H1 ：均值不完全不相等 则可以应

11、用 F 统计量进行方差检验： _ 3 F= =2B B2wWa - 1ab - b v svs该统计量服从分子自由度 a-1，分母自由度为 ab-a 的 F 分布。给定显著性水平 a，如果根据样本计算出的 F 统计量的值小于等于临界值 a a - 1， ab - aF，则说明原假设H0 不成立，总体均值不完全相等，差异并非仅由随机因素引起 3。对单因素方差分析的显著性检验可以通过分析 Prob值 (即 P值 )来判断。 通过 MATLAB 方差分析函数 分析数据 得出两小组对 27 种红葡萄酒和白葡萄酒的 方差分析表 （如表 2、表 3 所示）及箱型图（如图 1、图 2 所示）。 表 2 第一

12、组评酒员对红葡萄酒的评价结果方差分析表 Table2 The Anova Table of Red Wine Evaluation Result of the First Team 差异来源 SS df MS F ProbF3 组间： 87.15 1 87.1474 2.5 0.12 误差： 1813.2 52 34.8692 总和： 1900.35 53 图 1 第一组分析结果箱形图 Fig1 Box-plot of the First Group 表 3 第二组评酒员对白葡萄酒的评价结果方差分析表 Table3 The Anova Table of Red Wine Evaluation

13、Result of the Second Team 差异来源 SS df MS F ProbF3 组间： 80.42 1 80.4224 4.49 0.039 误差： 932.35 52 17.9298 总和： 17.9298 图 2 第二组分析结果箱形图 Fig2 Box-plot of the Second Group 其中表 5.3 的 P 值为 P（ 1） = 0.12，表5.3 的 P 值为 P（ 2） = 0.039， 因为 P(1)0.05,所以两小组评酒员对红葡萄酒的评价结果没有显著性差异； P(2) 22。构造检验统计量 F = 1222。 其中 12， 22分别 为第一组

14、和第二组 评酒员对红葡萄酒评价结果的样本方差，。则 FF(26， 26) 取 = 0.05 由附录 1 所示表格得出： 12 = 53.9141 ， 22 = 15.8244 F = 3.0470 而 F0.05(26,26) = 1.94 ，则所得的拒绝域 FF0.05(26,26) 即 F 1.94 , 故 F 在拒绝域中，拒绝 HO。 即得出结论 1：第一组评和第二组评酒师对红葡萄酒的评价结果中第二组的结果可信度较高。 同理对第 二小组评酒员对红葡萄酒的评价结果进行 F 检验，得出 结论 2：第一组评和第二组评酒师对白葡萄酒的评价结果中第二组的结果可信度较高。 综上所述 ： 两组评酒师对

15、葡萄酒的评价结果中第二组的结果可信度较高。 _ 4 3 酿酒葡萄分级研究 3.1 问题分析 研究第二小组评酒师的评分， 采用因子分析法将酿酒葡萄的理化指标归为较少类 ，并以此作为自变量，酿酒葡萄的综合评价为因变量，建立多元线性回归模型，借助Matlab 软件求得多元回归方程，从而计算出评酒师对 27种酿酒葡萄的综合评分 ，最后，设计分段标准来进行酿酒葡萄的最终等级划分。 3.2 模型建立及求解结果 3.2.1 因子分析法的基本原理 采用因子分析法 从研究变量内部相关的依赖关系出发 ， 将 酿酒葡萄所有的理化指标 进行分类，将相关性较高 归 在同一类 ，进而将众多的理化指标归为少数的几类。 1.

16、模型原理 (1)对变量作因子分析 X1= 11212111 kk FaFaFa X2= 22222121 kk FaFaFa Xn= nknknn FaFaFa 2211 其矩阵表示为： (12)=(11aka11na nna )(12)+(12) 即： X =AF+ 其中 X= TnXXX ),( 21 12( , , , )Tn A =( ija ) F = TnFFF ),( 21 F 称为 X 的公共因子或潜因子，矩阵 A称为因子载荷矩阵， 称为 X 的特殊因子。A =( ija ), ija 为因子载荷。数学上可以证明，因子载荷 ija 就是第 i变量与第 j因子的相关系数，反映了第

17、 i 变量在第 j 因子上的重要性 3。 2.相关概念解释 （ 1）因子 载荷 ija 称为因子载荷（实际上是权数）。 因子载荷的统计意义：就是第 i 个变量与第j 个公共因子的相关系数，即变量 Xi依赖于Fj的份量（比重）。 （ 2）变量共同度 变量 Xi的共同度 因子载荷阵 A中第 i行元素的平方和，即： h2= ija2kj=1 , ),2,1( ni 为了说明它的统计学意义，对下式两边同时求方差，即 iikii aFaFa 2211 ),2,1( ni Xi = 1ia2F1 + + ika2Fk + = 1ia22ia2+ ika2+ i2 =hi2+ i2 由于 Xi 已经标准化了

18、，所以有： hi2+ i2=1 3.因子旋转 建立因子 分析模型的目的不仅是找出主因子，更重要的是知道每个主因子的意义 。求出主因子解后， 如果 各个主因子的典型代表变量不很突出，还需要进行因子旋转，通过适当的旋转得到比较满意的主因子。 4.因子得分 因子得分简单地说就是 应用因子分析模型去评价每个样品在整个模型中的地位，即进行综合评价。这时需要将公共因子用变_ 5 量的线性组合来表示，也即由 酿酒葡萄 的 各项理化 指标值来估计它的因子得分。 5.求解过程 根据上述原理和 SPSS 软件中的因子分析法得出理化指标旋转成分矩阵及 红葡萄酒因子碎石图（如图 3 所示）分析，重新归类的结果如表 4

19、 所示。 图 3 红葡萄因子碎石图 Fig3 Factor Analysis Image of Red Grapes 表 4 酿酒红葡萄的理化指标归类 Table4 The Classification of the Red Grapes Physical-chemical Indexes 种类 理化指标 第 1 类 葡萄总黄酮、总酚、 DPPH 自由基、单宁、花色苷、出汁率、蛋白质 第 2 类 总糖、干物质含量、可溶性固形物、还原糖 第 3 类 苹果酸、多酚氧化酶活力、褐变度 第 4 类 果皮颜色 a*、果皮颜色 b*、白藜芦醇 第 5 类 果皮质量、果穗质量、百粒质量 第 6 类 可滴定酸

20、、固酸比、 PH值 第 7 类 酒石酸、柠檬酸 第 8 类 VC含量、黄酮醇 5.2.2 多元线性回归分析 以因子分析得到的 8 类理化指标 为自变量第二组评酒师对 27 种葡萄酒的评价结果 为因变量。 Yi = j8 j=1 Xij+ ,（ i 1,2,27） （ 1.1） 其中 1 ， , 8 , 为比重系数 ， 是不可测的随机误差，且假定 ），（ 20N 。根据上述 8 类 酿酒葡萄理化指标数据和 27 种葡萄酒的质量的数据 有如下方程组：278,2782,2721,2712728,282,221,21218,182,121,111xxxYxxxYxxxY（ 1.2） 其中 2721 ,

21、 相互独立且都服从),0( 2N . 式（ 1.2）又可表示成矩阵形式： XY （ 1.3） 这里， TyyyY ),( 2721 ， T),( 821 ，T),( 2721 ， ),0( 2 nn IN ， nI 为 n 阶单位矩阵 . 8,272,271,278,22,21,28,12,11,1111xxxxxxxxxX为 279阶矩阵 X 称为资料矩阵或设计矩阵，并假设它是列满秩的，即 9)( Xrank 由模型（ 1.2）以及多元正态分布的性质可知， Y 仍服从 27 维正态分布，它的期望向量为 X ，方差和协方差阵为 nI2 ，即),( 2 nn IXNY 然后再利用 MATLAB

22、软件和已知数据来进行多组试验，将 2721 , 的值尽量控制到最小，并得出相对稳定的权重系数： * = T),( 87654321 = _ 6 T)0118.0,414.0,2414.0,0172.0 ,0290.0,0068.0,0659.0,0433.0( 令 *Y Xb ，其中 TyyyY ),( 2721 ，* = T),( 87654321 ， jixX , ， （ i 1,2,27,j 1,2,8） 得到了第二组评酒员对红葡萄酒质量的总评分，即： TY)0932.62,8236.75,4107.58,3128.75，4331.72,9896.66,9774.69,4044.71,9

23、011.68,9674.68,5023.76,3281.64,6000.62,0847.68,0280.66,9105.71，6499.65,6702.57,9994.75,1415.68,0204.65,8660.69,5859.75,1086.65,1234.80,7821.74,4019.77(做如表 5 的等级划分： 表 5 红葡萄等级划分表 Table5 The Table of the Grading of Red Grapes 百分制得分 质量等级 80 以上 1 75 80 2 70-75 3 65-70 4 60-65 5 55-60 6 55 以下 7 于是对红葡萄酒而言这

24、 27 种酿酒葡萄的等级如表 6 所示。 表 6 红葡萄等级归类表 Table6 The Table of the Rank Classification of Red Grapes 等级 酿酒葡萄号 1 3 2 1、 5、 9、 17、 24、 26 3 2、 12、 23、 20 4 7、 4、 11、 13、 22、 14、 8、 19、18、 6、 21 5 27、 15、 16 6 10、 25 7 无 用同样的方法对第 二组评酒师白葡萄酒的评价结果进行 重新归类，碎石图如图 4所示。 图 4 白葡萄因子碎石图 Fig4 Factor Analysis Image of White

25、Grapes 相应的得到相对稳定的权重系数： * = T),( 10987654321 =T(0.0752,0.2181,0.2668,0.1222,1.5307,0.0467,-0.0553,-0.0027,0.4000,0.7000) 得到 第二组评酒员对红葡萄酒质量的总 评分 ： TY)8 9 0 4.162,1 0 7 6.133,1 5 7 9.125,9 4 1 1.123,7 7 0 4.149,1 2 7 8.115,0 5 4 5.98,9 5 7 5.104,5 6 6 4.126,0 5 6 8.84,4 8 4 5.100,2 1 8 4.101,5 4 3 2.79,

26、9 6 5 6.137,7 4 6 2.100,2 4 0 2.76,6 9 4 9.116,4 2 6 3.106,7 9 8 0.114,1 8 6 5.119,6 6 2 8.84,9 7 5 1.108,9 3 6 0.124,6 8 3 0.141,3 6 2 8.118,6 8 8 9.201,6 2 0 4.113,9 2 5 1.62(* 根据 *Y 的数值制定出相应的等级标准如表7 所示。 表 7 白葡萄等级划分表 Table7 The Table of the Grading of White Grapes 百分制得分 质量等级 200 以上 1 180-200 2 160

27、-180 3 140-160 4 120-140 5 0-120 6 100 以下 7 于是对红葡萄酒而言这 27 种酿酒葡萄的等级如表 8 所示。 _ 7 表 8 白葡萄等级归类表 Table8 The Table of the Rank Classification of White Grapes 等级 酿酒葡萄号 1 3 2 无 3 28 4 24、 5 5 6、 15、 20、 25、 26、 27 6 2、 4、 7、 9、 10、 11、 12、 14、17、 18、 21、 23 7 1、 8、 13、 16、 19、 4 酿酒葡萄与葡萄酒理化指标分析 4.1 问题分析 先对酿酒

28、葡萄的理化指标进行因子分析，得到精简的 8 类理化指标，将其和葡萄酒的 9 类理化指标进行 典型相关分析 ，通过 SPSS 软件得出它们的相关关系，进而可以推出酿酒葡萄和葡萄酒的理化指标之间的相关关系。 4.2 模型建立 及求解结果 4.2.1 典型相关分析的基本原理和模型 首先，我们要在这两组变量即理化指标中找出一个线性组合，使得两组的线性组合之间具有最大的相关系数。然后选取线性相关系数仅次于第一对线性相关系数且与之不相关的第二对线性组合，这样一被提取直进行下去，直到两组的变量的相关性完毕为止。所选的这些 线性组合对称为典型变量，其相关系数被称为典型相关系数（用于度量两组线性变量之间联系的强

29、度） 6。 设 ),( )1(8)1(2)1(1)1( XXXX ， ),( )2(9)2(2)2(1)2( XXXX ，分别表示题目中两组随机变量即酿酒葡萄和葡萄酒的理化指标，设有综合变量 iU 、 iV ，使得存 在线性组合： )1(8)(8)1(2)(2)1(1)(1 XaXaXaU iiii )2(8)(8)2(2)(2)2(1)(1 XbXbXbV iiii 令 )1(1)(1 XaU ii )2(1)(1 XbV ii 为确保变量的唯一性，假设 )1(1)(1 Xai ， )2(1)(1 Xbi满 足 D( )1(1)(1 Xai )=D( )2(1)(1 Xbi )=1, 在此条

30、件下若存在 )1(a ， )1(b 使得 )1(1)(1 Xai和 )2(1)(1 Xbi 的相关系数达到最大，则称)1(1)(1 Xai 、 )2(1)(1 Xbi 是 )1(X 、 )2(X 的典型相关系数。同样的方法我们可以求出第二对、第三对典型相关变量，这些典型相关变量反映了 )1(X 、 )2(X 的典型相关情况。 4.2.2 典型相关分析的求解 1.令 1)98(X 1 2 T= 1 1 2 1 8 1 1 2 2 2 8 2 T Cov( XX, )= 1188 1289 2198 2299 11 = Cov( )1(X ), 22 = Cov( )2(X ), 12 = Cov

31、( )1(X , )2(X ) = 21 2.计算两个矩阵 A 和 B 111 12 122 21A _ 8 其中 A 为 8 8 矩阵， B 为 9 9 矩阵。可以证明 )()( Bra n dAra n dr 3. 计算矩阵 A 、 B 的非零特征根2221 n ， )()2()1( , raaa 为 A 对应的 2221 , r 的特征向量，)()2()1( , rbbb 为 B 对应的 22221 , r 的特征向量。则最大特征向量特征根 21 对应的 特 征 向 量 ),( )1(8)1(2)1(1)1( aaaa ，),( )1(9)1(2)1(1)1( bbbb 即第一对典型相

32、关系数，故有： )1(8)1(8)1(2)1(2)1(1)1(11 XaXaXaU )2(8)1(8)2(2)1(2)2(1)1(11 XbXbXbV 令 )1(1)1(11 XaU )2(1)1(11 XbV i 以此类推可以得到其他对典型性相关系数。 经过以上的分析，仅对红葡萄和红葡萄酒的理化指标用 SPSS 软件中典型相关性分析的得到典型性相关方程： 1 0.4551 0.6152 0.11730.11514 1 0.0591 0.4812 0.6483 0.7874 0.1715 0.7566 1.0257 0.54588 0.0389 2 0.6131 1.5712 1.5173 0

33、.3714 0.2125 0.2896 0.5707 0.081 0.9289 其中 821 , xxx 表示酿酒葡萄的理化指标，921 , yyy 表示葡萄酒的理化指标。 经过分析和数据输入可知对白葡萄及白葡萄酒进行相似的分析后，所得结论不变。 5 理化指标对葡萄酒质量影响的分析 5.1 问题分析 采用灰色系统 关联度 分析法，以葡萄酒的质量为母序列，分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响，再以所得结果为标准，论证用葡萄和葡萄酒的理化指标来评价葡萄酒的质量的合理性。 5.2 模型建立 及求解结果 5.2.1 原理和方法 灰色关联度分析一般包括下列计算和步骤： (1) 原始数据变换；

34、 (2) 计算关联系数； (3) 求关联度； (3) 排关联序； (4) 列关联矩阵。 8 设有 m 个原始数据序列 : nmnnmmxxxxxxxxx212222111211n 为各序列数据的个数，另有母序列： 01 02 0m 计算关联系数公式： 0 min m x 0 其中 0 表示 k 时刻两比较序列的绝对差，即 0i (k)=x0 (k)xi (k) (1 im)；max 和 min 分别表示所有比较序列各个时刻绝对差中的最大值与最小值。因比较序列相交，故一般取 min 0； 为分辨系数，(0, 1)，一般情况下可取 0.10.5。 求关联度公式：不难理解，关联度与下列因素有关： 1

35、)母序列 X0 不同，则关联度不同； 2)子序列 Xi 不同，则关联度不同； r i Nk 0 1 L k i N 1 0 ( ) _ 9 3)参考点 0 (或数据变换 )不同，关联度不同； 4)数据序列长度 N 不同，关联度不同； 5)分辨系数 不同，关联度不同。 9 5.2.2 模型求解 以 27 组葡萄质量向量为母序列， 将 27组红葡萄和红 葡萄酒的理化指标以及 28 种白葡萄和白葡萄酒的理化指标数据， 通过Matlab 软件 计算 分别得到这四组数据与母序列的关联度向量，将各组所得关联度分量值按升序排列并以时间为横坐标绘制图形，通过观察曲线的同步变化程 度来衡量红葡萄与红葡萄酒、白葡

36、萄与白葡萄酒之间关联度。 比较红葡萄与红葡萄酒的理化指标关联系数图像的走势发现，二者的发展趋势大致相同，成正相关；比较白葡萄与白葡萄酒的理化指标关联系数图像的走势发现，二者相走势相反，成负相关，因此对于红葡萄而言，葡萄和酒的理化指标对酒质量的影响相同，而白葡萄与之相反。 图 5 红葡萄关联系数 Fig5 Correlative Coefficients of Red Grapes 图 6 红葡萄酒关联系数 Fig6 Correlative Coefficients of Red Wine 图 7 白葡萄关联系数 Fig7 Correlative Coefficients of White Gr

37、apes 图 8 白葡萄酒关联系数 Fig8 Correlative Coefficients of White Wine 再论证用葡萄和葡萄酒的理化指标来评价葡萄酒的质量的合理性：由上述结论知，葡萄与酒的理化指标都能够与酒的质量建立关系，红葡萄及红葡萄酒的理化指标与酒的质量成正相关；由 文献 5分析知，白葡萄及白葡萄酒的理化指标与酒的质量成负相关，因此能够用葡萄和葡萄酒的理化指标来评价葡萄酒的质量。 6 模型评价 6.1 单因素方差分析模型评价 采用单因素方差分析方法分析两组评酒员评分之间的差异，避免了只比较平均值的误区，与 Z 检验、 T 检验相比又提高了效率。这种方法适合于所有的主观评价

38、项目。然而，单因素方差分析法也存在局限性，这种局限性不是方法本身造成的，而是平均值这个概念造成的。当样本数据误差较大且数据不对称时，用平均值来衡量样本数据时不准确的，此时，可以用中位数、众数等代替。 6.2 多元回归分析模型评价 回归分析法在分析多因素模型时简单而又方便，它 能 够 解释变量之间出现多重共线性 关系，通过标准的统计方法计算出每个_ 10 因素的权重，清晰的计量各个因素之间的 相关程度与拟合程度的高低，提高预测记过的准确性。然而，对于某些不确定的问题，因子存在多样性和不可测性，无法正确衡量各因素之间是否存在线性关系，此时运用多元回归分析模拟就会带来一定的误差。 6.3 典型相关分

39、析模型评价 典型相关分析在实际中的应用很广，有助于综合地描述两组变量之间典型的相关关系 ，要求每一组数据都是连续变量并且服从正态分布，因此，对于衡量葡萄和葡萄酒理化指标之间的关系是适合的。然而，当数据多于两组时，典型相关分析便不再使用，同时，典型相关分析涉及到大量的矩阵运算，所以对于分析大型数据 间的 关系 时，可能还会设计矩阵降维， 带来 一定的不便。 6.4 灰色系统关联度 分析 模型评价 灰色 系统关联度分析时依据各因素数列曲线形状的接近程度做发展态势的区分，如果两个因素变化的态势是一致的，及同步变化程度较高，则可认为两者关联度较大；反之，两者的关联度较小。因此，灰色关联度分析对于一个系

40、统发展变化态势提供了量化的度量，非常适合动态的历程分析 9。 采用灰色关联度方法 ，并通过图像能够很清晰的表明 葡萄和葡萄酒的理化指标之间的关系， 对于模型合理性的说明也很有说服力。 7 结论 采用单因素方差分析法 与 F 检验结合，得出 置信度较高的一组评分 ； 在此基础上，采用因子分析法将葡萄酒的理化指标归为少类， 并通过建立 多元回归分析模型 求解 ，对葡萄等级进行了划分 ； 同时，还运用典型相关分析方法 分析 了 酿酒葡萄和葡萄酒理化指标间的联系； 最后， 通过灰色系统关系分析法，分析酿酒葡萄及葡萄酒的理化指标与葡萄酒质量之间的关联度， 验证了 葡萄酒质量评价模型的合理性。 参考文献：

41、 1 赵静，但琦 .数学建模与数字实验（第 3版） M.北京：高等教育出版社 .2008： 9-30， 263-281. 2 韩中庚 .数学建模方法及应用（第二版） M.北京：高等教育出版社 .2009:82-107. 3 郭明乐 .黄旭东 .概率论与数理统计 M.合肥：中国科学技术大学出版社 .2011:233-269. 4 刘延玲 . 新的 Hopfield 神经网络分类器在葡萄酒质量评价中的应用 J. 价值工程 2012,2：53-56. 5 李华，王曙东等 .葡萄酒感官评价结果的统计分析方法研究 J，中国食品学报， 2006,6（ 2）：126-131. 6 李运，李记明 ， 姜忠军 . 统计分析在葡萄酒质量评价中的应用 J.酿酒科技 .2009,2： 79-82. 7 张晓煜，亢艳莉 . 袁海燕等 .酿酒葡萄品质评价及其对气候条件的响应 J.生态学报 .2007,27（ 2） ：740-745. 8 刘思峰，党耀国，方耕等 . 灰色系统理论及其应 用（第五版） M.北京：科学出版社，2010:112-136. 9 王伟 . 灰色关联分析法在大学生综合素质测评中的运用 J. 科技和产业， 2007.7(8):60-63.