葡萄酒分级模型.doc

基于熵权法改进的TOPSIS法的酿酒葡萄评分分级模型 摘要 本文建立了对酿酒葡萄的分级模型，并分析了酿酒葡萄与葡萄酒的理化指标之间的联系及其对葡萄酒质量的影响。 两组评酒员的品评水平不同因而品评结果存在差异。将每一组中每号酒的各评分项的品评结果的平均值将葡萄酒进行聚类分析发现，大多数酒号都聚集在同一类，此类定义为大类。将聚类数定为2，当有某一酒号在任一组中不属于大类时，说明其数据处在分类边缘，所以对此类酒号予以剔除。对每个评酒员给出的剩余酒号的葡萄酒的评价总分进行非参数检验，结果表明两组评酒员的评价结果存在显著性差异。第一二组在剔除酒号之前的红葡萄酒的评价总分的方差分别为：103.633995、45.81948。在剔除酒号之后的红葡萄酒的评价总分的方差分别为：66.46149、39.03894。方差越小说明该组的评酒员品评结果更为稳定，因此第二组的品评结果更可信。另外，剔除的酒号数据对第一组的方差影响较大，这说明第一组内评酒员对剔除的酒的品评能力差异较大。同样，第一二组在剔除酒号之前的白葡萄酒的评价总分的方差分别为：142.8673、60.11325. 在剔除酒号之后的白葡萄酒的评价总分的方差分别为：129.6456、53.49408.分析结果同样是第二组的品评结果更可信。 在第二组品评结果的基础上研究酿酒葡萄的分级。处理少量异常数据之后，用一级理化指标中数据的平均值作为其指标数据，然后结合评酒师的打分情况，建立基于熵权法定权值的TOPSIS法的评分模型，并根据求解出的评分，根据分数等距对酿酒葡萄进行分四级。红葡萄的分级情况为：一级红葡萄为第9号，二级为第1、3、8、14、23、26号，三级为第2、5、10、11、13、17、19、21、24号，四级为第4、6、7、12、15、16、18、20、22、25、27号。白葡萄的分级情况为：一级白葡萄为第21、27号，二级为第5、15、17、20、22、23、28号，三级为第1、2、3、4、6、7、9、10、12、13、14、18、19、25、26号，四级为第8、11、16号，第24号白葡萄酒因此测量数据异常不进行评级。 考虑酿酒葡萄30项理化指标与葡萄酒的8项理化指标之间的联系时，利用主成分分析法将酿酒葡萄的30项理化指标用少量几个主成分表示。由分析结果得知，红白葡萄的主成分数分别为9和10。通过机理分析得到与葡萄酒的各项理化指标关联紧密的一个或者几个主成分。再利用曲线拟合和多元线性回归的方法得到葡萄酒理化指标和酿酒葡萄理化指标主成分之间的联系，绘制出拟合曲线并得到多元线性回归方程。 针对分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响的问题，可以转换为只分析酿酒葡萄理化指标的主成分以及葡萄酒理化指标中与葡萄理化指标主成分联系不大的指标对葡萄酒质量的影响的问题。利用多元线性回归对这种影响进行表征，并得到红白葡萄酒的显著性水平分别为0.006和0.256。显著性结果表明，可以用红葡萄和红葡萄酒的理化指标来评价红葡萄酒质量而白葡萄酒的不能。因此，葡萄和葡萄酒的理化指标并不能全面评价葡萄酒的质量，仍需要对其他因素的因素加以考虑。 关键词： 分级 聚类分析 非参数检验 TOPSIS法 主成分分析法 曲线拟合 一、问题重述质优味美营养价值高而深受人们的喜爱评酒员对葡萄酒的评论结果反映了葡萄酒质量的好坏 接下来的研究将以更为可靠的那一组的品评结果表示葡萄酒的质量。在对酿酒葡萄进行分级的问题中，我们可以运用基于熵权法定权值的TOPSIS法对酿酒葡萄酒进行打分，即对酿酒葡萄的质量进行量化表示。其中，以一级理化指标中数据的平均值表示的葡萄的理化数据以及品酒员所给的品评总分可作为此方法的条件。根据此法得到每号酒的分数就可以对葡萄酒进行分级。 考虑酿酒葡萄30项理化指标与葡萄酒的8项理化指标之间的联系时，首先面临的是因为酿酒葡萄的理化指标太多而造成的分析过程的复杂和工作的繁重的问题。而且，酿酒葡萄和葡萄酒各自的理化指标之间也可能存在相关关系。为了降维并消除各理化指标之间相关关系的影响，可以运用主成分分析法将酿酒葡萄的30项理化指标用几项主成分表示。然后可考虑用多元线性回归的方法建立起酿酒葡萄的主成分与葡萄酒的8项理化指标之间的关系。 根据酿酒葡萄与葡萄酒的理化指标之间的关系将分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响简化为分析酿酒葡萄理化指标的主成分以及葡萄酒理化指标中与葡萄理化指标主成分联系不大的指标对葡萄酒质量的影响。然后可考虑用多元线性回归表征这种影响并进行显著性分析。由显著性分析结果可得出是否可以用葡萄和葡萄酒的理化指标来评价葡萄酒的质量。 三、模型假设 1. 评酒员都具有较高的水平，给出的分数大致能反映出葡萄酒的质量 2．评价结果越稳定，评价结果越可信任； 3. 每一组评酒员具