葡萄酒質(zhì)量評(píng)價(jià)模型

PAGEPAGE35葡萄酒質(zhì)量評(píng)價(jià)模型摘要葡萄酒質(zhì)量的高低評(píng)估是通過評(píng)酒專家對(duì)葡萄酒的感官評(píng)分來體現(xiàn)。釀酒葡萄和葡萄酒的理化指標(biāo)一定程度上反映了葡萄酒的質(zhì)量。問題一，首先對(duì)附件1的數(shù)據(jù)進(jìn)行預(yù)處理，分別求得評(píng)酒員關(guān)于樣品酒的4組平均得分，在此基礎(chǔ)上，利用F檢驗(yàn)，發(fā)現(xiàn)不管對(duì)于紅葡萄酒還是白葡萄酒，兩組評(píng)酒專家的評(píng)分結(jié)果都存在顯著的差異。此外，建立了評(píng)價(jià)可信度的層次分析模型，發(fā)現(xiàn)第二組評(píng)酒員的評(píng)分更加可信。問題二，運(yùn)用主成分分析對(duì)釀酒葡萄的30個(gè)理化指標(biāo)進(jìn)行降維，主成分降維后減少了變量間的重疊部分，然后通過Q型聚類對(duì)釀酒葡萄酒的樣品進(jìn)行歸類，利用問題一中第二組評(píng)分?jǐn)?shù)據(jù)，得到每一類樣品的平均得分，通過得分的大小來分等級(jí)。問題三，建立了釀酒葡萄與葡萄酒理化指標(biāo)的典型相關(guān)分析模型，得出釀酒葡萄與葡萄酒理化指標(biāo)之間有著密切的聯(lián)系。如：紅葡萄與紅葡萄酒的理化指標(biāo)的第一典型相關(guān)系數(shù)，第一典型變量可以解釋29.9%紅葡萄理化指標(biāo)組內(nèi)變差，并解釋39%紅葡萄酒理化指標(biāo)的變差；其兩者的相關(guān)系數(shù)相互解釋每組內(nèi)的變差。問題四，對(duì)于釀酒葡萄和葡萄酒的理化指標(biāo)對(duì)葡萄酒質(zhì)量的影響，本文先通過線性回歸做初步的分析，然后運(yùn)用TOPSIS模型進(jìn)行了進(jìn)一步的分析，得到葡萄和葡萄酒的理化指標(biāo)不一定能評(píng)價(jià)葡萄酒的質(zhì)量，但有一定的聯(lián)系。關(guān)鍵詞：F檢驗(yàn)；主成分分析；Q型聚類；樣品典型相關(guān)分析；TOPSIS模型1、問題提出葡萄酒是用新鮮的葡萄或者葡萄汁經(jīng)發(fā)酵釀成的酒精飲料。質(zhì)量評(píng)價(jià)主要通過外觀、香氣、口味、典型性體現(xiàn)。所以確定葡萄酒的質(zhì)量一般通過聘請(qǐng)一批有資深的評(píng)酒員對(duì)葡萄酒進(jìn)行品嘗后對(duì)其分類指標(biāo)打分，然后求和得到總分，從而確定葡萄酒的質(zhì)量。釀酒葡萄的好壞與所釀葡萄酒的質(zhì)量有直接的關(guān)系，葡萄酒和釀酒葡萄檢測(cè)的理化指標(biāo)會(huì)在一定程度上反映葡萄酒和葡萄的質(zhì)量。附件1給出了某一年份一些葡萄酒的評(píng)價(jià)結(jié)果，附件2和附件3分別給出了該年份這些葡萄酒的和釀酒葡萄的成分?jǐn)?shù)據(jù)。建立數(shù)學(xué)模型討論下列問題：1.分析附件1中兩組評(píng)酒員的評(píng)價(jià)結(jié)果有無顯著性差異，哪一組結(jié)果更可信？2.根據(jù)釀酒葡萄的理化指標(biāo)和葡萄酒的質(zhì)量對(duì)這些釀酒葡萄進(jìn)行分級(jí)。3.分析釀酒葡萄與葡萄酒的理化指標(biāo)之間的聯(lián)系。4．分析釀酒葡萄和葡萄酒的理化指標(biāo)對(duì)葡萄酒質(zhì)量的影響，并論證能否用葡萄和葡萄酒的理化指標(biāo)來評(píng)價(jià)葡萄酒的質(zhì)量？2、問題分析問題一：要求找出兩組評(píng)酒專家的評(píng)分結(jié)果的差異性，可以選用方差分析當(dāng)中的F檢驗(yàn)體現(xiàn)評(píng)酒結(jié)果的顯著性。若無差異性則都可信，若存在差異性是可以通過引入評(píng)價(jià)可信度的方法，找出到底哪一組更加的可信。問題二：葡萄酒質(zhì)量高低與釀酒葡萄的優(yōu)劣有直接的關(guān)系，通過主成分的方法進(jìn)行變量的降維，后對(duì)樣品進(jìn)行Q聚類，求出每類的均值后進(jìn)行評(píng)級(jí)。問題三：釀酒葡萄跟葡萄酒的理化指標(biāo)關(guān)聯(lián)密切，個(gè)別的理化指標(biāo)是其重要的成分，此過程通過了樣品典型相關(guān)分析來分析得出。問題四：釀酒葡萄和葡萄酒的理化指標(biāo)對(duì)葡萄酒質(zhì)量的影響，可以通過釀酒葡萄和葡萄酒的理化指標(biāo)與葡萄質(zhì)量之間的相關(guān)性得到，若存在相關(guān)性可以通過回歸思想實(shí)現(xiàn)。3、符號(hào)說明：第組的第個(gè)樣品的顏色葡萄酒總平均分：第組顏色葡萄酒總平均分的均值：葡萄顏色，n=1表示紅色，n=2表示白色：第i個(gè)樣品的n顏色釀酒葡萄的第j個(gè)一級(jí)理化指標(biāo)的含量4、模型基本假設(shè)（1）每一種葡萄酒的生產(chǎn)工藝是大致相同。（2）葡萄的質(zhì)量決定葡萄酒的質(zhì)量。（3）相應(yīng)的葡萄酒是由相應(yīng)的釀酒葡萄釀制得到。（4）評(píng)酒員的個(gè)數(shù)足夠多，評(píng)酒總平均分?jǐn)?shù)能充分反映葡萄酒的質(zhì)量。5、模型的建立與求解5.1數(shù)據(jù)的預(yù)處理和初步分析通過對(duì)附件一中數(shù)據(jù)表的初步的觀察，我們發(fā)現(xiàn)，表中存在好幾處的數(shù)據(jù)異常的情況，比如：第一組白葡萄酒中的樣品三7號(hào)評(píng)酒員在濃度指標(biāo)中的評(píng)分為77，明顯的不正確。本文遇到類似的情況用本行的均值代替原來數(shù)據(jù)。為了評(píng)價(jià)一種葡萄酒的好壞，通常的做法是由感官評(píng)酒專家根據(jù)國際葡萄與葡萄組積（OIV）的評(píng)價(jià)方法對(duì)葡萄酒的澄清度、色度、純凈度等方面進(jìn)行打分，最后將個(gè)方面得到總分的方法對(duì)葡萄酒的好壞進(jìn)行評(píng)價(jià)。通過對(duì)附件1的分析，對(duì)同一個(gè)樣品分兩組評(píng)酒專家每組10名，分別對(duì)27個(gè)紅葡萄酒的樣品和28個(gè)白葡萄酒的樣品進(jìn)行了評(píng)價(jià)。本模型采取10個(gè)評(píng)酒專家對(duì)同一個(gè)樣品的總評(píng)價(jià)得分的平均值作為該樣品的最后得分。數(shù)據(jù)部分如表1所示。表1：樣品評(píng)分均值樣品一組紅葡萄酒一組白葡萄酒二組紅葡萄酒二組白葡萄酒162.7082.0068.1077.90280.3074.2074.0075.80380.4085.3074.6075.60……………2673.8081.3072.0074.302773.0064.8071.5077.002881.3079.60圖1和圖2可以直觀地反映上述數(shù)據(jù)：圖1：紅葡萄酒的平均得分圖2：白葡萄酒的平均得分由于上述數(shù)據(jù)是由專家的感官評(píng)價(jià)得分獲得的，在實(shí)踐中，由于各種因素的共同影響下，專家組成員間和組間之間存在異質(zhì)性。造成異質(zhì)性的主要原因有：評(píng)價(jià)尺度的差異、評(píng)價(jià)位置的差異、評(píng)價(jià)方向的差異這三個(gè)方面。5.2方差分析—F檢驗(yàn)對(duì)同一個(gè)樣品由兩組不同的評(píng)酒專家分開獨(dú)立地進(jìn)行評(píng)價(jià)。為了反映出兩組評(píng)酒專家評(píng)價(jià)的結(jié)果是否存在較大的差異性，本文利用F檢驗(yàn)對(duì)兩組評(píng)酒專家的評(píng)價(jià)結(jié)果作顯著性檢驗(yàn)。5.2.Step1:模型的假設(shè)兩組評(píng)酒專家的評(píng)價(jià)得分可作為同一因素下的不同水平，對(duì)不同樣品的評(píng)分可作為樣本觀察值。取原假設(shè)為：；樣本的觀察值可以分解為：其中：紅葡萄酒的情況下：n=1時(shí)，白葡萄酒時(shí)：n=2時(shí)Step2:構(gòu)造F統(tǒng)計(jì)量是第k組數(shù)據(jù)的組平均值，是總平均值?？疾烊w數(shù)據(jù)對(duì)的偏差平方和：對(duì)上述的式子分解可得：記：是各組均值對(duì)總方差的偏差平方和，反映兩組品酒員間的差異是各組內(nèi)的數(shù)據(jù)對(duì)均值偏差平方和的總和。則表示在同一組品酒員下的隨機(jī)誤差的大小。由分布的可加性知：對(duì)進(jìn)一步分析可得：當(dāng)成立時(shí)，該比值服從自由度1，的F分布，即：為檢驗(yàn)，給定顯著性水平，記F分布的分為數(shù)為若：則接受，否則拒絕。5.2本模型F檢驗(yàn)的顯著性水平?。?，由matlab求解可得：拒絕對(duì)于紅葡萄酒兩組的評(píng)分存在顯著性差異。拒絕對(duì)于白葡萄酒兩組的評(píng)分存在顯著性差異。綜上所述，對(duì)于兩種葡萄酒，兩組專家的給分都存在著顯著性的差異。5.3判斷可信度的層次分析模型從上述的模型可以看出第一組品酒員和第二組品酒員對(duì)于紅葡萄酒和白葡萄酒的評(píng)價(jià)具有顯著性差異，葡萄酒質(zhì)量評(píng)價(jià)結(jié)果可信程度直接關(guān)系到消費(fèi)者的利益和市場對(duì)葡萄酒的科學(xué)管理。那么對(duì)于上述兩組評(píng)酒專家的評(píng)價(jià)結(jié)果，我們關(guān)心的是到底哪一組的可信度比較高，從而選擇接受哪一組的評(píng)價(jià)的結(jié)果，為了能更好地反映出兩組數(shù)據(jù)的可信度，我們引入了判斷可信度的層次分析模型，對(duì)、、、分配一個(gè)可信度權(quán)重從而得到一個(gè)排序，可以得到四種情況下的可信度排序。5.Step1：根據(jù)評(píng)分的極差矩陣和可行度評(píng)估標(biāo)度確定判斷矩陣本模型在上述的數(shù)據(jù)的基礎(chǔ)上選擇每一種情況下的極差為：其中：，為每一種情況下的最大和最小上述的極差能夠很好地反映出每一組評(píng)酒專家的總評(píng)分的差異，這個(gè)差異可以再一定的程度上體現(xiàn)出這組評(píng)酒專家的可信度。根據(jù)每兩種情況下的差異矩陣根據(jù)可行度評(píng)估標(biāo)度，如表2所示。表2：可行度評(píng)估標(biāo)度評(píng)估標(biāo)度值含義0判斷完全無把握0.2判斷非常無把握0.4判斷比較無把握0.6判斷比較有把握0.8判斷非常有把握1判斷完全有把握0.1,0.3,0.5,0.7,0.9表示相鄰評(píng)估的中間值根據(jù)差異矩陣的每個(gè)數(shù)據(jù)的差異程度的大小反映在可信度評(píng)估標(biāo)度表上，以差異越小相互可信度越大為標(biāo)準(zhǔn)可以得到判斷矩陣Step2:權(quán)重的分配判斷矩陣的最大特征值為：相應(yīng)的特征向量為：所以得到權(quán)重向量：Step3:一致性檢驗(yàn)計(jì)算一次性指標(biāo)：相應(yīng)的隨機(jī)一次性指標(biāo)可以通過查表獲得。計(jì)算一次性比率：若，那么對(duì)一次性檢驗(yàn)通過。5.3通過matlab的計(jì)算可以得到極差矩陣為：通過上述的差異根據(jù)可行度評(píng)估標(biāo)度得到了判斷矩陣為：可以得到：，權(quán)重向量為：上述的結(jié)果表明：無論是紅葡萄酒還是白葡萄酒第二組的分配的權(quán)重都比對(duì)應(yīng)的第一組的權(quán)重都要高，所以可以得到最后的結(jié)論為：第二組的評(píng)價(jià)結(jié)果比第一組的評(píng)價(jià)結(jié)果更為可信。5.4主成分模型附件二給出了和紅葡萄27個(gè)樣品和白葡萄28個(gè)樣品的30項(xiàng)的理化指標(biāo)數(shù)據(jù)，我們發(fā)現(xiàn)有部分的指標(biāo)之間有一定的相關(guān)性，為了盡量排除指標(biāo)間重疊部分對(duì)葡萄質(zhì)量的重復(fù)的影響帶來的誤差，本文采用主成分的方法相對(duì)30個(gè)變量進(jìn)行降維，提取出30個(gè)變量的主要成分。5.4.1Step1:數(shù)據(jù)標(biāo)準(zhǔn)化處理表示第個(gè)樣品第個(gè)指標(biāo)的取值其中：分別表示紅葡萄和白葡萄標(biāo)準(zhǔn)化后的數(shù)據(jù)為：其中：為第理化指標(biāo)的均值，為第理化指標(biāo)的方差Step2:計(jì)算相關(guān)系數(shù)矩陣根據(jù)相關(guān)系數(shù)的定義：可以得到每兩個(gè)指標(biāo)之間的相關(guān)系數(shù)：Step3:尋找主成分相關(guān)系數(shù)矩陣排序后的的特征值為：特征值對(duì)應(yīng)的特征向量為：用新的變量作為主成分取代原來的數(shù)據(jù)：

得到個(gè)主成分矩陣形式為：，累加貢獻(xiàn)率為：5.4.2（1）對(duì)紅葡萄數(shù)據(jù)的求解通過matlab的求解可以得到紅葡萄指標(biāo)可以降到14個(gè)主成分部分?jǐn)?shù)據(jù)如下所示：

對(duì)紅葡萄的主成分解釋如表3所示：表3：紅葡萄主成分解析表主成分包含成分名稱累計(jì)貢獻(xiàn)率第一主成分花色苷、DPPH自由基、總酚、23.23%第二主成分總糖、干物質(zhì)含量39.70%第三主成分白藜蘆醇、可滴定酸52.15%第四主成分蘋果酸61.61%第五主成分固酸比、果穗質(zhì)量68.28%第六主成分果皮顏色74.08%第七主成分黃酮醇、果皮質(zhì)量、b*（+黃；-藍(lán)）78.81%第八主成分檸檬酸83.04%第九主成分VC含量、葡萄總黃酮、出汁率86.25%第十主成分單寧、還原糖、可溶性固形物88.71%第十一主成分多酚氧化酶活力、百粒質(zhì)量91.01%第十二主成分氨基酸總量、褐變度92.73%第十三主成分蛋白質(zhì)、果梗比、L*94.37%第十四主成分酒石酸、PH值95.61%（2）對(duì)白葡萄酒的求解通過matlab的求解可以得到紅葡萄指標(biāo)可以降到14個(gè)主成分部分?jǐn)?shù)據(jù)如下所示：

對(duì)紅葡萄的主成分解釋如表4所示：表4：白葡萄主成分解析表主成分包含成分名稱累計(jì)貢獻(xiàn)率第一主成分可溶性固形物、干物質(zhì)含量19.58%第二主成分總酚、葡萄總黃酮36.61%第三主成分可滴定酸、固酸比、L*、b*（+黃；-藍(lán)）48.82%第四主成分氨基酸總量、褐變度55.81%第五主成分酒石酸、蘋果酸、黃酮醇62.14%第六主成分白藜蘆醇67.46%第七主成分PH值72.49%第八主成分單寧、果皮質(zhì)量76.90%第九主成分果梗比、果皮顏色80.88%第十主成分出汁率84.35%第十一主成分花色苷、檸檬酸87.48%第十二主成分蛋白質(zhì)、DPPH自由基、還原糖、百粒質(zhì)量90.16%第十三主成分VC含量、果穗質(zhì)量92.31%第十四主成分多酚氧化酶活力94.00%第十五主成分總糖95.30%（3）對(duì)主成分的解析本文根據(jù)需要分別對(duì)紅葡萄和白葡萄的30個(gè)理化指標(biāo)經(jīng)主成分分析后，得到14個(gè)主成分和15個(gè)主成分，累計(jì)貢獻(xiàn)率可達(dá)到95.61%和95.30%。表中數(shù)據(jù)表明釀酒葡萄的理化性質(zhì)對(duì)釀酒葡萄的優(yōu)劣有很大的貢獻(xiàn)作用。我們進(jìn)一步對(duì)表3進(jìn)行分析可以知道：對(duì)于紅葡萄，第一主成分是花色苷、DPPH自由基、總酚；第二主成分是總糖、干物質(zhì)含量；第三主成分是白藜蘆醇、可滴定酸說明這些物質(zhì)比較具有代表性。對(duì)表4進(jìn)行進(jìn)一步分析可知：第一主成分是可溶性固形物、干物質(zhì)含量；第二主成分是總酚、葡萄總黃酮；第三主成分是可滴定酸、固酸比、L*、b*（+黃；-藍(lán)）。說明這些物質(zhì)依次對(duì)白葡萄具有代表性。5.5聚類模型我們的目的是為了對(duì)不同的樣品進(jìn)行評(píng)級(jí)，本模型先通過最遠(yuǎn)距離法分別對(duì)紅葡萄和白葡萄的樣品進(jìn)行聚類，體現(xiàn)樣品之間的差異后，然后對(duì)聚類的樣品分在同一個(gè)等級(jí)。5.5.1每個(gè)樣品可以看做維空間的一個(gè)向量本模型使用歐氏距離定義每兩個(gè)樣品之間的距離每兩個(gè)樣品之間的距離定義為：兩個(gè)類別之間的距離使用最長距離法：則：5.5.2運(yùn)用spss軟件求解可得聚類圖，如圖3與圖4所示圖3：紅葡萄的樣品聚類圖圖4：白葡萄的的樣品聚類圖5.6葡萄質(zhì)量的等級(jí)模型釀酒葡萄的好壞與所釀葡萄酒的質(zhì)量有直接的關(guān)系，從上述的聚類圖可以根據(jù)葡萄酒樣品的聚類結(jié)果和葡萄酒的品分均值進(jìn)行了等級(jí)的劃分。表5：紅葡萄酒樣品聚類表類別樣品平均得分14、6、7、11、12、15、18、19、20、22、23、369.1721、2、5、8、9、10、13、14、16、17、24、25、26、27、2171.16表6：白葡萄酒樣品聚類表類別樣品平均得分11、6、7、8、11、12、13、14、16、17、18、19、2274.982375.60321、23、2777.87415、24、2878.0352、4、5、9、10、20、25、2678.10上述的歸類可以把紅葡萄酒樣品分為好、差兩類，白葡萄酒歸為五類為：很好、好、中等、差、很差。5.7典型相關(guān)系數(shù)模型5.7.1模型的建立Step1：計(jì)算相關(guān)系數(shù)矩陣將相應(yīng)剖分為其中：分別為n顏色葡萄理化指標(biāo)變量和n顏色葡萄酒理化指標(biāo)變量的相關(guān)系數(shù)陣。為n顏色葡萄理化指標(biāo)與n顏色葡萄酒變量的相關(guān)系數(shù)陣。Step2:求典型相關(guān)系數(shù)及典型變量可得：的特征根和特征向量。的特征根，特征向量，則有則典型變量為Step3:典型相關(guān)系數(shù)的顯著性檢驗(yàn)。Step4:典型結(jié)構(gòu)與典型冗余分析。根據(jù)典型結(jié)構(gòu)可以計(jì)算任一個(gè)典型變量或解釋本組變量X(或Y)總變差的百分比。同時(shí)可求得前t個(gè)典型變量（或）解釋本組變量X(或Y)總變差的累計(jì)百分比典型冗余分析用來研究典型變量解釋另一組變量總變差百分比的問題。第二組典型變量解釋第一組變量X總變差的百分比。5.7.2釀酒葡萄與葡萄酒的理化指標(biāo)的聯(lián)系分析將附錄2經(jīng)過處理的指標(biāo)數(shù)據(jù)利用matlab軟件的canoncorr函數(shù)進(jìn)行處理，得出如下結(jié)果。典型相關(guān)系數(shù)及其檢驗(yàn)如表7所示：序號(hào)123456789典型相關(guān)系數(shù)紅0.990.920.890.860.620.490.440.280.11白0.920.810.660.580.420.260.05表7：典型變量相關(guān)系數(shù)由上表可知，紅葡萄和紅葡萄酒理化指標(biāo)的前兩個(gè)典型相關(guān)系數(shù)均較高，表明相應(yīng)典型變量之間密切相關(guān)。白葡萄與白葡萄酒的第一個(gè)典型相關(guān)系數(shù)較高，表明相應(yīng)典型變量之間密切相關(guān)。但要確定典型變量相關(guān)性的顯著程度，尚要進(jìn)行相關(guān)系數(shù)的統(tǒng)計(jì)量檢驗(yàn)，具體做法是：比較統(tǒng)計(jì)量計(jì)算值與臨界值的大小，據(jù)比較結(jié)果判定典型變量相關(guān)性的顯著程度。其結(jié)果如表8所示表8相關(guān)系數(shù)檢驗(yàn)表序號(hào)123456789概率紅0.00020.0150.0870.3610.8780.8990.8330.8210.634白0.0410.4310.7930.8880.9590.9670.97從上表看著9、7對(duì)典型變量中葡萄與葡萄酒的理化指標(biāo)的典型變量中紅色的第一和第二典型變量、白色的第一典型變量均通過了統(tǒng)計(jì)量檢驗(yàn)。紅葡萄和紅葡萄酒的理化指標(biāo)的相關(guān)性很高，第一典型相關(guān)系數(shù)為0.99.它比紅葡萄和紅葡萄酒的理化的任一相關(guān)系數(shù)都高。檢驗(yàn)總體中除了第一和第二典型相關(guān)系數(shù)外。其他的都沒有通過檢驗(yàn)。第二典型系數(shù)為0.92。因此，兩組變量的相關(guān)性的研究轉(zhuǎn)化為研究第一對(duì)和第二對(duì)典型相關(guān)變量的相關(guān)性。白葡萄和白葡萄酒的理化指標(biāo)的相關(guān)性很高，第一典型相關(guān)系數(shù)為0.92.它比白葡萄和白葡萄酒的理化指標(biāo)的任一相關(guān)系數(shù)都要高。檢驗(yàn)總體中除了第一典型相關(guān)系數(shù)外。其他的都沒有通過檢驗(yàn)。因此，兩組變量的相關(guān)性的研究轉(zhuǎn)化為研究第一對(duì)典型相關(guān)變量的相關(guān)性。鑒于原始變量的計(jì)量單位不同，不宜直接比較，本文才用標(biāo)準(zhǔn)化的典型系數(shù)，給出典型相關(guān)模型，如表9所示：表9：典型相關(guān)模型1，2由表9第一組典型相關(guān)方程可知，紅葡萄酒的理化指標(biāo)的第一典型變量與呈高度相關(guān)，說明在紅葡萄酒的理化指標(biāo)中，占的比重比較大。白葡萄酒的理化指標(biāo)的第一典型變量與呈高度相關(guān)，說明在紅葡萄根據(jù)第二組典型相關(guān)方程，是紅葡萄理化指標(biāo)的主要成分。所以總體上紅葡萄理化指標(biāo)的主要因素按重要程度依次是；反應(yīng)紅葡萄酒主要理化指標(biāo)是典型冗余分析：通過典型變量解釋另一組變量總變差百分比的關(guān)系，來解釋本組變量的信息，還解釋另一組變量的信息，典型冗余分析結(jié)果如表10所示：表10：典型分析結(jié)果123456789mu紅0.2990.1530.0760.1680.0770.0410.0630.0830.038白0.1280.2120.0980.1060.0810.1160.134mv紅0.2920.1280.0650.1240.0290.0100.0120.0060.001白0.1070.1380.0430.0360.0140.0080.000nu紅0.3900.1440.0460.0720.0310.0210.0070.0020.001白0.0980.1370.1130.0230.0230.0040.000nv紅0.4010.1710.0580.0980.0820.0880.0370.0280.037白0.1180.2110.2560.0690.1320.0530.069注：mu：x組原始變量被u_i解釋的方差比例，mv：x組原始變量被v_i解釋的方差比例，nu：y組原始變量被u_i解釋的方差比例，nv：y組原始變量被v_i解釋的方差比例）由表10的典型冗余分析的結(jié)果，我們來分析標(biāo)準(zhǔn)化的方差，第一典型變量可以解釋29.9%紅葡萄理化指標(biāo)組內(nèi)變差，并解釋39%紅葡萄酒理化指標(biāo)的變差；而典型變量可以解釋40.1%紅葡萄酒理化指標(biāo)組內(nèi)變差，并解釋29.2%紅葡萄理化指標(biāo)的變差；第一典型變量可以解釋29.2%白葡萄理化指標(biāo)組內(nèi)變差，并解釋9.8%白葡萄酒理化指標(biāo)的變差；變量可以解釋11.8%白葡萄酒理化指標(biāo)組內(nèi)變差，并解釋10.7%白葡萄理化指標(biāo)的變差。5.8釀酒葡萄與葡萄酒的理化指標(biāo)對(duì)葡萄酒質(zhì)量的影響的分析模型5.8.1多元線性回歸模型的初步分析（1）多元回歸模型數(shù)據(jù)的建立由附錄一，評(píng)酒專家是通過葡萄酒酒的外觀分析、香氣分析、口感分析這三個(gè)主要的方面進(jìn)行評(píng)分來確定葡萄酒的好壞，通過數(shù)據(jù)的搜索和總結(jié)，經(jīng)過分析不難發(fā)現(xiàn)：附錄二中葡萄和葡萄酒的某些理化指標(biāo)以及附錄三中的數(shù)據(jù)可以提升為一些重要的理化指標(biāo)。數(shù)據(jù)的提取如表11所示表11：數(shù)據(jù)的提取與提升表附錄二中的提取附錄三種的提升葡萄指標(biāo)酒石酸、還原糖、PH值、單寧、總酚、干涉出物、色澤（）酒精度葡萄酒指標(biāo)單寧、總酚、酒總黃酮、白藜蘆醇、DPPH、色澤（）酒精度酒精度的獲得：對(duì)于葡萄酒來說酒精量是一個(gè)很重要的理化指標(biāo)，而附錄二對(duì)該指標(biāo)的缺失，我們從附錄三中用醇類的總量作為酒精度的量化。（2）多元線性回歸模型的spss求解結(jié)果利用統(tǒng)計(jì)軟件spss本文對(duì)上述的葡萄指標(biāo)和葡萄酒指標(biāo)分別對(duì)專家的評(píng)分作線性回歸。紅葡萄的結(jié)果如下所示：上述的回歸模型不能通過檢驗(yàn)，大部分的變量沒有通過檢驗(yàn)，但是較大。對(duì)于其他的情況下的數(shù)據(jù)具有類似的結(jié)果。我們不能通過上述的模型說明釀酒葡萄和葡萄酒的理化指標(biāo)對(duì)葡萄酒質(zhì)量有影響，同時(shí)也不能說明影響不存在。5.8.2TOPSIS模型的進(jìn)一步探討對(duì)于上述的結(jié)果我們沒有明確的結(jié)論。本文通過TOPSIS模型對(duì)該問題作進(jìn)一步的探討。（1）數(shù)據(jù)的獲得不失一般性，本模型聯(lián)合附錄二和附錄三中的數(shù)據(jù)，把附錄三中的每一個(gè)芳香物質(zhì)提升為一個(gè)理化指標(biāo)，聯(lián)合附錄二中的數(shù)據(jù)得到一個(gè)數(shù)據(jù)，并利用上述的主成分模型（累計(jì)貢獻(xiàn)率為0.8）進(jìn)行降維，得到個(gè)主成分的新的數(shù)據(jù)。TOPSIS模型的建立Step1：用向量規(guī)劃的方法求得規(guī)范決策矩陣。設(shè)多屬性決策問題的決策矩陣為：A=規(guī)范化決策矩陣為：其中，。Step2：構(gòu)成加權(quán)規(guī)范陣其中：，。各個(gè)主成分的權(quán)重由主成分的貢獻(xiàn)率得到：Step3：確定正理想和負(fù)理想。設(shè)正理想解的第j個(gè)屬性值為，負(fù)理想解第j個(gè)屬性值為，則正理想解負(fù)理想解Step4：計(jì)算各方案到正理想解與負(fù)理想解的距離。備選方案到正理想的距離為：；備選方案到負(fù)理想解的距離為：。Step5：計(jì)算各方案的排隊(duì)指標(biāo)值(即綜合評(píng)價(jià)指數(shù)）：。Step6：按由大到小排列方案的優(yōu)劣次序。TOPSIS模型的求解通過matlab的求解得到原來每個(gè)樣品的排序和用TOPSIS模型求解結(jié)果的排序。表12：樣本的排序樣品（紅）123…2627評(píng)分排序72224…1715紅葡萄TOPSIS排序232218…2113紅葡萄酒TOPSIS排序1610…1527樣品（白）123…2728評(píng)分排序19109…1624白葡萄TOPSIS排序22145…283白葡萄酒TOPSIS排序232218…133圖5：紅葡萄與紅葡萄酒TOPSIS排序與評(píng)分的排序差圖6：白葡萄與紅葡萄酒TOPSIS排序與評(píng)分的排序差上述的圖5和圖6反映出排序的差異有很大的波動(dòng)性，說明量化指標(biāo)的變化有很大的不確定性，而評(píng)分的好壞是十分穩(wěn)定的。上述的兩個(gè)模型都反映出葡萄和葡萄酒的理化指標(biāo)不一定能評(píng)價(jià)葡萄酒的質(zhì)量，但有一定的聯(lián)系。6、模型的評(píng)價(jià)與推廣本文運(yùn)用的各種模型包括主成分分析、Q類聚類、典型相關(guān)分析、TOPSIS模型等。主成分的維作用可以推廣到很多方面?？梢詰?yīng)用于影響天氣好壞的多方面因素進(jìn)行降維得到影響天氣的幾個(gè)主要因素。典型相關(guān)模型的應(yīng)用例子：康復(fù)俱樂部里成員生理指標(biāo)與訓(xùn)練指標(biāo)的相關(guān)分析、城市競爭力與基礎(chǔ)設(shè)施的典型相關(guān)分析、家庭特征與消費(fèi)模式之間的關(guān)系。TOPSIS模型模型可以用在樣本的排序的各種問題當(dāng)中，可以解決學(xué)生的評(píng)優(yōu)問題。7、參考文獻(xiàn)[1]韓中庚.數(shù)學(xué)建模方法及其應(yīng)用[M].北京:高等教育出版社，2021年6月.[2]姜啟源，謝金星，葉俊.數(shù)學(xué)模型[M].北京:高等教育出版社，2021年.[3]蔡鎖章.數(shù)學(xué)建模原理與方法[M].北京：海洋出版社，2021.[4]司守奎，孫璽菁.數(shù)學(xué)建模算法與應(yīng)用[M].北京:國防工業(yè)出版社，2021年8月.[5]李華,劉曙東,王華,張予林.葡萄酒感官評(píng)價(jià)結(jié)果的統(tǒng)計(jì)分析方法研究[J].中國食品學(xué)報(bào),2021,6(2):126-130.[6]李運(yùn),李記明,姜忠軍.統(tǒng)計(jì)分析在葡萄酒質(zhì)量評(píng)價(jià)中的應(yīng)用[J].釀酒科技,2021,178(4):79-82.附錄：（1）數(shù)據(jù)的預(yù)處理樣品一組紅葡萄酒一組白葡萄酒二組紅葡萄酒二組白葡萄酒162.7082.0068.1077.90280.3074.2074.0075.80380.4085.3074.6075.60468.6079.4071.2076.90573.3071.0072.1081.50672.2068.4066.3075.50771.5077.5065.3074.20872.3071.4066.0072.30981.5072.9078.2080.401074.2074.3068.8079.801170.1072.3061.6071.401253.9063.3068.3072.401374.6065.9068.8073.901473.0072.0072.6077.101558.7072.4065.7078.401674.9074.0069.9067.301779.3078.8074.5080.301859.9073.1065.4076.701978.6072.2072.6076.402078.6077.8075.8076.602177.1076.4072.2079.202277.2071.0071.6079.402385.6075.9077.1077.402478.0073.3071.5076.102569.2077.1068.2079.502673.8081.3072.0074.302773.0064.8071.5077.002881.3079.60（2）F檢驗(yàn)的matlab代碼x=[];p1=anova1(x);p1（3）主成分降維的matlab代碼%輸入數(shù)據(jù)r=[…];%數(shù)據(jù)的標(biāo)準(zhǔn)化clcr_var=var(r,1);r_mean=mean(r);[a,b]=size(r);r_s=ones(a,b);fori=1:aforj=1:br_s(i,j)=(r(i,j)-r_mean(j))/r_var(j);endend%主成分分析z=r_s;rr=corrcoef(z);[tx,tz]=eig(rr);tz=diag(tz);[so,id]=sort(tz,'descend');su=sum(so);ss=0;i=1;xl=[];whiless<0.8ss=ss+so(i)/su;xl=[xl;tx(:,id(i))'];i=i+1;end%新數(shù)據(jù)的獲得zr=ones(size(r,1),size(xl,1));fori=1:size(r,1)forj=1:size(xl,1)zr(i,j)=sum(r(i,:).*xl(j,:));endend（4）樣品典型相關(guān)分析代碼x=[];y=[];n1=size(x,2);n2=size(y,2);x=zscore(x);y=zscore(y);%標(biāo)準(zhǔn)化數(shù)據(jù)n=size(x,1);%a,b返回的是典型變量的系數(shù)，r返回的是典型相關(guān)系數(shù)%u,v返回的是典型變量的值，stats返回的是假設(shè)檢驗(yàn)的一些統(tǒng)計(jì)量的值[a,b,r,u,v,stats]=canoncorr(x,y)x_u_r=x'*u/(n-1)%計(jì)算x,u的相關(guān)系數(shù)y_v_r=y'*v/(n-1)%計(jì)算y,v的相關(guān)系數(shù)x_v_r=x'*v/(n-1)%計(jì)算x,v的相關(guān)系數(shù)y_u_r=y'*u/(n-1)%計(jì)算y,u的相關(guān)系數(shù)mu=sum(x_u_r.^2)/n1%x組原始變量被u_i解釋的方差比例mv=sum(x_v_r.^2)/n1%x組原始變量被v_i解釋的方差比例nu=sum(y_u_r.^2)/n2%y組原始變量被u_i解釋的方差比例nv=sum(y_v_r.^2)/n2%y組原始變量被v_i解釋的方差比例val=r.^2%典型系數(shù)的平方disp('hong')（5）TOPSIS模型求解代碼clearclc%輸入數(shù)據(jù)矩陣B=[];%數(shù)據(jù)B的標(biāo)準(zhǔn)化B_mean=mean(B);B_var=var(B);[m,n]=size(B);b=ones(m,n);fori=1:mforj=1:nb(i,j)=(B(i,j)-B_mean(j))/B_var(j);endend%確定權(quán)重[m,n]=size(b);w=[];ff=kk(1);fori=2:length(kk)ff=[ff,kk(i)-kk(i-1)];endsf=sum(ff);fori=1:length(kk)w=[w,ff(i)/sf];endc=b.*repmat(w,m,1);cstar=max(c);cstar(9)=min(c(:,9));c0=min(c);c0(9)=max(c(:,9));fori=1:msstar(i)=norm(c(i,:)-cstar);s0(i)=norm(c(i,:)-c0);endf=s0./(sstar+s0);[sf,ind]=sort(f,'descend')%排序代碼，輸入排序的分?jǐn)?shù)矩陣fenshu=[];f=fenshu';[so,id]=sort(f);tt=[];fori=1:length(f)t=find(id==i);tt=[tt,t];endyy=[];fori=1:length(f)t=find(ind==i);yy=[yy,t];endpx=[tt;yy]%作圖代碼，輸入排序的矩陣r和wr=[];w=[];e=1:size(r,2);figure(1)set(gcf,'color','w')subplot(1,2,1)plot(e,r(2,:),'k',e,r(3,:),'k:')holdonplot(e,r(2,:),'k.',e,r(3,:),'k.')holdofflegend('紅葡萄','紅葡萄酒')e=1:size(w,2);subplot(1,2,2)plot(e,w(2,:),'k',e,w(3,:),'k:')holdonplot(e,w(2,:),'k.',e,w(3,:),'k.')holdofflegend('白葡萄','白葡萄酒')

咖啡店創(chuàng)業(yè)計(jì)劃書第一部分：背景在中國，人們?cè)絹碓綈酆瓤Х?。隨之而來的咖啡文化充滿生活的每個(gè)時(shí)刻。無論在家里、還是在辦公室或各種社交場合，人們都在品著咖啡?？Х戎饾u與時(shí)尚、現(xiàn)代生活聯(lián)系在一齊。遍布各地的咖啡屋成為人們交談、聽音樂、休息的好地方，咖啡豐富著我們的生活，也縮短了你我之間的距離，咖啡逐漸發(fā)展為一種文化。隨著咖啡這一有著悠久歷史飲品的廣為人知，咖啡正在被越來越多的中國人所理解。第二部分：項(xiàng)目介紹第三部分：創(chuàng)業(yè)優(yōu)勢(shì)目前大學(xué)校園的這片市場還是空白，競爭壓力小。而且前期投資也不是很高，此刻國家鼓勵(lì)大學(xué)生畢業(yè)后自主創(chuàng)業(yè)，有一系列的優(yōu)惠政策以及貸款支持。再者大學(xué)生往往對(duì)未來充滿期望，他們有著年輕的血液、蓬勃的朝氣，以及初生牛犢不怕虎的精神，而這些都是一個(gè)創(chuàng)業(yè)者就應(yīng)具備的素質(zhì)。大學(xué)生在學(xué)校里學(xué)到了很多理論性的東西，有著較高層次的技術(shù)優(yōu)勢(shì)，現(xiàn)代大學(xué)生有創(chuàng)新精神，有對(duì)傳統(tǒng)觀念和傳統(tǒng)行業(yè)挑戰(zhàn)的信心和欲望，而這種創(chuàng)新精神也往往造就了大學(xué)生創(chuàng)業(yè)的動(dòng)力源泉，成為成功創(chuàng)業(yè)的精神基礎(chǔ)。大學(xué)生創(chuàng)業(yè)的最大好處在于能提高自己的潛力、增長經(jīng)驗(yàn)，以及學(xué)以致用;最大的誘人之處是透過成功創(chuàng)業(yè)，能夠?qū)崿F(xiàn)自己的理想，證明自己的價(jià)值。第四部分：預(yù)算1、咖啡店店面費(fèi)用咖啡店店面是租賃建筑物。與建筑物業(yè)主經(jīng)過協(xié)商，以合同形式達(dá)成房屋租賃協(xié)議。協(xié)議資料包括房屋地址、面積、結(jié)構(gòu)、使用年限、租賃費(fèi)用、支付費(fèi)用方法等。租賃的優(yōu)點(diǎn)是投資少、回收期限短。預(yù)算10-15平米店面，啟動(dòng)費(fèi)用大約在9-12萬元。2、裝修設(shè)計(jì)費(fèi)用咖啡店的滿座率、桌面的周轉(zhuǎn)率以及氣候、節(jié)日等因素對(duì)收益影響較大?？Х瑞^的消費(fèi)卻相對(duì)較高，主要針對(duì)的也是學(xué)生人群，咖啡店布局、格調(diào)及采用何種材料和咖啡店效果圖、平面圖、施工圖的設(shè)計(jì)費(fèi)用，大約6000元左右3、裝修、裝飾費(fèi)用具體費(fèi)用包括以下幾種。(1)外墻裝飾費(fèi)用。包括招牌、墻面、裝飾費(fèi)用。(2)店內(nèi)裝修費(fèi)用。包括天花板、油漆、裝飾費(fèi)用，木工、等費(fèi)用。(3)其他裝修材料的費(fèi)用。玻璃、地板、燈具、人工費(fèi)用也應(yīng)計(jì)算在內(nèi)。整體預(yù)算按標(biāo)準(zhǔn)裝修費(fèi)用為360元/平米，裝修費(fèi)用共360*15=5400元。4、設(shè)備設(shè)施購買費(fèi)用具體設(shè)備主要有以下種類。(1)沙發(fā)、桌、椅、貨架。共計(jì)2250元(2)音響系統(tǒng)。共計(jì)450(3)吧臺(tái)所用的烹飪?cè)O(shè)備、儲(chǔ)存設(shè)備、洗滌設(shè)備、加工保溫設(shè)備。共計(jì)600(4)產(chǎn)品制造使用所需的吧臺(tái)、咖啡杯、沖茶器、各種小碟等。共計(jì)300凈水機(jī)，采用美的品牌，這種凈水器每一天能生產(chǎn)12l純凈水，每一天銷售咖啡及其他飲料100至200杯，價(jià)格大約在人民幣1200元上下。咖啡機(jī)，咖啡機(jī)選取的是電控半自動(dòng)咖啡機(jī)，咖啡機(jī)的報(bào)價(jià)此刻就應(yīng)在人民幣350元左右，加上另外的附件也不會(huì)超過1200元。磨豆機(jī)，價(jià)格在330―480元之間。冰砂機(jī)，價(jià)格大約是400元一臺(tái)，有點(diǎn)要說明的是，最好是買兩臺(tái)，不然夏天也許會(huì)不夠用。制冰機(jī)，從制冰量上來說，一般是要留有富余。款制冰機(jī)每一天的制冰量是12kg。價(jià)格稍高550元，質(zhì)量較好，所以能夠用很多年，這么算來也是比較合算的。5、首次備貨費(fèi)用包括購買常用物品及低值易耗品，吧臺(tái)用各種咖啡豆、奶、茶、水果、冰淇淋等的費(fèi)用。大約1000元6、開業(yè)費(fèi)用開業(yè)費(fèi)用主要包括以下幾種。(1)營業(yè)執(zhí)照辦理費(fèi)、登記費(fèi)、保險(xiǎn)費(fèi);預(yù)計(jì)3000元(2)營銷廣告費(fèi)用;預(yù)計(jì)450元7、周轉(zhuǎn)金開業(yè)初期，咖啡店要準(zhǔn)備必須量的流動(dòng)資金，主要用于咖啡店開業(yè)初期的正常運(yùn)營。預(yù)計(jì)2000元共計(jì)： 120000+6000+5400+2250+450+600+300+1200+1200+480+400+550+1000+3000+450+2000=145280元第五部分：發(fā)展計(jì)劃1、營業(yè)額計(jì)劃那里的營業(yè)額是指咖啡店日常營業(yè)收入的多少。在擬定營業(yè)額目標(biāo)時(shí)，必須要依據(jù)目前市場的狀況，再思考到咖啡店的經(jīng)營方向以及當(dāng)前的物價(jià)情形，予以綜合衡量。按照目前流動(dòng)人口以及人們對(duì)咖啡的喜好預(yù)計(jì)每一天的營業(yè)額為400-800，根據(jù)淡旺季的不同可能上下浮動(dòng)2、采購計(jì)劃依據(jù)擬訂的商品計(jì)劃，實(shí)際展開采購作業(yè)時(shí)，為使采購資金得到有效運(yùn)用以及商品構(gòu)成達(dá)成平衡，務(wù)必針對(duì)設(shè)定的商品資料排定采購計(jì)劃。透過營業(yè)額計(jì)劃、商品計(jì)劃與采購計(jì)劃的確立，我們不難了解，一家咖啡店為了營業(yè)目標(biāo)的達(dá)成，同時(shí)有效地完成商品構(gòu)成與靈活地運(yùn)用采購資金，各項(xiàng)基本的計(jì)劃是不可或缺的。當(dāng)一家咖啡店設(shè)定了營業(yè)計(jì)劃、商品計(jì)劃及采購計(jì)劃之后，即可依照設(shè)定的采購金額進(jìn)行商品的采購。經(jīng)過進(jìn)貨手續(xù)檢驗(yàn)、標(biāo)價(jià)之后，即可寫在菜單上。之后務(wù)必思考的事情，就是如何有效地將這些商品銷售出去。3、人員計(jì)劃為了到達(dá)設(shè)定的經(jīng)營目標(biāo)，經(jīng)營者務(wù)必對(duì)人員的任用與工作的分派有一個(gè)明確的計(jì)劃。有效利用人力資源，開展人員培訓(xùn)，都是我們務(wù)必思考的。4、經(jīng)費(fèi)計(jì)劃經(jīng)營經(jīng)費(fèi)的分派是管理的重