葡萄酒質(zhì)量評(píng)價(jià)模型及引力波的實(shí)驗(yàn)探測(cè)給我們的啟示

PAGEPAGE2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(wú)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(wú)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(guó)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?。海蒻atlab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(chǎng)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?jī)煞N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(wú)把握0.2判斷非常無(wú)把握0.4判斷比較無(wú)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(wú)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?jī)蓚€(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?jī)蓚€(gè)樣品之間的距離每?jī)蓚€(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(zhǎng)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5.7.1Step1：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。可以應(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(jìng)爭(zhēng)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(guó)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(guó)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')

引力波的實(shí)驗(yàn)探測(cè)給我們的啟示摘要：引力理論的發(fā)展經(jīng)歷了數(shù)百年，從牛頓到愛因斯坦，從萬(wàn)有引力定律到廣義相對(duì)論。在這過程中，科學(xué)家們引力波的預(yù)言質(zhì)疑不休、爭(zhēng)論不止。而引力波的實(shí)驗(yàn)探測(cè)無(wú)疑證明了一切。引力波的發(fā)現(xiàn)，彌補(bǔ)了愛因斯坦的廣義相對(duì)論的漏洞，也確定了他的理論的正確。這是人類史上出現(xiàn)的又一契機(jī)，它將為人類社會(huì)帶來重大變革?！捌莆濉笔侵袊?guó)傳統(tǒng)迎財(cái)神的日子。2016年的這一天，卻一個(gè)讓全世界物理學(xué)界沸騰的日子，甚至許多的物理學(xué)家為之痛哭流涕——被預(yù)言已經(jīng)百年的引力波，終于被探測(cè)到了。引力是什么？在今天人們所知道的物質(zhì)的四種基本相互作用中，引力作用為最弱。四種相互作用按作用強(qiáng)度比例順序是：強(qiáng)相互作用(1),電磁相互作用(10),弱相互作用(10),引力相互作用(10)。因此，在研究基本粒子的運(yùn)動(dòng)時(shí)，引力一般略去不計(jì)。但在天文學(xué)領(lǐng)域內(nèi)，由于涉及的對(duì)象的質(zhì)量極其巨大，引力就成為不僅支配著天體的運(yùn)動(dòng)，而且往往是天體的結(jié)構(gòu)和演化的決定因素。引力并不是一種所謂的“力”，而是一種屬性。牛頓在1687年出版的《自然哲學(xué)的數(shù)學(xué)原理》一書中首次提出萬(wàn)有引力定律，基于此，他結(jié)識(shí)了彗星的運(yùn)動(dòng)軌道和地球上的潮汐現(xiàn)象，并根據(jù)萬(wàn)有引力定律成功地預(yù)言并發(fā)現(xiàn)了海王星。萬(wàn)有引力定律出現(xiàn)后，才正式把研究天體的運(yùn)動(dòng)建立在力學(xué)理論的基礎(chǔ)上，從而創(chuàng)立了天體力學(xué)。簡(jiǎn)單的說，質(zhì)量越大的東西產(chǎn)生的引力越大，地球的質(zhì)量產(chǎn)生的引力足夠把地球上的東西全部抓牢。1905年，愛因斯坦提出狹義相對(duì)論，突破了絕對(duì)時(shí)間和絕對(duì)空間的概念，否定了瞬時(shí)超距作用，從根本上動(dòng)搖了建立在這些舊觀念基礎(chǔ)上的牛頓引力理論。經(jīng)過十年的探索后，愛因斯坦于1915年提出了迄今為止最成功的近代引力理論——廣義相對(duì)論。廣義相對(duì)論中，引力被歸咎于時(shí)空的彎曲。這種彎曲是由物質(zhì)造成的，物質(zhì)的質(zhì)量越大，所形成的扭曲也就越嚴(yán)重。但是這種彎曲，對(duì)于人類來說根本感知不到，一是因?yàn)槿祟惏殡S這種彎曲一起彎曲了，而是由于這種彎曲太微小。大質(zhì)量物體發(fā)生的扭曲引起了震動(dòng)，而這種震動(dòng)，就是引力波?？茖W(xué)家們通過探測(cè)這種時(shí)空震蕩，來證實(shí)引力波的存在。早在1916年，愛因斯坦在廣義相對(duì)論中就預(yù)言了引力波的存在。而科學(xué)家們普遍認(rèn)為，這次LIGO這一發(fā)現(xiàn)是愛因斯坦相對(duì)論實(shí)驗(yàn)驗(yàn)證中最后一塊缺失的“拼圖”，證實(shí)了愛因斯坦廣義相對(duì)論的正確性，彌補(bǔ)了愛因斯坦的廣義相對(duì)論的漏洞，驗(yàn)證了已故科學(xué)家愛因斯坦的預(yù)言。探測(cè)的儀器叫做邁克爾遜干涉儀，或是LIGO。LIGO的“兩條腿”都有4千米長(zhǎng)，最近的一次升級(jí)就花去了幾十億美元。LIGO的原理是什么？簡(jiǎn)單來說是利用光速不變，在同樣的直線路程里測(cè)試耗時(shí)，而通過時(shí)間的偏差（盡最大可能排除誤差，也是耗資巨大的原因）來判定空間確實(shí)存在震動(dòng)。這樣的實(shí)驗(yàn)設(shè)置基于愛因斯坦的假設(shè)：光速不變，是因?yàn)橐怨獾囊暯强矗赝窘?jīng)過的空間發(fā)生了折疊伸縮。可能的引力波探測(cè)源包括致密雙星系統(tǒng)（白矮星，中子星和黑洞）。在2016年2月11日，LIGO科學(xué)合作組織和Virgo合作團(tuán)隊(duì)宣布他們已經(jīng)利用高級(jí)LIGO探測(cè)器，首次探測(cè)到了來自于雙黑洞合并的引力波信號(hào)。在過去的數(shù)十年里，許多物理學(xué)家和天文學(xué)家為證明引力波的存在進(jìn)行了大量研究。其中，泰勒和赫爾斯由于第一次得到引力波存在的間接證據(jù)榮獲1993年諾貝爾物理學(xué)獎(jiǎng)。到目前為止，類似的雙中子星系統(tǒng)已經(jīng)發(fā)現(xiàn)了近十個(gè)，但是雙黑洞系統(tǒng)卻是首次。在實(shí)驗(yàn)方面，第一個(gè)對(duì)直接探測(cè)引力波作偉大嘗試的人是韋伯。雖然他的共振棒探測(cè)器最后沒能找到引力波，但是韋伯開創(chuàng)了引力波實(shí)驗(yàn)科學(xué)的先河，為如今的碩果打下了基礎(chǔ)。因?yàn)樵诘孛嫔虾苋菀资艿礁蓴_，所以物理學(xué)家們也在向太空進(jìn)軍。歐洲的空間引力波項(xiàng)目eLISA（演化激光干涉空間天線）。eLISA將由三個(gè)相同的探測(cè)器構(gòu)成為一個(gè)邊長(zhǎng)為五百萬(wàn)公里的等邊三角形，同樣使用激光干涉法來探測(cè)引力波。此項(xiàng)目已經(jīng)歐洲空間局通過批準(zhǔn)，正式立項(xiàng)，目前處于設(shè)計(jì)階段，計(jì)劃于2034年發(fā)射運(yùn)行。作為先導(dǎo)項(xiàng)目，兩顆測(cè)試衛(wèi)星已經(jīng)于2015年12月3日發(fā)射成功，目前正在調(diào)試之中。中國(guó)的科研人員，在積極參與目前的國(guó)際合作之外之外，也在籌建自己的引力波探測(cè)項(xiàng)目。引力波的實(shí)驗(yàn)探測(cè)引起了世界范圍的轟動(dòng)，這些探測(cè)極其不易，宇宙中發(fā)生爆炸性的大事件時(shí)產(chǎn)生的引力波，才相對(duì)容易探測(cè)到，例如黑洞合并、星系合并、超新星爆炸等。100年前，愛因斯坦在預(yù)言引力波存在時(shí)就曾說：“這些數(shù)值是如此微小，她們不會(huì)對(duì)任何的東西產(chǎn)生顯著的作用，沒人能夠去測(cè)量它們?！辈桃环蚪o出解釋：“時(shí)間發(fā)生得越早，距離越遠(yuǎn)，越會(huì)在宇宙中傳播期間被紅移。紅移指的是由于宇宙本身的膨脹將所有的波動(dòng)的波長(zhǎng)拉直拉平，這樣其波動(dòng)性就難以被探測(cè)到。例如，這次LIGO探測(cè)到的引力波，是13億年以前兩個(gè)大約30個(gè)太陽(yáng)質(zhì)量的黑洞并合所產(chǎn)生的引力波，振幅之小，是在原子核尺寸的千分之一的尺度。能探測(cè)到真的是非常不容易，LIGO實(shí)驗(yàn)組的科學(xué)家們也是在幾十年里經(jīng)歷多次挫折，不斷調(diào)整方案，改進(jìn)儀器，才最終探測(cè)到的。”所以它的成功探測(cè)也標(biāo)志著在這個(gè)領(lǐng)域人類的技術(shù)進(jìn)步到了前所未有的水平。而它所具有的里程碑意義不止在科學(xué)情感上，更在于能夠打開人類的一個(gè)新的世界——每個(gè)人都對(duì)它滿懷期待。如果電磁波探測(cè)是人類的眼睛，那么人類又多了一雙聆聽外界的耳朵。馬克斯·普朗克引力物理研究所說：“在《星際穿越》和《三體》中，都不約而同地將引力波選為了未來科技發(fā)達(dá)的人類的通訊手段，這也許只能是美好的幻想，但對(duì)于天文研究而言，引力波的確開啟了一扇新的窗口。吹進(jìn)來的第一縷清風(fēng)，就帶來了一個(gè)重大的信息：極重的恒星級(jí)雙黑洞系統(tǒng)存在并可以在足夠短的時(shí)間（10億年）內(nèi)并合。這是讓我們始料未及的。誰(shuí)能知道在將來的更多的探測(cè)中，LIGO和一眾引力波探測(cè)器能帶給我們什么樣的驚喜呢？”引力波有兩個(gè)非常重要而且比較獨(dú)特的性質(zhì)。第一：不需要任何的物質(zhì)存在于引力波源周圍。這時(shí)就不會(huì)有電磁輻射產(chǎn)生。第二：引力波能夠幾乎不受阻擋的穿過行進(jìn)途中的天體。比如，來自于遙遠(yuǎn)恒星的光會(huì)被星際介質(zhì)所遮擋，引力波能夠不受阻礙的穿過。對(duì)于天文學(xué)家來說，這兩個(gè)特征允許引力波攜帶有更多的之前從未被觀測(cè)過的天文現(xiàn)象信息，而每一個(gè)電磁波譜的打開，都會(huì)為我們帶來前所未有的發(fā)現(xiàn)。天文學(xué)家們同樣期望引力波也是如此。而引力波本身的性質(zhì)也可能對(duì)基礎(chǔ)物理學(xué)產(chǎn)生巨大的影響。另外，引力波蘊(yùn)含的，很可能是宇宙誕生的畫面。我們從小都被告知一個(gè)最著名的猜想——宇宙是在一場(chǎng)爆炸中誕生的。這意味著，在時(shí)空的開始，宇宙又一次最為劇烈的震動(dòng)。引力波就能讓我們還原這個(gè)震動(dòng)——它是否存在？有多大規(guī)模？不僅如此，引力波還能傳遞信息——我們看不到的宇宙空間在發(fā)生什么？據(jù)科學(xué)家解釋，這次的引力波就是在遙遠(yuǎn)的距離上巨大的黑洞變化引起的。而這一結(jié)果也證明了黑洞真實(shí)存在——至少是廣義相對(duì)論預(yù)測(cè)的由純凈、真空、扭曲時(shí)空組成的完美圓形物體。并且，引力波傳遞的信息可以讓科學(xué)家更精確地估計(jì)宇宙膨脹的速度。總而言之，一個(gè)新的重大科學(xué)發(fā)現(xiàn)，總會(huì)給人類社會(huì)帶來無(wú)法預(yù)估的發(fā)展。18世紀(jì)面熟電磁波的麥克斯韋理論確認(rèn)的時(shí)候，也沒人知道會(huì)給人類帶來什么，但是現(xiàn)在不管是電視機(jī)還是移動(dòng)電話，都與電磁現(xiàn)象有關(guān)。引力波的發(fā)現(xiàn)類似當(dāng)年的發(fā)現(xiàn)X光一樣，是一種工具。有了這個(gè)工具，我們可以利用引力波的觀察，去觀察遙遠(yuǎn)的宇宙的現(xiàn)象。發(fā)現(xiàn)暗物質(zhì)、時(shí)空穿梭等等才是有可能實(shí)現(xiàn)的事情。如果沒有引力波，以我們現(xiàn)有的技術(shù)是做不到這些科幻世界才有的事情的?！凹热灰Σㄊ谴嬖诘模谝Σǖ目蒲兴悸房尚判跃痛蟠筇岣吡?。就好像走一條未知的路，走到半路，有人懷疑不對(duì)，結(jié)果證實(shí)是對(duì)的，那么就可以加快步伐了?！碧K萌說。世界各國(guó)都加大了探測(cè)研究引力波的力度，我國(guó)也緊跟探索引力波的步伐。“天琴計(jì)劃”參與者、中山大學(xué)天文與空間科學(xué)研究院院長(zhǎng)李淼教授介紹，“天琴計(jì)劃”是我國(guó)自主開展空間引力波探測(cè)的可行方案，發(fā)射三顆衛(wèi)星探測(cè)引力波，該計(jì)劃預(yù)期執(zhí)行期為2016~2035年，分四階段實(shí)施。項(xiàng)目還將挖山洞，建觀測(cè)站以及建設(shè)綜合研究大樓。預(yù)計(jì)擬投三億啟動(dòng)。天琴計(jì)劃預(yù)期執(zhí)行期為2016-2035年，分四階段實(shí)施：（1）2016-2020年：完成月球/深空衛(wèi)星激光測(cè)距、空間等效原理檢驗(yàn)實(shí)驗(yàn)和下一代重力衛(wèi)星實(shí)驗(yàn)所需關(guān)鍵技術(shù)研發(fā)。主要研發(fā)成果包括：新一代月球激光測(cè)距反射器、月球激光測(cè)距臺(tái)站、高精度加速度計(jì)、無(wú)拖曳控制（包含微推進(jìn)器）、高精度星載激光干涉儀、星間激光測(cè)距技術(shù)等；（2）2021-2025年：完成空間等效原理檢驗(yàn)實(shí)驗(yàn)和下一代重力衛(wèi)星實(shí)驗(yàn)工程樣機(jī)，并成功發(fā)射下一代重力衛(wèi)星和空間等效原理實(shí)驗(yàn)衛(wèi)星。主要研發(fā)成果包含：超靜衛(wèi)星平臺(tái)、高精度大型激光陀螺儀以及進(jìn)一步提高加速度計(jì)、無(wú)拖曳控制、高精度星載激光干涉儀、星間激光測(cè)距等技術(shù)；（3）2026-2030年：完成空間引力波探測(cè)關(guān)鍵技術(shù)，完成衛(wèi)星載荷工程樣機(jī)；（4）2031-2035年：進(jìn)行衛(wèi)星系統(tǒng)整機(jī)聯(lián)調(diào)測(cè)試、系統(tǒng)組裝，發(fā)射空間引力波探測(cè)衛(wèi)星。李淼介紹，“天琴計(jì)劃”的出發(fā)點(diǎn)是切實(shí)根據(jù)我國(guó)的技術(shù)能力實(shí)際和未來幾十年的發(fā)展前景，提出我國(guó)自主開展空間引力波探測(cè)的可行方案。在目前討論的初步概念中，天琴將采用三顆全同的衛(wèi)星構(gòu)成一個(gè)等邊三角形陣列，每顆衛(wèi)星內(nèi)部都包含一個(gè)或兩個(gè)極其小心懸浮起來的檢驗(yàn)質(zhì)量。衛(wèi)星上將安裝推力可以精細(xì)調(diào)節(jié)的微牛級(jí)推進(jìn)器，實(shí)時(shí)調(diào)節(jié)衛(wèi)星的運(yùn)動(dòng)姿態(tài)，使得檢驗(yàn)質(zhì)量始終保持與周圍的保護(hù)容器互不接觸的狀態(tài)。這樣檢驗(yàn)質(zhì)量將只在引力的作用下運(yùn)動(dòng)，而來自太陽(yáng)風(fēng)或太陽(yáng)光壓等細(xì)微的非引力擾動(dòng)將被衛(wèi)星外殼屏蔽掉。高精度的激光干涉測(cè)距技術(shù)將被用來記錄由引力波引起的、不同衛(wèi)星上檢驗(yàn)質(zhì)量之間的細(xì)微距離變化，從而獲得有關(guān)引力波的信息?！疤烨佟钡男l(wèi)星將在以地球?yàn)橹行?、高度約10萬(wàn)公里的軌道上運(yùn)行，針對(duì)確定的引力波源進(jìn)行探測(cè)。這樣的選擇能夠避免測(cè)到引力波信號(hào)卻無(wú)法確定引力波源的問題。中國(guó)科學(xué)院也于2016年2月16日公布了空間引力波探測(cè)與研究的“空間太極計(jì)劃”。按照這一計(jì)劃，我國(guó)將在2030年前后發(fā)射由位于等邊三角形頂端三顆衛(wèi)星組成的引力波探測(cè)星組，用激光干涉方法進(jìn)行中低頻波段引力波的直接探測(cè)。主要科學(xué)目標(biāo)是觀測(cè)雙黑洞并合和極大質(zhì)量比天體并合時(shí)產(chǎn)生的引力波輻射，以及其他的宇宙引力波輻射過程。中科院力學(xué)研究所胡文瑞院士表示，“我國(guó)目前的技術(shù)能力與國(guó)際先進(jìn)水平還有一定的差距，這種差距可以通過良好的國(guó)際合作得到一定的彌補(bǔ)?！焙娜鹫f，“空間太極計(jì)劃”是一個(gè)中歐合作的國(guó)際合作計(jì)劃，目前有兩個(gè)方案：方案一是參加歐洲空間局的eLISA雙邊合作計(jì)劃；方案二是發(fā)射一組中國(guó)的引力波探測(cè)衛(wèi)星組，與2035年左右發(fā)射的eLISA衛(wèi)星組同時(shí)遨游太空，進(jìn)行低頻引力波探測(cè)。據(jù)介紹，空間引力波探測(cè)被列入中科院制訂的空間2050年規(guī)劃。2008年由中科院發(fā)起，中科院多個(gè)研究所及院外高?？蒲袉挝还餐瑓⑴c。引力波的發(fā)現(xiàn)是感人至深的，它印證了一位物理學(xué)大師的睿智偉大，為年富力強(qiáng)的物理學(xué)家們?cè)鎏砹诵判暮桶参俊Ｔ诶硇陨希Σǖ陌l(fā)現(xiàn)更是激動(dòng)人心的，人類的歷史將會(huì)改寫，一切都是未知，未知也許會(huì)更加美好。參考文獻(xiàn)：[1].柏格曼著，周奇、郝蘋譯：《相對(duì)論引論》，高等教育出版社，北京，1961。(P.G.Bergmann,IntroductiontotheTheoryofRelativity,Butterworths,London,1958.)[2].溫伯格著，鄒振隆譯：《引力和宇宙論》，科學(xué)出版社，北京，1979。(S.Weinberg,GravitationandCosmology,JohnWileyandSons,NewYork,1972.)[3].北京:科學(xué)出版社,1977.J·韋伯著,陳鳳至,張大衛(wèi).《廣義相對(duì)論與引力波》[4].《引力波與引力波探測(cè)》李芳昱、張顯洪[5].《引力、引力波和引力波的探測(cè)》薛鳳家，《大學(xué)物理》[6].《空間