2022年葡萄酒的评价.docx

精选学习资料 - - - - - - - - - 葡萄酒的评判摘 要葡萄酒的评判问题是制酒行业需面对的重要问题,合理的解决评酒员对葡萄酒进行品质鉴定时显现的问题对其至关重要；本文分别建立了方差模型、 主成分分析模型、多元线性回来模型,解决了组间差异性、葡萄的分级、葡萄与酒的指标间的联系和理化指标对酒质量的影响四个问题,学的葡萄酒评判体系；为葡萄酒的评判提出了一套科针对问题一, 先对给定数据进行分析, 剔除评分不完整或出错的数据；然后对剩余数据进行加和取平均处理, 得到各个评酒员对于酒样的总评分与每组平均分；接着,建立单因素方差分析模型,用Matlab 软件处理,求得红白葡萄酒样品的返回值, 得出两组评酒员在红葡萄酒的打分上无显著性差异,在白葡萄酒的打分上有显著差异；最终建立方差分析模型,对每一组评酒员的评分方差用Matlab 软件求和,得出其次组方差较小,结果更可信；针对问题二, 由于给定的葡萄理化指标太多, 我们采纳主成分分析法来确定主成分,降低维度；然后用min-max 标准化方法对原始数据进行处理,得到标准总分值；通过运算可以得到红葡萄的综合得分 红,将二者按 73 的比重运算加权可以得到总分Y1红和红葡萄酒质量指标值Y2Y；最终依据分数段对葡萄进行分级；针对问题三, 我们以葡萄的理化指标的主因子为因变量,以葡萄酒理化指标 的主因子自变量, 建立多元线性回来方程模型； 然后由回来系数表中的系数大小 得出酿酒葡萄中的各物质与葡萄酒中的各物质呈线性相关；针对问题四, 我们将问题合理转化为酒的理化指标对酒的得分的影响；为了 建立了 看二者的关系, 我们对理化分数与葡萄酒的理化指标进行了相关性分析,以酒的理化指标为自变量, 酒的理化得分为因变量的多元线性回来方程；回带理化指标后, 将得到的分数除以其比重0.6 ,得到新的总分, 将其与原总分做拟合,二者趋势相同, 但拟合度很低, 说明理化指标对酒质量有影响,但不能只用理化指标来评判葡萄酒的质量本文所用模型先对错误数据进行了剔除,析法,降低了维度,使模型的求解变得简洁；使结果更可信, 并运用了主成分分关键字： 单因素方差分析；方差分析；min-max 标准化；多元线性回来1 名师归纳总结 - - - - - - -第 1 页,共 17 页精选学习资料 - - - - - - - - - 1.问题重述葡萄酒的质量通过一些有资质的评酒员品评来确定的；每个评酒员要先对样品葡萄酒进行品尝, 再对各类指标打分, 然后求和得总分, 最终确定葡萄酒的质 量；葡萄酒的质量与酿酒葡萄的好坏有直接关系,定程度上反映酒和葡萄的质量；酒和葡萄检测的理化指标在一附件 1 给出了某一年份一些葡萄酒的评判结果,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；建立数学模型争论以下问题：1. 分析附件 1 中两组评酒员的评判结果有无显著性差异,哪组结果更可信？2. 依据葡萄的理化指标和酒的质量对葡萄进行分级；3. 分析葡萄与酒的理化指标之间的联系；4分析葡萄和酒的理化指标对酒质量的影响,并论证能否用葡萄和葡萄酒的理 . 化指标来评判葡萄酒的质量2.基本假设1.假设呈给评酒员的酒样品没有出错,品酒过程中无突发大事发生；2.假设酿酒工艺和贮存条件等对葡萄酒质量及理化指标无影响；3.假设酿酒葡萄和葡萄酒的理化指标和芳香物质在肯定时间内不发生转变；3.通用符号说明序符号符号的意义号1 p1,2,327）anova1 命令的返回值2 a（i第一组 10 位评委对红酒样品的总评分3 a（2 ii1,2,327）其次组 10 位评委对红酒样品的总评分4 S（1 ii1,2,327）第一组每位评酒员的评分方差5 S（2 ii1,2,327）其次组每位评酒员的评分方差6 1Y红红葡萄的综合得分7 Y 红红葡萄酒质量指标值2 名师归纳总结 - - - - - - -第 2 页,共 17 页精选学习资料 - - - - - - - - - 4.问题一的模型建立与求解问题分析由于所给数据存在错误, 我们需要剔除出给定数据中明显错误的数据,以真实地反映出两组评酒员的差异及可信度问题；由于数据量较大, 我们需要通过求各组评酒员对于酒样品的总评对数据进行整合、简化；对于两组评酒员的评判结果有无显著性差异的问题,由于影响因素只有组数,我们拟建立单因素方差分析 处理此均衡数据,得到返回值1模型,准备用 Matlab 软件中的 anova1 命令来 p,来评判两组评酒员的评分有无显著性差异；对于哪组结果更可信问题, 要通过组内成员的打分在均值四周的波动情形判断,所以我们拟建立方差分析1模型,通过编写 Matlab 程序来解决；通过运算一、二组对红、白葡萄酒样品评分的方差和, 比较得出方差和小的那一组结果更可信；4.2 数据处理第一,附件 1 的第一组红葡萄酒品尝评分表中,4 号评酒员对 20 号酒样品的色调未作评判,所以我们将此 20 号酒样品的色调数据剔除出去；附件 1 的第一组白葡萄酒品尝评分表中,6 号评酒员对 3 号酒样长久性打分超过总分值,9号评酒员对 8 号酒样长久性打分超过总分值,所以剔除数据；然后求出第一组中每个评酒员对每个红葡萄酒样品的评分总和,将每个评酒员的评分总和相加, 再取平均值, 这样就得到了评酒员对每个红葡萄酒样品的平均分；同理求得其次组中评酒员对每个红葡萄酒样品的平均分；将红酒样品按序号排列,整理得到一二组红葡萄酒平均分表格,见附录1 表 1；用同样的方法处理白酒样品的评分表,得到一二组白葡萄酒平均分表格,见附录 1 表 2；模型的建立与求解4.单因素方差分析模型对于两组评酒员的评判结果有无显著性差异的问题,由于只考虑一个因素A不同组 对红、白葡萄酒质量评判的影响, 可以建立两个单因素方差分析模型分别得出；先看红葡萄酒,单因素 A 取两个水平 A 1,A 2即第一组和其次组 ,在水平 Ai 下总体 xi 听从正态分布 Ni, 2,i=1,2, i, 2 未知, i 可以不同,但假定xi 有相同的方差；又设在每个水平 A i 下作了 27 次独立试验即 27 个红葡萄酒样品,试验过程中除 A 外其他影响指标的因素都保持不变；将这些数据列成下表形式；表 1. 单因素分析表A 1x 11 x12 x 127 A 2x 21 x22 x 227xij为第 i 组第 j 次独立试验；3 名师归纳总结 - - - - - - -第 3 页,共 17 页精选学习资料 - - - - - - - - - 判定 A 的两个水平对评分有无显著影响,相当于要作以下假设检验：H0：12;H1：1,2不全相等由于 xij 的取值受 A i 与随机因素ij的影响,所以需要将其分解：平x ijiij,i1,2,j1,2,., 27 1其中ijN0,2,且相互独立； 记ii为水为红葡萄酒样品得分的总均值,iA 对评分的效应,就：2 21i2nii,n1n i,ii,i1,21n由 12可将模型表示为但取x ijiij2i0i1ijN0,2,i1,2, j1,2,.,ni原假设为H0:120取=0.01,拒绝H ,称因素 A 的影响特别显著；取=0.01,不拒绝H ,0.05,拒绝H ,称因素 A 的影响显著；取0.05,不拒绝H ,称因素 A 无显著影响；此模型我们用Matlab 统计工具箱中的单因素方差分析的anova1 命令来求解；此题的数据为均衡数据,处理方法为：返回值 p 是一个概率,当ppanova 1x时接受H ；x 为矩阵,第一列为第一组评酒员对每个红葡萄酒样品的平均分,其次列对 应为其次组评酒员对这个红葡萄酒样品的平均分；Matlab 程序见附录 1,运行结果见附录 1；由运行结果得返回值 打分无显著差异；p=>, 说明说明第一组与其次组评酒员对红葡萄酒的接着,我们将两组中的评酒员用单因素方差分析在组内进行比较,用 Matlab软件中的 anova1命令求解,程序同上；由运行结果得出第一组的返回值为 006,其次组的返回值为 0,说明第一组与其次组中的 10 位评酒员的评分间均有显著差异,他们在各项打分上都与平均值相差较大；我们对白葡萄数据用同样方法处理,二组对白葡萄酒的打分有显著差异；4 名师归纳总结 - - - - - - -第 4 页,共 17 页精选学习资料 - - - - - - - - - 综上,我们由单因素方差分析模型得出：异；两组在白葡萄酒的评分上存在显著差异；方差分析模型两组在红葡萄酒的评分上无显著差为明白决哪组结果更可信的问题,我们建立方差分析模型如下：记第一组 10 位评委对红酒样品的总评分为：a1ii=1,2,3 27; 每一位评酒员的评分方差为 S1ii=1,2,3 27；其次组 10 位评委对红酒样品的评分为 : a2ii=1,2,3 27; 每一位评酒员的评分方差为 S2ii=1,2,3 27；再对 S1i 和 S2i 中的元素分别求和,得到两组品鉴红葡萄酒的方差和；同理得出两组品鉴白葡萄酒的方差和；结果如下：表 2 一、二组对红、白葡萄酒样品评分的方差和表方差和第一组其次组红葡萄酒样品白葡萄酒样品信；由上表得：其次组对红白葡萄酒的方差和均比较小,说明其次组的结果更可5.问题二的模型建立与求解5.1 问题分析酿酒葡萄的分级与酿酒葡萄的理化指标和葡萄酒的质量有关；对于酿酒葡萄的理化指标,由于给定指标许多,我们拟采纳主成分分析法 1 来进行降维处理,通过运算主成分的贡献率,并累计贡献率,去除对分级影响小的指标；接着,对各主成分得分排序； 对于葡萄酒的质量, 由于问题一的结果得到其次组的评分更可信,我们选取其次组的数据；将其次组 10 个评酒员的评分加和再取平均值,以平均值标准化后作为葡萄酒质量这一指标的值 Y 2 红；然后可以用 min-max 标准化方法对原始数据进行处理,得到标准总分值；通过运算可以得到红葡萄的综合得分 Y 1红和红葡萄酒质量指标值 Y2 红,将二者按 73 的比重运算加权可以得到总分 Y红；最终依据分数段对葡萄进行分级；5.2 模型的建立主成分分析法模型建立过程如下 1：以红葡萄为例, 我们有 27 个样本, 每个样本有 30 个变量, 将原始数据写成一个 27 30 阶的数据矩阵,5 名师归纳总结 - - - - - - -第 5 页,共 17 页精选学习资料 - - - - - - - - - x 11x 12.x 130Xx 21x 22.x 23.x 271x 272.x 2730ijx为第 i 个样本第 j 个变量的数据；第一步,将矩阵用 min-max 方法标准化；其次步,运算相关系数阵；其公式为：x ki 为27kjkjx 2xkix xr ij27k1ki2 x 27xx xk1k1ijx 为第 i 个样本第 j 个变量的数据；得到这样一个相关系数阵：r 11 r 12 . r 130r 21 r 22 . r 23R. . . .r 301 r 302 . r 3030式中 riji,j=1,2, ,30为原始变量的 xi 与 xj 之间的相关系数；第三步,运算 R 的特点值与特点向量；解特点方程的特点值之后将其按从大到小排序；然后分别求对应特点值的特点向量；第四步运算主成分贡献率Ybii=1,2,3, ,10及累计贡献率；y 1y 2为红葡萄的公因子；y iAXa 11x 1.a 130a i1.为红葡萄因子得分系数矩阵；a i30x 2表示每个样品的30 个指标 ; x 30Y AX第五步,得到各主成分的得分； 通过累计方差贡献率加权, 求得每个红葡萄样品的综合得分 Y 1 红；Y 1 红=b 1y 1b2y2+b3y3+.+b iyi6 名师归纳总结 - - - - - - -第 6 页,共 17 页精选学习资料 - - - - - - - - - yi 为主成分；Y 红0.7 Y 1 红0.3 Y 2红5.3 模型的求解数据无量纲化及主成分分析的Matlab 程序见附录 2；由运行结果,我们得到前10 个标准化样本的累计贡献率到达了89%,所以我们取前 10 个为主成分；表贡献率表主成分1 2 3 4 5 贡献率主成分6 7 8 9 10 贡献率由这十个主成分的贡献率大小, 我们通过累计方差贡献率加权, 求得每个红 葡萄样品的综合得分 Y 1 红；然后依据 7:3 的权重求得红葡萄与红葡萄酒样品的综合得分 Y红；红葡萄与红葡萄酒样品的综合得分Y 红见附录 2 ,我们将综合得分从大到小排序,等区间划分分数,得到葡萄的四个等级如下：表 4. 红葡萄样品等级安排表等级等级分数段红葡萄样品号1 ,1.30 1,2,3,8 2 0.81,1.119,12,14,16,17,22,23 3 0.51,0.804,5 ,6,7,11 ,15,18 ,19,20,21,24,27 4 0.20,0.5010,13 ,25,26 表 5. 白葡萄样品等级安排表等级 等级分数段 白葡萄样品号1 0.501,0.75 5,20,21,23 ,24,27,28 2 0.251,0.500 1,2,4,6,7,10,12,14,17,18,22,26 3 0.001,0.250 3,9,11,13,15,25 4 -0.250,0.008,16,19 由表格我们看出： 我们将红白葡萄各分为四个等级；对红葡萄而言, 葡萄的类别呈中间多、两头少的分布,中等质量的葡萄居于多数；对白葡萄而言,前三个等级的葡萄战略大多数,质量差的葡萄较少；6.问题三的模型建立与求解6.1 问题分析为了分析酿酒葡萄与葡萄酒的理化指标之间的联系,方程,看二者是否相关；我们准备建立线性回来因二者理化指标太多, 我们需要利用问题二中得到的红葡萄与红葡萄酒理化 7 名师归纳总结 - - - - - - -第 7 页,共 17 页精选学习资料 - - - - - - - - - 指标的主因子来简化方程； 我们拟定方程红葡萄理化指标的主因子为因变量,红 葡萄酒理化指标的主因子为自变量； 由回来系数表中的系数大小来得出酿酒葡萄 中的各物质与葡萄酒中的各物质是否有亲密联系；6.2 模型的建立以红葡萄和红葡萄酒为例,多元回来模型建立方法如下：设红葡萄理化指标的主因子花色苷、总酚、单宁和可溶性固形物为因变量Yii=1,2,3,4,红葡萄酒理化指标的主因子花色苷、单宁、总酚和酒总黄酮为自变 量 X ii=1,2,3,4；建立方程如下：Y 1L X 1L X2+.+L19X9Y 2L X1L X2+.+L29X9Y 3L X1L X2+.+L39X 9Y 4L X 411L X 422+.+L49X9Lij为第 i 行 j 列的回来系数；6.3 模型的求解对模型使用 Matlab 求解后分别得出以下4 个回来方程0.1500 X4Y 10.02060.7715 X10.1368 X20.1167 X3Y 20.1093 0.0888 X 10.1335 X20.3002 X30.5672 X4Y 30.20040.2670 X 10.1968 X20.1666 X30.3409 X4Y 40.20880.0004 X 11.1575 X21.4123 X30.6867 X4并且求出以上四个方程的相关系数R2,分别对应为0.85652 R 10.8729,R 220.8256,2 R 30.8401,R42R2越接近 1,就回来方程回来性越好；由此得出这四个方程的回来性良好,回来模型成立；可以由回来方程的系数大小比较得出红葡萄的主要影响指标与葡萄酒的主 要理化指标之间的联系如下：1.从整体看红葡萄的主要指标与红葡萄酒的主要指标成正相关；2.红葡萄的花色苷指标与红葡萄酒的单宁指标正相关关系相对亲密,与其他 指标关系不明显；3.红葡萄的总酚指标与红葡萄酒正相关关系亲密,与其他指标关系不明显；4.红葡萄的单宁指标与红葡萄酒酒总黄酮指标正相关关系亲密,与其他指标 关系不明显；5.红葡萄的可溶性固形物指标与红葡萄酒总酚指标负相关关系亲密,指标管关系不明显；与其他使用同样的做法可以得出白葡萄与白葡萄酒理化指标之间的联系：回来方程为：8 名师归纳总结 - - - - - - -第 8 页,共 17 页精选学习资料 - - - - - - - - - Y 10.18732 0.121646X10.317797X20.171833X30.29537X4Y 20.353575 0.442474X 10.100466X20.13278X30.071923X4Y 30.283085 0.080963 X10.289992X20.220229 X30.05071 X4Y 40.586443 0.409801 X10.06597X20.326 62X30.041714X4R2分别为；回来性良好,回来模型可以使用；同样由回来方程的系数大小比较得出红葡萄的主要影响指标与葡萄酒的主 要理化指标之间的联系如下：1.从整体看红葡萄的主要指标与红葡萄酒的主要指标成正相关；2.白葡萄的黄酮醇指标与白葡萄酒总酚指标正相关关系亲密；3.白葡萄的总糖指标与白葡萄酒的单宁指标正相关关系亲密；4.白葡萄的可滴定酸指标与白葡萄酒的总酚和酒总黄酮正相关关系亲密；5.白葡萄的干物质含量指标与白葡萄酒单宁指标及色泽 系,与酒总黄酮有明显负相关关系；b 有明显正相关关7.问题四的模型建立与求解7.1 问题分析由于在第三问得到了酿酒葡萄与葡萄酒的理化指标之间存在肯定线性关系的结论 2 ,又由于酒的质量由评酒员的打分打算,酒有理化指标和芳香指标的区分,所以我们可以将问题转化为酒的理化指标对酒的得分的影响；为了看二者的关系,需要对理化分数与葡萄酒的理化指标进行相关性分析,我们拟通过多元线性回来的方法,变量建立多元线性回来方程；以酒的理化指标为自变量, 酒的理化得分为因我们需要保留相关系数大的自变量,忽视系数小的自变量来简化方程；然后将剩余自变量再做多元线性回来,得到新方程；得到回来方程后用原理化指标运算新理化得分,之后我们再对这个得分 M 进行等比例放大得到整体分数；我们准备将整体分数与原分数采纳拟合的方法作比较；假设拟合度不高就不能只用葡萄和葡萄酒的理化指标来评判葡萄酒的质量,反之就可以；7.2 模型的建立我们以酒的理化指标为自变量, 酒的理化得分为因变量, 建立多元线性回来方程；Y 1c X1c X2+.+cjXjjY 2c X1c X2+.+c 2jX.Y i c X 1 c X 2 +.+c ij X jcij为第 i 行 j 列的回来系数； Xi为自变量酒的理化指标, Yj为因变量；我们需要保留相关系数大的自变量,忽视系数小的自变量； 然后将剩余自变9 名师归纳总结 - - - - - - -第 9 页,共 17 页精选学习资料 - - - - - - - - - 量再做多元线性回来,得到新方程；Y 1c X 1c X2+.+c 1mXmY 2c X 1c X2+.+c 2mXm.Y ic X i 1 1c X i 22+.+c imXmcim 为第 i 行第 m 列相关系数, m 为保留下来的自变量个数；得到回来方程后用原理化指标运算新理化得分,我们准备称其为理化得分M之后我们再对这个得分M进行等比例放大：MM 0.6M 作为整体分数； 之所以挑选比例系数 60 分；0.6 ,是由于在百分制中理化总分为接下来,我们定义得分差值率: BBKMB 为第一问中求得的葡萄酒样的总得分；7.3 模型的求解用 Matlab 处理多元线性回来方程, 程序见附录 4；去掉相关系数小的自变量后,再次建立方程, 对得到的方程与数据做线性拟合,拟合程序及结果图见附录4；由线性拟合图我们可以得到二者存在线性趋势,说明酿酒葡萄和葡萄酒的理 化指标对葡萄酒质量有影响, 但二者契合度不高, 说明只用酿酒葡萄和葡萄酒的 理化指标评判葡萄酒质量不合适；我们再对得到的方程与数据做对数拟合,程序及拟合图见附录 4；我们可以 看出二者整体上同增同减,但契合度照旧不高；由上述过程, 我们得出结论： 酿酒葡萄和葡萄酒的理化指标对葡萄酒质量有 影响,但不能酿酒葡萄和葡萄酒的理化指标对葡萄酒质量有影响；8.模型的评判模型的优点1问题一建立的方差分析模型,将可信度的比较转化为方差大小的比较,当评酒员组数增多时,此模型同样适用；2问题二建立的主成分分析法模型, 供应了适应市场需求的葡萄分级方法, ,此方法适用于大量物品的分类,在分级问题上应用广泛；3问题三与问题四建立的多元线性回来模型,分别以方程的形式表示出了 酿酒葡萄与葡萄酒的理化指标之间的关系、葡萄酒的理化指标与葡萄酒质量之间10 名师归纳总结 - - - - - - -第 10 页,共 17 页精选学习资料 - - - - - - - - - 的关系,将抽象的问题详细化, 依据结果可以直观地看出要酿造满意某些理化指标的葡萄酒需要什么样的葡萄,很好的解决了酒商如何选葡萄的问题；模型的缺点及改良1.针对问题一,可以再对其次组内的每个评酒员的评分做方差分析,看方差 大小,进一步得出其次组内哪些评酒员更牢靠；,可以通过加入葡萄酒的芳香指标,再做一次多元线性回来, 用葡萄和葡萄酒的理化指标与芳香指标一起来评判葡萄酒的质量；方法与问题四相同, 最终看拟合度是否高, 假设拟合度很高, 就可以说明可以用葡萄和葡萄酒的理化指标与芳香指标一起来评判葡萄酒的质量；参考文献1 隋树林,数学建模教程 M ,北京：化学工业出版社,213-220页, 2022. 2 2 吴启凡、贾楠、殷鸣,多模型评判体系的应用争论以葡萄酒为例 J ,数学的实践与熟悉,第 45 卷第 13 期：9-17 页,附录附录 1. 11 名师归纳总结 - - - - - - -第 11 页,共 17 页精选学习资料 - - - - - - - - - 表 1.红葡萄样品酒的平均分样品酒代号1 2 3 4 5 6 7 第一组红其次组红8 74 10 11 12 13 14 样品酒代号9 第一组红66 16 17 18 19 20 73 其次组红21 样品酒代号15 第一组红 其次组红样品酒代号22 23 24 25 26 27 第一组红78 72 73 其次组红表 2.白葡萄酒的平均分样品酒代号1 2 3 4 5 6 7 第一组白82 71 其次组白样品酒代号8 9 10 11 12 13 14 第一组白72 其次组白样品酒代号15 16 17 18 19 20 21 第一组白74 其次组白样品酒代号22 23 24 25 26 27 28 第一组白71 77 其次组白3.Matlab 程序：B=S2; A=B' for j=1:10 for i=1:27 m=10*i-9; n=10*i; Kj,i=sumAj,m:n; end end G=K' for i=1:27 Si=varGi,:,1; end SS1=S' SS=sumS; 名师归纳总结 p=anova1G; 12 第 12 页,共 17 页- - - - - - -精选学习资料 - - - - - - - - - C=G SS1; A=G; for i=1:26 Hi=varAi,:,1; end k=sumH; 附录 2. 1.数据无量纲化的代码 A=S1; for i=1:9; for j=1:27 a=minA:,i;b=maxA:,i;c=Aj,i; Kj,i=c-a/b-a; end end 2.主成成分分析代码 a=S2; coeff,score,latent=princompa b=corrcoefzscorea D=trilb d,v=eigb y1=zscorea*d:,7 f1,i1=sorty1; f2,i2=sorti1; flipudi1,flipudf1,f2 y2=zscorea*d:,6 f1,i1=sorty2; f2,i2=sorti1; flipudi1,flipudf1,f2 y3=zscorea*d:,5 f1,i1=sorty3; f2,i2=sorti1; flipudi1,flipudf1,f2 y4=zscorea*d:,4 f1,i1=sorty4; f2,i2=sorti1; flipudi1,flipudf1,f2 y5=zscorea*d:,3 f1,i1=sorty1; f2,i2=sorti1; flipudi1,flipudf1,f2 13 名师归纳总结 - - - - - - -第 13 页,共 17 页精选学习资料 - - - - - - - - - f1,i1=sorty; f2,i2=sorti1; flipudi1,flipudf1,f2 xxx=sumlatent; %for i=1:30 %Gi=100*latenti/xxx; %end 3. 红葡萄样品号表 3 红葡萄与红葡萄酒样品的综合得分Y红表5 1 2 3 4 Y红6 7 8 9 10 红葡萄样品号Y红11 12 13 14 15 红葡萄样品号Y红16 17 18 19 20 红葡萄样品号Y红21 22 23 24 25 红葡萄样品号Y红26 27 Y白表5 红葡萄样品号Y红白葡萄与白葡萄酒样品的综合得分白葡萄酒代号1 2 3 4 Y白白葡萄酒代号6 7 8 9 10 Y白白葡萄酒代号11 12 13 14 15 Y白白葡萄酒代号16 17 18 19 20 Y 白白葡萄酒代号21 22 23 24 25 Y白白葡萄酒代号26 27 28 Y白附录 3. Matlab 多元回来代码 X0=ones1,27' 14 名师归纳总结 - - - - - - -第 14 页,共 17 页精选学习资料 - - - - - - - - - Y1=K:,1; Y2=K:,2; Y3=K:,3; Y4=K:,4; Y5=K:,5; X1=M:,1; X2=M:,2; X3=M:,3; X4=M:,4; X=ones27,1 ; A=X0 X1 X2 X3 X4; b,bint,r,rint,stats=regressY1,A rcoplotr,rint 附录 4. 1.第一个多元回来X0=ones1,28' Y1=K:,1; Y2=K:,2; Y3=K:,3; Y4=K:,4; X1=M:,1; X2=M:,2; X3=M:,3; X4=M:,4; X=ones28,1 ; A=X0 X1 X2 X3 X4; b,bint,r,rint,stats=regressY,A rcoplotr,rint 2.其次个多元回来 X0=ones1,28' Y1=K:,1; Y2=K:,2; Y3=K:,3; Y4=K:,4; X1=M:,1; X2=M:,2; X3=M:,3; X4=M:,4; X=ones28,1 ; A=X0 X1 X2 X3 X4; 15 名师归纳总结 - - - - - - -第 15 页,共 17 页精选学习资料 - - - - - - - - - b,bint,r,rint,stats=regressY,A rcoplotr,rint 3.对数拟合程序 x=P' y=SS1; f = fittype'a*log10x+b' fit1 = fitx',y',f,'StartPoint',x1 y1; a = fit1.a; b = fit1.b; fdata = fevalfit1,x' figure plotx,y; hold on plotx,fdata','r' hold off legend'Ori data',' Fitting data' 4.线性拟合程序 x=P' y=SS1; U,S=polyfitx,y,1; yfit=U1*x+U2; y1=polyvalD,x; plotx,y1,x,y,'*' R2=normyfit-meany2/normy-meany2; 5.红葡萄的对数及线性拟合图图对数拟合图16 名师归纳总结 - - - - - - -第 16 页,共 17 页精选学习资料 - - - - - - - - - 图 2.红葡萄的线性拟合图