【文章內(nèi)容簡介】 矩陣的第 1 行中的元素取其中的最大值 ,記為 1maxiv ，那么整個? ?1010ijv ? 矩陣的每一行都取最大值則得到 正理想解 : ? ? ? ?1 2 1 0 1 2 1 0= m a x , m a x , , m a x , , ,i i i iv v v v v v? ? ? ??uuv LL 對于 ? ?1010ijv ?矩陣的第 1 行中的元素取其中的最小值 ,記為 1miniv ，那么整個? ?1010ijv ? 矩陣的每一行都取最小值則得到 負(fù)理想解 : ? ? ? ?1 2 1 0 1 2 1 0= m i n , m i n , , m i n , , ,i i i iv v v v v v? ? ? ??uuv LL 再根據(jù) TOPSIS 法計(jì)算正負(fù)距離尺度 D? 、 D? 公式 ? ?2101j ij iiD v v?????? ??（ 6） 14 ? ?2101j ij iiD v v?????? ??（ 7） 計(jì)算得出各個評價的正負(fù)距離尺度值表如下： 表 411 樣品酒 1 的各個評價指標(biāo)正負(fù)距離尺度值表 評價指標(biāo) 正距離尺度 jD? 負(fù)距離尺度 jD? 澄清度 色調(diào) 純正度 濃度 質(zhì)量 純正度 濃 度 持久性 質(zhì)量 平衡 /整體評價 現(xiàn)在用已經(jīng)求得的理想解的正負(fù)距離尺度值按照公式 jjjjDC DD???? ???（ 8） 得到關(guān)于樣品酒 1 的各個評價指標(biāo)的理想貼近度如下表： 表 412 關(guān)于樣品酒 1 的各個評價指標(biāo)的理想貼近度 澄清度 色調(diào) 純正度 濃度 質(zhì)量 純正度 濃度 持久性 質(zhì)量 平衡 /整體評價 以上是第二組紅葡萄酒樣品 1 評價的各方面的理想貼近度，酒樣品 2 到酒樣品 27 依照酒樣品 1 的算法，計(jì)算結(jié)果如下表所示： 表 413 第二組紅葡萄酒每種酒樣品評價的各方面的理想貼近度 評價指標(biāo) 外觀分析 香氣分析 口感分析 平衡 /整體評15 酒樣品 i 澄清度 色調(diào) 純正度 濃度 質(zhì)量 純正度 濃度 持久性 質(zhì)量 價 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 0 17 18 19 20 21 22 23 24 25 26 16 27 0 根據(jù)所得的第二組紅葡萄酒每種酒樣品評價的各方面的理想貼近度，再利用權(quán)重 進(jìn)行數(shù)據(jù)整合 ，計(jì)算出第二組紅葡萄酒每種酒樣品的理想貼近度，計(jì)算結(jié)果如下表所示： 表 414 第二組紅葡萄酒每種酒樣品的理想貼近度 酒樣品1 酒樣品2 酒樣品3 酒樣品4 酒樣品5 酒樣品6 酒樣品7 酒樣品8 酒樣品9 理想貼近度 酒樣品 10 酒樣品 11 酒樣品 12 酒樣品 13 酒樣品 14 酒樣品 15 酒樣品 16 酒樣品 17 酒樣品 18 理想貼近度 酒樣品 19 酒樣品 20 酒樣品 21 酒樣品 22 酒樣品 23 酒樣品 24 酒樣品 25 酒樣品 26 酒樣品 27 理想貼近度 理想貼近度的求解 根據(jù)第二組紅葡萄酒每種酒樣品評價的各方面的理想貼近度和每種酒樣品的理想貼近度的相同算法，分別算出第二組白葡萄酒每種酒樣品評價的各方面的理想貼近度和第二組白葡萄酒每種酒樣品的理想貼近度，計(jì)算結(jié)果如下表所示： 表 415 第二組白葡萄酒每種酒樣品的理想貼近度 外觀分析 香氣分析 口感分析 平衡 /整體評價 澄清度 色調(diào) 純正度 濃度 質(zhì)量 純正度 濃度 持久性 質(zhì)量 酒樣品 1 酒樣品 2 酒樣品 3 酒樣品 4 酒樣品 5 酒樣品 6 酒樣品 7 17 酒樣品 8 酒樣品 9 酒樣品 10 酒樣品 11 酒樣品 12 酒樣品 13 酒樣品 14 酒樣品 15 酒樣品 16 酒樣品 17 酒樣品 18 酒樣品 19 酒樣品 20 酒樣品 21 酒樣品 22 酒樣品 23 酒樣品 24 酒樣品 25 酒樣品 26 酒樣品 27 酒樣品 28 根據(jù)所得的第二組 白 葡萄酒每種酒樣品評價的各方面的理想貼近度，再利用權(quán)重 進(jìn)行數(shù)據(jù)整合 ，計(jì)算出第二組 白 葡萄酒每種酒樣品的理想貼近度，計(jì)算結(jié)果如下表所示 ： 表 416 第二組白葡萄酒每種酒樣品的理想貼近度 酒樣品 1 酒樣品 2 酒樣品 3 酒樣品 4 酒樣品 5 酒樣品 6 酒樣品 7 酒樣品 8 酒樣品 9 理想貼近度 酒樣品 酒樣品 酒樣品 酒樣品 酒樣品 酒樣品 酒樣品 酒樣品 酒樣品 18 10 11 12 13 14 15 16 17 18 理想貼近度 酒樣品 19 酒樣品 20 酒樣品 21 酒樣品 22 酒樣品 23 酒樣品 24 酒樣品 25 酒樣品 26 酒樣品 27 酒樣品 28 理想貼近度 根據(jù)逼近理想解排序法（ TOPSIS 法）建立“逼近理想解的排序模型”的模型原理 聯(lián)合酒的質(zhì)量評價是由評酒員的打分作為直接判斷的標(biāo)準(zhǔn)。 從而分析表 415和表 416中的理想貼近度，得出關(guān)于紅葡萄酒和白葡萄酒的質(zhì)量 排序如下： 表 417 紅和白葡萄酒的質(zhì)量排序表 紅葡萄酒樣本 白葡萄酒樣本 酒樣品 貼近度 排序序號 酒樣品 3 排序序號 酒樣品 7 1 酒樣品 25 1 酒樣品 11 2 酒樣品 21 2 酒樣品 17 3 酒樣品 9 3 酒樣品 12 4 酒樣品 12 4 酒樣品 20 5 酒樣品 2 5 酒樣品 3 6 酒樣品 15 6 酒樣品 4 7 酒樣品 8 7 酒樣品 1 8 酒樣品 13 8 酒樣品 13 9 酒樣品 19 9 酒樣品 2 10 酒樣品 26 10 酒樣品 9 11 酒樣品 17 11 酒樣品 5 12 酒樣品 20 12 酒樣品 8 13 酒樣品 22 13 酒樣品 24 14 酒樣品 10 14 酒樣品 22 15 酒樣品 24 15 酒樣品 26 16 酒樣品 4 16 19 酒樣品 16 17 酒樣品 6 17 酒樣品 21 18 酒樣品 27 18 酒樣品 23 19 酒樣品 7 19 酒樣品 10 20 酒樣品 11 20 酒樣品 15 21 酒樣品 28 21 酒樣品 14 22 酒樣品 16 22 酒樣品 19 23 酒樣品 14 23 酒樣品 6 24 酒樣品 23 24 酒樣品 18 25 酒樣品 1 25 酒樣品 25 26 酒樣品 18 26 酒樣品 27 9 27 酒樣品 5 27 篩選核心理化指標(biāo) 對釀酒葡萄的 核心 理化指標(biāo)處理 。 通過對附表 2 中的釀酒紅、白葡萄的成分含量的數(shù)據(jù)進(jìn)行合適的處理，具體敘述如下：把每個評價指標(biāo)下的多次測量值予以平均化得到均值，同時把總糖、還原糖、果糖、葡萄糖歸納為一類總成分糖類，此外我們將影響釀酒葡糖的較小的成分 （ 包括干物質(zhì)、果 穗 、 百粒 、 果梗 等）進(jìn)行忽略處理，這樣我們得到釀酒紅、白葡萄各種成份含量的數(shù)據(jù)，并針其 處理后的數(shù)據(jù)中的每一成分含量畫出描述性折線圖如附錄中的 附件 [3]，從中可以看 出，在紅、白葡萄酒這兩個樣本中的每個評價指標(biāo)的之間的 關(guān)系。 根據(jù) 附件 [3]，我們可以運(yùn)用權(quán)重法，選出權(quán)重大的物質(zhì)，舍去權(quán)重小的物質(zhì)，進(jìn)而篩選出了：氨基酸、糖、蛋白質(zhì)三種所占權(quán)重比較大的物質(zhì)，從而進(jìn)行權(quán)重的 計(jì)算。 建立“ 層次分析法 ”的排序 基于 “層次分析法” 評價模型 建立 分級 模型對葡萄 進(jìn)行分級 。 觀察 上面 所篩選出的各種釀酒葡萄主要的三種成份含量與相應(yīng)酒樣品的貼近值（見附 件 [2]）相結(jié)合，根據(jù)調(diào)查抽樣的方法，運(yùn)用層次分析法中計(jì)算權(quán)重的判斷決策矩陣標(biāo)度，其標(biāo)準(zhǔn)如下圖： 表 418 標(biāo)度 含義 1 兩個因素 相比，具有同樣重要性 3 一個比另一個稍微重要 5 一個比另一個明顯重要 20 7 一個比另一個強(qiáng)烈重要 9 一個比另一個極端重要 分別取兩相鄰判斷的中指 根據(jù)上面的標(biāo)準(zhǔn)，對附錄 [2]中紅葡萄的 4 組數(shù)據(jù)進(jìn)行調(diào)樣 取值，最后隨機(jī)抽取 3 組決策正負(fù)反矩陣數(shù)據(jù)，如下 ： 表 419 第一組 C1 C2 C3 C4 C1 1 3 7 9 C2 1/3 1 2 5 C3 1/7 1/2 1 4 C4 1/9 1/5 1/4 1 第二組 C1 C2 C3 C4 C1 1 5 7 9 C2 1/5 1 3 7 C3 1/7 1/3 1 3 C4 1/9 1/7 1/3 1 第三組 C1 C2 C3 C4 C1 1 5 5 9 C2 1/5 1 3 6 C3 1/5 1/3 1 4 C4 1/9 1/6 1/4 1 運(yùn)用 MATLAB 軟件分別求上面 3 組決策正負(fù)反矩陣的特征值，并選取其最大特征值（需滿足 4i?? ，其中 4 為上面決策正負(fù)反矩陣的階數(shù)），用 MATLAB計(jì)算其相應(yīng)的特征向量，即為所對應(yīng)的權(quán)重向量，其值如下 ： 第一組 特征值： 1： 2： 最大特征值所對應(yīng)的特征向量： [,] 第二組 特征值： 1： 2： 最大特征值所對應(yīng)的特征向量： [,] 第三組 特征值： 1： 2： 最大特征值所對應(yīng)的特征向量： [,] 21 再 運(yùn)用權(quán)重 算法 ，計(jì)算權(quán)重矩陣 ? ?271ija ? ? ? ? ? ? ?412 7 1 2 7 4ij ij ia b w ???? ??（ 9） 其中 ? ?274ijb ?表示附錄 [2]中的紅葡萄 3 種重要成份和紅葡萄酒的貼近值所組成的27 行 4 列的矩陣； ? ?41iw?表示上表中的特征向量的轉(zhuǎn)置。進(jìn)而運(yùn)用同樣的理論，計(jì)算出紅葡萄的 3 組計(jì)算總值，如下 ： 表 420 紅葡萄 i 第一組值 第二組值 第三組值 紅葡萄 i 第一組值 第二組值 第三組值 7 22 11 26 17 16 12 21 20 23 3 10 4 15 1 14 13 19 2 6 9 18 5 25 8 27 24 由于上面的 3 組 數(shù)據(jù)是在相同的理論下，不同的人對其確定的決策正負(fù)反矩陣 ，因而 我們對這三組數(shù)據(jù) 進(jìn)行 求平均值 處理 ， 進(jìn)而 得出最終各種紅葡萄樣品的總數(shù)值，如下 ： 表 421 葡萄樣本 7 11 17 12 20 3 4 1 13 2 9 5 8 24 平均值 1611.748 1594.838 1198.64 1727.886 1545.2 5426.413 16 1396.157 1008.023 1468.55 1555.761 1278.919 1348.061 1140.822 22 葡萄樣本 22 26 16 21 23 10 15 14 19 6 18 25 27 平均值 1728.74 151 1092.727 4119.375 1614.4 83 05 85337 1665.695 2284.497 1621.8260