【正文】 陣及成分得分系數(shù)矩陣詳見附錄。通過對其旋轉(zhuǎn)成分矩陣系數(shù)分析根據(jù)前面問題的分析可將它們命名為口感類物質(zhì)、營養(yǎng)類物質(zhì)、色澤類物質(zhì)、酸類物質(zhì)等。表22 表23 為進(jìn)一步簡化模型，便于得出簡潔可靠的結(jié)果，我們對于以上8類物質(zhì)再次進(jìn)行主成分分析，其旋轉(zhuǎn)成分矩陣，成分得分系數(shù)矩陣如表2表23所示，兩類新的性質(zhì)因子我們將其命名為，MATLAB custom equation進(jìn)行擬合，求出葡萄酒所得總平均分與關(guān)系如圖8所示： 圖8. 葡萄酒總平均分與關(guān)系 General model: f(x,y) = a + b*sin(m*pi*x*y) + c*exp((w*y)^2)Coefficients (with 95% confidence bounds): a = (, ) b = (5014, 5030) c = (, ) m = (, ) w = (, ) 相似地，我們首先將葡萄酒理化性質(zhì)指標(biāo)進(jìn)行歸一化處理，并用SPSS進(jìn)行主成分分析，得出了成分因子，旋轉(zhuǎn)成分矩陣和成分得分系數(shù)矩陣如表2表25：表24 表25 根據(jù)對齊全旋轉(zhuǎn)成分的分析，可以命名為口感類物質(zhì)，可以命名為類色澤類物質(zhì)。通過MATLAB custom equation對總平均分與其成分因子進(jìn)行擬合，結(jié)果如圖十：圖9. 總平均分與其成分因子擬合結(jié)果General model: f(x,y) = a + b*sin(m*pi*x*y) + c*exp((w*y)^2)Coefficients (with 95% confidence bounds): a = 2659 (+07, +07) b = (, ) c = 2732 (+07, +07) m = (, ) w = (101, 101). 模型的深度討論分析首先對比兩種模型，經(jīng)過分析可以得出模型2對于葡萄酒質(zhì)量的預(yù)測能力要強(qiáng)于模型1，其原因可以歸為如下幾點(diǎn)：1. 葡萄酒的理化指標(biāo)與葡萄酒質(zhì)量的關(guān)聯(lián)度要高于葡萄的理化指標(biāo)與葡萄酒質(zhì)量的關(guān)聯(lián)度，我們可以從SPSS相關(guān)性分析的結(jié)果以及相關(guān)資料查閱均可以得出。2. 由于葡萄理化指標(biāo)較多，導(dǎo)致進(jìn)行了主成分分析的嵌套猜得到成對的因子，然而此時成對的因子已經(jīng)缺乏現(xiàn)實(shí)意義，因而缺乏一定的代表性，導(dǎo)致預(yù)測的準(zhǔn)確性降低。 . 模型改進(jìn)如果為了追求變量考慮的全面性，即葡萄與葡萄酒的理化指標(biāo)同時考慮，如果我們利用現(xiàn)有的算法，那么就必須在首次得出的8個有關(guān)紅葡萄的因子與2個有關(guān)紅葡萄酒的因子進(jìn)行匯總再次進(jìn)行因子分析，經(jīng)試驗(yàn)，如果想得出成對的因子，那么需要連續(xù)進(jìn)行因子分析，然而這樣的情況下，得出的因子早就失去了意義導(dǎo)致結(jié)果不準(zhǔn)確。另一方面由于葡萄酒的因子與葡萄的因子對葡萄酒質(zhì)量評分影響的權(quán)重是不同的，所以簡單的歸一化處理也會對結(jié)果造成很大誤差。為得到較為準(zhǔn)確的預(yù)測，那么便需要利用人工智能算法來在算法結(jié)構(gòu)上進(jìn)行優(yōu)化，然而這樣一來便無法得出具體的關(guān)系，所以我們決定將人工智能算法用于以上我們得出的結(jié)論的準(zhǔn)確性的檢驗(yàn)與論述。. ：基于BP人工神經(jīng)網(wǎng)絡(luò)對于結(jié)果的檢驗(yàn)與討論. 模型優(yōu)勢基于BP神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測模型與傳統(tǒng)模型不同的是：此模型只需以歷史數(shù)據(jù)作為輸入，通過抑制與激活神經(jīng)結(jié)點(diǎn)，自動決定影響性能的參數(shù)及影響程度，自動形成模型，無需進(jìn)行模型假設(shè)，再加上神經(jīng)網(wǎng)絡(luò)對復(fù)雜的非線性系統(tǒng)具有曲線擬核能力，預(yù)測能力強(qiáng)，所以是合適的對比檢驗(yàn)?zāi)Ｐ?。其流程圖如圖10：圖10. 神經(jīng)網(wǎng)絡(luò)流程圖我們以紅葡萄酒為例進(jìn)行分析。我們?nèi)?7組紅葡萄酒中的23組作為訓(xùn)練組，以其理化指標(biāo)向量作為輸入端，以可信度較高的第一組打出的總評分為輸出端對其進(jìn)行訓(xùn)練。經(jīng)過反復(fù)訓(xùn)練調(diào)試，我們訓(xùn)練出性質(zhì)如圖1圖12的一組神經(jīng)網(wǎng)絡(luò)，并且其對于4組檢驗(yàn)數(shù)據(jù),，性質(zhì)較為可靠，可以用于預(yù)測及對于上題結(jié)果準(zhǔn)確性的檢驗(yàn)。 圖11 .神經(jīng)網(wǎng)絡(luò)訓(xùn)練進(jìn)度 在隨機(jī)產(chǎn)生10組有關(guān)紅葡萄酒理化指標(biāo)的數(shù)據(jù)，進(jìn)行比較仍存在較大誤差，可能來源于因子分析將自變量的維度降低產(chǎn)生的誤差，以及擬合時產(chǎn)生的誤差。但是從BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測的效果來看，在忽略品酒師的個人偏好差異以及其他等客觀因素如溫度對氣味及口感的影響，可以用葡萄酒的理化指標(biāo)來對葡萄酒的質(zhì)量進(jìn)行評價，而由于葡萄酒釀造過程不同會導(dǎo)致由葡萄理化指標(biāo)轉(zhuǎn)化為葡萄酒的理化指標(biāo)的不同，二者不能得到特別準(zhǔn)確的關(guān)系，導(dǎo)致用葡萄的理化指標(biāo)來預(yù)測其所釀葡萄酒的質(zhì)量難度較大，不易實(shí)現(xiàn)。. 問題4：模型改進(jìn). 關(guān)于芳香物質(zhì)的修正葡萄酒的芳香物質(zhì)是具有揮發(fā)性的、能夠產(chǎn)生一定氣味的含香物質(zhì)的總稱。經(jīng)查閱相關(guān)資料得知，葡萄酒的呈香物質(zhì)大約有800多種，這些物質(zhì)不僅氣味各異而且它們之間還通過累加、協(xié)同、分離以及抑制等相互作用，使香氣千變?nèi)f化多種多樣。葡萄和葡萄酒香氣由幾百種揮發(fā)性化合物組成，成分豐富，種類復(fù)雜，而且各組分濃度差別大，從ng/L到mg/L不等，極性和沸點(diǎn)也有較大差別。香氣成分是決定葡萄酒風(fēng)味、質(zhì)量與典型性的主要因素，也是品酒員對葡萄酒進(jìn)行評分的香氣分析指標(biāo)的關(guān)鍵性因素。研究葡萄酒中的芳香物質(zhì)，對優(yōu)質(zhì)葡萄與葡萄酒質(zhì)量評價系統(tǒng)的建立有重要的理論與實(shí)踐意義。然而在上文對葡萄酒質(zhì)量評價時，未考慮芳香物質(zhì)對其的影響，故在次對上述模型做出修正。. 模型建立通過對芳香物質(zhì)的聚類分析，主要可分為酯、醇、萜烯、酚、縮醛、內(nèi)酯、脂肪酸、單萜醇氧化物等，都是影響香氣的關(guān)鍵因素，為適量簡化模型，一次八類物質(zhì)為例進(jìn)行簡要分析。假設(shè)S表示香氣指標(biāo)，以，……表示此八類物質(zhì)，由于每一類甚至每一種香味對葡萄酒香氣質(zhì)量的貢獻(xiàn)都是不一樣的，……均為函數(shù)F的自變量；在考慮八類芳香物質(zhì)對香氣的影響時，設(shè)其他影響因素保持不變，即為常數(shù)Q；由于S是關(guān)于這些變量的函數(shù)，因此可建立數(shù)學(xué)模型如下： S=k*F（，……，）+Q （*）根據(jù)問題四建立的模型可得知葡萄酒評分M，因?yàn)樵撃Ｐ臀纯紤]芳香物質(zhì)，且以100為滿分，導(dǎo)致所得評分較標(biāo)準(zhǔn)分值較高，在此對葡萄酒的實(shí)際分值做出改進(jìn)。由所給的附件1得知，香氣分析（共30分）是總分（共100分）的一部分，與之成一次線性函數(shù)關(guān)系。又因?yàn)榭偡钟邢銡猓ü?0分）、外觀（共15分）、口感（共44分）、整體評價（共11分）決定，分別設(shè)為S、U、V、W，各因素在總分中所占比例恒定，因此權(quán)重恒定，分別設(shè)為常數(shù)α、β、γ、δ（0≤α，β，γ，δ≤1），且葡萄酒標(biāo)準(zhǔn)分值設(shè)為Z，建立數(shù)學(xué)模型如下：Z=α*S+β*U+γ*V+δ*W （**） 聯(lián)立（*）、（**）可得：Z=α*[k* F（，……，）+Y]+β*U+γ*V+δ*W （***）問題四中模型所得的葡萄酒實(shí)際分值Y已經(jīng)考慮了外觀、口感、整體評價，由于芳香物質(zhì)對香氣影響較大，同時會影響整體評價，對外觀、口感則影響甚微，因此忽略次要因素得β、γ為零，（***）可進(jìn)一步簡化為：Z=α*[k* F（，……，）+Y]+δ*W （****） . 二次改進(jìn)關(guān)于芳香物質(zhì)的修正模型中假設(shè)了常數(shù)k和Y，因?yàn)橄銡怅P(guān)于函數(shù)F是否成一次線性關(guān)系仍未可知，由于參賽時間緊迫，我們尚未得出確切的結(jié)論，改進(jìn)模型可從此突破，將k和Y視作變量，再次對問題進(jìn)行深入分析討論。4. 參考文獻(xiàn)[1] 何佳，何懼，席雁，徐超，評分者信度的分析方法簡介及比較，醫(yī)學(xué)教育，45（6）：1—2。[2] 張紅坡，張海峰等，SPSS統(tǒng)計分析使用寶典，北京：清華大學(xué)出版社，2012。[3] 李運(yùn)，李記明，姜忠軍，統(tǒng)計分析在葡萄酒質(zhì)量評價中的應(yīng)用，釀酒科技，178：81—82。[4]《華夏酒報》 ，作者決定釀酒葡萄的五大指標(biāo)。[5] 李記明，關(guān)于葡萄品質(zhì)的評價指標(biāo)，中外葡萄與葡萄酒。[6] 游玲，王濤，李華蘭，葡萄酒芳香物質(zhì)研究進(jìn)展，四川食品與發(fā)酵，44（2）：1—2。22