酿酒葡萄分级的方法研究
聚类分析实例分析题(推荐文档)
5.2酿酒葡萄的等级划分5.2.1葡萄酒的质量分类由问题1中我们得知，第二组评酒员的的评价结果更为可信，所以我们通过第二组评酒员对于酒的评分做出处理。
我们通过excel计算出每位评酒员对每支酒的总分，然后计算出每支酒的10个分数的平均值，作为总的对于这支酒的等级评价。
通过国际酿酒工会对于葡萄酒的分级，以百分制标准评级，总共评出了六个级别（见表5）。
在问题2的计算中，我们求出了各支酒的分数，考虑到所有分数在区间[61.6，81.5]波动，以原等级表分级，结果将会很模糊，不能分得比较清晰。
为此我们需要进一步细化等级。
为此我们重新细化出5个等级，为了方便计算，我们还对等级进行降序数字等级（见表6）。
通过对数据的预处理，我们得到了一个新的关于葡萄酒的分级表格（见表7）：考虑到葡萄酒的质量与酿酒葡萄间有比较之间的关系，我们将保留葡萄酒质量对于酿酒葡萄的影响，先单纯从酿酒葡萄的理化指标对酿酒葡萄进行分类，然后在通过葡萄酒质量对酿酒葡萄质量的优劣进一步进行划分。
5.2.2建立模型在通过酿酒葡萄的理化指标对酿酒葡萄分类的过程，我们用到了聚类分析方法中的ward 最小方差法，又叫做离差平方和法。
聚类分析是研究分类问题的一种多元统计方法。
所谓类，通俗地说，就是指相似元素的集合。
为了将样品进行分类，就需要研究样品之间关系。
这里的最小方差法的基本思想就是将一个样品看作P 维空间的一个点，并在空间的定义距离，距离较近的点归为一类；距离较远的点归为不同的类。
面对现在的问题，我们不知道元素的分类，连要分成几类都不知道。
现在我们将用SAS 系统里面的stepdisc 和cluster 过程完成判别分析和聚类分析，最终确定元素对象的分类问题。
建立数据阵，具体数学表示为：1111...............m n nm X X X X X ⎡⎤⎢⎥=⎢⎥⎢⎥⎣⎦（5.2.1） 式中，行向量1(,...,)i i im X x x =表示第i 个样品；列向量1(,...,)'j j nj X x x =’，表示第j 项指标。
酿酒葡萄的分级标准
酿酒葡萄的分级标准含糖量与葡萄酒质量的关系最为密切 是控制葡萄果实成熟度的主要指标之一 同时 糖酸比也是判断酿酒葡萄果实成熟度的一个重要指标(李记明和李华1994)。
在浆果成熟过程中 由于叶片及果实本身的光合作用、呼吸作用、有机酸代谢及其他一系列生理反应使得葡萄浆果中含糖量不断增加 含酸量不断降低。
成熟期的昼夜温差、光照、降雨量及灌溉等因素是影响葡萄果实成熟度差异的主要因素。
BryanGCoombeetal(1980)的研究表明 只有适当的糖酸平衡的葡萄原料刁’能酿造出优质的葡萄酒 即最好的酿酒品种 加上最佳的成熟度 刁‘能酿出高质量的葡萄酒:葡萄原料过熟 所酿的葡萄酒酸低 pH值高 葡萄酒质量差;葡萄原料次等成熟 所酿的葡萄酒瘦弱而寡淡。
含糖量的高低是判断葡萄果实成熟与否的重要指标 既决定了所酿葡萄酒的潜在酒度 又在很大程度上决定了葡萄酒的风味。
在一定范围内 原料的含糖量越高 所酿葡萄酒的质量越好。
因此 并非原料的含糖量最高所酿葡萄酒的质量最好 高质量的葡萄酒是由含糖量较高的原料酿造的 并且要求原料中其他成分也达到一定的含量且具有较好的平衡关系。
葡萄果实中糖的含量一般为巧%一25% 果实中可溶性固形物含量与总糖含量呈正相关 且总糖占其可溶性固形物含量的60%一80% 葡萄及葡萄酒中多酚物质的含量因葡萄品种、产地、气候条件、栽培管理措施、酿造工艺等的不同而异。
即使是同一品种 不同的生态环境、气候条件和栽培管理措施也会导致其酚类物质含量差异较大 (KelleyMIHeazdinaGetal1998)。
一般而言 红葡萄品种果实中酚含量比白葡萄品种多。
葡萄的酚类物质主要存在于果皮、种子及果梗中 其中果梗和种子中酚类物质的含量分别占果穗总酚含量的20%和20%一55%(李华 2001;孙达旺1992)。
周存田等(1999)的研究进一步发现 红葡萄果实中 总酚含量在果皮、果肉、果汁和种子中的比例分别为33.3% 0.7% 3.4%和62.6%;相应在白葡萄中的比例分别为23.2% 0.9% 4.5%和71.4%。
酿酒葡萄分级
酿酒葡萄分级七分原料三分工艺，好葡萄酒是种出来的。
葡萄品种特质在很大一定程度上决定了葡萄酒的风味、香气、典型性酒。
葡萄品种分为鲜食葡萄品种和酿酒葡萄品种，我们通常见到的葡萄均为鲜食葡萄。
全世界有超过8000种可以酿酒的葡萄品种，但可以酿制上好葡萄酒的品种只有50种左右，大约可以分为白葡萄和红葡萄两种。
白葡萄，颜色有青绿色、黄色等，主要用来酿制白葡萄酒及气泡酒。
红葡萄，颜色有黑、蓝、紫红、深红色，有果肉是深色的,也有果肉和白葡萄一样是无色的，所以白肉的红葡萄去皮榨汁之后可酿造白葡萄酒。
(一)葡萄的构造及其成分1.葡萄构造一穗葡萄包括果梗和果粒两个部分,其中果梗占4%~6%,果粒占94%~ 96%。
果梗富含木质素、单宁、苦味树脂及鞣酸等物质,常使酒产生过重的涩味,一般在葡萄破碎时除去 葡萄果粒包括果皮、果核、果肉及浆液,其中果皮占6%~12% ,果核占2%~5% ,果肉和浆液占83%~ 92%。
2.葡萄成分(1)果皮中的单宁、色素和芳香物①果皮中含有单宁、色素及芳香物质,对酿制葡萄有一定影响。
葡萄单宁是一种复杂的有机化合物,能溶于水和乙醇,味苦而涩,与铁盐作用时生成蓝色反应,能和动物胶或其他蛋白质溶液生成不溶性的复合沉淀 葡萄单宁与醛类化合物生成不溶性的缩合产物,随着葡萄酒的老熟而被氧化。
②绝大多数的葡萄色素只存在于果皮中,化学成分非常复杂,往往因品种而不同.白葡萄有白、青、黄、白黄、金黄、淡黄等颜色 红葡萄有淡红、鲜红、深红、红黄、褐色、浓褐、赤褐等颜色 黑葡萄有淡紫、紫、紫红、紫黑、黑等色泽。
③果皮的芳香成分能赋予葡萄酒特有的果实香味。
不同的品种,香味不一样。
粒小的品种酿制的葡萄酒香气较好果核中含有损害葡萄酒风味的物质,如脂肪、树脂、挥发酸等,这些成分如在发酵时带入醪液,会严重影响成品酒质量,所以葡萄破碎时,应尽量避免将核压破。
(2)果肉和果汁的主要成分果肉和果汁为葡萄果粒的主要部分。
酿酒用葡萄,希望柔软多汁,且种核外不包肉质,以使葡萄出汁率高。
酿酒葡萄的等级判别方法
中，每一个样品都不是严格划分为一类的，而是以一定的隶属度属于
某一类。
另 uik 表 示 第 k 个 样 品 xk 属 于 第 i 类 的 隶 属 度 ， 这 里 0≤uik ≤1，
c
Σuik =1 定义目标函数 i
nc
ΣΣ J（U，V）＝
2
uik dik
（2）
k ＝ 1i ＝ 1
其中 U＝（uik ）c×n 为隶属度矩阵，dik =襓xk -vi 襓。 显 然 J（U，V）表 示
【关键词】模糊 C 均值聚类；自主神经网络；隶属度；极差归一化；等级判别 The Wine Grape Level Discrimination Method LIU Xiao-fang ZHANG Jun－na
（Henan Normal University,College of Computer and Information Engineering,Xinxiang Henan,453007 ） 【Abstract】According to the problems of wine grape classification, in the case of no clear classification , this paper puts forward the fuzzy cmeans clustering (FCM) and autonomous neural network algorithm, under the circumstance of knowing wine quality score results ,first deal with the data of the physical and chemical index of wine grape and wine quality scores by normalization processing; By the fuzzy c-means clustering algorithm for classification can get membership degree matrix and classification center, under the condition of unsupervised learning way by the way of the autonomic nervous network wine grape is successfully divided into three levels. The ways can be used as a reference for grape wine production. 【Key words】The fuzzy c-means clustering; Autonomic nervous network; Normalization processing; Membership degree matrix; Grade judgment
酿酒葡萄的分级问题
不同质量 的葡萄所 酿葡萄酒 品质不 同 ， 所 以对酿酒 葡萄 的分级要从 两方 面
（ ５ ） 利 用 回归分析 所得 到 的式子 ， 可 以 由主成分 得到酿 酒红 葡萄所 酿 红葡 萄酒 的预 期评 分ｙ ， 结果 如（ 表２ ） 。 （ ６ ） 通过 酿酒葡 萄所酿酒 的预期 评分 ｙ 对酿 酒红葡 萄进行分级 ， 规 定每 级分 数 间 隔区 间范 围 ： 红葡 萄为 ３ 。 得 到分 级 结果 ：
１ １ 、 １ ８ 、 １ 、 ７ 、 ４ 。
（ ７ ） 同理 ， 得 到 白葡萄 酒 的品酒 员评 价分 数 与主成 分之 间 的关系 为 ： ｙ ＝ Ｏ ．
８ ３ ８ ｘ１ —０ ． ０２ ｌ ｘ ２－Ｏ． ８ ３ １ ｘ３ ＋Ｏ． ８ ５ ３ ｘ４ －０． ９０ ｌ ｘ５＋１ ． Ｏ ８ｌ ｘ ６－Ｏ． ４ ７７ ｘ７ －１．
立如 下形 式 的函数模 型 ： 红葡 萄 酒 ： Ｙ＝ ａ １ ｘ １ ＋ ａ ２ ｘ ２ 一 ａ ３ ｘ ３ ＋ａ ４ ｘ ４ 一 ａ ５ ｘ ５ ＋ａ ６ ｘ ６ ＋ ａ ７ ｘ ７ 一ａ ８ ｘ ８ ＋ ａ ９
ｌ ７ 、 ２ ｌ 、 １ ２ 、 １ ９ 、 １ ５ 、 ６ 、 ４ 、 ２ ３ 、 １ ０ 、 ２ ； 四级 （ ６ ２ — ５ １ ） ： １ ６ 、 １ ８ 、 １ ４ 、 ８ 、 ７ 、 １ 、 １ １ ； 五级（ ５ １ —
分。
级（ ８ Ｏ 一 ７ ７ ） ： 样 本９ ； 二级 （ ７ ７ — ７ ４ ） ： 样 本２ ３ 、 ３ 、 ２ ； 三级 （ ７ ４ — ７ １ ） ２ Ｏ 、 ２ ｌ 、 １ ９ 、
１ ７ 、 １ ０ 、 ５ 、 １ ３ ｌ 四级 （ ７ １ — ６ ８ ） ： ２ ２ 、 １ ２ 、 １ ５ 、 ２ ５ 、 ２ ６ 、 ２ ４ 、 ２ ７ 、 １ ６ 、 ６ 、 １ ４ ； 五级（ ６ ８ － ６ ５ ） ： ８ 、
基于主成分分析法评测酿酒葡萄的品质
酿酒红 葡萄的化学成分数 目过多，且局 部化学成分对各 自的质量影响小 ， 且 数 目过多难 以树 立指标之 间的关联 ， 不仅 会 增 加 工作 量 还有 可 能 对评 判 结 果产 生影 响 。 因而 ， 可对各化 学成分进行 降维 ， 减小化 学成分数量。 采 取 主 成 分 分 析 法 对 化 学 成 分 降 维 ，确 定 各 个化 学 成 分 的主 成
二、 酿酒葡萄评测方法
（ 一） 红 葡 萄 酒 的质 量 依据 评酒 员对红葡萄酒的整体评估 分数 ，计算 出每个 红 葡 萄 酒样 品 的 平均 总 评 分 ； 对这些评分进行分级 ， 如 下表 １ ， 规 定 每 个 级 别 所 占分 值 ， 筛 选 出每 一 等 级 红 葡 萄 酒 的数 量 。
分， 较 差 级 别 的 分值 为 ４分 。 （ 二） 主成 分分 析 法
图 １红葡萄酒样 品对应分数 Ｐ
（ 三） 层 次 分析 法
利用层次分析法 ，建立红 葡萄酒的品质 与酿酒红 葡萄的 化学成分关联 的模型 ， 进而对 酿酒红 葡萄进行级别划分。 采用 ＡＨ Ｐ法建立各指标权重 ， 确 定权重的对比矩阵为 ：
采 用 ＡＨ Ｐ法建 立红 葡萄酒质 量和 酿酒红 葡萄化 学成分
的权重 ， 分别为 ：
红 葡 萄 酒 的质 量 的权 重 １
∑
轰 ’ …
般 取 累计 贡 献 率达 ８ ５ — ９ ５ ％ 的 特征 值 ， … ， 所 对 应 的 第一、 第二 ， ． ． ． ， 第１ ２ １ ≤ｐ ｊ 个 主 成 分 ２ ． 计 算 主 成 分 载荷
基于主成分分析法评 测酿酒 葡萄 的品质
文／ 王乔 宇 李瑞蒲 荆晓 原
摘要 ： 本文对 酿酒 红葡萄 品质的分析 ， 对外观 、 香气 、 口感 四项等级进行对红葡萄酒 的评分 ， 同时针对 酿酒红葡萄 的化
葡萄酒等级划分体系模型的探究(毕业设计论文)
葡萄酒等级划分体系模型的探究摘要针对目前葡萄酒评价体系不完善的现状，本文对葡萄酒评价体系作出探究。
对于问题一，运用单因素方差分析法，利用Matlab软件，以Anoval函数求解。
求出p-value，显著性水平取0.05作为标准来判断那组有显著性，以及通过比较方差来判断那组数据更加可信。
对于问题二，在问题一中得到第二组评分更可信，因此根据该组的评分进行分级，通过用Matlab软件的Corrcoef和Regress函数对该组成分进行相关性验证和用EXCEL画出图表进行分析，找出影响葡萄酒分级的成分，然后在酿酒葡萄数据中找出与影响葡萄酒分级相同的成分，再结合葡萄酒评分对葡萄样品进行分级，得出葡萄样品成分的排列，结合成分的量和葡萄酒分级得出影响酿酒葡萄分级成分的范围。
对于问题三，通过问题二的解答，可以知道葡萄酒和酿酒葡萄的划分级别，利用附件二的资料，对每一种理化指标的数据，根据对应的含量建立模型，运用matlab软件拟合数据，作出拟合线性图，并采用多元回归分析法进行回归分析，最后根据拟合线性图和回归系数来分析两类理化指标之间的关系。
对于问题四，分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响，并论证能否用葡萄和葡萄酒的理化指标来评价葡萄酒的质量。
结合题目给出芬香物质的数据，对感官指标和理化指标进行综合分析，用MABTLE拟合感官指标和理化指标的数据，得出结论：需要结合葡萄酒的理化指标和感官指标对葡萄酒的质量进行综合评价。
关键字：方差分析法分级理化指标线性相关回归分析一、问题的重述随着我国经济的快速发展，葡萄酒市场竞争也异常激烈和无序 “三精一水”、假年份、假产地酒、假酒庄，影响消费者的健康，虽然我国的GB15037-2006《葡萄酒》国家标准对葡萄酒的质量作了规定，但由于相应规范的制定工作限制，我国关于葡萄酒质量等级分划的标准还未完善，国家迫切需要制定统一的质量等级制度。
确定葡萄酒质量时一般是通过聘请一批有资质的评酒员进行品评。
葡萄酒论文葡萄酒的分析及等级划分毕设论文
葡萄酒的分析及等级划分[摘要]由于经济全球化越来越广泛，西方文化的逐渐渗入中国的东方文化，葡萄酒越来越被大众接受，其营养价值和保健价值也逐渐受到人们重视，葡萄酒认证和质量评价逐渐得到关注，因此我们想要对其进行研究。
我们寻找到两组各10个评酒员对红白葡萄酒的评分数据以及葡萄酒和酿酒葡萄的理化指标来对葡萄酒进行分析及等级划分。
首先先验证各组评分数据是否满足正态分布，再对红白葡萄酒的两组数据分别采用配对T检验检验两组数据是否有显著性差异，再根据方差判断哪组数据较为可靠。
由于同一等级物品，其特性相近，因此用可靠的那组评分数据综合酿酒葡萄的理化指标采用聚类分析，对酿酒葡萄进行等级划分，各分为四个等级，用每个等级的中所有葡萄酒平均得分作为该等级的酿酒葡萄分数。
查阅资料，分析可知酿酒葡萄的理化指标影响了葡萄酒的理化指标，因此考虑建立模型，描述一个葡萄酒的理化指标与酿酒葡萄的多个指标之间的关系，通过这种联系分析酿酒葡萄指标对葡萄酒理化指标的影响。
最后用葡萄酒的得分作为葡萄酒的质量标准，综合剔除指标后的酿酒葡萄和葡萄酒的理化指标进行回归分析，并观察回归性是否显著。
以此判断葡萄酒质量是否可以运用这两种指标来评价。
【关键词】正态检验；配对T检验；聚类分析；逐步回归分析1．引言葡萄酒中含有丰富的营养物质,至今多达 600 种以上的物质被测定出来。
葡萄具有的营养和医疗作用很早就被认识, 葡萄酒因其特殊的营养价值和较好的保健效果，越来越受到广大消费者的欢迎。
在此形势下，葡萄酒认证和质量评价得到关注。
葡萄酒的质量，即葡萄酒优秀的程度, 它是产品的一种特性,且决定购买者的可接受性。
因此,葡萄酒能够满足人类需求的各种特性的总和即构成了它的质量。
葡萄酒认证保证了市场中酒的质量，同时保护了消费者的利益。
葡萄酒的认证包括理化性质分析、感官评价、物理化学指标、卫生指标等手段。
质量评价是认证中的重要阶段，它有益于提高葡萄酒的酿造工艺，同时为市场定位提供决策信息。
葡萄酒的评分及酿酒葡萄的分级
葡萄酒的评分及酿酒葡萄的分级作者：李丽来源：《南方农业·下旬》2014年第10期摘要采用主成分分析法对所给数据的理化指标进行处理，利用统计软件SAS，用系统聚类法将酿酒葡萄进行分级。
为了分析两组评酒员对葡萄酒样品打分结果是否存在显著性差异，采用t检验法进行分析，得出两组评价结果存在差异，再根据两组评分的方差对比，即每组10个评酒员评分的波动性大小，判断出第2组评酒员的评价结果更可信。
关键词假设检验；聚类分析；葡萄酒；评分；酿酒葡萄；分级中图分类号：S663.1 文献标志码：A 文章编号：1673-890X（2014）10--21 问题的提出葡萄酒的质量可以通过评酒员进行品评。
每个评酒员品尝后对其分类指标打分，从而确定葡萄酒的质量。
酿酒葡萄的好坏与所酿葡萄酒的质量有直接关系，葡萄酒和酿酒葡萄检测的理化指标会在一定程度上反映葡萄酒和葡萄的质量。
根据某一年份一些葡萄酒的评价结果，和该年份这些葡萄酒和酿酒葡萄的成分数据，建立数学模型，分析两组评酒员的评价结果有无显著性差异，根据酿酒葡萄的理化指标和葡萄酒的质量对这些酿酒葡萄进行分级。
2 问题分析在葡萄酒质量的评价中，两组（各10位）评酒员对55种葡萄酒样品（红葡萄酒27种，白葡萄酒28种）的评分存在差异。
为得出更中肯的评价，假设这两组评酒员的评分都服从正态分布。
选用t检验法判断是否有显著性差异，再根据同一组中10位评酒员对同一葡萄酒样品的评分的波动性来判定评分结果的可靠性。
根据酿酒葡萄的理化指标以及反映葡萄酒原材料好坏的指标，用系统聚类法对酿酒葡萄进行分级。
3 模型的建立与求解模型的评价葡萄酒的评分以大多数人的意见为参考，并没有科学性。
评价葡萄酒的质量仅是以某组评酒员的评分来量化，没有较高的可靠性。
研究问题时，采用大样本空间，减少随机巧合，计算准确度提高，但酿酒葡萄的分级没有明显级别。
参考文献[1]黄本春.统计学实验教程[M].北京：中国经济出版社，2010.[2]王芳，陈胜可，冯国生.SAS统计与应用[M].北京：电子工业出版社，2010.（责任编辑：刘昀）。
葡萄等级划分数学建模
葡萄酒的评价模型摘要问题背景：现在国际上对葡萄酒的质量评价一般是通过聘请一批有资质的评酒员进行品评。
评酒员通过对葡萄酒的外观分析、香气分析、口感分析和整体评价进行打分。
然而评酒员拼酒时还受个人的感官因数，比如年龄、口味风格等因素的影响。
本模型在忽略一些影响因素的基础上对题目给出的问题进行分析。
问题一：分析两组评酒员评价两种葡萄酒哪一组更合理的问题，我们把附表中两组评酒员评酒时的打分提炼为四组数据，分别为两组评酒员对27种红葡萄酒的评价结果和28种白葡萄酒的评价结果。
然后做评酒员对葡萄酒的评价做配对样本T检验分析，运用spss软件将的到的四组数据求得方差分析方差所得结果，我们得到第二组评酒员评酒的结果更具有合理性。
问题二：对于问题2酿酒葡萄的分级问题，我们可以根第一问分析得出的葡萄酒的品分质量和葡萄的理化指标进行分析，运用排序中求秩和比的进行秩排序，并对葡萄酒的品分排序，利用模糊数学等级划分的方法对酿酒葡萄进行分级。
、问题三：首先，我们利用SPSS计算出酿酒葡萄与葡萄酒的理化指标的相关系数。
由于葡萄的理化指标较多，通过整理数据，在Excel中得到某个葡萄酒的理化指标与若干个酿酒葡萄的理化指标的相关系数,并且规定相关系数大于等于0.6表示两者相关性显著；最后，在SPSS中分别求出回归方程。
问题四，首先利用SPSS分别计算出葡萄酒的理化指标与葡萄酒质量的相关系数、葡萄的理化指标与葡萄酒质量的相关系数。
然后通过分析其相关系数，分析葡萄和葡萄酒的理化指标对葡萄酒质量的影响。
关键词：模糊数据分析原理、偏相关系数、排序问题重秩和比法、主成分分析、配对样本T检验、回归分析原理、相关分析原理问题重述葡萄酒的评价确定葡萄酒质量时一般是通过聘请一批有资质的评酒员进行品评。
每个评酒员在对葡萄酒进行品尝后对其分类指标打分，然后求和得到其总分，从而确定葡萄酒的质量。
酿酒葡萄的好坏与所酿葡萄酒的质量有直接的关系，葡萄酒和酿酒葡萄检测的理化指标会在一定程度上反映葡萄酒和葡萄的质量。
根据酿酒葡萄的理化指标和葡萄酒的质量对这些酿酒葡萄进行分级
累计贡献率：
k 1 p k 1
i
k
k
i 1,2, , p
k
取累计贡献率达到 70% 的特征值 1，, 2， ，m 所对应的第 1,2, , mm p 个主 成分； （4）葡萄样品的综合评定的加权分析模型为： F W1 F1 W2 F2 Wn Fn 其中 F 为葡萄样品综合得分， （i=1,2， …n） ， （i=1,2, … Wi 为贡献率 Fi 为因子得分 n） 。 1.3 模型的求解 根据附表 2 中的数据，利用 SPSS 对红白葡萄样品的理化指标进行主成分分 析，提取出各自的主成分以及因子得分，最后结合贡献率求出综合得分排名，结 果如下表： 表 1 红葡萄样品综合得分排名 红葡萄 评分 综合排名 红葡萄 评分 综合排名 葡萄样品 1 0.691202 1 葡萄样品 15 -0.23296 20 葡萄样品 2 0.435825 7 葡萄样品 16 -0.32867 21 葡萄样品 3 0.538394 4 葡萄样品 17 0.456459 5 葡萄样品 4 -0.49785 25 葡萄样品 18 -0.18906 16 葡萄样品 5 0.289863 8 葡萄样品 19 -0.20958 19 葡萄样品 6 0.076453 12 葡萄样品 20 -0.13219 15 葡萄样品 7 -0.4259 23 葡萄样品 21 -0.19872 17 葡萄样品 8 0.583125 3 葡萄样品 22 -0.0664 14 葡萄样品 9 0.455155 6 葡萄样品 23 0.68989 2 葡萄样品 10 -0.7099 27 葡萄样品 24 0.108177 10 葡萄样品 11 0.0932 11 葡萄样品 25 -0.6659 26 葡萄样品 12 0.071345 13 葡萄样品 26 -0.2089 18 葡萄样品 13 -0.34832 22 葡萄样品 27 -0.48189 24 葡萄样品 14 0.207176 9 表 2 白葡萄样品综合得分排名 综合排名 白葡萄 评分 综合排名 23 葡萄样品 15 -0.0192 14 17 葡萄样品 16 -0.8303 28 5 葡萄样品 17 -0.0776 18 15 葡萄样品 18 -0.4117 25 3 葡萄样品 19 -0.5280 26
德国葡萄酒酿造法规定的葡萄酒等级分四级
德国葡萄酒酿造法规定的葡萄酒等级分四級:(一)[日常餐酒]Tafelwein:相比于其他葡萄种植国,德国的日常餐酒产量比较少.当该产区的葡萄产量已经超过了规定生产优质酒所需时.会用来生产日常餐酒.日常餐酒的天然酒精含量在多数种植区为最低5％（体积含量）而在巴登-符腾堡州是6％（体积含量）发酵后酒精总含量最低为8.5%（体积含量），但不可超过12％(体积含量).总酸含量最低4.5克/升(二)[地区餐酒]Landwein:带有产地特色的较高一级的日常餐酒,在地区餐酒的酒标上,必须标明葡萄的产地.地区餐酒一般为干型或半干型.最低天然酒精含量比日常餐酒要高0.5个百分点(三)[特定产区优质酒]Qualitätswein bestimmter Anbaugebiete（Q.b.A）必须具有特定的葡萄酒产区特征,必须100%使用产自各指定酒区的特定葡萄品种酿造.特定产区优质酒和谓称优质酒一样,必须通过一个严格的官方质量检验,通过检验的酒标签上印有官方特定的检验编号AP-Nr.。
对于每一款特定产区优质酒的具体要求,都因为葡萄品种,种植区和天然酒精含量的不同而不同.发酵之前加入的糖分也是以法律形式规定的.此等级酒所标经典Classic和特选Selection不是谓称,而只是说明酒具有平衡的较干dry(不甜)的味道特征(四)[谓称优质酒]Prädikatwein，2007年前Qualitätswein mitPrädikat(Q.m.P)是具有最高要求的酒,必须成熟,平衡和丰满.此类酒不能加入额外的糖分,根据不同的发酵重量,葡萄品种和种植地,共分为6个等级.在南方的种植区通常标准较高.按照最低未发酵葡萄汁含量,产区和葡萄品种有如下[谓称等级Prädikat]* 1. 珍藏Kabinett天然糖份含量Öchsle最低67°.以成熟的葡萄酿造的精细,清淡,酒精含量低的葡萄酒.* 2. 晚收Spätlese天然糖份含量Öchsle最低88°.以成熟,丰满的葡萄酿造,收获时间较之珍藏晚一些.口味较浓厚,可以配上味道更加浓郁的菜色.珍藏和晚收既可以是干型的,也可以是半甜的,由酿酒师控制风格,这两种等级和特定产区优质酒等级的葡萄酒,是全德国产量消费量最大的一部分.价格相当实惠.* 3. 精选Auslese天然糖份含量Öchsle最低104°.以成熟葡萄酿造的精美葡萄酒,在采摘时未成熟的葡萄将被筛选掉,达到这一级有一些葡萄可能有轻微的贵腐感染,表面带有些贵腐霉菌.这个等级是日常消费的德国葡萄酒里面的最高等级,大多数精选等级的葡萄酒是甜的,但是也有极少数干型的.好的精选等级的葡萄酒可以存放15至20年.* 4. 逐粒精选Beerenauslese天然糖份含量Öchsle最低120°.是以过度成熟的葡萄酿造的饱满馥郁的葡萄酒.酒的质量受其感染贵腐霉菌的程度影响.在收获时,需要逐颗选择出那些经过贵腐作用的葡萄,所以得名.此类酒并不是每年都有产出,可以长期保存.这一等级的酒在口味上都属于甜点酒的类型.* 5.贵腐精选Trockenbeerenauslese天然糖份含量Öchsle最低154°.这种经过人工手选的,以像葡萄干一样收缩的,受到贵腐霉感染的葡萄酿造的酒是德国葡萄酒最高质量的象征.所用葡萄大概要失去95％的水分,酿成的酒也最甜,可以陈酿几十年.贵腐精选等级的葡萄酒有时质地浓稠如同蜂蜜,由于产量很少所以价格通常很高.* 6.冰酒Eiswein所用葡萄的最低发酵含量与逐粒精选一致,但是使用没有感染过贵腐霉菌的[健康]葡萄酿造.葡萄必须在-7°C的冰冻状态下摘收,为了将果汁浓缩的部分全部榨出,还要经过最少6个小时自然冰冻,然后进行压榨发酵酿成的酒.这种酒只有在特定气候条件下才能酿造.冰酒是甜酒,利用藤蔓上冰凍的葡萄製造.糖和其他溶化的固體不會被冰凍,但是水會被冰凍,所以會產生非常甜的葡萄酒.冰凍會發生在食物發酵之前,而不會在之後.不像用來製造其他酒的葡萄-如Sauternes,Tokaji或者贵腐精选,而冰酒用的葡萄不會被霉菌影響.健康葡萄會一直保持美好的外型,直到冰酒採收的時機到了,有可能是在下一個曆年後.這使得冰酒其中,有特色的沁涼甜度和高酸度達到平衡.當葡萄遠離黴菌,它們被稱為,達到[乾淨clean].[谓称优质酒]按照德国法律,只能使用一种葡萄酿造,混酿的酒,即使所使用的葡萄都达到了谓称葡萄酒级别，也只能标为地区餐酒.最后三个等级由于对于气候条件要求特别.只有在特殊年份才会生产,再加上产量低，价格很高.德国一些酒厂的[雷司令]贵腐精选级甜白酒是全世界最贵的甜白酒.除德国自制酒之外,其他德国市场上的进口酒都按原产地分级标准进行分级.(註)[雷司令]-德语Riesling-是一种非常古老的葡萄品种,被认为是最重要和最好的酿造白葡萄酒用白葡萄之一.很可能诞生于莱茵河上游地区的河谷,但是双亲分别来自亚德里亚海的两边.基因的分析:雷司令双亲分别是产自克罗地亚的白葡萄Gouais Blanc和法国白葡萄Savagnin Blanc与野葡萄的杂交品种.雷司令葡萄适于生长在较为凉爽的地区,所以成为德国及其他一些较凉爽地区的主要品种.。
酿酒葡萄分级以及酿酒葡萄理化指标和葡萄酒之间的关系
葡萄酒问题目录深度分析葡萄酒酿造处理方法教你如何分级葡萄如何找两组变量之间的关系分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响Ninety-five enterohemorrhagic Escherichia coli serovar O157 strains, including 30 strains isolated from 13 intrafamily outbreaks and 14 strains isolated from 3 mass outbreaks, were studied by pulsed-field gel electrophoresis (PFGE) and variable number of tandem repeats (VNTR) typing, and the resulting data were subjected to cluster analysis. Cluster analysis of the VNTR typing data revealed that 57 (60.0%) of 95 strains, including all epidemiologically linked strains, formed clusters with at least 95% similarity. Cluster analysis of the PFGE patterns revealed that 67 (70.5%) of 95 strains, including all but 1 of the epidemiologicallylinked strains, formed clusters with 90% similarity. The number of epidemiologically unlinked strains forming clusters was significantly less by VNTR cluster analysis than by PFGE cluster analysis. The congruence value between PFGE and VNTR cluster analysis was low and did not show an obvious correlation. With two-step cluster analysis, the number of clustered epidemiologically unlinked strains by PFGE cluster analysis that were divided by subsequent VNTR cluster analysis was significantly higher than the number by VNTR cluster analysis that weredivided by subsequent PFGE cluster analysis. These results indicate that VNTR cluster analysis is more efficient than PFGE cluster analysis as an epidemiological too] to trace the transmission of enterohemorrhagic E. coli O157.源代码：% 1 ºìx=[60 78 81 62 70 67 64 62 81 67 ...70 77 63 64 80 76 73 67 85 75 ...63 70 76 64 59 84 72 59 84 84 ...67 82 83 68 75 73 75 68 76 75 ...73 60 72 63 63 71 70 66 90 73 ...78 84 76 68 82 79 76 76 86 81 ...72 80 80 71 69 71 80 74 78 74 ...70 85 90 68 90 84 70 75 78 70 ...76 84 84 66 68 87 80 78 82 81 ...63 65 49 55 52 57 62 58 70 68 ...72 69 71 61 82 69 69 64 81 84 ...52 64 65 66 58 82 76 63 83 77 ...69 84 79 59 73 77 77 76 75 77 ...73 83 72 68 93 72 75 77 79 80 ...70 79 91 68 97 82 69 80 81 76 ...51 66 49 54 77 61 72 61 74 62 ...71 81 86 74 91 80 83 79 85 73 ...80 85 89 76 69 89 73 83 84 76 ...64 76 65 65 76 72 69 85 75 76 ...54 42 40 55 53 60 47 61 58 69 ...74 74 72 62 84 63 68 84 81 71 ...83 85 86 80 95 93 81 91 84 78 ...69 50 50 58 51 50 56 60 67 76 ...73 80 71 61 78 71 72 76 79 77 ...77 78 76 82 85 90 76 92 80 79 ...73 90 96 71 69 60 79 73 86 74 ...入藏号: WOS:000250744100018文献类型: Article语种: EnglishKeyWordsPlus: MYCOBACTERIUM-TUBERCULOSIS; CAPILLARY-ELECTROPHORESIS; LOCI通讯作者地址: Yokoyama, E (通讯作者),Chiba Prefectural InstPublHlth, DivBacteriol, 666-2 Chuo, Chiba 2608715, Japan.地址:1. Chiba Prefectural InstPublHlth, DivBacteriol, Chiba 2608715, Japan 电子邮件地址: e.ykym@ma.pref.chiba.lg.jp出版商: INT ASSOC FOOD PROTECTION, 6200 AURORA AVE SUITE 200W, DES MOINES, IA 50322-2863 USAWeb of Science 类别: Biotechnology & Applied Microbiology; Food Science & Technology研究方向: Biotechnology & Applied Microbiology; Food Science & Technology IDS 号: 228QHISSN: 0362-028X。
酿酒葡萄的分级标准
酿酒葡萄的分级标准含糖量与葡萄酒质量的关系最为密切，是控制葡萄果实成熟度的主要指标之一，同时，糖酸比也是判断酿酒葡萄果实成熟度的一个重要指标(李记明和李华1994)。
在浆果成熟过程中，由于叶片及果实本身的光合作用、呼吸作用、有机酸代谢及其他一系列生理反应使得葡萄浆果中含糖量不断增加，含酸量不断降低。
成熟期的昼夜温差、光照、降雨量及灌溉等因素是影响葡萄果实成熟度差异的主要因素。
BryanGCoombeetal(1980)的研究表明，只有适当的糖酸平衡的葡萄原料刁’能酿造出优质的葡萄酒，即最好的酿酒品种，加上最佳的成熟度，刁‘能酿出高质量的葡萄酒:葡萄原料过熟，所酿的葡萄酒酸低，pH值高，葡萄酒质量差;葡萄原料次等成熟，所酿的葡萄酒瘦弱而寡淡。
含糖量的高低是判断葡萄果实成熟与否的重要指标，既决定了所酿葡萄酒的潜在酒度，又在很大程度上决定了葡萄酒的风味。
在一定范围内，原料的含糖量越高，所酿葡萄酒的质量越好。
因此，并非原料的含糖量最高所酿葡萄酒的质量最好，高质量的葡萄酒是由含糖量较高的原料酿造的，并且要求原料中其他成分也达到一定的含量且具有较好的平衡关系。
葡萄果实中糖的含量一般为巧%一25%果实中可溶性固形物含量与总糖含量呈正相关，且总糖占其可溶性固形物含量的60%一80%葡萄及葡萄酒中多酚物质的含量因葡萄品种、产地、气候条件、栽培管理措施、酿造工艺等的不同而异。
即使是同一品种，不同的生态环境、气候条件和栽培管理措施也会导致其酚类物质含量差异较大(KelleyMIHeazdinaGetal1998)。
一般而言，红葡萄品种果实中酚含量比白葡萄品种多。
葡萄的酚类物质主要存在于果皮、种子及果梗中，其中果梗和种子中酚类物质的含量分别占果穗总酚含量的20%和20%一55%(李华2001;孙达旺1992)。
周存田等(1999)的研究进一步发现，红葡萄果实中，总酚含量在果皮、果肉、果汁和种子中的比例分别为33.3%，0.7%，3.4%和62.6%;相应在白葡萄中的比例分别为23.2%，0.9%，4.5%和71.4%。
的法国葡萄酒分级制度分析解析
的法国葡萄酒分级制度分析解析法国葡萄酒分级制度是一个非常复杂的体系，它涉及到土壤、气候、葡萄品种等多种因素，标志着法国葡萄酒的品质和地位。
为了更好地理解这个体系，接下来我将对它进行分析解析。
1. 法国葡萄酒的分级标准法国葡萄酒分为四个等级：AOC、IGP、Vin de France和Vin de Table。
AOC指的是原产地控制，是最高等级的葡萄酒，它要求葡萄酒必须在规定产区内生产，而且要严格按照规定的葡萄种植、酿造、瓶装等程序生产。
因此，AOC标记的葡萄酒通常是品质最好的。
而IGP则是灵活一些的等级，它的要求相对宽松，只需要满足一些基本的规定，就能够获得这个等级。
这类葡萄酒的品质普遍较低，但比较适合出口到其他国家销售。
Vin de France和Vin de Table则是两个等级最低的葡萄酒。
Vin de France的要求是只要符合液体食品法规的基本要求，即可出售；而Vin de Table则更为宽松，只需要满足基本的消费安全标准。
这些葡萄酒的品质相对较差，但价格较为便宜，比较适合日常餐桌消费。
2. 法国葡萄酒分级的重要性法国葡萄酒的分级制度是以保证品质为主要目的，保障了法国的葡萄酒产业的长远利益。
首先，它有助于保障了葡萄酒产区的声誉，确保生产出来的葡萄酒品质卓越。
其次，它可以帮助消费者更好地辨别及选购高品质的葡萄酒。
最后，它倡导了一种对葡萄酒的尊重和认可，提高了法国葡萄酒在全球的地位和影响力。
3. 法国葡萄酒分级对于一般消费者的意义法国葡萄酒分级虽然繁琐，但它对一般消费者有重要意义。
首先，它可以使消费者更好地了解到法国葡萄酒的品质和等级，有助于消费者更好地选择葡萄酒。
其次，它专注于原料、生产和酿造的详情，可以帮助消费者更好地了解葡萄酒生产的各个环节，从而提高对葡萄酒的认知和欣赏度。
最后，它带来了更具价值和质量的葡萄酒，提供了更好的消费体验。
综上所述，法国葡萄酒分级制度是法国葡萄酒产业的重要标志之一，它涉及到多个因素，是法国葡萄酒品质和地位的重要保障。
不同香气浓度酿酒葡萄品种的鉴别体系
不同香气浓度酿酒葡萄品种的鉴别体系如下：
1.初级香气鉴别体系：初级香气是指来自葡萄本身的香气，不同
葡萄品种有不同的香气。
可以通过人的感官，尤其是嗅觉来识别和区分不同浓度的香气。
训练有素的品鉴师可以通过闻香来识别各种香气成分，判断出葡萄品种的香气浓度。
2.二级香气鉴别体系：在葡萄酒酿造过程中，葡萄与酵母和细菌
结合，并相互作用，从而产生多种香气，如面团、奶油、黄油、杏或桃的香气，以及与橡木接触吸收的橡木香气。
这些可以通过化学分析的方法来鉴别，例如气相色谱-质谱联用（GC-MS）技术可以用来分离和鉴定葡萄酒中的香气成分。
3.三级香气鉴别体系：随着陈年，葡萄酒的分子之间、葡萄酒与
氧气之间相互作用，逐渐呈现出类似皮革、松露、部分香料（（如肉豆蔻、茴香）、森林地表、烤肉和干果等香气。
这些可以通过感官分析或电子鼻和电子舌技术来鉴别。
葡萄酒的分级模型
基于熵权法改进的TOPSIS法的酿酒葡萄评分分级模型摘要本文建立了对酿酒葡萄的分级模型，并分析了酿酒葡萄与葡萄酒的理化指标之间的联系及其对葡萄酒质量的影响。
两组评酒员的品评水平不同因而品评结果存在差异。
将每一组中每号酒的各评分项的品评结果的平均值将葡萄酒进行聚类分析发现，大多数酒号都聚集在同一类，此类定义为大类。
将聚类数定为2，当有某一酒号在任一组中不属于大类时，说明其数据处在分类边缘，所以对此类酒号予以剔除。
对每个评酒员给出的剩余酒号的葡萄酒的评价总分进行非参数检验，结果表明两组评酒员的评价结果存在显著性差异。
第一二组在剔除酒号之前的红葡萄酒的评价总分的方差分别为：103.633995、45.81948。
在剔除酒号之后的红葡萄酒的评价总分的方差分别为：66.46149、39.03894。
方差越小说明该组的评酒员品评结果更为稳定，因此第二组的品评结果更可信。
另外，剔除的酒号数据对第一组的方差影响较大，这说明第一组内评酒员对剔除的酒的品评能力差异较大。
同样，第一二组在剔除酒号之前的白葡萄酒的评价总分的方差分别为：142.8673、60.11325. 在剔除酒号之后的白葡萄酒的评价总分的方差分别为：129.6456、53.49408.分析结果同样是第二组的品评结果更可信。
在第二组品评结果的基础上研究酿酒葡萄的分级。
处理少量异常数据之后，用一级理化指标中数据的平均值作为其指标数据，然后结合评酒师的打分情况，建立基于熵权法定权值的TOPSIS法的评分模型，并根据求解出的评分，根据分数等距对酿酒葡萄进行分四级。
红葡萄的分级情况为：一级红葡萄为第9号，二级为第1、3、8、14、23、26号，三级为第2、5、10、11、13、17、19、21、24号，四级为第4、6、7、12、15、16、18、20、22、25、27号。
白葡萄的分级情况为：一级白葡萄为第21、27号，二级为第5、15、17、20、22、23、28号，三级为第1、2、3、4、6、7、9、10、12、13、14、18、19、25、26号，四级为第8、11、16号，第24号白葡萄酒因此测量数据异常不进行评级。
贺兰山东麓红葡萄酒等级划分客观标准的初步研究
模型。
2数据分析
2.
1相关性分析
由表
1可知，不同等级葡萄酒与总酚、单宁、总酸
3个理化指标呈极显著相关
(
0.
01水平)，可以看到总
酚、单宁和总酸之间也呈显著相关。究竟哪些理化指标
可以决定葡萄酒的分级，需要进一步的逐步判别分析。
预测组数正确判别
等级
123
总数
率平均值
1
13.00
1.00
0.00
15.00
2
1.00
0.00
1.00
9.00
86.31%
3
0.00
1.00
5.00
6.00
1
86.7
6.67
6.67
100.00
2
评定，根据感官评定的结果对葡萄酒进行分级定价［1］。1.
2试验方法
由于受到直接经济利益的驱动，品尝中主观成分对品尝1.
2.
1单宁的测定
的结果产生了很大的影响，故如何利用客观的评价方法①吸取
1
mL试样，置于盛有
70
mL水的容量瓶
;
对葡萄酒进行客观分级，成为葡萄酒研究的重要课题之②加入福林
5040＊
＊＊0.
1965
0.
4002＊
＊＊-0.
0699
-0.
1241
1.
0000
0.
0001
0.
0017
0.
0045
0.
基于聚类分析的葡萄酒分级评价
基于聚类分析的葡萄酒分级评价随着葡萄酒产品大量涌入市场，为更好的适应不同层次的消费水平对葡萄酒进行分级评价，据此建立包括氨基酸、蛋白质、VC含量等27个酿酒葡萄理化指标和葡萄酒质量两方面的酿酒葡萄分级评价体系。
对酿酒葡萄理化指标数据标准化处理，根据欧式距离矩聚类分析，以每一类葡萄酒样品评分的算术平均分作为质量得分进行分级，分级结果较为中肯，可推广至市面上大部分葡萄酒的分级评价中。
关键词：葡萄酒质量评价、聚类分析、欧式距离、分级评价0引言目前市面上确定葡萄酒质量的方法大致为由多位评酒员对葡萄酒样本分别进行品评打分，得分求和确定对应葡萄酒质量。
但评价结果受时间、地点、温度,甚至评酒员个人因素等影响，导致评价结果可能产生偏差。
随着琳琅满目的葡萄酒产品涌入市场，为了适应不同消费阶层，需要提高葡萄酒评价结果的可信度，并对葡萄酒进行合理的分级分析，使评价结果更加准确和公正。
针对以上问题，建立模型对葡萄酒进行分级评价。
1模型的建立与求解1.1建立评价指标体系首先分为红、白两种酿酒葡萄进行等级评定。
建立酿酒葡萄的指标分析体系，分为酿酒葡萄的27个理化指标和葡萄酒的质量两个方面。
然后将酿酒葡萄理化指标数据进行统一量纲处理，转置同一数量级的指标数据求解欧式距离矩阵。
最后进行聚类分析，由于评酒员对葡萄酒的品评打分会在一定程度上反应葡萄酒的质量，选择结果更可信的那一组评价数据，对聚类结果按类别求其平均分，分别确定红、白酿酒葡萄的等级。
以出汁率、果梗比、可溶固形物、果皮颜色、干物质含量、百粒质量、PH值、果穗质量、葡萄总黄酮、固酸比、可滴定酸、DPPH自由基、蛋白质、白葱芦醇、氨基酸、黄酮醇、花色苷、还原糖、酒石酸、总酚、苹果酸、多酚氧化酶活力、柠檬酸作为酿酒葡萄分级指标。
考虑到聚类结果的准确性与针对性，对于一级指标中存在二级指标的氨基酸、白藜芦醇、黄酮醇和还原糖采用其二级指标数据进行聚类分析。
1.2样本点两两间的欧式距离为了消除样本数据与数据之间量纲与量纲单位的影响，对红、白酿酒葡萄原始指标数据分别进行Z-Score标准化去量纲处理，统一分别用红、白酿酒葡萄指标数据Z-Score值衡量，经过处理后的数据处于同一量级，增大指标数据之间的可比性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
酿酒葡萄分级的方法研究
1 模糊C均值聚类
1.1 算法描述
聚类分析的目的是把分类对象按一定规则分成若干类，这些类不是事先给定的，而是根据数据的特征确定的，对类的数目和类的结构不必作任何假定。
在同一类里的这些对象在某种意义上倾向于彼此相似，而在不同类里的对象倾向于不相似。
硬聚类把每个待辨识的对象严格地划分到某类中，具有非此即彼的性质，模糊聚类由于能够描述样本类属的中介性，能够客观地反映现实世界，已逐渐成为聚类分析的主流[1-2]。
在此，我们采用模糊C均值聚类的方法。
模糊C均值聚类（FCM），是用隶属度确定每个数据点属于某个聚类的程度的一种算法。
FCM把n个向量x■（i=1，2，…，n）分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小。
与引入模糊划分相适应，隶属矩阵U允许有取值在0，1间的元素。
不过，加上归一化规定，一个数据集的隶属度的和总等于1：
■u■=1，？坌j=1，…，n（1）
那么，FCM的价值函数（或目标函数）就是：
J（U，c■，…，c■）=■J■=■■u■■d■■（2）
这里u■介于0，1间，c■为模糊组I的聚类中心，d■=‖c■-x■‖为第I个聚类中心与第j个数据点间的欧几里德距离；m∈[1，∞）是一个加权指数。
构造如下新的目标函数，可求得使（2）式达到最小值的必要条件：
■（U，c■，…，c■，λ■，…，λ■）=J（U，c■，…，c■）+■■■λ■（■u■-1）=■■u■■d■■+■λ■（■u■-1）（3）
这里λ■，j=1到n，是（1）式的n个约束式的拉格朗日乘子。
对所有输入参量求导，使式（2）达到最小的必要条件为：
c■=■（4）
和
u■=■（5）
由上述两个必要条件，模糊c均值聚类算法是一个简单的迭代过程。
在批处理方式运行时，FCM用下列步骤确定聚类中心c■和隶属矩阵U：步骤1：用值在0，1间的随机数初始化隶属矩阵U，使其满足式（1）中的约束条件。
步骤2：用式（4）计算c个聚类中心c■，i=1，…，c。
步骤3：根据式（2）计算价值函数。
如果它小于某个确定的阀值，或它相对上次价值函数值的改变量小于某个阀值，则算法停止。
步骤4：用（5）计算新的U矩阵。
返回步骤2。
上述算法也可以先初始化聚类中心，然后再执行迭代过程。
由于不能确保FCM收敛于一个最优解。
算法的性能依赖于初始聚类中心。
因此，我们要么用另外的快速算法确定初始聚类中心，要么每次用不同的初始聚类中心启动该算法，多次运行FCM。
设被分类的对象的集合为：X={x■，x■，…，x■}，其中，每一个对象x■有n个特性指标，设为x■=（x■，x■，…，x■）■，如果要把X分成c类，则它的每一个分类结果都对应一个c×N阶的Boolean矩阵U=[u■]■，对应的模糊c划
分空间为：
M■={U？奂R■|u■∈[0，1]，？坌i，？坌k；■u■=1，？坌k；00 for all i=1，2，…，c
u■■=■
Otherwise
u■■=0 if d■>0，and u■■∈[0，1] with ■u■■=1
Until ‖U■-U（l-1）‖≤ε
1.2 模型的建立与求解
根据2012年全国数学建模竞赛中A题将第一组评酒员对红葡萄酒的27组样品酒评分作为样本进行聚类分析。
利用MATLAB编程对白葡萄酒的质量进行模糊C均值聚类，结果如表1所示。
根据表1的数据，求出每组数据的平均值分别为：86.5833、76.1333，可以看出白葡萄酒可分为两级，第一级为第一类数据，第二级为第二类数据。
葡萄酒与葡萄是相对应的，即葡萄酒样品1对应于葡萄样品1，所以白葡萄的分级与白葡萄酒的分级一致。
对红葡萄酒的质量进行模糊C均值聚类，结果如表2所示。
表2 红葡萄酒分类
根据表2的数据求每组质量的平均值分别为：72.7143、72.5、75.75、66.7。
排序可知一级为第三类、二级为第一类、三级为第二类、四级为第四类。
1.3 模型缺陷
此聚类模型只考虑了葡萄酒的质量对酿酒葡萄分级的影响，并没有考虑酿酒葡萄的理化指标，因此进一步形成主成分分析模型。
2 主成分分析
2.1 算法描述
主成分分析是一种通过降维技术把多个变量化为少数几个主成分（即综合变量）的多元统计方法，这些主成分能够反映原始变量的大部分信息，通常表示为原始变量的线性组合[4]。
主成分分析的基本原理为：
假定有样本，每个样本共有p个特征，构成一个n×p阶的数据矩阵：
X=x■ x■ … x■x■ x■ … x■┇┇┇┇x■ x■ … x■
当p较大时，在p维空间中考察问题比较麻烦。
为了克服这一困难，就需要进行降维处理，即用较少的几个综合指标代替原来较多的变量指标，而且使这些较少的综合指标既能尽量多地反映原来较多变量指标所反映的信息，同时它们之间又是彼此独立的。