數(shù)學建模 葡萄酒評價

1、摘要本文主要進行了葡萄酒感官評價的可信度比較、釀酒葡萄評價分級、釀酒葡萄與葡萄酒的理化指標之間的聯(lián)系、評價結(jié)果統(tǒng)計分析等方面的研究。通過方差分析、層次分析等方法建立模型，解決了葡萄酒的評價問題。問題一：利用方差分析法對評酒員評價數(shù)據(jù)進行分析，并用Excel畫出圖表(見正文)，直觀地觀察出兩組評價數(shù)據(jù)范圍接近，第二組評價數(shù)據(jù)波動不大，評價數(shù)據(jù)更可信。問題二：要求根據(jù)釀酒葡萄的理化指標和葡萄酒的質(zhì)量，對這些釀酒葡萄進行分級，我們認為影響釀酒葡萄品質(zhì)的因素較多，釀酒葡萄各理化指標之間的關(guān)系又是極其復雜的，對其的評價是一個多指標、多屬性的問題。采用系統(tǒng)工程學的層次分析法(AHP)來確定影響葡萄品質(zhì)的各

2、因素的權(quán)重，應用綜合評判法，對釀酒葡萄進行了評價和分級。各等級下葡萄樣品數(shù)如下表：、一、等級葡萄種類、優(yōu)良中合格紅葡萄54108白匍萄8892問題三：利用逐步回歸法得到釀酒葡萄與葡萄酒的理化指標之間的關(guān)系，并用BP神經(jīng)網(wǎng)絡進行比較驗證。問題四：通過聚類分析與神經(jīng)網(wǎng)絡相結(jié)合，分析釀酒葡萄與葡萄酒的理化指標和葡萄酒質(zhì)量間的聯(lián)系。通過理化指標得到葡萄酒質(zhì)量評價分數(shù)，并與第二組評酒員評價出的葡萄酒質(zhì)量評價分數(shù)對比分析，可知現(xiàn)階段還不能用釀酒葡萄與葡萄酒的理化指標來評價酒的質(zhì)量。本文的建模過程中，對于每個問題都充分考慮了影響因素，一定程度上體現(xiàn)了模型的可靠性，具有較強的適用性和普遍性。關(guān)鍵詞：方差分析E

3、xcel逐步回歸分析Bp神經(jīng)網(wǎng)絡聚類分析MatlabDPS數(shù)據(jù)處理系統(tǒng)一、問題重述通過聘請一些有資質(zhì)的評酒員品嘗葡萄酒，根據(jù)他們反饋意見來確定葡萄酒的質(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的理化指標會在一定程度上反映葡萄酒和葡萄的質(zhì)量。已知某一年份一些葡萄酒的評價結(jié)果，及該年份這些葡萄酒的和釀酒葡萄的成分數(shù)據(jù)。根據(jù)上述條件建立數(shù)學模型解決以下問題：分析兩組評酒員的評價結(jié)果有無顯著性差異，哪一組結(jié)果更可信。根據(jù)釀酒葡萄的理化指標和葡萄酒的質(zhì)量對這些釀酒葡萄進行分級。分析釀酒葡萄與葡萄酒的理化指標之間的聯(lián)系。4分析釀酒葡萄和葡萄酒的理化指標對葡萄酒質(zhì)量的影響，并論

4、證能否用葡萄和葡萄酒的理化指標來評價葡萄酒的質(zhì)量。二、問題分析問題一：觀察附表1中評酒員的評價結(jié)果數(shù)據(jù)，分析得出它們之間的差異。根據(jù)評酒員對各組葡萄酒的評價結(jié)果數(shù)據(jù)，尋求結(jié)果數(shù)據(jù)更加穩(wěn)定的一組，作為目標，利用求方差的數(shù)學模型，對各個數(shù)量指標進行分析比較，得出更有可信度組。問題二：根據(jù)不同理化指標對于釀酒葡萄影響各不相同，用層次分析法構(gòu)造比較矩陣。計算得到各個因素所對應的權(quán)重，定一個分數(shù)指標，根據(jù)分數(shù)對葡萄進行分級。問題三：題中葡萄與葡萄酒指標數(shù)分別為60、17，考慮因變量太多，用逐步回歸分析法建立求解模型，結(jié)合神經(jīng)網(wǎng)絡模型進行對比驗證。將多次測試值取平均數(shù)，獲得可信數(shù)據(jù)。問題四：考慮參數(shù)過多，

5、為剔除微小影響因素，通過聚類分析法對影響指標進行歸類，尋找主要因素，用神經(jīng)網(wǎng)絡建立模型，獲得理化參數(shù)對葡萄酒的影響關(guān)系。對理化指標仿真得到新的質(zhì)量指標分數(shù)，與第二組評酒員評價數(shù)據(jù)比較分析，作為論證依據(jù)。三、模型假設及符號說明模型假設假設評酒員給出的評價數(shù)據(jù)不存在個人因素。假設一級指標只與一級指標相互影響，二級指標只與二級指標相互影響。假設葡萄分級時忽略二級指標對結(jié)果的影響。符號說明卩：表示第i個處理觀測值總體平均數(shù)。i*:表示試驗誤差。ija:表示處理i對試驗結(jié)果產(chǎn)生的影響。ix:表示卩a*總和。ijiijss：表示誤差平方和。ess表示處理間平方。tssT表示總變異的總平方和。W=WW，,W

6、:表示權(quán)重系數(shù)集。1,2mr=(r,r,，r):表示隸屬度向量。ijij1ij2ij4V=(r,r,r):表示評價等級。ijij1ij2ij4P表示紅葡萄的第i個一級指標。ri表示白葡萄的第j個一級指標。Q:表示紅葡萄酒的第m個一級指標。rmQ:表示白葡萄酒的第n個一級指標。wnP:表示紅葡萄的第a個二級指標。raP:表示白葡萄的第b個二級指標。wbq:表示紅葡萄酒的第c個二級指標。rcq:表示白葡萄酒的第d個二級指標。wd四、模型的建立4.1問題一：通過建立方差分析模型對兩組評酒員對葡萄酒的評分結(jié)果進行差異分析。4.1.1數(shù)學模型反應全部觀測值總變異的總平方和是個觀測值X與總平均數(shù)匚的離均差

7、平方和，記為:SST用n丈(元.-元.)2反映重復n次的處理間變異，稱為處理間平方和記為SSiti=1E(x-x)2為各處理內(nèi)離均差平方和之和，反映了各處理內(nèi)的變異即誤差，稱為處理ijii=1j=1內(nèi)平方和或誤差平方和，記為SSe處理內(nèi)自由度為觀測值的總個數(shù)減k處理內(nèi)自由度記為dfe由于：因此：各項平方和除以各自的自由度便得到總均方、處理間均方和處理內(nèi)均方，分別記為MSMSMSTte4.1.3F檢驗通過MSt與MSe的比較來推斷C:是否為零卩i是否相等即卩=卩=.=12k在汽=0的條件下，MSms服從自由度df=k-1與df2=k(n-1)的F分布。e若實際計算的FFo叫f即卩0.05不能否定

8、:氣=。若FFF即0.01pF、，即p0.01，否定H:q2=0。接受H:q2主00.01(df1,df2)OaAa差異小的一組評酒員的評價可信。問題二4.2.1建立層析結(jié)構(gòu)模型建立層次模型之前，應對釀酒葡萄進行分析。通過分析出影響目標相關(guān)因素，將評估釀酒葡萄的等級作為目標層的元素。對葡萄進行評級時可以從釀酒葡萄的理化指標和葡萄酒的質(zhì)量二個方面分別考慮，將葡萄的理化指標、葡萄酒質(zhì)量作為第二層的元素。從中提取相關(guān)的類作為第三層的元素，例如從葡萄酒質(zhì)量中的外觀分析、香氣分析、口感分析等，和葡萄理化指標中的各指標的含量。嚴格對應葡萄與兩個評價因素的映射，將第三層的某些類細化為族。確定的層次模型示例如

9、圖4-2所示。構(gòu)造判斷矩陣判斷矩陣表示針對上一層次某因素而言，本層次與之有關(guān)的各因素之間的相對重要性。其形式如下：bj表示對A層而言，B層中因素bi對bj的相對重要程度通常取】、3、5、7、9及其他們的倒數(shù)，2、4、6、8表示第i個因素相對于第j個因素的影響介于上述兩個相鄰等級之間。判斷矩陣B具有如下特征：b,二1、人ij其中(i,j,k=1,2,n)ojk判斷矩陣中的bj是根據(jù)經(jīng)驗經(jīng)過反復研究驗證后確定。用層次分析法應保持判斷矩陣的一致性,矩陣中的b滿足上述三條關(guān)系式時，說明判斷矩陣具有完全的一致性。ij層次單排序是根據(jù)判斷矩陣計算對于上一層某因素而言本層次與之有聯(lián)系的因素的重要性次序的權(quán)重

10、（的排序）。在矩陣運算中表現(xiàn)為求最大特征值對應的特征向量。采用方根法計算準則層的因素相對于目標層的層次單排序。各因素的權(quán)重向量為二（,，,）T其中TOC o 1-5 h z12n對進行歸一化處理，得到O=u-3二（,3,.,3）T，其中in12n工3jj-1計算矩陣的最大特征根其中（A3）表示向量A3的第i個元素。計算一致性指標：C.r=R.=巳R.I.，其中C.I.=maxn一1RI為平均隨機一致性指標，其變化情況如表4-2所示，當CR0.1，認為判斷矩陣的一致性是可以接受的，否則應對判斷矩陣作適當調(diào)整。4.2.4層次總排序為了得到層次結(jié)構(gòu)中每一層次的所有因素相對于總目標的層次總排序，需要將

11、計算出來的層次單排序再次進行適當計算。假設層次結(jié)構(gòu)模型是由目標層（A）、準則層（B）和指標層（C）所組成，準則層有m個因素，指標層有n個因素。已知B層對A層的層次單排序為：=（，0）t12mC層對B層的準則Bj的層次單排序為：=（巴，琴，）tj1j2jnj則C層各指標對A層的層次總排序的方法為：C層各指標對目標層的層次總排序為：=，）t12n評語集是對各個安全因素可能做出的總的評價結(jié)果的集合。根據(jù)實際評估需要進行設計。把V=vVVV評語集定義為以下幾個等級：1234=優(yōu)，良，中等，合格。設F是各種等級因素的集合，把F中的葡萄等級按照某一準則分類，一般將相近或相似的等F=ffF（級因素分為一組，

12、設F中的等級因素有m組，即F=1,F2,FmFF=FFFf每個i又有：i2ni，n為組成i的子因素的個數(shù)。依次對各個子因素繼續(xù)劃分下層。權(quán)重系數(shù)集是根據(jù)各子因素對上一層父因素的重要程度,對每個子因素分配的權(quán)重系數(shù)的集FWWW=WW.WW合。每個i映射一個函數(shù)值i,Wi組成的集合12m即為權(quán)重系數(shù)集，其中i滿足歸一性和非負性條件，即：同理，可以得到下一層的權(quán)重系數(shù)：(i=12.m;j=12.n)ij權(quán)重系數(shù)集受主觀因素影響較大，特別是當某一因素出現(xiàn)所有的專家都一致認為其中一個因素是重要的，而其它因素為0時，則在評估過程重會夸大該因素而忽略其它因素。前面步驟通過AHP法可以弱化該影響。通過層次分析

13、法得到釀酒葡萄的分數(shù)并進行分級。問題三分析釀酒葡萄與葡萄酒的理化指標之間的聯(lián)系。由于給出的數(shù)據(jù)過多，我們采用逐步回歸法進行求解。根據(jù)題目建立模型：對回歸模型進行標準化得到得出：標準化的回歸模型的矩陣：標準化前后的關(guān)系得到標準化后的矩陣：采用逆緊湊變換法來對給出的多種指標進行分析。由(R(。):E)經(jīng)高斯消元法變換為(EJR-1)，既可求出解。在逐步回歸分析中，每引進一個變量或者剔除一個變量，都要對R進行一次求解求逆緊奏變換法變換。對給出的因素進行分析，引入方差貢獻最大者。回歸平方和越大，回歸方程的效果就越好。得到葡萄與葡萄酒的理化指標之間個各個關(guān)系式。采用bp神經(jīng)網(wǎng)絡對給出的葡萄與葡萄酒的理化

14、指標進行建模。節(jié)點輸出模型：隱節(jié)點輸出模型：Q=fCwxX)iijiQj輸出節(jié)點輸出模型：Y=fCTxQ)kikj-Qk其中，f為非線形作用函數(shù)；q為神經(jīng)單元閾值。作用函數(shù)模型：?作用函數(shù)是反映下層輸入對上層節(jié)點刺激脈沖強度的函數(shù)又稱刺激函數(shù)，這里取為(0,1)內(nèi)連續(xù)取值Sigmoid函數(shù)：由于激勵函數(shù)Sigmoid在接近0,1時，收斂速度慢，將訓練樣本、測試樣本以及網(wǎng)絡預測的輸入樣本值置于0.1-0.9區(qū)間，具體做法如下：誤差計算模型：誤差計算模型是反映神經(jīng)網(wǎng)絡期望輸出與計算輸出之間誤差大小的函數(shù)：t為i節(jié)點的期望輸出值；O為i節(jié)點計算輸出值。pipi自學習模型：引入動量因子提高網(wǎng)絡的記憶能

15、力以便使網(wǎng)絡學習提速和降低陷入局部極小值的機會。動量項越多，只要網(wǎng)絡學習的時間足夠長，網(wǎng)絡總有機會慢慢爬出局部極小值。神經(jīng)網(wǎng)絡的學習過程，即連接下層節(jié)點和上層節(jié)點之間的權(quán)重矩陣卬的設定和誤差修正過ij程。BP網(wǎng)絡有師學習方式-需要設定期望值和無師學習方式-只需輸入模式之分。自學習模型為h為學習因子；儀為輸出節(jié)點i的計算誤差；O為輸出節(jié)點j的計算輸出；a為動量因子。ij通過采用葡萄與葡萄酒的理化指標進行訓練。得到葡萄的理化指標與葡萄酒的理化指標的關(guān)系。問題四：采用聚類分析葡萄酒理化指標的參數(shù)與葡萄酒的質(zhì)量分數(shù)進行分類，利用神經(jīng)網(wǎng)絡建立數(shù)學模型尋找釀酒葡萄與葡萄酒的理化指標與葡萄酒質(zhì)量的影響關(guān)系。

16、聚類分析指將物理或抽象對象的集合分組成為由類似的對象組成的多個類的分析過程。它是一種重要的人類行為。聚類分析的目標就是在相似的基礎上收集數(shù)據(jù)來分類。采用歐式距離來衡量同類樣本的類似性與不同類的差異性。歐式距離中第i個樣品與第j個樣品之間的距離為：顯然-1D1，D愈小表示兩個愈相似，反之則疏遠。ij計算相關(guān)系數(shù)：采用類內(nèi)距離和準則。表達式為:對葡萄與葡萄酒的理化指標與葡萄酒質(zhì)量分數(shù)進行標準化后進行聚類分。方法是：根據(jù)樣品冰柱圖選擇主要相關(guān)指標。建立bp神經(jīng)網(wǎng)絡模型，對葡萄酒質(zhì)量影響的分析。通過學習篩選后的數(shù)據(jù)來進行分析。得到一定的關(guān)系。我們用學習后的網(wǎng)路來對葡萄與葡萄酒的理化指標進行仿真分析得到

17、一個新的紅葡萄酒與白葡萄酒的質(zhì)量分數(shù)。通過分析第二組評酒員與新得到的分數(shù)進行對比。并對新的分數(shù)進行分析。來確定葡萄與葡萄酒的理化指標能否進行葡萄酒的質(zhì)量判斷。五、模型的求解與分析5.1問題一：根據(jù)上述模型，利用Excel求解，結(jié)果如下：方差分析結(jié)果：表格錯誤!未指定順序。第一組紅葡萄酒差異源SSdfMSFP-valueFcrit行92.69626.0003.5656.5341.714E-161.543列28.2259.0003.1365.7483.273E-071.920誤差127.674234.0000.545總計248.596269表格錯誤!未指定順序。第組白葡萄酒差異源SSdfMSFP-

18、valueFcrit行44.44227.0001.6462.7891.627E-051.531列113.7859.00012.64221.4211.630E-261.918誤差143.414243.0000.590總計301.642279.000表格錯誤!未指定順序。第一組紅葡萄酒差異源SSdfMSFP-valueFcrit行26.62926.0001.0243.0503749E-061.543列19.6449.0002.1826.5012932E-081.920誤差78.555234.0000.335總計124.829269.000表格4第組白葡萄酒差異源SSdfMSFP-valueFcri

19、t行22.69627.0000.8402.0120.0031.531列37.8179.0004.20110.0613.948E-131.918誤差101.482243.0000.417總計161.996279.000作出直觀圖表：圖表錯誤!未指定順序。第一圖表2第一組白葡萄酒據(jù)直觀紅知酒第一葡萄3兩組的評分范圍接近圖但第一組與第二組評酒員的評分對比，第一組波動較大。對比上述圖表，第二組較第一組整體評分更穩(wěn)定，因此第二組評價數(shù)據(jù)更可信。問題二：查閱資料的到因素之間的重要關(guān)系，建立比較矩陣。矩陣如下：111234563風味R0=42111123432114325432123211212321121

20、213421營養(yǎng)R2=1123根據(jù)比較矩陣可以得到特征值：九=5.672九=6.037九=4.171九=3.018九=2.000。12345歸一化后的特征向量：把歸一化后的特征向量作為權(quán)值，對數(shù)據(jù)逐層加權(quán)求總分，得到葡萄等級分數(shù)。葡萄等級分類如下：葡萄分級表葡萄種類分級葡萄樣品號紅葡萄優(yōu)123923紅葡萄酒理化指標與外觀指標樣品冰柱圖紅葡萄酒理化指標與口味指標樣品冰柱圖良14172124中等56810121316192022合格47111518252627白匍萄優(yōu)310212324252728良456912171820中等128111314151926合格7165.3問題二：用Matlab軟件

21、對模型進行逐步回歸分析，得到釀酒葡萄與葡萄酒的理化指標之間的聯(lián)系，得出以下結(jié)論：紅葡萄酒花色苷與葡萄的花色苷鮮重、出汁率的關(guān)系為：Qri二2.6551P-6.7471P+437.5168r26紅葡萄酒單寧與葡萄總黃酮、可溶性固形物的關(guān)系為紅葡萄酒的總酚、酒總黃酮以及白藜蘆醇分別與釀酒葡萄的一級理化指標間的關(guān)系如下：紅葡萄酒的DPPH半抑制體積以及色澤分別與釀酒葡萄的理化指標間的關(guān)系如下:紅葡萄的H（D65）與釀酒葡萄的酪氨酸、果糖的關(guān)系：紅葡萄酒的C（D65）與釀酒葡萄的絲氨酸、谷氨酸、楊梅黃酮、山萘酚、果糖、葡萄糖的關(guān)系:白葡萄酒總酚與釀酒葡萄的總黃酮、黃酮醇的關(guān)系：白葡萄酒的總酚、酒總黃酮

22、及白藜蘆醇分別釀酒葡萄二級指標的關(guān)系：白葡萄酒的色澤與釀酒葡萄一級指標的關(guān)系：白葡萄的H（D65）與釀酒葡萄的絲氨酸、異亮氨酸、楊梅黃酮的關(guān)系：白葡萄的C（D65）與釀酒葡萄的果糖的關(guān)系：用DSP數(shù)據(jù)處理對葡萄與葡萄酒的理化指標進行訓練，得到葡萄與葡萄酒理化指標間的關(guān)系，與回歸得到的關(guān)系相比較。5.4問題四：采用DPS數(shù)據(jù)處理系統(tǒng)來對數(shù)據(jù)進行聚類分析，生成樣品冰柱圖。分析葡萄酒與葡萄的各種理化指標與第二組評酒員葡萄酒質(zhì)量分數(shù)，對理化指標分類找到主要響因素。得出紅、白葡萄酒與葡萄的理化指標與葡萄酒質(zhì)量因素的樣品冰柱圖。下面給出紅葡萄酒的理化指標與紅葡萄酒質(zhì)量因素的樣品冰柱圖，其他樣品冰柱圖見附錄

23、。后用bp神經(jīng)網(wǎng)絡來對篩選酒芳來啲指標與樣品關(guān)葡萄酒的質(zhì)量分數(shù)進行學習得到紅、白葡萄與葡萄酒的理化指標與質(zhì)量的網(wǎng)絡。用得到的網(wǎng)絡對理化指標進行仿真得到新的紅白葡萄酒的質(zhì)量分數(shù)表。紅葡萄酒理化質(zhì)量評分表樣品1樣品2樣品3樣品4樣品5樣品6樣品7整體評價8.9488.9548.9558.9538.9548.9468.947樣品8樣品9樣品10樣品11樣品12樣品13樣品14整體評價8.9258.9588.9478.5838.9458.9388.951樣品15樣品16樣品17樣品18樣品19樣品20樣品21整體評價8.88158.9518.9558.9448.9558.9518.954樣品22樣品2

24、3樣品24樣品25樣品26樣品27整體評價8.9558.9588.9548.9338.9338.945白葡萄酒理化質(zhì)量評分表樣品1樣品2樣品3樣品4樣品5樣品6樣品7整體評價9.3199.3189.3189.3189.3199.3209.318樣品8樣品9樣品10樣品11樣品12樣品13樣品14整體評價9.3199.3199.3179.3189.3149.3159.316樣品15樣品16樣品17樣品18樣品19樣品20樣品21整體評價9.3159.3199.3149.3199.3159.3189.314樣品22樣品23樣品24樣品25樣品26樣品27樣品28整體評價9.3199.3179.31

25、89.3179.3169.3149.315通過與第二組評酒員的葡萄酒評分進行對比，對數(shù)據(jù)進行分析。發(fā)現(xiàn)各個樣品間的差距很小，不能體現(xiàn)出酒的特點，不能用理化指標來對葡萄酒進行質(zhì)量評價。葡萄酒區(qū)分好壞的主要通過評酒員品評葡萄酒來完成。隨著計算機技術(shù)與檢測技術(shù)發(fā)展，通過檢測的理化指標來評價葡萄酒的質(zhì)量是可能的。六、模型的評價與推廣優(yōu)點1結(jié)合多方因素建立模型，充分考慮所給數(shù)據(jù)的差異，利用層次分析法對各種因素作全面分析。一些參數(shù)根據(jù)因素互相之間的聯(lián)系而設定，為評價問題能提供準確的依據(jù)。逐步回歸在處理葡萄酒與釀酒葡萄理化指標時，剔除了一些微小影響因素。聚類分析對數(shù)據(jù)進行分類，使有大量不同項的數(shù)據(jù)得到簡化。

26、模型雖是就葡萄酒評價而建立的，但類似地也適用于其它方面的一些數(shù)據(jù)規(guī)律的評價問題，即該模型具有很廣泛的應用性。缺點1.人為的忽略一些影響不大的因素，在某種程度上增加了誤差。2.第四問中訓練后的神經(jīng)網(wǎng)絡具有很強的針對性，學習內(nèi)容不夠全面。七、參考文獻【1】李華，葡萄酒感官評價結(jié)果的統(tǒng)計分析方法研究第6卷第2期中國食品報【2】許國根、賈瑛，模式識別與智能計算的實現(xiàn)北京：北京航空航天大學出版社，2012年7月?！?】卓金武，在數(shù)學中建模中的應用，北京：北京航空大學出版社，2011.7?！?】王文靜，感官評價在葡萄酒研究中的應用第34卷第4期釀酒附錄應用的軟件：ExcelMatlabDPS數(shù)據(jù)處理系統(tǒng)m

27、atlab:歸一1：fori=l:length(n)m(i,t)=(n(i)_min(n)/(max(n)_min(n)*10end歸一2：fori=1:length(f)k(i)=f(i)/sum(V(:,l);end聚類：y=pdist(xl);z=linkage(y,single);h=dendrogram(z)逐步回歸：B,SE,PVAL,in,stats,nextstep,history=stepwisefit(Xr,Yr(:,i);樣品冰柱圖：H25紅葡萄理化指標與外觀指標LJi址:.乍I：!:；百13M-|紅葡萄芳香指標與香氣指標zlaTa：.：i“dllLlF/l2iJ.-.l

28、5:?Ja.r”白葡萄酒芳香指標與香氣指白葡萄酒理化指標與外觀指白葡萄酒理化指標與口感指白葡萄芳香指標與香氣指標白葡萄酒理評價結(jié)果白葡萄理化指標與口感指標澄清度色調(diào)純正度濃度質(zhì)量純正度濃度持久性質(zhì)量評價3.4106.9604.4936.30512.584.5386.2106.29516.719.319205675169825255973.4106.9604.4936.30512.584.4446.1476.36616.809.317505675169759505087053.4166.9254.4936.30512.584.5526.2896.38316.979.317715275169535

29、55461573.4106.9604.4936.30512.584.4756.1756.36416.829.31780567516984672393.4106.9604.5176.31112.524.5886.3226.35016.929.31920560582915796563.4216.8894.5556.30412.424.5196.1216.17016.399.3199559582513557595693083.4396.7464.5176.31112.524.5026.0146.09516.229.3183850582459526459983.4106.9604.4936.30512

30、.584.5846.3176.35916.949.3188056751697875467813.4396.7464.7016.75012.984.5556.3036.38516.999.31878515750345250655623.4106.9604.2836.00012.084.4966.1776.30716.699.3170056157855158645743.4106.9604.4736.26012.394.4346.1036.34516.729.31770567057482515357163.4396.7464.4936.30512.584.4576.1526.35116.769.3

31、14285751699559771953.4386.7494.5426.34312.524.4556.1346.33816.719.3153791575525657250653033.4106.9604.5166.31012.524.6006.1836.44916.939.3162056656766571524873.4396.7464.4936.30512.584.4626.1506.34016.739.3147857516975590443.4106.9604.4936.30512.584.6026.3646.38017.049.318705675169951151951093.4396.

32、7464.3706.14512.354.4736.1426.30416.659.31368525431722333813.4106.9604.5426.34312.524.5856.3186.35816.949.319405605755450562652553.4396.7464.4936.30512.584.4516.0976.29916.629.3151857516955319050543.4106.9604.5036.29312.624.4996.1406.26816.609.3186056326958538686863.4396.7464.4936.30512.584.3626.003

33、6.30016.559.3142857516956584555323.4106.9604.5176.31112.524.5896.3186.3416.909.31940560582255322413.4106.9604.4936.30512.584.4766.2216.41417.009.31730567516929559354353.4106.9604.4936.30512.584.4696.1676.35016.779.3179152575169661979183.4106.9604.4936.30512.584.3886.0156.27016.519.317305675169052525

34、435623.4106.9604.5086.52712.594.3426.0946.50116.409.3162056955536945810623.4396.7464.5176.31112.524.5946.3466.38017.029.3141850582452515966紅葡萄酒理化評價結(jié)果澄度清色調(diào)純正度濃度質(zhì)量純正度濃度持性久質(zhì)量評價3.4356.9524.1515.79811.573.9235.6735.96114.588.9480357654685684254553.4356.9524.2235.72511.904.1145.8565.96315.658.954035125659

35、5645833.5106.5154.2435.90112.104.1155.8485.96115.648.95521745455458452753.5206.4234.2425.90012.103.9365.5465.77015.128.95294517555287575056957273.5206.4234.1265.77011.804.0915.8065.95415.638.9536451552750545241853.5206.4234.2105.73811.873.9525.4035.74014.858.946145105281515647254033.5206.4234.1255.77511.773.9065.5145.79414.998.94724516505595155287163.5206.4234.0855.41011.273.7935.2595.60714.398.9252451815382505961773.4356.9524.5556.19212.824.1145.8565.96415.658.9583535202584056553.5206.4234.3375.31511.813.9415.3895.73