广东省二等奖论文.doc

2012高教社杯全国大学生数学建模竞赛承 诺 书我们仔细阅读了中国大学生数学建模竞赛的竞赛规则.我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规则的行为，我们将受到严肃处理。我们授权全国大学生数学建模竞赛组委会，可将我们的论文以任何形式进行公开展示（包括进行网上公示，在书籍、期刊和其他媒体进行正式或非正式发表等）。我们参赛选择的题号是（从A/B/C/D中选择一项填写）： A 我们的参赛报名号为（如果赛区设置报名号的话）： 3535 所属学校（请填写完整的全名）： 广东石油化工学院 参赛队员 (打印并签名) ：1. 李婷 2. 李梓贤 3. 曾祥胜 指导教师或指导教师组负责人 (打印并签名)： 日期 2012 年 9 月 10 日赛区评阅编号（由赛区组委会评阅前进行编号）：2012高教社杯全国大学生数学建模竞赛编 号 专 用 页赛区评阅编号（由赛区组委会评阅前进行编号）：赛区评阅记录（可供赛区评阅时使用）：评阅人评分备注全国统一编号（由赛区组委会送交全国前编号）：全国评阅编号（由全国组委会评阅前进行编号）：26葡萄酒的评价摘 要 如何评价葡萄酒已经成了一个社会性的热点，其实在区分葡萄酒的好坏上并没有一个绝对的量化标准,但我们可以通过各种分析方法把品酒员的评酒结果化主观为客观，使评价更为准确可信。每个评酒员在对葡萄酒进行品尝后对分类指标打分，然后求其各类指标的总分，从而确定葡萄酒的质量。酿酒葡萄与葡萄酒的质量有直接的关系，葡萄酒和酿酒葡萄理化指标会在一定程度上反映酿酒葡萄的质量。问题一，对两组评酒员给出了各自的评价结果分析，通过对结果的差异性分析得出两组的差异系数，以结果比较可信的组数为目标，以两组的评价结果的显著性为约束条件，建立了差异系数规划模型，利用spss软件求解，得到了两组评酒员的评酒结果红葡萄酒的差异性系数为0.21，不显著,；白葡萄酒的差异性系数为0.01，差异性极显著，且第二组的结果比较可信。问题二，我们运用matlab和spss软件对酿酒葡萄的理化指标和葡萄酒的质量进行主成分因子分析和R型聚类分析，根据分析结果对这些酿酒葡萄进行分级。结果如下表：星级红葡萄酒白葡萄酒一星3,8,9,2,1,2327,38,6,20,24,7,5,25二星5,21,173,10,12,23,26三星11,12,14,22,19,7,10,6,2411,15,4,9,22,18四星18,16,13,26,2014,16,17五星15,27,4,251,13,21,2,8,19 问题三， 对红葡萄酒和红葡萄利用excel软件进行回归分析，红葡萄酒的五种因子作为因变量，葡萄酒样品作为自变量，再对各数据点进行线性拟合，结果五种因子的多元线性回归的拟合程度高，所有存在显著的多元线性回归关系。 问题四，酒样品的外观、香气、口感结合为一个变量与酿酒葡萄和葡萄酒的38个理化指标利用spss软件进行特征描述，相关性分析和逐步分类回归分析，得到多元回归方程，得出酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响，且可以用葡萄和葡萄酒的理化指标来评价葡萄酒的质量。关键词：差异系数 显著性分析spss matlab 主成分分析 R型聚类分析 回归分析一.问题重述 随着葡萄酒的普及，市场上葡萄酒的种类也日益繁多，如何评定葡萄酒的等级也成了一个全民性的问题。问题一：在对某一年份的葡萄酒进行评价时，有两组评酒员对其进行了评价，我们要根据评酒员的评价结果来分析有无显著性差异，同时我们也要从两组评酒员的总体评价中找出哪组的评价结果更可信.问题二：我们要根据附表中的指标及数据来对酿酒葡萄的理化指标和葡萄酒的质量（葡萄）对这些酿酒葡萄进行分级。问题三：运用问题二中的酿酒葡萄的理化指标和葡萄酒的质量对这些酿酒葡萄的分级来分析酿酒葡萄与葡萄酒的理化指标之间的联系问题四：上面对酿酒葡萄的理化指标和葡萄酒的质量的一系列分析，由此我们要进一步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二、问题分析 2.1 概 论该部分主要讲述的是对评价结果的显著性的问题，根据品酒员对葡萄酒的评价结果再运用各种分析方法对其进行分析检验，使得评价结果更加可信。2.2 问题一附件1给出了某一年份一些葡萄酒的评价结果，我们需要通过对附件1中的数据进行各种分析方法进行分析，由分析得出的结果来判断两组评酒员的评价结果有无显著性差异，再根据分析得出的结果判定哪一组的结果更为可信。2.3 问题二附件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，根据酿酒葡萄的理化指标和葡萄酒的质量（葡萄）对这些酿酒葡萄进行分级。在分级的过程中，我们需要借助问题一种的结论即葡萄酒的差异来对酿酒葡萄的理化指标和葡萄酒的质量来对酿酒葡萄进行分级。2.4 问题三附件2和附件3给出了萄与葡萄酒的理化指标之间的联系上面对酿酒葡萄的理化指标和葡萄酒的质量的一系列分析，由此我们要进一步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 。2.4问题四附表1，我们对两组品酒员对于葡萄酒品质的判断，对同一个葡萄酒的不同品酒员对酒在外观、香气、口感上的评分的总分为为评价依据，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三、模型假设1、每个品酒员都是顶级的；2、每个品酒员在评酒过程中都持公平，公正，公开的态度；3、每种葡萄酒的酿制时间相同；4、葡萄酒都是经精心保存的，没收到任何污染；5、附录中的每个数据都是原始的6、在被不同的品酒员品酒的过程中，保证同一种酒的品质不变。7、若品酒员短时间内品尝多种酒，不会因为品酒次数过多而影响其品酒感觉。四、 符号说明符号符号说明 假设的显著性差异水平Sig 显著性差异实际数据 第i组红葡萄的差异系数 第i组白葡萄的差异系数 平均数第i种葡萄的分数葡萄的第j种成分样品i中的第j种成分第i个指标的样本平均值第i个指标的样本标准差标准化指标第就个指标与第i个指标的相关系数矩阵R的特征根R相关系数矩阵第k个主成分主成分的信息贡献率主成分，.的累积贡献率Z综合得分五、 模型的建立与求解5.1 问题一分析附件1中两组评酒员的评价结果有无显著性差异，哪一组结果更可信？5.1.1 问题一的分析附件1给出了某一年份一些葡萄酒的评价结果，我们需要通过对附件1中的数据进行各种分析方法进行分析，由分析得出的结果来判断两组评酒员的评价结果有无显著性差异，再根据分析得出的结果判定哪一组的结果更为可信。5.1.2 差异性系数、显著性模型的建立及求解给出的两组的红白葡萄酒的评价结果，在数据准确无误的情况下，即用差异系数的分析方法分别解出两组红白葡萄酒的差异系数的值，运用显著性分析来判断两组评酒员的评价结果的显著性强弱。差异系数： （1）将附表1中的数据带入公式用excel函数可直接计算出= = =从两组数据中可以看出： 所以通过两组的差异性系数可以得出第二组的评价结果更为可信。显著性分析：用spss软件的运行结果如下： 红葡萄CoefficientsaModelUnstandardized CoefficientsStandardized CoefficientstSig.BStd. ErrorBeta1(Constant)64.02026.0082.462.021y.128.368.069.348.731a. Dependent Variable: x 白葡萄CoefficientsaModelUnstandardized CoefficientsStandardized CoefficientstSig.BStd. ErrorBeta1(Constant)87.91524.4933.589.001y-.178.320-.109-.558.582a. Dependent Variable: x参数 sig (1)Sig0.05 差异显著sig005 差异不显著两组评酒员的评价结果中可以看出红葡萄酒的差异不显著，白葡萄酒的差异极显著。5.2 问题二 根据酿酒葡萄的理化指标和葡萄酒的质量（葡萄）对这些酿酒葡萄进行分级5.2.1 问题二的分析附件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，根据酿酒葡萄的理化指标和葡萄酒的质量（葡萄）对这些酿酒葡萄进行分级。在分级的过程中，我们需要借助问题一种的结论即葡萄酒的差异来对酿酒葡萄的理化指标和葡萄酒的质量来对酿酒葡萄进行分级。5.2.2 主成分分析模型的建立和求解将各指标值转换成标准化指标，有 i=1,2.,30;j=1,2.27 （1）其中，, ,i=1,2.30, 即、为i个指标样本均值和样本标准差。对应地，称 （2）为标准化指标变量。相关系数矩阵 （3）有 （4）其中，=1，=是第j个指标与第i个指标的相关系数。相关系数矩阵R的特征值，及对应的标准化特征向量，其中，由特征向量组成30个新的指标变量 （5） . . . 其中：是第一主成分，是第二主成分，是第三主成分.是第30主成分。称 （6） 为主成分的信息贡献率；而且称 （7）为主成分，.的累积贡献率。当接近于1（=0.85,0.90.0.95）时，则选择前P个指标变量，.作为P个主成分，代替原来30个变量指标，从而可对P个主成分进行综合分析。 计算综合得分： （8）其中：为第i个主成分的信息贡献率，根据综合得分值就可进行评价。 利用Matlab软件求的相关系数矩阵的30个特征根及其贡献率如表5.2-1所列。表5.2-1 主成分分析结果可以看出，前8个个特征根的累积贡献率就达到1，主成分分析的效果很好。下面选取前8个主成分进行综合评价。前8个特征根对应的特征向量见表5.2-2表 5.2-2 标准化变量的前8个主成分对应的特征向量由此可得七个主成分分别为.分别以7个主成分的贡献率为权重，构建主成分 综合评价模型 （9）把各种酿酒葡萄的理化指标和葡萄酒的质量的7个主成分值代入上式，可以得到各种酿酒葡萄的排名由高到低，结果如下：红葡萄酒：3、8、9、2、1、23、5、21、17、11、12、14、22、19、7、10、6、 24、18、16、13、26、20、15、27、4、25白葡萄酒：27、28、6、20、24、7、5、25、3、10、12、23、26、11、15、4、9、22、18、14排好了名，在通过R型聚类分析，以葡萄酒质量为基准，把排好序的红、白葡萄酒进行等级分类，每种都分成5个星级，这与世界葡萄酒分级标准相同。得到的结果如下: 表一 等级星级红葡萄酒白葡萄酒一星3,8,9,2,1,2327,38,6,20,24,7,5,25二星5,21,173,10,12,23,26三星11,12,14,22,19,7,10,6,2411,15,4,9,22,18四星18,16,13,26,2014,16,17五星15,27,4,251,13,21,2,8,195.3 问题三分析酿酒葡萄与葡萄酒的理化指标之间的联系5.31 问题三的分析附件2和附件3给出了萄与葡萄酒的理化指标之间的联系上面对酿酒葡萄的理化指标和葡萄酒的质量的一系列分析，由此我们要进一步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 5.3.2 曲线拟合模型的建立及求解 我们根据所给数据表中的葡萄酒和酿酒葡萄的各种理化性质，查询酿酒葡萄中的各种物质对葡萄酒中各种物质的影响，利用spss软件对葡萄酒的各个理化指标进行主成分分析，根据结果可以归纳出醇类物质、酚类物质、酮类物质、DPPH和色泽这五种因子来判断酿酒葡萄与葡萄酒之间理化性质间的联系。依据五种因子，由于所给葡萄酒和酿酒葡萄的理化性质种类不一，所以我们把花色苷、单宁、总酚归为酚类物质，白芦藜醇、黄酮醇作为醇类物质，L*(D65)、a*(D65)、b*(D65)、H(D65) 、C(D65)作为色泽因子，便于对其数据分析。 我们先对红葡萄酒和红葡萄利用excel软件进行回归分析，把红葡萄的五种因子作为自变量，红葡萄酒的五种因子作为因变量，得到正态概率图，再对个数据点进行线性拟合，如下图所示，图1 酚类物质图2 酮类物质图3 醇类物质图4 DPPH图5 色泽 从中图可以清晰的看到五种因子的多次数的四次曲线拟合程度都很好，即酿酒葡萄与葡萄酒的理化指标之间存在显著性的多元线性回归关系。即得出的方程组为： 5.4 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5.4.1问题四的分析第一个附表，我们对两组品酒员对于葡萄酒品质的判断，对同一个葡萄酒的不同品酒员对酒在外观、香气、口感上的评分的总分为为评价依据，对于不同样品酒得分作为葡萄酒质量的一个判别因素，故将其作为一个变量，和葡萄酒与酿酒葡萄的40个理化指标变量进行数据分析，分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响。5.4.2模型的建立与求解 对于27个红葡萄酒样品的40个理化指标与葡萄酒质量进行特征描述，得到统计特征值如下表 表5.4-1X1：氨基酸X11：总酚X21：固酸比X31：果皮颜色b*X2：蛋白质X12：单宁X22：乙酸X32：花色苷（酒）X3：VC含量X13：葡萄总黄酮X23：干物质含量X33：单宁（酒）X4：花色苷X14：白藜芦醇X24：果穗质量X34：总酚（酒）X5：酒石酸X15：黄酮醇X25：百粒质量X35：酒总黄酮（酒）X6：苹果酸X16：总糖X26：果梗比X36：白藜芦醇（酒）X7：柠檬酸X17：还原糖X27：出汁率X37：DPPH半抑制体积（酒）X8：多酚氧化酶活力X18：可溶性固形物X28：果皮质量X38：色泽X9：褐变度X19：pH值X29：L*X10：DPPH自由基X20：可滴定酸X30：果皮颜色a*表5.4-2 统计特征值描述统计量N极小值极大值均值标准差Y2761.1081.3571.77695.26403X127851.178397.282385.30811565.55414X227487.17700.83555.546445.39576X327.0210.25.49521.95317X4277.79408.03105.377189.61556X5272.0615.516.41743.21707X627.8318.215.04673.80735X727.002.511.1011.73794X82710.4350.4323.82849.80303X92772.911305.60358.7907337.52280X1027.18.67.3426.11209X11276.0830.1114.70906.63037X12273.7825.4213.88796.62014X13272.5224.308.21674.88114X1427.2126.854.80345.47421X15272.48164.9935.445040.44742X1627451.01768.57612.222169.27153X1727156.04303.95226.477134.45869X1827181.20261.10216.166719.19207X19272.923.953.5019.24473X20274.349.316.71811.36592X212722.8144.0532.45526.10875X222718.5229.0024.47772.46944X232763.61793.47239.8907161.61721X242798.30334.30177.448159.32256X25272.406.413.94111.10693X262753.0078.4067.19637.27860X2727.10.33.1921.05671X282723.8128.7926.24041.15644X2927.6512.151.85192.13204X3027-52.7045.14-2.783117.73079X3127.8412.772.07722.20421X322711.84973.88263.8994230.03480X33273.6213.267.26612.90443X34273.8612.536.26502.52539X35271.8413.304.89732.98505X3627.3812.683.63042.89412X3727.07.57.2235.12752X38278.6240.9034.30297.1731927个红葡萄酒样品的40个理化指标与葡萄酒质量的相关性分析，其相关性系数见下表。如表可知X33、X34与Y显著相关；X2、X10、X11、X13、X35、X36、X37与Y及显著正相关；其他与Y相关性不显著；理化指标相关系数理化指标相关系数x10.181x20-0.361x2.523*x210.292x30.001x22-0.118x40.218x230.163x50.334x240.07x6-0.319x250.312x7-0.198x260.334x8-0.218x270.119x90.017x28-0.04x10.636*x29-0.333x11.574*x30-0.193x120.329x31-0.302x13.687*x320.151x140.049x33.479*x150.328x34.484*x16-0.043x35.532*x17-0.1x36.552*x18-0.16x37.573*x38-0.094注：*表示显著水平达到5%；*表示显著水平达到1%。根据表可以建立回归多元回归方程以27个红葡萄酒样品的40个理化指标与葡萄酒质量通过SPSS10.0 统计软件进行逐步回归分析，得到逐步回归每一步的回归方程系数表如下。表5.4-2系数a模型非标准化系数标准系数tSig.B 的 95.0% 置信区间B标准 误差试用版下限上限1(常量)65.6901.49144.061.00062.62068.761X13.741.157.6874.726.000.4181.0642(常量)68.0081.57443.218.00064.76071.256X13.761.140.7055.442.000.4721.049X6-.492.179-.356-2.743.011-.861-.1223(常量)60.8753.41917.806.00053.80367.947X13.705.131.6545.384.000.434.976X6-.603.172-.436-3.507.002-.959-.247X21.251.109.2922.304.031.026.477a. 因变量: Y如表可知进入的变量只有X13、X6、X21。将表中“非标准化回归系数”栏目中的“B”列数据代入多元回归模型得到方程：根据方程，我们把白葡萄酒中相对应的数据代入分析得到白葡萄酒质量等级如下：表5.4-3星级白葡萄酒一级27,3,6,20,4,7,5,25二级38,10,22,23,26三级11,15,24,9,12,18四级14,21,17五级1,13,16,2,8,19由结果可知，由方程得出的结果与问题二中的结果基本吻合，即可判断方程有一定的借鉴性，即可以判断酿酒葡萄和葡萄酒的理化指标对葡萄酒的质量有影响。六、 模型评价6.1 模型优点1、 本文把所解决的问题归结为统计与排列与组合问题，建立的数学模型清晰合理。2、在问题一种运用EXCEL，和spss等软件相结合来处理数据和进行运算，降低运算量，简单易行，有很大的可操作性，且所得数据更加合理可靠。3、把大量数据以科学的，有规律的模板进行处理，最终得到有参考价值的数据；4、充分利用计算机工具对数据进行有效处理，使得工作量大大减少；5、模型易于理解分析，且容易操作实现。6.2 模型缺点1、 在附录1中在对白葡萄酒的持久性评分中第二组的品酒员7所给的分数为77，满分为8，我们在计算时则根据品酒员7在其他样品中所给分数的平均数来进行后续分析，可能会出现一些主观效果。2、 在模型的求解时运用matlab及spss软件得出的结果数据我们保留了3位小数，对后续的计算及所得出的结果会出现一些微小的误差。3、 模型在分析求解过程中省略的步骤相对较多，初学者可能较难理解6.3 模型改进1、 在对附录中一中的错误数据处理上，我们可以用多种分析方法来进行求解，使得最终计算数据更加贴近真实值，减少由于主观因素所带来的微小误差。2、 模型的建立及求解细化，可提高模型的含金量七、 参考文献1 倪雪梅.精通spss统计分析.北京：清华大学出版社,20102 张丽芝,贺兰山东麓红葡萄酒等级划分客观标准的初步研究 2012,18(53):29- 32。3 司守奎 孙玺箐 .数学建模算法与应用.北京:国防工业出版社,2011。14.5 361-3634 聂继云 李志霞 李海飞 李静 王昆 毋永龙 徐国锋 闫震 吴锡 覃兴 苹果理化品质评价指标研究 .辽宁:中国农业科学,2012 45（14）：2895-2903。5 如何利用spss进行主成分回归实例分析 不详6 张凤菊 刘晓娟 赵丽平 于晓波 张范良 数据差异显著性检验 农机使用与维修 黑龙江省农业机械工程科学研究学院 2012年第4期7 薛超群 王建伟 奚家勤 杨立均 烤烟烟叶理化指标与浓香型风格程度的关系 烟草化学 2012年第一期附录1问题二的Matlab程序Clc ,clearGj=load(pjsj.txt); %把原始数据保存在纯文本文件pjsj.txt中Gj =zscore(gj); %数据标准化R=corrcoef(gj); %计算相关系数矩阵%下面利用相关系数矩阵进行主成分分析，X的列为r的特征向量，即主成分的系数x,y,z=pcacov(r) %y为r的特征值，z为各个主成分的贡献率F=repmat(sidn(sum(x),size(x,1),1); %购造与x同维数的元素为1的矩阵X=x*f %修改特征向量的正负号，每个特征向量乘于所有分量和的符号函数值Num=8; %num为选取的主成分的个数Df=gj*x(:1:num); %计算各个主成分的得分Tf=df*z(1:num)/100; %计算综合得分stf,ind=sort(tf,descend); %把得分按照从高到低的次序排列Stf=stf,ind=ind附录2Spss运行数据结果 解释的总方差成份初始特征值提取平方和载入合计方差的 %累积 %合计方差的 %累积 %16.94323.14223.1426.94323.14223.14226.05720.19043.3326.05720.19043.33232.9919.97153.3032.9919.97153.30342.8689.56062.8632.8689.56062.86352.0136.70969.5722.0136.70969.57261.5735.24374.8151.5735.24374.81571.3284.42779.2421.3284.42779.24281.1383.79283.0341.1383.79283.0349.9833.27686.31010.8432.81189.12111.6742.24691.36812.5351.78293.14913.4191.39794.54714.3731.24395.79015.3061.02096.81016.252.84097.65017.208.69498.34418.168.55998.90219.112.37599.27720.070.23299.50921.060.20099.70922.033.11099.81923.025.08399.90224.016.05499.95625.011.03799.99326.002.007100.000276.650E-172.217E-16100.00028-9.343E-17-3.114E-16100.00029-2.723E-16-9.075E-16100.00030-6.616E-16-2.205E-15100.000提取方法：主成份分析。成份矩阵a成份12345678x1.499.428-.126.405-.262.308-.096-.146x2.481-.623-.036.322.225.138-.093.083x3-.238-.369-.035.010-.519-.024.248.188x4.785-.305.202-.306.092-.169.103.082x5.407-.046-.343.406.285.069-.568.096x6.450.102-.120-.679.043-.363.078.021x7.339-.014-.406-.347.337.064-.552.099x8.308.028.117-.601.301.278.154-.173x9.545-.266-.066-.691.041.024.172.034x10.621-.616.229.231-.027.109.023.003x11.790-.338.317.208-.055-.094.042-.116x12.672-.335.423-.104-.226.011-.197-.074x13.622-.414.399.272-.024-.102-.051-.055x14.076-.259-.626.116-.220.049.103.062x15.553-.090-.052-.064-.075.740.117.091x16.449.699.049.181.025-.052.157-.344x17.301.837-.040.100.150.046.179.350x18.293.824-.040.164.123.094.142.291x19.295.812-.039.049.164.008.198.379x20.413.680.208.059.040.004.061-.488x21.217-.278-.124.736.156-.077.347-.042x22-.202.559.549-.100-.419.069-.281-.022x23.384-.211-.393.043.549-.198.239-.238x24.579.762.073.024.045.012-.065-.067x25-.442-.280.345.102.602.095-.002.133x26-.605-.092.574.085.260.098.109.089x27.512-.354-.223-.188-.295.429.153.128x28.487-.226.408.159-.017-.335.115.313x29-.319-.040.663-.123.339.417.011.000x30-.620-.223-.317.012.121.279.233-.269提取方法 :主成分分析法。a. 已提取了 8 个成份。附录3 指标总表红葡萄x1x2x3x4x5x6x7x8x9x10x11x12x13x14x15x16x17x18x19x20x21x22x23x24x25x26x27x28x29x30葡萄样品12027.96 553.106 0.251 408.028 2.060 18.210 1.830 33.753 1119.853 0.4301 23.604 22.019 9.480 3.195 17.6780 208.869 237.668 110.150 127.517 226.5 3.56 5.86 38.66 25.918 182.93 123.6 4.51 78.4 0.110 24.07 葡萄样品22128.82 626.478 0.062 224.367 9.930 4.750 0.770 30.904 762.525 0.4644 26.875 23.361 13.806 4.889 27.4550 207.083 229.136 113.498 115.638 228.8 3.95 5.19 44.05 25.986 81.62 98.3 3.83 77.5 0.163 26.07 葡萄样品38397.28 585.046 0.315 157.939 8.080 2.960 1.050 19.303 266.640 0.4090 21.685 20.373 10.794 4.764 164.9927 253.214 273.758 132.209 141.549 257.6 3.91 7.16 35.99 28.997 83.13 105.4 5.60 71.8 0.170 25.50 葡萄样品42144.68 529.823 0.097 79.685 3.770 5.230 0.550 15.534 72.905 0.2655 10.698 8.638 4.482 3.412 26.9679 188.333 237.766 109.316 128.450 203.3 3.29 7.11 28.61 23.721 137.97 174.7 3.26 53.0 0.174 25.98 葡萄样品51844.00 585.613 0.041 120.606 9.490 3.770 1.440 31.536 143.513 0.3961 17.618 14.486 10.275 0.637 6.6502 205.893 195.460 99.585 95.875 212.9 3.64 6.65 32.00 24.084 515.46 254.2 2.99 65.6 0.270 26.33 葡萄样品63434.17 536.643 0.075 46.186 2.830 2.210 036.774 115.943 0.2750 10.671 15.173 6.838 2.203 7.7272 243.690 223.817 108.798 115.019 246.1 3.29 9.31 26.43 27.376 202.24 172.0 2.64 71.9 0.193 25.16 葡萄样品72391.16 487.172 0.131 60.767 5.820 7.740 0.540 25.591 433.751 0.1756 9.214 5.619 3.468 0.623 9.8648 206.786 303.950 142.437 161.513 211.4 3.18 8.14 25.98 26.438 63.61 168.8 4.78 71.5 0.141 25.61 葡萄样品81950.76 558.546 0.181 241.397 5.710 13.550 2.510 50.434 1305.595 0.4148 15.241 22.489 8.483 5.949 115.5546 199.940 196.990 94.336 102.654 226.5 2.92 6.47 34.99 25.620 213.09 181.1 6.41 59.6 0.260 26.85 葡萄样品92262.72 700.828 0.512 240.843 13.230 4.120 1.100 16.869 424.108 0.6658 30.114 24.362 20.490 4.907 58.5407 193.393 194.925 98.701 96.224 203.4 3.74 5.88 34.58 23.761 186.62 138.1 5.31 78.0 0.130 23.81 葡萄样品101364.14 545.305 10.250 44.203 2.450 2.300 0.240 10.427 459.569 0.3255 9.476 16.688 4.631 12.307 28.7475 170.774 161.421 79.379 82.041 181.2 3.65 6.67 27.16 19.676 255.