1、葡萄酒的评价摘要本文主要对两组评酒员的评价结果及可信度、酿酒葡萄的分级、酿酒葡萄与 葡萄酒的理化性质之间的联系和是否影响葡萄酒的质量进行分析及研究。对于问题一,利用附件一中评酒员群体对红、白葡萄酒进行两次评分的数据,运用t检验模型,求出P值用于判定有无显著性差异。出于对结果的科学性考虑,建立了二值化可信度模型对评酒员的可信度进行定量描述。若可信度值P j越大,则说明评价结果越可信。通过比较第一、二组的P值,得出第一组的可信度更高 些。对于问题二,运用主成分分析法,选取葡萄酒样品中含有的一级指标物的数 据,得出贡献率。再利用贡献率(贡献率越大对葡萄的质量影响越大)的大小,选出影响酿酒葡萄分级的主
2、成分因素,并利用红地球葡萄的分级标准对酿酒葡萄 进行分级。对于问题三,首先利用主成分分析法和SP SS软件对红葡萄酒的量化指标进 行筛选,选出总酚、酒总黄酮、白藜芦醇等6种物质作为对葡萄酒理化指标的一 组样本。借用在问题二中筛选出来的花色昔、干物质含量、顺式白藜芦醇昔等六 种红葡萄的理化指标作为另一组样本。然后利用上述两组数据,建立典型相关分 析模型,求出葡萄酒理化指标和酿酒葡萄的相关系数,从而确定两者之间的关联 度。最后建立二元回归模型进而求出两者之间的关系。对于问题四,运用主成分分析降维的思想,运用灰色关联度模型,利用几组 变量的数据,通过MATLAB软件求得关联度,进而来反映两变量之间的
3、线性关系。根据关联度的大小,考虑多方面的因素对葡萄酒的质量进行评价与论证。关键词:t检验法、可信度模型、主成分分析法、多元回归模型、灰色关联度1问题重述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。附件1给出了某 一年份一些葡萄酒的评价结果,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。请尝试建立数学模型讨论下列问题:1.分析附件1中两组评酒员的评价结果有
4、无显著性差异,哪一组结果更可 信?2.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。3.分析酿酒葡萄与葡萄酒的理化指标之间的联系。4.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。附件1:葡萄酒品尝评分表(含4个表格)附件2:葡萄和葡萄酒的理化指标(含2个表格)附件3:葡萄和葡萄酒的芳香物质(含4个表格)2问题假设1.评酒员间的评价尺度、评价位置和评价方向相同2.二级指标里的因素对酿酒葡萄分级的影响不大,可忽略不计;3.题中给出的所有数据准确无误;4、测试理化指标用的葡萄和相应酒样的酿酒葡萄是同一批;5、附件2、3中的理
5、化指标具有代表性,可以真实反映该品种葡萄和葡萄酒的物 理化学特性;3符号说明符号表示的意义斗可均值均离差平方和n处理的重复次数勺,岭统计量df自由度Sxl-x2标准误差Pi可信度值d)评酒员对评价对象的综合评价结果Pu评酒员用的通过正确率Poi评酒员用不通过正确率Z贡献率ij主成分负荷Z主成分的得分4)原假设%(k)第t样品第k个指标的值C关联度系数&关联度P分辨系数4问题分析4.1问题一的分析针对问题一,若要评论两组评酒员的评价结果有无显著性差异,则需在评酒 员间的评价尺度、评价位置和评价方向一致的前提下,利用附件一中的数据,考 虑到每组只有十位评委,属于小样本比较,而且每组样本数量相等,运
6、用t检验 法,求出P值与t的临界值比较,得出两组评酒员对红、白葡萄酒的评价结果是 否有显著性差异。基于结果的准确性,本文建立了二值化可信度模型对评酒员的 可信度进行定量描述。若可信度值耳越大,则说明评价结果越可信。4.2问题二的分析针对问题二,若要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,则需找出酿酒葡萄的理化指标与葡萄酒质量之间的联系。由于附件二 中的数据庞大,经查阅资料,本文最终运用一级指标的因素来解答问题。因此,借用主成分分析法,利用贡献率(贡献率越大对葡萄的质量影响越大)的大小,选出对影响酿酒葡萄分级的因素,并利用红地球葡萄的分级标准对酿酒葡萄进行 分级。4.3问题
7、三的分析针对问题三,考虑酿酒葡萄和葡萄酒的理化指标这两组变量之间的联系,本 文采用典型相关分析法,根据几对综合变量来反映两组样本之间的线性相关性。由于典型相关分析模型不能准确描述两组变量之间的关系,为了更加准确,建立 了多元回归模型,进而精确得出酿酒葡萄和葡萄酒的理化指标二者之间的关系。4.4问题四的分析针对问题四,若要分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响,则需先求得它们之间的相关性(问题三已经得出)。灰色系统理论1提出了对各 子系统(或因素)之间的数值关系o故本题运用灰色关联度分析模型对系统二者的 关系进行度量。并运用其结论分析葡萄和葡萄酒的理化指标对葡萄酒的质量的影响。5模型的
8、建立与求解5.1 模型一的建立与求解5.1.1 模型一的建立在处理第一组、第二组评酒员品红葡萄酒评分时,首先,假设第一组,第二 组无差异,即原假设为:豆=豆,那么对应的备择假设是:4:吊w弓.处理平均数/测验公式:如工豆和S%SS2分别是均值和离均差平方和,曲2为 处理的重复次数,则t=x-x2/S-2(1)自由度 df=n+n2-2这里为豆-可的标准误差,其计算公式为:S百美阳+码)+n2-2)当处理重复次数相同时即=%=时,S-的计算可简化为S=,:)(珥+SS2)(2)、%?(%+几2 2)因勺=%,故处理均数差标准误差为:12 V 如 T)再计算统计量/=|-%2|/S-_-,自由度/
9、=4+%-25.1.2模型一的求解经查表得知:临界值表为Q5(i8)=2101,。(=2.878。因经。(18)故.0.0 1拒绝为,即在p=0.0 1的水平上两组评酒员的评价结果无显著性差异。在解释结果时,根据p值大小直接进行统计,如p 0.0 5,表示差异显著,如果 p0.0 1,表示差异极显著。利用SP SS软件,对第一组评酒员给出的红葡萄酒评分进行运算,得出结果 见表1要对上述结果进行检验,则需对评酒员的可信度进行定量描述。因此,本文 建立了二值化可信度模型对其进行描述。若可信度值P j越大,则说明评价结果 越可信。假定由10个评酒员组成评酒员群体,对评价对象集中(A)中的27(或28
10、)个评价对象4,4,4进行多属性评价。评酒员个体按给定的属性体系给 出各属性下的评价意见后,先按属性决策理论的常用方法得出评酒员对各评价对 象的综合评价结果 4(A)再根据两个组评酒的评价结果”(A)进行综合形成 评酒员群体的评价结果0(4).评酒员个体对各评价对象的评价结果可用下列矩阵表示e2O(A)=.2A 4(A)2(a2)4(A)4(4)&(a)4)4,(A)d”(A)d“(4)上式中:4(4)为耳对评价评酒组a,给出的多属性综合评价结果。按照多 属性群体理论的有关方法,容易得到评酒组的评价意见D(A)=(D(A,),D(A2),-D(!)通常情况下,每个评酒组评论意见4(A)和两组评
11、酒组的评价意见。(A)有 3种形式:其一是评价意见只有“通过”、“不通过”两种表达;其二是采取序列 性表达即4。)和D(A)是对各个评价对象的排列;其三是基数性表达,如百分制 打分(包括其他类型评价化为基数型)等。下面建立二值化可信度模型(第一种 形式)来求解评酒员的可信度。评酒员个体和评酒员群体的评价意见只有“通过”、“不通过”两种表达,属 于确定性评价,可以通过正确率、不通过正确率两方面衡量评酒员应的可信度,记7lQAj)=0,。+夕=1,并以下式近似作为评酒员,耳的可信度:Pi=aPi+BPoi(8)当评价目标为“选优”时,a*而当评价目标为“汰劣”时,a1则统计量Qi=+-2-;(p+
12、q+l)lnA给定显著性水平a,查表得若QNa。则否定名,认为第一对典型 变量相关,否则不相关。如果相关则依次逐个检验其余典型相关系数,直到某一 个相关系数力(k=2,P)检验为不显著为止,用SP SS得出的结果只能 说明两组变量之间的相关程度高,并不能准确的反映两者的关系。因此建立多元 回归模型来准确分析其中的关系。5.3.2模型三的求解对红葡萄与红葡萄酒的处理:利用问题二中在红葡萄的理化指标中筛选出来 的六种理化指标花色甘、干物质含量、顺式白藜芦醇昔、山蔡酚、谷氨酸、固酸 比作为红葡萄理化指标的一组代表。然后,利用主成分分析法和SP SS软件对红 葡萄酒的量化指标进行筛选,选出总酚、酒总黄
13、酮、白藜芦醇、DP P H半抑制体 积、色泽H(D65)、色泽C(D65)作为对葡萄酒理化指标的另一组代表。(见附录 3.1)用SP SS软件得出的结果只能说明两组变量之间的相关程度高,并不能准确 的反映两者的关系。因此建立多元回归模型来准确分析其中的关系。5.3.3模型三的检验多元线性回归分析的模型为产4+丹西+凡乙+夕、/(14)2N(0,er2)式中片血,四,2都是与百姓,.即无关的未知参数,其中片,耳,总称为回归 系数。现得到个独立观测数据(y,x,x而),i=l,心也由得由(14)得记X+笈的+2%加+4&,八(15)(16)七上与/,64A-凡式(16)可表示为Y=X/3+z?x(
14、17)2N(0,/纥)其中纥为阶单位矩阵。多元二项式回归分析模型为:y=0o+01X+0 1nxm+2 0jjX;(18)J=1式中自,体,凡,凡,吼 都是与玉七,后 无关的未知参数,其中,凡,片,qm称为回归系数。现有个独立观测数据(%,X”,X油)/=1,解,心九由得由(14)得=。+降+#.%+Z 0/;再加%110=邛0,四,限匹,Bmml通过问题二本文确定了影响酿酒葡萄质量的因素有总氨酸、固酸比、总酚、单宁、花色昔,以下分别以数字编号卜5表示。确定的葡萄酒的理化指标有单宁、总酚、酒总黄酮以下分别以数字编号卜4表示。利用经过筛选的数据建立模型如 下(以白葡萄酒的理化指标对酿酒葡萄最重要
15、因素为例):y=A)+iX+2N(0,or2)现有25个独立观测数据(,x,xj=!,25,由得由(14)得3N(0,/)/=l,25夕=亿 夕25了,夕=a0 A 夕4/,丹.表示第,种葡萄的第j种因素的值。必 表示第i种葡萄最重要因素值。(22)式表为Y=XPU N(0,a2E2 5)其中E25为25阶单位矩阵。将题目中的数据代入上述公式,经过冰求解得:%=0.0 1 93+0.556玉一 0.0573芯3-0.0 30利用同样的方法求得为,为,%,%的表达式如下:2=0.0 1 64+0.9294%一0.5377%2-0.0 659x3+0.1579%;%=0.0277 11.2907%
16、+1 1.5177+0.0 486/0.0423%;y4=0.0 0 1 3+0.7596%)+0.1667x2-0.0 0 19x3+0.0 0 39x4;y5=0.0 1 65 2.1468xj+2.0 31 1 x2+0.341 6x3+0.0 1 0 6x4;利用28组数据建立多元二次回归模型如下(以白葡萄酒的理化指标对酿酒 葡萄最重要因素为例):(1 4)得(25)y=0o+0X+限4+Z 2/;(24)1现有n个独立观测数据(%,Xj|-,x/4),z=l,-,25,4y 尸 A)+4%,i+仅居4+Z Pm;j=i记X二:Y=:(26)J%251 X2 5m 尤 251 254将
17、28组数据代入上述模型利用心必求解结果如下:Y;=0.0 1 9-26.3259X,+26.9798x2-0.2487x3+0.0365x4+557.6351%;_559.521 21+0.822x32-0.3655x42通过“R/ab拟合得到的多元线性回归方程(以切为例)为:y=0.0 1 93+0.556%1-0.0 573x3-0.0 30 lx4二次曲线回归模型:通过Matlab拟合得到回归方程:Y=0.0 1 9-26.3259%+26.9798”0.2487x3+0.0 365%+557.635.2 559.521 2/2+0.822x32-0.36550.85break;ende
18、nd%记下累积贡献率大85%的特征值的序号放入newi中fprintf(主成分数:%gnn,,length(newi);fprintf(主成分载荷:n)forp=l:length(newi)forq=l:length(y)result(q,p)=sqrt(newval(newi(p)*vec(q,newi(p);endend%计算载荷disp(result)2.4计算各成分的得分%cwscore.m,计算得分functionscore=cwscore(vectorl,vector2);sco-vectorl*vector2;csum=sum(sco,2);newcsum,i=sort(T*cs
19、um);newi,j二sort(i);fprintf(计算得分:n)score=sco,csum,j%得分矩阵:SCO为各主成分得分;csum为综合得分;j为排序结果2.5计算标准矩阵、贡献率、各成分得分之间的关系%cwprint.mfunctionprint=cwprint(filename,a,b);%filenaine为文本文件文件名,a为矩阵行数(样本数),b为矩阵列数(变量指标数)fid=fopen(filename,(r)vector=fscanf(fid,%g,ab);fprintf(标准化结果如下:n)vl=cwstd(vector)result=cwfac(vl);cwsco
20、re(vl,result);运行结果如下:cwprint(333.txt,7,27)Warning:F unction call cwprint invokes inexact matchC:MATLAB7workcwprint.M.fid=3标准化结果如下:Warning:F unctioncall cwstdinvokesinexactmatchC:MATLAB7workcwstd.M.In cwprintat 8vl=0.0 4410.0 31 50.0 3880.1 4340.0 5900.0 2490.0 5620.0 50 30.0 3310.0 3920.0 7890.0 565
21、0.0 3720.0 5650.0 41 10.1 30 40.0 4410.0 5550.0 50 50.0 5350.0 6760.0 3260.0 3330.0 3480.0 2800.0 3540.0 2990.0 3300.0 3650.0 2860.0 3650.0 4240.0 3570.0 51 00.0 2980.0 30 20.0 5330.0 4220.0 1 620.0 3460.0 4520.0 3750.0 2960.0 3710.0 3620.0 21 40.0 2280.0 1 860.0 20 50.0 3990.0 30 30.0 3880.0 8480.0
22、 5990.0 1 0 40.0 61 30.0 3950.0 3510.0 3480.0 8460.0 6690.0 3940.0 6590.0 31 00.0 21 20.0 31 00.0 1 550.0 2570.0 3310.02840.02930.04360.03660.03600.00270.02380.00390.02340.03490.03970.04470.0 1 1 40.02850.02210.03290.02710.02200.03480.02300.02910.0 1 370.03250.04100.0 1 920.03320.04930.02960.02210.0
23、3100.02860.03380.03680.01860.02400.00910.02030.04770.02410.03520.02130.02390.0 1 1 90.02460.03140.02660.04080.02090.03650.0 1 680.04670.03220.03720.03880.0 1 410.02570.0 1 770.02270.03600.03830.03680.04070.03050.09210.03050.04620.03530.03580.00830.02870.00980.02990.03650.09850.03720.03140.05290.0897
24、0.05140.04490.03990.04020.02600.03660.04560.03620.03450.03700.03580.06070.07410.12940.05550.03190.02540.03480.05090.03190.07010.02600.0 21 90.0 3330.0 1 740.0 2620.0 2630.02760.04880.0 1 320.0 3350.0 20 60.0 2300.0 2790.0 1 840.03390.0 1 730.0 3540.0 1 200.0 2800.0 4870.0304Warning:F unctioncall cwf
25、acinvokesinexactmatchC:MATLAB7workcwfac.M.In cwprint at 9相关系数矩阵:Warning:F unctioncall CORRCOEFinvokesinexactmatchC:MATLAB7toolboxmatlabdatafuncorrcoef.m.In cwfac at 4In cwprint at 9std 二1.0 0 0 0 0.0 60 0 0.0 937 0.330 60.2395-0.0 9260.23840.0 60 01.0 0 0 00.55320.0 80 70.33590.33420.49620.0 9370.55
26、321.0 0 0 00.1 1 220.23660.0 0 710.41 0 40.330 60.0 80 70.1 1 221.0 0 0 00.77350.20 0 40.71 960.23950.33590.23660.77351.0 0 0 00.48600.921 0-0.0 9260.33420.0 0 710.20 0 40.48601.0 0 0 00.33120.23840.49620.41040.71960.92100.33121.0 0 0 0特征向量(vec)及特征值(val):vec=0.0251-0.07360.08880.7007-0.5814-0.3519-0
27、.1824-0.14020.2946-0.60670.2687-0.06840.5887-0.3192-0.04080.03730.6322-0.2315-0.43260.5375-0.26010.03650.74260.0338-0.2778-0.0261-0.4343-0.4239-0.7046-0.4051-0.0096-0.11270.1581-0.1855-0.51700.16810.10380.42350.49860.66640.1283-0.26930.6723-0.4243-0.2093-0.21 1 9-0.0184-0.0344-0.5270val=0.0372000000
28、00.199700000000.353500000000.684500000001.140200000001.347700000003.2372特征根排序:3.237181.347741.140170.684540.3535070.19970.0371594贡献率:newrate=0.46250.19250.16290.09780.05050.02850.0053主成分数:4主成分载荷:-0.9482-0.0399-0.0196-0.1753-0.3282-0.4085-0.62080.5797-0.57440.6835-0.07300.2223-0.46790.6240-0.4619-0.1
29、9150.76270.50410.02790.2298-0.9302-0.21540.1688-0.0932-0.48440.14900.71 1 60.41 25matchWarning:F unctioncallcwscoreinvokesinexactC:MATLAB7workcwscore.M.计算得分:score=-0.280 4-0.0 558-0.0 251-0.0 1 29-0.374227.0 0 0 0-0.2381-0.0 221-0.0 1 900.0 1 1 0-0.268224.0 0 0 0-0.28840.0 663-0.0 1 1 70.0 371-0.1 9
30、6723.0 0 0 0-0.1 4620.0 1 26-0.0 1 300.0 1 65-0.1 30 11 7.0 0 0 0-0.1 6400.0 0 48-0.0 0 1 10.0 233-0.1 3701 9.0 0 0 0-0.1 6230.0 40 0-0.0 0 530.0 264-0.1 0 1 18.0 0 0 0-0.1 1 390.0 221-0.0 21 80.0 1 55-0.0 9807.0 0 0 0-0.2323-0.0 280-0.0 31 0-0.0 0 91-0.30 0 426.0 0 0 0-0.2578-0.0 242-0.0 0 750.0 0
31、30-0.286525.0 0 0 0-0.1 1 550.0 1 1 6-0.0 0 820.0 1 95-0.0 9272.0 0 0 0-0.1 0 0 50.0 228-0.0 40 10.0 21 2-0.0 9664.0 0 0 0-0.1 3220.0 30 9-0.0 2570.0 1 86-0.1 0 851 1.0 0 0 0-0.1 1 990.0 0 86-0.0 21 20.0 0 59-0.1 2661 5.0 0 0 0-0.1 453-0.0 1 20-0.0 2340.0 1 1 3-0.1 69521.0 0 0 0-0.1 0 620.0 20 4-0.0
32、 2770.0 1 0 7-0.1 0 279.0 0 0 0-0.1 1 360.0 0 39-0.0 3620.0 1 97-0.1 2621 4.0 0 0 0-0.1 4700.0 1 31-0.0 2360.0 0 69-0.1 50 720.0 0 0 0-0.1 1 490.0 256-0.0 2450.0 1 72-0.0 9665.0 0 0 0-0.1 8390.0 1 990.0 2680.0 428-0.0 9453.0 0 0 0-0.1 1 830.0 1 75-0.0 3680.0 220-0.1 1 561 2.0 0 0 00.251 30.0 5970.0
33、2390.0 51 80.1 1 591 3.0 0 0 0-0.1 6680.0 1 83-0.0 1 220.0 30 2-0.1 30 41 8.0 0 0 0-0.27980.0 0 400.0 61 10.0 442-0.1 70 422.0 0 0 0-0.1 71 6 0.0 0 28 0.0 1 55 0.0 266-0.1 267 1 6.0 0 0 00.0323 0.0415 0.0516 0.0240 0.0375 0.0383-0.11320.0 1 35-0.0 1 1 00.0 1 31-0.0 9766.0 0 0 0-0.1073-0.0 0 1 9-0.0
34、2390.0 262-0.1 0 691 0.0 0 0 0-0.12530.0 1 41-0.0 0 0 20.0 261-0.0 8531.0 0 0 0 cwprint(222.txt,6,28)fid=4标准化结果如下:vl=0.0 31 00.0 30 10.0 31 30.0 2240.0 2350.0 3470.0 2710.0 21 00.0 2380.0 41 40.0 3430.0 3650.0 4460.0 3400.0 3880.0 51 70.0 9210.0 3730.0 3640.0 1 0 90.0 3890.0 3210.0 3820.0 3630.0 377
35、0.0 30 50.0 30 80.0 2800.0 4870.0 3810.0 2880.0 1 710.0 2490.0 2310.0 3390.0 3410.0 2950.0 3620.0 2650.0 21 60.0 31 60.0 30 20.0 1 1 60.0 5700.0 2920.0 3790.0 2330.0 30 30.0 31 60.0 1 940.0 3560.0 51 70.0 3530.0 3970.0 3250.0 0 320.0 3970.0 30 30.0 3840.0 3800.0 31 30.0 1 0 50.0 2730.0 5240.0 2870.0
36、 3270.0 4900.0 4230.0 4450.0 4360.0 31 60.0 3670.0 3330.0 5720.0 2920.0 2730.0 1 220.0 3240.0 3240.1 1 750.0 2550.0 31 30.0 2830.0 3490.0 4430.0 3450.0 4880.0 20 30.0 4890.0 2990.0 3210.0 5490.0 2470.0 4730.0 1 820.0 3330.0 31 10.0 1 320.0 2990.0 3600.0 21 40.0 3370.0 3290.0 41 00.0 2570.0 21 00.0 2
37、360.0 3230.0 3290.0 0 800.0 3790.0 5460.0 1 500.0 35100.02520.03510.02320.02830.02850.03670.03390.12280.03660.03550.02670.03630.02730.01490.02570.04210.02790.03850.08420.02590.08630.03220.05630.04010.03580.02530.02900.04140.04310.03890.03090.07290.03030.03940.03800.03930.06230.01500.06510.04840.0454
38、0.03690.03790.00820.03920.03470.06940.0393相关系数矩阵std=1.0000-0.13800.87820.08220.47960.3612-0.13801.0000-0.1620-0.1593-0.2160-0.15800.8782-0.16201.00000.03920.42780.34830.0822-0.15930.03921.00000.10360.29890.4796-0.21600.42780.10361.00000.44810.3612-0.15800.34830.29890.44811.0000特征向量(vec)及特征值(val):vec
39、=0.7155-0.0 1 1 80.31 430.03400.31940.5347-0.0355-0.1430-0.06930.87250.4079-0.21 41-0.69260.10150.3432-0.01720.34470.5225-0.0420-0.30760.48850.3604-0.71260.1651-0.0687-0.6605-0.5961-0.0332-0.03230.44900.02330.6620-0.42970.3261-0.32230.407val=0.11750000000.495100000 0.71380000.1209-o.0068 0.0302 0.00
40、11 0.1455 1 6.00000000.88120000001.17530000002.61 71特征根排序:2.61 71 41.175270.8811640.7137550.4951270.117549贡献率:newrate 二0.43620.19590.14690.11900.08250.0196主成分数:4主成分载荷:0.86500.34630.03190.2655-0.34630.44220.81 90-0.05860.84530.3737-0.01620.29000.2671-0.77250.33830.41 270.7264-0.0350-0.0311-0.50360.65
41、98-0.34940.3061-0.3630计算得分:score=0.08870.00550.04260.00040.13721 9.00000.0963-0.01840.0418-0.00050.119226.00000.1649-0.0 1 1 20.0546-0.01740.19096.00000.1 1 610.0 0 1 40.0 453-0.0 0 960.1 5311 2.0 0 0 00.0 933-0.0 0 410.0 31 7-0.0 0 600.1 1 5028.0 0 0 00.0 8400.0 0 770.0 457-0.0 0 450.1 33021.0 0 0
42、00.0 620-0.0 0 0 60.0 6790.0 0 1 10.1 30 522.0 0 0 00.1 1 63-0.0 2220.0 4490.0 0 670.1 4571 5.0 0 0 00.1 21 7-0.0 1 0 50.0 237-0.0 0 0 70.1 34120.0 0 0 00.1 0 30-0.0 2730.0 3600.0 1 0 90.1 22625.0 0 0 00.1 2420.0 0 470.0 60 40.0 1 220.20 1 65.0 0 0 00.0 71 20.0 1 490.0 6620.0 0 730.1 5971 0.0 0 0 00
43、.0 60 70.0 3540.1 1 73-0.0 0 490.20 854.0 0 0 00.1 2840.0 21 00.0 434-0.0 0 320.1 8967.0 0 0 00.0 774-0.0 0 420.0 71 20.0 1 0 70.1 5521 1.0 0 0 00.0 950-0.0 1 250.0 3310.0 0 800.1 23623.0 0 0 00.0 80 10.0 1 0 80.0 50 5-0.0 0 1 20.1 40 21 7.0 0 0 00.1 0 63-0.0 2580.0 3580.0 21 50.1 3781 8.0 0 0 00.1
44、1 610.0 1 560.0 528-0.0 0 1 80.1 8288.0 0 0 00.0 81 8-0.0 0 270.0 491-0.0 0 460.1 23524.0 0 0 00.0 70 50.0 3870.1 2330.0 0 0 40.23302.0 0 0 00.0 971-0.0 21 30.0 3780.0 0 320.1 1 6727.0 0 0 00.21 280.0 3210.0 4400.0 1 630.30 511.0 0 0 00.1 1 48-0.0 1 260.0 459-0.0 0 230.1 4581 4.0 0 0 00.0 91 10.0 0
45、870.0 844-0.0 0 440.1 7989.0 0 0 00.1 7400.0 0 0 70.0 3950.0 1 830.23243.0 0 0 00.1 487-0.0 1 1 60.0 289-0.0 1 390.1 5201 3.0 0 0 0附录三 a,b=size(x);min=abs(x(1,1)-x(1,2);for i=2:bfor k=l:at=abs(x(k,l)-x(k,i);if tmaxmax=s;endendendmaxfor i=2:bfor k=l:ay(k,i-l)=(min+0.5*max)/(abs(x(k,1)-x(k,i)+0.5*max);endend for m=l:b-lR(m)=0;for n=l:aR(m)=R(m)+e(m,n)endend