根据优质葡萄评价指标的五大标准（糖、酸、单宁、色素、芳香物质），并加以改进确定影响酿酒葡萄的五大因素：糖、酸类、酚类、色素、葡萄酒质量。根据此五大指标对红葡萄理化指标的相关数据统计分析并做相应处理使其变化区间大致在同一数量级，将每一种酿酒葡萄样品在五个影响指标中的得分线性相加得到最终得分。由所有葡萄样品成绩所在的区间，可将此区间9等分，分数段由低到高分别定义为等级1~ 9。由此根据每种酿酒葡萄五种指标的综合成绩判断出其所在的等级。
下面我们运用人工BP神经网络对酿酒葡萄分级方法的合理性进行验证。取红葡萄前15样品为第一组，后12个样品为第二组。每一种样品的等级理论上均可归纳为样品相应F1~F6六个指标的线性组合，即可以表示为:Li??1F1i??2F2i????6F6i,其中Li为第i个葡萄样品的等级，?j（j?1,2,?,6）为第j个影响指标的权重，Fji为第i个样品第j个理化指标的标准化得分。由此通过Matlab中BP神经网络算法[15] [4]可确定出红葡萄各个理化指标的权重?j，进而将权重?行向量和后12个酿酒葡萄样品的6个指标值组成的列向量相乘得到后12个葡萄样品的等级。将其值与通过拟定的葡萄鉴定方法直接确定出的后12组葡萄等级进行比较，以检验其合理性。以下是将第一组红葡萄的相关数据带入后运用人工神经网络得到的拟合图。
样品1-15分级、神经网络模拟10模拟数据实际数据 9876分级543210 12345678样品9101112131415
9
从图中得到，七组数据与评价结果完全相符，拟合数据与评定的数据相差最大等级数为1。所以通过此过程确定出的权重可以用于数据的检验。由此可以得到后一组红葡萄的数据验证拟合图如下：
数据验证10实际数据模拟数据 9876分级543210 16171819202122样品2324252627
上图中拟合值与评价预测值的最大差别为3个等级，多数集中在评价值上下1个等级区间之内。考虑到共分成9各等级，以及影响葡萄质量因素过于繁杂，该评价方案已能较好的预测和确定出酿酒葡萄的质量等级。下面是白葡萄酒的第一组的拟合图和第二组的数据验证图：
10
样品（白）1-15分级、神经网络模拟10模拟数据 实际数据9876级分5432101 23456789101112131415样品数据验证（白）10模拟数据 实际数据9876级分54321016 171819202122232425262728样品11
、
同红葡萄类似，在数据验证中，拟合值与评价预测值的最大等级差为2 ，相似度优于红葡萄。进一步证明此评价体系在一定程度上是正确可行的。 5.3模型三 酿酒葡萄与葡萄酒指标关系模型 5.3.1初步尝试多元多重统计回归模型
求解酿酒葡萄和葡萄酒之间的理化指标关系，实际上是同时考虑多个因变量对多个自变量的相互依赖关系，故可以考虑应用多元多重回归模型[3]。我们将葡萄的理化指标和葡萄酒的理化指标分别看做多重自变量和多重因变量，分别记为x1,x2,?,xm和对应的
y1,y2,?,yp多元多重的数学模型可以写作如下形式：
?y1???01?11??m1??1???1??y????????????20212m2??????x1???2? ???????????????????????y????????p0p1pmp?????xm????p??通过Matlab的矩阵运算，我们由前14组红葡萄酒样品确定出系数矩阵?和误差阵?，进而带入后14组样品进行验证。从误差阵?每一项的值和验证结果我们得出：运用多元多重回归方法建立数学模型并不能很好的反映出在发酵过程中酿酒葡萄和葡萄酒理化指标之间的联系。
5.3.2基于分类统计和神经网络方法的理化指标联系模型
考虑到在酿酒葡萄发酵过程中，葡萄中所含各类有机物的化学变化。我们将酿酒葡萄中的各类指标分为明显变化量与非明显变化量。在葡萄酒的酿造过程中，酒精发酵将糖转化为酒精，苹果酸-乳酸发酵将苹果酸分解为乳酸；这两种生物化学反应还生成多种发酵副产物。而葡萄中的大多数其它成分，如丹宁、色素、芳香物质等，由于几乎不参与化学反应，仍保留在葡萄酒中，在酿造过程中，随着物质总体积的变化以及乙醇的生成，这些物质的含量会相应的都有所变化[16]。
根据表二中葡萄酒成分数据，可知并未明显给出乳酸成分。并考虑到苹果酸-乳酸发酵的菌种较为特殊，反应条件较为苛刻（红葡萄原酒发酵过程中的温度控制），我们忽略苹果酸乳酸发酵变化过程，将酿酒葡萄中的明显变化量总结为还原糖和乙醇，而其他浆果中的成分如单宁、色素等则归属为非明显变化量。
在发酵过程中pH值通过影响环境的酸碱度来影响酵母菌的活性，葡萄酵母的最适
pH值在3.3~3.5之间[10]。只有将pH值控制在合适的范围之内，酵母菌才能正常发挥
作用。过低的或过高的pH值均会影响酶的活力。单宁通过吸附在酵母菌细胞膜表面而阻碍了其透析性，妨碍了原生质的正常活动, 使酶的作用降低[14]。还原糖和乙醇作为主反应的反应物和生成物，其浓度直接影响了反应物的转化程度，即发酵程度。乙酯类物质作为还原糖在发酵过程中的副产物，对发酵程度也有一定的影响。
葡萄糖进行酒精发酵的总化学反应式如下：
无氧C6H12O6?2Pi?2ADP?2H??酵母菌?????2C2H5OH?2CO2??2ATP?2H2O[16]
乙酯类物质通过乙醇氧化得到的乙酸并发生酯化反应得到（以乙酸乙酯为例）：
酶C2H5OH?O2???CH3COOH?H2O
12
C2H5OH?CH3COOH?酶催化???CH3COOC2H5?H2O
通过观察表三中红葡萄酒各类芳香物质的含量，我们选出浓度较高的三类乙酯：乙酸乙酯、己酸乙酯、癸酸乙酯作为参考因素。设三种乙酸在葡萄酒中的浓度分别为d1、
d2、d3。除此之外，取对发酵过程有主要影响的因素：酿酒葡萄中还原糖浓度，乙醇
浓度，pH值；以及葡萄酒中甘油的浓度，分别记为d3~d7。将d1~d7作为人工BP神经网络的输入项因素，将葡萄酒中乙醇的浓度（记为d0）作为输出项因素，通过神经网络训练的过程模拟发酵过程中各类相关理化指标的变化情况。
由于酿酒葡萄与葡萄酒中同一物质浓度的衡量标准不同（即本质上葡萄与葡萄酒密度不同），我们需要对数据进行无量纲化。根据假设，单宁在发酵过程中保持质量恒定，现利用单宁对反应前后不变的性质，假设单宁在葡萄和葡萄酒中的浓度分别为c1和c2,由表中得知c1和c2的浓度单位分别为mol/kg和mol/L，一般来说葡萄酒的密度比水低千分之几，为了简化计算将其记为1。现对发酵过程中各类指标因素做无量纲化如下：
ui?di
c1(或c2)其中ui表示第i个指标因素，若ui为指标i在酿酒葡萄中的浓度，则分母除c1，若
ui为指标i在葡萄酒中的浓度，则分母为c2。而后将ui (i?1,2,?,7)作为输入量，u0作
为输出量训练人工神经网络模型。
通过第一组（15个样品）的拟合和第二组数据的检1验，我们做出如下的关系拟合图：
13