1. 研究目的与意义（文献综述）

对于如何品鉴红酒，有经验的人会说，红酒最重要的是口感，但是口感的好坏受很多因素的影响，例如年份、产地、气候、酿造的工艺等等。但是，统计学家并没有时间去品尝各种各样的红酒，他们觉得通过一些化学属性特征就能很好的判断红酒的品质了。并且，现在很多酿酒企业其实也都这么干了，通过监测红酒中化学成分的含量，从而控制红酒的品质和口感。

另外，由于国内外葡萄种植面积基本趋于稳定，葡萄酒产量缓慢上升，消费量也呈持续增长态势，但由于红酒品质发展参差不齐，而且整个红酒品质却远远落后于整个市场的发展，缺乏科学客观的葡萄酒品质鉴定手段。但是随着时间的发展以及葡萄酒市场发展的越来越大，科学技术也发展的越来越好，这些条件已经为葡萄酒品质鉴定提供了新的可能，更加科学客观的手段应运而生。首先是在硬件设备方面，效液相色谱仪、紫外分光度设计、气相色谱仪、质谱仪乃至超高压液相串联四级杆质谱仪的出现，都为葡萄酒提供了完善的物化性质测定手段。而同时，随着信息技术的发展，大数据观念也将深入人心，数据挖掘方法开始趋向于完善，无论是聚类，分类，已广泛应用于社会各领域，尤其是分类手段，更是丰富，并且在分类评价中得到了广泛的认识。

因此，此次研究希望通过数据挖掘中的分类手段，通过对葡萄酒的理化指标分析，对葡萄酒进行品质分类，为品质测定提供一种科学客观的方法，为以后的质量支持提供指导，为完善整个葡萄酒市场品质评定提供补充，以此为国内葡萄酒市场的品质评定体系提供范例，促使国内评价体系的进步。

2. 研究的基本内容与方案

本次研究采用数据挖掘模型的算法，采集红酒样本数据，并检测红酒中化学成分，对数据进行建模，进行预测和判断红酒的品质和等级。

采用能够运用于葡萄酒品质分类中的分类模型算法，包括了logistic多项模型、tan贝叶斯分类模型、带偏差项的bp神经网络模型以及决策树c5.0；针对不平衡数据的过抽样算法smote以及随机删除欠抽样算法；模型组合算法boosting以及代价敏感学习。

实证研究是此次研究的重中之重，对于葡萄酒品质鉴定的实证分析是基于uci数据库中的“wine quality data set”数据集，该数据集共有4898个样本数据，包含了11个表示该葡萄酒样本的物理及化学性质数据，以及一个代表该葡萄酒样本质量的标志数据。通过对这个数据集运用logistic多项模型、tan贝叶斯分类模型、带偏差项的bp神经网络模型以及决策树c5.0分类算法构建分类器对葡萄酒样本数据进行品质分类的实证研究，并比较各个分类器的优劣。

3. 研究计划与安排

（1） 第七学期末，确定设计题目。

（2） 第1—4周，根据所选的题目收集相关技术文献资料，完成开题报告，中英文翻译和文献检索工作。

（3） 第5周，安装所需软件，配置好系统，熟悉开发环境，做好前期准备工作。

4. 参考文献（12篇以上）

1、数据挖掘概念与技术(data mining concepts and techniques) jiawei han, micheline kamber 机械工业出版社

2、周红标 等，基于模糊递归小波神经网络的葡萄酒品质预测 ，《计算机测量与控制》 ，2017

3、孙文兵 等，遗传算法降维优化的bp模型及葡萄酒质量预测，《邵阳学院学报(自然科学版)》 2017