施主头顶胸罩啊
范文一：中国海洋大学综合评价 中国海洋大学综合评价招生综合素质测试题总结
中国海洋大学
最新综合素质测试面试真题及方法指导
成功有时候就只差一步～
(最新上海***培训最新内部资料价值800元)
历年考生面试成功经验总结，让你在中国海洋大学面试中胜人一筹～
目录
一、中国海洋大学综合素质测试面试形式介绍 ......................................... 3
二、中国海洋大学综合素质测试面试的主要内容介
1
绍 ............................. 6
三、中国海洋大学面试考生要适当准备三项内
容 ..................................... 9
四、依据中国海洋大学以往经验进行模拟面
试 ....................................... 10
五、中国海洋大学综合素质测试面试真题技巧剖
析 ............................... 12
六、中国海洋大学综合素质测试面试真题情景分
析 ............................... 14
七、中国海洋大学综合素质测试面试时形象准
备 ................................... 17
八、中国海洋大学综合素质测试面试评委的点
评 ................................... 21
历年考生面试成功经验总结，让你在中国海洋大学面试中
胜人一筹～
一、中国海洋大学综合素质测试面试形式介绍
中国海洋大学综合评价录取工作在中国海洋大学招生工作
领导小组的领导下，由中国海洋大学招生办公室具体负责工
作的组织和实施。面试过程全程录像，考生组合、考场安排、
考官组成均现场抽签随机产生，确保公平、公正。面试主要
对报考中国海洋大学考生的认知能力、分析能力、应对能力
以及理想信念、思想品德、社会责任感等方面进行综合考核。
2
根据综合成绩从高到低排序，按照考生专业志愿及招生计划确定入选名单。综合成绩由高考投档成绩、面试成绩(百分制)、学业水平考试成绩三者折算。
近几年的中国海洋大学综合素质测试面试方式呈现不同的特点，特别是深入实施综合评价招生录取模式改革试点工作之后。中国海洋大学主要有群体面试和单独面试两种方式。群体面试就是由多名考生共同参与的面试;单独面试就是考生一个人单独的面对主考官的面试。
在单独面试中，最常用的就是“多对一”个人陈述答辩方式的面试方式，即由中国海洋大学多位考官老师共同面试一个考生，面试过程中，考官提出问题，学生作答，然后考官根据考生的回答情况，给出相应的面试分数。在大多数情况下，考官也会给考生提问的机会。考官提的问题一般都有很强的综合性，交叉考核考生的多方面的能力。近几年中国海洋大学基本以单独面试为主。
群体面试就是若干个考生一起接受主考官的面试中国海洋大学综合评价招生综合素质测试题总结，群体面试一般有对话式、讨论式、情景式和辩论式几种方式。近几年中国海洋大学基本以单独面试为主，群体面试不常见。所以准备报考中国海洋大学的考生，要着重准备单独面试。
(一)个人陈述答辩方式面试
个人陈述答辩面试时按10-20人分成大组，每次进入1名
3
考生，接受5名中国海洋大学相关专业老师组成的中国海洋大学面试官的集体面试，面试时间为每人10分钟。一般也要先进行自我介绍，中国海洋大学考官会问一些最基本的问题，
4
范文二：中国海洋大学综合评价 葡萄酒评价国家一等奖(中国海洋大学)
葡萄酒质量的综合评价分析模型
中国海洋大学 罗聃 徐兴成 谭萍 指导教师 高翔
专家点评:
本文问题一方法合理，结论正确。问题二对葡萄理化指标进行聚类，然后根据葡萄酒质量进行分级，思路简明正确。问题三进行多元线性回归，尚可，但如果能进行相关性分析会更好。问题四用逐步回归的方法，适当，加入芳香类物质，使结论更加合理。如果问题二和问题三也能将附件三考虑入内会使结论更加有力。
点评人:济南大学数学科学学院许振宇副教授
【摘要】
1
近年来，我国掀起了一场葡萄酒热，对葡萄酒的需求与日俱增，特别是随着食品科学技术的发展，人们不再满足传统感官评价葡萄酒的水平，如何运用数据资料定量研究葡萄酒的品质，加快建立葡萄酒市场指标规则成为人们关注的焦点。本文主要研究了葡萄酒的品质与葡萄酒自身以及酿酒葡萄的理化指标的关系，给出了基于葡萄酒自身的理化指标以及酿酒葡萄的理化指标与芳香物质的定量综合评价模型。
首先基于两组评酒员对同一批葡萄酒的评价分数数据，采用假设检验中的t检验法建立评估两组数据差异的模型，得到了两组评酒员的评分存在显著差异的结论，并通过对两组数据进行方差分析，以判别结果具有的稳定性作为标准，得到第二组比较可靠。
接下来我们结合酿酒葡萄的理化指标和可信组评酒员的打分所刻画的葡萄酒的质量对酿酒葡萄进行分级，用聚类分析的方法将红，白葡萄酒和酿酒葡萄各分成了5类，然后对分好的葡萄类所酿造的葡萄酒进行统计，得到各类葡萄所对应的级别。
更进一步，我们分析了酿酒葡萄和葡萄酒的理化指标之间的联系，运用主成分分析的方法，从酿酒葡萄的30个指标中提取出了12个主要成分，进而通过逐步回归的方法建立起酿酒葡萄和葡萄酒的理化指标联系的模型。
最后我们将提取葡萄及葡萄酒的理化指标与芳香物质中的
2
主成分，利用逐步回归的方法考察理化指标与芳香物质对葡萄酒质量的影响程度，通过对芳香物质对葡萄酒质量影响比重得到芳香物质对葡萄酒的质量有30%以上的影响比重(白葡萄的芳香物质对白葡萄酒的质量影响相对更大)，故而不能完全用酿酒葡萄和葡萄酒的理化指标评价葡萄酒的质量。
关键词: 假设检验 聚类分析 主成分分析 逐步回归
一、问题重述
1.1问题背景
葡萄酒是由新鲜葡萄或葡萄汁经过酒精发酵而得到的一种含酒精饮料。葡萄酒质量是其外观、香气、口感、整体的综合表现。一方面，酒中的糖、酸、矿物质和酚类化合物，都具有各自独特的风味，它们组成了葡萄酒的酒体;另一方面，酒中大量的挥发性物质，包括醇、脂、醛、碳氢化合物等，都具有不同浓度、不同愉悦程度的香气，葡萄酒最终的质量则是葡萄酒中各种成分协调平衡的结果。 1.2问题提出
随着葡萄酒产业逐渐升温，为了获得质量更好的葡萄酒，对酿酒葡萄及葡萄酒的研究也越加深入。现在流行的做法是通过聘请一批有资质的评酒员进行品评，但是这种感官评价的主观性总是带给我们模糊的印象。正如我们所知的，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
3
的质量。如何充分利用这些理化指标定量研究葡萄酒的质量成了炙手可热的研究问题。
二、问题分析
题目为我们提供了感官评价指标，葡萄和葡萄酒的各种理化指标和芳香物质的信息。本文的关键就是通过分析处理已给的数据，建立数学模型来研究葡萄酒质量的确立。为此，我们要依次达到题目给出的以下几个目标: 2.1 两组评价结果差异性和可信性研究
问题一给出了两组评酒员对同一批葡萄酒的评价分数，本文采用假设检验中的t检验法建立评估两组数据差异的模型，研究两组评价员的评价结果是否存在差异，判断是否能接受它们有显著性差异的假设。若判断的结果是这两组数据存在差异，我们就进入第二步，可靠性研究。我们分别对两组数据求方差，方差小的那组说明波动比较小，评酒员的评定比较稳定，数据比较可靠。 2.2酿酒葡萄的分级
首先，我们我们利用第一题的结果，用置信区间法对可信组的原始数据进行处理，降低评酒员之间的差异，提高酒样品之间的差异【1】;利用处理后的数据(总分)对葡萄酒进行分级;
然后，用初步处理后的酿酒葡萄的理化指标对葡萄进行聚类分析，将葡萄分成了若干类;分析每类葡萄对应的葡萄酒大都属于哪一级别，从而得出葡萄的级别;
4
最后，分析每一级葡萄理化指标的特点，建立起葡萄指标识别葡萄级别的模型帮助果农更好地利用好葡萄酿好酒。
2.3酿酒葡萄与葡萄酒理化指标的联系
问题三要求研究葡萄与葡萄酒理化指标之间的联系，我们先对于葡萄的30个理化指标进行主成分分析法，得到葡萄一些具有代表性的理化指标。然后我们建立葡萄的理化指标与葡萄酒的7个理化指标之间的多元线性回归方程，得到了酿酒葡萄与葡萄酒理化指标之间的定量联系。
2.4 理化指标对葡萄酒质量的影响及论证
问题四要求研究酿酒葡萄与葡萄酒的理化指标对葡萄酒质量的影响，以及是否能完全用酿酒葡萄和葡萄酒的理化指标评价葡萄酒的质量。我们将提取葡萄及葡萄酒的理化指标与芳香物质中的主成分，利用逐步回归的方法考察理化指标与芳香物质对葡萄酒质量的影响程度，通过对芳香物质对葡萄酒质量影响比重得到芳香物质对葡萄酒的质量有30%以上的影响比重(白葡萄的芳香物质对白葡萄酒的质量影响相对更大)，故而不能完全用酿酒葡萄和葡萄酒的理化指标评价葡萄酒的质量。
三、问题假设
1、同种葡萄酒在一组评酒员下的得分成正态分布。 2、一种葡萄对应酿制一种葡萄酒。
5
3、葡萄的成分充分转换成葡萄酒里的成分，不存在意外的浪费和挥发。
4、假设葡萄和葡萄酒芳香物质中没有检测到的成分不存在于该样本中，数据处理前将其置为零。
四、符号说明
五、建模的建立与求解
5.1模型一:基于t检验建立差异评估模型
我们采用假设性检验验证是否能接受两组评酒员评价结果无差异的假设。然后用方
差分析两组评酒员组内数据的波动，认为较平稳的一组数据比较可靠。
5.1.1数据预处理
我们在整理数据的时候发现几个比较显著的异常数据:
1)第一组红酒数据—样品20—色调—品酒员4号 数据缺失;
2)第一组白酒数据—样品3—持久性—品酒员7号 数据明显有问题，怀疑是多敲了一个7;
3)第一组白酒数据—样品8—口感分析—浓度—品酒员2号 数据明显异常。 因为随机样本在均值附近振荡，所以我们选用均值来代替异常数据以求误差最小。 5.1.2基于成对数据的t检验【2】
1)模型的建立:
6
将两组评酒员分别看作两个整体T1、T2，对每个红葡萄酒样品Ji(1)(i=1,2, ,27)(白葡萄酒样品Ji(2)(i=1,2, ,28))进行感官评价，T1对每个红葡萄酒样品Ji(1)的评价结果通过组内每一位品酒员的评分xij
(1)
(1)
(1)
(j=1,2, ,10)的均值xi
(1)
110(1)
=?xij来刻画，同样T210j=1
110
对每个红葡萄酒样品Ji的评价结果用均值yi=?yij来刻画，从而得到两组评酒员
10j=1
对每种样品酒的评价结果，建立两组评酒员对红葡萄酒的评价结果见表1。
红葡萄酒样品第一组评分第二组评分
162.7
68.1-5.4
280.3
7
746.31674.969.95
380.4
74.65.81779.374.54.8
468.6
71.2-2.61859.965.4-5.5
573.3
72.11.21978.672.66
672.2
66.35.92078.675.82.8
771.5
65.36.22177.172.24.9
872.3
666.32277.271.65.6
981.5
78.23.32385.677.18.5
1074.2
68.85.4247871.56.5
1170.11253.91374.6
68.85.8277371.51.5
1473
72.60.4
D
8
红葡萄酒样品第一组评分第二组评分
61.668.38.5-14.42569.268.21
2673.8721.8
D
1558.765.7-7
表1 红葡萄酒的评价结果
表中的数据是成对的，即对同一酒样品Ji(1)得到一对数据。可知一对与另一对数据之间差异是由各种因素，如葡萄酒的外观、香气、口感、材料成分等因素引起的。由于各酒样品Ji(1)(i=1,2, ,27)的特性有广泛的差异，就不能将第一组评酒员T1对27种红葡萄酒的评价结果看成是同分布随机变量的观测值。因而表中第一行不能看成是一个样本的样本值，同样第二组的数据也不能看成是同一个样本的样本值，而同一对中两个数据是同分布随机变量的观测值，他们的差异是由于两组品酒员的水平引起的。为鉴定他们的评价结果有无显著性差异，可使用基于成对数据的逐对比较法。
以红葡萄样品为例，有27对相互独立的评价结果:(X1,Y1),(X2,Y2), ,(X27,Y27)，令D1=X1-Y1,D2=X2-Y2, ,D27=X27-Y27，则D1,D2, ,D27相互独立。由于
2
9
是由同一因素所引起的，可认为它们服从同一分布。现假设Di N(μD,σDD1,D2 ,,D2)，
22
未i=1,2, ,27。就是说D1,D2, ,D27构成正态总体N(μD,σD)的一个样本，其中μD,σD
知。基于这一样本检验假设:
H0:μD=0,H1:μD?0 (1)
2
分别记D1,D2, ,D27的样本均值和样本方差的观测值为d，sD。对D1,D2, ,D27进行单
个均值的t检验，检验问题的拒绝域为(显著水平为α):
t=
?tα2(n-1). (2)
当t的值不落在拒绝域内，接受H0，认为两组品酒员的评价结果没有显著差异，否则两组品酒员的评价结果有显著性差异。
对白葡萄酒的处理同红葡萄。 2)模型的求解:
现以红葡萄酒为例求解，首先，作出同一酒样品Ji(1)(i=1,2, ,27)分别由两组品酒员T1、T2得到的评价结果之差，列于表1的第三行。根据建立的模型需检验假设
H0:μD=0,H1:μD?0.
10
我们取α=0.02，则tα2(26)=t0.01(26)=2.4786，通过查表即
知拒绝域为
t=
?2.4786
2
由观测值得d=2.5407，sD=
27.7883，t=
=2.5044?2.4786.现t的值落在
拒绝域内，故接受H1;同样对白葡萄酒进行成对数据的t
检验，得白葡萄酒观测值之差
2
的均值d=-2.5214，sD=
24.9124，t=
=2.6249?2.4727，故认为两组品酒
员的评价结果有显著性差异。
5.1.3可信度定量分析
1)模型的建立:
记第一组10位品酒员对红葡萄酒样品Ji(1)(i=1, 2,
)
j=1, 2,aij(1(
,的2评分为
11
,，1
ai
(1)
(1)
(1)2110(1)110(1)2(1)
=?aij，s1i=?(aij-ai) (3) 10j=110j=1
ai表示第一组品酒员对红葡萄酒样品Ji(1)的评分均值，其中，s1i(1)2表示Ji(1)的评分方差;
同样，第二组对红葡萄酒样品Ji(1)的评分均值和方差分别为
(1)110(1)110(1)2
ci=?cij，s2i=?(cij(1)-ci)2 (4)
10j=110j=1
从而对每一组品酒员得到一个评分方差向量
S1(1)2=(s11(1)2,s12(1)2, ,s127(1)2)
(1)
(1)2S2=(s21(1)2,s22(1)2, ,s227(1)2)
(2)2(1)2
同理可求得白葡萄酒的S1(2)2，S2。再对S1(1)2和S2中的元素分别求和得到方差和，用
方差和对比得到对于同一批红葡萄两组不同的评价水平。方差和小的稳定性好，相对来说比另一组的评价结果是更可
12
信的。 2)模型的求解:
(1)2(2)2
运用excel软件进行求解，容易得到S1(1)2，S2，S1(2)2，S2，具体附录一
(1)2
对红葡萄酒而言:S1(1)2元素的和为1409.3，S2元素的和为821.1。对白葡萄而言:S1(2)2元(2)2素的和为3183.1，S2元素的和为1388.5。不管是红葡萄酒还是白葡萄酒，第一组的方差
和总是远远大于第一组。为了更直观的看到这个结果，下图即为两组评酒员对两种葡萄酒的方差图像，可以直观的看到第二组的波动程度比第一组的小，第二组更可信。
图1 两组品酒员对红、白葡萄酒的评分方差图
5.2模型二:基于聚类分析建立酿酒葡萄分级模型
我们根据可信组评酒员给每种酒样品的打分来确定葡萄酒的质量;再用聚类分析对酿酒葡萄进行分类，对每类的葡萄酿造的葡萄酒进行统计，对应地得到这类葡萄所对应的级别。
5.2.1葡萄酒的分级
1)置信区间法
13
置信区间法【2】能有效的降低评酒员之间的差异，提高酒样品之间的差异【1】，虽然我们在第一问中分辨出第二组评酒员评判出的数据更可靠，但是我们不能排除第一组评酒员的专业性，为了最可靠的样本，我们应该综合两组评价的分数。所以本文先采用置信区间法分别处理第一，二组数据，处理之后对同种葡萄酒的分数做一个平均。
以红葡萄酒为例用置信区间处理第一组数据，计算评酒员对酒样品
(1)(1)(1)(1)??a评价的置信区间为其中i为酒样Ji(1)的平均值;, ,,27Ji(i=1,2a-σ,a+σiiii????
σi为酒样Ji(1)的标准差。
如果评酒员j对酒样Ji(1)的评价aij(1)在其置信区间范围内就可以直接使用; 如果其评价aij(1)不在置信区间范围内, 则做如下变换:
若 aij(1)(1)
(1)
-σi, 则aij(1)=aij(1)+σi +σi,则aij(1)=aij(1)-σi
> ai
(1)
若变换之后的aij(1)仍不在置信区间范围内，再重复上面的变换，这样逐步调整，直至不
(1)(1)
14
同评酒员对同一酒样的评价值都处于?ai-σi,ai+σi?范围内。
????
对第二组数据做同样处理，再对同种酒样Ji(1)两组数据做平均。同样方法得到红白葡萄置信区间法处理后的数据见附录2。 2)葡萄酒分级
现在国际上对葡萄酒的分类流行用罗伯特帕克的分类方法【3】，即: 96-100分 顶级葡萄酒
90-95 分 具有高级品味特征和口感的葡萄酒 80-89 分 品质优良，口感纯正 70-79分 一般，略有瑕疵 60-69分 低于一般
50-59分次品，可以认为是一款不合格的葡萄酒
通过分析所有葡萄酒样品的最高分和最低分，我们发现处于运用罗伯特分级标准分级的此次过于宽泛，所以我们借鉴罗伯特的分级标准制定本文的对葡萄酒的分级标准，以更好的体现酒样之间的差异。
葡萄酒样品的分级标准: 80~85分:高级葡萄酒 75~80分:中上级葡萄酒 70~75分:中级葡萄酒 65~70分:中下级葡萄酒 60~65分:下级葡萄酒
以下是根据1)的数据求得的葡萄酒总分的平均分
高级红葡萄酒:无
15
中上级红葡萄酒:9、23、20
中级红葡萄酒:3、17、2、26、14、19、5、21、4、24、27、22 中下级红葡萄酒:16、10、13、1、12、25、6、15、7、8 下级红葡萄酒:18、
11
高级白葡萄酒:9、5、25
中上级白葡萄酒:21、10、28、22、17、15、23、1、4、19、14、27、26、18、24、
6、20、2、3
中级白葡萄酒:7、13、8、12、11 中下级白葡萄酒:16 下级白葡萄酒:无
5.2.2对酿酒葡萄的Q型聚类分【4】
聚类分析方法是基于数值分类法的思想建立起来的，又称为系统聚类法。这里只基于酿酒葡萄样本进行聚类，成为Q型聚类，其步骤为: 步骤一:数据标准化
以酿酒红葡萄和红葡萄酒为例，由于酿酒葡萄
A(1)i(i=1,2, ,27)的各理化指标对理化指标数据矩阵的处x(1)ij(j=1,2, ,30)使用了不同的量纲及数据的大小差距很大，理采用标准化，处理方式为
ij
x
其中xj
16
(1)
(1)
=
xij(1)-xj(1)
sj
(1)
(5)
，sj(1)是矩阵A(1)=(xij(1))27?30每一列的均值和标准差。
步骤二:样本的相似性度量
在对酿酒红葡萄的理化指标进行聚类分析时，首先要确定
理化指标样本的相似性度
?j(1)的取值量，本文采用相关系数来衡量两个指标样本的
相似性。记样本x
(x1j,x2j ,x,
T2j7
,,3，0则两个样本的相关系数 )?Rn(j=1,2
rjk(1)=
相似性度量中rjk(1)
?(x
i=130
30
(1)
17
ij
-xj(1))(xik(1)-xk(1))
30
?(1)(1)2(1)(1)2?(x-x)(x-x)???ijjikk?
i=1?i=1?
?j(1)与x?j(1)与x?k(1)越相关;rjk(1)越接近0，x?k(1)的相关越接近1，x
(6)
性越弱。
步骤三:样本的距离定义
在对酿酒葡萄的聚类分析中，定义两类理化指标样本的距离(类平均法)为
1
?j(1),x?k(1)) (7) D(G1,G2)=d(x??n1n2x?j(1)?G1x?k(1)?G2它等于G1,G2中两两样本点距离的平均，式中n1, n2分别为G1,G2中的样本点个数。其中
(1)2
?j(1),x?k(1))=1-rjk(1)或d(x?j(1),x?k(1))=1-rjkd(x。
步骤四:Q型聚类分析求解模型
使用MATLAB软件中的linkage函数(本文所有程序均用matlab 7.11软件处理)，对数据进行处理(matlab程序见附录4)，样本间相似性度量采用相关系数，类间距离的度量计
18
算采用类平均法，对两种酿酒葡萄进行Q型聚类分析，画出聚类图，对酿酒葡萄划分类别。
1)红、白葡萄的聚类分析图如下:
图2红、白葡萄的聚类图
2)聚类结果分析
红葡萄划分成6类的结果如下:
属于第1类的样本有:葡萄样品2、9 、23 属于第2类的样本有:葡萄样品1、8、14 属于第3类的样本有:葡萄样品3、21
属于第4类的样本有:葡萄样品4、5、6、7、12、13、15、16、17、18、19、20、
22、24、25、26、27
属于第5类的样本有:葡萄样品10 属于第6类的样本有:葡萄样品11
白葡萄划分成6类的结果如下:
属于第1类的样本有:葡萄样品2、8、11、16、19、25
属于第2类的样本有:葡萄样品4、5、9、10、12、14、17、20、21、22、23、24、
2 6、28
属于第3类的样本有:葡萄样品6、7、15、18 属于第4类的样本有:葡萄样品1、13 属于第5类的样本有:葡萄样
19
品3 属于第6类的样本有:葡萄样品27
对于每类葡萄中的元素(单个葡萄样本)，结合其酿造出的葡萄酒的品质，既该葡萄样本所酿造的葡萄酒的级别，来确定该葡萄的级别。然后再根据每类葡萄中葡萄样本级别的比例来确定该类葡萄的级别。对应葡萄酒的分级，我们也将葡萄分成高级，中上，中级，中下，下级
根据以上聚类分析的结果再综合葡萄酒的分级(葡萄酒的质量)我们得出如下结论:
5.3模型三:基于主成分分析和逐步回归建立葡萄与葡萄酒理化指标联系模型 为了更好的反应酿酒葡萄理化指标的实质，本文采用主成分分析法对30个指标进行处理，提取出葡萄理化指标的主成分;考虑到大多数葡萄到葡萄酒的化学反应时线性的，我们通过多元线性回归建立起葡萄和葡萄酒理化指标之间的联系。 5.3.1关于酿酒葡萄理化指标的主成分分析
本文运用主成分分析法对酿酒葡萄的理化指标进行主成分分析，将多个理化指标合为几个具有代表性的主成分，从而实现对高维变量空间进行降维处理。
主成分分析法的步骤如下: 1)对原始数据进行标准化处理
由于各指标的量纲与大小不同，首先须对初始指标的数值标准化，同一比较的尺度，方法如式(5); 2)主成分的求
20
解
将27个酿酒红葡萄样本的30个指标数据标准化处理后构成一个标准化数据矩阵
1
及相应的特征向量 ,27)X27?30，求X的协方差阵C=XTX的特征值λi(i=1,2,
n
vi(i=1,2, ,27)，将27征向量正交化得方阵V，作变换Y=VX，将27征值按大小顺序进行排列，相应的27个新变量yi(i=1,2, ,27)。λi越大的新变量yi对模型的贡献率越大。新变量y1,y2, 分别称为第一主成分，第二主成分，…，前面几个主成分构成了样本空间的最大变化特征:
(1)(1)
?y1=v1(1)x1+v2x2+ +vnxn?(2)(2)(2)?y2=v1x1+v2x2+
+vnxn
(8) ?
= + + + ?
(p)(p)?yp=v1(p)x1+v2x+ +vxn2n?
前面几个主成分y1,y2, ,yp(pρ=?λi
i=1
21
p
?λ
i=1
27
i
(9)
即为主成分y1,y2, ,yp的累计贡献率，当ρ?0.8时，可选用前p个主成分代替原来酿酒葡萄样本中的30个理化指标。
5.3.2关于葡萄酒理化指标的多元线性回归
通过对酿酒葡萄的理化指标进行主成分分析，将多个理化指标合为几个具有代表性
的主成分，现将酿酒葡萄的主成分作为新的指标(现仍记为(x1,x2, ,xp))对葡萄酒的每一项理化指标进行多元回归。
多元线性回归的模型为
y=b0+b1x1+b2x2+ +bpxp+ε (10) 式中x1,x2, ,xp为酿酒葡萄的主成分即为新的指标，y为葡萄酒的理化指标，ε为测量
误差向量，bi(i=1,2, ,p)为回归系数。
设(xi1,xi2, ,xip,yi)，i=1,2, ,m是(x1,x2, ,xp,y)的p次测量值即确定x1,x2, ,xp
为酿酒葡萄新的指标后葡萄的新指标值，则多元线性模型
22
可表示为
yi=b0+b1xi1+b2xi2+ +bpxip+εi，i=1,2, ,m
yi为葡萄酒的第i项理化指标。
为书写方便，采用矩阵形式表达，令
?b0??1x11x12 x1p??y1??ε1?
?x??b??y??ε?x x121222p12?， ε=?2? Y=??，b=??，X=?
?1 ? ? ?? ?? ?????????
xx xby1????m1m2mp??m??εm???p?
则多元线性模型可表示为
Y=Xb+ε
，就是求最小二乘函数 求回归系数b的估计值b
Q(b)=(y-Xb)T(y-Xb)
达到最小的b值。为此，令
?Q
=0,i=0,1,2, ,p ?bi
可以求得b的最小二乘估计
=(XTX)-1XTy b从而得到多元线性回归方程
+b x+b x+ +b x y=b01122nn
5.3.3模型的求解
1)酿酒葡萄理化指标的主成分分析结果
利用MATLAB软件中的pcacov函数对酿酒葡萄(以红葡
23
萄为例)的三十个理化指标
1
进行主成分分析(matlab程序见附录5)，C=XTX的前几个特征根及其贡献率如表
n
5。
表5:酿酒红葡萄理化指标的主成分分析结果
序号
123456789101112
特征根
6.96624.943.73712.841.99881.74241.41851.27010.96090.738
40.69070.5138
贡献率
23.220716.466712.4579.46686.66285.80794.72824.23353.20
312.46142.30251.7127
累计贡献率
0.23220.39690.52140.61610.68270.74080.78810.83040.8625
0.88710.91010.9272
可以看出，前8个特征根的累计贡献率就达到了80%以上，主成分分析效果很好。
下面选取前12个主成分(累计贡献率就达到了92.72%)
24
对酿酒葡萄的三十种理化指标进行替代，前12个特征值对应的特征向量见附录，由此可得12个主成分分别为
?y1=0.1421x1+0.2325x2+ -0.0524x30?y=0.2445x-0.2247x+
+0.2197x?21230
?
?
??y12=-0.2769x1-0.0780x2+ -0.1351x30
从主成分的系数可以看出，第一主成分主要反映了前几个理化指标(氨基酸、蛋白
质、花色苷、褐变度和总酚等方面)的信息，第二主成分主要反映了白藜芦醇、黄酮醇、总糖和可滴定酸的信息，第三主成分主要反映了单宁、果皮质量和果皮颜色的信
息，……，第十二个主成分主要反映了黄酮醇和果梗比的信息。把各酿酒葡萄样本的原始三十个理化指标的标准化数据代入十二个主成分的表达式，就可以得到各葡萄样本的十二个主成分值。
2)葡萄酒理化指标的多元线性回归结果
利用各葡萄样本的十二个主成分值，对葡萄酒的每一项理化指标进行多元线性回归，红葡萄酒各理化指标的回归结果为
25
?z1=0.2911y1-0.0277y2+ -0.2615y12?z=0.3247y+0.0289y+ -0.0838y?21212
?
?
??z7=-0.2550y1-0.0030y2+ +0.2108y12
式中y1,y2, ,y12为酿酒红葡萄的前十二个主成分，
zi(i=1,2, ,7)为红葡萄酒的各理化指标。
从红葡萄的回归方程及主成分中，可知:酿酒红葡萄的第
一、四主成分与红葡萄酒的理化指标存在较强的正相关关
系，即红葡萄中的蛋白质、花色苷、褐变度、单宁和总酚及
白藜芦醇、黄酮醇、总糖和可滴定酸等与红葡萄酒的理化指
标存在较强的正相关性，果梗比、果皮质量与红葡萄酒的理
化指标存在负相关。
白葡萄酒的各理化指标的回归结果为
(2)(2)
?z1(2)=0.1543y1(2)+0.1414y2+ +0.047713?(2)(2)(2)(2)?z2=0.1690y1+0.1852y2+ +0.0398y13
?
?
(2)(2)(2)(2)??z6=0.2139y1-0.0408y2+ -0.1870y13
26
(2)(2)
式中y1(2),y2为酿酒白葡萄的前十三个主成分，zi(i=1,2, ,6)
为白葡萄酒的, ,y13
各理化指标。
从白葡萄的回归方程及主成分中，可知:酿酒白葡萄中的蛋白质、单宁和总酚及白藜芦醇、总糖和可滴定酸等与白葡萄酒的理化指标存在正相关关系，花色苷、褐变度、果梗比、果皮质量等与白葡萄酒的理化指标存在负相关关系。
5.4模型四:基于逐步回归分析法研究理化指标对葡萄酒质量的影响 5.4.1 逐步回归分析模型的建立
逐步回归法是一种变量筛选方法。逐步回归法采取边进边退的方法，对于模型外部的变量，只要它还可提供显著的解释信息，就可以再次进入模型;而对于已在内部的变量，只要它的偏F检验【6】不能通过，则还可能从模型中被删除。 1)偏F检验
在决定一个新的变量是否有必要进入模型，或者判断某个变量是否可以从模型中删除时，考虑这个变量能否对y提供显著的附加解释信息,现采用偏F检验。
设有n个自变量x1,x2, ,xn，采用这n个自变量拟合的模型称为全模型，即
y=b0+b1x1+b2x2+ +bnxn+ε
27
从这n个变量中删除自变量xj，这时用n-1个自变量拟合模型称为减模型，即
y=b0+b1x1+ +bj-1xj-1+bj+1xj+1+ +bnxn+ε
全模型的复判定系数为R2，减模型的复判定系数记为R2j。定义
22
?R2j=R-Rj
y的解由于在全模型中多一个自变量xj，所以，若?R2j几乎为零，说明增加xj，对
释能力没有显著提高;否则，若?R2j显著不为零，则xj就可以为回归模型提供显著的解释信息。
2
给出统计假设H0:?R2j=0,H1:?Rj?0
统计检验量为
Q(n-m-1)
式中，Qj是减模型的残差平方和，Q为全模型的残差平方和。
Fj=
Qj-Q
根据检验水平α查F分布表，得到拒绝域的临界值Fα ，则决策准则如下: (i)当Fj>Fα时，拒绝H0，说明?R2
28
这说明在x1, ,xj-1,xj+1, ,xn变j显著不为零，量已进入模型后，引入xj会显著提高对y的解释能力;
y(i)当Fj?Fα时，接受H0，说明?R2j显著为零，这说明在全模型中删除xj，对
的解释能力无显著的减弱变化。 2)逐步回归分析 模型的起始首先要求y与每一个xi的一元线性回归方程，选择F值最大的变量进入模型。然后，对剩下的n-1个模型外的变量进行偏F检验(设定xi1已在模型中)，在若干通过偏F检验的变量中，选择Fj值最大者进入模型。再对模型外的n-2个自变量做偏
F检验。在通过偏F检验的变量中选择Fj值最大者进入模型。接着对模型中的三个自
变量分别进行偏F检验，如果三个自变量都通过了偏F检验，则接着选择第四个变量。但如果有某一个变量没有通过偏F检验，则将其从模型中删除。重复上述步骤，直到所有模型外的变量都不能通过偏F检验，则算法终止。为了避免变量的进出循环，一般取偏F检验拒绝域的临界值为
F进>F出
式中，F进为选入变量时的临界值;F出为删除变量时的临界值。
3)理化指标对葡萄酒质量的影响 将酿酒葡萄和葡萄酒的理化指标合并为一个数据表(见附件)，将得到的数据进行
29
标准化处理，处理方法如式(5)，基于模型三的酿酒葡萄理化指标的主成分分析法对合并的数据进行主成分分析，得到酿酒葡萄和葡萄酒的理化指标的p个主成分，对其两者的理化指标降维，且增强指标的独立性，把各酿酒葡萄与葡萄酒合并的样本的原始三十九个理化指标的标准化数据代入p个主成分的表达式，就可以得到各葡萄样本的p个主成分值。将评酒员的评分作为葡萄酒质量的定量刻画，利用合成样本的主成分对葡萄酒质量进行逐步回归分析，得到酿酒葡萄和葡萄酒理化指标对葡萄质量的综合定量描述y=f(x1,x2, ,xp)，改变其中的某一项或几项解释变量xi，可以观察到该项或几项解释变量对葡萄质量的影响?y=f(x1,x2, ,?xi, ,xp)。 5.4.2 逐步回归分析模型的求解
对酿酒葡萄与葡萄酒合并的样本进行主成分分析，以酿酒红葡萄、红葡萄酒为例主成分分析的结果如下:
可以看出，前8个特征根的累计贡献率就达到了80%以上，主成分分析效果很好。下面选取前19个主成分(累计贡献率就达到了98.63%)，由此可得19个主成分分别为
?y1=0.1053x1+0.1615x2+ -0.0097x39?y=0.2391x-0.1840x+
+0.1225x?21239
?
?
30
??y19=-0.2364x1-0.1969x2+ -0.1539x39
现将前19个主成分代替原来的理化指标，然后对葡萄酒的质量进行逐步回归。运用MATLAB中的Stepwise Regression
窗口(matlab程序见附录6)进行交互式逐步回归，如图4。
图3 逐步回归交互式界面
复判定系数为R2=0.8711，检验值F=15.2108，得到最终模型为
y=0.1423y1-0.1782y2+ -0.1027y6+0.1936y12-0.3670y13
此回归方程即为酿酒红葡萄和红葡萄酒的理化指标对红葡萄酒质量的影响方程，yi表示酿酒红葡萄、红葡萄酒理化指标的第i个主成分。 通过逐步回归分析后，影响红葡萄酒质量的红葡萄和红葡萄酒理化指标的主成分只剩下
yi(i=1,2, ,6),y12,y13。结合红葡萄及红葡萄酒理化指标的主成分，糖转化为酒精，酸影响葡萄酒中的PH值，单宁、色素等酚类物质溶解在葡萄酒中，红葡萄酒的颜色、气味、口感等与酚类、糖类和酸类等物质密切相关，而葡萄酒的质量目前主要依据评酒员的感官评价，葡萄酒的好坏与其外观、香气和口感密切联系，葡萄与葡萄酒的理化指标就在一定程度上影响了葡萄酒的质量，具体定量关系如上式回归方程。 5.4.3 关于葡萄和葡萄酒的理化指标对葡萄酒质量影响的论
31
证
由于评酒员的感官评价中考虑了外观、香气和口感等综合因素，因此葡萄酒的感官质量是由葡萄酒的外观、香气、口感和整体因素等决定的，受评酒员个人的偏好的影响。若反映到葡萄及葡萄酒的化学组成，外观是受葡萄及葡萄酒的色泽等影响的，香气是由葡萄及葡萄酒的芳香物质影响的，而口感是由葡萄及葡萄酒的某些理化指标影响的。因此，理化指标在一定程度上反应了葡萄酒的质量，由于香气对葡萄酒质量的影响，可能芳香物质在一定程度上影响了葡萄酒的质量。
现在我们就采用主成分分析与逐步回归的方法对葡萄及葡萄酒的理化指标与芳香物质进行定量研究，考察理化指标与芳香物质对葡萄酒质量的影响程度。 分析步骤如下:
(1)葡萄和葡萄酒理化指标的综合主成分分析
基于模型四中酿酒葡萄和葡萄酒的理化指标的主成分分析法，得到了葡萄和葡萄酒
(1)(1)
的两种理化指标合并在一起的综合主成分，记为y1(1),y2。 , ,y11(2)葡萄和葡萄酒芳香物质的综合主成分分析
同对理化指标的处理方法，先将酿酒葡萄和葡萄酒的芳香
32
物质合并成一个数据矩阵，先对其中的每一个元素进行标准化处理，然后进行主成分分析，得到芳香物质的主成分
(2)(2)
。 y1(2),y2, ,y13
(3)两种综合主成分的逐步回归
将葡萄和葡萄酒的理化指标及芳香物质的综合主成分看作同等地位的变量对葡萄酒的质量会产生一定的影响，现对其三者之间进行逐步回归分析(用matlab的Stepwise
Regression 窗口实现)，得到理化指标与芳香物质的回归方程:
(2)(1)(1)
(15) y=0.4504y9+0.1637y1(1)-0.1806y2+ +0.1194y5(4)理化指标与芳香物质对葡萄酒质量的影响比重
理化指标对葡萄酒质量影响比重计算为
SI1=
?k
i=1
11
(1)
i13
?k
i=1
33
11
(16)
(2)j
(1)i
+?k
j=1
芳香物质对葡萄酒质量影响比重计算为
?k
SI2=
j=1
13
(2)j13
?k
i=1
11
(17)
(1)i
+?k(2)j
j=1
式中ki(1)表示葡萄及葡萄酒理化指标的综合主成分yi(1)
在回归方程中的系数，k(2)j表
34
示葡萄及葡萄酒芳香物质的综合主成分y(2)SI1为理化指标对葡萄j在回归方程中的系数，酒质量影响比重，SI2为芳香物质对葡萄酒质量影响比重。
由式(15)的系数及式(15)、式(16)，可以计算得理化指标对红葡萄酒质量影响比重SI1=65.5%，芳香物质对红葡萄酒质量影响比重SI2=35.5%;同样可以计算得理化指标对白葡萄酒质量影响比重SI1=53.1%，芳香物质对白葡萄酒质量影响比重
SI2=46.9%，说明红、白葡萄和红、白葡萄酒的芳香物质对葡萄酒的质量有30%以上的影响比重，白葡萄的芳香物质对白葡萄酒的质量影响相对更大。根据实际情况，红葡萄酒的颜色、气味、口感等与酚类等理化指标密切相关，而白葡萄酒的质量，主要由源于葡萄品种的一类香气和源于酒精发酵的二类香气以及酚类物质的含量所决定。故而它们的理化指标对葡萄酒的质量有较大程度的影响，但并不能完全用酿酒葡萄和葡萄酒的理化指标评价葡萄酒的质量。
5.5 结果分析
1)两组评价结果差异性和可信性研究结果
基于两组评酒员对同一批葡萄酒的评价分数数据，采用假设检验中的t检验法建立评估两组数据差异的模型，得到了两组评酒员的评分存在显著差异的结论，并通过对两组数据进行方差分析，以判别结果具有的稳定性作为标准，第一组
35
评酒员的评酒水平波动较大，第二组较为稳定，故得到第二组比较可信。 2)酿酒葡萄的分级结果
我们利用第一题的结论，用置信区间法对可信组的原始数据进行处理，降低评酒员
之间的差异，提高酒样品之间的差异，利用处理后的数据对葡萄酒进行分级;然后，根据酿酒葡萄的理化指标对葡萄进行聚类分析，将葡萄分成了若干类;分析每类葡萄对应的葡萄酒大都属于哪一级别，从而得出葡萄的级别，葡萄的分级结果见表4。为了更直观看清葡萄的分级结果，作如下直方图:
红葡萄级别直方图
181614121086420
白葡萄级别直方图
1614121086420
数目/
种
数目/
种
高级中上中级中下下级高级中上中级中下下级
图4 红葡萄和白葡萄的级别数量直方图
36
观察以上两幅直方图我们能很直观的看出不同级的红葡萄数量分布和正态分布很相近，中级的葡萄占了总数的大部分，高级和低级的红葡萄占了小部分，符合自然的生物规律;而不同级的白葡萄分布的一个突出特点就是高级葡萄特别多，我们查了网上的资料，绝大部分的白葡萄都是从意大利，法国等国外引进【5】，应该经过人工的精心挑选，所以分布呈现出特殊的形态。
3)酿酒葡萄与葡萄酒理化指标的联系
研究葡萄和葡萄酒的理化指标之间的联系，我们运用了主成分分析的方法，从酿酒葡萄的30个指标中提取出了12个主要成分，进而通过逐步回归的方法建立起酿酒葡萄和葡萄酒理化指标的定量联系。可以得到酿酒红葡萄的蛋白质、花色苷、褐变度、单宁和总酚及白藜芦醇、黄酮醇、总糖和可滴定酸等与红葡萄酒的理化指标存在较强的正相关性，果梗比、果皮质量与红葡萄酒的理化指标存在负相关;酿酒白葡萄中的单宁和总酚、白藜芦醇等与白葡萄酒的理化指标存在正相关关系，花色苷、褐变度、果梗比、果皮质量等与白葡萄酒的理化指标存在负相关关系。 4)理化指标对葡萄酒质量的影响及其论证结果
研究葡萄与葡萄酒的理化指标对葡萄酒质量的影响，考虑了葡萄和葡萄酒芳香物质对葡萄酒的影响，得知红、白葡萄和红、白葡萄酒的芳香物质对葡萄酒的质量有30%以上的影
37
响比重，且白葡萄的芳香物质对白葡萄酒的质量影响相对更大，也就是说它们的理化指标对葡萄酒的质量有较大程度的影响，但并不能完全用酿酒葡萄和葡萄酒的理化指标评价葡萄酒的质量，葡萄酒的质量还受到芳香物质、外观及加工工艺等其他因素的影响。
六、模型的检验
6.1回归模型的假设检验
葡萄酒的理化理化指标y与酿酒葡萄的主成分x1,x2, ,x12
之间是否存在如模型
(10)所示的线性关系是需要检验的。 1)回归方程的显著性检验
如果所有bi(i=1,2, ,12)都很小，y与x1,x2, ,xp的线性关系就不大，所以可以令原假设为
H0:bi=0(i=1,2, ,12)
H1:bi(i=1,2, ,12)至少有一个不为零
当H0成立时由统计知识可知
UF=~F(12,27-12-1)
Q-12-1)
?i-)2;在显著?i)，U=?(yQ 和U是根据前面模型的建立得到统计值:Q=?(yi-y
2
38
i=1
i=1
27
27
性水平α下有上分位数Fα(12,27-12-1)，若F利用MATLAB软件进行回归模型的假设检验，我们取α=0.05，则Fα(12,14)=2.53我们得到F向量的7个值:14.8100 10.5319
9.0860 7.9587 6.6878 7.2357 6.6663。
2)回归系数的显著性检验 检验假设
H0:bi=0,H1:bi?0(i=1,2, ,12)
对给定的显著水平α
计算统计量Ti=ti。
若ti?tα2(27-12-1)，则拒绝H0，即认为bi显著不为零;若tiSSR
=1-e STST
当离差平方和Se越小，则复相关系数越大。该指标反映了一组自变量x1,x2, ,xp解释因
R2=
变量y的程度，0七、模型的评价与优化
7.1模型优缺点分析
优点:该模型深入研究了酿酒葡萄及葡萄酒的理化指标，清晰明了的刻画了两种指标对葡萄酒质量的影响，创新性地
39
通过数据评价了葡萄酒的品质，结合现在比较成熟的感官评价规则，更加客观全面地评价了葡萄酒。
缺点:我们不能排除酿酒葡萄的理化指标与葡萄酒的理化指标之间，以及酿酒葡萄和葡萄酒的理化指标与葡萄酒质量之间存在非线性的关系，但不管是多元线性回归还是逐步回归，都无法完全刻画指标与质量之间的关系。 7.2模型联系函数的改进分析
刻画联系的函数可由线性改为非线性(如正态函数)，对于每个模型用更加合理的联
系函数去衡量(因为每个联系的关系和影响程度是不同的)，得到更加精确的模型。
八、参考文献
【1】李华等. 葡萄酒感官评价结果的统计分析方法研究. 中国食品学报. 第6卷,第2
期,2006年4月.
【2】盛骤，谢氏千等，概率论与数理统计. 高等教育出版社，2008年6月，第181页.
【3】张哲，罗伯特帕克是如何评分的，，2012年9月8日.
【4】薛毅，陈立萍(统计建模与R软件(下册)(清华大学出版社2006年(466页(
【5】百度文库，白葡萄品种，，2012年9月9日.
40
【6】Cleve B.Moler 著，喻文健 译. MATLAB数值计算，
机械工业出版社，2006年6月. 第243页
九、附录
附录1:
对红葡萄酒而言:
S1(1)2=(s11(1)2,s12(1)2, ,s127(1)2)=[83.61,35.81,41.24,97.24,55.81,53.76,93.25,39.61,29.65,12.17,63.69,
71.69,40.44,32.4,77.01,16.29,79.21,42.49,42.64,23.44,104.49,45.56,29.24,67.4,58.16,28.16,44.8];
(1)2S2=(s21(1)2,s22(1)2, ,s227(1)2)=[73.69,14.6,27.64,37.16,12.29,19.01,56.4,58.6,23.16,32.56,34.24,
22.61,13.76,20.84,37.21,18.09,8.25,45.24,49.64,35.16,31.96,21.84,22.29,9.65,39.36,37.4,18.45];
对白葡萄而言
S1(2)2=(s11(2)2,s12(2)2, ,s127(2)2)=[83,180.96,328.61,40.24,113.8,146.44,35.25,
165.24,83.49,191.41,159.41,104.21,153.69,102.8,118.44,160.16,129.76,140.89,
41.76,57.96,155.44,124.8,39.29,100.01,30.49,65.61,129.96,72.41];
(2)2S2=(s21(2)2,s22(2)2, ,s227(2)2)=[23.29,44.16,128.24,37.
41
89,23.65,20.45,
37.65,28.01,95.64,63.36,79.04,126.04,42.09,14.29,48.64,74.01,34.61,27.21 ,23.44,45.04,57.96,48.24,10.44,34.69,95.85,92.61,32,22.84];
附录2:
红葡萄酒使用置信区间前评分:
68 75 82 75 66 65 68 71 81 67 64 67 74 71 62 71 72 67 72 80 80 77 79 66 68 68 71
71 76 69 79 68 67 65 70 83 73 61 68 64 71 60 65 73 65 65 75 72 79 77 69 68 67 64 80 76 80 73 77 75 68 78 85 82 67 75 68 78 73 78 75 80 82 80 75 75 80 72 84 83 72 52 71 78 72 75 61 65 51 76 62 62 58 65 64 54 70 74 55 61 66 72 62 83 73 62 64 71 53 68 63 60 76 58 47 62 69 63 50 63 70 67 59 64 75 62 64 70 62 68 67 73 60 73 69 76 74 75 77 73 66 70 69 80 66 66 73 67 76 71 73 77 64 81 84 77 69 79 68 66 74 71 71 83 72 73 72 70 57 73 83 66 64 67 70 74 71 66 79 62 76 79 63 73 80 72 69 77 82 73 73 77 73 72 67 74 59 77 72 51 72 76 80 70 75 76 74 80 83 70 71 71 76 73 78 73 70 73 74 60 74 67 72 68 75 65 67 69 69 73 68 68 76 60 74 71 73 69 81 76 66 63 73 67 71 76 70 68 67 67 59 73 72 64 71 65 72 69 69 68 65 71 70 78 73 74 70
42
66 73 69
使用置信区间后
68.0000 71.0000 71.4000 60.6000 61.6000 76.0000 71.0000
73.0000 70.0000 67.0000;
75.0000 76.0000 76.0000 71.0000 71.8000 74.0000 79.2000
73.0000 73.0000 71.0000;
76.7000 74.3000 74.7000 78.0000 68.3000 75.0000 72.0000
77.0000 74.0000 76.0000;
75.0000 72.9000
66.1000 70.0000;
69.5000 71.5000
74.0000 71.5000;
65.0000 67.0000
67.0000 67.0000;
68.0000 65.0000
72.0000 67.0000;
71.0000 70.0000
68.0000 59.0000;
81.0000 83.0000
75.0000 77.8000;
67.0000 73.0000
43
65.0000 72.0000;
64.0000 61.0000
67.0000 64.0000;
67.0000 68.0000
69.0000 71.0000;
70.3000 67.7000
69.0000 68.7000;
71.0000 71.0000
73.0000 72.0000;
62.0000 60.0000
68.0000 69.0000;
71.0000 69.3000
68.0000 69.0000;
72.0000 73.0000
76.0000 70.9000;
67.0000 65.0000
60.0000 65.0000;
72.0000 72.0000
74.0000 71.0000;
80.0000 75.0000
71.0000 70.0000;
74.3000 72.0000
44
73.0000 72.3000;
72.3000 74.3000
69.0000 73.0000;
79.0000 77.0000
81.0000 74.0000;
69.1000 69.0000
72.9000 70.0000;
68.0000 68.0000
66.0000 66.0000;
68.0000 67.0000
69.1000 73.0000;
71.0000 68.3000
73.0000 69.0000葡萄酒评价国家一等奖(中国海洋大学)];
73.0000 72.0000 66.1000 77.0000 73.0000 73.0000 73.5000 75.0000 72.5000 73.0000 72.0000 72.0000 70.6000 65.4000 62.4000 66.0000 70.0000 67.0000 68.0000 65.0000 54.5000 70.0000 64.5000 66.5000 70.3000 58.7000 62.0000 69.0000 73.0000 59.0000 80.2000 76.0000 73.8000 80.0000 83.0000 77.0000 76.3000 67.7000 68.7000 66.0000 66.0000 72.0000 67.0000 62.0000 55.9000 66.0000 64.0000 56.9000 70.2000 62.8000 67.8000 73.0000 67.0000 72.0000 68.0000 68.7000 70.0000 67.0000 70.0000 72.3000 73.4000 68.6000 71.6000
45
76.0000 74.0000 75.4000 66.9000 60.1000 65.1000 71.0000 71.0000 70.0000 73.7000 70.0000 68.3000 73.0000 66.0000 70.7000 75.0000 74.0000 75.0000 77.0000 76.1000 76.0000 73.3000 61.7000 62.0000 64.0000 62.0000 67.3000 75.0000 68.0000 71.0000 74.0000 76.0000 73.0000 80.0000 71.9000 70.0000 78.1000 79.0000 77.1000 75.0000 72.0000 67.7000 77.0000 68.7000 70.0000 75.0000 66.7000 68.0000 69.0000 73.0000 71.0000 80.0000 78.3000 71.7000 79.0000 80.0000 75.7000 72.0000 73.0000 73.0000 71.1000 72.0000 72.9000 77.7000 62.0000 66.3000 66.0000 69.0000 73.0000 76.9000 70.1000 73.0000 74.0000 77.0000 78.0000 72.0000 71.0000 69.0000 71.0000 77.7000 73.0000
附录3:% 置信区间法处理数据(以红葡萄酒为例)
clear
a1=dlmread(‘…\葡萄酒评价\置信区间红.txt’,’\t’);
al1=a1=dlmread(‘…\葡萄酒评价\score.txt’,’\t’);
x=[68.1,74,74.6,71.2,72.1,66.3,65.3,66,78.2,68.8,61.6,68.3,68.8,72.6,65.7,69.9,74.5,65.4,72.6,75.8,72.2,71.6,77.1,71.5,68.2,72,71.5]’;%均值
y=[8.6,3.8,5.3,6.1,3.5,4.4,7.5,7.7,4.8,5.7,5.9,4.8,3.7,4.6,6.1,4.3,2.9,6.7,7.0,5.9,5.7,4.7,4.7,3.1,
46
6.3,6.1,4.3]’;%标准差
al2=zeros(27,10);
for i=1:27
for j=1:10
if al1(i,j)al2(i,j)=al1(i,j)+y(i);
elseif al1(i,j)>x(i)+y(i)
al2(i,j)=al1(i,j)-y(i);
else
al2(i,j)=al1(i,j);
end
end
end
al3=zeros(27,1);
for i=1:27
al3(i)=mean(al2(i,:));%求平均
end
附录4:%对葡萄的聚类分析程序(以红葡萄为例)
gj=xlsread(‘…\葡萄酒评价\gj.xlsx’);
r=corrcoef(gj); %计算相关系数矩阵
d=1-r; %进行数据变换,把相关系数转化为距离
d=tril(d); %取出矩阵d 的下三角元素
47
d=nonzeros(d); %取出非零元素
d=d’; %化成行向量
z=linkage(d,’average’); %按类平均法聚类
dendrogram(z); %画聚类图
T=cluster(z,’maxclust’,15); %把变量划分成15 类
for i=1:15
tm=find(T==i); %求第i 类的对象
tm=reshape(tm,1,length(tm)); %变成行向量
fprintf(‘第%d 类的有%s\n’,i,int2str(tm)); %显示分类结果
end
gj=gj(:,1:15);
gj=zscore(gj); %数据标准化
y=pdist(gj); %求对象间的欧氏距离,每行是一个对象
z=linkage(y,’average’); %按类平均法聚类
figure(2)
dendrogram(z); %画聚类图
k=6
fprintf(‘划分成%d类的结果如下:\n’,k);
T=cluster(z,’maxclust’,k); %把样本点划分成k类
for i=1:k
tm=find(T==i); %求第i类的对象
48
tm=reshape(tm,1,length(tm)); %变成行向量
fprintf(‘第%d类的有%s\n’,i,int2str(tm)); %显示分类结果
end
fprintf(‘**********************************\n’);
title(‘红葡萄聚类图’);
附录5:%主成分分析与多元线性回归
clc,clear
gj=xlsread(‘…\葡萄酒评价\gj.xlsx’); 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
contr=cumsum(z)/sum(z)
t=x(:,1:12)
t1=z(1:12)
y1=zeros(27,12);
y1=gj*t;
Y=xlsread(‘…\葡萄酒评价\回归.xlsx’);
Y=zscore(Y); %数据标准化
b1=zeros(12,7);
49
r1=zeros(27,7);
for k=1:7
Y1=Y(:,k);
[b,bint,r,rint,stats]=regress(Y1,y1);
b1(:,k)=b;
r1(:,k)=r;
stats1(:,k)=stats;
end
n=27,m=12;
r2=stats1(1) %提出复判定系数
ad_r2=1-(1-r2)*(n-1)/(n-m-1) %计算调整复判断系数
f=zeros(1,7);
f=stats1(2,:) %提出F统计量
tm=inv(y1’*y1); %计算X’*X的逆矩阵
tm=diag(tm); %提出逆矩阵的对角线元素
rmse=sqrt(stats1(4)) %计算剩余标准差(残差的样本标准差)
tt=b./sqrt(tm)/rmse %求t统计量的值
tt1=abs(tt);
附录6:%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
clc,clear
50
gj=xlsread(‘…\葡萄酒评价\葡萄酒和葡萄.xlsx’);
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
contr=cumsum(z)/sum(z)
t=x(:,1:19)
t1=z(1:19)
y1=zeros(27,19);
y1=gj*t
Y=[68.1 74 74.6 71.2 72.1 66.3 65.3 66 78.2 68.8 61.6 68.3
68.8 72.6 65.7 69.9 74.5 65.4 72.6 75.8 72.2 71.6 77.1 71.5 68.2
72 71.5];
Y=zscore(Y); %数据标准化
stepwise(y1,Y,[1:19]);%逐步回归，呈现交互界面
51
范文三：中国海洋大学综合评价招生综合素质测试题总结
中国海洋大学
最新综合素质测试面试真题及方法指导
成功有时候就只差一步！
（最新上海***培训最新内部资料价值800元）
历年考生面试成功经验总结，让你在中国海洋大学面试中胜人一筹！
目录
一、中国海洋大学综合素质测试面试形式介绍 ......................................... 3
二、中国海洋大学综合素质测试面试的主要内容介绍 ............................. 6
三、中国海洋大学面试考生要适当准备三项内容 ..................................... 9
四、依据中国海洋大学以往经验进行模拟面试 ....................................... 10
五、中国海洋大学综合素质测试面试真题技巧剖析 ............................... 12
六、中国海洋大学综合素质测试面试真题情景分析 ............................... 14
七、中国海洋大学综合素质测试面试时形象准备 ................................... 17
八、中国海洋大学综合素质测试面试评委的点评 ................................... 21
历年考生面试成功经验总结，让你在中国海洋大学面试中胜人一筹！
一、中国海洋大学综合素质测试面试形式介绍
中国海洋大学综合评价录取工作在中国海洋大学招生工作领导小组的领导下，由中国海洋大学招生办公室具体负责工作的组织和实施。面试过程全程录像，考生组合、考场安排、考官组成均现场抽签随机产生，确保公平、公正。面试主要对报考中国海洋大学考生的认知能力、分析能力、应对能力以及理想信念、思想品德、社会责任感等方面进行综合考核。根据综合成绩从高到低排序，按照考生专业志愿及招生计划确定入选名单。综合成绩由高考投档成绩、面试成绩（百分制）、学业水平考试成绩三者折算。
近几年的中国海洋大学综合素质测试面试方式呈现不同的特点，特别是深入实施综合评价招生录取模式改革试点工作之后。中国海洋大学主要有群体面试和单独面试两种方式。群体面试就是由多名考生共同参与的面试；单独面试就是考生一个人单独的面对主考官的面试。
在单独面试中，最常用的就是“多对一”个人陈述答辩方式的面试方式，即由中国海洋大学多位考官老师共同面试一个考生，面试过程中，考官提出问题，学生作答，然后考官根据考生的回答情况，给出相应的面试分数。在大多数情况下，考官也会给考生提问的机会。考官提的问题一般都有很强的综合性，交叉考核考生的多方面的能力。近几年中国海洋大学基本以单独面试为主。
群体面试就是若干个考生一起接受主考官的面试，群体面试一般有对话式、讨论式、情景式和辩论式几种方式。近几年中国海洋大学基本以单独面试为主，群体面试不常见。所以准备报考中国海洋大学的考生，要着重准备单独面试。
（一）个人陈述答辩方式面试
个人陈述答辩面试时按10-20人分成大组，每次进入1名考生，接受5名中国海洋大学相关专业老师组成的中国海洋大学面试官的集体面试，面试时间为每人10分钟。一般也要先进行自我介绍，中国海洋大学考官会问一些最基本的问题，
范文四：上海海洋大学综合评价招生综合素质测试题总结
上海海洋大学
最新综合素质测试面试真题及方法指导
成功有时候就只差一步！
（最新上海***培训最新内部资料价值800元）
历年考生面试成功经验总结，让你在上海海洋大学面试中胜人一筹！
目录
一、上海海洋大学综合素质测试面试形式介绍 ......................................... 3
二、上海海洋大学综合素质测试面试的主要内容介绍 ............................. 6
三、上海海洋大学面试考生要适当准备三项内容 ..................................... 9
四、依据上海海洋大学以往经验进行模拟面试 ....................................... 10
五、上海海洋大学综合素质测试面试真题技巧剖析 ............................... 12
六、上海海洋大学综合素质测试面试真题情景分析 ............................... 14
七、上海海洋大学综合素质测试面试时形象准备 ................................... 17
八、上海海洋大学综合素质测试面试评委的点评 ................................... 21
历年考生面试成功经验总结，让你在上海海洋大学面试中胜人一筹！
一、上海海洋大学综合素质测试面试形式介绍
上海海洋大学综合评价录取工作在上海海洋大学招生工作领导小组的领导下，由上海海洋大学招生办公室具体负责工作的组织和实施。面试过程全程录像，考生组合、考场安排、考官组成均现场抽签随机产生，确保公平、公正。面试主要对报考上海海洋大学考生的认知能力、分析能力、应对能力以及理想信念、思想品德、社会责任感等方面进行综合考核。根据综合成绩从高到低排序，按照考生专业志愿及招生计划确定入选名单。综合成绩由高考投档成绩、面试成绩（百分制）、学业水平考试成绩三者折算。
近几年的上海海洋大学综合素质测试面试方式呈现不同的特点，特别是深入实施综合评价招生录取模式改革试点工作之后。上海海洋大学主要有群体面试和单独面试两种方式。群体面试就是由多名考生共同参与的面试；单独面试就是考生一个人单独的面对主考官的面试。
在单独面试中，最常用的就是“多对一”个人陈述答辩方式的面试方式，即由上海海洋大学多位考官老师共同面试一个考生，面试过程中，考官提出问题，学生作答，然后考官根据考生的回答情况，给出相应的面试分数。在大多数情况下，考官也会给考生提问的机会。考官提的问题一般都有很强的综合性，交叉考核考生的多方面的能力。近几年上海海洋大学基本以单独面试为主。
群体面试就是若干个考生一起接受主考官的面试，群体面试一般有对话式、讨论式、情景式和辩论式几种方式。近几年上海海洋大学基本以单独面试为主，群体面试不常见。所以准备报考上海海洋大学的考生，要着重准备单独面试。
（一）个人陈述答辩方式面试
个人陈述答辩面试时按10-20人分成大组，每次进入1名考生，接受5名上海海洋大学相关专业老师组成的上海海洋大学面试官的集体面试，面试时间为每人10分钟。一般也要先进行自我介绍，上海海洋大学考官会问一些最基本的问题，
一般都从考生的基本情况开始提问。如：在高中学习情况如何，为什么要报考上海海洋大学，什么时候开始关注上海海洋大学，你准备报考上海海洋大学的什么专业，在高中和班级里的同学的关系如何等等，这些问题考生如实作答即可。有的学校，在考生较多的情况下，可能只有时间问这些最基本的情况，一般对考生基本情况的了解不会超过五分钟。 如果面试的时间比较充足的话，就会进入到考生基本素质的测试阶段。主考官会就考生的知识储备、学习能力、心理素质等诸多方面的问题进行提问。大多数的大学老师都喜欢采取临场提问的方式，这些问题都比较开放，不需要考生思考和计算就能回答的问题。比如，请谈谈你如何减少雾霾，简单大学的校训，你对高考制度有什么看法等等。有些考官也可能会准备一些题目打印在纸条上，在面试的时候，要求考生回答这些问题。为了公平、公正，在面试的时候，根据以往面试经验，一般会给考生一次更换题目的机会，但是，更换题目往往会对考生的得分情况产生负面的影响，所以，如果能够作答，尽可能的不要更换题目。
（二）、辩论面试 参加这种面试方式的考生被分成人数相等的小组，一般每组四人或六人，然后每次有两组考生参加面试。考官在向考生说明规则之后，然后发放辩论题目。随机的指定正方和反方，让两组展开讨论。得到辩题之后，考官会给考生5～10分钟的准备时间，这段时间让考生准备观点和论据，让组员确定发言顺序和辩论者的角色。准备时间过后，辩论正式开始，一般会进行30分钟左右，每位考生大约会有1～3次的发言机会，每次发言时间为1～3分钟。辩论结束，这个面试环节也就结束了。有时候，考官还会就辩题的一些问题向某位考生提
问，或是让每位考生都对这次的辩论作一个一句话的总结。根据以往面试经验，想得高分，在辩论过程中需要注意辩论不是为了说服对方，而是要说服评委，把对方的缺点展示出来。
（三）、无领导的小组面试
根据以往面试，上海海洋大学面试可能也会采用国际上通行的“无领导小组讨论”方式，报考上海海洋大学的考生5人一组，面对3-5名评委，先有1分钟的自我介绍，然后陈述抽到的问题，最后其他四名同学可以阐述自己的观点，一场大概持续50分钟左右。上海海洋大学考官也会根据题目提一些延展性问题。问题涉及古今中外诸多领域，讲究思辨想象，上海海洋大学考官不喜欢标准答案，最好要有自己的独特见解，不少考题提及的命题颇具哲学色彩，设问方式值得思考，值得琢磨乃至深思。 有时候面试时5名考生一组，每人先用1分钟阐述同一个问题，然后在余下
的半个小时里，小组成员一起讨论另一问题。讨论过程中既要陈述自己的观
点，又要讨论、辩论，最后还有1分钟的总结陈述。
无领导的小组面试还有一种形式是每组四人，每次有两组考生参加面试，
考官在向考生说明面试规则之后，发放讨论题目。这类题目一般会以一篇或多篇文章的形式出现，要求考生针对问题展开讨论，最终形成一个结论。例如，面对日益严重的城市拥堵问题，你有什么办法？
考生有5～10分钟的准备时间，然后开始进入正式的讨论，这个面试方式一
般会进行45分钟左右，跟辩论面试一样，每位考生在这次讨论中有1～3次的发言机会，时间为1～3分钟。
注意在讨论中，必须有一个人先发言，他担负着把题目和需要讨论的话题
进行概括性的陈述，并且提出讨论方案和解决途径的任务。这个人就是所谓的破冰者，即打开话题，引导小组的人进行讨论者。如果第一位发言的人破冰不利，没有抓住问题的实质，充分的把讨论的话题展开，就需要有其他考生继续破冰；如果破冰成功，就直接进入讨论的过程。在讨论的过程中，难免会出现不同的观点，这个时候，如果能够有1～2位话题组织者，把话题引回到主题上来，这个人其实承担了话题领导者的任务。如果能在讨论中扮演这个角色，那老师一定会为你加分的。
范文五：浙江海洋大学2017年“三位一体”综合评价招生章程
浙江海洋大学2017年“三位一体”综合
评价招生章程
导语:浙江海洋学院(英文名:Zhejiang Ocean University )创建于1958年，位于浙江省舟山市。下面是小编收集的浙江海洋大学2017年三位一体综合评价招生章程，欢迎参考。
第一章 总则
第一条 为规范三位一体综合评价招生工作，维护考生、学校的合法权益，确保招生工作顺利进行，根据《中华人民共和国教育法》、《中华人民共和国高等教育法》和浙江省教育厅、浙江省教育考试院的有关政策和规定，特制定本章程。
第二条 凡参加2017年浙江海洋大学三位一体综合评价招生考试的浙江考生均适用本招生章程。
第三条 浙江海洋大学三位一体综合评价招生录取工作严格遵守浙江省教育考试院的有关政策和规定，实行学校负责，省级招生主管部门监督的录取机制，严格遵循公平竞争、公正选拔、公开透明、全面考核、综合评价、择优录取的原则。
第二章 学校概况
第四条 浙江海洋大学是国家海洋局和浙江省人民政府共建高校，创建于1958年，现已发展成为一所具有硕士学位授予权和外国留学生、港澳台学生招生权，以海洋为特色，理学、农学、工学、管理学、经济学、文学、历史学、教育学等多学科协调发展的省属教学研究型大学。
第五条 学校主校区位于浙江省舟山市定海区长峙岛，枕山环海，设施先进，风景宜人，是求学的理想之地。
学校的国家代码为:10340
第六条 学生在规定年限内修完教学计划规定的课程，成绩合格，颁发浙江海洋大学全日制本科毕业证书。符合浙江海洋大学学士学位授予条件者，经浙江海洋大学学位评定委员会审定，授予浙江海洋大学相应学位类别的学士学位。
第三章 组织机构
第七条 学校三位一体综合评价招生工作领导小组负责研究、决定三位一体综合评价招生有关工作，其下设办公室、考务组(含专家委员会)、监察组和保障组，负责实施相关具体工作。
第八条 三位一体综合评价招生工作领导小组办公室挂靠招生就业指导处，是学校组织和实施三位一体综合评价招生工作的常设机构，负责协调处理学校三位一体综合评价招生日常事务;考务组(含专家委员会)挂靠教务处;监察组挂靠监察室;保障组由基建与后勤管理处牵头，宣传部、保卫处、计划财务处、团委、信息化建设与管理中心等部门参与组成。
第四章 分专业招生计划
第九条 学校计划2017年通过三位一体综合评价招生100人，普通类提前录取，具体招生专业、计划及选考科目范围如下表所示:
第五章 报考条件与办法
第十条 具有浙江省2017年普通高等学校招生统一考试报名资格，综合素质评价均为B等(往届生为P等)及以上,符合以下条件之一的考生可申请报考:
(一)学业水平测试(高中会考)科目(往届生的通用技术和信息技术两门科目，按等第高的一门计入，且不包括自选综合)有4门及以上为A等,其余科目为D等(往届生为C等)及以上。
(二)学业水平测试(高中会考)科目(往届生的通用技术和信息技术两门科目，按等第高的一门计入，且不包括自选综合)有2门及以上为A等,其余科目为D等(往届生为C等)及以上，且满足以下专项条件之一(仅限以下所列奖项)的考生:
1.学科竞赛类:
高中阶段在全国中学生学科奥林匹克竞赛(包括全国高中数学联赛、全国中学生物理竞赛、全国高中学生化学竞赛、全国青少年信息学奥林匹克联赛、全国中学生生物学联赛)中获得省级赛区竞赛三等奖及以上。
2.科技创新类:
高中阶段以第一作者在全国青少年科技创新大赛(含全国青少年生物和环境科学实践活动)或全国中小学电脑制作活动中获得省级三等奖及以上，或在全国明天小小科学家活动中获三等奖及以上;或高中阶段以第一发明人取得发明专利(不含外观专利、实用新型专利)授权。
3.语言文学特长类:
高中阶段以第一作者正式出版文学专著或在全国性作文比赛(包括叶圣陶杯全国中学生新作文大赛决赛、全国新概念作文大赛、全国中小学生创新作文大赛)中获得三等奖及以上;或高中阶段在全国创新英语作文大赛中获优胜奖及以上;或高中阶段在全国中学生英语能力竞赛中获三等奖及以上。
4.艺术特长类:
参加浙江省教育厅组织的音乐舞蹈类(声乐、器乐、舞蹈)和美术类(书法、绘画、摄影、设计)艺术特长测试并获得A级证书。
5.体育特长类:
获得国家二级运动员及以上证书;或高中阶段在浙江省中学生运动会、浙江省中学生田径运动会上获前6名(集体项目为前3名);或高中阶段在国家教育部、国家体育总局举办的中学生体育赛
事中获前8名(集体项目为前6名)。
注:我校认可往届生学业水平测试(高中会考)成绩。
第十一条 考生需严格按照规定的方式报考，要求如下:
(一)凡符合报考条件的考生均须通过网上报名系统提出申请。每位考生限报1个专业。
(二)网上报名时间:2017年2月19日—2017年3月9日。考生登录浙江海洋大学本科招生网，根据三位一体综合评价招生报名系统提示的报名流程办理报名手续，确认无误后，报名系统自动生成《浙江海洋大学三位一体综合评价招生申请表》，下载并打印该申请表。
(三)申请材料:
1.《浙江海洋大学三位一体综合评价招生申请表》(加盖所在高中学校公章);
2.身份证复印件;
3.学业水平测试(高中会考)成绩、综合素质评价等第证明(加盖所在高中教务处公章);
4.符合报名条件(二)中五类专项条件的资格证明材料复印件(加盖取得该项资格时所在高中教务处公章)。
(四)材料装订:将书面申请材料按上述顺序装订成册。A4纸标准，装订时将申请表作为材料首页，不需另制封面。
(五)材料接收:申请人所有书面材料需在2017年3月10日前以邮政EMS特快专递方式寄至:
浙江海洋大学招生办公室(舟山市定海区临城街道海大南路1号，邮编:316022，电话:0580-2550022)
并在信封上注明三位一体招生报名字样，同时在三位一体综合评价招生报名系统中填写EMS单号。申请材料不退还，请考生留好备份。
第十二条 主要时间安排
(一)网上报名时间:2017年2月19日—2017年3月9日;
(二)材料邮寄时间:2017年3月10日止(以当地邮戳为准);
(三)学校书面评审时间:2017年3月13日—2017年3
月19日;
(四)书面评审结果查询、网上缴费时间:2017年3月21日—2017年4月5日;
(五)综合素质测试准考证打印时间(网上自主打印准考证):2017年4月10日—2017年4月13日;
(六)综合素质测试报到时间:2017年4月15日;
(七)综合素质测试时间:2017年4月16日;
(八)入围名单公布:学校综合素质测试当天。
第六章 资格审查、书面评审及缴费
第十三条 资格审查和书面评审:
2017年3月13日—2017年3月19日，学校三位一体综合评价招生工作专家委员会对考生资格进行审核，并根据书面评审成绩[书面评审成绩为考生的学业水平测试(高中会考)折算成绩，成绩折算标准(下同):A等计10分，B等计7分，C等计4分，D等不计分，从高分到低分分专业确定获得我校三位一体综合素质测试资格的考生名单，原则上不超过分专业招生计划数6倍的比例，最后一名同分考生一并入围。如相应专业报名人数不足招生专业计划数的6倍则全部考生入围综合素质测试环节。
对高中阶段在学科竞赛、科技创新、语言文学、艺术、体育等方面取得突出成绩的考生[具体奖项名称和级别参照报名条件(二)中的专项条件]，经专家委员会认定，优先直接获得我校三位一体综合素质测试资格，不占通过书面评审的人数比例。
第十四条 考生按照以下要求进行缴费:
(一)收费标准:通过书面评审的考生需缴纳报考费后才能参加综合测试，收费标准为110元/人，需要收费发票的请在报名系统注明，报到现场发放，若未注明，则不提供发票。
(二)缴费方式:考生于2017年3月21日—2017年4月5日期间，通过银行柜台汇款或网上银行转账等方式将报名费汇入我校账户
开户名称:浙江海洋大学，
开户行:舟山市建行营业部，
账号:33001706260059006666-0005，
汇款时请务必留言注明考生姓名和身份证号码末四位。缴费后请妥善保管汇款凭条(或网上转账截图)，以备查询之用。
(三)缴费成功后因个人原因未参加综合素质测试，报名费不予退还。逾期未缴费的考生视为自动放弃测试资格，不能参加综合素质测试。
第七章 综合素质测试
第十五条 综合素质测试采用分专业进行结构化面试，总体安排如下:
(一)报到时间和地点
1.时间:2017年4月15日12:30—16:30(逾期作自动放弃处理)
2.地点:浙江海洋大学新城校区公共教学楼(舟山市定海区临城街道海大南路1号)。报到时请携带考生本人身份证、准考证、汇款凭条(或网上转账截图)。
(二)测试时间和地点
1.时间:2017年4月16日
2.地点:浙江海洋大学新城校区公共教学楼(舟山市定海区临城街道海大南路1号)。
(三)测试内容
主要测试学生的教师职业技能和素质(仪表仪态、口头表达、书面表达、专业素养与潜质等)。
(四)成绩评定:成绩满分为100分。
(五)成绩查询与入围名单公示:我校根据综合素质测试成绩从高分到低分分专业确定入围名单，最终入围考生名单不超过各专业招生计划数的5倍。若考生综合素质测试成绩相同时，则按考生的学业水平测试(高中会考)折算成绩高低排序。综合素质测试结束当天，考生通过我校招生网查询成绩和入围公示名单。入围名单在招生网公示后报浙江省教育考试院备案。
注:综合素质测试的具体安排将提前在浙江海洋大学招生网公布。
第八章 志愿填报与录取
第十六条 考生在普通类提前录取填报三位一体志愿;学校在普通类提前录取进行三位一体录取工作。
第十七条 志愿填报:在填报志愿时，考生须将浙江海洋大学填为第一院校志愿，否则无效。填报专业志愿时，填报的专业志愿须与考生入围专业一致。
第十八条 录取原则与办法:学校按各专业招生计划数1:1分别划定校内投档基准线。如不足(因体检受限等原因所致)，则从各专业投档基准线下的考生中从高分到低分逐一择优录取，直至满额。录取考生高考总分不得低于第二段分数线。若考生志愿填报人数未到计划数的110%，则录取人数控制在志愿填报人数的85%以内。
第十九条 对进档考生，按综合成绩从高分到低分排序。若考生综合成绩相同时，则按单项顺序及分数高低排序，单项顺序排列依次为:综合素质测试成绩、高考总分、学业水平测试(高中会考)成绩。
综合成绩换算公式:
学业水平测试(高中会考)成绩(折算成满分100分)×15%+综合素质测试成绩(满分100分)×35%+高考总分(折算成满分100分)×50%
其中学业水平测试(高中会考)折算成绩标准:A等计10分，B等计7分，C等计4分，D等不计分。
第二十条 学校以英语为教学语种;各专业录取男女比例不限;同等对待录取往届生与应届生;报考英语(师范)专业的考生，其高考英语成绩要求不低于105分(按总分150分计)。
第二十一条 学校严格执行《普通高等学校招生体检工作指导意见》，并按规定在新生入学后进行体检复查。
第九章 收费、奖励与资助
第二十二条 学校实行学分制收费管理办法，收费严格执行浙江省高校收费标准和有关规定。师范类专业学费为4800元/生·学年(其中学分学费3000元/生·学年，专业学费1800元/生·学年)。
第二十三条 学校设有国家奖学金、国家励志奖学金、东海奖学金、王成海奖学金、杨詠曼奖学金、优秀学生奖学金等10余种奖助学金。
第二十四条 学校实施国家助学贷款、勤工助学、困难补助、学费减免等资助政策，开通经济困难新生入学绿色通道。
第十章 监督机制
第二十五条 学校选拔录取工作严格按照公正、公平、公开的原则，接受学校监察室全程监督，同时接受浙江省招生主管部门和社会监督。
第二十六条 考生应本着诚信的原则提供真实准确的报名申请材料，考生有下列情形之一的，一经查实，按教育部令第36号严肃处理:
(一)提供虚假姓名、年龄、民族、户籍等个人信息，伪造、
非法获得证件、成绩证明、荣誉证书等，骗取报名资格、享受优惠政策的;
(二)在综合素质评价、相关申请材料中提供虚假材料、影响录取结果的;
(三)冒名顶替入学，由他人替考入学或者取得优惠资格的;
(四)其他严重违反高校招生规定的弄虚作假行为。
上述行为在报名阶段发现的，取消报考资格;在入学前发现的，取消入学资格;入学后发现的，取消录取资格或者学籍;毕业后发现的，由教育行政部门宣布学历、学位证书无效，责令收回或者予以没收;涉嫌犯罪的，依法移送司法机关处理。考生所在中学应当对所出具的推荐材料或者盖章认可的自荐材料认真核实，若出现弄虚作假现象，我校将保留采取相关措施的权利。
第十一章 附则
第二十七条 学校通过本科招生网公布三位一体综合评价招生考试考务安排、综合素质评价成绩与录取结果等信息。
第二十二条 联系方式:
学校网址:www.zjou.edu.cn
招生网址:http://zs.zjou.edu.cn
招生微信号:zhdzsb
招生咨询电话:0580—2550022
招生监督电话:0580-2550014
第二十三条 本办法未尽事宜，参照《浙江省普通高校三位一体综合评价招生试点管理暂行办法》相关规定执行。
第二十四条 本章程自公布之日起生效，由浙江海洋大学招生就业指导处负责解释。
本文已影响人
var bdShare_config =
{“type”:”medium”,”color”:”blue”,”uid”:”37198”,”likeText”:”赞”,”likedText”:”您已赞,谢谢!”,”share”:”yes”};document.getElementById(“bdlike_shell”).src=“http://bdimg.share.baidu.com/static/js/like_shell.js?t=“ + new Date().getHours();
转载请注明出处范文大全网 » 中国海洋大学综合评价中国海洋
