对表3-1进行多元回归拟合分析，将乙醇浓度设为A、液料比设为B、超声时间设为C、超声功率设为D和提取率（Y）进行多元回归拟合，得到二元多次回归方程：

多元回归分析是一种统计方法，用于分析两个或更多自变量（在这种情况下是乙醇浓度A、液料比B、超声时间C和超声功率D）与一个因变量（提取率Y）之间的关系。为了得到一个多元回归方程，你需要收集数据并利用统计软件进行拟合。

假设你已经收集了数据，并且你的数据集中包含了各种不同条件下的A、B、C、D和对应的Y值，你可以通过以下步骤来进行多元回归拟合：

1. 数据准备：确保数据质量高，无异常值，且符合多元回归分析的假设。

2. 选择模型：选择一个合适的多元回归模型。常见的模型形式是： [ Y = \beta_0 + \beta_1A + \beta_2B + \beta_3C + \beta_4D + \epsilon ] 其中，( \beta_0 ) 是截距，( \beta_1, \beta_2, \beta_3, \beta_4 ) 是各自变量的系数，而 ( \epsilon ) 是误差项。

3. 拟合模型：使用你的统计软件（如SPSS、R、SAS、Excel等）进行回归分析，输入你的自变量和因变量数据。

4. 评估模型：检查模型的拟合优度（如R²），显著性检验（如ANOVA），以及各系数的显著性（如t-test）。

5. 模型优化：如果需要，根据模型诊断进行调整，比如添加交互项或平方项。

6. 结果解释：根据拟合结果，解释每个自变量对因变量的影响。

如果你已经完成了上述步骤并得到了一个二元多次回归方程，它可能看起来像这样：

[ Y = \beta_0 + \beta_1A + \beta_2B + \beta_3C + \beta4D + \beta{11}A^2 + \beta{22}B^2 + \beta{33}C^2 + \beta_{44}D^2 + \epsilon ]

这个方程表明提取率Y不仅是A、B、C和D的线性函数，还包括它们的二次项。

如果你需要具体的帮助来解释你的回归分析结果，或者你需要帮助来进行回归拟合，请提供更多的信息，我会尽力提供帮助。如果你已经有了拟合结果并希望讨论它，请分享你的数据和结果，我将能够提供更具体的指导。