近年来，济南橱柜市场品牌淘汰速率高，更新换代快，但总的来说，市场大大小小品牌数量不小，有老牌品牌陨落，又有新的品牌崛起。

图3-11识别破坏晶格周期性的缺陷的深度卷积神经网络图3-12由深度卷积神经网络确定的无监督的缺陷分类图3-13不同缺陷态之间转移概率的分析4机器学习在材料领域的研究展望与其他领域，开元如金融、开元互联网用户分析、天气预测等相比，材料科学利用机器学习算法进行预测的缺点就是材料中的数据量相对较少。当我们进行PFM图谱分析时，隧道仅仅能表征a1/a2/a1/a2与c/a/c/a之间的转变，隧道而不能发现a1/a2/a1/a2内的反转，因此将上述降噪处理的数据、凸壳曲线以及k-均值聚类的方法结合在一起进行分析，发现了a1/a2/a1/a2内的结构的转变机制。

南洞这些都是限制材料发展与变革的重大因素。图3-1机器学习流程图图3-2 数据集分类图图3-3                       图3-3 带隙能与电离势关系图图3-4 模型预测数据与计算数据的对比曲线2018年Zong[5]等人采用随机森林算法以及回归模型，展露来研究超导体的临界温度。此外，新颜作者利用高斯拟合定量化磁滞转变曲线的幅度，新颜结合机器学习确定了峰/谷c/a/c/a - a1/a2/a1/a2域边界上的铁弹性增加的特征（图3-10），而这一特征是人为无法发掘的。

近年来，济南这种利用机器学习预测新材料的方法越来越受到研究者的青睐。首先，开元构建带有属性标注的材料片段模型（PLMF）：将材料的晶体结构分解为相互关联的拓扑片段，表示结构的连通性。

图2-1 机器学习的学习过程流程图为了通俗的理解机器学习这一概念，隧道举个简单的例子：隧道当我们是小朋友的时候，对性别的概念并不是很清楚，这就属于步骤1：问题定义的过程。

首先，南洞利用主成分分析法（PCA）对铁电磁滞回线进行降噪处理，南洞降噪后的磁滞曲线由（图3-7）黑线所示，能够很好的拟合磁滞回线所有结构特征，解决了传统15参数函数拟合精度不够的问题（图3-7）红色对此，展露小米内部人士表示：未来可能会有更多型号的小米空调产品面世。

但小米并未放弃进入空调产业的想法，新颜其此次联手长虹欲再次搅动这一产业。有业内人士称：济南小米空调的部分型号，确实由长虹代工。

但其在空调业的进入，开元或会拉低整体市场价格，甚至在市场上掀起一轮价格战LG电子公司作为消费电子、隧道移动通讯和家电领域的国际厂商。