Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Comparison of Advanced Machine Learning Tools for Disruption Prediction and Disruption Studies

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61389021%3A_____%2F13%3A00421353" target="_blank" >RIV/61389021:_____/13:00421353 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://dx.doi.org/10.1109/TPS.2013.2264880" target="_blank" >http://dx.doi.org/10.1109/TPS.2013.2264880</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1109/TPS.2013.2264880" target="_blank" >10.1109/TPS.2013.2264880</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Comparison of Advanced Machine Learning Tools for Disruption Prediction and Disruption Studies

  • Popis výsledku v původním jazyce

    Machine learning tools have been used since a long time ago to study disruptions and to predict their occurrence. On the other hand, the challenges posed by the quality and quantities of the data available remain substantial. In this paper, methods to optimize the training data set and the potential of kernels-based advanced machine learning tools are explored and assessed. Various alternatives, ranging from appropriate selection of the weights to the inclusion of artificial points, are investigated toimprove the quality of the training data set. Support vector machines (SVM), relevance vector machines (RVMs), and one-class SVM are compared. The relative performances of the different approaches are initially assessed using synthetic data. Then they are applied to a relatively large database of JET disruptions. It is shown that in terms of final results, the optimization of the training databases proved to be very productive.

  • Název v anglickém jazyce

    Comparison of Advanced Machine Learning Tools for Disruption Prediction and Disruption Studies

  • Popis výsledku anglicky

    Machine learning tools have been used since a long time ago to study disruptions and to predict their occurrence. On the other hand, the challenges posed by the quality and quantities of the data available remain substantial. In this paper, methods to optimize the training data set and the potential of kernels-based advanced machine learning tools are explored and assessed. Various alternatives, ranging from appropriate selection of the weights to the inclusion of artificial points, are investigated toimprove the quality of the training data set. Support vector machines (SVM), relevance vector machines (RVMs), and one-class SVM are compared. The relative performances of the different approaches are initially assessed using synthetic data. Then they are applied to a relatively large database of JET disruptions. It is shown that in terms of final results, the optimization of the training databases proved to be very productive.

Klasifikace

  • Druh

    J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

  • CEP obor

    BL - Fyzika plasmatu a výboje v plynech

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/GAP205%2F10%2F2055" target="_blank" >GAP205/10/2055: Numerická analýza a fyzikální interpretace ITER-relevantních experimentálních dat ze Společného evropského toru JET</a><br>

  • Návaznosti

    I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2013

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    IEEE Transactions on Plasma Science

  • ISSN

    0093-3813

  • e-ISSN

  • Svazek periodika

    41

  • Číslo periodika v rámci svazku

    7

  • Stát vydavatele periodika

    US - Spojené státy americké

  • Počet stran výsledku

    9

  • Strana od-do

    1751-1759

  • Kód UT WoS článku

    000321625400009

  • EID výsledku v databázi Scopus