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
—