In this paper, different pattern recognition techniques have been tested in order to implement an automatic tool for disruption classification in a tokamak experiment. The methods considered refer to clustering and classification techniques. In particular, the investigated clustering techniques are self-organizing maps and K-means, while the classification techniques are multi-layer perceptrons, support vector machines, and k- nearest neighbours. Training and testing data have been collected selecting suitable diagnostic signals recorded over 4 years of EFDA-JET experiments. Multi-layer perceptron classifiers exhibited the best performance in classifying mode lock, density limit/high radiated power, H-mode/L-mode transition and internal transport barrier plasma disruptions. This classification performance can be increased using multiple classifiers. In particular the outputs of five multi-layer perceptron classifiers have been combined using multiple classifier techniques in order to obtain a more robust and reliable classification tool, that is presently implemented at JET.
本論文では，トカマク実験におけるディスラプション分類のための自動ツールを実装するために，異なるパターン認識手法を試験した。検討した手法は，クラスタリング手法と分類手法に関するものである。特に，調査したクラスタリング手法は自己組織化マップとK-meansであり，分類手法は多層パーセプトロン，サポートベクターマシン，k近傍法である。学習データとテストデータは，EFDA-JET実験の4年間にわたって記録された適切な診断信号を選択して収集した。多層パーセプトロン分類器は，モードロック，密度限界/高放射パワー，Hモード/Lモード遷移，内部輸送障壁プラズマのディスラプションの分類において最良の性能を示した。この分類性能は，複数の分類器を用いることで向上させることができる。特に，5つの多層パーセプトロン分類器の出力を，複数分類器手法を用いて組み合わせることにより，より頑健で信頼性の高い分類ツールを得ることができ，これは現在JETで実装されている。