In this paper, the problem of visualization and exploration of JET high-dimensional operational space is considered. The data come from plasma discharges selected from JET campaigns from C15 (year 2005) up to C27 (year 2009). The aim is to learn the possible manifold structure embedded in the data and to create some representations of the plasma parameters on low-dimensional maps, which are understandable and which preserve the essential properties owned by the original data.A crucial issue for the design of such mappings is the quality of the dataset. This paper reports the details of the criteria used to properly select suitable signals downloaded from JET databases in order to obtain a dataset of reliable observations. Moreover, a statistical analysis is performed to recognize the presence of outliers. Finally data reduction, based on clustering methods, is performed to select a limited and representative number of samples for the operational space mapping.The high-dimensional operational space of JET is mapped using a widely used manifold learning method, the self-organizing maps. The results are compared with other data visualization methods. The obtained maps can be used to identify characteristic regions of the plasma scenario, allowing to discriminate between regions with high risk of disruption and those with low risk of disruption.
本論文では、JETの高次元運転空間の可視化と探索の問題を考察する。データは、JETのC15キャンペーン（2005年）からC27キャンペーン（2009年）までに取得されたプラズマ放電から得られる。目的は、データに内在する可能な多様体構造を学習し、プラズマパラメータの低次元マップ上での表現を生成することであり、これにより理解可能性を確保しつつ、元のデータが有する本質的な特性を保持することを目指す。このようなマッピングの設計における重要な課題は、データセットの品質である。本論文では、JETデータベースから取得した適切な信号を選択し、信頼性の高い観測データセットを構築するために用いた基準の詳細を報告する。さらに、外れ値を識別するための統計解析を実施する。最後に、クラスタリング手法に基づくデータ削減を行い、運転空間のマッピングに適した代表的なサンプルを選定する。JETの高次元運転空間は、広く用いられている多様体学習手法である自己組織化マップを用いてマッピングされる。得られた結果は、他のデータ可視化手法との比較を通じて評価される。得られたマップは、プラズマシナリオの特徴的な領域を識別するために利用でき、破壊リスクの高い領域と低い領域を判別することを可能にする。