Data mining on the COMPASS tokamak experiments

V této bakalářské práci se zabýváme metodami strojového učení, které využíváme ke klasifikaci stavů plazmatu v tokamaku COMPASS. Nejdříve jsme vysvětlili signál H, pojem plazma a popsali stavy, ve kterých se může vyskytovat. V teoretické části jsme představili skrytý Markovův model a shlukovací algoritmus K-means. V další kapitole jsou prezentovány příznaky k oběma metodám a navrženy experimenty. První experiment využívá k trénování a testování syntetická data, zatímco při druhém experimentu jsou použita skutečná data z tokamaku. V poslední kapitole jsou oba experimenty vyhodnoceny pomocí zadefinovaných metrik. Výsledkem práce je nalezení nejlepší metody pro klasifikaci stavů plazmatu.This thesis deals with the methods of machine learning which will be applied to the classification of plasma confinement regimes in the COMPASS tokamak. Firstly, the term plasma and H radiation is introduced. Then we described states in which plasma can occur. Then is introduce hidden Markov model and K-means clustering in the theoretical part. In the next chapter, we presented features to be analyzed by both methods and proposed some experiments. First experiment uses synthetic data for training and testing, but in the second experiment is applied to real data from the tokamak. In the final chapter the results of experiments are evaluated by defined metrics. The end result of this work is the best method for classifying plasma confinement regimes