{"id":{"repo_id":"sevilla","oai_identifier":"oai:idus.us.es:11441/100097"},"canonical_url":"https://search.dev.ndltd.org/etd/sevilla/oai:idus.us.es:11441/100097","repository":{"repo_id":"sevilla","name":"Universidad de Sevilla","base_url":"https://idus.us.es/server/oai/request"},"display":{"title":"Learning-based model predictive control for constrained nonlinear systems","abstract":"Esta tesis está dedicada al control de sistemas, bajo la hipótesis de que no se conoce nada sobre la dinámica del sistema a controlar. En vez de eso, solamente las entradas y salidas son accesibles, y por tanto se puede tener acceso a un histórico de datos. El objetivo principal es el control de la planta en condiciones eficientes y seguras usando únicamente dichas medidas. Con este fin, se usará un conjunto de métodos de aprendizaje automático conocido como link inferencia, para modelar sistemas no lineales desconocidos, usando controladores predictivos basados en modelo. Por ello, esta tesis presenta contribuciones en dos campos distintos. En primer lugar, se extenderán las técnicas de link inferencia, proponiendo métodos con dos objetivos: reducir tanto el tiempo de cálculo de los algoritmos como el error de predicción cometido por ellos. En segundo lugar, se desarrollarán controladores predictivos robustos y con la habilidad de aprender basándose en datos. Estos controladores serán estables por diseño, capaces de satisfacer restricciones robustamente y de mejorar su actuación beneficiándose de nuevas medidas recogidas en línea.","abstract_html":"Esta tesis está dedicada al control de sistemas, bajo la hipótesis de que no se conoce nada sobre la dinámica del sistema a controlar. En vez de eso, solamente las entradas y salidas son accesibles, y por tanto se puede tener acceso a un histórico de datos. El objetivo principal es el control de la planta en condiciones eficientes y seguras usando únicamente dichas medidas. Con este fin, se usará un conjunto de métodos de aprendizaje automático conocido como link inferencia, para modelar sistemas no lineales desconocidos, usando controladores predictivos basados en modelo. Por ello, esta tesis presenta contribuciones en dos campos distintos. En primer lugar, se extenderán las técnicas de link inferencia, proponiendo métodos con dos objetivos: reducir tanto el tiempo de cálculo de los algoritmos como el error de predicción cometido por ellos. En segundo lugar, se desarrollarán controladores predictivos robustos y con la habilidad de aprender basándose en datos. Estos controladores serán estables por diseño, capaces de satisfacer restricciones robustamente y de mejorar su actuación beneficiándose de nuevas medidas recogidas en línea.","abstract_has_math":false,"creators":["Manzano Crespo, José María"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Limón Marruedo, Daniel","Muñoz de la Peña Sequedo, David"],"committee_chairs":[],"committee_members":[],"year":2020,"date_issued":"2020-07-22","date_published":"2020-07-22","updated_at":"2026-07-24T04:29:51Z","subjects":[],"languages":["eng"],"rights":["Attribution-NonCommercial-NoDerivatives 4.0 Internacional"],"rights_urls":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"identifier_entries":[]},"links":{"outbound_url":"https://hdl.handle.net/11441/100097","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Limón Marruedo, Daniel","Muñoz de la Peña Sequedo, David"]},{"key":"dc:creator","label":"Author","values":["Manzano Crespo, José María"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2020-08-04T10:35:14Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2020-08-04T10:35:14Z"]},{"key":"dc:date.issued","label":"Date","values":["2020-07-22"]},{"key":"dc:type","label":"Dc Type","values":["doctoral thesis"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["eng"]},{"key":"dc:rights","label":"Dc Rights","values":["Attribution-NonCommercial-NoDerivatives 4.0 Internacional"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://creativecommons.org/licenses/by-nc-nd/4.0/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://hdl.handle.net/11441/100097"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Esta tesis está dedicada al control de sistemas, bajo la hipótesis de que no se conoce nada sobre la dinámica del sistema a controlar. En vez de eso, solamente las entradas y salidas son accesibles, y por tanto se puede tener acceso a un histórico de datos. El objetivo principal es el control de la planta en condiciones eficientes y seguras usando únicamente dichas medidas. Con este fin, se usará un conjunto de métodos de aprendizaje automático conocido como link inferencia, para modelar sistemas no lineales desconocidos, usando controladores predictivos basados en modelo. Por ello, esta tesis presenta contribuciones en dos campos distintos. En primer lugar, se extenderán las técnicas de link inferencia, proponiendo métodos con dos objetivos: reducir tanto el tiempo de cálculo de los algoritmos como el error de predicción cometido por ellos. En segundo lugar, se desarrollarán controladores predictivos robustos y con la habilidad de aprender basándose en datos. Estos controladores serán estables por diseño, capaces de satisfacer restricciones robustamente y de mejorar su actuación beneficiándose de nuevas medidas recogidas en línea."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Learning-based model predictive control for constrained nonlinear systems"]}]}],"canonical_facts":{"dc:contributor.advisor":["Limón Marruedo, Daniel","Muñoz de la Peña Sequedo, David"],"dc:creator":["Manzano Crespo, José María"],"dc:date.accessioned":["2020-08-04T10:35:14Z"],"dc:date.available":["2020-08-04T10:35:14Z"],"dc:date.issued":["2020-07-22"],"dc:description.abstract":["Esta tesis está dedicada al control de sistemas, bajo la hipótesis de que no se conoce nada sobre la dinámica del sistema a controlar. En vez de eso, solamente las entradas y salidas son accesibles, y por tanto se puede tener acceso a un histórico de datos. El objetivo principal es el control de la planta en condiciones eficientes y seguras usando únicamente dichas medidas. Con este fin, se usará un conjunto de métodos de aprendizaje automático conocido como link inferencia, para modelar sistemas no lineales desconocidos, usando controladores predictivos basados en modelo. Por ello, esta tesis presenta contribuciones en dos campos distintos. En primer lugar, se extenderán las técnicas de link inferencia, proponiendo métodos con dos objetivos: reducir tanto el tiempo de cálculo de los algoritmos como el error de predicción cometido por ellos. En segundo lugar, se desarrollarán controladores predictivos robustos y con la habilidad de aprender basándose en datos. Estos controladores serán estables por diseño, capaces de satisfacer restricciones robustamente y de mejorar su actuación beneficiándose de nuevas medidas recogidas en línea."],"dc:format":["application/pdf"],"dc:identifier.uri":["https://hdl.handle.net/11441/100097"],"dc:language.iso":["eng"],"dc:rights":["Attribution-NonCommercial-NoDerivatives 4.0 Internacional"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"dc:title":["Learning-based model predictive control for constrained nonlinear systems"],"dc:type":["doctoral thesis"]},"updated_at":"2026-07-24T04:29:51Z"}