基于深度学习的MLC型NAND闪存Polar-RNNA量化器的优化方法技术

本发明专利技术涉及一种基于深度学习的MLC型NAND闪存Polar

【技术实现步骤摘要】
基于深度学习的MLC型NAND闪存Polar
‑
RNNA量化器的优化方法


[0001]本专利技术涉及通信领域，具体涉及一种基于深度学习的MLC型NAND闪存Polar
‑
RNNA量化器的优化方法。

技术介绍

[0002]基于NAND闪存的固态驱动器与传统硬盘驱动器相比，它们具有更低的功耗，更快的写入/读取速度和更高的可靠性，在存储市场上已变得越来越流行。为了提高数据存储系统的容量，MLC(Multi
‑
Level Cell)以及TLC(Trinary
‑
Level Cell)存储技术已逐渐取代SLC(Single
‑
Level Cell)存储技术。MLC型NAND闪存工作原理如下：存储器每个存储单元存储2个比特的信息，分别对应所存储的符号11、10、00、01。要读取存储在单元中的数据，需要测量其回读电压，通过内存检测电路将其与固定读取阈值进行比较。为了区分4个电平，至少需要3个读取阈值{R1，R2，R3}。但在数据读取过程中，MLC闪存具有各种难以预测的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的MLC型NAND闪存Polar
‑
RNNA量化器的优化方法，其特征在于，包括以下步骤：步骤S1:将MLC闪存检测问题转换为深度学习问题，并基于神经网络，得到3个硬判决读取阈值；步骤S2:基于得到的3个硬判决读取阈值，扩展得到6个软判决读取阈值；步骤S3:构建LLR映射表，并基于LLR映射表，得到MLC闪存新的的对数似然比软信息；步骤S4:对称化MLC闪存信道,并进行密度进化处理；步骤S5:基于遗传算法，优化软判决读取阈值，获取最优的最优量化区间。2.根据权利要求1所述的基于深度学习的MLC型NAND闪存Polar
‑
RNNA量化器的优化方法，其特征在于，所述步骤S1具体为：设v
k
表示第k个MLC闪存存储单元的回读电压，神经网络的输入为v＝{v1，v2，...，v
L
}，L是输入层神经元的数量；输出是标签x的软估计对于MLC闪存，用标签{0，1，2，3}表示{11，10，00，01}，因此，对于第k个单元x
k
∈{0，1，2，3}，得到的神经网络输出后可通过取最接近的整数来获得硬估计然后使用映射{0，1，2，3}
→
{11，10，00，01}来获得对应的存储单元符号；对于给定的一组存储单元的回读电压设一组读取阈值{R1，R2，R3}，可以获得存储单元符号硬估计，记为同时，将输入RNN检测器，按照就近原则得到存储符号的硬估计设搜索中有长度为L的N个RNN输出序列，第i个RNN输出序列记为得到同理，因此，最佳阈值的计算公式为：将搜索空间均匀地量化为m个间隔边界为{B0，B1，...，B
m
}，其中使用穷举搜索方法从{B1，B2，...，B
m
‑1}查找到最优的使两输出汉明距离最小。3....

【专利技术属性】
技术研发人员：陈平平，罗旭，李润泽，
申请(专利权)人：福州大学，
类型：发明
国别省市：