电子装置制造方法及图纸

本公开提供一种使用人工神经网络的电子装置。该电子装置可以包括：训练数据生成器，被配置为确定与在对应于码字的错误校正解码期间检测到的陷阱集相对应的输入向量以及与该输入向量相对应的目标向量；以及训练组件，被配置为通过将输入向量输入到人工神经网络的输入层，并且通过将目标向量输入到人工神经网络的输出层，基于监督学习来训练人工神经网络。络。络。

【技术实现步骤摘要】
电子装置
[0001]相关申请的交叉引用
[0002]本专利文件要求于2020年4月3日提交的申请号为10
‑
2020
‑
0040627的韩国专利申请的优先权和权益，该韩国专利申请通过引用整体并入本文。


[0003]所公开技术的各个实施例涉及一种电子装置，例如，涉及一种使用人工神经网络的电子装置。

技术介绍

[0004]电子装置可以包括临时地或永久地存储数据的存储介质。在诸如写入操作、读取操作、传输操作或处理操作的各种操作期间，可能会发生数据错误或数据损坏。
[0005]为了保证数据的可靠性，电子装置可以使用错误校正技术，诸如错误校正编码和错误校正解码。

技术实现思路

[0006]所公开技术的各个实施例涉及一种训练用于减轻错误平层现象的人工神经网络的电子装置。
[0007]所公开技术的各个实施例针对一种使用经训练的人工神经网络来减轻错误平层现象的电子装置。
[0008]所公开技术的实施例可以提供一种电子装置。该电子装置可以包括：训练数据生成器，被配置为基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电子装置，包括：训练数据生成器，基于在对应于码字的错误校正解码期间检测到的陷阱集的信息来生成输入向量，并且生成与所述输入向量相对应的目标向量；以及训练组件，从所述训练数据生成器接收所述输入向量和所述目标向量，并且可操作以通过将所述输入向量输入到人工神经网络的输入层并通过将所述目标向量输入到所述人工神经网络的输出层，基于监督学习来训练所述人工神经网络。2.根据权利要求1所述的电子装置，其中所述训练数据生成器将对应于所述陷阱集的硬判决向量确定为所述输入向量，并且将所述码字确定为所述目标向量。3.根据权利要求1所述的电子装置，其中所述训练数据生成器将包括对应于特定阶数的二进制值的部分硬判决向量确定为所述输入向量，并且将所述码字中的与所述部分硬判决向量相对应的部分码字确定为所述目标向量，其中与特定阶数相对应的二进制值是与所述陷阱集相对应的硬判决向量中包括的一些二进制值。4.根据权利要求1所述的电子装置，其中所述训练数据生成器将对应于所述陷阱集的后验概率向量确定为所述输入向量，并且将校正后的后验概率向量确定为所述目标向量，所述校正后的后验概率向量通过校正对应于所述陷阱集的后验概率向量中包括的对数似然比值即LLR值的符号而生成，以匹配所述码字。5.根据权利要求4所述的电子装置，其中所述训练数据生成器通过进一步校正与所述陷阱集相对应的后验概率向量中包括的LLR值的大小，来生成所述校正后的后验概率向量。6.根据权利要求1所述的电子装置，其中所述训练数据生成器：将包括与特定阶数相对应的LLR值的部分后验概率向量确定为所述输入向量，所述LLR值在对应于所述陷阱集的后验概率向量中包括的LLR值之中；通过校正所述部分后验概率向量中包括的LLR值的符号来生成校正后的部分后验概率向量，以匹配所述码字中的与特定阶数相对应的部分码字，并且将所述校正后的部分后验概率向量确定为所述目标向量。7.根据权利要求1所述的电子装置，其中所述训练数据生成器将对应于所述陷阱集的错误向量确定为所述输入向量，并且将具有与所述错误向量相对应的长度的零向量确定为所述目标向量。8.根据权利要求1所述的电子装置，其中所述训练数据生成器将包括与特定阶数相对应的二进制值的部分错误向量确定为所述输入向量，并且将具有与所述部分错误向量相对应的长度的零向量确定为所述目标向量，其中与所述特定阶数相对应的二进制值是与所述陷阱集相对应的错误向量中包括的一些二进制值。9.根据权利要求8所述的电子装置，其中所述特定阶数对应于小于或等于预设阶数的阶数，所述特定阶数在不规则奇偶校验矩阵中包括的列的列阶数之中。10.根据权利要求1所述的电子装置，其中所述训练数据生成器：将对应于所述陷阱集的错误向量划分为多个区间，通过将分别包括在所述多个区间中的向量循环移位相同的移位量来生成部分循环移位的错误向量，将所述部分循环移位的错误向量确定为所述输入向量，并且将具有与所述部分循环移位的错误向量相对应的长度的零向量确定为所述目标向量。

【专利技术属性】
技术研发人员：金壮燮，
申请(专利权)人：爱思开海力士有限公司，
类型：发明
国别省市：