一种基于卷积神经网络的NAND闪存信号检测方法及系统技术方案

本发明专利技术公开了一种基于卷积神经网络的NAND闪存信号检测方法及系统，方法包括：S1：设置MLCNAND闪存信道的参数和产生阈值电压序列；S2：构建并训练卷积神经网络模型；S3：将阈值电压序列输入训练后的卷积神经网络模型，输出每个阈值电压区域的平均后验概率；S4：利用阈值电压区域的平均后验概率计算阈值电压区域的对数似然比。本发明专利技术通过构建卷积神经网络输出每个阈值电压区域的平均后验概率，从而得到阈值电压区域的对数似然比，避免了再次通过卷积神经网络得到每个比特位对应的对数似然比，从而降低了闪讯的延迟和损耗，提高了对数似然比的精度。似然比的精度。似然比的精度。

【技术实现步骤摘要】
一种基于卷积神经网络的NAND闪存信号检测方法及系统


[0001]本专利技术涉及NAND闪存的信号检测
，更具体地，涉及一种基于卷积神经网络的NAND闪存信号检测方法及系统。

技术介绍

[0002]在如今信息爆炸的时代，海量的信息需要存储起来。闪存是主流的数据存储介质之一，其具有存储密度高、读写速度快和低功耗等特点，这些优越性让它逐渐地替代其他半导体存储器，广泛地应用在电子消费产品、云服务存储和大型企业数据应用等领域中。按种类来分，使用最为广泛的是NAND(与非)闪存和NOR(或非)闪存。这两种闪存在密度、性能和工作特性等方面都有所不同。NOR闪存的存储密度较NAND闪存的要小，但NOR闪存的擦除时间是NAND闪存的350倍。与NOR闪存相比，NAND闪存有更高的存储密度和更快的写入速度，因此常应用于数据存储器中。近年来智能设备的快速增长，对数据存储的需求也随之快速增长，因此NAND闪存的应用变得更加广泛。
[0003]MLC NAND闪存作为NAND闪存的一种，在读取MLC NAND闪存中的存储的信息必须借助阈值电压感知才能得到，感知方法是通过设定参考电压将每个MLC状态的阈值电压区间进行划分，将参考电压从小到大加载到被感知单元的控制栅，根据控制栅的到同行来判断被感知单元的阈值电压是否落在当前参考电压的区间内，标记为(r
l
,r
l+1
)，l表示参考电压的个数，因此感知到的MLC阈值电压v不是精确值而是估计值，即r
l
＜v＜r
l+1/>，MLC闪存单元存储的信息通过感知其阈值电压v之后，就可以计算该闪存单元内高位比特和低位比特对应的对数似然比(log likelihood ratio,LLR)值，表达式如下：
[0004][0005][0006]现有的基于卷积神经网络(convolutional Neural Network,CNN)的信号检测方案，其神经网络输出的是每个比特位对应的对数似然比(log likelihood ratio,LLR),并不适用于MLC闪存信道，具体原因如下：
[0007]1、MLC NAND闪存中通常是计算每个阈值电压区域的LLR,然后处在每个阈值电压区域的所有阈值电压序列共用同一个LLR。但是现有的基于CNN的信号检测方案，其神经网络输出的是每个比特位对应的LLR，每次输出所有码字对应的LLR都需要经过CNN网络模型，造成MLC闪存的延迟和损耗，因此该技术并不适用于MLC闪存信道。
[0008]2、现有的基于卷积神经网络的输出直接计算出来的LLR不准确,直接将此LLR输入译码器，闪存的译码性能非常差，因此基于卷积神经网络的输出计算出来的LLR不适合用于MLC闪存的译码。
[0009]公开号为：CN112929033A中国专利技术专利，于2021年6月8日公开了一种基于深度学习的MLC型NAND闪存Polar
‑
RNNA量化器的优化方法，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。该方案针对的是MLC型NAND闪存Polar
‑
RNNA量化器，通过对其优化提升MLC闪存可靠性，没有解决闪存信号检测存在的问题。

技术实现思路

[0010]本专利技术为克服上述现有技术中信号检测方案神经网络输出的是闪存单元每个比特位对应的对数似然比，易造成闪存的延迟和损耗，同时对数似然比的精度不高的缺陷，提供一种基于卷积神经网络的NAND闪存信号检测方法及系统。
[0011]本专利技术的首要目的是为解决上述技术问题，本专利技术的技术方案如下：
[0012]本专利技术第一方面提供了一种基于卷积神经网络的NAND闪存信号检测方法，包括以下步骤：
[0013]S1：设置MLC NAND闪存信道的参数和产生阈值电压序列；
[0014]S2：构建并训练卷积神经网络模型；
[0015]S3：将阈值电压序列输入训练后的卷积神经网络模型，输出每个阈值电压区域的平均后验概率；
[0016]S4：利用阈值电压区域的平均后验概率计算阈值电压区域的对数似然比。
[0017]进一步地，MLC NAND闪存信道的参数包括：
[0018]设擦除状态下阈值电压分布的参数μ
e
和σ
e
，增量编程步进电压ΔV
pp
，判定电压，随机电报噪声数、数据保持噪声参数。
[0019]进一步地，阈值电压序列表示为：v＝{v1,v2,...,v
K
}，k∈{1,2,...,K}，NAND闪存信道中闪存单元的阈值电压区域进行均匀量化，译码后得到的码字作为与阈值电压相应的状态标签其中所述状态标签作为阈值电压序列的标签与阈值电压序列一起用于训练卷积神经网络模型。
[0020]进一步地，所述卷积神经网络模型为一维全卷积神经网络模型，包括有：一个输入层、两个隐藏层、一个全连接输出层，其中，所述隐藏层的激活函数为relu函数，所述全连接输出层的激活函数为softmax函数。
[0021]进一步地，所述隐藏层的长度与输入层的长度相同。
[0022]进一步地，全连接输出层的输出为每个每个阈值电压对应四个阈值电压状态区域的后验概率分别记为：
[0023]P
NN
(s|v
k
)＝{P
NN
(s1|v
k
),P
NN
(s2|v
k
),P
NN
(s3|v
k
),P
NN
(s4|v
k
)}，
[0024]其中s
i
＝{s1,s2,s3,s4},(i＝1,2,3,4)表示闪存的四个阈值电压状态区间。
[0025]进一步地，步骤S3D具体过程为：
[0026]给定N个参考电压点，划分出N+1个阈值电压区域记为V
n
，n∈{1,2,...,N+1}；
[0027]将阈值电压区域V
n
均匀量化为M
‑
1个区间，将M
‑
1个区间的边界值记为
[0028]将边界值输入至训练好的卷积神经网络模型得到M个后验概率向量；
[0029]将M个后验概率向量求平均得到阈值电压区域V
n
的平均后验概率。
[0030]进一步地，将M个后验概率向量求平均得到阈值电压区域V
n
的平均后验概率，计算公式为：P
NN
(s
i...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的NAND闪存信号检测方法，其特征在于，包括以下步骤：S1：设置MLC NAND闪存信道的参数和产生阈值电压序列；S2：构建并训练卷积神经网络模型；S3：将阈值电压序列输入训练后的卷积神经网络模型，输出每个阈值电压区域的平均后验概率；S4：利用阈值电压区域的平均后验概率计算阈值电压区域的对数似然比。2.根据权利要求1所述的一种基于卷积神经网络的NAND闪存信号检测方法，其特征在于，MLC NAND闪存信道的参数包括：设擦除状态下阈值电压分布的参数μ
e
和σ
e
，增量编程步进电压ΔV
pp
，判定电压，随机电报噪声数、数据保持噪声参数。3.根据权利要求1所述的一种基于卷积神经网络的NAND闪存信号检测方法，其特征在于，阈值电压序列表示为：v＝{v1,v2,...,v
K
}，k∈{1,2,...,K}，NAND闪存信道中闪存单元的阈值电压区域进行均匀量化，译码后得到的码字作为与阈值电压相应的状态标签其中所述状态标签作为阈值电压序列的标签与阈值电压序列一起用于训练卷积神经网络模型。4.根据权利要求1所述的一种基于卷积神经网络的NAND闪存信号检测方法，其特征在于，所述卷积神经网络模型为一维全卷积神经网络模型，包括有：一个输入层、两个隐藏层、一个全连接输出层，其中，所述隐藏层的激活函数为relu函数，所述全连接输出层的激活函数为softmax函数。5.根据权利要求4所述的一种基于卷积神经网络的NAND闪存信号检测方法，其特征在于，所述隐藏层的长度与输入层的长度相同。6.根据权利要求4所述的一种基于卷积神经网络的NAND闪存信号检测方法，其特征在于，全连接输出层的输出为每个每个阈值电压对应四个阈值电压状态区域的后验概率分别记为：P
NN
(s|v
k
)＝{P
NN
(s1|v
k
),P
NN
(s2|v
k
),P
NN
(s3|v
k
),P
NN
(s4|v
k
)}，其中s
i
＝{s1,s...

【专利技术属性】
技术研发人员：方毅，史志芳，布颖程，韩国军，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：