[发明专利]一种基于支持向量回归法的NAND Flash位错误率预测方法

权利要求书

1.一种基于支持向量回归法的NAND Flash位错误率预测方法，其特征在于，包括：利用支持向量回归法根据P/E周期数和驻留时间预测芯片的位错误率，具体步骤如下：

步骤1：建立芯片位错误率模型，选取与待预测芯片相同型号的测试芯片进行磨损试验，设定所述P/E周期数和所述驻留时间，获得位错误率数据，建立所述位错误率与所述P/E周期数和所述驻留时间之间的三维模型；

步骤11：选取与所述待预测芯片相同型号的所述测试芯片，在所述测试芯片内选取m个物理块进行不同程度的人为磨损，每个所述物理块对应一个所述P/E周期数，则选取不同的所述P/E周期数共m次，并连续采集每个所述物理块不同所述驻留时间n天的位错误率数据；

步骤12：将所述P/E周期数m、所述驻留时间n和所述位错误率数据整理成N*2矩阵格式的输入表格和N*1矩阵格式的输出表格，其中N＝n*m，所述输入表格和所述输出表格的每一行内容相互对应；

步骤13：设定所述待预测芯片的所述物理块的所述驻留时间和所述P/E周期数的最大值，设定建模所需的所述测试芯片采集数据的范围，获得设定范围内所述P/E周期数和所述驻留时间的最小值，以及所述设定范围内的所述位错误率数据的最大值和最小值，采用数据归一化公式X＝2*(x-x_min)/(x_max-x_min)-1，对所述驻留时间、所述P/E周期数和所述位错误率数据分别进行归一化处理，所有数据都处于[-1,1]区间内，x_min为所述最小值，x_max为所述最大值，最终生成归一化后的输入表格和输出表格；

步骤14：利用遗传算法进行支持向量参数寻优，得到最优参数；

利用遗传算法进行参数寻优的具体计算过程为：

步骤1421：参数初始化，定义种群中个体数数量为I，最大遗传代数为Q，K折交叉验证，交叉概率为Pc，变异概率为Pm＝0.7/L和终止进化条件，并随机生成I个个体作为初始种群X(0)，设置进化代数计数器t＝0；

步骤1422：染色体编码及初始种群的产生，定义染色体长度为L，设定径向基核函数的尺度参数和SVR惩罚因子C的范围，然后根据设定的惩罚因子C的范围和染色体长度L进行离散化及二进制编码，随机产生I个编码的初始种群；

步骤1423：用SVR算法计算个体适应度值，建立适应度函数，从而得到不同染色体的适应度值；

具体计算过程为：首先，将已知数据分为K份，用K-1份作为训练集，剩余一份作为测试集，进行SVR运算，重复K次该过程，令每一份样本均充当一次测试集；然后，用K次测试产生的均方误差MSE的平均值作为K折交叉验证的平均绝对误差MAE，记为MSEcv，公式定义如下：

式(1)中n表示训练集中样本的数目，为样本数据的预测值，y_i为实际值，若适应度函数值越小，则个体效果越优，适应度越高，被选择的遗传到下一代的概率就越大；

步骤1424：进行选择、交叉和变异，首先应用选择算子，采用随机遍历法从进化种群X(t-1)中选择出一部分个体，共S个，构建集合为X(t)；其次，对所选择的S个优势个体，依照交叉概率Pc进行两两单点交叉操作；最后，将经过交叉的S个个体，依照变异概率Pm对S个个体对应的编码进行变异操作，形成S个候选个体，使用步骤1423中的适应度函数计算S个候选个体的适应度；

步骤1425：产生子代，从经过适应度计算所形成的S个候选个体和步骤1421中的I个父代个体中，根据适应度排序选择出适应度较高的I个个体组成新一代种群X(t+1)，同时令t＝t+1；

步骤1426：判断是否满足终止进化条件，若种群中最优个体所对应的适应度函数值足够大或者算法已连续运行多代，且个体的最佳适应度值无明显改进，或者达到设定最大进化代数则结束，否则进入步骤1424继续进行；

步骤1427：解码，如种群X(t+1)已满足终止进化条件，则对该种群X(t+1)中适应度最高的个体进行解码，即找到对应的SVR参数，此为最优参数；

步骤15：根据所述最优参数并采用支持向量回归法对所述位错误率数据进行模型训练，并保存所得所述三维模型；

步骤2：进行待预测芯片位错误率的预测，选取所述待预测芯片内要预测的物理块，读取所述物理块的所述P/E周期数和所述驻留时间，代入所述三维模型评估出所述位错误率。

2.根据权利要求1所述的一种基于支持向量回归法的NAND Flash位错误率预测方法，其特征在于，所述待预测芯片位错误率预测的具体计算过程如下：

步骤21：从所述待预测芯片中选择需要预测的M个所述物理块，读取出被选中的所述物理块的数据，所述数据包括所述物理块所经历的所述P/E周期数和所述驻留时间；

步骤22：将读取出的所述数据整理成M*2矩阵格式，并采用与步骤13中相同的归一化因子，对所述数据做归一化处理，得到归一化数据，所述归一化因子包括所述x_min、所述x_max和x_max-x_min；

步骤23：调用训练好的所述三维模型，将所述归一化数据输入所述三维模型，得到模型输出结果；

步骤24：对所述模型输出结果进行反归一化处理，得到预测结果并将所述预测结果输出。