[发明专利]基于深度学习的NVM读重做模型训练方法、预测方法及装置

权利要求书

1.一种基于深度学习的NVM读重做模型的训练方法，其特征在于，包括：

获取NVM信息，所述NVM信息包括NVM芯片的特性信息和/或错误比特信息；

对所述NVM信息进行预处理，获取数据集，所述数据集包括训练集和测试集，所述数据集包括预处理后的所述NVM信息；其中，所述获取数据集包括获取与所述NVM信息对应的标注信息，所述标注信息包括用于数据集的样本数据的期望输出；

利用所述训练集对卷积神经网络模型进行训练，获取NVM读重做模型。

2.如权利要求1所述的方法，其特征在于，所述利用所述训练集对卷积神经网络模型进行训练，获取NVM读重做模型，包括：

将训练集输入卷积神经网络模型；

利用卷积核对所述训练集中的NVM信息进行卷积运算，获取第一数据；

将所述第一数据输入所述激活函数，获取非线性化的第二数据；

将所述第二数据输入归一化指数函数，获取预测值；

利用交叉熵损失函数，计算预测值与其对应的标注信息之间的误差；

根据所述误差，更新卷积神经网络模型的参数。

3.如权利要求1所述的方法，其特征在于，所述获取NVM信息包括：

对NVM芯片进行磨损处理，记录所述磨损处理过程中产生的特性信息。

4.如权利要求3所述的方法，其特征在于，所述数据集包括多份样本数据，每份样本数据包括一个物理页或物理页的部分的特性信息和/或错误比特信息，其中，错误比特信息为根据至少一个读重做参数分别读取物理页或物理页的部分的数据后得到的。

5.如权利要求1所述的方法，其特征在于，所述获取数据集，包括：

利用标注信息对样本数据进行标注；

其中，样本数据对应的标注信息为类别标签，所述类别标签指示多个读重做序列中的一个读重做序列，或者，所述类别标签指示一个读重做参数。

6.如权利要求5所述的方法，其特征在于，所述对样本数据进行标注，包括：

比较样本数据对应的多个错误比特信息，所述多个错误比特信息为所述多个读重做参数分别读取物理页或物理页的部分的数据后得到的；

获取样本数据对应的多个错误比特中信息最小的错误比特数对应的类别标签；

利用所获得的类别标签对样本数据进行标注。

7.如权利要求5或6所述的方法，其特征在于，所述对本数据进行标注，包括：

获取一个读重做序列，一个读重做序列包括多个读重做参数；

利用一个读重做序列，对样本数据对应的物理页或物理页的部分进行读重做；

记录样本数据对应的物理页或物理页的部分读出正确数据时，读出正确数据所使用的读重做参数在一个读重做序列中的位置；或，记录样本数据对应的多个读出数据的错误比特信息；

利用所获得的类别标签对每份样本数据进行标注；

其中，所获得的类别标签为所述位置或读出多个读出数据中错误比特数最小的读重做参数在一个读重做序列中的位置。

8.一种NVM芯片读重做的参数预测方法，其特征在于，包括：

获取NVM芯片的特性信息和错误比特信息；

对所述特性信息和所述错误比特信息进行预处理，使得预处理后的特性信息及错误比特信息与NVM芯片读重做模型匹配，所述NVM芯片读重做模型执行如权利要求1-7中任一项方法获取的；

将预处理后的特性信息及错误比特信息输入所述NVM芯片读重做模型，获取类别标签；

根据所述类别标签，从读重做序列中获取读重做参数。