一种基于卷积神经网络的NAND闪存信号检测方法及系统

摘要

本发明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。

权利要求

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；

步骤S3具体过程为：

给定N个参考电压点，划分出N+1个阈值电压区域记为Vn，n∈{1,2,...,N+1}；

将阈值电压区域Vn均匀量化为M‑1个区间，将M‑1个区间的边界值记为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；

将M个后验概率向量求平均得到阈值电压区域Vn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μe和σe，增量编程步进电压ΔVpp，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,...,vk}，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阈值电压对应四个阈值电压区域的后验概率分别记为：PNN(s|vk)＝{PNN(s1|vk),PNN(s2|vk),PNN(s3|vk),PNN(s4|vk)}，其中si＝{s1,s2,s3,s4},(i＝1,2,3,4)表示闪存的四个阈值电压区域。

7.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，将M个后验概率向量求平均得到阈值电压区域Vn的平均后验概率，计算公式为：PNN(si|qm)表示第m个后验概率向量,PNN(si|Vn)表示阈值电压区域Vn的后验概率，其中，i∈{1,2,3,4},n∈{1,2,...,N+1}。

8.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，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，计算公式为：其中， 表示阈值电压区域Vn中高位比特对应的对数似然比， 表示阈值电压区域Vn中低位比特对应的对数似然比。

9.一种基于卷积神经网络的NAND闪存信号检测系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于卷积神经网络的NAND闪存信号检测方法程序，所述基于卷积神经网络的NAND闪存信号检测方法程序被所述处理器执行时实现如下步骤：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：利用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；

步骤S3具体过程为：

给定N个参考电压点，划分出N+1个阈值电压区域记为Vn，n∈{1,2,...,N+1}；

将阈值电压区域Vn均匀量化为M‑1个区间，将M‑1个区间的边界值记为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；

将M个后验概率向量求平均得到阈值电压区域Vn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。

说明书

一种基于卷积神经网络的NAND闪存信号检测方法及系统

技术领域

[0001] 本发明涉及NAND闪存的信号检测技术领域，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。

背景技术

[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(rl,rl+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rl＜v＜rl+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中国发明专利，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。

发明内容

[0010] 本发明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] 本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：

[0012] 本发明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μe和σe，增量编程步进电压ΔVpp，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,...,vk}，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阈值电压对应四个阈值电压区域的后验概率分别记为：

[0023] PNN(s|vk)＝{PNN(s1|vk),PNN(s2|vk),PNN(s3|vk),PNN(s4|vk)}，[0024] 其中si＝{s1,s2,s3,s4},(i＝1,2,3,4)表示闪存的四个阈值电压区域。

[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Vn，n∈{1,2,...,N+1}；

[0027] 将阈值电压区域Vn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Vn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Vn的平均后验概率，计算公式为： PNN(si|qm)表示第m个后验概率向量,PNN(si|Vn)表示阈值电压区域Vn的后验概率，其中，i∈{1,2,3,4},n∈{1,2,...,N+1}。

[0031] 进一步地，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，计算公式为：

[0032]

[0033]

[0034] 其中， 表示阈值电压区域Vn中高位比特对应的对数似然比， 表示阈值电压区域Vn中低位比特对应的对数似然比。

[0035] 本发明第二方面提供了一种基于卷积神经网络的NAND闪存信号检测系统，该系统包括：存储器、处理器，所述存储器中包括基于卷积神经网络的NAND闪存信号检测方法程序，所述基于卷积神经网络的NAND闪存信号检测方法程序被所述处理器执行时实现如下步骤：

[0036] S1：设置MLC NAND闪存信道的参数和产生阈值电压序列；

[0037] S2：构建并训练卷积神经网络模型；

[0038] 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；

[0039] 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。

[0040] 与现有技术相比，本发明技术方案的有益效果是：

[0041] 本发明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。

附图说明

[0042] 图1为本发明一种基于卷积神经网络的NAND闪存信号检测方法流程图。

[0043] 图2为本发明一种基于卷积神经网络的NAND闪存信号检测系统框图。

[0044] 图3为本发明其中一个实施例检测方法流程图。

[0045] 图4为本发明的检测方法与传统最优检测方法在不同的编程和擦除次数下的误码率性能比较图。

[0046] 图5为本发明检测方法与传统最优检测方法在不同的数据保留时间下的误码率性能比较图。

具体实施方式

[0047] 为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

[0048] 在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

[0049] 实施例1

[0050] 如图1所示，本发明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：

[0051] S1：设置MLC NAND闪存信道的参数和产生阈值电压序列；

[0052] 需要说明的是，本发明适用于全位线结构的闪存系统，在一个具体的实施例中，设擦除状态下阈值电压分布的参数μe和σe分别为1.4和0.35，增量编程步进电压ΔVpp为0.2，判定电压分别为2.6、3.2、3.93。对于随机电报噪声，设λr等于0.025。对于数据保持噪声，设‑6 ‑4置参数Ks＝0.38，x0＝1.4，Km＝4×10 ,Kd＝4×10 。通过上述信道参数所构成的信道模型能够产生用于训练卷积神经网络模型的数据集，即阈值电压序列，其中，阈值电压序列表示为：v＝{v1,v2,...,vk}，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。

[0053] S2：构建并训练卷积神经网络模型；

[0054] 需要说明的是，在本发明中，所述卷积神经网络模型为一维的全卷积网络，更具体的，所述卷积神经网络模型为一维全卷积神经网络模型，包括：一个输入层、两个隐藏层、一个全连接输出层，所述隐藏层的长度与输入层的长度相同，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。全连接输出层的输出为每个阈值电压对应四个阈值电压区域的后验概率分别记为：

[0055] PNN(s|vk)＝{PNN(s1|vk),PNN(s2|vk),PNN(s3|vk),PNN(s4|vk)}，[0056] 其中si＝{s1,s2,s3,s4},(i＝1,2,3,4)表示闪存的四个阈值电压区域。

[0057] 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；

[0058] 具体过程为：

[0059] 给定N个参考电压点，划分出N+1个阈值电压区域记为Vn，n∈{1,2,...,N+1}；

[0060] 将阈值电压区域Vn均匀量化为M‑1个区间，将M‑1个区间的边界值记为[0061] 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；

[0062] 将M个后验概率向量求平均得到阈值电压区域Vn的平均后验概率，

[0063] 其中，阈值电压区域Vn的平均后验概率计算公式为：

[0064]

[0065] PNN(si|qm)表示第m个后验概率向量,PNN(si|Vn)表示阈值电压区域Vn的后验概率，其中，i∈{1,2,3,4},n∈{1,2,...,N+1}；

[0066] 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。

[0067] 更具体地，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，计算公式为：

[0068]

[0069]

[0070] 其中， 表示阈值电压区域Vn中高位比特对应的对数似然比， 表示阈值电压区域Vn中低位比特对应的对数似然比。

[0071] 需要说明的，本发明中，利用阈值电压区域的平均后验概率来近似阈值电压区域的后验概率，首先将阈值电压区域进行均匀量化，然后将阈值电压区域的量化边界值输入训练好的卷积神经网络模型，得到量化边界值对应个数的后验概率向量，然后将后验概率向量求平均得到阈值电压区域的平均后验概率，将阈值电压区域的平均后验概率近似阈值电压区域的后验概率，然后通过对数似然比公式计算阈值电压区域中高位比特和低位比特对应的对数似然比。

[0072] 如图2所示，本发明第二方面提供了一种基于卷积神经网络的NAND闪存信号检测系统，该系统包括：存储器、处理器，所述存储器中包括基于卷积神经网络的NAND闪存信号检测方法程序，所述基于卷积神经网络的NAND闪存信号检测方法程序被所述处理器执行时实现如下步骤：

[0073] S1：设置MLC NAND闪存信道的参数和产生阈值电压序列；

[0074] S2：构建并训练卷积神经网络模型；

[0075] 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；

[0076] 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。

[0077] 验证与分析

[0078] 图3所示为本发明其中一个实施例检测方法流程图。

[0079] 本发明获取的对数似然比不需要信道先验知识，本发明还通过对每个阈值电压区域的后验概率取平均来优化对数似然比，进一步提高对数似然比精度，需要说明的是，为了适应非平稳噪声的变化，可以根据鲁棒性对CNN网络模型的网络参数进行定期更新，保证CNN网络模型能够准确地对NAND闪存信号进行检测。其中，在本实施例中，在得到对数似然比后可以根据预置的失配数据保留时间及失配编程和擦除次数设置测试集，来检测所提出的模型的鲁棒性及所得LLR的精度。

[0080] 本验证实验仿真在Window10操作系统下进行，采用Keras深度学习框架，实验选择了码率0.857的原模图LDPC码。CNN网络参数设置如表1：

[0081] 表1CNN网络模型的参数

[0082]

[0083]

[0084] 如图4所示为本发明的检测方法与传统最优检测方法在不同的编程和擦除次数下的误码率性能比较图；图5所示为本发明检测方法与传统最优检测方法在不同的数据保留时间下的误码率性能比较图。考虑到闪存信道是非稳定性的，本发明通过生成失配测试集对CNN网络模型进行测试得到CNN网络模型的鲁棒性。其中失配数据保持时间ΔT即数据被变成写入闪存的时间到下次被擦除的时间，可以理解为数据存放在闪存存储的保存时间；失配擦除和编程循环次数ΔNPE为测试数据集的擦除和编程循环次数与训练数据集擦除和编程循环次数的差值。采用本发明提出的检测方法所获得的误码率性能接近传统最优的信号检测方法的误码率性能。

[0085] 显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。