买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉上海集成电路技术与产业促进中心申请的专利一种基于稀疏矩阵分解的储存芯片性能测试方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119229939B 。

龙图腾网通过国家知识产权局官网在2025-08-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411260495.1，技术领域涉及：G11C29/12；该发明授权一种基于稀疏矩阵分解的储存芯片性能测试方法是由朱小炜;马彥涵;李伟;钱后龙;包暘;康玲玲;倪哲明;马春宇;龚梅芝设计研发完成，并于2024-09-10向国家知识产权局提交的专利申请。

本一种基于稀疏矩阵分解的储存芯片性能测试方法在说明书摘要公布了：本发明公开了一种基于稀疏矩阵分解的储存芯片性能测试方法，S1、构建性能测试数据集；S2、对所述性能测试数据集进行预处理；S3、将预处理后的性能测试数据集构建为高维稀疏矩阵；S4、对所述高维稀疏矩阵进行稀疏矩阵分解，得到低秩特征矩阵和稀疏误差矩阵；S5、基于低秩特征矩阵，构建生成对抗网络；S6、优化生成器网络以生成与真实性能测试数据分布更加接近的虚拟性能测试数据；S7、形成增强后的性能测试数据集；S8、对增强后的性能测试数据集再次进行稀疏矩阵分解；S9、基于新的低秩特征矩阵和稀疏误差矩阵，对储存芯片的性能进行评估。本发明使得测试系统能够在较短时间内处理大量的测试数据，从而提高整体测试效率。

本发明授权一种基于稀疏矩阵分解的储存芯片性能测试方法在权利要求书中公布了：1.一种基于稀疏矩阵分解的储存芯片性能测试方法，其特征在于，包括如下步骤： S1、对储存芯片进行初始化操作，将储存芯片设置为测试模式，接收并处理储存芯片在不同工作条件下的读写速度、数据完整性、功耗和操作延迟，构建性能测试数据集； S2、对所述性能测试数据集进行预处理，包括数据去噪、数据归一化、数据格式标准化及缺失值处理； S3、将预处理后的性能测试数据集构建为高维稀疏矩阵，高维稀疏矩阵的每一行表示不同储存芯片测试样本的多维度性能数据，每一列表示储存芯片不同的性能指标； S4、对所述高维稀疏矩阵进行稀疏矩阵分解，得到低秩特征矩阵和稀疏误差矩阵，低秩特征矩阵用于表示储存芯片的性能特征，稀疏误差矩阵用于表示储存芯片性能测试中的异常数据或稀有数据； S5、基于低秩特征矩阵，构建生成对抗网络，包括生成器网络和判别器网络，生成器网络接收低秩特征矩阵作为输入，通过神经网络生成虚拟的性能测试数据，虚拟的性能测试数据与实际性能测试数据集在统计分布上相似，判别器网络用于接收虚拟的性能测试数据与实际性能测试数据集，并输出判断所述输入是否为真实数据的概率； S6、对生成对抗网络进行对抗训练，优化生成器网络和判别器网络； S7、将经过生成对抗网络生成的虚拟性能测试数据与真实性能测试数据集进行融合，形成增强后的性能测试数据集，包括潜在的性能模式和极端测试条件下的数据； S8、对增强后的性能测试数据集再次进行稀疏矩阵分解，提取新的低秩特征矩阵和稀疏误差矩阵，新的低秩特征矩阵用于表示优化的储存芯片性能特征，稀疏误差矩阵用于表示异常性能数据和潜在的性能问题； S9、基于新的低秩特征矩阵和稀疏误差矩阵，对储存芯片的性能进行评估，识别和定位储存芯片的性能瓶颈、异常行为和潜在问题； 所述S9包括以下步骤： S91、基于增强低秩特征矩阵L2和增强稀疏误差矩阵S2，建立储存芯片性能评估模型Peval： 其中，K表示储存芯片不同工作条件的总数，nk表示每种工作条件下的测试样本数，m为储存芯片的性能指标数，wkij为储存芯片在工作条件k下的第i个测试样本第j项性能指标的权重，αk为调整参数，用于控制低秩特征矩阵与稀疏误差矩阵在不同工作条件下的相互影响，γ和η为正则化参数，控制评估结果中的不同项贡献比重； S92、在储存芯片性能评估模型Peval中，识别储存芯片的性能瓶颈： 其中，Bbottleneck表示性能瓶颈所在的维度，λk是与工作条件k相关的调节因子，用于调整低秩特征矩阵和稀疏误差矩阵的相对贡献； S93、基于增强稀疏误差矩阵S2，定位储存芯片的异常行为和潜在问题： 其中，Aanomaly为异常行为集合，和分别为稀疏误差矩阵S2中第i行第j列元素的均值和标准差，∈是避免分母为零的小常数，θ为阈值参数，用于确定何时将数据点标记为异常； S94、生成储存芯片性能评估报告，报告包括性能瓶颈的定位结果、异常行为的识别情况以及针对潜在问题的优化建议。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人上海集成电路技术与产业促进中心，其通讯地址为：201203 上海市浦东新区蔡伦路1619弄1号403室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。