本发明涉及快闪存储器(flashmemory)的存取(access)，特别关于一种用于存储装置中，通过机器学习来进行存储器存取管理的方法、相关存储装置及其控制器与电子装置。
背景技术：
：：近年来由于存储器的技术不断地发展，各种可携式或非可携式存储装置(例如：符合sd/mmc、cf、ms、xd或ufs标准的存储卡(memorycard)；又例如：固态硬盘；又例如：符合ufs或emmc规格的嵌入式(embedded)存储装置)被广泛地实现于许多应用中。因此，这些存储装置中的存储器的存取控制便成为相当热门的议题。以常用的nand型快闪存储器而言，其主要可区分为单阶存储单元(singlelevelcell,slc)与多阶存储单元(multiplelevelcell,mlc)两大类别的闪存。单阶存储单元闪存中，每个被当作存储单元的晶体管只有两种电荷值，分别用来表示逻辑值0与逻辑值1。另外，多阶存储单元闪存中，每个被当作存储单元的晶体管的存储能力则被充分利用，这种存储单元被较高的电压驱动，并通过不同级别的电压在一个晶体管中记录至少两比特的信息(例如00、01、11、10)；理论上，多阶存储单元闪存的记录密度可以达到单阶存储单元闪存的记录密度的至少两倍，这对于曾经在发展过程中遇到瓶颈的nand型闪存的相关产业而言，是非常好的消息。相对于单阶存储单元闪存，由于多阶存储单元闪存的价格较便宜，并且在有限的空间内可提供较大的容量，所以多阶存储单元闪存很快地成为市面上的存储装置竞相采用的主流。然而，多阶存储单元闪存的不稳定性所导致的问题也一一浮现。为了确保存储装置对快闪存储器的存取控制能符合相关规范，快闪存储器的控制器通常具备某些管理机制以妥善地管理数据的存取。根据相关技术，有了这些管理机制的存储装置还是有不足的地方。举例来说，采用较新架构的快闪存储器，例如立体nand型快闪(3dnandflash)存储器，可增加存储装置的存储容量，且在三阶存储单元(triplelevelcell,tlc)闪存之后，四阶存储单元(quadruplelevelcells,qlc)闪存可成为下一个研发目标。当尝试将这些管理机制应用到具备新架构的快闪存储器的存储装置时，很容易发生读取运作的阈值电压(thresholdvoltage)不精确，这可能导致各种问题，例如直接或间接地降低数据保留(dataretention)的时间、增加读取干扰错误(readdisturberror)的机率、增加数据重复读取次数(readretry)、增加错误纠正码解码(errorcorrectioncodedecoding,eccdecoding)的困难度。因此，需要一种新颖的方法及相关架构，以在没有副作用或较不可能带来副作用的状况下提升存储装置的效能。技术实现要素：本发明的一目的在于提供一种用于存储装置中，通过机器学习来进行的存储器存取管理的方法、相关存储装置与控制器以及电子装置，从而解决上述问题。本发明的另一目的在于提供一种用于存储装置中，通过机器学习来进行的存储器存取管理的方法、相关的存储装置与控制器以及电子装置，以在没有副作用或较不可能带来副作用的状况下达到存储装置的优化效能。本发明的至少一个实施例提供一种用于存储装置中，通过机器学习来进行的存储器存取管理的方法，其中所述存储装置包含非易失性存储器(non-volatilememory,nvmemory)，且所述非易失性存储器包含至少一个非易失性存储器元件(nvmemoryelement)。所述方法可包含：在所述存储装置中，在训练阶段的期间，根据关于阈值电压分布(thresholdvoltagedistribution)的预定数据库进行机器学习，产生至少一个阈值电压识别模型，其中所述至少一个阈值电压识别模型是用来判断从所述非易失性存储器读取的存储细胞的比特信息(bitinformation)；以及于所述存储装置中，在识别阶段的期间，在读取所述非易失性存储器时取得一个或多个参考电压的代表信息(representativeinformation)，以供根据所述至少一个阈值电压识别模型进行机器识别，产生读取数据(readdata)，其中所述读取数据包含所述比特信息。本发明的至少一个实施例提供一种存储装置，其可包含：非易失性存储器，用来存储信息，其中所述非易失性存储器包含至少一个非易失性存储器元件；以及控制器，耦接所述非易失性存储器，用来控制所述存储装置的至少一个运作。所述控制器可包含一处理电路。例如：所述处理电路可根据来自主控装置的指令控制所述控制器，以容许所述主装置通过所述控制器存取所述非易失性存储器。另外，在训练阶段的期间，所述控制器根据关于阈值电压分布的预定数据库进行机器学习，以产生至少一个阈值电压识别模型，其中所述至少一个阈值电压识别模型是用来判断从所述非易失性存储器读取的存储细胞的比特信息。此外，在识别阶段的期间，所述控制器在读取所述非易失性存储器时取得一个或多个参考电压的代表信息，以供根据所述至少一个阈值电压识别模型进行机器识别以产生读取数据，其中所述读取数据包含所述比特信息。根据某些实施例，本发明还提供一种电子装置，其可包含上述的存储装置，而且另外包含：所述控主控装置，耦接所述存储装置。所述主控装置可包含：至少一个处理器，用来控制所述主控装置的运作；以及电源供应电路，耦接所述至少一个处理器，用来提供电源给所述至少一个处理器与所述存储装置。另外，所述存储装置可用来提供存储空间给所述主控装置。本发明的至少一个实施例提供一种存储装置的控制器，其中所述存储装置包含所述控制器与非易失性存储器，且所述非易失性存储器包含至少一个非易失性存储器元件。所述控制器可包含处理电路。例如：所述处理电路可根据来自主控装置的指令控制所述控制器，以容许所述主控装置通过所述控制器存取所述非易失性存储器。另外，在训练阶段的期间，所述控制器根据关于阈值电压分布的预定数据库进行机器学习，以产生至少一个阈值电压识别模型，其中所述至少一个阈值电压识别模型是用来判断从所述非易失性存储器读取的存储单元的比特信息。此外，在识别阶段的期间，所述控制器在读取所述非易失性存储器时取得一个或多个参考电压的代表信息，以供根据所述至少一个阈值电压识别模型进行机器识别，产生读取数据，其中所述读取数据包含所述比特信息。本发明一个好处是，能够针对所述存储装置的运作进行妥善的控制，尤其能提升读取运作的阈值电压(thresholdvoltage)的精确度，避免相关技术中的各种问题。另外，根据本发明的相关实施例来实现并不会增加许多额外的成本。因此，相关技术的问题可被解决，且整体成本不会增加太多。相较于相关技术，本发明能在没有副作用或较不可能带来副作用的状况下提升存储装置的效能。附图说明图1为根据本发明实施例的一种电子装置的示意图。图2为根据本发明实施例的一种用于存储装置中通过机器学习来进行的存储器存取管理的方法的工作流程。图3绘示所述方法的根据本发明实施例的参考电压。图4绘示图2所示训练阶段的于一实施例中的实施细节。图5绘示图2所示识别阶段的于一实施例中的实施细节。其中，附图标记说明如下：10电子装置50主控装置52处理器54电源供应电路100存储装置110存储控制器112微处理器112c程序代码112m只读存储器114控制逻辑电路115mcsvm引擎116易失性存储器118传输介面电路120非易失性存储器122-1,122-2,…,122-n非易失性存储器元件200工作流程200a训练阶段200b识别阶段s11,s12,s13,s21,s22,s23,s24,s28,s30,s31,s32,s40步骤p0,p1,p2,p3,p4,p5,p6,p7状态ref1,ref2,ref3,ref4,ref5,ref6,ref7参考电压vth阈值电压h1,h2支持超平面hopt最佳超平面具体实施方式图1为根据本发明的一个实施例的一种电子装置10的示意图，其中电子装置10包含主控装置(hostdevice)50与存储装置100。主控装置50可包含至少一个处理器52(例如一或多个处理器)，用来控制主控装置50的运作；以及电源供应电路54，耦接至上述至少一个处理器52，用来提供电源给上述至少一个处理器52与存储装置100、且输出一个或多个驱动电压给存储装置100，其中存储装置100可用来提供存储空间给主控装置50，且可从主控装置50取得该一给或多个驱动电压，作为存储装置100的电源。主控装置50的例子可包含(但不限于)：多功能移动电话(multifunctionalmobilephone)、平板电脑(tablet)、可穿戴装置(wearabledevice)以及个人电脑(personalcomputer)例如台式机与笔记本电脑。存储装置100的例子可包含(但不限于)：携带式存储装置(例如符合sd/mmc、cf、ms、xd或ufs标准的存储卡)、固态硬盘(solidstatedrive,ssd)以及各种嵌入式(embedded)存储装置(例如符合ufs或emmc规格的嵌入式存储装置)。根据本实施例，存储装置100可包含一个控制器，例如存储控制器110，且可另外包含一个非易失性存储器(non-volatilememory,nvmemory)120，其中所述控制器用来存取(access)非易失性存储器120，且非易失性存储器120用来存储信息。非易失性存储器120可包含至少一个非易失性存储器元件(nvmemoryelement)(例如一个或多个非易失性存储器元件)，例如多个非易失性存储器元件122-1、122-2、…与122-n，其中符号「n」可代表大于一的正整数。例如：非易失性存储器120可为快闪存储器(flashmemory)，而非易失性存储器元件122-1、122-2、…与122-n可分别为多个快闪存储器芯片(flashmemorychip；可简称为快闪晶片)或多个快闪存储器裸晶(flashmemorydie；可简称为快闪裸晶)，但本发明不限于此。如图1所示，存储控制器110可包含处理电路例如微处理器112、存储器例如只读存储器(readonlymemory,rom)112m、控制逻辑电路114、多类别支持向量机引擎(multi-classsupportvectormachineengine，可简称为mcsvm引擎)115、易失性存储器116与传输接口电路118，其中这些元件中的至少一部分(例如一部分或全部)可通过总线彼此耦接。mcsvm引擎115可包含多个数据处理子电路，例如对应各种计算运作的多个计算单元，以进行相关的学习与识别运作；易失性存储器116以随机存取存储器(randomaccessmemory,ram)来实现。例如，易失性存储器116可为静态随机存取存储器(staticram,sram)，但本发明不限于此。易失性存储器116可用来提供内部存储空间给存储控制器110，例如可暂时地存储数据。另外，本实施例的只读存储器112m用来存储程序代码112c，而微处理器112则用来执行程序代码112c以控制对非易失性存储器120的存取。请注意，程序代码112c亦可存储在易失性存储器116或任何形式的存储器内。此外，控制逻辑电路114可用来控制非易失性存储器120。控制逻辑电路114可包含错误纠正码(errorcorrectioncode,ecc)电路(未显示)，以进行数据保护及/或错误纠正，但本发明不限于此。传输接口电路118可符合一特定通讯标准(例如，串行高级技术附件(serialadvancedtechnologyattachment,sata)标准、通用串行总线(universalserialbus,usb)标准、快捷外设互联(peripheralcomponentinterconnectexpress,pcie)标准、嵌入式多媒体存储卡(embeddedmultimediacard,emmc)标准、或通用闪存存储(universalflashstorage,ufs)标准)且可根据特定通讯标准进行通讯。在本实施例中，主控装置50可通过传送主控命令(hostcommand)与相应的逻辑地址给存储控制器110，从而间接地存取存储装置100。存储控制器110接收主控命令与逻辑地址，并将主控命令转译成存储器操作命令(可简称为操作命令)，再以操作命令控制非易失性存储器120读取、写入(write)或者编程(program)非易失性存储器120当中特定物理地址的存储器单位(memoryunit)或数据页(page)，其中物理地址对应逻辑地址。当存储控制器110对非易失性存储器元件122-1、122-2、…与122-n中的任一个非易失性存储器元件122-n进行抹除(erase)运作时(符号「n」可代表区间[1,n]中的任一个整数)，非易失性存储器元件122-n的多个区块中的至少一个区块会被抹除。另外，所述多个区块中的每一区块可包含多个页(如数据页)，且存取运作(例如读取或写入)可对一或多页来进行。在一个读取运作中，非易失性存储器120可将参考电压ref(也可称为读取参考电压或读取感测电压)施加在待读取的一组存储单元上，以感测该组存储单元各自的开启/关闭状态。通过调整一参数，非易失性存储器120可调整参考电压ref，且将该参数的最新值传送给存储控制器110作为参考电压ref的代表信息。存储控制器110可包含查找表(lookuptable)，该查找表存储参考电压ref与所述参数之间的关系。当取得所述代表信息时，存储控制器110(例如mcsvm引擎115)可根据所述查找表判断参考电压ref的最新值，作为目前参考电压，以供进行机器学习及/或机器辨识，但本发明不限于此。根据某些实施例，存储控制器110(例如mcsvm引擎115)可根据所述参数的最新值进行计算(例如算数(arithmetic)运作)来判断参考电压ref的最新值，作为目前参考电压，而这些实施例中不需要实现上述的查找表。在参考电压ref的大小对应于(例如成正比，尤其，等于)所述参数的数值大小的状况下，存储控制器110(例如mcsvm引擎115)可直接根据所述参数的最新值判断参考电压ref的最新值。根据某些实施例，图1的架构可加以变化。例如，mcsvm引擎115可整合至控制逻辑电路114中。又例如，mcsvm引擎115可由运行于微处理器112上的程序代码所实现。又例如，mcsvm引擎115可设置在非易失性存储器120内。图2为根据本发明一实施例的一种用于存储装置中通过机器学习来进行的存储器存取管理的方法的工作流程200。为了便于理解，步骤{s11,s12,s13}与{s21,s22,s23,s24,s28,s30}分别被绘制于训练阶段(trainingphase)200a与识别阶段(identificationphase)200b中，但本发明不限于此。在训练阶段200a的期间，存储控制器110(例如mcsvm引擎115)可根据关于一个阈值电压分布的一个预定数据库(如阈值电压数据库)进行机器学习，以产生至少一个阈值电压识别模型(例如一个或多个阈值电压识别模型)，其中上述至少一个阈值电压识别模型是用来判断从非易失性存储器120所读取的存储单元的比特信息。在识别阶段200b的期间，存储控制器110(例如mcsvm引擎115)可在读取时取得一个或多个参考电压{ref}(简称参考电压{ref})的代表信息，以供根据上述至少一个阈值电压识别模型进行机器识别，以产生读取数据，其中所述读取数据包含所述比特信息。在步骤s11中，存储控制器110(例如mcsvm引擎115)可从所述阈值电压数据库取得阈值电压数据。所述阈值电压数据库可包含预先取得的多组电压数据，例如，在读取一个或多个样本存储器(简称样本存储器)中的随机数据的过程中所取得的参考电压分布数据。例如，样本存储器可代表具有和非易失性存储器120相同型号的非易失性存储器产品，因此其参考电压分布数据可用来作为存储装置100中的机器学习的参考。为了便于理解，三阶细胞(triplelevelcell,tlc)闪存可作为非易失性存储器120的范例，但本发明不限于此。在图3中，横轴可代表阈值电压vth，而纵轴可代表存储单元数(memorycellcount)。分别对应于状态{p0,p1,p2,p3,p4,p5,p6,p7}的曲线可代表不同存储状态，分别代表比特信息{111,110,100,101,001,011,010,000}，其中状态p0可视为抹除状态，而状态{p1,p2,p3,p4,p5,p6,p7}中的任一者可视为编程状态。图3所示的参考电压(以垂直虚线表示)包含参考电压ref的多个候选电压，而参考电压ref可于不同区间(如用来侦测状态{p1,p2,p3,p4,p5,p6,p7}的七个区间)分别称为参考电压{ref1,ref2,ref3,ref4,ref5,ref6,ref7}。存储装置100可使用参考电压ref(如{ref1,ref2,ref3,ref4,ref5,ref6,ref7})作为阈值电压vth来判断一个读取运作的比特信息。当样本存储器和非易失性存储器120具有相同型号，所述参考电压分布数据可相似于分别对应于状态{p0,p1,p2,p3,p4,p5,p6,p7}的曲线的分布数据，并且可用来训练存储装置100进行机器学习。根据本实施例，由于参考电压ref可当作阈值电压vth，所以所述参考电压分布数据也可被称为阈值电压分布数据。假设足够且有效的数据样本已被收集于所述阈值电压数据库中且已分类。所述阈值电压数据库中已分类的分布数据可分别属于多个类别，如分别对应于{000,001,010,011,100,101,110,111}的8个类别{cl(1),cl(2),cl(3),cl(4),cl(5),cl(6),cl(7),cl(8)}。在步骤s12中，存储控制器110(例如mcsvm引擎115)可进行阈值电压标准化(normalization)，尤其可分别使用多个一维的正态分布概率密度函数(probabilitydensityfunction,pdf)来对所述多个类别进行标准化，以供用来作为机器学习的训练数据。通过标准化，mcsvm引擎115可将原始数据(例如所述阈值电压分布数据)映射至一个预定区间，以减少机器学习及辨识的复杂度。举例来说，针对所述多个类别中的任一者，如目标类别，mcsvm引擎115可根据下列公式进行阈值电压标准化：其中x代表阈值电压值，μ代表目标类别的阈值电压平均值，σ代表目标类别的阈值电压标准差。根据某些实施例，mcsvm引擎115可使用一组统计值(x,μ,σ)作为目标类别的特征信息，尤其，分别使用多组统计值{(x,μ,σ)}作为所述多个类别的特征信息。在步骤s13中，存储控制器110(例如mcsvm引擎115)可进行基于多类别支持向量机的(mcsvm-based)阈值电压分类器(classifier)训练，产生上述至少一个阈值电压识别模型。mcsvm引擎115可根据监督式(supervised)机器学习方法来运作。在步骤s12的标准化完成后，所述多个类别的每一类别中的全部的电压数据可称为向量。以图4为例，在训练阶段200a中，mcsvm引擎115可寻找所述多个类别中的任两个类别之间的两个分隔线，其可称为支持超平面(supporthyperplane)h1与h2，而刚好位于某一支持超平面上的任一组数据可称为支持向量(supportvector)。针对这两个类别，mcsvm引擎115可寻找最佳超平面(optimalhyperplane)，如图5所示的最佳超平面hopt，以供于识别阶段200b进行分类。根据本实施例，mcsvm引擎115可包含多类别支持向量机分类器(mcsvmclassifier，可简称为mcsvm分类器)，其运作可表示如下：以及其中n代表向量的总数，索引i可为正整数且于区间[1,n]中变化，xi代表对应于索引i的目前向量，yi可为{-1,+1}中的一者以指出xi所属的类别，w代表正交于超平面的正交向量(normalvector)，b代表具有常数的偏移项(biasterm)，c代表具有有限值(finitevalue)的惩罚参数(penaltyparameter)，且ξi代表非负松弛变数(nonnegativeslackvariable)。针对最佳超平面hopt，w·x+b＝0且w可为n维向量(例如w∈rn)，而mcsvm分类器可根据下列决策函数f(x)来分类一个未知点x：其中ns代表支持向量数，索引i可为正整数且于区间[1,ns]中变化，xi代表对应于索引i的目前向量，αi代表拉格朗日乘数(lagrangemultiplier)，且mi∈{-1,+1}，其可描述xi所属的类别。在大部分状况下，在输入空间中搜索合适的超平面会太严格而不实用。为了解决这个问题，mcsvm引擎115可将输入空间映射到更高维度的特征空间(featurespace)并且在特征空间中搜寻所述最佳超平面。例如，mcsvm引擎115可采用核函数k(xi,xj)＝φ(xi)φ(xj)，其中φ(·)可表示将xi映射到高维空间的映射函数。于是，决策函数f(x)变成：因此，已建立的上述至少一个阈值电压识别模型可包含各个类别之间的最佳超平面的决策函数f(x)的参数(w,b,αi)。假设所述多个类别代表clcnt个类别，其中类别数(classcount)clcnt可为正整数。mcsvm引擎115可取得(clcnt-1)组参数(如(w,b,αi)或{(w,b,αi)})作为上述至少一个阈值电压识别模型，且使用所述(clcnt-1)组参数将所述mcsvm分类器组态成为一个或多个对应的分类器，以供区分这clcnt个类别。例如，当clcnt＝2，mcsvm引擎115可取得一组参数(w,b,αi)作为一个阈值电压识别模型，且这一组参数(w,b,αi)可将mcsvm分类器组态成为对应的分类器c1，以供区分两个类别；当clcnt＝4，mcsvm引擎115可取得三组参数{(w,b,αi)}作为三个阈值电压识别模型，且这三组参数{(w,b,αi)}可将mcsvm分类器组态成为对应的分类器{c1,c2,c3}，以供区分四个类别；当clcnt＝8，mcsvm引擎115可取得七组参数{(w,b,αi)}作为七个阈值电压识别模型，且这七组参数{(w,b,αi)}可将mcsvm分类器组态成为对应的分类器{c1,c2,c3,c4,c5,c6,c7}，以供区分八个类别；依此类推。在步骤s21中，存储控制器110(例如mcsvm引擎115)可在执行存储器读取操作时，取得目前参考电压，如上述参考电压{ref}。由于一个读取运作典型地针对一组存储单元(而非单一存储单元)来进行，所以mcsvm引擎115可从非易失性存储器120取得参考电压{ref}的一组代表信息。mcsvm引擎115可根据所述查找表将所述一组代表信息分别转换为参考电压{ref}，其中参考电压{ref}可视为分别指出所述一组存储单元各自的开启与关闭状态之间的过渡(transition)的一组阈值电压{vth}。在步骤s22中，存储控制器110(例如mcsvm引擎115)可进行阈值电压标准化，类似步骤s12的运作。通过标准化，mcsvm引擎115可将原始数据(例如目前参考电压，如参考电压{ref})映射至所述预定区间，以减少机器学习及辨识的复杂度。在步骤s23中，根据上述至少一个阈值电压识别模型，存储控制器110(例如mcsvm引擎115)可进行基于多类别支持向量机的(mcsvm-based)阈值电压识别。mcsvm引擎115可将标准化数据(例如目前参考电压的标准化版本，如参考电压{ref}的标准化版本)输入给所述mcsvm分类器，从而通过分类运作进行识别，取得识别结果。在步骤s22的标准化完成后，mcsvm引擎115可开始使用分类器c1进行分类，尤其，逐一使用分类器{c1,…,cclcnt-1}(例如对应的决策函数{f1(x),…,fclcnt-1(x)})进行分类。为了便于理解，假设clcnt＝8。针对所述标准化数据的任一个电压数据(如参考电压{ref}当中的一个参考电压的标准化版本)，可称其为向量x，mcsvm引擎115可依序分别使用分类器{c1,c2,c3,c4,c5,c6,c7}进行下列分类运作：(c1).当f1(x)＝+1，x属于类别cl(1)，否则(f1(x)＝-1)，x不属于类别cl(1)；(c2).当f2(x)＝+1，x属于类别cl(2)，否则(f2(x)＝-1)，x不属于类别cl(2)；(c3).当f3(x)＝+1，x属于类别cl(3)，否则(f3(x)＝-1)，x不属于类别cl(3)；(c4).当f4(x)＝+1，x属于类别cl(4)，否则(f4(x)＝-1)，x不属于类别cl(4)；(c5).当f5(x)＝+1，x属于类别cl(5)，否则(f5(x)＝-1)，x不属于类别cl(5)；(c6).当f6(x)＝+1，x属于类别cl(6)，否则(f6(x)＝-1)，x不属于类别cl(6)；(c7).当f7(x)＝+1，x属于类别cl(7)，否则(f7(x)＝-1)，x不属于类别cl(7)，也就是，x属于类别cl(8)；其中当某一分类器判断x属于某一类别，mcsvm引擎115可跳过后续分类器(如果存在)的运作，但本发明不限于此。分类器{c1,…,cclcnt-1}中的每一个的细节说明如下。假设所述电压数据(或x)将被分类至类别clm(m∈{-1,+1}，分别对应{f(x)＝-1,f(x)＝+1}这两种状况)，且{xj|j＝1,2,…}代表对应的特征向量如同上述特征空间中的向量。针对类别clm，xj和最佳超平面hopt之间的距离d(xj,hopt)对边距(margindistance)的距离比(distanceratio)r(xj)可表示如下：在步骤s24中，针对目前参考电压如参考电压{ref}，存储控制器110(例如mcsvm引擎115)可进行信心分数量测(confidencescoremeasurement)，尤其，产生至少一信心分数如scoresvm(clm|xj)、scoreknn(clm|xj)及其线性组合score(clm|xj)，如下所示：score(clm|xj)＝β·scoresvm+(1-β)·scoreknn其中k代表符合预定规则的训练向量的数量，kjm代表k个训练向量当中属于类别clm的向量的数量，β代表0与1之间的加权因子。scoresvm(clm|xj)可对应于xj属于类别clm的概率。mcsvm引擎115可基于k近邻(knearestneighbor,knn)规则，根据欧式距离量测(euclideandistancemeasurement)，不论类别，从全部的训练向量(如机器学习所采用的向量)选择最靠近未知特征向量xj的k个训练向量，然后判断所述k个训练向量当中属于类别clm的向量的数量作为kjm，但于计算信心分数scoreknn(clm|xj)时不将xj分类为类别clm。于步骤s28中，存储控制器110(例如mcsvm引擎115)可检查是否接受识别结果，尤其，检查上述至少一信心分数是否达到一信心分数阈值，以判断所述比特信息的正确性。如果接受，进入步骤s30；否则，进入步骤s40。于步骤s30中，存储控制器110(例如mcsvm引擎115)可触发多个运作，尤其，触发下一读取操作(步骤s31)以及触发根据目前参考电压(如参考电压{ref})更新模型的运作(步骤s32)。当触发更新模型，mcsvm引擎115可将目前参考电压加入所述预定数据库以更新(例如扩增)所述预定数据库，且根据所述预定数据库的最新版本更新上述至少一阈值电压识别模型。于步骤s40中，存储控制器110(例如mcsvm引擎115)可进行读取重试(read-retry)或错误纠正码解码(errorcorrectioncodedecoding，可简称为ecc解码)流程。根据本实施例，在进行机器识别时，存储控制器110(例如mcsvm引擎115)可针对所述存储单元，从多个类别(如{cl(1),cl(2),cl(3),cl(4),cl(5),cl(6),cl(7),cl(8)})选择一类别且使用对应所述类别的一组预定比特作为所述比特信息，其中所述组预定比特是选自多组预定比特(如{000,001,010,011,100,101,110,111})，且所述多组预定比特分别对应于所述多个类别。尤其，存储控制器110在识别阶段200b的期间所产生的所述读取数据可包含读取自非易失性存储器120的多个存储单元(如所述组存储单元)的各自的比特信息，且所述多个存储单元包含所述存储单元。根据某些实施例，在存储控制器110的控制下，存储装置100可预先将所述预定数据库从外面载入至存储装置100中，以将所述预定数据库存储于非易失性存储器120及/或其它存储器。例如，存储装置100的制造商可将存储装置100耦接至一生产工具(其可为另一主控装置)，以容许所述预定数据库从所述生产工具传输至存储装置100。又例如，电子装置10的制造商可从存储装置100的制造商取得所述预定数据库，以供主控装置50读取，以容许所述预定数据库从主控装置50传输至存储装置100。根据某些实施例，在mcsvm引擎115设置于非易失性存储器120的状况下，mcsvm引擎115可从非易失性存储器元件{122-1,122-2,…,122-n}取得训练数据且在训练阶段200a的期间完成上述至少一阈值电压识别模型，并且在识别阶段200b的期间于读取时自行调整参考电压{ref}并且即时更新模型，且提供所述读取数据给存储控制器110。根据某些实施例，在mcsvm引擎115设置于存储控制器110的状况下，非易失性存储器120的制造商可提供对数似然比(loglikelihoodratio)数据给控制器厂商(例如存储控制器110的厂商)参考，以供控制器厂商产生所述预定数据库。mcsvm引擎115可在训练阶段200a的期间完成上述至少一阈值电压识别模型，并且在识别阶段200b的期间判断目前参考电压如参考电压{ref}(尤其，根据所述查找表将所述组代表信息分别转换为参考电压{ref})，且可直接根据目前参考电压来判断所述读取数据并且即时更新模型。以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页12当前第1页12