阅读说明：本技术 基于盲分离与卡尔曼滤波器的忆阻器窄带干扰处理系统及方法 (Memristor narrow-band interference processing system and method based on blind separation and Kalman filter ) 是由 张红伟 梁洪弋 杨善华 马雪迪 刘晨 王传旭 于 2020-06-09 设计创作，主要内容包括：本发明公开了基于盲分离与卡尔曼滤波器的忆阻器窄带干扰处理系统及方法,包括盲分离方法和干扰处理方法,本发明涉及电子技术领域,步骤1：找出问题,并进行研究工作；步骤2：窄带干扰噪声信号设计；窄带干扰抑制方法与研究现状,窄带干扰模型BLGN构型设计,步骤3：RRAM忆阻器网络阵列；忆阻器神经网络研究现状,RRAM共享权重技术,忆阻器仿真模型,模型改进方案,步骤4：盲分离编程电压噪声信号处理；盲分离技术研究现状,ICA窄带干扰盲分离,基于卡尔曼滤波的窄带信号消除与缺陷节点确认,步骤5:结论,可进行干扰处理,提高忆阻器NPU的精度和鲁棒性,对于每层神经网络进行优化处理,能够对损坏节点进行定位。(The invention discloses a memristor narrow-band interference processing system and method based on blind separation and a Kalman filter, and the system comprises a blind separation method and an interference processing method, and relates to the technical field of electronics, wherein the method comprises the following steps: finding out problems and carrying out research work; step 2: designing a narrow-band interference noise signal; narrow-band interference suppression method and current research situation, narrow-band interference model BLGN configuration design, step 3: an RRAM memristor network array; the method comprises the following steps of (1) researching the current situation of a memristor neural network, using an RRAM (resistive random access memory) shared weight technology, using a memristor simulation model, using a model improvement scheme, and carrying out the step 4: blind separation programming voltage noise signal processing; and 5, concluding that interference processing can be performed, the precision and the robustness of the memristor NPU are improved, optimization processing is performed on each layer of neural network, and the damaged node can be positioned.)

基于盲分离与卡尔曼滤波器的忆阻器窄带干扰处理系统及 方法

技术领域

本发明涉及电子技术领域，具体为基于盲分离与卡尔曼滤波器的忆阻器窄带干扰处理系统及方法。

背景技术

随着制造成本的增加和基本物理限制的增加，仅靠器件缩放就无法弥补基于CMOS的最新芯片与未来神经网络的需求之间的预期性能差距。忆阻器神经处理单元(NPU)所构成的RRAM设备逐渐进入实际场景，忆阻器是一种随着电流改变阻值的特殊器件，在高低阻值之间转换的特点，使得其成为一种理想的神经网络硬件元件。RRAM作为一种新型存储器被提出，有望成为摩尔定律的突破口，现行阶段最大的问题体现在温度涨落，自动测试困难和读取速度等。区别于一般神经网络处理，硬件实现方法可以达到现行处理方法的两个数量级以上的能量效率。但是在硬件构成的过程中，忆阻器本身的硬件噪声以及材料性质导致相互间干扰，由于温度以及电压改变电阻的性质使得忆阻器本身成为实验误差因素之一，基于神经网络的特性，这种误差会逐渐积累，在达到某个阶段便会恶化或者无法得到更好的效率。而本身拟设备和交叉点阵列的缺陷使实际应用变得更加复杂。

寻找一种抗干扰的方法是通信系统研究中重要课题，当有用的信号与噪声混合在一起时，分离出有效信号显得十分重要，在RRAM设备中就是处理系统性噪声以及自动测试等等技术处理。PCMA作为现行卫星信号处理技术之一受到广泛关注，VIASAT公司在提出这种技术后便一直收到关注，成为中国军方重点关注的技术，高阶PCMA是为一种极具前景的处理技术，其中，盲源分离成为主要的应用方法之一，欠定和病态状态是实际场景中传感器场景。盲分离技术与阵列信号处理是一种新颖的技术值得重视，考虑到现行忆阻器模拟的理想性，提出一种盲分离技术处理忆阻器阵列噪声的方法。目前，现有的技术干扰性能差，忆阻器NPU的精度和鲁棒性差，不能对每层神经网络进行优化处理，不能够对损坏节点进行定位。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了基于盲分离与卡尔曼滤波器的忆阻器窄带干扰处理系统及方法，解决了上述干扰性能差，忆阻器NPU的精度和鲁棒性差，不能对每层神经网络进行优化处理，不能够对损坏节点进行定位的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：基于盲分离与卡尔曼滤波器的忆阻器窄带干扰处理系统，包括盲分离系统和干扰处理系统，所述盲分离系统包括外部数据源模块，所述外部数据源模块的输出端电连接有信号白化模块，所述信号白化模块的输出端依次电连接有第一忆阻器网络模块、盲信号处理模块，所述第一忆阻器网络模块的输出端电连接有第二忆阻器网络模块，所述盲信号处理模块的输出端电连接有稀疏信号处理模块，所述稀疏信号处理模块的输出端电连接有自动检测算法模块，所述自动检测算法模块与第一忆阻器网络模块之间电连接，所述第二忆阻器网络模块的输出端与自动检测算法模块之间电连接，所述自动检测算法模块与自动检测算法模块之间电连接。

优选的，所述干扰处理的方法包括以下步骤：

步骤1：找出问题，并进行研究工作；

步骤2：窄带干扰噪声信号设计；

(一)、窄带干扰抑制方法与研究现状；

(二)、窄带干扰模型BLGN构型设计；

步骤3：RRAM忆阻器网络阵列；

(一)、忆阻器神经网络研究现状；

(二)、RRAM共享权重技术；

(三)、忆阻器仿真模型；

忆阻器的更新公式为：

i(t)＝G(y,v)v(t)

其中G(y,v)是给定忆阻器状态y的电导，而F(y,v)描述该状态的动态演化，时间有关的测量v。

电导公式结果为：

其中Gm,a和b是特定器件在所有状态和历史中的常数，并且取决于传导通道内的材料特性。

模型的开切换方程为：

电压高于或者低于某个确定的值时，让相关权重缩放到相关的引脚，使用这种方法来进行更新。

(四)、模型改进方案；

(1)、BLGN加噪，

利用BLGN对于层级结构进行加噪。

v(t)＝v₁(t)+N(t)

N(t_n)＝x₁cos(2πf_lt_n)-x₂sin(2πf_lt_n)

tn为t的采样点。

(2)、模型图示，

步骤4：盲分离编程电压噪声信号处理；

(一)、盲分离技术研究现状；

(二)、ICA窄带干扰盲分离；

(三)、基于卡尔曼滤波的窄带信号消除与缺陷节点确认；

(1)、电压信号估计与消噪；

预测公式：

X_kp＝A_Xk-1+B_uk+w_k

P_kp＝A_Pk-1A_T+Q_k

A：状态转移矩阵,B：控制矩阵,Wk：预测噪声,Qk：状态转移噪声

(2)、模型评价；

(3)、缺点节点回避，

步骤5:结论。

优选的，所述研究工作的内容为：

(1)、在现有的模拟器以及NPUCNN架构上，设计硬件噪声的模拟，模拟真实环境，增加模型可靠性；

(2)、采用盲源分离技术处理噪声的算法，具体为利用盲分离方法提取出系统性干扰，基于贪心算法SPA-SAMP压缩感知重构窄带干扰以及冲激噪声，保证精确度的情况下消去硬件噪声。

优选的，所述窄带干扰模型BLGN构型设计的内容为：

(1)、噪声模型构型原理；

(2)、忆阻器神经网络改进可行性研究。

优选的，所述ICA窄带干扰盲分离的内容为：

(1)、ICA编程电压盲分离；

(2)、取得滤波支撑集。

(三)有益效果

本发明提供了基于盲分离与卡尔曼滤波器的忆阻器窄带干扰处理系统及方法。具备了以下有益效果：

(1)、该基于盲分离与卡尔曼滤波器的忆阻器窄带干扰处理系统及方法，通过步骤1：找出问题，并进行研究工作；步骤2：窄带干扰噪声信号设计；步骤3：RRAM忆阻器网络阵列；步骤4：盲分离编程电压噪声信号处理；可进行干扰处理，提高忆阻器NPU的精度和鲁棒性，对于每层神经网络进行优化处理，能够对损坏节点进行定位。

附图说明

图1为盲分离方法流程框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明提供一种技术方案：基于盲分离与卡尔曼滤波器的忆阻器窄带干扰处理系统及方法，包括盲分离系统和干扰处理系统，盲分离方法包括外部数据源模块，外部数据源模块的输出端电连接有信号白化模块，信号白化模块的输出端依次电连接有第一忆阻器网络模块、盲信号处理模块，第一忆阻器网络模块的输出端电连接有第二忆阻器网络模块，盲信号处理模块的输出端电连接有稀疏信号处理模块，稀疏信号处理模块的输出端电连接有自动检测算法模块，自动检测算法模块与第一忆阻器网络模块之间电连接，第二忆阻器网络模块的输出端与自动检测算法模块之间电连接，自动检测算法模块与自动检测算法模块之间电连接；

干扰处理方法的包括以下步骤：

步骤1：找出问题，并进行研究工作；研究工作的内容为：

(1)、在现有的模拟器以及NPUCNN架构上，设计硬件噪声的模拟，模拟真实环境，增加模型可靠性，具体为利用频域稀疏多带限高斯干扰源叠加模型(BLGN)，通过稀疏重构的方法随机添加到每个网络层和忆阻器单元，尽量贴近实际情况下的半导体忆阻器元器件，模拟出忆阻器温漂的特性，进而改进出更加贴合实际的RRAM仿真模型；

(2)、采用盲源分离技术处理噪声的算法，具体为利用盲分离方法提取出系统性干扰，基于贪心算法SPA-SAMP压缩感知重构窄带干扰以及冲激噪声，保证精确度的情况下消去硬件噪声，现阶段对于提供忆阻器元器件精度的方法为提供更好的学习库，实际使用中使用时长以及误差叠加恶化不可避免，有效的测试以及消除算法可以尽可能提高网络稳定性和精确度，同时拥有损坏节点定位能力。

步骤2：窄带干扰噪声信号设计；

(一)、窄带干扰抑制方法与研究现状；干扰信号主要来自于系统外部信号源造成的无用信号，通过某种媒介进入到通信系统，与有用信号相互重叠，部分干扰信号也可能来自于系统的内部。其中在电子元器件中常见电磁辐射电磁干扰(EMI)，交叉调制干扰等等，窄带干扰以及冲激噪声是元器件中重要的干扰因素，在NPU中，体现在每个忆阻器单元所受到的干扰导致本身电阻变化以及总体输出失调。最重要的是无论窄带干扰或者冲激噪声干扰都不能使用传统的AWGN模型以及理论进行简单分析，窄带干扰不具备白的特征，冲激噪声的统计分布则是非高斯的，两者联合分布也并不符合联合高斯分布。现行的噪声模型比如窄带干扰的带限高斯噪声模型(BLGN),仅仅是单个信号源符的幅值符合单变量高斯分布，冲激噪声的高斯混和模型脉冲非零元的出现符合泊松分布，不属于传统的AWGN模型，一般的窄带干扰与冲激噪声的功率谱一般会超出15～16dB，甚至50dB，目前忆阻器网络设计没有对这种实际场景做出有效模拟，因此基于OFDM以及MIMO等实际运用方案提出一种噪声模拟的改进。

(二)、窄带干扰模型BLGN构型设计；窄带干扰模型BLGN构型设计的内容为：

(1)、噪声模型构型原理；在实际应用中有多种窄带干扰模型，如窄带带限随机功率谱密度模型、空间随机分布窄带干扰产生源衰减模型、频域稀疏多带限高斯干扰源叠加模型等。根据实际应用，本文选择了频域稀疏多频带受限高斯干扰源叠加模型(BLGN)，该模型属于统计模型，定义为BLGN干扰源在任意位置的叠加，其中每个干扰源由高斯白噪声源通过带宽限制在宽带干扰带宽内的带通滤波器产生，并变频到某个中心频率位置。在有效的设计下，可以使模型的带宽足够小，以使干扰模型稀疏。由于忆阻器网络信号处理更接近数字信号处理，如窄带密度统计模型不适合消除和估计噪声。适当的BLGN构型可以较为准确地刻画窄带干扰频域稀疏特征，比较符合实际中的统计特征。尤其在OFDM等系统中适应性较强，因此采用该模型刻画。

对于一般的OFDM根据构成不同分为CP-OFDM,TDS-OFDM等，差别基本取决于OFDM的保护间隔采用的编码形式。

(2)、忆阻器神经网络改进可行性研究，以CNN神经网络忆阻器构型为例，目前已经有纯硬件构成的忆阻器网络实现[1]，由于神经网络的层级与学习精度相关，合适的层级使得处理的数据越可靠

步骤3：RRAM忆阻器网络阵列；

(一)、忆阻器神经网络研究现状；

忆阻器开关由两个垂直纳米线层组成，分别充当顶部选择鞍部和底部电极。模分材料位于两个纳米线层之间；因此，在每个交叉点处形成美质器。

忆阻器开关适用于大规模神经网络实现。首先，它是高密度的，因为横杆可以是垂直堆栈，并且每个交叉点是一个美元器。此外，美数是非挥发性、纳米尺度和多状态。其次，它是低功耗，阵列开关允许内存和计算集成，和记忆器是非挥发性器件，操作电压低。忆阻器阵列的这些优点使此体系结构应用于广泛的神经网络。

使用忆阻器的神经形态计算系统提供了一种快速和节能的方法，卷积神经网络是图像识别最重要的模型之一，对于忆阻器设备构成的RRAM设备而言，该交叉点是交叉点阵列，每个交点都有一个忆阻器单元。

从CNN角度，根据现有的改进成果对模型和相关方法进行优化。卷积神经网络，这大大减少了自由参数的数量。最先进的微架构通常依赖于权重共享技术，但仍受到基于晶体管平台的冯·诺伊曼瓶颈的影响。在此基础之上，后来的科研工作者构建了由忆阻器网络构成的神经网络，大大提高了相关的效率，根据已有的成果，相比较传统的设备能够做到两个数量级以上的效率。

但是仍然有不得不解决的问题围绕着RRAM展开，比如忆阻器本身的电导漂移、温漂，非线性和其他一些特性。就RRAM本身也经常出现由于制备的原因导致的部分忆阻器损坏，这些都是现行应该解决的问题。

从CNN的典型计算过程涉及大量滑动卷积运操作。在这方面非常需要支持并行乘积计算的计算单位。这种需求导致重新设计了传统的系统，以运行性能更高、功耗更低的CNN，然而，计算效率的进一步提高最终将受到这些系统的冯诺依曼架构的制约，其中内存和处理单元的物理分离导致大量能量消耗，以及单元之间的数据大量延迟。相比之下，RRAM提供了一个有前途的非冯·诺伊曼计算模式，其中存储数据，从而消除了数据传输的成本。通过直接使用欧姆定律进行乘法和基尔霍夫定律进行累积，记忆器阵列能够实现并行内存乘积累加运算操作，从而实现模拟内存内计算，大大提高了速度和能效。

(二)、RRAM共享权重技术；

RRAM的发展不可避免地运用到神经网络的思想，权重共享是最先进的神经网络的一个常见功能，与密集连接的网络相比，可大大减少执行要素提取所需的可用参数数。受生理中人眼观察图像的启发，这种做法不仅最大限度地减少了处理输入的翻译和局部失真的前期处理，而且还提取和分类局部空间相关性。CNN现在是分析视觉图像的主要架构，重量共享还可以利用模式的空间和时间转换不变性。具有广泛的运用前景。

共享权重结构的大多数实现都依赖于图形处理单元。但是，当在传统数字硬件中实现时，这些重量共享网络会遭受较大的推理延迟和高功耗。如果计算是在物联网时代的边缘进行的，这些问题就变得不太经济实惠了。具有优化倍增单元的应用专用集成电路，有可能提高能源效率。然而，这种架构的冯·诺伊曼瓶颈和晶体管扩展限制最终效率。因此，计算平台及其构建基块的根本变化对于满足日益增长的计算能力需求至关重要。

忆阻器正在出现双端子电子设备，具有模拟电导、快速切换、卓越的可扩展性、长保留和长耐久性。忆阻器阵列自然地并行化了乘积累加运算。这种模拟内存计算直接使用内在物理定律来避免冯·诺伊曼系统中频繁的数据交互所产生的大量能量和时间开销。这使得忆阻器阵列能够物理地体现网络的完全连接层，并增强能源效率。然而，实用的计算系统在计算能力和内存方面总是有界限的。此外，典型的数据集具有空间或时间相关性。鉴于内存颗粒的数量，或者系统可训练参数的数量，多层感知器通常比重量共享网络的功能差，从而限制了其实际应用。

由于忆阻器最有效地组装在交叉开关矩阵中，而交叉开关矩阵不同于重量共享的人工神经网络的微观结构，因此有必要将重量共享网络的高维可训练参数有效地映射到2D忆阻器阵列。此外，这种映射应满足对权重表示准确性的更严格要求，因为与完全连接的网络相比，权重共享的体系结构更容易受到硬件非理想性的影响。由于忆阻器的随机行为，忆阻器可能不恰当地反应突触权重，这与离子迁移有关，但是通过迭代校正来改善，而以时间和效率为代价。这使得重量共享架构的培训成为一项艰巨的任务。因此，忆阻器仅用于完全连接的网络，而时间权重共享最近在递归结构中得到证明。已经对卷积层如何映射到二进制权重的忆阻器交叉开关和忆阻器CNN进行了理论研究，前者在忆阻器上进行了实验验证。近来，已经在具有65nm和55nmCMOS逻辑处理的兆位二进制状态电阻开关矩阵上展示了用于2位输入和3位权重卷积的乘积累加运算操作。但是，缺少对忆阻器的空间共享权重架构的原位训练，忆阻器阵列上的同时时空权重共享就是这种情况。

原位训练直接储存和更新忆阻器阵列中的权重，并在神经网络参数存储的原始位置执行计算；这避免了在计算机中实现重复系统的需要，从而提高了系统的面积/能源效率。更重要的是，原位训练反向传播能够自我自适应地调整网络参数，以尽量减少硬件不可避免的非理想性，比如线阻、模拟外设不对称、无响应的忆阻器、电导漂移和电导编程变化的影响，改善共享重量网络。

麻省大学的课题组展示共享重量神经网络工作的就地训练，使用一个简单的卷积内核映射到忆阻器交叉开关矩阵，可以改善单晶体管单忆阻器(1T1R)阵列的硬件非理想性。使用仅1000个权重对MNIST手写数字进行分类，准确率达到92.13％，即性能相似的忆阻器多层自举网络数量的四分之一。此外，我们演示重量共享的优点可以通过在网络中的卷积内核与内在3D输入级联来扩展，从而确定了输入到状态和状态到状态转换中的空间和时间相关性。通过分节-时态忆阻器权重共享，实验证明可训练参数减少到850，这是使用基于忆阻器的硬件为边缘计算实现高级网络拓扑的一种有效的方法。

显示了1T1R忆阻器阵列的光学显微图，包括具有模拟编程能力、长数据复用和较大耐久性，这些神经元被传统的晶体管电路非芯片爆裂。与针对不同神经网络层使用1T1R阵列不同类型阵，单个大型阵列的分区，实质上是在同一网络的不同层之间共享预突触欧元，从而最大化了***电路的效用，并受益于边缘应用。

实现基于微粒的卷积运操作需要使用

各种内核进行每个成形滑动操作。忆阻器数组在不同内核的共享输入下实现并行乘积累加运算是高效率的。显示了特定滑动步骤的典型卷积示例，在lTlR忆阻器数组中显示关联d事件。输入值根据其量化位数按脉冲数编码。符号内核权重映射到一对忆阻器的差分传导。这样，内核的所有权重都映射到两个电导行：一行用于正脉冲输入正权重，另一行用于负权重，具有等效负脉冲输入。将编码的脉冲输入位线后，通过两个差分源线的输出电流被检测和累积。差分电流是一对输入修补程序和所选内核的加权和重压。具有不同权重的不同内核映射到不同的差分行对，整个忆阻器数组在同一输入下并行操作乘积列加运算。所有所需的加权和结果同时获得。

在典型的CNN训练中，有必要将目标派生的"倒数"与最后输出进行尊重，以确定所有重量更新。此任务需要高度复杂的操作，以便将编码的读取脉冲应用于从后到前和逐层的源线。由于非理想的器件特性，如非线性和不对称电导调谐，因此训练一个复杂的忆阻器网络是具有挑战性的。与纯原位训练解决方案不同，原位训练方法是利用现有高性能参数的快捷方式。然而，不可避免的硬件缺陷，如有缺陷的设备、寄生线电阻和电容，会模糊重量，降低系统性能。

(三)、忆阻器仿真模型；

当相对于器件的导通状态，包含忆阻器的电路的串联电阻可忽略不计。但是，在设备上进行测量时可能并非如此。当忆阻器和串联电阻相当时，分压会对动态测量结果产生重大影响，必须在数据分析中谨慎考虑，这种潜行电流均是误差的重要来源。

忆阻器的更新公式为：

i(t)＝G(y,v)v(t)

其中G(y,v)是给定忆阻器状态y的电导，而F(y,v)描述该状态的动态演化，时间有关的测量v。

电导公式结果为：

其中Gm,a和b是特定器件在所有状态和历史中的常数，并且取决于传导通道内的材料特性。金属相填满整个通道时，y＝1。同时描述了当氧化程度更高的相充满整个通道时发生Frenkel-Poole迁移，因此y＝0。根据实际结构，忆阻器的形成大概可以分为动态结构模型以及静态结构模型。

根据期刊结论，该静态方程忽视了温度波动性。

根据期刊观察数据结果，明显的起振行为-缓慢的电导变化的初始阶段，随后是不确定地饱和的快速切换。

因为由于末端被氧化时通道的最大电阻，因此需要饱和项。最后，为了匹配任何单独的开关曲线的时间相关性，功率p需要用来降低开关速度。该模型的开切换方程为：

电压高于或者低于某个确定的值时，让相关权重缩放到相关的引脚，使用这种方法来进行更新。这也是目前对于忆阻器仿真相对来说较为简单的方案。进一步地，更据不同的材料可以更进一步地仿真其实际数值。

但是显然这种方案较为粗糙，根据这种思路，设计出来的忆阻器只能保证在使用环境稳定时可以维持数值稳定。在这种基于特性的模拟方式中忽略了动态温度影响和外界环境的变化，根据实际情况，噪声的合理设置是有必要的，在相关文献中的引用图中，噪声的影响导致最后的结果恶化也是是非严重，在一定情况下甚至会发生系统运行的崩溃。

(四)、模型改进方案；模型改进方案的内容为：

(1)、BLGN加噪，

在麻省以及清华等课题组的模型之上，添加以BLGN为主要噪声源的干扰模型来模拟实际情况，BLGN作为OFDM模型中一种有效的噪声模拟方案能够有效地模拟OFDM系统中的相关噪声。鉴于OFDM块与神经网络的块状结构类似，且忆阻器中的分配噪声分布属于窄带干扰较多，忆阻器中的分配噪声对于神经网络误差积累影响较大，为了充分拟合这种窄带噪声，因此选用了同样具有稀疏性处理的BLGN模型，而这种模型在实际生产中已经得到广泛的运用，比如雷达等等。

利用BLGN对于层级结构进行加噪。

v(t)＝v₁(t)+N(t)

N(t_n)＝x₁cos(2πf_lt_n)-x₂sin(2πf_lt_n)

tn为t的采样点。

根据麻省大学研究成果，在相关结果上对一下算法进行改进，由于随机函数只是在忆阻器部分进行了数量上的模拟，没有在神经网络之间进行相关的运算，因此提出在神经网络层间同样加入相关的噪声。

这里提出以BLGN模型为基础的随机噪声，该模型具有稀疏性，随机性好的特点，由于实际场景中，OFDM模型与神经网络的结构具有相似性，因此可以直接引用相关的概念。BLGN模型是一种稀疏性模型，满足实际场景中有用信号占大多数的特点。

根据层级关系，在对应的层级上加入BLGN噪声源。

以MATLAB为主要工具。根据实验要求，将在个层级间加入相关的数据进行模拟。

(2)、模型图示，

根据实验结果，与相关数据集进行对比之后,仿真结果如下。

先得到理想状态与实际状态电流流过不同交叉的数值：

进一步地，对理想数据进行加噪：

理想矩阵与实际矩阵相减结果：

加噪后理想矩阵与实际矩阵相减结果：

计算均方差并且输出结果：

结果证明加噪效果更加贴合实际模型。

根据一般的实验数据对比，噪声规律具有高斯性，可以更好地反应真实的器件运作情况。

步骤4：盲分离编程电压噪声信号处理；

(一)、盲分离技术研究现状；

盲分离技术是一种相对成熟的技术，广泛应用于各种生产环境。其中，独立分量分析是一种有效的算法。由于独立分量分析算法可以有效提取潜在信息，预处理噪声和其他信号可以有效提取窄带信号和脉冲噪声等信号。在正交频分复用系统中，由于脉冲噪声对频谱有很大的干扰，通常会进行截断，窄带信号相对容易提取。然而，独立分量分析在实际验证中能够正确检测窄带信号。可以获得可以提取和预处理的支持集。独立分量分析是为解决盲源分离问题而逐渐发展起来的新技术。盲源分离中的“声源”是指一个独立的分量，即“鸡尾酒会”上说话人的语音信号。独立分量分析使用容易满足的前提条件从混合信号中再现不可观察的源信号分量。在许多文献中，源信号是相互独立的，独立分量分析和盲源分离具有相同或相似的模型，或者两种并行的方法，它们通过相同或相似的算法来求解。BSS和ICA之间没有刻意的区别。对于局部使用，在正常情况下，这种混合使用几乎没有效果。

(二)、ICA窄带干扰盲分离；ICA窄带干扰盲分离的内容为：

(1)、ICA编程电压盲分离；

从理论或数学的角度来看，独立分量分析是一种信号分析技术。其目的是确定特定的变换，以确保输出信号的每个分量的变换相互独立。在许多情况下，独立分量分析使用高阶统计量，因此盲源分离实现不会完全重叠独立分量分析。如果源信号具有某些其他功能，这些功能也可以用于隔离源信号，例如信号的时间相关特性，非平稳特性。

(2)、取得滤波支撑集，

根据实际情况，在冲激噪声相对难以分离的结果之外，窄带噪声可以有效地分离。

(三)、基于卡尔曼滤波的窄带信号消除与缺陷节点确认；基于卡尔曼滤波的窄带信号消除与缺陷节点确认的内容为：

(1)、电压信号估计与消噪；

预测公式：

X_kp＝A_Xk-1+B_uk+w_k

P_kp＝A_Pk-1A_T+Q_k

A：状态转移矩阵,B：控制矩阵,Wk：预测噪声,Qk：状态转移噪声

(2)、模型评价；

(3)、缺点节点回避，

进一步地，在实际场景由于忆阻器检测一般通过仪表，在进行缺陷节点回避之后，可以降低不必要的能耗，提高设备效率。

步骤5:结论

根据仿真结果，所建立的模型能够基本上符合实际工作模型，优化了产品设计的效率。提出一种ICA算法提取忆阻器噪声支撑集，利用卡尔曼滤波器进行滤波并且确认缺陷节点进行回避的方案，在实际生产中能够减低成本，加快开发进度。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下。由语句“包括一个......限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素”。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。