都市部でスマートフォンを使っていると、建物の反射や回折によって送信信号が複数の経路を通って受信されます。この マルチパス伝搬 は、従来の受信機にとっては天敵でした。異なる遅延で到着する信号のコピーが互いに干渉し合い、受信品質を著しく劣化させるからです。
しかし、視点を変えてみましょう。複数の経路で同じ信号が届くということは、同じ情報の「独立なコピー」が複数手に入るということでもあります。もしこれらを上手に集めて合成できれば、むしろ 1本の経路だけで受信するよりも高品質な受信 が可能になるはずです。この逆転の発想を実現するのが RAKE受信機 です。
RAKE受信機は1958年に Price と Green によって提案されました。その名前の由来は、庭の落ち葉を熊手（rake）でかき集めるように、マルチパスの各経路に分散した信号エネルギーを「かき集めて」合成する点にあります。この技術は以下のような分野で中核的な役割を果たしています。
- CDMA/W-CDMA通信 — 3G携帯電話（IS-95、UMTS）の受信機では、RAKE受信がマルチパスダイバーシティを得るための標準的な技術として採用されました
- 衛星通信 — 地上局とのリンクで発生するマルチパスに対して、RAKE受信によってリンクマージンを改善します
- UWB（超広帯域）通信 — 非常に広い帯域を使うため多くの分離可能なパスが存在し、RAKE受信による大きなダイバーシティゲインが期待できます
- レーダー信号処理 — 拡散符号を用いたレーダーで、マルチパスクラッタから目標信号を分離する技術の基盤となっています
本記事の内容
- マルチパス伝搬の復習と、通信における影響の整理
- RAKE受信機の着想 — 熊手のように複数パスをかき集める発想
- RAKE受信機の構成 — 相関器バンクと合成器
- パス推定（遅延プロファイル推定）の方法
- 最大比合成（MRC）の最適性の数学的導出
- 各フィンガーの動作と信号処理の流れ
- RAKE受信機のBER改善効果の理論的評価
- CDMA/W-CDMAでの実用と設計上の考慮点
- 制限事項 — パス数、遅延拡がり、パス間相関の影響
- Python実装 — マルチパスチャネルでのRAKE受信シミュレーションとBER比較
前提知識
この記事を読む前に、以下の記事を読んでおくと理解が深まります。
- フェージングとダイバーシティの基礎 — フェージングの統計モデルとダイバーシティの基本原理
- CDMA通信の理論 — 拡散符号と相関検出の仕組み
- マッチドフィルタの理論 — SNRを最大化する最適受信フィルタを導出する — 相関受信とSNR最大化の数学的基盤
マルチパス伝搬の復習 — 通信にとっての「敵」
まず、RAKE受信機が対処すべき問題を整理しましょう。マルチパス伝搬がディジタル通信に与える影響を、信号モデルの観点から復習します。
マルチパスチャネルの数学モデル
送信信号 $s(t)$ がマルチパスチャネルを通過すると、受信信号は複数の遅延コピーの重ね合わせになります。$L$ 本のパスが存在する場合、チャネルのインパルス応答は次のように書けます。
$$ h(\tau, t) = \sum_{l=0}^{L-1} \alpha_l(t) \, \delta(\tau – \tau_l(t)) $$
ここで $\alpha_l(t)$ は第 $l$ パスの複素振幅（フェージング係数）、$\tau_l(t)$ は第 $l$ パスの遅延です。各パスの振幅と遅延は時間とともに変動しますが、まずは時間変動が十分遅い 準静的チャネル（quasi-static channel） を考えます。この場合、時間依存性を省略して次のように簡略化できます。
$$ h(\tau) = \sum_{l=0}^{L-1} \alpha_l \, \delta(\tau – \tau_l) $$
この式は「チャネルが信号に対して何をするか」を完全に記述しています。受信信号 $r(t)$ は、送信信号とチャネルの畳み込みに雑音 $n(t)$ を加えたものです。
$$ r(t) = s(t) * h(\tau) + n(t) = \sum_{l=0}^{L-1} \alpha_l \, s(t – \tau_l) + n(t) $$
つまり受信信号は、振幅と遅延の異なる送信信号のコピーが $L$ 個重畳したものに雑音が加わった信号です。
マルチパスがもたらす2つの問題
マルチパスが通信に与える悪影響は、大きく2つに分類できます。
1. フェージング（信号の消失）
複数パスの信号が受信点で逆位相になると、互いに打ち消し合って受信電力が極端に低下します。これが フェージング（fading） です。レイリーフェージング環境では、瞬時の受信電力がレイリー分布に従い、平均電力より20〜30 dB低下する深いフェージングが頻繁に発生します。単一パスの受信では、この深いフェージングに遭遇したときにビット誤り率が急激に劣化します。
2. 符号間干渉（ISI）
各パスの遅延差がシンボル時間 $T_s$ に対して無視できないほど大きい場合、あるシンボルの遅延コピーが次のシンボルと重なります。これが 符号間干渉（ISI: Inter-Symbol Interference） です。ISIはシンボル判定の信頼性を低下させ、BERを劣化させます。
従来の単一パス受信機では、最も強いパスだけを検出し、他のパスは干渉として扱うか無視します。しかしこのアプローチでは、他のパスに含まれるエネルギーを無駄にしているだけでなく、それらがISIの原因にもなります。
ここで自然な疑問が生まれます。各パスの信号を個別に分離し、それぞれから情報を取り出して合成すれば、マルチパスを「敵」から「味方」に変えられるのではないでしょうか？ これがRAKE受信機の核心的な着想です。
RAKE受信機の着想 — 熊手で信号エネルギーをかき集める
アイデアの本質
RAKE受信機の基本的なアイデアは、驚くほどシンプルです。
庭に落ちた葉を手で1枚ずつ拾うのは非効率です。しかし熊手（rake）を使えば、散らばった葉を一度にかき集められます。RAKE受信機も同じです。マルチパスによって時間軸上に「散らばった」信号エネルギーを、複数の「フィンガー（finger）」と呼ばれる相関器で同時に捕捉し、最適な重みで合成して1つの高品質な判定信号を得ます。
この着想が機能するためには、2つの前提条件が必要です。
前提1: パスの分離可能性
各パスを個別に検出するためには、異なる遅延のパスを 時間分解 できなければなりません。パスを分離するための時間分解能は、信号の帯域幅 $W$ の逆数 $1/W$ で決まります。したがって、遅延差が $1/W$ より大きいパスは分離可能です。CDMA通信では拡散符号によって広い帯域（数MHz）を占有するため、数百ナノ秒程度の遅延差でもパスを分離でき、RAKE受信と非常に相性が良いのです。
前提2: パスのフェージング独立性
合成によるダイバーシティ利得を得るためには、各パスのフェージングが 統計的に独立 である必要があります。物理的に異なる経路を通るパスは、散乱体の配置や反射回数が異なるため、通常は互いに独立なフェージングを経験します。遅延差がコヒーレンス時間に比べて十分大きければ、この仮定は実用上よく成り立ちます。
ダイバーシティの視点
RAKE受信機は、マルチパスチャネルが 天然のダイバーシティ を提供してくれていると解釈する技術です。ダイバーシティとは、同じ情報を複数の独立な通信路で伝送し、合成することで品質を改善する技術の総称です。
ダイバーシティの種類は様々ですが、代表的なものを整理しましょう。
| ダイバーシティの種類 | 独立性の源 | 必要なリソース |
|---|---|---|
| 空間ダイバーシティ | 離れたアンテナ間の独立フェージング | 複数アンテナ |
| 周波数ダイバーシティ | 異なる周波数の独立フェージング | 追加の帯域幅 |
| 時間ダイバーシティ | 異なる時刻の独立フェージング | 追加の遅延 |
| マルチパスダイバーシティ | 異なる遅延パスの独立フェージング | 追加リソース不要 |
マルチパスダイバーシティの最大の魅力は、追加のアンテナや帯域幅を必要としない点です。マルチパスチャネルが自然に提供する独立なコピーを活用するだけなので、「タダで得られるダイバーシティ」と言えます。RAKE受信機はこのマルチパスダイバーシティを収穫するための具体的な仕組みです。
ここまでで、RAKE受信機のアイデアと、それが成立するための条件を理解しました。次に、このアイデアをどのようなハードウェア/信号処理構成で実現するのかを見ていきましょう。
RAKE受信機の構成 — 相関器バンクと合成器
全体アーキテクチャ
RAKE受信機は、大きく3つのブロックから構成されます。
- パス探索器（searcher / path detector） — 遅延プロファイルを推定し、有意なパスの遅延とパス数を検出する
- フィンガーバンク（finger bank） — 各パスに対応する相関器（フィンガー）を、検出された遅延に合わせて配置する
- 合成器（combiner） — 各フィンガーの出力を適切な重みで合成し、最終的なシンボル判定を行う
受信信号 $r(t)$ がまずパス探索器に入力され、$L$ 本の有意なパスの遅延 $\{\tau_0, \tau_1, \dots, \tau_{L-1}\}$ が推定されます。次に、$L$ 個のフィンガーがそれぞれ対応する遅延に同期して動作し、各パスの信号成分を個別に抽出します。最後に、合成器が $L$ 個のフィンガー出力を最適な重みで足し合わせ、判定変数 $z$ を生成します。
この構成を数式で表現しましょう。第 $l$ フィンガーの出力を $y_l$、合成重みを $w_l$ とすると、合成後の判定変数は次のようになります。
$$ z = \sum_{l=0}^{L-1} w_l \, y_l $$
この $z$ を閾値判定（BPSK の場合は $z$ の実部の符号）することでシンボルを復元します。
フィンガーの動作原理
各フィンガーは、本質的にはマッチドフィルタ（相関受信機）です。CDMA通信を例にとると、第 $l$ フィンガーは以下の処理を行います。
- 受信信号 $r(t)$ にローカルの拡散符号レプリカ $c(t – \tau_l)$ を乗算する
- 1シンボル区間 $T_s$ にわたって積分する
この処理により、遅延 $\tau_l$ のパスに含まれる情報シンボルが抽出されます。数式で書くと、第 $l$ フィンガーの出力は次のようになります。
$$ y_l = \int_{0}^{T_s} r(t) \, c(t – \tau_l) \, dt $$
ここで $c(t)$ は拡散符号波形です。拡散符号の自己相関特性により、遅延が $\tau_l$ に一致するパスの信号は相関ピークとして大きな出力を与えますが、他の遅延のパスからの成分は拡散符号の低い相互相関によって抑圧されます。
具体的に、送信シンボル $b$（BPSK: $b \in \{+1, -1\}$）が拡散符号 $c(t)$ で拡散されて送信される場合を考えます。受信信号は以下のようになります。
$$ r(t) = \sum_{k=0}^{L-1} \alpha_k \, b \, c(t – \tau_k) + n(t) $$
第 $l$ フィンガーで $c(t – \tau_l)$ との相関をとると、拡散符号の正規化条件 $\int_0^{T_s} c^2(t – \tau_l) \, dt = T_s$ と、異なる遅延の拡散符号の直交性（理想的な場合）を利用して、次の結果が得られます。
$$ y_l = \alpha_l \, b \, T_s + \eta_l $$
ここで $\eta_l$ は雑音成分です。つまり第 $l$ フィンガーの出力には、第 $l$ パスの複素振幅 $\alpha_l$ で重み付けされた情報シンボル $b$ が現れます。
重要なのは、各フィンガーが 独立に 動作する点です。第 $l$ フィンガーは遅延 $\tau_l$ のパスだけに同期しており、他のパスの成分は（理想的には）排除されます。これにより、各パスの信号を個別に取り出すことが可能になります。
フィンガーの出力が得られたら、次のステップはこれらを最適に合成することです。しかし合成の前に、もう1つ重要な問題があります。各パスの遅延とチャネル係数をどのように推定するか、という問題です。
パス推定 — 遅延プロファイルの推定
パス探索の必要性
RAKE受信機が正しく動作するためには、各パスの遅延 $\tau_l$ と複素振幅 $\alpha_l$ を受信側で知る必要があります。遅延はフィンガーの同期タイミングを決め、複素振幅は合成重みの計算に使われます。これらのパラメータを推定する処理が パス探索（path search） および チャネル推定（channel estimation） です。
遅延プロファイルの推定
パス遅延の推定には、受信信号と既知の参照信号（パイロット信号や拡散符号）との 相関関数 を利用します。受信信号 $r(t)$ と遅延 $\tau$ の参照信号 $c(t – \tau)$ との相関を遅延 $\tau$ の関数として計算すると、有意なパスが存在する遅延でピークが現れます。
$$ R(\tau) = \int_{0}^{T_s} r(t) \, c^*(t – \tau) \, dt $$
この $|R(\tau)|^2$ を遅延 $\tau$ の関数としてプロットしたものが パワー遅延プロファイル（power delay profile: PDP） の推定値です。PDPのピーク位置が各パスの遅延に対応し、ピークの高さがパスの電力に比例します。
遅延の走査はチップ時間 $T_c$ の間隔で行うのが基本ですが、より高精度な推定のために $T_c/2$ や $T_c/4$ の間隔で走査する実装もあります。ピーク検出にはしきい値を設け、雑音によるスプリアスピークを除外します。
複素振幅（チャネル係数）の推定
パス遅延が決まったら、各パスの複素振幅 $\alpha_l$ を推定します。方法は大きく2つあります。
パイロットシンボルベースの推定
W-CDMAなどでは、データシンボルとは別に既知のパイロットシンボル列 $\{p_n\}$ が送信されます。受信側でパイロットシンボルに対するフィンガー出力 $y_l^{(\mathrm{pilot})}$ を計算し、既知の $p_n$ で除算すればチャネル係数の推定値が得られます。
$$ \hat{\alpha}_l = \frac{1}{N_p} \sum_{n=1}^{N_p} \frac{y_l^{(\mathrm{pilot})}[n]}{p_n} $$
ここで $N_p$ はパイロットシンボル数です。複数シンボルにわたる平均化により、雑音の影響を低減できます。
判定帰還型の推定
パイロットが利用できない場合、データシンボルの暫定判定結果を参照信号として利用する 判定帰還型チャネル推定（decision-directed channel estimation） が使われます。ただし、シンボル判定誤りがチャネル推定を劣化させるリスクがあるため、高 SNR 環境での使用が前提です。
実用上のパス追跡
移動通信では送受信機の移動に伴ってパスの遅延と振幅が時間変動します。このため、パス探索は一度きりではなく、連続的に実行する必要があります。実用システムでは以下の戦略がとられます。
- サーチャー: 常にバックグラウンドで全遅延範囲を走査し、新しいパスの出現や既存パスの消失を検出する
- トラッキングループ: 各フィンガーに付随し、割り当てられたパスの遅延を微調整する。DLL（Delay Lock Loop）が代表的な手法
- フィンガー割り当て: 検出されたパスの中から電力の大きい上位 $L_{\mathrm{max}}$ 本を選択し、有限個のフィンガーに割り当てる
パスの推定が完了すれば、いよいよ各フィンガーの出力を合成するステップに進みます。合成方法にはいくつかの選択肢がありますが、最適な方法は 最大比合成（MRC） です。次に、その最適性を数学的に証明しましょう。
最大比合成（MRC）の最適性
合成問題の定式化
$L$ 本のフィンガーの出力ベクトルを $\bm{y} = (y_0, y_1, \dots, y_{L-1})^T$ とします。前節で導いたように、各フィンガーの出力は以下のように書けます。
$$ y_l = \alpha_l \, b \, T_s + \eta_l, \quad l = 0, 1, \dots, L-1 $$
ここで $b \in \{+1, -1\}$ は送信シンボル（BPSK）、$\alpha_l$ は第 $l$ パスの複素チャネル係数、$\eta_l$ は平均0の加法性白色ガウス雑音で、$E[|\eta_l|^2] = N_0 T_s$ です。表記を簡潔にするために $T_s = 1$ と正規化すると、次のように書けます。
$$ y_l = \alpha_l \, b + \eta_l $$
合成後の判定変数は、重みベクトル $\bm{w} = (w_0, w_1, \dots, w_{L-1})^T$ を用いて次のように表されます。
$$ z = \bm{w}^H \bm{y} = \sum_{l=0}^{L-1} w_l^* \, y_l $$
ここで $(\cdot)^H$ はエルミート転置です。合成後のSNRを最大にする重み $\bm{w}$ を求めることが目標です。
合成後SNRの導出
合成後の判定変数 $z$ に含まれる信号成分 $z_s$ と雑音成分 $z_n$ を分離します。
信号成分は以下の通りです。
$$ z_s = \sum_{l=0}^{L-1} w_l^* \, \alpha_l \, b = b \, \bm{w}^H \bm{\alpha} $$
ここで $\bm{\alpha} = (\alpha_0, \alpha_1, \dots, \alpha_{L-1})^T$ はチャネル係数ベクトルです。
信号電力は $|z_s|^2 = |\bm{w}^H \bm{\alpha}|^2$ となります。
雑音成分の電力は、各パスの雑音が独立で等分散（$E[|\eta_l|^2] = N_0$）であることから、次のように計算されます。
$$ E[|z_n|^2] = E\left[\left|\sum_{l=0}^{L-1} w_l^* \, \eta_l \right|^2\right] = N_0 \sum_{l=0}^{L-1} |w_l|^2 = N_0 \|\bm{w}\|^2 $$
したがって、合成後のSNRは次の式で与えられます。
$$ \gamma = \frac{|z_s|^2}{E[|z_n|^2]} = \frac{|\bm{w}^H \bm{\alpha}|^2}{N_0 \|\bm{w}\|^2} $$
コーシー・シュワルツの不等式による最適重みの導出
この $\gamma$ を最大化する $\bm{w}$ を求めます。ここで コーシー・シュワルツの不等式 が威力を発揮します。
任意の複素ベクトル $\bm{a}, \bm{b}$ に対して、以下の不等式が成立します。
$$ |\bm{a}^H \bm{b}|^2 \leq \|\bm{a}\|^2 \|\bm{b}\|^2 $$
等号成立条件は、$\bm{a} = c \, \bm{b}$（$c$ は任意のスカラー）、すなわち2つのベクトルが平行である場合です。
$\bm{a} = \bm{w}$, $\bm{b} = \bm{\alpha}$ とすると、SNRの式に直接適用できます。
$$ \gamma = \frac{|\bm{w}^H \bm{\alpha}|^2}{N_0 \|\bm{w}\|^2} \leq \frac{\|\bm{w}\|^2 \|\bm{\alpha}\|^2}{N_0 \|\bm{w}\|^2} = \frac{\|\bm{\alpha}\|^2}{N_0} $$
$\|\bm{w}\|^2$ が分子分母で相殺されることに注目してください。したがって、SNRの上界は次のようになります。
$$ \gamma \leq \gamma_{\mathrm{MRC}} = \frac{\|\bm{\alpha}\|^2}{N_0} = \frac{1}{N_0} \sum_{l=0}^{L-1} |\alpha_l|^2 $$
等号は $\bm{w} = c \, \bm{\alpha}$、すなわち $w_l = c \, \alpha_l$ のときに成立します。スケーリング定数 $c$ はSNRに影響しないので、最もシンプルな選択として $c = 1$ ととれば、最適な合成重みは各パスのチャネル係数そのもの であることがわかります。
$$ \boxed{w_l^{\mathrm{MRC}} = \alpha_l} $$
この合成方式を 最大比合成（MRC: Maximal Ratio Combining） と呼びます。
MRCの物理的意味
MRCの最適重み $w_l = \alpha_l$ が何をしているのかを直感的に理解しましょう。
各パスのチャネル係数は $\alpha_l = |\alpha_l| e^{j\theta_l}$（$|\alpha_l|$ は振幅、$\theta_l$ は位相）と書けます。重み $w_l^* = \alpha_l^*$ を乗じることは、以下の2つの操作を同時に行っています。
1. 位相補正（co-phasing）
$w_l^* = |\alpha_l| e^{-j\theta_l}$ の位相成分 $e^{-j\theta_l}$ が、第 $l$ パスの位相回転 $e^{j\theta_l}$ を打ち消します。これにより、全パスの信号成分が同相に揃い、コヒーレントに加算されます。位相補正なしに加算すると、ランダムな位相の信号を足し合わせることになり、相殺が起きてしまいます。
2. 振幅重み付け
$w_l^* = |\alpha_l| e^{-j\theta_l}$ の振幅成分 $|\alpha_l|$ が、各パスを信号品質に比例した重みで加算します。強いパス（$|\alpha_l|$ が大きい）にはより大きな重みを、弱いパス（$|\alpha_l|$ が小さい）にはより小さな重みを付けることで、合成後のSNRが最大化されます。弱いパスは信号成分に比べて雑音成分が大きいため、それを重く扱うとかえって合成後の品質が下がります。MRCはこのバランスを最適に制御しています。
MRC後のSNRの分解
MRCによる合成後のSNRは、次の美しい形に分解されます。
$$ \gamma_{\mathrm{MRC}} = \frac{1}{N_0} \sum_{l=0}^{L-1} |\alpha_l|^2 = \sum_{l=0}^{L-1} \gamma_l $$
ここで $\gamma_l = |\alpha_l|^2 / N_0$ は第 $l$ パス単独のSNRです。つまり MRC後の合成SNRは、各パスのSNRの単純な和 になります。これは非常に重要な結果です。各パスの信号エネルギーが一切無駄にされず、全て合成後のSNRに寄与していることを意味します。
他の合成方式との比較
MRC以外にも、実用的な合成方式がいくつか存在します。代表的なものを比較しましょう。
等利得合成（EGC: Equal Gain Combining）
全パスの位相だけ補正し、振幅重みは全て等しくする方式です。
$$ w_l^{\mathrm{EGC}} = e^{j\theta_l} $$
EGCはチャネル振幅の推定が不要なため、実装が簡単です。性能はMRCよりやや劣りますが、パス間の電力差が小さい場合にはMRCとほぼ同等になります。
選択合成（SC: Selection Combining）
最も単純な方式で、$L$ 本のパスの中からSNRが最大の1本だけを選択します。
$$ z^{\mathrm{SC}} = y_{l^*}, \quad l^* = \arg\max_l |\alpha_l|^2 $$
SCは実装が最も簡単ですが、選択されなかったパスのエネルギーを全て捨てるため、性能は最も低くなります。
性能の優劣は、一般に $\gamma_{\mathrm{SC}} \leq \gamma_{\mathrm{EGC}} \leq \gamma_{\mathrm{MRC}}$ です。MRCが最適であることを証明しましたので、この結果は理論的に保証されています。
最大比合成の最適性が確認できました。次に、RAKE受信機全体の信号処理フローをもう少し詳しく追い、各フィンガーがどのように連携して動作するかを見ていきましょう。
各フィンガーの動作 — RAKE受信の信号処理フロー
BPSK/DS-CDMAの場合の具体的な処理
RAKE受信機の動作を、最も基本的な BPSK変調 + DS-CDMA（直接拡散CDMA）の系で追跡します。以下の処理が1シンボル周期ごとに繰り返されます。
Step 1: 拡散符号との逆拡散
第 $l$ フィンガー（$l = 0, 1, \dots, L-1$）は、パス探索器から割り当てられた遅延 $\hat{\tau}_l$ に同期したローカル拡散符号 $c(t – \hat{\tau}_l)$ を生成します。受信信号 $r(t)$ にこの拡散符号を乗算し、1シンボル区間にわたって積分（逆拡散 + シンボル積分）します。
$$ y_l = \int_{kT_s}^{(k+1)T_s} r(t) \, c(t – \hat{\tau}_l) \, dt $$
この処理は、遅延 $\hat{\tau}_l$ のパスに含まれる信号のマッチドフィルタリングに相当します。拡散利得 $G = T_s / T_c$（$T_c$ はチップ時間）だけSNRが向上し、他のパスやユーザーからの干渉が抑圧されます。
Step 2: チャネル補償
フィンガー出力 $y_l$ にはチャネル係数 $\alpha_l$ が掛かっているため、MRC合成のために $\hat{\alpha}_l^*$ を乗じて位相と振幅を補償します。
$$ \tilde{y}_l = \hat{\alpha}_l^* \, y_l $$
ここで $\hat{\alpha}_l$ はチャネル推定値です。
Step 3: 合成と判定
全フィンガーのチャネル補償後の出力を加算して判定変数 $z$ を得ます。
$$ z = \sum_{l=0}^{L-1} \tilde{y}_l = \sum_{l=0}^{L-1} \hat{\alpha}_l^* \, y_l $$
BPSK の場合、シンボル判定は $z$ の実部の符号で行います。
$$ \hat{b} = \mathrm{sign}(\mathrm{Re}(z)) $$
フィンガー数の選択
実用的なRAKE受信機では、フィンガー数 $L_{\mathrm{max}}$ は固定（ハードウェアリソースの制約）であり、パス探索器が検出したパスの中から電力の大きい上位 $L_{\mathrm{max}}$ 本を選択してフィンガーに割り当てます。
フィンガー数の設計はトレードオフです。フィンガー数を増やせばより多くのパスエネルギーを捕捉できますが、弱いパスを加えるとSNR改善量は小さいのに計算量は増えます。また、弱いパスではチャネル推定精度が低下するため、推定誤差がかえって合成品質を劣化させることもあります。
一般に、全受信電力の90%以上を捕捉できるフィンガー数で十分です。都市部のマルチパス環境では3〜6本のフィンガーで大部分のエネルギーを収集できることが経験的に知られています。
タイミングの整合
各フィンガーは異なる遅延のパスに同期しているため、出力のタイミングが異なります。合成前にこれらを同じシンボルタイミングに揃える必要があります。実装では、遅延の大きいパスに対応するフィンガーは早いタイミングで処理を開始し、遅延の小さいパスに対応するフィンガーは遅いタイミングで処理を開始することで、全フィンガーの出力が同じ瞬間に揃うようにします。これは実質的にパス間の遅延差を補償するデレイラインの役割を果たしています。
フィンガーの詳細な動作を把握したところで、次にRAKE受信機がBERをどの程度改善するのか、理論的に評価しましょう。
RAKE受信のBER改善効果
レイリーフェージング環境でのBER
MRCを用いたRAKE受信のBER性能を、レイリーフェージングチャネルで評価します。各パスが独立同一のレイリーフェージングを受け、平均SNRが $\bar{\gamma}$ である場合を考えます。
まず、パスが1本（$L = 1$）の場合、すなわちダイバーシティなしのレイリーフェージングチャネルでのBPSKのBER（平均BER）は以下のように知られています。
$$ P_b^{(1)} = \frac{1}{2}\left(1 – \sqrt{\frac{\bar{\gamma}}{1 + \bar{\gamma}}}\right) $$
高SNR領域（$\bar{\gamma} \gg 1$）では、テイラー展開により以下の近似が得られます。
$$ P_b^{(1)} \approx \frac{1}{4\bar{\gamma}} $$
これはAWGN（加法性白色ガウス雑音）チャネルでのBER $P_b \approx Q(\sqrt{2\bar{\gamma}}) \sim e^{-\bar{\gamma}}$ と比較して極めて緩やかな減衰です。フェージングチャネルのBERが $1/\bar{\gamma}$ に比例するという事実は、SNRを上げてもBERがなかなか改善しないことを意味しており、フェージング対策の重要性を示しています。
MRC-RAKEによるダイバーシティ次数 $L$ のBER
$L$ 本の独立レイリーフェージングパスに対してMRCを適用した場合、平均BERは以下の式で与えられます。
$$ P_b^{(L)} = \left(\frac{1 – \mu}{2}\right)^L \sum_{k=0}^{L-1} \binom{L-1+k}{k} \left(\frac{1+\mu}{2}\right)^k $$
ここで次のパラメータを定義しました。
$$ \mu = \sqrt{\frac{\bar{\gamma}/L}{1 + \bar{\gamma}/L}} $$
各パスの平均SNRが $\bar{\gamma}/L$（全電力を $L$ パスに等分配）であることに注意してください。
この式は一見複雑ですが、高SNR領域での漸近近似は非常にシンプルかつ洞察に富んでいます。
$$ P_b^{(L)} \approx \binom{2L-1}{L} \left(\frac{1}{4\bar{\gamma}/L}\right)^L $$
この近似からいくつかの重要な知見が読み取れます。
1. ダイバーシティ次数 $L$ がBER曲線の傾きを決める
BERは $\bar{\gamma}^{-L}$ に比例します。つまり、BER対SNRの両対数グラフでは、傾き（ダイバーシティゲイン）がパス数 $L$ に等しくなります。$L = 1$ ではBERは $1/\bar{\gamma}$ に比例し緩やかにしか減少しませんが、$L = 4$ なら $1/\bar{\gamma}^4$ に比例して急速に減少します。
2. ダイバーシティの効果は劇的
例えば $\bar{\gamma} = 20$ dB の場合の近似BERを比べましょう。
| パス数 $L$ | BERの漸近オーダー | 概算BER |
|---|---|---|
| 1 | $1/\bar{\gamma}$ | $\sim 10^{-2}$ |
| 2 | $1/\bar{\gamma}^2$ | $\sim 10^{-4}$ |
| 3 | $1/\bar{\gamma}^3$ | $\sim 10^{-5.5}$ |
| 4 | $1/\bar{\gamma}^4$ | $\sim 10^{-7}$ |
パス数を1から4に増やすだけで、BERが5桁も改善しています。これがRAKE受信機によるマルチパスダイバーシティの威力です。
3. 増分的な利得は減少する
$L$ を1から2にすると改善は劇的ですが、$L$ を10から11にしても改善は小さくなります。これは、追加するパスの電力が次第に小さくなり、雑音に埋もれやすくなることに対応しています。
この理論的予測が実際のシミュレーションでどの程度再現されるかは、後のPythonセクションで確認します。その前に、RAKE受信機がどのような実用システムで使われてきたかを見ておきましょう。
CDMA/W-CDMAでの実用
IS-95（cdmaOne）でのRAKE受信
RAKE受信機が最初に大規模に実用化されたのは、1993年に商用化されたIS-95（cdmaOne）規格です。IS-95ではチップレート 1.2288 Mchip/s の拡散符号を使用しており、チップ時間は $T_c \approx 0.814 \, \mu\mathrm{s}$ です。これは約 244 m の伝搬距離差に対応し、都市環境で典型的な数百メートルの遅延拡がりをカバーするのに十分な分解能です。
IS-95の端末は通常3〜4本のフィンガーを持つRAKE受信機を搭載していました。基地局側はより多くのフィンガー（6〜8本）を使用し、さらにセクタ間のソフトハンドオフで異なるセルからの信号も合成するマクロダイバーシティを実現しました。
W-CDMA（UMTS）での発展
3G規格であるW-CDMAでは、チップレートが 3.84 Mchip/s に拡大され、時間分解能は $T_c \approx 0.26 \, \mu\mathrm{s}$（約 78 m）に向上しました。これにより、より多くのマルチパス成分を分離でき、RAKE受信機のダイバーシティ次数が増加しました。
W-CDMAではさらに、以下の拡張が施されました。
- 共通パイロットチャネル（CPICH） — 全ユーザー共通のパイロット信号を常時送信し、高精度なチャネル推定を可能にする
- ソフトハンドオフ — 複数の基地局からの信号をRAKE受信機の異なるフィンガーに割り当て、マクロダイバーシティを実現する
- 送信ダイバーシティ（STTD/TSTD） — 基地局の送信ダイバーシティとRAKE受信を組み合わせ、さらなるダイバーシティ次数を確保する
RAKE受信と4G/5Gの関係
4G（LTE）以降の通信規格では、OFDMが変調方式の主流となり、CDMAベースのRAKE受信は直接的には使われなくなりました。OFDMはマルチパスに対して周波数領域の1タップ等化で対処するため、RAKE受信機とは異なるアプローチです。
しかし、RAKE受信機の根底にある思想 — マルチパスの各成分を分離して最大比合成する — は、OFDMのサブキャリアごとのチャネル等化やMIMOの空間多重でも形を変えて受け継がれています。RAKE受信機はマルチパスダイバーシティ収穫の原型として、現代の通信技術の理論的基盤の一部を構成しています。
実用面を概観したところで、RAKE受信機の理論的な限界と制限事項を整理しておきましょう。
制限事項 — RAKE受信機の限界
RAKE受信機は強力な技術ですが、万能ではありません。以下にその主要な制限事項を整理します。
1. 有限のパス分離能力
RAKE受信機が個別のパスを分離できるのは、パス間の遅延差がチップ時間 $T_c$ 以上の場合に限られます。チップ時間以内に到着する複数のパスは1つのパスとして見え、フェージングの深化（結合フェージング）を引き起こします。
都市環境ではビル内の反射によって非常に近い遅延のパスが多数発生することがあり、この場合RAKE受信機は全てのパスを分離できません。この問題を緩和するには、より広い帯域幅（＝より短いチップ時間）が必要です。
2. 多元接続干渉（MAI）
CDMAシステムでは、他のユーザーの拡散符号との不完全な直交性により 多元接続干渉（MAI: Multiple Access Interference） が存在します。従来のRAKE受信機はMAIを無視してシングルユーザー検出を行うため、ユーザー数が増加するとMAIが支配的な干渉源となり、BER性能が劣化します。
この問題に対処するために、マルチユーザー検出（MUD: Multiuser Detection）やIC（Interference Cancellation）がRAKE受信機の拡張として研究されてきました。
3. チャネル推定誤差の影響
MRC合成の最適性は、チャネル係数 $\alpha_l$ が完全に既知であることを前提としています。実際にはチャネル推定には誤差があり、推定誤差はMRC合成の性能を劣化させます。特に弱いパスでは信号対雑音比が低いため、チャネル推定誤差が相対的に大きくなります。
推定誤差を $\epsilon_l = \hat{\alpha}_l – \alpha_l$ とすると、MRC合成後のSNRは次のように劣化します。
$$ \gamma_{\mathrm{MRC}}^{(\mathrm{imperfect})} = \frac{\left|\sum_l (\alpha_l + \epsilon_l)^* \alpha_l \right|^2}{N_0 \sum_l |\alpha_l + \epsilon_l|^2} $$
推定誤差が大きいと、MRCが本来の性能を発揮できません。このため、チャネル推定の高精度化はRAKE受信機の性能向上にとって不可欠です。
4. パス間相関の影響
MRC-RAKEのBER公式は、各パスのフェージングが統計的に独立であることを仮定しています。しかし実際には、近い遅延のパス同士はある程度のフェージング相関を持つことがあります。パス間相関が存在すると、ダイバーシティ利得が低下します。極端な場合、全パスが完全に相関していれば、実効的なダイバーシティ次数は1となり、RAKE受信の利点は消失します。
5. 遅延拡がりとの関係
RAKE受信機のダイバーシティ利得は、チャネルの 遅延拡がり（delay spread） と信号帯域幅の関係に依存します。遅延拡がりが信号帯域幅の逆数に比べて小さい場合（周波数非選択性フェージング）、マルチパスの各成分を分離できず、RAKE受信によるダイバーシティ利得は得られません。
逆に、遅延拡がりが大きすぎると、ISIが深刻になり、RAKE受信機の単純なモデル（各フィンガーが他のパスからの干渉を受けない）が崩れます。この場合、等化器との併用や、より高度な受信機構成が必要になります。
これらの制限事項を踏まえた上で、理想的な条件下でのRAKE受信機の動作をPythonシミュレーションで確認しましょう。
Pythonでの実装 — RAKE受信シミュレーション
ここでは、マルチパスレイリーフェージングチャネルにおけるRAKE受信機をPythonでシミュレーションし、ダイバーシティ次数によるBER改善効果を定量的に確認します。まず各構成要素を順に実装し、最後にBER曲線を比較します。
チャネルモデルとRAKE受信機の実装
最初に、マルチパスチャネル生成、RAKE受信、BER計算を行うコア関数を実装します。
import numpy as np
import matplotlib.pyplot as plt
from scipy.special import comb
def generate_spreading_code(length):
"""ランダムな拡散符号（±1）を生成"""
return 2 * (np.random.randint(0, 2, size=length)) - 1
def spread_signal(symbols, code):
"""シンボルを拡散符号で拡散"""
# 各シンボルを拡散符号長だけ繰り返して拡散
spread = np.outer(symbols, code).flatten()
return spread
def multipath_channel(signal, num_paths, chip_period=1):
"""マルチパスチャネルを適用（レイリーフェージング）"""
# 各パスの遅延（チップ単位、整数）
delays = np.arange(num_paths) * chip_period
# 各パスの複素チャネル係数（レイリーフェージング）
alphas = (np.random.randn(num_paths) + 1j * np.random.randn(num_paths)) / np.sqrt(2)
# 遅延拡がり分だけ出力を拡張
output_len = len(signal) + int(delays[-1]) if num_paths > 1 else len(signal)
received = np.zeros(output_len, dtype=complex)
for l in range(num_paths):
d = int(delays[l])
received[d:d + len(signal)] += alphas[l] * signal
return received, alphas, delays.astype(int)
def rake_receiver(received, code, alphas_est, delays, num_symbols, combining='mrc'):
"""RAKE受信機"""
code_len = len(code)
num_paths = len(delays)
symbols_out = np.zeros(num_symbols, dtype=complex)
for l in range(num_paths):
d = delays[l]
for k in range(num_symbols):
start = k * code_len + d
end = start + code_len
if end <= len(received):
# 逆拡散: 受信信号と遅延拡散符号の相関
y_l = np.sum(received[start:end] * code)
else:
y_l = 0.0
# 合成方式に応じた重み付け
if combining == 'mrc':
symbols_out[k] += np.conj(alphas_est[l]) * y_l
elif combining == 'egc':
phase = np.exp(-1j * np.angle(alphas_est[l]))
symbols_out[k] += phase * y_l
elif combining == 'sc':
# 選択合成は後で処理
pass
return symbols_out
def single_path_receiver(received, code, num_symbols):
"""単一パス受信機（最強パスのみ）"""
code_len = len(code)
symbols_out = np.zeros(num_symbols, dtype=complex)
for k in range(num_symbols):
start = k * code_len
end = start + code_len
if end <= len(received):
symbols_out[k] = np.sum(received[start:end] * code)
return symbols_out
上記のコードでは、RAKE受信機の中核をなす3つの構成要素を実装しています。multipath_channel 関数はレイリーフェージングに従う複素チャネル係数を各パスに割り当て、遅延に応じた信号の重畳を行います。rake_receiver 関数は各フィンガーで遅延に同期した逆拡散を行った後、MRC・EGC・SCの3つの合成方式に対応した重み付けを適用します。single_path_receiver はRAKEなしの参照用受信機で、最初のパスのみを利用する単純な相関受信です。
BERシミュレーションの実行
次に、ダイバーシティ次数 $L = 1, 2, 3, 4$ の場合のBERをモンテカルロシミュレーションで計算し、理論曲線と比較します。
def theoretical_ber_mrc(snr_linear, L):
"""MRC-RAKEの理論BER（独立レイリーフェージング、等電力パス）"""
gamma_per_path = snr_linear / L
mu = np.sqrt(gamma_per_path / (1.0 + gamma_per_path))
ber = ((1 - mu) / 2) ** L
summation = 0.0
for k in range(L):
summation += comb(L - 1 + k, k, exact=True) * ((1 + mu) / 2) ** k
ber *= summation
return ber
def simulate_ber_rake(snr_db_range, num_paths, num_symbols=10000,
code_length=31, num_trials=200):
"""RAKE受信のBERをモンテカルロシミュレーション"""
ber_list = []
code = generate_spreading_code(code_length)
for snr_db in snr_db_range:
snr_linear = 10 ** (snr_db / 10)
# チップあたりの雑音電力
noise_var = code_length / snr_linear
total_errors = 0
total_bits = 0
for trial in range(num_trials):
# BPSKシンボル生成
bits = np.random.randint(0, 2, size=num_symbols)
symbols = 2 * bits - 1 # {0,1} -> {-1,+1}
# 拡散
spread = spread_signal(symbols, code)
# マルチパスチャネル
received, alphas, delays = multipath_channel(
spread, num_paths, chip_period=1
)
# AWGN
noise = np.sqrt(noise_var / 2) * (
np.random.randn(len(received)) + 1j * np.random.randn(len(received))
)
received += noise
# RAKE受信（完全チャネル推定を仮定）
z = rake_receiver(received, code, alphas, delays,
num_symbols, combining='mrc')
# シンボル判定
detected = (np.real(z) > 0).astype(int)
total_errors += np.sum(detected != bits)
total_bits += num_symbols
ber = total_errors / total_bits
ber_list.append(max(ber, 1e-7)) # プロット用の下限
return np.array(ber_list)
# シミュレーションパラメータ
snr_db_range = np.arange(0, 26, 2)
path_counts = [1, 2, 3, 4]
# 理論BER計算
theory_ber = {}
for L in path_counts:
snr_linear = 10 ** (snr_db_range / 10)
theory_ber[L] = np.array([theoretical_ber_mrc(s, L) for s in snr_linear])
# シミュレーション実行
sim_ber = {}
for L in path_counts:
print(f"Simulating L={L} paths...")
sim_ber[L] = simulate_ber_rake(snr_db_range, L, num_symbols=5000,
code_length=31, num_trials=100)
上記のコードでは、各 SNR ポイントで100回のモンテカルロ試行を実行し、BERを平均しています。シンボル数5000、拡散符号長31チップの設定です。
BER曲線の可視化
シミュレーション結果と理論曲線を並べてプロットします。
plt.figure(figsize=(10, 7))
colors = ['#e74c3c', '#3498db', '#2ecc71', '#f39c12']
markers = ['o', 's', '^', 'D']
for i, L in enumerate(path_counts):
# 理論曲線
plt.semilogy(snr_db_range, theory_ber[L], '-',
color=colors[i], linewidth=2,
label=f'Theory: L={L}')
# シミュレーション
plt.semilogy(snr_db_range, sim_ber[L], markers[i],
color=colors[i], markersize=7,
label=f'Sim: L={L}')
# AWGN参考線
from scipy.special import erfc
ber_awgn = 0.5 * erfc(np.sqrt(10 ** (snr_db_range / 10)))
plt.semilogy(snr_db_range, ber_awgn, 'k--', linewidth=1.5, label='AWGN (no fading)')
plt.xlabel('Average SNR per bit [dB]', fontsize=13)
plt.ylabel('Bit Error Rate (BER)', fontsize=13)
plt.title('RAKE Receiver BER: MRC with L-path Rayleigh Fading', fontsize=14)
plt.legend(fontsize=11, loc='lower left')
plt.grid(True, which='both', alpha=0.3)
plt.ylim([1e-7, 1])
plt.xlim([0, 25])
plt.tight_layout()
plt.show()
このグラフからは、以下の重要な特徴が読み取れます。
-
$L = 1$（ダイバーシティなし）のBER曲線は非常に緩やかな傾きを持つ — 高SNR領域でも $1/\bar{\gamma}$ にしか比例しないため、BER $= 10^{-3}$ を達成するのに約30 dBのSNRが必要です。これはレイリーフェージングチャネルの本質的な困難さを示しています。
-
パス数 $L$ を増やすごとに、BER曲線の傾きが急になる — $L = 2$ では $1/\bar{\gamma}^2$、$L = 4$ では $1/\bar{\gamma}^4$ に比例し、同じSNRで桁違いのBER改善が得られます。これはまさにダイバーシティ次数の効果です。
-
シミュレーション結果が理論曲線とよく一致する — 完全なチャネル推定を仮定した場合、有限シンボル数のモンテカルロシミュレーションでも理論値を正確に再現できています。
-
AWGN曲線（黒破線）は最も急な傾きを持つ — フェージングがない場合のBERは指数関数的に減少するため、全ての $L$ でのRAKE受信よりも良い性能です。ただし $L$ が大きくなるにつれて、RAKE受信のBER曲線はAWGN曲線に近づいていきます。
合成方式の比較
MRC、EGC、SCの3つの合成方式を比較するシミュレーションも実装します。
def simulate_combining_comparison(snr_db_range, num_paths=3,
num_symbols=5000, code_length=31,
num_trials=100):
"""MRC, EGC, SCの比較シミュレーション"""
methods = ['mrc', 'egc', 'sc']
ber_results = {m: [] for m in methods}
code = generate_spreading_code(code_length)
for snr_db in snr_db_range:
snr_linear = 10 ** (snr_db / 10)
noise_var = code_length / snr_linear
errors = {m: 0 for m in methods}
total_bits = 0
for trial in range(num_trials):
bits = np.random.randint(0, 2, size=num_symbols)
symbols = 2 * bits - 1
spread = spread_signal(symbols, code)
received, alphas, delays = multipath_channel(
spread, num_paths, chip_period=1
)
noise = np.sqrt(noise_var / 2) * (
np.random.randn(len(received)) + 1j * np.random.randn(len(received))
)
received += noise
# MRC
z_mrc = rake_receiver(received, code, alphas, delays,
num_symbols, combining='mrc')
det_mrc = (np.real(z_mrc) > 0).astype(int)
errors['mrc'] += np.sum(det_mrc != bits)
# EGC
z_egc = rake_receiver(received, code, alphas, delays,
num_symbols, combining='egc')
det_egc = (np.real(z_egc) > 0).astype(int)
errors['egc'] += np.sum(det_egc != bits)
# SC（最強パスのみ選択）
strongest = np.argmax(np.abs(alphas))
z_sc = rake_receiver(received, code,
alphas[strongest:strongest+1],
delays[strongest:strongest+1],
num_symbols, combining='mrc')
det_sc = (np.real(z_sc) > 0).astype(int)
errors['sc'] += np.sum(det_sc != bits)
total_bits += num_symbols
for m in methods:
ber_results[m].append(max(errors[m] / total_bits, 1e-7))
return {m: np.array(v) for m, v in ber_results.items()}
# 合成方式比較の実行
print("Comparing combining methods (L=3)...")
combining_ber = simulate_combining_comparison(snr_db_range, num_paths=3)
このシミュレーションでは、同一のマルチパスチャネル実現に対してMRC・EGC・SCの3方式を同時に適用し、条件を揃えた公平な比較を行っています。SC（選択合成）では最も振幅の大きいパスのみをRAKE受信機に渡すことで、実質的にダイバーシティ次数1の受信を模擬しています。各SNRポイントで100試行を実行し、統計的に安定したBER推定値を得ています。
plt.figure(figsize=(10, 7))
style_map = {
'mrc': ('MRC (Maximal Ratio)', '#e74c3c', '-o'),
'egc': ('EGC (Equal Gain)', '#3498db', '-s'),
'sc': ('SC (Selection)', '#2ecc71', '-^'),
}
for method, (label, color, fmt) in style_map.items():
plt.semilogy(snr_db_range, combining_ber[method], fmt,
color=color, markersize=7, linewidth=2, label=label)
plt.xlabel('Average SNR per bit [dB]', fontsize=13)
plt.ylabel('Bit Error Rate (BER)', fontsize=13)
plt.title('Combining Methods Comparison (L=3 Rayleigh Fading Paths)', fontsize=14)
plt.legend(fontsize=12, loc='lower left')
plt.grid(True, which='both', alpha=0.3)
plt.ylim([1e-6, 1])
plt.xlim([0, 25])
plt.tight_layout()
plt.show()
このグラフからは、3つの合成方式の性能差が明確に確認できます。
-
MRCが全SNR領域で最良の性能を示す — これはコーシー・シュワルツの不等式から証明した通りの結果です。振幅と位相の両方を最適に利用するMRCは、理論的に最適な合成方式です。
-
EGCはMRCに近い性能を持つ — 位相補正は行うが振幅重みは均等とするEGCは、MRCとの差が1 dB未満に収まっています。各パスの電力が大きく異ならない場合、この差はさらに小さくなります。振幅推定が困難な状況では、EGCは実装の容易さとのバランスで合理的な選択です。
-
SCは最も性能が低い — 最強の1パスしか使わないSCは、他のパスのエネルギーを捨てているため、ダイバーシティ次数が実質1に低下します。ただしSCでも、複数パスの中から最強を選べるという点で、完全にダイバーシティ利得がないわけではありません（選択ダイバーシティ利得）。
遅延プロファイル推定の可視化
最後に、パス探索器がどのようにパスを検出するかを可視化します。
def visualize_delay_profile(code_length=63, num_paths=4, snr_db=15):
"""遅延プロファイルの推定と可視化"""
np.random.seed(42)
code = generate_spreading_code(code_length)
num_symbols = 100
# シンボル生成と拡散
symbols = 2 * np.random.randint(0, 2, size=num_symbols) - 1
spread = spread_signal(symbols, code)
# マルチパスチャネル（遅延を離散的に配置）
true_delays = np.array([0, 3, 7, 12]) # チップ単位
true_alphas = np.array([
0.8 * np.exp(1j * 0.3),
0.6 * np.exp(1j * 1.7),
0.4 * np.exp(1j * 2.9),
0.25 * np.exp(1j * 0.8)
])
output_len = len(spread) + true_delays[-1]
received = np.zeros(output_len, dtype=complex)
for l in range(num_paths):
d = true_delays[l]
received[d:d + len(spread)] += true_alphas[l] * spread
# AWGN
snr_linear = 10 ** (snr_db / 10)
noise_var = code_length / snr_linear
noise = np.sqrt(noise_var / 2) * (
np.random.randn(len(received)) + 1j * np.random.randn(len(received))
)
received += noise
# 遅延プロファイル推定（スライディング相関）
max_delay = 20 # 走査範囲（チップ数）
correlation = np.zeros(max_delay)
for tau in range(max_delay):
corr_sum = 0.0
for k in range(min(num_symbols, 50)): # 50シンボル分を平均
start = k * code_length + tau
end = start + code_length
if end <= len(received):
corr_sum += np.abs(np.sum(received[start:end] * code)) ** 2
correlation[tau] = corr_sum / min(num_symbols, 50)
# 正規化
correlation /= np.max(correlation)
# 可視化
fig, axes = plt.subplots(2, 1, figsize=(10, 8))
# 上段: 真のパワー遅延プロファイル
ax1 = axes[0]
for l in range(num_paths):
ax1.bar(true_delays[l], np.abs(true_alphas[l]) ** 2,
width=0.5, color='#3498db', edgecolor='#2c3e50',
alpha=0.8)
ax1.annotate(f'Path {l}\n|α|²={np.abs(true_alphas[l])**2:.2f}',
xy=(true_delays[l], np.abs(true_alphas[l]) ** 2),
xytext=(true_delays[l] + 0.5,
np.abs(true_alphas[l]) ** 2 + 0.03),
fontsize=9)
ax1.set_xlabel('Delay [chips]', fontsize=12)
ax1.set_ylabel('Path Power |α|²', fontsize=12)
ax1.set_title('True Power Delay Profile', fontsize=13)
ax1.set_xlim([-1, max_delay])
ax1.grid(True, alpha=0.3)
# 下段: 推定パワー遅延プロファイル
ax2 = axes[1]
ax2.plot(np.arange(max_delay), correlation, '-o',
color='#e74c3c', markersize=5, linewidth=1.5,
label='Estimated PDP')
# 閾値線
threshold = 0.15
ax2.axhline(y=threshold, color='#f39c12', linestyle='--',
linewidth=1.5, label=f'Threshold = {threshold}')
# 検出されたパスをマーク
detected = np.where(correlation > threshold)[0]
ax2.plot(detected, correlation[detected], 'v',
color='#2ecc71', markersize=12, label='Detected paths')
ax2.set_xlabel('Delay [chips]', fontsize=12)
ax2.set_ylabel('Normalized Correlation Power', fontsize=12)
ax2.set_title(f'Estimated Power Delay Profile (SNR = {snr_db} dB)', fontsize=13)
ax2.set_xlim([-1, max_delay])
ax2.legend(fontsize=11)
ax2.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()
return true_delays, detected
true_delays, detected_delays = visualize_delay_profile()
print(f"True delays: {true_delays}")
print(f"Detected delays: {detected_delays}")
上のグラフからは、遅延プロファイル推定の原理と精度が視覚的に理解できます。
-
上段の真のパワー遅延プロファイル では、4本のパスが遅延0, 3, 7, 12チップの位置に配置されています。第0パスが最も強く（$|\alpha_0|^2 = 0.64$）、遅延が大きいパスほど電力が減衰する典型的な指数減衰プロファイルです。
-
下段の推定プロファイル では、スライディング相関による推定値が真のパス位置で明確なピークを示しています。閾値（橙色破線）を超えたピーク位置が検出パスとして同定され、緑色の三角で示されています。SNR = 15 dB の条件では4本全てのパスが正しく検出できていることが確認できます。
-
パスが存在しない遅延位置でも相関値は完全にはゼロにならない — これは拡散符号の有限の自己相関サイドローブと雑音の影響です。閾値の設定が重要であることがわかります。閾値が高すぎると弱いパスを見逃し、低すぎると偽パスを検出してしまいます。
まとめ
本記事では、RAKE受信機の理論と動作原理を体系的に解説しました。
-
マルチパスは敵ではなく味方になりうる — 複数の遅延パスは、独立なフェージングを受けた信号のコピーであり、ダイバーシティの源泉として活用できます。RAKE受信機はこの「タダで得られるダイバーシティ」を収穫する技術です
-
RAKE受信機は相関器バンク + 合成器で構成される — 各フィンガーがマッチドフィルタとして個別のパスの信号を抽出し、合成器がこれらを最適に足し合わせます。パス探索器が遅延プロファイルを推定し、フィンガーに割り当てるパスを決定します
-
最大比合成（MRC）が最適であることをコーシー・シュワルツの不等式で証明した — MRC後の合成SNRは各パスSNRの総和 $\gamma_{\mathrm{MRC}} = \sum_l \gamma_l$ となり、信号エネルギーを一切無駄にしません
-
BERはダイバーシティ次数 $L$ のべき乗で改善される — レイリーフェージング環境でのBERは高SNR領域で $\bar{\gamma}^{-L}$ に比例し、パス数の増加による改善は劇的です
-
CDMA/W-CDMAの核心技術として実用化された — 拡散符号の広帯域性がパス分離能力を提供し、RAKE受信とCDMAは本質的に相性の良い組み合わせです
-
制限事項も理解が重要 — チップ時間以内のパス分離不能、多元接続干渉、チャネル推定誤差、パス間相関がRAKE受信機の性能を制約します
RAKE受信機の思想 — マルチパスの各成分を分離して最適に合成する — は、OFDMの周波数領域等化やMIMOの空間処理にも引き継がれており、現代のディジタル通信を理解する上での基本概念です。
次のステップとして、以下の記事も参考にしてください。
- 等化器（イコライザ）の設計 — 符号間干渉を除去する受信信号処理 — マルチパスによるISIを等化器で除去するアプローチ
- マルチパス伝搬の理論 — 遅延拡がり・ドップラー拡がりとチャネルモデル — RAKE受信機の設計に不可欠なチャネルモデルの詳細