1 整合フィルタの基本
1.1 定義と目的
整合フィルタ（matched filter）とは、既知の信号波形が観測データに含まれるかどうかを判断し、含まれる場合の検出性能を高めるために設計される線形フィルタである。対象とする既知波形は「テンプレート」と呼ばれ、時間的形状や周波数特性などがモデルとして与えられる。典型的な目的は、雑音中に埋もれた信号の有無判定（検出）において、所定の誤り指標を最小化しつつ検出率を高めることである。あわせて、信号パラメータ（たとえば到達遅延や振幅）を推定する枠組みにも拡張される。
1.2 数学的定式化
観測信号は、テンプレートに比例した既知波形が加わった成分と、雑音成分の和として表されることが多い。連続時間の例として
- 観測 \(x(t)\)
- 既知波形 \(s(t)\)
- 振幅係数 \(A\)
- 雑音 \(n(t)\)
とし、仮説として
- \(H_1: x(t)=A\,s(t-\tau)+n(t)\)
- \(H_0: x(t)=n(t)\)
のように置く。整合フィルタは、観測 \(x(t)\) に対して特定の線形演算を行い、その出力が高いほど \(H_1\) がもっともらしくなるよう設計される。設計上の入力はテンプレート \(s(t)\) と雑音統計であり、雑音の性質が変われば最適なフィルタも変わる。
1.3 相関との等価性
整合フィルタの出力は、しばしば「受信データとテンプレートの相関」に一致する形で実装される。直観的には、テンプレートと整合する形でデータが揃ったときに出力が大きくなるように、フィルタ係数が調整されるためである。具体的には、テンプレートの時間反転共役（複素信号の場合）を用いた畳み込み演算として表されることが多い。結果として、遅延 \(\tau\) を走査すると、相関ピーク位置が到達遅延推定に対応する。
1.4 最適性の直観
整合フィルタの最適性は、雑音が所定の確率モデルに従うときに、出力が「信号の存在を示す方向」にのみ強く応答し、それ以外の成分を抑えるように重み付けされることに由来する。雑音が白色で独立同分布に近い場合、テンプレートに沿う成分だけが相対的に強く残りやすい。非白色のときは、雑音の相関構造に応じて前処理的な重みが入り、雑音の起伏が大きい方向では出力が増えないように補正が行われる。したがって、整合フィルタは「与えられたモデルの下で、検出に有利な統計量を作る」仕組みとして理解できる。
2 信号と雑音のモデル
2.1 既知信号（テンプレート）の扱い
テンプレートは、検出器が期待する信号形状そのものである。時間領域では波形の立ち上がり、持続、減衰などの形を含み、周波数領域ではスペクトルの分布や位相関係として現れる。テンプレートに既知の時間・周波数の変換を許すかどうか（たとえば遅延や周波数オフセットを未知パラメータとして扱うか）も重要である。テンプレートが「厳密に既知」でない場合、たとえばチャネル歪みや環境変化で波形がずれると、整合度が低下し性能が落ちる。設計では、許容誤差の範囲内でモデル化されることが望ましい。
2.2 雑音の統計モデル
整合フィルタの最適性は、雑音の確率モデルに依存する。最も単純には雑音はガウスで平均ゼロ、分散が一定という仮定が置かれることが多い。さらに相関がある場合には、雑音の自己相関関数や共分散行列（離散時間化したとき）が情報になる。これにより、「雑音のどの成分が大きく揺れるか」が定まり、フィルタ係数の重み付けが最適化される。雑音がガウスでない場合でも、近似として同様の設計が用いられることがあるが、誤検出率や検出確率の予測精度は低下し得る。
2.3 白色雑音と非白色雑音
白色雑音では、周波数ごとの成分が独立に近く、スペクトル密度が一定に近い。すると整合フィルタはテンプレートとの相関（時間反転共役との畳み込み）として比較的単純に実装できることが多い。非白色雑音では、スペクトルが偏り、周波数帯ごとに揺らぎの大きさや位相関係が異なるため、単純な相関だけでは最適にならない場合がある。一般には雑音の相関構造をならす、あるいは雑音の共分散に応じた重みを入れることで、検出の統計量が適切に調整される。
2.4 時間ずれ・振幅未知のケース
実運用では信号の遅延 \(\tau\) は未知であることが多い。そこで整合フィルタを遅延パラメータで走査し、出力のピークを検出統計として用いる。振幅係数 \(A\) が未知の場合、振幅そのものは線形出力に比例して現れるため、閾値設計では統計量の分布（仮説 \(H_0\) と \(H_1\)）の関係が必要になる。振幅を別途推定したい場合は、ピーク近傍での最尤推定や最小二乗に基づく推定器と組み合わせる。遅延と振幅が同時に未知だと探索空間が増えるため、設計は計算量と性能のトレードオフになる。
3 フィルタ設計の考え方
3.1 基本形（時間反転共役）
基本設計では、テンプレートの時間反転共役を用いたフィルタを考える。これは受信信号 \(x(t)\) を、テンプレート \(s(t)\) の反転共役 \(s^*(-t)\) と畳み込むことで、相関に相当する出力を得る操作である。複素包絡を扱う場合、位相整合のために共役が入る点が重要である。結果として、入力に遅延した形でテンプレートが含まれると、出力はその遅延量に対応する位置で大きくなる。白色雑音に近い条件なら、この基本形が出発点として有効である。
3.2 周波数領域での設計
周波数領域では、畳み込みが乗算に変換されるため、設計・解析の見通しが良くなる。整合フィルタの周波数応答は、テンプレートのスペクトルと雑音のスペクトル特性の関数として記述されることが多い。とくに非白色雑音では、雑音のパワースペクトル密度が大きい帯域の寄与を抑えるように重みが設計に反映される。これにより、単純な相関器よりも検出統計の分散を下げ、結果的に信号対誤り比を改善する方向へ働く。
3.3 エネルギー正規化と尺度
整合フィルタの出力には、テンプレートのエネルギー（総二乗量）が直接影響する。そこで比較可能な尺度にするため、正規化が行われることがある。代表例は、テンプレートのエネルギーで割って出力の平均的な大きさを制御する方法である。正規化の目的は、閾値設定の安定化や、異なるテンプレート間での性能比較の容易化にある。ただし、正規化しても検出性能の最適性そのものが失われるとは限らず、設計条件に応じて出力統計の扱いを揃える意味合いが強い。
3.4 雑音分散推定の影響
整合フィルタは雑音統計（分散や相関）を前提として最適化される。そのため雑音分散を推定して用いる場合、推定誤差がそのまま性能劣化に結びつき得る。たとえば閾値を雑音分散に基づいて設定すると、分散の過小推定は誤検出の増加、過大推定は検出率の低下につながる。フィルタ係数に雑音の分散や共分散が含まれる場合も同様で、重みの付け方がずれて、出力の信号成分と雑音成分の比が悪化する。実装では、区間ごとの雑音変動や非定常性を考慮した更新則の設計が課題になる。
4 検出・推定への応用
4.1 検出問題（有無判定）
検出問題では、観測から「テンプレートに対応する信号が存在するか」を二値的に判断する。整合フィルタ出力を統計量 \(y\) とし、\(y\) がある閾値を超えたら \(H_1\) とするのが一般的である。閾値は誤検出率または検出確率の要件に合わせて設定され、雑音仮説 \(H_0\) の出力分布に依存する。線形フィルタは出力をスカラー化するため、決定規則の設計が比較的単純になる利点がある。
4.2 推定問題（遅延や振幅の推定）
推定問題では、信号が存在するだけでなく、そのパラメータを推定する。遅延 \(\tau\) の推定は、走査した整合フィルタ出力のピーク位置を採用する方法が典型である。振幅 \(A\) は、ピーク近傍で線形回帰の係数として推定できる場合が多い。これらは雑音モデルと整合しているほど推定精度が高く、また探索誤差やテンプレートの不一致がバイアスや分散増加として表れる。
4.3 通信（同期・検出）
通信分野では、既知のトレーニング系列やパイロット信号をテンプレートとして、受信側の同期・検出に整合フィルタが用いられる。遅延推定によりタイミングを合わせ、振幅やチャネル利得の推定と組み合わせて復調精度を高める。変調方式やパルス形状が既知であるほど整合度は高まり、ビット誤り率の改善に寄与する。さらに、拡散符号やスプレッドシンボルの検出でも、類似の相関演算が本質的に関わる。
4.4 レーダー・ソナー（ターゲット検出）
レーダーやソナーでは、送信波形の反射が観測されるため、テンプレートとして送信波形を利用した検出が行われる。整合フィルタ出力は距離（遅延）に対応するピークを持ち、これによりターゲットの検出と距離推定が可能になる。加えてドップラー周波数や多径による歪みがある場合、テンプレート拡張（周波数探索や多仮説検出）によって性能を調整する。環境雑音が非白色であることも多く、その場合は雑音スペクトルへの適応が重要になる。
4.5 音響・計測（既知波形の検出）
音響や計測では、機器が既知の刺激波形を入力し、その応答を観測して、特定パターンの到来を検出する場面がある。たとえばパルス応答のピーク検出や、校正信号の到来時刻推定などに適用される。整合フィルタは時間反転共役に基づくため、波形の形が既知であるほど検出の頑健性が高まる。雑音が環境や装置の影響で色付き（非白色）になることもあり、その場合は周波数重み付けや前処理での補正が効果的である。
5 実装上の論点
5.1 離散時間化と実装
実装は離散時間化されたデータ列に対して行われる。連続の畳み込みは有限長の畳み込み（または相関）として計算される。時間反転共役に対応して、テンプレート系列を逆順にし、複素信号なら共役を取った係数で乗算和を行う。リアルタイム処理では、窓長（テンプレート長）と更新周期の選定が重要になる。メモリ確保やバッファリングも含めて、実際の制約に合わせた構成が必要である。
5.2 計算量とリアルタイム性
ナイーブな畳み込みはテンプレート長に比例して計算量が増える。長いテンプレートを高いサンプリング周波数で処理する場合、計算資源がボトルネックになり得る。周波数領域で高速化するためにFFTを利用する方法や、必要な遅延候補だけを評価する工夫が用いられる。さらに実装では固定小数点演算やベクトル化によりスループットを確保することがあるが、量子化誤差が性能に影響する可能性がある。
5.3 雑音統計の誤設定（性能劣化）
設計時に用いた雑音モデルと実環境の雑音統計が一致しないと、最適性が失われる。分散の見積りがずれれば閾値に直接影響し、相関構造の誤りがあればフィルタ係数の重みが不適切になる。結果として、同じ誤検出率を達成するために必要なSNRが上がったり、検出確率が下がったりする。運用では定期的な雑音推定、外れ値に頑健な推定手法、あるいはモデル更新の仕組みが検討される。
5.4 演算誤差と数値安定性
数値実装では丸め誤差やオーバーフローが問題になる。とくに正規化や逆スペクトルに近い処理を含む場合、極端な値が生じると誤差が増幅され得る。小さな分散で割る操作があると、雑音推定が不安定な局面でフィルタ応答が過大になることもある。対策としてスケーリング、クリッピング、事前の閾値処理、適切なデータ型選択が挙げられる。
6 閾値設定と性能評価
6.1 検出確率と誤検出率
閾値によって、検出確率（正しく \(H_1\) を選ぶ割合）と誤検出率（実際は \(H_0\) なのに \(H_1\) とする割合）がトレードオフする。整合フィルタ出力が雑音仮説下でどのように分布するかを把握することで、誤検出率を所望の水準に合わせた閾値を設定できる。信号仮説下の出力分布もまた関係するため、結果として検出確率が決まる。評価では、統計的なばらつきを考えた実測またはシミュレーションに基づく確認が一般的である。
6.2 ROC曲線と評価指標
ROC曲線（Receiver Operating Characteristic）は、誤検出率を横軸、検出確率を縦軸として、閾値を変化させたときの性能を俯瞰するための図である。整合フィルタはモデル整合が良いほどROCが右上方向に寄りやすい。評価指標としてはROCの形だけでなく、特定の誤検出率における検出確率や、所要SNRの比較などが用いられる。用途によって重視される領域が異なるため、指標選択は要件に合わせる必要がある。
6.3 SNR改善量の考え方
整合フィルタは出力SNRを改善する設計として理解されることが多い。改善量は、入力の信号対雑音比と、フィルタ出力でのそれとの比として定義される場合がある。ただし、出力における統計量の定義（正規化有無、ピークの採り方、窓長など）によって数値が変わるため、比較は同一条件で行うのが望ましい。重要なのは、理論的なSNR向上が実際の検出率・誤検出率にどの程度反映されるかであり、雑音モデルの一致度や推定誤差が影響する。
6.4 フィッティング誤差の影響
テンプレートと実際の信号波形が一致しないと、整合性が低下し性能が落ちる。ずれには、時間スケールの違い、周波数帯の変化、位相回転、振幅包絡の歪みなどが含まれる。フィッティング誤差は相関ピークの高さ低下やピークの広がりとして現れ、遅延推定の分散も増える。設計では許容誤差を見積もり、複数テンプレートの併用やパラメータ探索範囲の調整によって影響を緩和する。
7 関連手法との関係
7.1 ウィナーフィルタとの比較
ウィナーフィルタは、平均二乗誤差を最小化する観点から設計されることが多い。整合フィルタは検出・統計量の最適化として導かれるため、目的関数が異なる。とはいえ、雑音がガウスで線形モデルを仮定し、特定の条件がそろうと両者が近い形になる場合がある。実務では、所望の出力（検出統計なのか、推定誤差の最小化なのか）を明確にし、どちらの設計思想が適しているかを判断する必要がある。
7.2 相関器・畳み込みとの関係
整合フィルタは相関器や畳み込み演算と密接に関係する。白色雑音に近い場合、相関器として解釈できるため、信号処理の基本演算として実装しやすい。一方、非白色雑音に対応する場合は、単なる相関に留まらず、雑音の共分散情報に基づく重み付けが付加される。したがって、形式として相関に見えても、係数の作り方には統計モデルが反映される点が重要である。
7.3 最尤検定・ベイズ検出との位置づけ
最尤検定は、仮説に対して観測データが最も起こりやすいものを選ぶ枠組みである。整合フィルタの出力は、ガウス雑音の仮定などが成り立つときに、最尤検定の統計量として現れることがある。ベイズ検出では事前確率も用いるため、閾値の形が異なる場合がある。整合フィルタはこれらの検出規則と整合する形で導出されることが多く、計算効率の良い統計量を構成する手段として位置づけられる。
7.4 異なるモデルでの最適性の違い
整合フィルタの「最適」は、雑音統計や信号モデルが仮定通りであることに依存する。雑音がガウスから外れる、テンプレートに変形が加わる、未知パラメータの扱いが不完全であるなど、モデル条件が崩れると、最適性の保証は弱まる。さらに最適性の意味も、最小化したい指標（誤検出、検出の同時達成、推定誤差など）により変わる。したがって、設計時の仮定と実運用の整合性を評価し、必要なら適応や近似の設計へ移行するのが現実的である。