NinjaSalmon/DeformRF

---
language: en
license: cc-by-4.0
size_categories: 100K-1M
task_categories:
- feature-extraction
tags:
- rf-engineering
- antenna-arrays
- electromagnetic-simulation
- mobisys-2026
pretty_name: DeformRF Antenna EM Dataset
---

## Citation

If you use this dataset in your research, please cite our MobiSys 2026 paper:

**Standard Format:**
Xingda Chen, Mohammad Rastikerdar, Ankur Aditya, and Deepak Ganesan. 2026. **DeformRF: Data-driven Beamforming and Direction Finding with Deformable Antenna Arrays**. In *Proceedings of the 24th International Conference on Mobile Systems, Applications, and Services (MobiSys '26)*.

**BibTeX:**
```bibtex
@inproceedings{chen2026deformrf,
author = {Chen, Xingda and Rastikerdar, Mohammad and Aditya, Ankur and Ganesan, Deepak},
title = {DeformRF: Data-driven Beamforming and Direction Finding with Deformable Antenna Arrays},
booktitle = {Proceedings of the 24th International Conference on Mobile Systems, Applications, and Services},
series = {MobiSys '26},
year = {2026},
publisher = {ACM},
address = {Cambridge, UK},
doi = {}
}

# DeformRF Antenna EM Dataset

This artifact contains the comprehensive synthetic electromagnetic (EM) dataset used to train the **DeformRF** physics-inspired ML models. It provides a large-scale mapping of antenna geometries to their EM characteristics, specifically focusing on flexible substrates deformed via Bezier curves.

## Dataset Overview
The **DeformRF-Yagi** dataset provides a mapping of 6-element Yagi antenna geometries, deformed via Bezier curves, to their electromagnetic characteristics across multiple frequency bands.

* **Antenna Type:** 6-Element Yagi Antenna
* **Frequency Coverage:** 150 MHz – 850 MHz (100 MHz intervals)
* **Frequencies:** 150, 250, 350, 450, 550, 650, 750, 850 MHz

## Technical Details
* **Configuration:** 6-element Yagi using Bezier curves; 2.004mm dipole width (18 gauge copper); element spacing of 0.15 $\lambda$.
* **Data per Entry:** 3D radiation patterns (realized gain), S-parameters (200 frequency points), E-field components (vertical/horizontal polarization), H-field data, and polarization data.
* **Geometry:** Multiple Bezier curves representing complex structural deformations with corresponding element translation vectors.
* **File Formats:** Metadata in `.txt`; all EM and geometry data in MATLAB `.mat` format.

## Folder Structure
To use the dataset, download and extract the repository files. The structure is organized by frequency and dipole width:

```text
DeformRF-yagi/
├── DATASET_SUMMARY.txt
├── STRUCTURE.txt
└── {frequency_Hz}/ (e.g., 150000000 to 850000000)
└── 0_002004/ (Dipole width: 2.004mm)
├── ant_pattern/ (PAT.mat)
├── ant_vis/ (Visualization files)
├── ant_sparam/ (sparamparams.mat)
├── e_v_fields/ (ev.mat)
├── e_h_fields/ (eh.mat)
├── e_pol_fields/ (polarization.mat)
├── data_curves/ (generated_curves_yagi_*.mat)
├── metadata.txt (Curve metadata)
└── translation_data.mat (Element positioning vectors)

搜集汇总

数据集介绍

构建方式

在无线通信与天线设计领域，DeformRF数据集通过系统化的电磁仿真流程构建而成。该数据集以六单元八木天线为基准模型，采用贝塞尔曲线模拟柔性基板上的复杂结构形变，生成了大量变形天线几何构型。针对每个几何构型，在150 MHz至850 MHz的八个离散频点上执行全波电磁仿真，精确计算三维辐射方向图、S参数、电场与磁场分量以及极化特性等关键电磁响应数据，最终形成天线几何与电磁特性之间的大规模映射关系。

特点

该数据集的核心特征在于其专注于可变形天线阵列的电磁特性表征，为数据驱动的波束成形与测向研究提供了坚实基础。数据集覆盖了宽频带范围内的多频点电磁响应，每个数据条目均包含高维度的完整电磁场数据与精确的几何描述。其结构化存储方式将仿真数据按频率与振子宽度分层组织，确保了数据的一致性与可追溯性，为机器学习模型训练提供了高质量、大规模且物理意义明确的合成数据。

使用方法

研究人员可通过下载数据集压缩包并解压，依据其清晰的文件夹结构访问所需数据。数据按中心频率和振子宽度分类存储，每个子目录下包含以MATLAB .mat格式保存的辐射方向图、S参数、场分量等电磁数据，以及描述天线形变几何的元数据文件。使用者可编程读取这些文件，将天线形变参数作为输入，对应的电磁响应作为目标，用于训练和评估基于物理启发的机器学习模型，以探索可重构天线的智能控制策略。

背景与挑战

背景概述

随着柔性电子与可重构天线技术的迅猛发展，可变形天线阵列因其能够动态调整辐射特性而成为无线通信领域的前沿研究方向。DeformRF数据集由Xingda Chen等研究人员于2026年创建，旨在支持数据驱动的波束成形与方向寻找研究。该数据集通过系统化地映射贝塞尔曲线变形的六单元八木天线几何结构与电磁特性之间的复杂关系，为物理启发式机器学习模型提供了大规模合成电磁仿真数据。其覆盖150 MHz至850 MHz的多个频段，详细记录了辐射方向图、S参数及场分量等关键电磁特征，显著推动了智能天线系统与自适应射频工程领域的算法创新与性能优化。

当前挑战

在可变形天线阵列的研究中，核心挑战在于准确建模几何形变与电磁响应之间的非线性映射关系，传统分析方法难以高效处理高维参数空间与复杂结构变化。DeformRF数据集构建过程中，需克服大规模电磁仿真计算的高成本与时间开销，同时确保贝塞尔曲线参数化所生成的天线几何既具备物理可实现性，又能广泛覆盖实际变形场景。此外，数据集需整合多频段、多极化场数据与几何元数据，保持格式一致性与可访问性，以支撑端到端机器学习管道的可靠训练与验证。

常用场景

经典使用场景

在无线通信与射频工程领域，DeformRF数据集为研究可变形天线阵列的电磁特性提供了关键数据支撑。该数据集通过贝塞尔曲线模拟天线结构的复杂形变，映射几何参数与辐射模式、S参数等电磁响应之间的关联，经典应用于数据驱动的波束成形与方向寻找算法开发。研究人员利用其大规模合成电磁数据，训练物理启发的机器学习模型，以优化可重构天线的性能，适应动态环境中的信号传输需求。

解决学术问题

DeformRF数据集有效解决了可变形天线阵列设计中电磁仿真计算成本高昂、传统方法难以处理复杂几何形变的学术挑战。它通过提供涵盖多频段、多形变配置的标准化电磁数据，支持机器学习模型学习天线几何与电磁特性之间的非线性映射，从而推动数据驱动的天线设计范式。这一进展降低了天线优化对全波仿真的依赖，促进了智能射频系统在移动计算与物联网中的理论创新。

衍生相关工作

围绕DeformRF数据集，衍生了一系列专注于可重构天线与机器学习融合的经典研究工作。例如，基于该数据集的物理启发模型被扩展用于联合波束成形与信道估计，推动了射频感知一体化设计。后续研究进一步探索了生成式模型在天线形变合成中的应用，以及跨频段泛化能力优化，为智能电磁表面的可控辐射与自适应通信协议提供了新的方法论框架。