📡 RadPat-50K: A Large-Scale Benchmark for Antenna Array Radiation Patterns

📡 RadPat-50K: A Large-Scale Benchmark for Antenna Array Radiation Patterns RadPat-50K is a large-scale synthetic dataset of 50,000 radiation patterns generated for Uniform Linear Arrays (ULA). Each sample includes polar plots and rectangular plots of the array factor, along with metadata for design and performance parameters. 📊 Dataset Highlights • Size: 50,000 radiation patterns • Array Elements (N): 4, 8, 12, 16, 24, 32, 48, 64 • Element Spacing (λ): 0.25, 0.5, 0.75, 1.0 • Steering Angles (°): –60, –45, –30, –15, 0, 15, 30, 45, 60 • Weighting Schemes: o Uniform o Binomial o Cosine o Kaiser o Hamming o Hann o Blackman o Exponential • Variations (for diversity): o ⚡ Amplitude noise o 📐 Phase noise o 🎯 Steering jitter 🔬 Applications This dataset is well-suited for research in machine learning, deep learning, and signal processing, including: • 📑 Antenna pattern classification • 🎛️ Beamforming analysis • 🚨 Grating lobe detection • 🏗️ Data-driven array design ________________________________________ 🧾 Metadata per Record Each radiation pattern entry includes: • Antenna parameters: number of elements, element spacing, steering angle, weighting scheme • Noise parameters: amplitude noise, phase noise, steering jitter 🧾 Performance Metrics • 📡 Directivity • 📏 Half-Power Beamwidth (HPBW) • 📐 Main Lobe Angle 🤖 Benchmark Potential RadPat-50K provides a standardized benchmark for: • Training and evaluating classification & regression models • Developing robust antenna array designs under noise conditions • Advancing AI-driven RF and antenna research 1. Classification Benchmarks • Task A: Weighting Scheme Classification o Input: Radiation pattern image o Output: Weighting scheme label (uniform, cosine, blackman, etc.) • Task B: Number of Elements Classification o Input: Radiation pattern image o Output: Class label (N = 4, 8, 12, 16, 24, 32, 48, 64) • Task C: Spacing Classification o Input: Radiation pattern image o Output: Class label (d = 0.25λ, 0.5λ, 0.75λ, 1.0λ) • Task D: Joint Classification o Input: Radiation pattern image o Output: Multi-task prediction (N, spacing, weighting, steering angle category). ________________________________________ 2. Regression Benchmarks • Task E: Directivity Prediction o Input: Radiation pattern image o Output: Directivity (linear or dB). • Task F: HPBW Prediction o Input: Radiation pattern image o Output: Half Power Beamwidth in degrees. ________________________________________ 3. Multi-Label / Structured Prediction • Task G: Parameter Recovery o Input: Radiation pattern image o Output: A set of antenna parameters (N, spacing, weighting scheme, steering angle). ________________________________________ 4. Vision-Language Benchmarks (VQA-style) • Task H: Antenna Q&A o Input: (Image + Question) o Example Qs:  "What is the main lobe direction?"  "Which weighting scheme is applied?"  "How many array elements are used?" o Output: Answer (text).📡 RadPat-50K：面向天线阵列辐射方向图的大规模基准数据集 RadPat-50K是一个专为均匀线阵（Uniform Linear Arrays, ULA）生成的包含50000份辐射方向图的大规模合成数据集。每份样本均包含阵列因子（array factor）的极坐标图（polar plots）与直角坐标图（rectangular plots），同时附带设计与性能参数的元数据。 📊 数据集核心特性 • 样本规模：50000份辐射方向图 • 阵列单元数（N）：4、8、12、16、24、32、48、64 • 单元间距（λ）：0.25、0.5、0.75、1.0 • 波束指向角（°）：-60、-45、-30、-15、0、15、30、45、60 • 加权方案： o 均匀加权（Uniform） o 二项式加权（Binomial） o 余弦加权（Cosine） o 凯泽加权（Kaiser） o 汉明加权（Hamming） o 汉宁加权（Hann） o 布莱克曼加权（Blackman） o 指数加权（Exponential） • 多样性扰动设置： o ⚡ 幅度噪声 o 📐 相位噪声 o 🎯 指向抖动 🔬 适用研究场景 本数据集适配机器学习、深度学习与信号处理领域的相关研究，具体包括： • 📑 天线辐射方向图分类 • 🎛️ 波束成形分析 • 🚨 栅瓣检测 • 🏗️ 数据驱动型阵列设计 ________________________________________ 🧾 单条记录元数据 每份辐射方向图条目包含以下信息： • 天线参数：阵列单元数、单元间距、波束指向角、加权方案 • 噪声参数：幅度噪声、相位噪声、指向抖动 🧾 性能指标 • 📡 方向性系数（Directivity） • 📏 半功率波束宽度（Half-Power Beamwidth, HPBW） • 📐 主瓣指向角 🤖 基准数据集应用潜力 RadPat-50K可为以下任务提供标准化基准： • 训练与评估分类及回归模型 • 在噪声条件下开发鲁棒的天线阵列设计方案 • 推动人工智能驱动的射频与天线领域研究 1. 分类基准任务 • 任务A：加权方案分类 o 输入：辐射方向图图像 o 输出：加权方案标签（均匀、余弦、布莱克曼等） • 任务B：阵列单元数分类 o 输入：辐射方向图图像 o 输出：类别标签（N = 4、8、12、16、24、32、48、64） • 任务C：单元间距分类 o 输入：辐射方向图图像 o 输出：类别标签（d = 0.25λ、0.5λ、0.75λ、1.0λ） • 任务D：联合分类任务 o 输入：辐射方向图图像 o 输出：多任务预测结果（单元数、间距、加权方案、波束指向角类别） ________________________________________ 2. 回归基准任务 • 任务E：方向性系数预测 o 输入：辐射方向图图像 o 输出：方向性系数（线性或dB单位） • 任务F：半功率波束宽度预测 o 输入：辐射方向图图像 o 输出：以度为单位的半功率波束宽度 ________________________________________ 3. 多标签/结构化预测任务 • 任务G：参数恢复 o 输入：辐射方向图图像 o 输出：天线参数集合（单元数、间距、加权方案、波束指向角） ________________________________________ 4. 视觉语言基准任务（视觉问答（Visual Question Answering, VQA）风格） • 任务H：天线领域问答 o 输入：（辐射方向图图像 + 问题） o 示例问题：  "主瓣的指向方向是什么？"  "采用了哪种加权方案？"  "阵列使用了多少个单元？" o 输出：文本形式的答案