electricsheepafrica/radar-swarm-intent

---
license: apache-2.0
task_categories:
- tabular-classification
language:
- en
tags:
- radar
- swarm-detection
- intent-recognition
- drone-swarm
- formation-analysis
- behavioral-classification
- synthetic-data
- counter-uas
pretty_name: "Synthetic Swarm Intent Recognition"
size_categories:
- 1K<n<10K
configs:
- config_name: default
data_files:
- split: train
path: data/features.parquet
---

# Synthetic Swarm Intent Recognition

## Dataset Description

Synthetic radar dataset for classifying coordinated drone swarm behavior and inferring tactical intent from aggregate radar observables. Contains 3,000 labeled samples across 6 swarm behavior classes, each with both a class label and an intent label. Features capture formation geometry, velocity distributions, behavioral dynamics, and aggregate Doppler statistics from multi-target range-Doppler maps.

### Dataset Summary

| Property | Value |
|----------|-------|
| **Total samples** | 3,000 (500 per class, perfectly balanced) |
| **Classes** | 6 |
| **Intent labels** | 6 (one-to-one with classes) |
| **Features** | 29 columns (24 numeric, 5 categorical/ID) |
| **Radar system** | X-band, 9.5 GHz |
| **Range** | 500 m to 8 km |
| **SNR range** | 10 to 29 dB |
| **Swarm sizes** | 1 to 60 members |
| **Format** | Apache Parquet |

## Swarm Behavior Classes

| Class | Intent Label | Formation | Targets | Speed (m/s) | Behavior | Maneuver Rate |
|-------|-------------|-----------|---------|-------------|----------|---------------|
| `recon` | reconnaissance | spread | 3-12 | 20 +/- 5 | grid_search | 0.1 Hz |
| `attack` | attack | wedge | 8-30 | 40 +/- 10 | converge | 0.5 Hz |
| `jamming` | electronic_warfare | ring | 2-8 | 15 +/- 5 | orbit | 0.3 Hz |
| `decoy` | deception | dispersed | 10-40 | 25 +/- 8 | erratic | 1.0 Hz |
| `evasion` | evasion | scatter | 4-15 | 35 +/- 10 | evade | 2.0 Hz |
| `individual` | individual | none | 1 | 25 +/- 10 | straight | 0.1 Hz |

## Signal Generation

Each sample generates a multi-target range-Doppler map:

1. **Formation geometry**: Targets are placed according to the formation type:
- **Spread/dispersed**: Random positions within formation radius
- **Wedge**: Angular spread with range tapering (attack formation)
- **Ring**: Targets equally spaced on a circle (jamming standoff)
- **Scatter**: Random positions at 0.5-1.5x formation radius (evasion)

2. **Per-target Doppler**: Velocity varies by behavior type:
- **Converge**: Members accelerate toward a common point
- **Scatter**: Members diverge with high velocity spread
- **Orbit**: Sinusoidal velocity variation (circular path)
- **Evade**: Large random velocity offsets
- **Straight**: Tight velocity clustering

3. **Multi-target pulse matrix**: Each swarm member contributes `amp * exp(j * phase)` at its range bin and Doppler frequency. The per-target RCS follows log-normal statistics.

4. **Environment**: Ground clutter with environment-dependent amplitude and Doppler spread. Two-way atmospheric and rain attenuation applied to signal bins. Multipath scintillation on detected targets.

5. **Feature extraction**: CFAR-like detection (10 dB above median noise), noise-thresholded Doppler profiles (median + 3*MAD), and behavioral feature derivation from RD map dynamics.

## Features

### Aggregate Radar (5)
- `rd_total_power_db`: Total integrated power in RD map (dB)
- `rd_num_detected_targets`: CFAR-detected target count
- `rd_range_extent_m`: Range extent from profile standard deviation
- `rd_doppler_extent_hz`: Doppler extent from CFAR-detected bins (Hz)
- `rd_mean_rcs_m2`: Mean per-target RCS from config (m^2)

### Swarm Formation (7)
- `sw_num_targets`: Number of swarm members
- `sw_formation_radius_m`: Formation radius (m)
- `sw_formation_type`: Formation geometry (spread/wedge/ring/scatter/dispersed/none)
- `sw_centroid_range_m`: Swarm centroid range (m)
- `sw_centroid_velocity_ms`: Swarm centroid velocity (m/s)
- `sw_velocity_spread_ms`: Velocity dispersion across members (m/s)
- `sw_range_spread_m`: Range spread of detected targets (m)

### Aggregate Micro-Doppler (6)
- `md_mean_doppler_hz`: Mean Doppler from thresholded profile (Hz)
- `md_std_doppler_hz`: Doppler spread from thresholded profile (Hz)
- `md_bandwidth_hz`: 90th-10th percentile Doppler bandwidth (Hz)
- `md_energy_spread`: Peak energy concentration
- `st_md_periodicity_hz`: Dominant periodicity from envelope FFT (Hz)
- `st_md_contrast`: Peak-to-median power contrast

### Behavioral (4)
- `bh_maneuver_rate_hz`: Rate of formation changes (Hz) — derived from behavior type with noise
- `bh_altitude_var_m`: Altitude variance across swarm (m) — derived from range extent
- `bh_speed_var_ms`: Speed variance across swarm (m/s) — derived from Doppler std
- `bh_heading_var_deg`: Heading variance across swarm (deg) — behavior-dependent

### Scenario (3)
- `snr_db`: Signal-to-noise ratio from actual RD map (dB)
- `range_m`: Scenario range (m)
- `environment`: Environment condition

## Key Discriminating Features

| Feature | Recon | Attack | Jamming | Decoy | Evasion | Individual |
|---------|-------|--------|---------|-------|---------|------------|
| Targets | 3-12 | 8-30 | 2-8 | 10-40 | 4-15 | 1 |
| Speed | Low | High | Low | Medium | High | Medium |
| Heading var | Low | Medium | Low | High | Very high | Very low |
| Maneuver rate | Very low | Medium | Low | High | Very high | Very low |
| Formation | Spread | Wedge | Ring | Dispersed | Scatter | None |

## Usage

```python
from datasets import load_dataset

ds = load_dataset("electricsheepafrica/radar-swarm-intent")
df = ds['train'].to_pandas()

# Dual-label classification
print(df[['class_label', 'intent_label']].drop_duplicates())

# Formation type distribution
print(df['sw_formation_type'].value_counts())

# Behavioral analysis
behavioral = ['bh_maneuver_rate_hz', 'bh_altitude_var_m',
'bh_speed_var_ms', 'bh_heading_var_deg']
print(df.groupby('class_label')[behavioral].mean())
```

## Data Quality

- Perfectly balanced: 500 samples per class
- No NaN or Inf values
- SNR derived from actual RD map (not random)
- Swarm target counts consistent with config ranges
- Doppler features use noise-thresholded profiles (median + 3*MAD)
- Behavioral features show expected class separation (evasion has highest heading variance, individual has lowest maneuver rate)

## Citation

```bibtex
@misc{electricsheep2025swarm,
title={Synthetic Swarm Intent Recognition: Radar-Based Behavioral Classification of Coordinated Drone Formations},
author={Electric Sheep Africa},
year={2025},
publisher={HuggingFace},
url={https://huggingface.co/datasets/electricsheepafrica/radar-swarm-intent}
}
```

license: Apache-2.0
任务类别：
- 表格分类（tabular-classification）
语言：
- 英语
标签：
- 雷达（radar）
- 集群检测（swarm-detection）
- 意图识别（intent-recognition）
- 无人机集群（drone-swarm）
- 编队分析（formation-analysis）
- 行为分类（behavioral-classification）
- 合成数据（synthetic-data）
- 反无人机（counter-uas）
美观名称："合成式集群意图识别数据集"
样本规模：1000 < 样本数 < 10000
配置项：
- 配置名称：default
数据文件：
- 拆分方式：train
路径：data/features.parquet

# 合成式集群意图识别数据集

## 数据集说明
本数据集为合成雷达数据集，用于对协同无人机集群行为进行分类，并从聚合雷达观测数据中推断其战术意图。数据集包含6类集群行为的3000条标注样本，每类样本同时具备类别标签与意图标签。特征涵盖多目标距离多普勒（range-Doppler, RD）地图中的编队几何结构、速度分布、行为动力学及聚合多普勒统计特征。

### 数据集概览
| 属性 | 数值 |
|----------|-------|
| **总样本量** | 3000条（每类500条，完全均衡） |
| **类别数** | 6类 |
| **意图标签数** | 6个（与类别一一对应） |
| **特征数** | 29列（24个数值型特征，5个分类/标识型特征） |
| **雷达系统** | X波段，9.5 GHz |
| **探测距离范围** | 500米至8千米 |
| **信噪比范围** | 10 dB至29 dB |
| **集群规模** | 1至60个成员 |
| **数据格式** | Apache Parquet |

## 集群行为类别
| 类别代号 | 意图标签 | 编队类型 | 目标数量 | 速度（米/秒） | 行为模式 | 机动速率 |
|---|---|---|---|---|---|---|
| `recon` | 侦察 | 散开式 | 3-12 | 20±5 | 网格搜索 | 0.1 Hz |
| `attack` | 攻击 | 楔形 | 8-30 | 40±10 | 集结逼近 | 0.5 Hz |
| `jamming` | 电子对抗 | 环形 | 2-8 | 15±5 | 环绕巡航 | 0.3 Hz |
| `decoy` | 欺骗干扰 | 分散式 | 10-40 | 25±8 | 无规则机动 | 1.0 Hz |
| `evasion` | 规避 | 散射式 | 4-15 | 35±10 | 规避机动 | 2.0 Hz |
| `individual` | 单机行动 | 无编队 | 1 | 25±10 | 直线飞行 | 0.1 Hz |

## 信号生成流程
每条样本将生成多目标距离多普勒地图，生成流程如下：
1. **编队几何结构**：目标位置根据编队类型确定：
- **散开/分散式**：在编队半径内随机分布目标
- **楔形**：按角度展开且距离呈梯度分布（攻击编队）
- **环形**：目标在圆周上等间距分布（电子对抗对峙编队）
- **散射式**：目标随机分布于0.5至1.5倍编队半径范围内（规避编队）
2. **单目标多普勒特征**：速度随行为模式变化：
- **集结逼近**：集群成员向公共点加速靠近
- **散射分散**：集群成员高速分散，速度分布离散度高
- **环绕巡航**：速度呈正弦变化（沿圆周路径飞行）
- **规避机动**：速度存在大幅随机偏移
- **直线飞行**：速度聚类紧密，分布集中
3. **多目标脉冲矩阵**：每个集群成员在其距离单元和多普勒频率处贡献信号`amp * exp(j * phase)`，单目标雷达截面积（RCS, Radar Cross Section）服从对数正态分布。
4. **环境建模**：加入与环境相关的地面杂波，其幅度和多普勒扩展随环境变化；对信号单元施加双向大气与降雨衰减；为检测目标添加多径闪烁效应。
5. **特征提取**：采用类恒虚警率（CFAR, Constant False Alarm Rate）检测（阈值为噪声中值+10 dB），对多普勒剖面进行噪声阈值处理（中值+3倍绝对中位差，MAD），并从距离多普勒地图动力学中提取行为特征。

## 特征说明
### 聚合雷达特征（5项）
- `rd_total_power_db`：距离多普勒地图总积分功率（dB）
- `rd_num_detected_targets`：恒虚警率检测得到的目标数量
- `rd_range_extent_m`：由剖面标准差计算得到的距离范围
- `rd_doppler_extent_hz`：由恒虚警率检测单元计算得到的多普勒范围（Hz）
- `rd_mean_rcs_m2`：配置文件中定义的单目标平均雷达截面积（平方米）

### 集群编队特征（7项）
- `sw_num_targets`：集群成员数量
- `sw_formation_radius_m`：编队半径（米）
- `sw_formation_type`：编队几何类型（散开/楔形/环形/散射式/分散式/无编队）
- `sw_centroid_range_m`：集群质心距离（米）
- `sw_centroid_velocity_ms`：集群质心速度（米/秒）
- `sw_velocity_spread_ms`：集群成员间的速度离散度（米/秒）
- `sw_range_spread_m`：检测目标的距离离散度（米）

### 聚合微多普勒特征（6项）
- `md_mean_doppler_hz`：经阈值处理的多普勒剖面的平均多普勒频移（Hz）
- `md_std_doppler_hz`：经阈值处理的多普勒剖面的多普勒扩展（Hz）
- `md_bandwidth_hz`：多普勒带宽的90%-10%分位数范围（Hz）
- `md_energy_spread`：峰值能量集中度
- `st_md_periodicity_hz`：由包络快速傅里叶变换（FFT, Fast Fourier Transform）得到的主周期性（Hz）
- `st_md_contrast`：峰值与中值功率对比度

### 行为特征（4项）
- `bh_maneuver_rate_hz`：编队变化速率（Hz）—— 由行为模式叠加噪声推导得到
- `bh_altitude_var_m`：集群成员间的高度方差（米）—— 由距离范围推导得到
- `bh_speed_var_ms`：集群成员间的速度方差（米/秒）—— 由多普勒标准差推导得到
- `bh_heading_var_deg`：集群成员间的航向方差（度）—— 与行为模式相关

### 场景特征（3项）
- `snr_db`：实际距离多普勒地图计算得到的信噪比（dB）
- `range_m`：场景探测距离（米）
- `environment`：环境条件

## 关键区分特征
| 关键区分特征 | 侦察类 | 攻击类 | 电子对抗类 | 欺骗干扰类 | 规避类 | 单机行动类 |
|---|---|---|---|---|---|---|
| 目标数量 | 3-12 | 8-30 | 2-8 | 10-40 | 4-15 | 1 |
| 速度 | 低 | 高 | 低 | 中 | 高 | 中 |
| 航向方差 | 低 | 中 | 低 | 高 | 极高 | 极低 |
| 机动速率 | 极低 | 中 | 低 | 高 | 极高 | 极低 |
| 编队类型 | 散开式 | 楔形 | 环形 | 分散式 | 散射式 | 无编队 |

## 使用示例
python
from datasets import load_dataset

ds = load_dataset("electricsheepafrica/radar-swarm-intent")
df = ds['train'].to_pandas()

# 双标签分类任务示例
print(df[['class_label', 'intent_label']].drop_duplicates())

# 编队类型分布统计
print(df['sw_formation_type'].value_counts())

# 行为特征分析
behavioral_features = ['bh_maneuver_rate_hz', 'bh_altitude_var_m',
'bh_speed_var_ms', 'bh_heading_var_deg']
print(df.groupby('class_label')[behavioral_features].mean())

## 数据质量
- 样本完全均衡：每类均包含500条样本
- 无NaN或Inf异常值
- 信噪比由实际距离多普勒地图计算得到（非随机生成）
- 集群目标数量符合配置文件定义的范围
- 多普勒特征采用噪声阈值处理后的剖面（中值+3倍绝对中位差）
- 行为特征呈现出预期的类别区分度（规避类航向方差最高，单机行动类机动速率最低）

## 引用
bibtex
@misc{electricsheep2025swarm,
title={合成式集群意图识别：基于雷达的协同无人机编队行为分类},
author={Electric Sheep Africa},
year={2025},
publisher={HuggingFace},
url={https://huggingface.co/datasets/electricsheepafrica/radar-swarm-intent}
}