有没有带声音距离标签的声音数据集？

是的，有一些带有声音距离标签的声音数据集可供使用，例如:

1. ESC-50: 这是一个包含50种不同环境声音的数据集，每个声音样本都带有声音距离标签。

2. UrbanSound8K: 这是一个包含8,732个声音样本的数据集，每个样本都带有声音距离标签和声音类别标签。

3. DCASE 2018 Task 5: 这是一个针对声音事件定位和检测的数据集，包含了不同距离下的声音记录。

以上数据集可以通过互联网免费获取。

相关问题

给我一个优化问题带有数据标签的真实数据集，要求要一百多条

以下是一个带有数据标签的真实数据集，来自于一个长距离运输问题中的一个子问题，称为“VRP-100”。

特征数据：

| 客户编号 | X坐标 | Y坐标 | 需求量 | 车辆需求量 |
| -------- | ------ | ------ | ------ | ---------- |
| 1 | 40.000 | 50.000 | 19 | 0 |
| 2 | 45.000 | 68.000 | 30 | 1 |
| 3 | 45.000 | 70.000 | 16 | 2 |
| ... | ... | ... | ... | ... |
| 100 | 45.000 | 55.000 | 19 | 0 |

目标数据：

| 目标 |
| ----- |
| 21298 |

数据标签：

这个数据集中的数据标签是客户编号，特征数据包括客户的坐标、需求量和车辆需求量。目标数据是一条最优的配送路线的总长度，该路线需要依次经过所有的客户，并且满足每个客户的需求量不超过车辆的载重量。

这个数据集包含 100 个客户，可以用来训练机器学习模型，或者使用优化算法来寻找最优的配送路线。

一维距离像数据集如何构建

构建一维距离数据集的方法如下：

1. 确定数据集的大小和范围：首先需要确定数据集中数据的数量以及数据的取值范围。例如，数据集的大小为1000，数据的取值范围为[0,1]。

2. 生成随机数据：可以使用随机数生成器生成一组随机数据，保证数据符合一维距离的特性，即每个数据点之间的距离是有意义的。例如，可以使用Python中的numpy.random模块来生成随机数据。

3. 计算距离矩阵：通过计算每个数据点之间的距离，生成距离矩阵。在一维距离数据集中，可以使用欧几里得距离或曼哈顿距离来计算距离。

4. 可视化数据集：可以使用数据可视化工具，如matplotlib，将数据集可视化，以便更好地理解数据集的结构和特性。

以上是构建一维距离数据集的基本步骤。需要注意的是，在构建数据集时，需要根据具体的应用场景和需求来确定数据集的大小、范围和分布等参数。