阅兵是展示国家军事力量的重大仪式之一,对受阅方队人员的军姿、敬礼、答词等都有着严格的训练要求和考核标准,为了提高训练效率以及保证考核的公正性,建立科学规范的评估考核机制是阅兵训练过程中的关键。然而目前我国仍主要采用传统的人工训考方式,具有费时费力、考核结果易受主观因素影响等缺点,因此现实亟需开发一套合理高效的训考系统,实现阅兵训考电子化、智能化。在各种不同阅兵方队中,雷达预警方队的受阅人员通常需在装备车辆上进行相关训练与考核,本文以该方队人员的“首长好”、“为人民服务”等答词语音为研究对象,以音量、音节、音调为评价指标,针对车载答词训练考核系统的建模方法进行了研究。主要的工作内容和研究成果如下:(1)对答词语音样本进行预处理以及数据特征处理。首先,对答词语音信号进行预加重、加窗、分帧及端点检测等预处理操作,然后提取短时能量、倒谱等语音特征参数,计算音量值、音节长度、基音频率等评价指标特征量,并基于所得特征数据构建回归预测模型的输入特征。其中,对于基音频率的提取,提出了基于非线性组合函数的基音检测改进算法,仿真结果表明,与自相关法、倒谱法等传统算法相比,改进算法能有效地提高基音检测正确率。(2)结合传统评价方法建立了基于相似度比对的答词语音评价模型。通过建立评价指标特征量与相应评价指标选项得分之间的线性函数关系,将受考核答词语音与标准答词语音的特征数据作相似度比对,并根据评价指标的权重得到最终评价结果。(3)结合机器学习方法建立了基于改进Stacking集成学习的答词语音评分预测模型。首先,为了提升回归模型的泛化能力,提出了以支持向量回归、随机森林、径向基神经网络三种基础回归模型为基学习器,K近邻回归模型为元学习器的Stacking集成学习模型。然后,为了进一步提高模型的预测精度,对Stacking集成模型进行了再优化,提出了利用基学习器的输出反馈误差对元学习器的输入进行加权的改进方法。实验结果表明,本文提出的基于Stacking集成策略的融合模型对答词评分的预测准确度高于单一基础模型,且改进后Stacking集成模型的预测精度得到了进一步提升。而与基于传统方法的相似度比对评价模型相比,改进Stacking集成模型的预测结果对实际人工评分的拟合效果明显更优,证明了本文提出的基于机器学习方法的改进评价模型可行且有效,对车载答词训考系统的开发具有重要的指导意义。