随着高通量测序技术的发展，海量的基因组序列数据为了解基因组的结构提供了数据基础。剪接位点识别是基因组学研究的重要环节，在基因发现和确定基因结构方面发挥着重要作用，且有利于理解基因性状的表达。针对现有模型对脱氧核糖核酸（DNA）序列高维特征提取能力不足的问题，构建了由BERT（Bidirectional Encoder Representations from Transformer）和平行的卷积神经网络（CNN）组合而成的剪接位点预测模型——BERT-splice。首先，采用BERT预训练方法训练DNA语言模型，从而提取DNA序列的上下文动态关联特征，并且使用高维矩阵映射DNA序列特征；其次，采用人类参考基因组序列hg19数据，使用DNA语言模型将该数据映射为高维矩阵后作为平行CNN分类器的输入进行再训练；最后，在上述基础上构建了剪接位点预测模型。实验结果表明，BERT-splice模型在DNA剪接位点供体集上的预测准确率为96.55%，在受体集上的准确率为95.80%，相较于BERT与循环卷积神经网络（RCNN）构建的预测模型BERT-RCNN分别提高了1.55%和1.72%；同时，在5条完整的人类基因序列上测试得到的所提模型的供体/受体剪接位点平均假阳性率（FPR）为4.74%。以上验证了BERT-splice模型用于基因剪接位点预测的有效性。

针对随机扰动造成的企业库存系统缺货、库存水平增加和订货波动增大的问题，提出一种基于自抗扰控制（ADRC）的随机扰动库存系统优化模型。首先，根据进销存产品流和信息流的运营管理逻辑，通过拉普拉斯变换得到了库存系统的传递函数并将其转换成一类二阶状态空间标准式；然后，设计了一种包括跟踪微分器、扩张状态观测器和非线性状态误差反馈控制率的基于ADRC的随机扰动库存系统优化模型，从而在保证系统稳定的前提下，控制补偿随机扰动对库存系统的影响；最后，利用行业数据进行仿真实验，以验证ADRC优化模型对随机扰动库存系统优化的有效性。仿真实验结果表明，与无ADRC的库存反馈控制模型相比，基于ADRC的随机扰动库存系统优化模型可减少40%的库存剩余，减小47.4%的订货量均值，降低39.3%的订货量波动，并极大地改善随机扰动下企业库存系统的缺货现象。由此可见，基于ADRC的随机扰动库存系统优化模型能够指导企业合理订货，降低企业库存水平，从动态的角度提高库存系统的稳定性，为企业的实际生产运营提供科学的理论借鉴和应对方法。