传统BP神经网络算法在实际应用中存在寻优过程跳出局部最优值的困难,收敛速度较慢,训练精度达不到设定要求,输出结果与真实数值相差较大等问题。分数阶微积分具备参数选择灵活、良好的鲁棒性和抗干扰能力强等特点。本文引入分数阶粒子群算法(FPSO)对传统BP神经网络算法进行优化。利用分数阶粒子群良好的记忆能力、收敛速度快、全局寻优效果强、稳定性好、精度高等特点,提出G-L定义的分数阶粒子群优化BP神经网络算法(FPSO-BP)。优化后的算法收敛速度加快,算法的全局寻优能力提升,系统的稳定性和输出精度提高。通过分数阶粒子群对BP神经网络初始权值阈值进行优化,形成最优的训练网络,并使优化后的BP神经网络输出预测值与期望值的误差达到最小。本文的主要研究内容如下:1.研究BP神经网络算法的原理及其推导过程,并阐明此算法存在缺陷的原因;2.研究粒子群算法的理论依据和数学公式原理,给出粒子群优化BP神经网络的算法流程,以及现有优化算法的不足之处;3.研究分数阶微积分的理论和定义,给出分数阶粒子群优化BP神经网络的方法,将新算法应用于环境污染源数据预测,分析改进算法在数据预测中的性能以及预测的精确度;4.研究图像复原的理论基础,将新算法应用于图像复原,分析新算法在图像复原中的性能,并对图像的复原质量进行评价。本文提出的算法应用于环境监测和图像处理领域中,通过与BP神经网络、粒子群BP神经网络相比,分数阶粒子群BP神经网络可加快算法的训练速度,提升算法的训练精度和运行效率。经过分数阶粒子群优化的BP神经网络算法对环境污染源数据预测的结果准确度更高,退化图像复原的效果更好。