分批归一化处理过拟合的原理，是因为同一个数据在不同批中被归一化后的值会有差别。

正确答案是D: 都可以。

以下是对每种方法的专业分析：

A: Dropout
Dropout是一种在训练过程中随机丢弃一部分神经元的方法。通过这种方式，可以防止神经元之间产生过强的依赖关系，从而提高模型的泛化能力，减少过拟合的风险。

B: 分批归一化(Batch Normalization)
分批归一化是在每一小批数据上进行归一化处理，标准化输入层或隐藏层的激活值。这样可以加速训练过程，稳定模型训练，同时也有助于减轻过拟合现象。

C: 正则化(Regularization)
正则化方法（如L1正则化和L2正则化）通过在损失函数中增加一个惩罚项来限制模型的复杂度，从而防止模型过拟合。L1正则化倾向于产生稀疏模型，而L2正则化则倾向于减小权重值。

综上所述，这三种方法都可以有效地处理神经网络中的过拟合问题，因此正确答案是D: 都可以。