神经网络算法原理？
神经网络预测学习样本中的驾驶行为特征。
如图显示了某个驾驶场景的行驶路径深度学习训练，通过神经网络可以学习驾驶人的行为，并根据当前获取的环境信息决策行驶轨迹，进而可以控制车辆的转向、制动、驱动实现轨迹跟踪。
神经网络bp算法可以对样本进行预测，具体是预测什么？
关于神经网络（matlab）归一化的整理由于采集的各数据单位不一致，因而须对数据进行[-1，1]归一化处理，归一化方法主要有如下几种，供大家参考：（byjames）1、线性函数转换，表达式如下：y=(x-MinValue)/(MaxValue-MinValue)说明：x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。
2、对数函数转换，表达式如下：y=log10(x)说明：以10为底的对数函数转换。
3、反余切函数转换，表达式如下：y=atan(x)*2/PI归一化是为了加快训练网络的收敛性，可以不进行归一化处理归一化的具体作用是归纳统一样本的统计分布性。
归一化在0-1之间是统计的概率分布，归一化在-1--+1之间是统计的坐标分布。归一化有同一、统一和合一的意思。
无论是为了建模还是为了计算，首先基本度量单位要同一，神经网络是以样本在事件中的统计分别几率来进行训练（概率计算）和预测的，归一化是同一在0-1之间的统计概率分布；当所有样本的输入信号都为正值时，与第一隐含层神经元相连的权值只能同时增加或减小，从而导致学习速度很慢。
为了避免出现这种情况，加快网络学习速度，可以对输入信号进行归一化，使得所有样本的输入信号其均值接近于0或与其均方差相比很小。
归一化是因为sigmoid函数的取值是0到1之间的，网络最后一个节点的输出也是如此，所以经常要对样本的输出归一化处理。所以这样做分类的问题时用[0.90.10.1]就要比用[100]要好。
但是归一化处理并不总是合适的，根据输出值的分布情况，标准化等其它统计变换方法有时可能更好。
关于用premnmx语句进行归一化：premnmx语句的语法格式是：[Pn,minp,maxp,Tn,mint,maxt]=premnmx(P,T)其中P，T分别为原始输入和输出数据，minp和maxp分别为P中的最小值和最大值。
mint和maxt分别为T的最小值和最大值。premnmx函数用于将网络的输入数据或输出数据进行归一化，归一化后的数据将分布在[-1,1]区间内。
我们在训练网络时如果所用的是经过归一化的样本数据，那么以后使用网络时所用的新数据也应该和样本数据接受相同的预处理，这就要用到tramnmx。
下面介绍tramnmx函数：[Pn]=tramnmx(P,minp,maxp)其中P和Pn分别为变换前、后的输入数据，maxp和minp分别为premnmx函数找到的最大值和最小值。
（byterry2008）matlab中的归一化处理有三种方法1.premnmx、postmnmx、tramnmx2.restd、poststd、trastd3.自己编程具体用那种方法就和你的具体问题有关了（byhappy）pm=max(abs(p(i,:)));p(i,:)=p(i,:)/pm;和fori=1:27p(i,:)=(p(i,:)-min(p(i,:)))/(max(p(i,:))-min(p(i,:)));end可以归一到01之间0.1+(x-min)/(max-min)*(0.9-0.1)其中max和min分别表示样本最大值和最小值。
这个可以归一到0.1-0.9。
神经网络为什么可以预测？
这个要视处理的问题而定，训练网络的样本是基于多少年的数据，相应预测的就是多少年的数据。
例如电力负荷预测，当进行的是短期负荷预测时，输入的样本为最近几日的负荷数据，那么预测的自然是最近几日的，不可能再长。
而进行长期负荷预测时，训练样本是以年为单位的负荷数据，就可以预测几年甚至数十年的负荷。再例如，进行人口增长预测，则一般是以多年预测为基础的。
如何用BP神经网络实现预测
首先要知道你建立的这个模型的内部逻辑关系。。1，确定隐层数，画出简要模型图。2，确定采用什么样的神经网络来建立模型3.通过测试数据来训练模型。。
4.根据测试训练得到的数据和实际数据进行比对，或者算出误差。从而修改隐层中的权值和阀值。反复重复3-4.。最后得到一个最优的模型。大致是这样。。。楼主说的太概略。。。无法回答清楚请抱歉。
采用什么手段使神经网络预测更加准确
优化神经网络结构。如BP神经网络改变隐层神经元数量、训练算法等；使用其他神经网络。如Elman神经网络考虑了前一时刻的输出，比较适合用于预测，预测效果往往更好。
RBF神经网络的训练速度很快，训练效果也很好。改进的神经网络算法。例如BP神经网络增加动量项、自适应学习率等措施，防止陷入局部极小影响预测效果。组合神经网络。
取长补短，将全局搜索能力强的算法与局部逼近快的算法组合起来，如遗传算法优化初始权值，再训练。这种方法比较灵活，可以和许多算法融合。全面考虑影响因素。
未来的预测值受许多因素影响，所以应该在基于历史数据的基础上，充分考虑各种因素，考虑得越周全，预知信息越多，预测效果一般更好。