Ein Neuron reagiert auf einen Stimulus mit einer Folge von Aktionspotentialen, die mit jeder Wiederholung verschieden ausfallen. Das Antwortverhalten des Neurons wird hier mittels einer Wahrscheinlichkeitsdichte beschrieben, mit der eine bestimmte Folge von Aktionspotentialen auftritt. Das Antwortverhalten des Neurons hängt von der synaptischen Verknüpfungsstruktur ab, beschrieben durch das rezeptive Feld.Am Beispiel des auditorischen Systems werden verschiedene Verfahren zur Rekonstruktion des rezeptiven Feldes bei verrauschten Messdaten aus Optimierungsprinzipien abgeleitet und untereinander verglichen. Das Neuron wird zunächst so genähert, dass der quadratische Fehler zwischen Output eines linearen Modells und den Messdaten minimal ist. Die Bayessche Methode berechnet das wahrscheinlichste lineare rezeptive Feld unter der Annahme, dass der gemessene neuronale Output durch Gaußsches Rauschen verfälscht und das rezeptive Feld a-priori wie Gaußsches weißes Rauschen verteilt ist. Die Regularisierungsmethode ist eine Verallgemeinerung. Ein hier vorgestellter effizienter Algorithmus zur Berechnung von Support-Vektor-Maschinen ist eine weitere Alternative.