روش های خودکار آنالیز داده های اخترفیزیک و نجوم، به دلیل حجم بسیار بالای داده های رصدی، امروزه به طور گسترده مورد استقبال فیزیک دانان نجوم قرار گرفته اند و در زمینه های مختلف استفاده می شوند‎.‎ کیهان شناسی یک مطالعه ی علمی از ویژگی های کل جهان در مقیاس بزرگ است که تلاش می کند از روشی علمی برای فهم اساس، تحول، سرانجام و آینده ی کل جهان استفاده کند. تابش ریز موج پس زمینه ی کیهانی ‎ cmb ، یکی از پیش بینی های مدل استاندارد کیهان شناسی است که به طور همگن و تقریبا همسان گرد درسراسر کیهان پراکنده شده است. با توجه به اینکه تابش پس زمینه ی کیهانی باقی مانده ی انفجار بزرگ است، کیهان شناسان می توانند با مطالعه ی آن اطلاعاتی درباره ی سن کیهان، اجزای سازنده، هندسه، نرخ انبساط کل و دمای کیهان به دست آورند. بنابراین مطالعه ی تابش پس زمینه ی کیهانی از اهمیت زیادی برخوردار است. با توجه به خواص آماری تابش زمینه ی کیهان، با استفاده از ابزار "طیف توان" می توان به ویژگی های این تابش پی برد. در این پایان نامه از روش شبکه ی عصبی مصنوعی که یک روش سریع و دقیق است، برای تخمین طیف توان و پارامترهای کیهان شناختی استفاده می شود. یک مولفه ی کلیدی در همه آنالیز ها، محاسبه ی چگالی پسین پارامتر های کیهان شناسی است که داده های در دسترسی را به ما می دهد. این کار به ما اجازه می دهد که مدل های تئوری جهان را بیازماییم. مانع محاسباتی بزرگ در این فرآیند توانایی محاسبه ی سریع و دقیق طیف توان نوسانات تابش پس زمینه ی کیهانی است که به وسیله ی کدهایی مانند camb و cmbeasy انجام می شود. با استفاده از تنظیمات دقیق قراردادی در camb ، محاسبه ی تک طیف توان در مرتبه ای کم تر از یک دقیقه به دست می آید. کاهش زمان مورد نیاز برای محاسبه ی طیف توان تابش زمینه مادامی که دقت زیر خطای کیهانی برقرار است یک نقش مهم در تبدیل داده های خام به اطلاعات کمّی درباره ی تاریخچه و ساختار جهان ایفا می کند. شبکه ی عصبی مصنوعی به عنوان یک روش خودکار می تواند طیف توان تابش پس زمینه ی کیهانی و تابع انتقال ماده را محاسبه کند. در این پایان نامه شبکه ی عصبی احتمالی که یک الگوریتم آموزشی با سرپرست است برای محاسبه ی طیف توان cmb و تخمین پارامترها استفاده شده است. این الگوریتم در حجمِ بزرگ داده ها بسیار سریع و دقیق است و دقت آن وابسته به تعداد نمونه های آموزشی است. در این پایان نامه ما از مدل ‎6‎ پارامتری غیر تخت استفاده کرده و طیف های توان tt ، te و ee را محاسبه نموده ایم. از ‎46291‎ طیف توانِ تولید شده توسط camb استفاده شده است که ‎90‎ درصد آن برای آموزش شبکه ی عصبی مصنوعی و ‎10‎ درصد آن برای تست شبکه، برای استخراج پارامترهای طیف های توان استفاده شده است‎. ما مجموعه ی آموزشی طیف های توان را با استفاده از مولد camb به وسیله ی نمونه برداری یکنواخت برای محاسبه ی طیف توان برای ell های بزرگ تر از ‎2000‎، هم در دما و هم در قطبش تولید کرده ایم. ورودی های camb در یک مدل ‎6‎ پارامتری کیهان شناختی، با تغییر پارامترها به دست می آیند. برای داشتن مجموعه ی آموزشی بزرگ تر که دقت بالاتری را در تخمین نتیجه می دهد، اندازه ی گام برداشته شده برای هر پارامتر بسیار کوچک خواهد بود. ما از روش نمونه برداری متروپولیس در گام تولید داده ها استفاده کرده ایم، که بسیار سریع تر و قابل اطمینان تر از روش های دیگر است، و هم چنین این روش در نسخه ی نهایی cosmomc نیز توصیه شده است.