Տվյալների մշակման տարբեր մեթոդների համաձայն՝ տեղեկատվության միաձուլման համակարգի երեք ճարտարապետություն կա՝ բաշխված, կենտրոնացված և հիբրիդ:

1) Բաշխված. Նախ անկախ սենսորների կողմից ստացված բնօրինակ տվյալները մշակվում են տեղում, այնուհետև արդյունքներն ուղարկվում են տեղեկատվական միաձուլման կենտրոն՝ խելացի օպտիմալացման և համադրման համար՝ վերջնական արդյունքներ ստանալու համար: Distributed-ն ունի կապի թողունակության ցածր պահանջարկ, արագ հաշվարկման արագություն, լավ հուսալիություն և շարունակականություն, սակայն հետևելու ճշգրտությունը շատ ավելի քիչ է, քան կենտրոնացվածինը: Բաշխված միաձուլման կառուցվածքը կարելի է բաժանել բաշխված միաձուլման կառուցվածքի հետադարձ կապով և բաշխված միաձուլման կառուցվածքի առանց հետադարձ կապի:

2) Կենտրոնացում. Կենտրոնացումն ուղարկում է յուրաքանչյուր սենսորի կողմից ստացված չմշակված տվյալները անմիջապես կենտրոնական պրոցեսորին՝ միաձուլման մշակման համար, որը կարող է իրական ժամանակում միաձուլում իրականացնել: Տվյալների մշակման ճշգրտությունը բարձր է, իսկ ալգորիթմը ճկուն է, բայց դրա թերությունները պրոցեսորի համար բարձր պահանջներն են, ցածր հուսալիությունը և տվյալների մեծ ծավալը, ուստի դժվար է գիտակցել.

3) Հիբրիդ. Հիբրիդային բազմասենսորային տեղեկատվության միաձուլման շրջանակում որոշ սենսորներ ընդունում են կենտրոնացված միաձուլման ռեժիմը, իսկ մնացածը ընդունում են բաշխված միաձուլման ռեժիմը: Հիբրիդային միաձուլման շրջանակն ունի ուժեղ հարմարվողականություն, հաշվի է առնում կենտրոնացված միաձուլման և բաշխման առավելությունները և ունի ուժեղ կայունություն: Հիբրիդային միաձուլման ռեժիմի կառուցվածքն ավելի բարդ է, քան առաջին երկու միաձուլման ռեժիմները, ինչը մեծացնում է կապի և հաշվարկի արժեքը:

Kalman ֆիլտր (KF)

Kalman ֆիլտրով տեղեկատվության մշակման գործընթացը հիմնականում կանխատեսում և ուղղում է: Դա ոչ միայն պարզ և կոնկրետ ալգորիթմ է, այլև շատ օգտակար համակարգի մշակման սխեմա՝ բազմասենսորային տեղեկատվական միաձուլման տեխնոլոգիայի դերում: Իրականում, այն նման է տեղեկատվական տվյալների մշակման շատ համակարգերի մեթոդներին: Այն ապահովում է միաձուլված տվյալների արդյունավետ վիճակագրական օպտիմալ գնահատում մաթեմատիկական կրկնվող ռեկուրսիվ հաշվարկի միջոցով, սակայն այն պահանջում է քիչ պահեստային տարածք և հաշվարկ, ուստի այն հարմար է տվյալների մշակման սահմանափակ տարածությամբ և արագությամբ միջավայրի համար: KF-ն կարելի է բաժանել երկու տեսակի՝ բաշխված Kalman ֆիլտր (DKF) և երկարաձգված Kalman ֆիլտր (EKF): DKF-ն կարող է ամբողջովին ապակենտրոնացնել տվյալների միաձուլումը, մինչդեռ EKF-ն կարող է արդյունավետորեն հաղթահարել տվյալների մշակման սխալների և անկայունության ազդեցությունը տեղեկատվության միաձուլման գործընթացի վրա: