Ըստ տվյալների մշակման տարբեր մեթոդների, կա տեղեկատվական միաձուլման համակարգի երեք ճարտարապետություն, բաշխված, կենտրոնացված եւ հիբրիդ:

1) բաշխված. Նախ, անկախ սենսորների կողմից ձեռք բերված բնօրինակ տվյալները տեղական են մշակվում, այնուհետեւ արդյունքները ուղարկվում են խելացի օպտիմիզացման եւ համադրման տեղեկատվական միաձուլման կենտրոն: Բաշխված է հաղորդակցման թողունակության, արագ հաշվարկման արագության, լավ հուսալիության եւ շարունակականության ցածր պահանջարկ, բայց հետեւելու ճշգրտությունը կենտրոնացված է: Բաշխված FUSION կառուցվածքը կարելի է բաժանել բաշխված միաձուլման կառուցվածքի հետ հետադարձ կապով եւ բաշխված Fusion կառուցվածքը, առանց հետադարձ կապի:

2) Կենտրոնացում. Կենտրոնացումը յուրաքանչյուր ցուցիչի կողմից ստացված հում տվյալները ուղղակիորեն կենտրոնական պրոցեսոր է ուղարկում Fusion վերամշակման համար, որը կարող է իրականացնել իրական ժամանակի միաձուլում: Դրա տվյալների մշակման ճշգրտությունը բարձր է, եւ դրա ալգորիթմը ճկուն է, բայց դրա թերությունները պրոցեսորի, ցածր հուսալիության եւ տվյալների մեծ ծավալի մեծ պահանջներ են, ուստի դժվար է գիտակցել.

3) Հիբրիդ. Հիբրիդ բազմամյա ցուցիչ տեղեկատվական ֆուզիոնի շրջանակներում որոշ ցուցիչներ ընդունում են կենտրոնացված Fusion ռեժիմը, եւ մնացածը ընդունում է բաշխված Fusion ռեժիմը: Հիբրիդային միաձուլման շրջանակը ուժեղ հարմարվողականություն ունի, հաշվի է առնում կենտրոնացված միաձուլման եւ բաշխման առավելությունները եւ ունի ուժեղ կայունություն: Հիբրիդային միաձուլման ռեժիմի կառուցվածքը ավելի բարդ է, քան F որջուկի առաջին երկու ռեժիմները, որոնք մեծացնում են կապի եւ հաշվարկի արժեքը:

Kalman Filter (KF)

Կալմանի ֆիլտրի կողմից տեղեկատվության մշակման գործընթացը հիմնականում կանխատեսումն է եւ ուղղումը: Այն ոչ միայն պարզ եւ բետոնե ալգորիթմ է, այլեւ շատ օգտակար համակարգի մշակման սխեման բազմաֆունկցիոնալ տեղեկատվական միաձուլման տեխնոլոգիայի դերում: Փաստորեն, այն նման է տեղեկատվական տվյալների մշակման շատ համակարգերի մեթոդներին: Այն ապահովում է արդյունավետ վիճակագրական օպտիմալ գնահատական ​​`մաթեմատիկական կրկնող ռեխառական հաշվարկի միջոցով, բայց դա պահանջում է քիչ պահեստային տարածք եւ հաշվարկ, այնպես որ այն հարմար է շրջակա միջավայրի համար` սահմանափակ տվյալների մշակման տարածություն եւ արագություն: KF- ը կարելի է բաժանել երկու տեսակի, բաշխված Kalman Filter (DKF) եւ ընդլայնված Kalman Filter (EKF): DKF- ը կարող է ամբողջովին ապակենտրոնացնել տվյալների համակցումը, մինչդեռ EKF- ն կարող է արդյունավետորեն հաղթահարել տվյալների մշակման սխալների եւ անկայունության ազդեցությունը տեղեկատվական միաձուլման գործընթացում: