વિવિધ ડેટા પ્રોસેસિંગ પદ્ધતિઓ અનુસાર, માહિતી ફ્યુઝન સિસ્ટમના ત્રણ આર્કિટેક્ચર છે: વિતરિત, કેન્દ્રિય અને હાઇબ્રિડ.

1) વિતરિત: પ્રથમ, સ્વતંત્ર સેન્સર દ્વારા મેળવેલ મૂળ ડેટા પર સ્થાનિક રીતે પ્રક્રિયા કરવામાં આવે છે, અને પછી પરિણામો અંતિમ પરિણામો મેળવવા માટે બુદ્ધિશાળી ઓપ્ટિમાઇઝેશન અને સંયોજન માટે માહિતી ફ્યુઝન સેન્ટરને મોકલવામાં આવે છે.ડિસ્ટ્રિબ્યુટેડમાં કોમ્યુનિકેશન બેન્ડવિડ્થ, ઝડપી ગણતરીની ઝડપ, સારી વિશ્વસનીયતા અને સાતત્યની ઓછી માંગ છે, પરંતુ ટ્રેકિંગની ચોકસાઈ કેન્દ્રીયકૃત કરતાં ઘણી ઓછી છે.વિતરિત ફ્યુઝન સ્ટ્રક્ચરને પ્રતિસાદ સાથે વિતરિત ફ્યુઝન સ્ટ્રક્ચરમાં અને પ્રતિસાદ વિના વિતરિત ફ્યુઝન સ્ટ્રક્ચરમાં વિભાજિત કરી શકાય છે.

2) કેન્દ્રીયકરણ: કેન્દ્રીકરણ દરેક સેન્સર દ્વારા મેળવેલા કાચા ડેટાને ફ્યુઝન પ્રોસેસિંગ માટે સીધા જ કેન્દ્રીય પ્રોસેસરને મોકલે છે, જે રીઅલ-ટાઇમ ફ્યુઝનને સાકાર કરી શકે છે.તેની ડેટા પ્રોસેસિંગની ચોકસાઈ ઊંચી છે અને તેનું અલ્ગોરિધમ લવચીક છે, પરંતુ તેના ગેરફાયદામાં પ્રોસેસર માટે ઉચ્ચ જરૂરિયાતો, ઓછી વિશ્વસનીયતા અને મોટા ડેટા વોલ્યુમ છે, તેથી તેને સમજવું મુશ્કેલ છે;

3) હાઇબ્રિડ: હાઇબ્રિડ મલ્ટિ-સેન્સર ઇન્ફર્મેશન ફ્યુઝન ફ્રેમવર્કમાં, કેટલાક સેન્સર સેન્ટ્રલાઇઝ્ડ ફ્યુઝન મોડને અપનાવે છે, અને બાકીના ડિસ્ટ્રિબ્યુટેડ ફ્યુઝન મોડને અપનાવે છે.હાઇબ્રિડ ફ્યુઝન ફ્રેમવર્ક મજબૂત અનુકૂલનક્ષમતા ધરાવે છે, કેન્દ્રીયકૃત ફ્યુઝન અને વિતરણના ફાયદાઓને ધ્યાનમાં લે છે અને મજબૂત સ્થિરતા ધરાવે છે.હાઇબ્રિડ ફ્યુઝન મોડનું માળખું પ્રથમ બે ફ્યુઝન મોડ કરતાં વધુ જટિલ છે, જે સંચાર અને ગણતરીની કિંમતમાં વધારો કરે છે.

કાલમાન ફિલ્ટર (KF)

કાલમેન ફિલ્ટર દ્વારા માહિતી પ્રક્રિયાની પ્રક્રિયા સામાન્ય રીતે આગાહી અને સુધારણા છે.તે માત્ર એક સરળ અને નક્કર અલ્ગોરિધમ નથી, પરંતુ મલ્ટી-સેન્સર માહિતી ફ્યુઝન ટેકનોલોજીની ભૂમિકામાં ખૂબ જ ઉપયોગી સિસ્ટમ પ્રોસેસિંગ સ્કીમ પણ છે.વાસ્તવમાં, તે માહિતી ડેટાની પ્રક્રિયા કરવાની ઘણી સિસ્ટમોની પદ્ધતિઓ સમાન છે.તે ગાણિતિક પુનરાવર્તિત પુનરાવર્તિત ગણતરીના માધ્યમથી ફ્યુઝ્ડ ડેટા માટે અસરકારક આંકડાકીય શ્રેષ્ઠ અંદાજ પૂરો પાડે છે, પરંતુ તેને થોડી સંગ્રહ જગ્યા અને ગણતરીની જરૂર છે, તેથી તે મર્યાદિત ડેટા પ્રોસેસિંગ જગ્યા અને ઝડપ સાથે પર્યાવરણ માટે યોગ્ય છે.KF ને બે પ્રકારમાં વિભાજિત કરી શકાય છે: વિતરિત કાલમેન ફિલ્ટર (DKF) અને વિસ્તૃત કાલમેન ફિલ્ટર (EKF).DKF ડેટા ફ્યુઝનને સંપૂર્ણપણે વિકેન્દ્રિત બનાવી શકે છે, જ્યારે EKF ડેટા પ્રોસેસિંગ ભૂલોના પ્રભાવ અને માહિતી ફ્યુઝન પ્રક્રિયા પરની અસ્થિરતાને અસરકારક રીતે દૂર કરી શકે છે.