Remiantis skirtingais duomenų apdorojimo metodais, yra trys informacijos suliejimo sistemos architektūros: paskirstyta, centralizuota ir hibridinė.

1) Paskirstyta: Pirmiausia, pirminiai duomenys, gauti iš nepriklausomų jutiklių, yra apdorojami vietoje, o tada rezultatai siunčiami į informacinio suliejimo centrą intelektualiam optimizavimui ir deriniui, kad būtų gauti galutiniai rezultatai. Paskirstyta turi mažą ryšių pralaidumo, greito skaičiavimo greičio, gero patikimumo ir tęstinumo paklausą, tačiau stebėjimo tikslumas yra daug mažesnis nei centralizuoto. Paskirstytą sintezės struktūrą galima suskirstyti į paskirstytą sintezės struktūrą su grįžtamuoju ryšiu ir paskirstyta sintezės struktūra be atsiliepimų.

2) Centralizacija: Centralizacija siunčia neapdorotus duomenis, kuriuos kiekvienas jutiklis gauna tiesiai į centrinį procesorių, kad būtų galima sulietimo apdorojimą, kuris gali suvokti realaus laiko sintezę. Jo duomenų apdorojimo tikslumas yra didelis, o jo algoritmas yra lankstus, tačiau jo trūkumai yra dideli reikalavimai procesoriui, mažam patikimumui ir dideliam duomenų tūriui, todėl sunku suvokti;

3) Hibridinis: hibridiniame daugiafunkcinėje informacijos suliejimo sistemoje kai kurie jutikliai priima centralizuotą sintezės režimą, o likusi dalis laikosi paskirstyto sintezės režimo. Hibridinės sintezės sistema turi stiprų pritaikomumą, atsižvelgia į centralizuoto suliejimo ir paskirstymo pranašumus ir turi stiprų stabilumą. Hibridinio suliejimo režimo struktūra yra sudėtingesnė nei pirmųjų dviejų sintezės režimų, o tai padidina komunikacijos ir skaičiavimo sąnaudas.

„Kalman Filter“ (KF)

„Kalman Filter“ informacijos apdorojimo procesas paprastai yra prognozavimas ir pataisymas. Tai ne tik paprastas ir konkretus algoritmas, bet ir labai naudinga sistemos apdorojimo schema, atliekant daugia jutiklių informacijos sintezės technologijos vaidmenį. Tiesą sakant, jis yra panašus į daugelio sistemų informacijos duomenų apdorojimo metodus. Tai pateikia veiksmingą statistinį optimalų sulietų duomenų įvertinimą atliekant matematinį iteracinį rekursinį skaičiavimą, tačiau tam reikia mažai vietos saugojimo vietos ir skaičiavimai, todėl jis tinka aplinkai, kurioje yra ribota duomenų apdorojimo erdvė ir greitis. KF galima suskirstyti į du tipus: paskirstytą „Kalman“ filtrą (DKF) ir išplėstinį Kalmano filtrą (EKF). DKF gali padaryti duomenų suliejimą visiškai decentralizuotą, o EKF gali efektyviai įveikti duomenų apdorojimo klaidų ir nestabilumo įtaką informacijos sintezės procesui.