მონაცემთა დამუშავების სხვადასხვა მეთოდის მიხედვით, არსებობს ინფორმაციის შერწყმის სისტემის სამი არქიტექტურა: განაწილებული, ცენტრალიზებული და ჰიბრიდული.

1) განაწილებული: ჯერ დამოუკიდებელი სენსორების მიერ მიღებული ორიგინალური მონაცემები მუშავდება ადგილობრივად, შემდეგ კი შედეგები იგზავნება ინფორმაციის შერწყმის ცენტრში ინტელექტუალური ოპტიმიზაციისა და კომბინაციისთვის საბოლოო შედეგების მისაღებად. Distributed-ს აქვს დაბალი მოთხოვნა კომუნიკაციის სიჩქარეზე, სწრაფი გაანგარიშების სიჩქარე, კარგი საიმედოობა და უწყვეტობა, მაგრამ თვალთვალის სიზუსტე გაცილებით ნაკლებია ვიდრე ცენტრალიზებული. განაწილებული შერწყმის სტრუქტურა შეიძლება დაიყოს განაწილებულ შერწყმის სტრუქტურად უკუკავშირით და განაწილებულ შერწყმის სტრუქტურად უკუკავშირის გარეშე.

2) ცენტრალიზაცია: ცენტრალიზაცია აგზავნის თითოეული სენსორის მიერ მიღებულ ნედლეულ მონაცემებს უშუალოდ ცენტრალურ პროცესორზე შერწყმის დამუშავებისთვის, რომელსაც შეუძლია რეალურ დროში შერწყმა. მისი მონაცემთა დამუშავების სიზუსტე მაღალია და მისი ალგორითმი მოქნილი, მაგრამ მისი მინუსი არის მაღალი მოთხოვნები პროცესორისთვის, დაბალი საიმედოობა და მონაცემთა დიდი მოცულობა, ამიტომ ძნელია მისი რეალიზება;

3) ჰიბრიდი: ჰიბრიდულ მრავალ სენსორულ საინფორმაციო შერწყმის ჩარჩოში, ზოგიერთი სენსორი იღებს ცენტრალიზებულ შერწყმის რეჟიმს, დანარჩენები კი იღებენ განაწილებულ შერწყმის რეჟიმს. ჰიბრიდული შერწყმის ჩარჩოს აქვს ძლიერი ადაპტირება, ითვალისწინებს ცენტრალიზებული შერწყმისა და განაწილების უპირატესობებს და აქვს ძლიერი სტაბილურობა. ჰიბრიდული შერწყმის რეჟიმის სტრუქტურა უფრო რთულია, ვიდრე პირველი ორი შერწყმის რეჟიმი, რაც ზრდის კომუნიკაციისა და გაანგარიშების ღირებულებას.

კალმანის ფილტრი (KF)

კალმანის ფილტრით ინფორმაციის დამუშავების პროცესი ძირითადად პროგნოზირება და კორექტირებაა. ეს არ არის მხოლოდ მარტივი და კონკრეტული ალგორითმი, არამედ ძალიან სასარგებლო სისტემის დამუშავების სქემა მრავალ სენსორული ინფორმაციის შერწყმის ტექნოლოგიის როლში. ფაქტობრივად, ის მსგავსია ინფორმაციული მონაცემების დამუშავების მრავალი სისტემის მეთოდს. ის უზრუნველყოფს შერწყმული მონაცემების ეფექტურ სტატისტიკურ ოპტიმალურ შეფასებას მათემატიკური განმეორებითი რეკურსიული გაანგარიშების საშუალებით, მაგრამ ის მოითხოვს მცირე საცავ ადგილს და გამოთვლას, ამიტომ შესაფერისია მონაცემთა დამუშავების შეზღუდული სივრცით და სიჩქარით. KF შეიძლება დაიყოს ორ ტიპად: განაწილებული კალმანის ფილტრი (DKF) და გაფართოებული კალმანის ფილტრი (EKF). DKF-ს შეუძლია მონაცემთა შერწყმა მთლიანად დეცენტრალიზებული გახადოს, ხოლო EKF-ს შეუძლია ეფექტურად გადალახოს მონაცემთა დამუშავების შეცდომებისა და არასტაბილურობის გავლენა ინფორმაციის შერწყმის პროცესზე.