ڈیٹا پروسیسنگ کے مختلف طریقوں کے مطابق، انفارمیشن فیوژن سسٹم کے تین فن تعمیر ہیں: تقسیم شدہ، مرکزی اور ہائبرڈ۔

1) تقسیم: سب سے پہلے، آزاد سینسر کے ذریعے حاصل کردہ اصل ڈیٹا پر مقامی طور پر کارروائی کی جاتی ہے، اور پھر نتائج کو حتمی نتائج حاصل کرنے کے لیے ذہین اصلاح اور امتزاج کے لیے انفارمیشن فیوژن سینٹر کو بھیج دیا جاتا ہے۔ ڈسٹری بیوٹڈ میں کمیونیکیشن بینڈوڈتھ، تیز رفتار حساب کی رفتار، اچھی وشوسنییتا اور تسلسل کی کم مانگ ہے، لیکن ٹریکنگ کی درستگی سنٹرلائزڈ سے کہیں کم ہے۔ تقسیم شدہ فیوژن ڈھانچے کو فیڈ بیک کے ساتھ تقسیم شدہ فیوژن ڈھانچے میں تقسیم کیا جاسکتا ہے اور فیڈ بیک کے بغیر تقسیم شدہ فیوژن ڈھانچہ میں تقسیم کیا جاسکتا ہے۔

2) سنٹرلائزیشن: سنٹرلائزیشن ہر سینسر کے ذریعے حاصل کردہ خام ڈیٹا کو فیوژن پروسیسنگ کے لیے براہ راست سنٹرل پروسیسر کو بھیجتی ہے، جو ریئل ٹائم فیوژن کا احساس کر سکتی ہے۔ اس کی ڈیٹا پروسیسنگ کی درستگی زیادہ ہے اور اس کا الگورتھم لچکدار ہے، لیکن اس کے نقصانات پروسیسر کے لیے زیادہ تقاضے، کم وشوسنییتا اور ڈیٹا کا بڑا حجم ہے، اس لیے اس کا ادراک کرنا مشکل ہے۔

3) ہائبرڈ: ہائبرڈ ملٹی سینسر انفارمیشن فیوژن فریم ورک میں، کچھ سینسر سنٹرلائزڈ فیوژن موڈ کو اپناتے ہیں، اور باقی ڈسٹری بیوٹڈ فیوژن موڈ کو اپناتے ہیں۔ ہائبرڈ فیوژن فریم ورک مضبوط موافقت رکھتا ہے، مرکزی فیوژن اور تقسیم کے فوائد کو مدنظر رکھتا ہے، اور مضبوط استحکام رکھتا ہے۔ ہائبرڈ فیوژن موڈ کا ڈھانچہ پہلے دو فیوژن موڈز کی نسبت زیادہ پیچیدہ ہے، جس سے کمیونیکیشن اور کیلکولیشن کی لاگت بڑھ جاتی ہے۔

کلمان فلٹر (KF)

کلمان فلٹر کے ذریعہ معلومات کی پروسیسنگ کا عمل عام طور پر پیشن گوئی اور اصلاح ہے۔ یہ نہ صرف ایک سادہ اور ٹھوس الگورتھم ہے، بلکہ ملٹی سینسر انفارمیشن فیوژن ٹیکنالوجی کے کردار میں ایک بہت مفید سسٹم پروسیسنگ اسکیم بھی ہے۔ درحقیقت، یہ معلومات کے ڈیٹا پر کارروائی کرنے کے بہت سے سسٹمز کے طریقوں سے ملتا جلتا ہے۔ یہ ریاضیاتی تکراری تکراری کیلکولیشن کے ذریعے فیوزڈ ڈیٹا کے لیے ایک مؤثر شماریاتی بہترین تخمینہ فراہم کرتا ہے، لیکن اس کے لیے ذخیرہ کرنے کی جگہ اور حساب کی ضرورت ہوتی ہے، اس لیے یہ محدود ڈیٹا پروسیسنگ کی جگہ اور رفتار والے ماحول کے لیے موزوں ہے۔ KF کو دو قسموں میں تقسیم کیا جا سکتا ہے: تقسیم شدہ کلمان فلٹر (DKF) اور توسیع شدہ Kalman فلٹر (EKF)۔ DKF ڈیٹا فیوژن کو مکمل طور پر وکندریقرت بنا سکتا ہے، جبکہ EKF ڈیٹا پروسیسنگ کی غلطیوں اور معلومات کے فیوژن کے عمل پر عدم استحکام کے اثر کو مؤثر طریقے سے دور کر سکتا ہے۔