Спасибо за пояснения, уяснил.
Насчет оптимизации измерений - интересны подходы с использованием обобщенного настраиваемого объекта измерения (ОНОИ).
Только данный подход не всегда применишь к ЛА.
Хотя приведенный мной метод тяготеет к ОНОИ (но на объект мы не воздействуем и компенсируем его виртуально).
Еще интересны подходы с обобщенным настраиваемым объектом управления (ОНОУ), продвигаемые Земляковым и Рутковским.
Там реально мы вводим контур управления (помимо основного), который параметрически делает объект инвариантным

Та статейка, адрес которой Вы дали в начале обсуждения действительно интересна. Единственно, этот метод (Левенберга-Марквардта) не гарантирует сходимости к глобальному минимуму.
Этим очень грешит, ессесно, и метод Гаусса-Ньютона, приведенный мной выше и активно используемый мной в работе.
То есть нет гарантии сходимости. Во многих случаях алгоритм сходится к какому-то локальному решению.
Некую версию алгоритма Левенберга-Марквардта (вместо лямбды использую слагаемое d*E, где d - малое чило, E- единичная матрица) я использую в методе Гаусса-Ньютона, но в качестве процедуры
регуляризации, чтобы предотвратить недоразумения в случае вырожденности гессиана. От развала спасает.
Хотя конечно, обусловленность гессиана мало влияет на точность сходимости. При больших числах обусловленности гессиана алгоритм может развалиться, при малых не развалится, но сходимости лучше не станет