若尔当标准形学习

建议先学$\lambda$矩阵https://blog.csdn.net/qq_39942341/article/details/120469233?spm=1001.2014.3001.5502

尽管亏损矩阵（找不到$n$个线性无关的特征向量的矩阵）不能相似对角化，但是他们可以相似对角化于一个若尔当标准形

若尔当块

$n$阶若尔当块
$$J_i={\left(\begin{array}{ccccc}{\lambda }_i& 1& & & \\ & {\lambda }_i& 1& & \\ & & \ddots & \ddots & \\ & & & {\lambda }_i& 1\\ & & & & {\lambda }_i\end{array}\right)}_{n\times n}$$

若尔当标准形

$$J={\left(\begin{array}{cccc}{J}_1& & & \\ & J_2& & \\ & & \ddots & \\ & & & J_t\end{array}\right)}_{n\times n}$$
其中$J_i$为若尔当块,当${\sum }_{i=1}^t{m}_i=n$时，称为$n$阶若尔当标准形,记为$J$

$\lambda$矩阵次数

设$m\times n$的$\lambda$矩阵
$$A(\lambda )=\left(\begin{array}{ccc}{a}_{11}(\lambda )& \cdots & a_{1n}(\lambda )\\ ⋮& & ⋮\\ a_{m1}(\lambda )& \cdots & a_{mn}(\lambda )\end{array}\right)$$
次数最高的多项式的次数$L$为$A(\lambda )$的次，即
$$L=\underset{\genfrac{}{}{0ex}{}{1\le i\le m}{1\le j\le n}}{\max }deg{a}_{ij}(\lambda )$$
所以
$$a_{i}j(\lambda )=a_{ij}^{(0)}{\lambda }^0+a_{ij}^{(1)}{\lambda }^1+\cdots +a_{ij}^{(L)}{\lambda }^L$$
其中$i=1,2,\cdots ,m,j=1,2,\cdots ,n$
令
$$A_r=\left(\begin{array}{ccc}{a}_{11}^{(r)}& \cdots & a_{1n}^{(r)}\\ ⋮& & ⋮\\ a_{m1}^{(r)}& \cdots & a_{mn}^{(r)}\end{array}\right)(r=1,2,\cdots ,L)$$
$A_L$不是零矩阵，于是$A(\lambda )$可以表示为
$$A(\lambda )=A_0+A_1\lambda +\cdots +A_L{\lambda }^L$$
称为$A(\lambda )$的多项式表示,$A_L$称为$A(\lambda )$的首项系数
如果$A_L=\pm I_n$，则称$A(\lambda )$首项系数为$1$

引理

设$A(\lambda )$和$B(\lambda )$分别为$L$次和$m$次的$n$阶$\lambda$矩阵，即
$$A(\lambda )=\sum _{i=0}^L{A}_i{\lambda }^i,B(\lambda )=\sum _{i=0}^m{B}_i{\lambda }^i$$
且$B(\lambda )$的首项系数$B_m$可逆，即$det{B}_m\ne 0$,则
存在$\lambda$矩阵$Q(\lambda ),Q^{\prime }(\lambda )$和$R(\lambda ),R^{\prime }(\lambda )$使得
$$A(\lambda )=Q(\lambda )B(\lambda )+R(\lambda )$$
或者
$$A(\lambda )=B(\lambda )Q^{\prime }(\lambda )+R^{\prime }(\lambda )$$
其中$R(\lambda )\equiv 0,R^{\prime }(\lambda )\equiv 0$或者$degR(\lambda )<m,deg{R}^{\prime }(\lambda )<m$

证明：
若$L<m$则$Q(\lambda )=0,R(\lambda )=A(\lambda )$,成立
若$L\ge m$
$$\begin{array}{rl}{B}_m^{-1}{\lambda }^{-m}B(\lambda )& =I+{\lambda }^{-1}{B}_m^{-1}{B}_{m-1}+{\lambda }^{-2}{B}_m^{-1}{B}_{m-2}+\cdots +\\ & {\lambda }^{-m+1}{B}_m^{-1}{B}_1+{\lambda }^{-m}{B}_m^{-1}{B}_0\end{array}$$
所以
$$\begin{array}{rl}{\lambda }^{L}I& =B_m^{-1}{\lambda }^{L-m}B(\lambda )-{\lambda }^{L-1}{B}_m^{-1}{B}_{m-1}-{\lambda }^{L-2}{B}_m^{-1}{B}_{m-2}-\cdots -\\ & {\lambda }^{L-m+1}{B}_m^{-1}{B}_1-{\lambda }^{L-m}{B}_m^{-1}{B}_0\end{array}$$
于是
$$\begin{array}{rl}A(\lambda )& =A_L{\lambda }^L+A_{L-1}{\lambda }^{L-1}+\cdots +A_1\lambda +A_0\\ & =A_L(B_m^{-1}{\lambda }^{L-m}B(\lambda )-{\lambda }^{L-1}{B}_m^{-1}{B}_{m-1}-{\lambda }^{L-2}{B}_m^{-1}{B}_{m-2}-\cdots -\\ & {\lambda }^{L-m+1}{B}_m^{-1}{B}_1-{\lambda }^{L-m}{B}_m^{-1}{B}_0)+A_{L-1}{\lambda }^{L-1}+\cdots +A_1\lambda +A_0\\ & =A_L{B}_m^{-1}{\lambda }^{L-m}B(\lambda )+A^{(1)}(\lambda )\end{array}$$
其中$A^{(1)}(\lambda )$的次数$L_1\le L-1$,且
$$A^{(1)}(\lambda )=A_{L_1}^{(1)}{\lambda }^{L_1}+\cdots +A_1^{(1)}{\lambda }^1+A_0^{(1)}$$
其中$A_{L_1}^{(1)}\ne 0$,$L_1<L$,若$L_1>m$,类似上面的步骤可得
$$A^{(2)}(\lambda )=A_{L_2}^{(2)}{\lambda }^{L_1}+\cdots +A_1^{(2)}{\lambda }^1+A_0^{(2)}$$
其中$A^{(2)}(\lambda )$的次数$L_2\le L_1$
继续进行下去，可得到一组$\lambda$矩阵
$$A(\lambda ),A^{(1)}(\lambda ),\cdots ,A^{(r)}(\lambda )$$
他们的次数越来越低，所以$A^{(r)}(\lambda )$的次数$L_r<m$,而$L_{r-1}\ge m$
若记$A(\lambda )=A^{(0)}(\lambda )$，则
$$A^{(i-1)}(\lambda )=A_{L_1}^{(1)}{B}_m^{-1}{\lambda }^{L_{i-1}-m}B(\lambda )+A^{(r)}(\lambda )(i=1,2,\cdots ,r)$$
最后
$$\begin{array}{rl}& A(\lambda )\\ & =(A_L{B}_m^{-1}{\lambda }^{L-m}+A_{L_1}^{(1)}{B}_m^{-1}{\lambda }^{L_1-m}+\cdots +A_{L_{r-1}}^{(r-1)}{B}_m^{-1}{\lambda }^{L_{r-1}-m})B(\lambda )+A^{(r)}(\lambda )\\ & =Q(\lambda )B(\lambda )+R(\lambda )\end{array}$$

相似充要条件是对应特征矩阵相抵

矩阵$A\sim B$的充要条件为他们对应的特征矩阵$\lambda I-A\simeq \lambda I-B$

证明：
必要性:
$A\sim B$则存在满秩的矩阵$C$，使得
$$C^{-1}AC=B$$
$$\lambda I-B=\lambda C^{-1}C-C^{-1}AC=C^{-1}(\lambda I-A)C$$
所以$\lambda I-A$与$\lambda I-B$相似，也相抵

充分性：
$\lambda I-A\simeq \lambda I-B$,存在可逆矩阵$U(\lambda ),V(\lambda )$,使得
$$\lambda I-A=U(\lambda )(\lambda I-B)V(\lambda )$$
或者
$$U^{-1}(\lambda )(\lambda I-A)=(\lambda I-B)V(\lambda )$$
注意这里$A,B$是数字矩阵
所以$\lambda I-A,\lambda I-B$都是一次的$\lambda$矩阵，首项系数为1
根据刚才的引理
$$U(\lambda )=(\lambda I-A)Q(\lambda )+U_0$$
$$V(\lambda )=R(\lambda )(\lambda I-A)+V_0$$
因为$\lambda I-A,\lambda I-B$都是一次的$\lambda$矩阵，所以
$U_0,V_0$都是数字矩阵
$$\begin{array}{rl}{U}^{-1}(\lambda )(\lambda I-A)& =(\lambda I-B)V(\lambda )\\ U^{-1}(\lambda )(\lambda I-A)& =(\lambda I-B)(R(\lambda )(\lambda I-A)+V_0)\\ U^{-1}(\lambda )(\lambda I-A)& =(\lambda I-B)R(\lambda )(\lambda I-A)+(\lambda I-B)V_0\\ (U^{-1}(\lambda )-(\lambda I-B)R(\lambda ))(\lambda I-A)& =(\lambda I-B)V_0\end{array}$$
$(\lambda I-B)V_0$是一个1次的$\lambda$矩阵
所以左边也应该是
所以$C=U^{-1}(\lambda )-(\lambda I-B)R(\lambda )$为一个数字矩阵
$$C(\lambda I-A)=(\lambda I-B)V_0$$

现在试着证明$C=U_0^{-1}$
$$\begin{array}{rl}C& =U^{-1}(\lambda )-(\lambda I-B)R(\lambda )\\ U(\lambda )C& =I-U(\lambda )(\lambda I-B)R(\lambda )\\ I& =U(\lambda )C+U(\lambda )(\lambda I-B)R(\lambda )\\ I& =U(\lambda )C+U(\lambda )U^{-1}(\lambda )(\lambda I-A)V^{-1}(\lambda )R(\lambda )\\ I& =((\lambda I-A)Q(\lambda )+U_0)C+(\lambda I-A)V^{-1}(\lambda )R(\lambda )\\ I& =U_{0}C+(\lambda I-A)(Q(\lambda )+V^{-1}(\lambda )R(\lambda ))\end{array}$$
比较次数得
$$I=U_{0}C$$
即$C$可逆,$C=U_0^{-1}$
$$\begin{array}{rl}C(\lambda I-A)& =(\lambda I-B)V_0\\ U_0^{-1}(\lambda I-A)& =(\lambda I-B)V_0\\ \lambda I-A& =U_0(\lambda I-B)V_0\\ \lambda I-A& =\lambda U_0{V}_0-U_{0}B{V}_0\end{array}$$
比较次数得
$$I=U_0{V}_0\Rightarrow V_0=U_0^{-1}$$
$$A=U_{0}B{V}_0\Rightarrow A=U_{0}B{U}_0^{-1}$$
即$A\sim B$
证毕

所以$A\sim B$的问题可以转为他们的特征矩阵的相抵问题

n阶矩阵相似于若尔当矩阵

每个$n$阶矩阵$A$都与一个若尔当标准形$J$相似，且这个若尔当标准形在不计其中的若尔当块的排列次序时，完全由矩阵$A$唯一决定

证明：
设$n$阶矩阵$A$的特征矩阵$\lambda I-A$的初等因子为
$$(\lambda -{\lambda }_1{)}^{m_1},(\lambda -{\lambda }_2{)}^{m_2},\cdots ,(\lambda -{\lambda }_t{)}^{m_t}$$
其中${\lambda }_1,{\lambda }_2,\cdots ,{\lambda }_t$中可能有相同的值，指数$m_1,\cdots ,m_t$中也可能有相同的值，但是总有
$$\sum _{i=1}^t{m}_i=n$$
(因为初等因子都是从不变因子中来的，初等因子相乘=不变因子相乘，不变因子相乘=n阶行列式因子，也就是特征多项式，特征多项式可以的指数加起来就是n）

$m_i$阶若尔当块$J_i$的特征矩阵$\lambda I-J_i$的初等因子为$(\lambda -{\lambda }_i{)}^{m_i}$,换言之，$\lambda I-A$的每一个初等因子$(\lambda -{\lambda }_i{)}^{m_i}$对应一个若尔当块$J_i$，其阶数为$m_i$，那么，这些若尔当块构成一个若尔当标准型$J$,而$J$的特征矩阵$\lambda I-J$的初等因子是把各个若尔当块的初等因子合在一起构成的，即$\lambda I-J$的全部初等因子也为
$$(\lambda -{\lambda }_1{)}^{m_1},(\lambda -{\lambda }_2{)}^{m_2},\cdots ,(\lambda -{\lambda }_t{)}^{m_t}$$
也就是说$\lambda I-A$与$\lambda I-J$有相同的初等因子，秩也想等，于是
$$\lambda I-A\simeq \lambda I-J$$
再根据刚刚的定理
$A\sim J$

如果还有若尔当标准形$J^{\prime }$，使得$J^{\prime }\sim A$，则也具有相同的初等因子，因此在不计若尔当块的排序顺序时，是唯一的

复数域再说吧

推论

矩阵$A$可以相似对角化的充要条件是$A$的初等因子全部为一次式

利用初等因子求若尔当标准形

求若尔当标准形

第一步：
找出$n$阶方阵$A=(a_{ij})$的特征矩阵$\lambda I-A$的初等因子：
$$(\lambda -{\lambda }_1{)}^{m_1},(\lambda -{\lambda }_2{)}^{m_2},\cdots ,(\lambda -{\lambda }_t{)}^{m_t}$$
第二步：
写出初等因子$(\lambda -{\lambda }_i{)}^{m_i}(i=1,2,\cdots ,t)$对应的若尔当块

$$J_i={\left(\begin{array}{ccccc}{\lambda }_i& 1& & & \\ & {\lambda }_i& 1& & \\ & & \ddots & \ddots & \\ & & & {\lambda }_i& 1\\ & & & & {\lambda }_i\end{array}\right)}_{m_i\times m_i}$$
第三步：
写出这些块构成的若尔当标准形
$$J={\left(\begin{array}{cccc}{J}_1& & & \\ & J_2& & \\ & & \ddots & \\ & & & J_t\end{array}\right)}_{n\times n}$$

求变化矩阵

设$C^{-1}AC=J$
则$AC=JC$
$C=(x_1,x_2,\cdots ,x_n)$
两边对照一下，列出方程组，即可求出$C$

设${\lambda }_1$是$A$的$k$重特征值,则
$$\{\begin{array}{l}({\lambda }_{1}I-A)x_1=0\\ ({\lambda }_{1}I-A)x_i=-x_{i-1}(i=2,3,\cdots ,k)\end{array}$$
这样得到的$x_1,x_2,\cdots ,x_k$线性无关
（证明不会）
$x_2,\cdots ,x_k$称为广义特征向量

凯莱-哈密顿定理与最小多项式

凯莱-哈密顿定理

凯莱-哈密顿(Cayley-Hamilton)定理：
设$A$是$n$阶方阵,$f(\lambda )$是$A$的特征多项式，则$$f(A)=0$$
证明：
考虑特征矩阵的伴随矩阵，因为伴随矩阵每个元素都是$n-1$阶行列式，所以$\lambda$的次数不会超过$n-1$,可以表示为
$$(\lambda I-A{)}^{\ast }=C_1{\lambda }^{n-1}+C_2{\lambda }^{n-2}+\cdots +C_{n-1}\lambda +C_n$$
其中$C_i(i=1,2,\cdots ,n)$都是$n$阶数字矩阵
$$\begin{array}{rl}(\lambda I-A)(\lambda I-A{)}^{\ast }& =f(\lambda )I\\ (\lambda I-A)(C_1{\lambda }^{n-1}+\cdots +C_n)& =I{\lambda }^n+a_{1}I{\lambda }^{n-1}+\cdots a_{n}I\end{array}$$
比较系数得
$$\begin{gathered} C_1=I \\ {C}_2-A{C}_1=a_{1}I \\ {C}_3-A{C}_2=a_{2}I \\ \cdots \\ {C}_n-A{C}_{n-1}=a_{n-1}I \\ -A{C}_n=a_{n}I \end{gathered}$$
$$\begin{array}{rl}{A}^n{C}_1+A^{n-1}(C_2-A{C}_1)+\cdots +A(C_n-A{C}_{n-1})-A{C}_n& =0\\ A^{n}I+a_1{A}^{n-1}+\cdots a_{n-1}A+a_{n}I& =f(A)\end{array}$$
所以$f(A)=0$

化零多项式

设$A$是$n$阶矩阵，如果存在多项式$\varphi (\lambda )=0$，则称$\varphi (\lambda )$为$A$的化零多项式

(化零多项式不一定就是特征多项式）

最小多项式

$n$阶方阵$A$的所有化零多项式中，次数最低且首项系数为1的多项式称为$A$的最小多项式，记为$m(\lambda )$

定理1

多项式$\varphi (\lambda )$是矩阵$A$的化零多项式的充要条件是$m(\lambda )\mid \varphi (\lambda )$

证明：
设$\varphi (\lambda )$是$A$的化零多项式,其次数自然不必$m(\lambda )$的次数低
$$\varphi (\lambda )=q(\lambda )m(\lambda )+r(\lambda )$$
其中$r(\lambda )\equiv 0$或者$r(\lambda )$的次数低于$m(\lambda )$的次数
$$\varphi (A)=q(A)m(A)+r(A)$$
$\varphi (A)=0,m(A)=0\Rightarrow r(A)=0$
如果$r(A)\not\equiv 0$，则$r(\lambda )$的次数比$m(\lambda )$低，矛盾
所以$r(A)\equiv 0\Rightarrow m(\lambda )\mid \varphi (\lambda )$

定理2

相似矩阵有相同的最小多项式

证明：
设$A\sim B$，则存在可逆矩阵$P$，使得
$$A=P^{-1}BP$$
若$f(B)=0$
$$f(A)=f(P^{-1}BP)=P^{-1}f(B)P=0$$

（注意，有相同的最小多项式也不一定相似）

定理3

$n$阶矩阵$A$的最小多项式等于他的特征矩阵$\lambda I-A$中的第$n$个不变因子$d_n(\lambda )$，因而
$$\frac{f(\lambda )}{m(\lambda )}=\frac{det(\lambda I-A)}{m(\lambda )}=\frac{det(\lambda I-A)}{d_n(\lambda )}=D_{n-1}(\lambda )$$

证明：
再说

推论1

方阵$A$的特征多项式的根必然是其最小多项式的根

证明：
$$\lambda I-A\simeq diag(d_1(\lambda ),d_2(\lambda ),\cdots ,d_n(\lambda ))$$
于是
$$f(\lambda )=det(\lambda I-A)=d_1(\lambda )d_2(\lambda )\cdots d_n(\lambda )$$
$$f({\lambda }_i)=0\Rightarrow d_j({\lambda }_i)=0\Rightarrow d_n(\lambda )=0\Rightarrow m({\lambda }_i)=0$$

推论2

若矩阵$A$的特征值互异，则他们的最小多项式就是特征多项式

证明：
$$f(\lambda )=(\lambda -{\lambda }_1{)}^{m_1}\cdots (\lambda -{\lambda }_t{)}^{m_t}$$
其中${\sum }_{i=1}^t{m}_i=n>0$,当$m_i\ne m_j$时，${\lambda }_i\ne {\lambda }_j$
$$m(\lambda )=(\lambda -{\lambda }_1{)}^{l_1}\cdots (\lambda -{\lambda }_t{)}^{l_t}$$
其中$1\le l_i\le m_i(i=1,2,\cdots ,t)$
$$m_i=1\Rightarrow l_i=1\Rightarrow f(\lambda )=m(\lambda )$$

定理4

块对角矩阵$A=diag(A_1,\cdots ,A_s)$的最小多项式等于其诸对角块的最小多项式的最小公倍式

证明：
设$A_i$的最小多项式是 $m_i(i=1,2,\cdots ,s)$,对于任意的多项式$\varphi (\lambda )$
$$\varphi (A)=diag(\varphi (A_1),\cdots ,\varphi (A_s))$$
如果$\varphi (\lambda )$为$A$的化零多项式，则$\varphi (\lambda )$必为$A_i(i=1,\cdots ,s)$的化零多项式，从而$m_i(\lambda )\mid \varphi (\lambda )(i=1,\cdots ,s)$
从而$\varphi (\lambda )$是$m_1(\lambda ),\cdots ,m_s(\lambda )$的公倍式

反过来，$\varphi (\lambda )$为$m_1(\lambda ),\cdots ,m_s(\lambda )$的任一公倍式，则
$\varphi (A_i)=0(i=1,\cdots ,s)$,从而$\varphi (A)=0$,因此$A$的最小多项式为$m_1(\lambda ),\cdots ,m_s(\lambda )$的公倍式中次数最低的

定理5

设$A\in C^{n\times n}$，则$A$的最小多项式为$A$的第$n$个不变因子$d_n(\lambda )$

证明：
$A\sim J=diag(J_1,\cdots ,J_s)$,其中$J_i$为若尔当块
他们有相同的不变因子和最小多项式
所以$J$的最小多项式为$J_1,\cdots ,J_s$的最小多项式的最小公倍式
而$J_i$的最小多项式为$(\lambda -{\lambda }_i{)}^{n_i}(i=1,2,\cdots ,s)$,
而$(\lambda -{\lambda }_1{)}^{n_1},\cdots ,(\lambda -{\lambda }_s{)}^{n_s}$的最小公倍数是$J$的第$n$个不变因子$d_n(\lambda )$
因此$A$的最小多项式为$d_n(\lambda )$

定理6

$n$阶矩阵$A$相似于对角矩阵的充要条件是$A$的最小多项式$m(\lambda )$没有重零点

幂零矩阵的若尔当标准形

幂零矩阵

设$A$为一个非零的$n$阶幂零矩阵，即存在一个正整数$m$使$A^m=0$,但是$A^{m-1}\ne 0$，称$m$为$A$的幂零指标

引理

$A$为一个幂零矩阵$\iff$ $A$的特征值全为0

幂零矩阵的若尔当标准形

由引理，幂零矩阵的若尔当标准型为
$$N=diag(N_1,N_2,\cdots ,N_s)$$
$$N_i={\left(\begin{array}{ccccc}0& 1& & & \\ & 0& 1& & \\ & & \ddots & \ddots & \\ & & & \ddots & 1\\ & & & & 0\end{array}\right)}_{n_i\times n_i}$$

定理

设$n$阶幂零矩阵$A$的若尔当标准形如上，幂零指标为$m$，则
（1） m = max ⁡ { n i ∣ 1 ≤ i ≤ s } m=\max \{n_i \mid 1\le i \le s\} m=max{ni​∣1≤i≤s}
（2）$A$的零度（即$A$的零花空间的维数）等于$N$中若尔当块的个数$s$
（3）记$N$中$k$阶若尔当块的个数为$l_k$,$A^k$的零度为${\eta }_k,1\le k\le n$,则
$$\begin{gathered} l_1=2{\eta }_1-{\eta }_2=2s-{\eta }_2 \\ {l}_k=2{\eta }_k-{\eta }_{k-1}-{\eta }_{k+1},2\le k\le m \end{gathered}$$

证明：
（1）
$A\sim N\Rightarrow A^k=0\iff N^k=0,k\in Z_{+}$
$$N^k=diag(N_1^k,N_2^k,\cdots ,N_s^k)$$
且$N_i^{n_i}=0,N_i^{n_i-1}\ne 0$（$n_i$为$N_i$的阶数）,所以$N$的幂零指标为$m\iff n_i\le m,1\le i\le s$且存在$i$,使得$n_i=m$
（2）
设$A$的零度为${\eta }_1$,则
$${\eta }_1=n-r(A)=n-r(N)=\sum _{i=1}^s{n}_i-\sum _{i=1}^s(n_i-1)=s$$
（3）根据$A^k$的零度等于$N^k$的零度,等于$N_i^k$的零度之和$(i=1,2,\cdots ,s)$
所以
$$N_i^k\text{的零度}=\{\begin{array}{l}k,k\le n_i;\\ n,k>n_i\end{array}$$
于是
$${\eta }_1=A\text{的零度}=N\text{的零度}=\sum _{i=1}^s(N_i\text{的零度})=\sum _{i=1}^{s}1=s=\sum _{k\ge 1}{l}_k$$
$$\begin{array}{rl}{\eta }_2& =A^2\text{的零度}=N^2\text{的零度}=\sum _{i=1}^s(N_i^2\text{的零度})\\ & =\sum _{i,n_i<2}(N_i^2\text{的零度})+\sum _{i,n_i\ge 2}(N_i^2\text{的零度})=l_1+2\sum _{k\ge 2}{l}_k\end{array}$$
$$\cdots$$
$$\begin{array}{rl}{\eta }_j& =A^j\text{的零度}=N^j\text{的零度}=\sum _{i=1}^s(N_j^2\text{的零度})\\ & =\sum _{i,n_i<j}(N_i^j\text{的零度})+\sum _{i,n_i\ge j}(N_i^j\text{的零度})=\sum _{k<j}k{l}_k+j\sum _{k\ge j}{l}_k\end{array}$$
于是
$$\begin{gathered} l_1=2{\eta }_1-{\eta }_2=2s-{\eta }_2 \\ {l}_k=2{\eta }_k-{\eta }_{k-1}-{\eta }_{k+1},2\le k\le m \end{gathered}$$