《统计学习方法》--核函数的学习：对字符串核函数的补充

  在《统计学习方法》第一版P123或第二版P141中提到：
  字符串核函数的映射 ${\varphi }_n(s)$ 将字符串 $s$ 对应于希尔伯特空间的一个向量，其在子串 $u$ 维上的取值为：$$[{\varphi }_n(s){]}_u=\sum _{i:s(i)=u}{\lambda }^{l(i)}$$  这里，$0<\lambda \le 1$ 是一个衰减参数，$l(i)$ 表示字符串 $i$ 的长度，求和在 $s$ 中所有与 $u$ 相同的字串上进行。
  两个字符串 $s$ 和 $t$ 上的字符串核函数是基于映射 ${\varphi }_n$ 的特征空间中的内积：
$$\begin{array}{rl}{k}_n(s,t)& =\sum _{u\in {\sum }^n}[{\varphi }_n(s){]}_u[{\varphi }_n(t){]}_u\\ & =\sum _{u\in {\sum }^n}\sum _{(i,j):s(i)=t(i)=u}{\lambda }^{l(i)}{\lambda }^{l(j)}\end{array}$$  这里，${\sum }^n$表示所有长度为$n$的字符串的集合。
  其他博文中出现了以下这个例子：

  按上述公式，
$$\begin{array}{rl}k(fog,fog)& =\sum _{u\in {\sum }^n}[{\varphi }_n(fog){]}_u[{\varphi }_n(fog){]}_u\\ & ={\lambda }^2\times {\lambda }^2+{\lambda }^3\times {\lambda }^3+{\lambda }^2\times {\lambda }^2\\ & =2{\lambda }^4+{\lambda }^6\end{array}$$