1.一种多输入多输出分子通信系统的分子释放数量优化方法，所述多输入多输出分子通信系统包括M个发送方纳米机器和一个接收方纳米机器，其特征在于：所述多输入多输出分子通信系统的分子释放数量优化方法包括如下步骤：S1、获取仿真数据，并建立多输入多输出分子通信系统的时变信道脉冲响应函数，所述时变信道脉冲响应函数 公式如下：其中， ,  ，

式中， 为第i个发送方纳米机器Txi与接收方纳米机器Rx1之间的初始距离，i=1~M，d T= [ , ,…, ,…, ]，表示各链路形成的初始距离向量， 为接收方纳米机器Rx1的体积，为时刻，为时刻t的相对时间，DA为分子扩散系数， 为接收方纳米机器的扩散系数， 为第i个发送方纳米机器Txi的扩散系数， 为余补误差函数，b1、b2、b3为拟合参数；

S2、采用非线性拟合方法最小化时变信道脉冲响应函数的预测值与仿真数据之间的误差，获得拟合好的时变信道脉冲响应函数；

S3、根据拟合好的时变信道脉冲响应函数推导出多输入多输出分子通信系统在第m个时隙的平均误码率，并建立当前时隙下针对各发送方纳米机器分子释放数量的多变量优化目标函数，其中：多输入多输出分子通信系统在第m个时隙的平均误码率 ，公式如下：多变量优化目标函数，公式如下：

式中， 表示链路Txi Rx1在第m个时隙的误码率， 表示第i个发送方纳米机器Txi的分子释放数量，N表示各发送方纳米机器的分子释放数量向量，，T表示转置， 表示分子释放数量的下界， 表示分

子释放数量的上界；

S4、建立深度神经网络并进行训练；

S5、将预设的各链路形成的初始距离向量输入训练好的深度神经网络，获得对应的各发送方纳米机器的最佳分子释放数量向量。

2.如权利要求1所述的多输入多输出分子通信系统的分子释放数量优化方法，其特征在于：所述第i个发送方纳米机器Txi与接收方纳米机器Rx1之间的初始距离 ，计算如下：式中，(ai, bi, ci)表示第i个发送方纳米机器Txi的坐标，(a1, b1, c1)表示接收方纳米机器Rx1的坐标，r为接收方纳米机器Rx1的半径。

3.如权利要求1所述的多输入多输出分子通信系统的分子释放数量优化方法，其特征在于：所述仿真数据的获取过程如下：S11、采用布朗运动模拟器对多输入多输出分子通信系统中各纳米机器的随机移动进行仿真；

S12、在仿真过程中，将仿真时长划分成若干个独立的时隙 ，每个时隙 的时长为Ts，在每个时隙 初，若所发送比特为‘1’，则各发送方纳米机器发送预设数量的分子，若所发送比特为‘0’，则各发送方纳米机器不发送分子；

S13、接收方纳米机器在仿真过程中每隔时隙 就对接收到的分子数量进行统计，获得在每个时隙 接收到来自各发送方纳米机器发送的分子数量，形成仿真数据。

4.如权利要求1所述的多输入多输出分子通信系统的分子释放数量优化方法，其特征在于：所述链路Txi Rx1在第m个时隙的误码率 ，计算过程如下：S31、假设第i个发送方纳米机器Txi在第m个时隙初释放分子并通过自由扩散进行传播，则根据拟合好的时变信道脉冲响应函数计算出在第n个时隙被接收方纳米机器Rx1接收到的概率 ：式中，Ts为每个时隙的时长，第i个发送方纳米机器Txi在t = (m‑1)Ts时释放分子，接收方纳米机器Rx1在t = (n‑m)Ts +τ 统计接收到的分子数量；

S32、将 和 表示为二项分布形式：

式中， 表示接收方纳米机器Rx1在第m个时隙接收到的来自第i个发送方纳米机器Txi的分子释放数量， 表示接收方纳米机器Rx1在第m个时隙的码间干扰，表示第i个发送方纳米机器Txi在第m个时隙初等待发送的比特，对于第i个发送方纳米机器Txi通过释放不同数量的分子来对等待发送的比特进行编码，通过在时隙初释放个分子来传输比特‘1’，通过释放0个分子来传输比特‘0’， 表示第i个发送方纳米机器Txi在第m个时隙所释放的分子被接收方纳米机器Rx1在第m个时隙接收到的概率；

S33、利用泊松分布将步骤S32中的二项分布形式表示为泊松分布形式：式中， 表示第i个发送方纳米机器Txi在第n个时隙传输比特‘1’的概率；

S34、计算接收方纳米机器Rx1在第m个时隙接收到分子数量的概率分布 ：S35、利用最大后验概率估计算法推导最小化平均BER的MAP决策阈值，具体如下：S351、在假设H0和H1下，接收方纳米机器Rx1在第m个时隙接收到分子数量的概率分布表示为：其中，

式中， 表示在假设H0下对应的泊松分布系数， 表示在假设H1下对应的泊松分布系数，假设H0表示第M个发送方纳米机器TxM在第m个时隙发送比特‘0’的情况，假设H1表示第M个发送方纳米机器TxM在第m个时隙发送比特‘1’的情况；

S352、假设 为链路Txi Rx1在第m个时隙的决策阈值，则链路Txi Rx1在第m个时隙传输比特的决策比特 表示为：

在第m个时隙接收到分子数量的似然比检验 表示为：

其中：

式中， 为在假设H0下的概率质量函数， 为在假设H1下的概率质量函数，第i个发送方纳米机器Txi在第m个时隙发送比特‘0’的概率 为，第i个发送方纳米机器Txi在第m个时隙发送比特‘1’的概率 为 ；

S353、根据步骤S352获得链路Txi Rx1在第m个时隙的MAP决策阈值 ，表示为：S36、根据MAP决策阈值推导出链路Txi Rx1在第m个时隙的误码率 ：其中，

5.如权利要求1所述的多输入多输出分子通信系统的分子释放数量优化方法，其特征在于：所述深度神经网络包括依次连接的输入层、第一隐藏层、第二隐藏层、第三隐藏层和输出层，所述第一隐藏层、第二隐藏层和第三隐藏层的神经元数量依次为8、6 和6。

6.如权利要求5所述的多输入多输出分子通信系统的分子释放数量优化方法，其特征在于：各所述隐藏层中每个神经元的激活函数为整流线性单元激活函数，且若激活函数的输入为正数，则将输入直接输出，否则输出为0。

7.如权利要求1所述的多输入多输出分子通信系统的分子释放数量优化方法，其特征在于：所述深度神经网络的训练过程如下：S41、获取第一数据集，所述第一数据集包括不同链路长度的初始距离向量；

S42、将第一数据集中第k个链路长度的初始距离向量 作为深度神经网络的第k个输入，深度神经网络的对应输出为 ：

S43、采用扩展策略将 扩展为V个邻近解，公式如下：

其中，

式中， 表示以 为中心的M维欧几里得空间，且在该空间中，任意M维向量 与向量 之间的距离为R， 表示欧几里得范数；

S44、计算 对应的第 个邻近解 的平均误码率 ；

S45、从当前V个邻近解对应的平均误码率中选取最优解 ：S46、构造数据集单元 并存储于第二数据集的队列中；

S47、在第二数据集中选择δ 个最新的数据集单元对深度神经网络进行一次训练，置k=k+1，返回执行步骤S42，直至遍历第一数据集；

S48、每隔L/δ次训练将深度神经网络的实际输出和期望输出进行比较，并记录实际输出和期望输出的差异值，在完成L次训练后，将差异值最小的深度神经网络作为训练好的深度神经网络，L为预设训练次数。

8.如权利要求1所述的多输入多输出分子通信系统的分子释放数量优化方法，其特征在于：所述发送方纳米机器为点状发送器，所述接收方纳米机器为被动球状接收器。