假设 z 和 y_hat 分别是两种预测方法的预测值矩阵 ，实际值为y，基于预测误差平方和最小进行线性组合模型，必须保证加权系数之和为1且为非负数.但所求出的加权系数中存在负数，该怎么用matlab代码解决

如果权系数中存在负数，说明最小化误差平方和的约束条件没有得到满足。这种情况下，可以考虑使用非线性规划（NLP）来求解加权系数。

具体来说，可以使用Matlab的fmincon函数来求解NLP问题。首先，定义一个目标函数，即误差平方和：

function f = objective(x, z, y_hat, y)
    y_pred = x(1)*z + x(2)*y_hat;
    f = sum((y_pred - y).^2);
end

其中，x是一个2维向量，表示两种预测方法的加权系数。z、y_hat和y分别是对应的矩阵。然后，定义一个非线性约束函数，保证加权系数为非负数：

function [c, ceq] = constraint(x)
    c = -x; % x(1)>=0, x(2)>=0
    ceq = sum(x) - 1; % x(1)+x(2)==1
end

最后，调用fmincon函数求解NLP问题：

x0 = [0.5; 0.5]; % 初始解
A = []; b = []; % 没有线性约束
lb = [0; 0]; ub = [Inf; Inf]; % 非负数约束
nonlcon = @constraint;
options = optimoptions('fmincon','Algorithm','sqp');
[x,fval,exitflag,output] = fmincon(@(x) objective(x,z,y_hat,y), x0, A, b, [], [], lb, ub, nonlcon, options);

其中，x0是初始解，A和b是线性约束条件，lb和ub是变量的下界和上界，nonlcon是非线性约束函数，options是优化选项。求解结果为x，最小误差平方和为fval，exitflag表示求解器是否收敛，output包含一些统计信息。

需要注意的是，NLP问题可能有多个局部最优解，因此需要根据实际情况选择不同的初始解、优化选项等来得到最优解。