以下是一个使用Keras编写噪声检测脚本的示例：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Dropout, Conv1D, MaxPooling1D, Flatten
from keras.optimizers import Adam

# 创建训练集和测试集
train_data = np.random.random((1000, 100))  # 1000个样本，每个样本有100个特征
train_labels = np.random.randint(2, size=(1000, 1))  # 1000个样本的标签，0或1
test_data = np.random.random((100, 100))  # 100个测试样本
test_labels = np.random.randint(2, size=(100, 1))  # 100个测试样本的标签

# 构建模型
model = Sequential()
model.add(Conv1D(filters=32, kernel_size=3, activation='relu', input_shape=(100, 1)))
model.add(Conv1D(filters=32, kernel_size=3, activation='relu'))
model.add(MaxPooling1D(pool_size=2))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))

# 编译模型
model.compile(loss='binary_crossentropy', optimizer=Adam(), metrics=['accuracy'])

# 训练模型
model.fit(train_data, train_labels, validation_data=(test_data, test_labels), epochs=10, batch_size=32)

# 使用模型进行预测
predictions = model.predict(test_data)

以上示例中，我们首先创建了一个随机的训练集和测试集，每个样本都有100个特征。

然后，我们使用Keras的Sequential模型定义了一个卷积神经网络模型。模型由两个卷积层、一个池化层、两个Dropout层和两个全连接层组成。

接下来，我们使用Adam优化器编译模型，并指定二进制交叉熵作为损失函数和准确率作为评估指标。

然后，我们使用训练集训练模型，并在测试集上评估模型的性能。

最后，我们使用模型对测试数据进行预测，并将预测结果存储在predictions变量中。

这只是一个简单的示例，你可以根据自己的需求调整模型结构、优化器和训练参数。