SlideShare uma empresa Scribd logo
1 de 21
Mコネクタ
特性インピーダンス
2022/12/21
アンテナ小僧
@j_rocket_boy
Ver1.0
モチベーション
• アマチュア無線でよくつかわれるMコネクタには
50Ωに整合させたものがあるらしい。
• 最近買ったSMAコネクターMコネクタの変換をよく見ると、
テフロンと思われる誘電体が中途半端に充填されている。
• もしかしたら、これが整合型なのかなとは思っていたが、
ちゃんと調べたことはなかった。
• 特性インピーダンスの復習もかねて、
調べてみる。
見つけた変換コネクタとMコネの寸法
12.0mm
9.8mm
7.5mm
5.0mm
内部導体
空気層
誘電体
外部導体
基本の同軸ケーブル
• 特性インピーダンスは断面の寸法で決まる
• 𝑍0 =
𝜂
2𝜋 𝜖𝑟
log𝑒
𝐷
𝑑
=
60
𝜖𝑟
ln
𝐷
𝑑
=
138
𝜖𝑟
log10
𝐷
𝑑
[Ω]
• 𝜂 : 真空中の波動インピーダンス(およそ120π)
• 𝜖𝑟 : 外部導体と内部導体の間の比誘電率
• 𝐷: 外部導体の内径
• 𝑑 : 内部導体の外形
𝐷
𝑑
𝜖𝑟
特性インピーダンスの導出
• 特性インピーダンスの定義は
単位長あたりの容量C [F/m]とインダクタンスL [H/m]より
• 𝑍0 =
𝐿
𝐶
• 同軸構造の特性インピーダンスの導出手順
1. 単位長(例えば長さ1m)の同軸構造を考える。
• 𝑟1 = 𝑑/2, 𝑟2 = 𝐷/2
2. 単位長当たりの容量を求める
3. 単位長当たりのインダクタンスを求める
4. 定義から特性インピーダンスを求める
1m
𝑟1
𝑟2
𝜖𝑟
単位長当たりの容量
• 単位長当たりQ [C]の電荷がたまっているとする
• びっくりするぐらい天下り的だけど、とりあえずそういうことにして
• 符号は、内部導体に+Q [C] 外部導体に-Q [C]
• 内部導体の方が電位が高い状態
• 電気力線が半径方向に延びている
• ガウスの定理
• 𝑫 ∙ 𝑑𝑺 = 𝑄𝑒𝑛𝑐𝑙
Q[C]
-
-
-
-
-
-
-
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
- - - - - - - -
+ + + + + + + +
ここの電荷の総和が-Q[C]
ここの電荷の
総和が-Q[C] ここの電荷の
総和が+Q[C]
単位長当たりの容量
• 単位長当たりQ [C]の電荷がたまっているとする
• びっくりするぐらい天下り的だけど、とりあえずそういうことにして
• 符号は、内部導体に+Q [C] 外部導体に-Q [C]
• 内部導体の方が電位が高い状態
• 電気力線が半径方向に延びている(簡単な解釈)
• 電束の定義:Q [C]の電荷からはQ 本の電束が出る
• 電束は正の電荷から負の電荷に向けて連続している
• 右が図示のイメージ
• 電束:緑矢印
• ※矢印の本数は正しくない Q[C]
-
-
-
-
-
-
-
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
- - - - - - - -
+ + + + + + + +
ここの電荷の総和が-Q[C]
ここの電荷の
総和が-Q[C] ここの電荷の
総和が+Q[C]
単位長当たりの容量
• 半径r [m]、長さ1[m]の円柱を考える
• 電束は円柱を貫く
• 曲面部を均等な強度で、面に垂直
• ただし、合計はQ 本
• よって、半径r[m]での電束密度D は 𝐷 =
𝑄
2𝜋𝑟
[C/m2]
• ベクトルで考えると半径方向
• D=εEの関係にあるので、電界Eは
• 𝐸 =
𝑄
2𝜋𝑟𝜖
[V/m]
• ベクトルで考えると半径方向 Q[C]
-
-
-
-
-
-
-
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
- - - - - - - -
+ + + + + + + +
半径r[m]の円柱
単位長当たりの容量
• 内部導体の外部導体に対する電位差Vは
• 積分経路を半径方向にとる
• 積分経路とベクトルの方向が一致しているので、スカラーの積分
• 𝑉 = − 𝑟2
𝑟1
𝐸 𝑑𝑟 = 𝑟1
𝑟2 𝑄
2𝜋𝑟𝜖
𝑑𝑟 =
𝑄
2𝜋𝜖 𝑟1
𝑟2 1
𝑟
𝑑𝑟 =
𝑄
2𝜋𝜖
ln
𝑟2
𝑟1
• コンデンサの容量Cと電圧Vと電荷Qの関係は
• 𝑄 = 𝐶𝑉
• よって、単位長あたりの容量は
• 𝑪 =
𝑸
𝑽
=
𝟐𝝅𝝐
𝐥𝐧
𝒓𝟐
𝒓𝟏
[F/m]
Q[C]
-
-
-
-
-
-
-
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
+
-
- - - - - - - -
+ + + + + + + +
単位長当たりのインダクタンス
• 中心導体にI [A]の電流を流れると考える。
• 外部導体は逆方向にI [A]流れる。
• 半径r [m]における磁界の強さH [A/m]を求めると
• アンペールの法則(積分形)
• 𝐻 ∙ 𝑑𝑙 = 𝑖 𝑑𝑆
• 半径rの点で磁界の強さHは一定
• 円周方向に線積分(左辺)
• 円の内部で面積分(左辺)すると、r1<r<r2の範囲で、合計がI [A]
• 2𝜋𝑟𝐻 = 𝐼
• 𝐻 =
𝐼
2𝜋𝑟
• 磁束密度はB=μH の関係にあるので
• 𝐵 =
𝜇𝐼
2𝜋𝑟
I [A]
i
i
I [A]
i(奥から手前)
手前から奥
単位長当たりのインダクタンス
• 電流Iによって作られる磁束φは磁束密度をB をr1 からr2 まで積
分して、長さ(1m)をかけると求まるので
• 𝜙 = 𝑟1
𝑟2
𝐵 𝑑𝑟 = 𝑟1
𝑟2 𝜇𝐼
2𝜋𝑟
𝑑𝑟 =
𝜇𝐼
2𝜋
ln
𝑟2
𝑟1
• インダクタンスの定義は
• 電流I が流れるときの線を貫く磁束をφとすると
• 𝜙 = 𝐿𝐼
• よって、単位長当たりのインダクタンスは
• 𝑳 =
𝝋
𝑰
=
𝝁
𝟐𝝅
𝐥𝐧
𝒓𝟐
𝒓𝟏
[H/m]
1m
I [A]
i
i
I [A]
同軸ケーブルの特性インピーダンス
• 𝐶 =
𝑄
𝑉
=
2𝜋𝜖
ln
𝑟2
𝑟1
[F/m]
• 𝐿 =
𝜑
𝐼
=
𝜇
2𝜋
ln
𝑟2
𝑟1
[H/m]
• 𝑍0 =
𝐿
𝐶
=
𝜇
2𝜋
ln
𝑟2
𝑟1
2𝜋𝜖
ln
𝑟2
𝑟1
=
1
2𝜋
𝜇
𝜖
ln
𝑟2
𝑟1
[Ω]
1m
𝑟1
𝑟2
𝜖𝑟
同軸ケーブルの特性インピーダンス
• 以下を考慮に入れる
• 誘電体の透磁率μ は真空中の透磁率μ0 とほぼ変わらない
• 比誘電率εr=ε/ε0
• 真空中の特性インピーダンス𝜂 =
𝜇0
𝜖0
• 直径の比(r2/r1)と半径の比(D/d)は等しい
• よく知られた式が導出される
• 𝑍0 =
𝜂
2𝜋 𝜖𝑟
log𝑒
𝐷
𝑑
=
60
𝜖𝑟
ln
𝐷
𝑑
=
138
𝜖𝑟
log10
𝐷
𝑑
[Ω]
1m
𝑟1
𝑟2
𝜖𝑟
d D
Mコネクタの特性インピーダンス
一様な誘電体
• D =12mm, d =5mmとすると
• εr =2 (テフロン、白)の場合
• Z0 =37.1Ω
• VSWR=1.3
• ちょっと高め
• εr =1 (空気)の場合
• Z0 =52.5Ω
• VSWR=1.05
• かなり良く50Ωに整合している
• たまに見かける、ほぼ中空のコネクタがこれに近いかも
Mコネクタの特性インピーダンス
一様な誘電体
• D =12mm, d =5mmとすると
• εr =5 (ベークライト、茶色や黒)の場合
• Z0 =23.5Ω
• VSWR=2.1
• かなり高め
• HF帯域/50MHzまでかな
• 波長に対して1/100の長さ以下であれば無視できるとして
• コネクタ部が50mmだとすると、λ< 5m -> 60MHz以下
Mコネクタの特性インピーダンス
充填されていないタイプ
• 元のモチベーションに戻って、
中途半端に誘電体が装荷されている場合は?
• インダクタンスは誘電体でも透磁率がほぼ真空中
や空気中と同様なので同じ値になる。
• 𝑳 =
𝝋
𝑰
=
𝝁𝟎
𝟐𝝅
𝐥𝐧
𝒓𝟒
𝒓𝟏
[H/m]
• 容量はどうなる?
• 今回の場合、誘電体が同心円状に入っているので、
途中まで同じ議論ができる。
• 中央に電荷を置いて、放射状に出ていく電気力線
に沿って積分
2r4
2r3
2r2
2r1
内部導体
空気層
誘電体
外部導体
Mコネクタの特性インピーダンス
充填されていないタイプ
• 電圧の計算まではおなじ
• 𝑉 = − 𝑟4
𝑟1
𝐸 𝑑𝑟 = 𝑟1
𝑟4 𝑄
2𝜋𝑟𝜖
𝑑𝑟
• 誘電率が変数になるので、積分区間を分ける
• 𝑉 = 𝑟1
𝑟2 𝑄
2𝜋𝑟𝜖0
𝑑𝑟+ 𝑟2
𝑟3 𝑄
2𝜋𝑟𝜖𝑟𝜖0
𝑑𝑟+ 𝑟3
𝑟4 𝑄
2𝜋𝑟𝜖0
𝑑𝑟
• 計算を進めて整理すると以下の式になる
• 𝑉 =
1
2𝜋𝜖0
ln
𝑟4
𝑟1
− 1 −
1
𝜖𝑟
ln
𝑟3
𝑟2
• 単位長さ当たりの容量は
• 𝑪 =
𝟐𝝅𝝐𝟎
𝒍𝒏
𝒓𝟒
𝒓𝟏
− 𝟏−
𝟏
𝝐𝒓
𝒍𝒏
𝒓𝟑
𝒓𝟐
[F/m]
2r4
2r3
2r2
2r1
内部導体
空気層
誘電体
外部導体
Mコネクタの特性インピーダンス
充填されていないタイプ
• よって、特性インピーダンスは
• 𝑍0 =
𝜇0
2𝜋
ln
𝑟4
𝑟1
2𝜋𝜖0
𝑙𝑛
𝑟4
𝑟1
− 1−
1
𝜖𝑟
𝑙𝑛
𝑟3
𝑟2
=
𝜼
𝟐𝝅
𝐥𝐧
𝒓𝟒
𝒓𝟏
{𝐥𝐧
𝒓𝟒
𝒓𝟏
− 𝟏 −
𝟏
𝝐𝒓
𝐥𝐧
𝒓𝟑
𝒓𝟐
=
𝜼
𝟐𝝅
𝐥𝐧
𝒅𝟒
𝒅𝟏
{𝐥𝐧
𝒅𝟒
𝒅𝟏
− 𝟏 −
𝟏
𝝐𝒓
𝐥𝐧
𝒅𝟑
𝒅𝟐
2r4
2r3
2r2
2r1
内部導体
空気層
誘電体
外部導体
Mコネクタの特性インピーダンス
充填されていないタイプ
• 𝑍0 =
𝜂
2𝜋
ln
𝑑4
𝑑1
{ln
𝑑4
𝑑1
− 1 −
1
𝜖𝑟
ln
𝑑3
𝑑2
• 以下を代入
• d1 = 5, d2 = 7.5, d3 = 9.8, d4 = 12
• εr=2(テフロン)
• Z0 =48.3Ω (VSWR=1.03)
• 非常によく50Ωに整合している
• 空気の時(VSWR=1.05)より改善してる
12mm
9.8mm
7.5mm
5mm
内部導体
空気層
誘電体
外部導体
まとめ
• 少し変なMコネクタを題材に不連続な誘電体を装荷したときの
同軸線路の特性インピーダンスの導出をした。
• Mコネクタについて
• 樹脂部がベークライト(黒か茶色)はHF帯/50MHz向け
• 樹脂部がテフロン(白)のほうが特性はよいが、VSWR1.3ぐらい
• 絶縁部が空気のものは特性がよさそう
• アンテナ器台で見かけた気がする。
• 絶縁部が一部樹脂になっているものは50Ωの特性インピーダンスを
持っているものらしい
• とはいっても、オス側のコネクタでこの構造のものは見たことがないので、がん
ばっても430MHzまでが使用範囲だと思われる
参考文献
1. 前野昌弘「よくわかる電磁気学」東京図書、2010
2. 松田豊稔ら「電波工学」コロナ社、2008
3. 石井望「アンテナ基本測定法」コロナ社、2011
4. 「システム奮闘記」2016年掲載、
http://www.osssme.com/doc/funto106-no100.html

Mais conteúdo relacionado

Mais procurados

【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?Masanao Ochi
 
劣モジュラ最適化と機械学習1章
劣モジュラ最適化と機械学習1章劣モジュラ最適化と機械学習1章
劣モジュラ最適化と機械学習1章Hakky St
 
DeepLearning 10章 回帰結合型ニューラルネットワークと再帰型ネットワーク
DeepLearning 10章 回帰結合型ニューラルネットワークと再帰型ネットワークDeepLearning 10章 回帰結合型ニューラルネットワークと再帰型ネットワーク
DeepLearning 10章 回帰結合型ニューラルネットワークと再帰型ネットワークhirono kawashima
 
第1回文献紹介勉強会20140826
第1回文献紹介勉強会20140826第1回文献紹介勉強会20140826
第1回文献紹介勉強会20140826Masakazu Sano
 
ガウス過程入門
ガウス過程入門ガウス過程入門
ガウス過程入門ShoShimoyama
 
[DL輪読会]Auto-DeepLab: Hierarchical Neural Architecture Search for Semantic Ima...
[DL輪読会]Auto-DeepLab: Hierarchical Neural Architecture Search for Semantic Ima...[DL輪読会]Auto-DeepLab: Hierarchical Neural Architecture Search for Semantic Ima...
[DL輪読会]Auto-DeepLab: Hierarchical Neural Architecture Search for Semantic Ima...Deep Learning JP
 
汎用ニューラルネットワークポテンシャル「PFP」による材料探索_MRS-J2021招待講演_2021/12/15
汎用ニューラルネットワークポテンシャル「PFP」による材料探索_MRS-J2021招待講演_2021/12/15汎用ニューラルネットワークポテンシャル「PFP」による材料探索_MRS-J2021招待講演_2021/12/15
汎用ニューラルネットワークポテンシャル「PFP」による材料探索_MRS-J2021招待講演_2021/12/15Matlantis
 
統計モデリングで癌の5年生存率データから良い病院を探す
統計モデリングで癌の5年生存率データから良い病院を探す統計モデリングで癌の5年生存率データから良い病院を探す
統計モデリングで癌の5年生存率データから良い病院を探す. .
 
AtCoder Regular Contest 033 解説
AtCoder Regular Contest 033 解説AtCoder Regular Contest 033 解説
AtCoder Regular Contest 033 解説AtCoder Inc.
 
Matlantisに込められた 技術・思想_高本_Matlantis User Conference
Matlantisに込められた 技術・思想_高本_Matlantis User ConferenceMatlantisに込められた 技術・思想_高本_Matlantis User Conference
Matlantisに込められた 技術・思想_高本_Matlantis User ConferenceMatlantis
 
劣モジュラ最適化と機械学習 2.0-2.3 劣モジュラ関数の基本性質・例・最適化
劣モジュラ最適化と機械学習 2.0-2.3 劣モジュラ関数の基本性質・例・最適化劣モジュラ最適化と機械学習 2.0-2.3 劣モジュラ関数の基本性質・例・最適化
劣モジュラ最適化と機械学習 2.0-2.3 劣モジュラ関数の基本性質・例・最適化Akiyoshi Hara
 
[DL輪読会]Reinforcement Learning with Deep Energy-Based Policies
[DL輪読会]Reinforcement Learning with Deep Energy-Based Policies[DL輪読会]Reinforcement Learning with Deep Energy-Based Policies
[DL輪読会]Reinforcement Learning with Deep Energy-Based PoliciesDeep Learning JP
 
Longformer: The Long-Document Transformer
Longformer: The Long-Document Transformer Longformer: The Long-Document Transformer
Longformer: The Long-Document Transformer taeseon ryu
 
レプリカ交換モンテカルロ法で乱数の生成
レプリカ交換モンテカルロ法で乱数の生成レプリカ交換モンテカルロ法で乱数の生成
レプリカ交換モンテカルロ法で乱数の生成Nagi Teramo
 
量子プログラミング入門
量子プログラミング入門量子プログラミング入門
量子プログラミング入門Katsuya Ito
 
統計的学習手法による物体検出の高精度化と効率化 -人検出の実用化に向けて-
統計的学習手法による物体検出の高精度化と効率化 -人検出の実用化に向けて-統計的学習手法による物体検出の高精度化と効率化 -人検出の実用化に向けて-
統計的学習手法による物体検出の高精度化と効率化 -人検出の実用化に向けて-Hironobu Fujiyoshi
 
劣モジュラ最適化と機械学習 2.5節
劣モジュラ最適化と機械学習 2.5節劣モジュラ最適化と機械学習 2.5節
劣モジュラ最適化と機械学習 2.5節Hakky St
 
コンピュータビジョン分野メジャー国際会議 Award までの道のり
コンピュータビジョン分野メジャー国際会議 Award までの道のりコンピュータビジョン分野メジャー国際会議 Award までの道のり
コンピュータビジョン分野メジャー国際会議 Award までの道のりcvpaper. challenge
 

Mais procurados (20)

【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?【論文紹介】How Powerful are Graph Neural Networks?
【論文紹介】How Powerful are Graph Neural Networks?
 
劣モジュラ最適化と機械学習1章
劣モジュラ最適化と機械学習1章劣モジュラ最適化と機械学習1章
劣モジュラ最適化と機械学習1章
 
DeepLearning 10章 回帰結合型ニューラルネットワークと再帰型ネットワーク
DeepLearning 10章 回帰結合型ニューラルネットワークと再帰型ネットワークDeepLearning 10章 回帰結合型ニューラルネットワークと再帰型ネットワーク
DeepLearning 10章 回帰結合型ニューラルネットワークと再帰型ネットワーク
 
第1回文献紹介勉強会20140826
第1回文献紹介勉強会20140826第1回文献紹介勉強会20140826
第1回文献紹介勉強会20140826
 
ガウス過程入門
ガウス過程入門ガウス過程入門
ガウス過程入門
 
[DL輪読会]Auto-DeepLab: Hierarchical Neural Architecture Search for Semantic Ima...
[DL輪読会]Auto-DeepLab: Hierarchical Neural Architecture Search for Semantic Ima...[DL輪読会]Auto-DeepLab: Hierarchical Neural Architecture Search for Semantic Ima...
[DL輪読会]Auto-DeepLab: Hierarchical Neural Architecture Search for Semantic Ima...
 
汎用ニューラルネットワークポテンシャル「PFP」による材料探索_MRS-J2021招待講演_2021/12/15
汎用ニューラルネットワークポテンシャル「PFP」による材料探索_MRS-J2021招待講演_2021/12/15汎用ニューラルネットワークポテンシャル「PFP」による材料探索_MRS-J2021招待講演_2021/12/15
汎用ニューラルネットワークポテンシャル「PFP」による材料探索_MRS-J2021招待講演_2021/12/15
 
統計モデリングで癌の5年生存率データから良い病院を探す
統計モデリングで癌の5年生存率データから良い病院を探す統計モデリングで癌の5年生存率データから良い病院を探す
統計モデリングで癌の5年生存率データから良い病院を探す
 
AtCoder Regular Contest 033 解説
AtCoder Regular Contest 033 解説AtCoder Regular Contest 033 解説
AtCoder Regular Contest 033 解説
 
1次式とノルムで構成された最適化問題とその双対問題
1次式とノルムで構成された最適化問題とその双対問題1次式とノルムで構成された最適化問題とその双対問題
1次式とノルムで構成された最適化問題とその双対問題
 
Matlantisに込められた 技術・思想_高本_Matlantis User Conference
Matlantisに込められた 技術・思想_高本_Matlantis User ConferenceMatlantisに込められた 技術・思想_高本_Matlantis User Conference
Matlantisに込められた 技術・思想_高本_Matlantis User Conference
 
劣モジュラ最適化と機械学習 2.0-2.3 劣モジュラ関数の基本性質・例・最適化
劣モジュラ最適化と機械学習 2.0-2.3 劣モジュラ関数の基本性質・例・最適化劣モジュラ最適化と機械学習 2.0-2.3 劣モジュラ関数の基本性質・例・最適化
劣モジュラ最適化と機械学習 2.0-2.3 劣モジュラ関数の基本性質・例・最適化
 
[DL輪読会]Reinforcement Learning with Deep Energy-Based Policies
[DL輪読会]Reinforcement Learning with Deep Energy-Based Policies[DL輪読会]Reinforcement Learning with Deep Energy-Based Policies
[DL輪読会]Reinforcement Learning with Deep Energy-Based Policies
 
強化学習1章
強化学習1章強化学習1章
強化学習1章
 
Longformer: The Long-Document Transformer
Longformer: The Long-Document Transformer Longformer: The Long-Document Transformer
Longformer: The Long-Document Transformer
 
レプリカ交換モンテカルロ法で乱数の生成
レプリカ交換モンテカルロ法で乱数の生成レプリカ交換モンテカルロ法で乱数の生成
レプリカ交換モンテカルロ法で乱数の生成
 
量子プログラミング入門
量子プログラミング入門量子プログラミング入門
量子プログラミング入門
 
統計的学習手法による物体検出の高精度化と効率化 -人検出の実用化に向けて-
統計的学習手法による物体検出の高精度化と効率化 -人検出の実用化に向けて-統計的学習手法による物体検出の高精度化と効率化 -人検出の実用化に向けて-
統計的学習手法による物体検出の高精度化と効率化 -人検出の実用化に向けて-
 
劣モジュラ最適化と機械学習 2.5節
劣モジュラ最適化と機械学習 2.5節劣モジュラ最適化と機械学習 2.5節
劣モジュラ最適化と機械学習 2.5節
 
コンピュータビジョン分野メジャー国際会議 Award までの道のり
コンピュータビジョン分野メジャー国際会議 Award までの道のりコンピュータビジョン分野メジャー国際会議 Award までの道のり
コンピュータビジョン分野メジャー国際会議 Award までの道のり
 

Mais de j_rocket_boy

わかものハムの集い3 テーマ発表 アンテナ小僧 発表資料
わかものハムの集い3 テーマ発表 アンテナ小僧 発表資料わかものハムの集い3 テーマ発表 アンテナ小僧 発表資料
わかものハムの集い3 テーマ発表 アンテナ小僧 発表資料j_rocket_boy
 
高周波とVNAとアンテナエレメント長の調整
高周波とVNAとアンテナエレメント長の調整高周波とVNAとアンテナエレメント長の調整
高周波とVNAとアンテナエレメント長の調整j_rocket_boy
 
次期水ロケットの展望
次期水ロケットの展望次期水ロケットの展望
次期水ロケットの展望j_rocket_boy
 
ペットボトルロケットの水の量
ペットボトルロケットの水の量ペットボトルロケットの水の量
ペットボトルロケットの水の量j_rocket_boy
 
Arduinoとgpsと有効数字
Arduinoとgpsと有効数字Arduinoとgpsと有効数字
Arduinoとgpsと有効数字j_rocket_boy
 
えだまめ作戦【CanSat】
えだまめ作戦【CanSat】えだまめ作戦【CanSat】
えだまめ作戦【CanSat】j_rocket_boy
 
えだまめ作戦です!
えだまめ作戦です!えだまめ作戦です!
えだまめ作戦です!j_rocket_boy
 

Mais de j_rocket_boy (7)

わかものハムの集い3 テーマ発表 アンテナ小僧 発表資料
わかものハムの集い3 テーマ発表 アンテナ小僧 発表資料わかものハムの集い3 テーマ発表 アンテナ小僧 発表資料
わかものハムの集い3 テーマ発表 アンテナ小僧 発表資料
 
高周波とVNAとアンテナエレメント長の調整
高周波とVNAとアンテナエレメント長の調整高周波とVNAとアンテナエレメント長の調整
高周波とVNAとアンテナエレメント長の調整
 
次期水ロケットの展望
次期水ロケットの展望次期水ロケットの展望
次期水ロケットの展望
 
ペットボトルロケットの水の量
ペットボトルロケットの水の量ペットボトルロケットの水の量
ペットボトルロケットの水の量
 
Arduinoとgpsと有効数字
Arduinoとgpsと有効数字Arduinoとgpsと有効数字
Arduinoとgpsと有効数字
 
えだまめ作戦【CanSat】
えだまめ作戦【CanSat】えだまめ作戦【CanSat】
えだまめ作戦【CanSat】
 
えだまめ作戦です!
えだまめ作戦です!えだまめ作戦です!
えだまめ作戦です!
 

Mコネクタの特性インピーダンス