15081800/03

krtkl
799-1508180003
15081800/03

Herst.:

Beschreibung:
System-auf-Modulen - SOM Snickerdoodle Black, connectors up. Wireless Zynq-7020 System on Module, 866MHz Dual-Core ARM Cortex-A9 processor, 85K Logic Cells / 1.3M ASIC Gates / 53.2K LUTs / 276 GMACs, 2.4GHz & 5GHz 802.11n Wi-Fi, 125 FPGA I/O + 55 additional I

ECAD Model:
Den kostenlosen Library Loader herunterladen, um diese Datei für Ihr ECAD Tool zu konvertieren. Weitere Infos zu ECAD-Modell.

Auf Lager: 69

Lagerbestand:
69
sofort lieferbar
Auf Bestellung:
6
Lieferzeit ab Hersteller:
209
Wochen Geschätzte Produktionszeit des Werks für Mengen, die größer als angezeigt sind.
Minimum: 1   Vielfache: 1
Stückpreis:
-,-- €
Erw. Preis:
-,-- €
Vorauss. Zolltarif:
Dieses Produkt wird KOSTENLOS versandt

Preis (EUR)

Menge Stückpreis
Erw. Preis
268,32 € 268,32 €

Produktattribut Attributwert Attribut auswählen
krtkl
Produktkategorie: System-auf-Modulen - SOM
RoHS:  
snickerdoodle
Xilinx
XC7Z020-3CLG400E
866 MHz
1 GB
1 GB
3.7 V to 17 V
Audio, CAN, Ethernet, GPIO, I2C, I2S, SPI, UART, USB 2.0, WiFi
0 C
+ 85 C
88.9 mm x 50.8 mm
Marke: krtkl
Speichergröße: 256 kB
Speichertyp: LPDDR2, SRAM
Anzahl der Kerne: 2 Core
Prozessor-Serie: Zynq-7020
Produkt-Typ: System-On-Modules - SOM
Verpackung ab Werk: 1
Unterkategorie: Computing
Handelsname: snickerdoodle black
Artikel # Aliases: 80-0003
Gewicht pro Stück: 33,200 g
Produkte gefunden:
Um ähnliche Produkte anzuzeigen, wählen Sie mindestens ein Kontrollkästchen aus
Um ähnliche Produkte in dieser Kategorie anzuzeigen, wählen Sie mindestens ein Kontrollkästchen oben aus.
Ausgewählte Attribute: 0

CNHTS:
8471504090
USHTS:
8473301180
ECCN:
4A994.a

Snickerdoodle schwarz

krtkl’s Snickerdoodle schwarz System-on-Module (SoM) ist ein Zynq-basiertes System-on-Module mit Dualband-WLAN, BLE, 1 GB RAM, 16 MB Flash, 180 I/O und einem SD-Kartengehäuse. Es hat die Größe einer Kreditkarte. Aufgebaut auf einem Xilinx® Zynq™-7020 System-on-Chip (SoC) und einem Texas Instruments WiLink™ 8 Wireless-Modul ist Snickerdoodle dafür ausgelegt, energieeffiziente Hochleistungsberechnungen und künstliche Intelligenz (AI) in Netzwerken praktisch, erschwinglich und skalierbar zu machen.