El crecimiento prolífico de sensores y tecnología de sensores ha dado lugar a diversas aplicaciones en operaciones de detección, monitoreo, evaluación y control. Debido al gran número de unidades de detección, el volumen de datos agregados crea una carga para la unidad central de procesamiento de datos. Este documento demuestra una plataforma computacional analógica que utiliza una red neuronal de osciladores débilmente acoplados para aplicaciones de reconocimiento de patrones. La red neuronal de osciladores (ONN) ha sido estudiada durante las últimas décadas por su creciente eficiencia computacional. La ONN acoplada puede realizar las funcionalidades de clasificación y reconocimiento de patrones basadas en su fenómeno de sincronización. El tiempo de convergencia y la frecuencia de sincronización se consideran como indicadores de reconocimiento. Para la detección jerárquica, la sincronización se detecta en la primera capa, y luego la clasificación se realiza en la segunda capa. En este trabajo, se utiliza un enfoque de sincronización de frecuencia basado en el modelo de Kuramoto, y los resultados de la simulación indican un tiempo de convergencia de menos de 160 ms y una coincidencia de frecuencia cercana para una aplicación simplificada de reconocimiento de patrones. Se considera un conjunto de 10 sensores para afectar los pesos de acoplamiento de los nodos oscilantes, y demostrar la computación a nivel de red. Según las simulaciones de MATLAB, la arquitectura propuesta de ONN puede detectar con éxito el patrón de coincidencia cercana a través de la sincronización, y diferenciar el patrón de coincidencia lejana a través de la pérdida de sincronización en los nodos oscilantes.