La detección cooperativa de espectro (CSS) tiene la capacidad de identificar con precisión las actividades de los usuarios primarios (PUs). Dado que el rendimiento de detección de los usuarios secundarios (SUs) se ve afectado en entornos de desvanecimiento y sombreado, CSS es una elección adecuada para lograr mejores resultados de detección en comparación con la detección individual. Uno de los problemas en CSS ocurre debido a la participación de usuarios maliciosos (MUs) que informan datos de detección falsos al centro de fusión (FC) para desorientar la decisión del FC sobre la actividad de los PUs. De las diferentes categorías de MUs, Siempre Sí (AY), Siempre No (AN), Siempre Opuesto (AO) y Opuesto Aleatorio (RO) son de gran interés en la literatura en la actualidad. Recientemente, se ha logrado un alto rendimiento de detección para CSS utilizando técnicas de aprendizaje automático. En este documento, se ha propuesto el algoritmo de árboles potenciados (BTA) para obtener una identificación confiable del canal PU, donde los SUs pueden acceder al canal PU oportunamente con mínimas perturbaciones para el licenciatario. El BTA propuesto mitiga los efectos de falsificación de datos de detección de espectro (SSDF) de las categorías AY, AN, AO y RO de los MUs. BTA es un método de conjunto para resolver problemas de detección de espectro utilizando diferentes clasificadores. Mejora el rendimiento de algunos clasificadores débiles en la combinación al dar pesos más altos a las decisiones de detección de los clasificadores débiles. Los resultados de la simulación verifican la mejora del rendimiento mediante el algoritmo propuesto en comparación con técnicas existentes como la fusión de decisiones suaves de algoritmo genético (GASDF), la fusión de decisiones suaves de optimización de enjambre de partículas (PSOSDF), la fusión de decisiones suaves de combinación de ganancia máxima (MGCSDF) y la fusión de decisiones duras de conteo (CHDF). La configuración experimental se lleva a cabo en diferentes niveles de relación señal-ruido (SNR), número total de usuarios cooperativos y muestras de detección que muestran resultados de probabilidad de error mínimos para el esquema propuesto.