在分析选项之前，我们需要了解一些深度学习的基本概念：

A: Bagging（Bootstrap Aggregating）是一种集成学习方法，主要用于减少模型的方差，通常用于决策树等模型。Dropout是一种正则化技术，用于减少神经网络的过拟合。虽然两者都可以提高模型的泛化能力，但它们的机制和作用原理不同，因此不能直接说Bagging可以起到与Dropout类似的效果。这个说法是错误的。

B: 激活函数f(x)≈x是指线性激活函数（例如恒等函数）。在深度网络中，使用线性激活函数会导致网络变成线性模型，层数再多也无法捕捉非线性关系。因此，线性激活不会导致输出幅值显著增大，相反，它会导致网络表达能力不足。这个说法是错误的。

C: 梯度截断（Gradient Clipping）是一种常用的技术，用于防止梯度爆炸问题。梯度爆炸通常发生在深度网络中，尤其是循环神经网络中，梯度截断通过限制梯度的大小，有效地防止了梯度爆炸。因此，这个说法是正确的。

D: Maxout是一种激活函数，能够通过线性片段的组合来近似任意凸函数。由于其灵活性，Maxout能够拟合复杂的函数关系，并且在某些情况下可以加快模型的训练过程。这个说法是正确的。

综合分析，选项A和B的描述是错误的，因此正确答案是A和B。