对于感知机算法的问题，我们可以逐一分析各个选项：

A: 只能处理线性可分的数据集
感知机算法是一个线性分类器，其基本原理是通过调整权重来找到一个超平面，将数据集的不同类别分开。因此，感知机只能在数据线性可分的情况下收敛并找到一个解。如果数据集不是线性可分的，感知机可能无法找到一个合适的超平面来分隔数据。因此，选项A是正确的。

B: 会过拟合
感知机算法本身是一种简单的线性模型，其复杂度较低。由于它只能找到一个线性决策边界，通常不容易过拟合。然而，在某些情况下（例如，数据维度非常高或者特征选择不当），可能会出现过拟合的现象，但这不是感知机的典型特征。因此，选项B通常不被认为是正确的。

C: 其原始的形式是参数模型
感知机的原始形式是通过学习权重向量来定义一个线性决策边界，因此它是一个参数模型。模型的参数是权重和偏置，它们通过训练数据进行学习。因此，选项C是正确的。

D: 其对偶的形式是非参数模型
感知机的对偶形式通过支持向量表示决策函数，虽然它在形式上与原始形式不同，但它仍然是依赖于参数（即支持向量和相应的系数）的。因此，感知机的对偶形式仍然是一个参数模型，而不是非参数模型。因此，选项D是不正确的。

综上所述，正确答案是A和C。