Реализация нейронной сети (C++).Независимо от входных значений,вывод в районе 0.5

Я пытаюсь реализовать простую нейронную сеть на с++,но при тестирование c XOR ,при обучении вывод сводится к числу в районе 0.5 .Изменение скорости обучения, моментума,значения корректировочного нейрона(bias) не влияет на итоговый результат,после обучения.Я уже протестировал feedforward с фиксированными весами и входными значениями и полагаю что ошибка в самом алгоритме обучения(backpropagation) ,но ,прочитав множество статей о работе алгоритма обучения,так и не смог понять где именно.

struct Neuron
{
    vector<double> weights;
    vector<double> deltaWeights;
    vector<double> gradient;
    double value;
    double delta;
};

typedef vector<Neuron> Layer;

class Network
{
public:
    Network(vector<unsigned>& Topology);
    double Sigmoid(double& x) { return 1 / (1 + exp(-x)); };
    double SigmoidDerivative(double& x) { return Sigmoid(x) * (1 - Sigmoid(x)); };
    double RandomWeights() { return ((double)rand() / RAND_MAX) * 2; };
    void FeedForward(vector<double>& inputVals);
    void BackPropagation(vector<double>& targetVals);
private:
    vector<Layer> Net;
    const double alpha = 0.15;
    const double epsilon = 0.3;
};

Структура сети построена с помощью двумерного вектора структур(Neuron)

Алгоритм обучения:

void Network::BackPropagation(vector<double>& targetVals)
{
    for (unsigned i = 0; i < Net.back().size() - 1; ++i) //дельта для выходного слоя
    {
        Net.back()[i].delta = (targetVals[i] - Net.back()[i].value)  * SigmoidDerivative(Net.back()[i].value);
    }
    for (int i = Net.size()-2; i >= 0; --i) //дельта для скрытых слоев
    {
        for (unsigned j = 0; j < Net[i].size(); ++j)
        {
            Net[i][j].delta = 0;

            for (unsigned l = 0; l < Net[i][j].weights.size(); ++l)
            {
                Net[i][j].delta += (Net[i][j].weights[l] * Net[i + 1][l].delta);
            }

            Net[i][j].delta *= SigmoidDerivative(Net[i][j].value);
        }
    }

    for (unsigned i = 0; i < Net.size() - 1; ++i) //расчет градиента каждого веса
    {
        for (unsigned j = 0; j < Net[i].size(); ++j)
        {
            for (unsigned l = 0; l < Net[i][j].weights.size(); ++l)
            {
                Net[i][j].gradient[l] = Net[i][j].value * Net[i + 1][l].delta;
            }
        }
    }

    for (unsigned i = 0; i < Net.size() - 1; ++i) //изменение веса и запись изменения в deltaWeight
    {
        for (unsigned j = 0; j < Net[i].size(); ++j)
        {
            for (unsigned l = 0; l < Net[i][j].weights.size(); ++l)
            {
                Net[i][j].deltaWeights[l] = (Net[i][j].gradient[l] * epsilon + Net[i][j].deltaWeights[l] * alpha);
                Net[i][j].weights[l] += Net[i][j].deltaWeights[l];
            }
        }
    }
}